마이크로플레인 모델 파라미터 역분석을 위한 소프트 컴퓨팅 기반 방법

본 논문은 콘크리트와 같은 복합 재료의 비선형 거동을 정밀히 기술하는 마이크로플레인 M4 모델의 파라미터를 역분석(back analysis)하기 위한 새로운 소프트 컴퓨팅 기반 절차를 제시한다. 마이크로플레인 모델은 3차원 응력‑변형률 텐서를 다수의 임의 방향 마이크로플레인에 투영하여 미세 메커니즘을 반영하지만, 8개의 물성 파라미터(E, ν, k₁‑k₄, c₃, c₂₀)를 정확히 식별하는 것이 어려운 문제이다. 기존 연구에서는 경험적 휴리스틱 보정을 사용했으나, 이는 반복적인 시도와 주관적 판단에 의존한다. 이에 저자들은 다음과 같은 일련의 단계적 프로세스를 설계하였다. 1) **실험·시뮬레이션 설정**: 단축 압축, 정수압, 삼축 시험을 가상 실험으로 구현하고, 구조 해석은 C++ 기반 OOFEM 1.5를 이용해 선형 브릭 요소와 아크‑길이 해석법으로 수행한다. 2) **입력 파라미터 랜덤화**: 라틴 하이퍼큐브 샘플링(LHS)을 적용해 각 파라미터를 균등 분포로 무작위 추출한다. LHS는 표본 간 상관성을 최소화해 적은 수의 시뮬레이션으로도 전체 파라미터 공간을 효과적으로 탐색한다. 3) **스토캐스틱 민감도 분석**: Monte‑Carlo 시뮬레이션 결과에 대해 Pearson 곱셈 모멘트 상관계수를 계산한다. 이 상관계수는 입력 파라미터와 출력(예: 응력‑변형률 피크 좌표) 사이의 통계적 의존성을 정량화한다. 민감도 결과는 파라미터별 식별 가능성을 판단하는 근거가 된다. 4) **ANN 토폴로지 정의**: 입력층(파라미터 수), 은닉층(다층, 각 층 뉴런 수는 실험적으로 결정), 출력층(식별하고자 하는 파라미터)으로 구성된 완전 연결 피드포워드 신경망을 설계한다. 활성화 함수는 시그모이드 형태이며, 출력 오차는 평균 제곱 오차(ε)로 정의한다. 5) **진화적 학습(GRADE)**: 전통적인 역전파 대신 GRADE라는 유전 알고리즘 기반 최적화기를 사용한다. 변이 연산은 무작위 샘플과 현재 염색체의 차이를 이용해 새로운 후보를 생성하고, 기울기 교차는 두 염색체 차이를 스케일링해 더 나은 방향으로 이동한다. 선택 단계는 수정된 토너먼트 방식을 적용해 다양성을 유지한다. 6) **CERAF 기법**: 학습이 특정 지역 최적에 정착하면, 해당 영역을 ‘방사능 중심’으로 지정하고 변이 확률을 100%로 높여 새로운 탐색을 유도한다. 이는 진화적 알고리즘이 장기간 정체되는 현상을 방지한다. 7) **검증 및 적용**: 학습된 ANN을 독립적인 테스트 데이터와 실제 실험 결과에 적용해 파라미터 추정 정확도를 평가한다. 실험 결과는 다음과 같다. 단축 압축 시험에서는 초기 구간에서 ν와 k₁이, 후반 구간에서는 c₂₀이 높은 민감도를 보였으며, 피크 응력·변형률에 대한 Pearson 상관계수는 k₁이 0.968(응력)·0.709(변형률)로 가장 크게 나타났다. 정수압 시험에서는 k₂와 k₃이 주된 영향을 미쳤으며, 삼축 시험에서는 k₄와 c₃가 중요한 역할을 했다. 이러한 민감도 기반 파라미터 선별을 통해 각 시험에 적합한 ANN을 별도로 훈련시켰고, 실험 데이터로부터 역으로 파라미터를 추정했을 때 평균 오차는 5% 이하로 만족스러운 결과를 얻었다. 논문은 제안 방법의 장점으로 (1) 자동화된 데이터 생성·학습 파이프라인, (2) 통계적 민감도에 기반한 파라미터 선택, (3) 전역 탐색 능력을 갖춘 진화적 학습을 꼽는다. 반면 단점으로는 (가) 대규모 Monte‑Carlo와 LHS 시뮬레이션으로 인한 높은 계산 비용, (나) ANN 구조와 하이퍼파라미터 설정에 대한 경험적 판단 필요성을 지적한다. 향후 연구 방향으로는 병렬 컴퓨팅을 통한 시뮬레이션 가속화, 베이지안 최적화와 같은 효율적인 하이퍼파라미터 탐색, 다중 시험 데이터를 통합한 다중 출력 ANN 모델, 그리고 실시간 현장 적용을 위한 경량화 모델 개발 등을 제시한다. 결론적으로, 라틴 하이퍼큐브 샘플링, 스토캐스틱 민감도 분석, 그리고 진화적 학습 기반 ANN을 결합한 본 절차는 마이크로플레인 M4 모델 파라미터의 자동화·정확한 역식별을 가능하게 하며, 기존 휴리스틱 방법에 비해 확장성과 재현성을 크게 향상시킨다.