입자 군집 최적화를 이용한 유한요소 모델 선택

초록

본 논문은 유한요소 모델(FEM) 선택 문제에 입자 군집 최적화(PSO)를 적용한다. 각 후보 모델을 입자로 표현하고, 파라미터 수와 물성값 편차를 최소화하는 목표 함수를 통해 최적 모델을 탐색한다. 구조 예시를 통해 PSO가 파라미터 업데이트 수와 물성 평균 편차를 동시에 최소화하는 모델을 효율적으로 찾는 것을 보였다. 두 종류의 목표 함수를 비교하여 알고리즘의 성능을 검증하였다.

상세 분석

이 연구는 FEM 선택이라는 다중 모델 비교 문제를 전역 탐색 메타휴리스틱인 입자 군집 최적화(Particle Swarm Optimization, PSO)와 결합함으로써 새로운 접근법을 제시한다. 기존 FEM 선택은 주로 전문가 판단이나 통계적 검증에 의존했으며, 파라미터 수와 물성값 변동을 동시에 고려하기 어려웠다. 저자는 각 후보 모델을 ‘입자’로 매핑하고, 입자의 위치를 모델 파라미터(예: 강성, 질량, 감쇠계수 등)의 값으로 정의한다. 입자는 개인 최적(pbest)과 전체 최적(gbest)를 기반으로 속도와 위치를 업데이트하는데, 여기서 중요한 설계는 ‘모델 표현 방식’이다. 모델마다 파라미터 개수가 다를 수 있기 때문에, 저자는 고정 차원의 벡터에 ‘활성/비활성’ 플래그를 부여해 파라미터 존재 여부를 표시하고, 비활성 파라미터는 업데이트 대상에서 제외한다. 이렇게 하면 차원 불일치 문제를 회피하면서도 다양한 모델 구조를 동일한 탐색 공간에 포함시킬 수 있다.

목표 함수는 두 가지 형태로 제시된다. 첫 번째는 파라미터 수와 물성 평균 편차의 가중합으로, 모델 복잡도와 물리적 정확성을 동시에 최소화한다. 두 번째는 단순히 잔차(실험 데이터와 시뮬레이션 결과의 차이)만을 최소화하는 전통적 오류 함수이다. 두 함수를 비교함으로써 PSO가 복합 목표를 어떻게 균형 있게 달성하는지 평가한다. 실험에서는 단순 2차원 프레임 구조를 대상으로 여러 후보 모델을 생성하고, 각 모델의 파라미터를 PSO가 탐색하도록 설정하였다. 결과는 복합 목표 함수를 사용했을 때 파라미터 업데이트 수가 현저히 감소하면서도 잔차가 허용 범위 내에 머무르는 최적 모델을 찾아냈다. 이는 과적합을 방지하고 해석 효율성을 높이는 데 기여한다.

알고리즘 파라미터(입자 수, 관성 가중치, 인지·사회 계수 등)와 초기화 전략이 결과에 미치는 영향도 간략히 탐색했으며, 적절한 파라미터 설정이 수렴 속도와 전역 최적 탐색 능력을 크게 향상시킨다는 점을 확인했다. 또한, PSO의 확률적 특성으로 인해 동일 조건에서도 약간의 변동성이 존재하지만, 다중 실행 평균에서는 안정적인 최적 해를 제공한다.

한계점으로는 모델 차원이 크게 증가할 경우 탐색 공간이 급격히 확장되어 수렴 속도가 저하될 가능성이 있다. 또한, 파라미터 간 상관관계가 강한 경우 단순 선형 업데이트 규칙이 지역 최적에 머무를 위험이 있다. 이러한 점은 차원 축소 기법이나 적응형 가중치 조정 등을 통해 보완할 여지가 있다.

전반적으로 이 논문은 FEM 선택 문제에 PSO를 적용함으로써 모델 복잡도와 물성 정확성을 동시에 고려하는 새로운 프레임워크를 제시하고, 실험을 통해 그 실효성을 입증하였다. 향후 다중 물리·다중 스케일 시스템에 대한 확장 가능성도 기대된다.