샘플링 기반 민감도 분석을 위한 최적 실험 설계 비교 연구

초록

본 논문은 복잡한 수치 모델의 민감도 분석에 사용되는 실험 설계(DoE)의 품질을 평가하는 다양한 기준을 정리하고, 샘플링 기반 민감도 분석에 가장 적합한 설계 방법을 비교·분석한다. 공간 충실도, 정규성, D‑optimal성 등 주요 지표를 소개하고, 각각의 장·단점을 수치 예시와 함께 검증한다.

상세 분석

논문은 먼저 현대 구조 해석 모델이 고정밀·고복잡성을 갖게 되면서 시뮬레이션 비용이 급증함을 지적하고, 이러한 상황에서 입력 변수와 출력 응답 사이의 상관관계를 추정하는 샘플링 기반 민감도 분석이 실용적 대안임을 강조한다. 핵심은 “어떤 설계점(샘플)들을 선택하느냐”에 따라 민감도 추정의 정확도가 크게 달라진다는 점이다. 이를 위해 저자는 실험 설계 품질을 평가하는 네 가지 전통적 기준을 체계적으로 정리한다.

1. 공간 충실도(Spatial‑filling) 기준 – Maximin 거리, Minimax 거리, 평균 거리, 별표(Star) 디자인, 그리고 L2·L∞ 불균형(discrepancy) 등을 포함한다. 이들 지표는 설계점이 설계 공간 전체에 고르게 퍼져 있는지를 수치화한다. 특히 Maximin은 가장 가까운 두 점 사이의 최소 거리를 최대화함으로써 클러스터링을 방지하고, Sobol·Halton과 같은 저차원 균등 시퀀스와 비교한다.

2. 정규성(Orthogonality) 기준 – 상관 행렬의 절대값 합, 조건수, 그리고 주성분 분석을 통한 독립성 측정이 있다. 정규성이 높을수록 입력 변수 간 상호작용이 최소화돼 회귀 기반 민감도 추정이 편향되지 않는다.

3. D‑optimal성(D‑optimal) 기준 – 정보 행렬(det(XᵀX))을 최대화하는 설계로, 통계적 효율성을 직접적으로 반영한다. 저자는 전통적인 완전 요인 설계와 비교해, 제한된 샘플 수에서 D‑optimal 설계가 어떻게 변동성을 감소시키는지를 실험한다.

4. 복합 기준 – 위 세 가지를 가중합하거나 다목적 최적화(Multi‑objective) 알고리즘(예: NSGA‑II)으로 동시에 만족시키는 방법을 제시한다.

각 기준에 대해 저자는 2차원·3차원 테스트 함수와 실제 구조 해석 모델(예: 비선형 트러스, 열‑구조 결합 해석)을 사용해 시뮬레이션을 수행한다. 결과는 다음과 같다. 공간 충실도 설계는 전체 민감도 추정의 평균 오차를 크게 감소시키지만, 변수 간 상관이 존재하면 정규성 부족으로 회귀 계수의 분산이 증가한다. 반면 D‑optimal 설계는 적은 샘플에서도 회귀 계수의 정확도를 보장하지만, 설계 공간의 가장자리 영역을 충분히 탐색하지 못해 비선형 효과를 놓칠 위험이 있다. 복합 기준을 적용한 다목적 최적화 설계는 두 장점을 균형 있게 결합해, 특히 고차원(>10) 문제에서 평균 오차와 최대 오차 모두를 최소화한다는 점이 강조된다.

마지막으로 논문은 실용적인 가이드라인을 제시한다. (1) 샘플 수가 충분히 많을 경우 Maximin·Sobol과 같은 공간 충실도 설계가 가장 간단하고 효과적이다. (2) 샘플이 제한적이고 회귀 기반 민감도 분석을 사용할 경우 D‑optimal 설계가 우선 고려되어야 한다. (3) 변수 간 상관이 중요한 경우 정규성 지표를 검증하고, 필요시 복합 최적화를 적용한다. 이러한 권고는 연구자가 모델 복잡도와 계산 자원에 따라 설계 전략을 선택하도록 돕는다.