고성능 컴퓨팅 기반 U BRAIN 알고리즘을 이용한 항공우주 구조 결함 진단

초록

본 연구는 항공우주 복합재 구조물의 결함을 식별하기 위해 새로운 학습 알고리즘 U‑BRAIN을 고성능 병렬 컴퓨팅(HPC) 환경에 구현한 결과를 제시한다. 소프트 컴퓨팅 접근법을 통해 다중 파라미터 데이터를 효율적으로 처리하고, 리눅스 기반 멀티코어 클러스터에서 실험을 수행해 높은 분류 정확도와 처리 속도를 입증하였다.

상세 분석

U‑BRAIN 알고리즘은 기존 브레인(Brain) 모델을 확장한 형태로, 불확실성을 포함한 데이터셋에 대해 규칙 기반 학습을 수행한다. 본 논문에서는 이 알고리즘을 대규모 항공우주 복합재 시험 데이터에 적용하기 위해 병렬화 전략을 설계하였다. 데이터 전처리 단계에서 비정형 센서 신호와 초음파 이미지, 열전달 측정값 등을 정규화하고 특징 벡터로 변환한 뒤, 각 특징을 독립적인 작업 단위로 분할한다. MPI와 OpenMP를 혼합 사용해 노드 간 통신은 MPI, 노드 내부 코어 활용은 OpenMP로 구현함으로써 스케일러블한 성능을 확보하였다. 특히, 규칙 생성 과정에서 발생하는 조합 폭증 문제를 해소하기 위해 동적 작업 스케줄링과 메모리 풀링 기법을 도입했으며, 이는 메모리 사용량을 30 % 이상 절감하고 연산 병목을 최소화했다. 실험에서는 64코어 클러스터에서 1 TB 규모의 데이터셋을 처리했을 때, 순차 구현 대비 18배 이상의 가속률을 기록하였다. 분류 정확도는 96 % 이상으로, 기존 SVM·Random Forest 기반 방법보다 4 %~7 % 향상되었다. 또한, 결함 유형별 혼동 행렬을 분석한 결과, 미세 균열과 층간 탈착을 구분하는 데 특히 높은 민감도를 보였다. 한계점으로는 초기 특징 선택 단계에서 도메인 전문가의 개입이 필요하고, 매우 높은 차원의 데이터에 대해서는 통신 오버헤드가 증가한다는 점을 지적하였다. 향후 연구에서는 자동 특징 추출을 위한 딥러닝 전처리와 GPU 가속을 결합해 더욱 높은 실시간 진단 능력을 목표로 할 예정이다.