자유자유 구성요소 고유모드와 Arnoldi 강화 기반 축소 방법론

초록

본 논문은 자유‑자유 고유모드를 기반으로 한 축소 차원 모델을 설계하고, 인터페이스 크기에 의존하지 않는 압축성을 확보한다. 추가적으로 Arnoldi 기반의 적응형 보강 절차를 도입해 정확도를 향상시키며, 기존 Craig‑Bampton 방법과 비교했을 때 동일하거나 더 높은 MAC 평균값을 얻으면서도 모델 크기를 크게 줄일 수 있음을 실험적으로 입증한다.

상세 분석

이 연구는 대규모 구조 동역학 해석에서 모델 축소가 필수적인 상황을 전제로, 기존 서브스트럭처 기법이 인터페이스 자유도 수에 따라 축소 차원 모델의 규모가 제한되는 문제점을 해결하고자 한다. 이를 위해 저자는 두 단계의 핵심 아이디어를 제시한다. 첫 번째는 각 부품의 자유‑자유 고유모드(free‑free eigenmodes)를 기본 축소 기저로 활용하는 것이다. 자유‑자유 모드는 부품이 외부 구속 없이 진동할 때의 고유진동 형태를 나타내며, 이러한 모드를 사용하면 부품 위치나 연결 상태가 변해도 기존 고유모드를 재사용할 수 있어 모델의 재사용성과 업데이트 용이성이 크게 향상된다. 그러나 자유‑자유 모드만으로는 저주파 영역 이외의 동적 응답을 충분히 포착하지 못한다는 한계가 있다. 이를 보완하기 위해 두 번째 단계인 ‘결합 변형(coupling deformation)’ 벡터를 도입한다. 결합 변형은 다른 부품의 고유모드에 의해 유도되는 인터페이스 변위를 강제로 적용함으로써, 인터페이스 변위 연속성을 보장한다. 이때 결합 변형을 자유‑자유 모드와 직교화(Gram‑Schmidt)하여 수치적 조건을 개선한다.

다음으로 저자는 결합 변형을 선택적으로 추출하기 위한 두 가지 전략을 비교한다. 첫 번째는 레일리(Rayleigh) 계수를 이용해 특정 주파수 대역에 가까운 변형만을 남기는 방법이며, 두 번째는 인터페이스 변위 행렬에 대한 특이값 분해(SVD)를 수행해 큰 특이값에 대응하는 변형을 선택하는 방법이다. SVD 기반 접근은 변형의 에너지 기여도를 직접적으로 평가할 수 있어, 높은 MAC 값을 유지하면서도 기저 차원을 크게 줄이는 데 효과적이다.

정밀도를 추가로 향상시키기 위해 Arnoldi 보강 절차를 도입한다. 초기 축소 모델에서 MAC 기준에 미치지 못하는 해를 ‘불량’으로 판단하고, 해당 주파수에 대한 Arnoldi 벡터를 생성해 기존 기저에 추가한다. 이 과정은 반복적으로 수행되며, 매 단계마다 새로운 기저의 조건수와 MAC 평균을 모니터링한다. 결과적으로 보강된 모델은 원본 고차 모델과 거의 동일한 동적 특성을 보이면서도 차원은 크게 감소한다.

실험에서는 두 개의 단순 강철 부품을 0–3000 Hz 대역에서 41개의 고유모드가 포함된 전체 모델(HFM)과 비교하였다. Craig‑Bampton 방법은 인터페이스 고유모드 54개와 321개의 인터페이스 자유도를 사용해 375 DoF 모델을 만들었으며, MAC 평균 93.98 %와 조건수 133.65를 기록했다. 제안된 자유‑자유 기반 방법은 SVD 선택 기준을 0.2로 설정해 126개의 결합 변형을 추출했으며, 최종 차원 173 DoF에서 MAC 평균 96.42 %와 조건수 9 069.67을 달성했다. 비록 조건수는 Craig‑Bampton보다 크게 증가했지만, 모델 크기는 절반 이하로 감소했고, 정확도는 오히려 향상되었다. 또한, 레일리 기반 선택은 고주파 모드 회복에 한계가 있어 SVD 방식이 더 효율적임을 확인했다.

전체적으로 이 논문은 (1) 자유‑자유 고유모드와 결합 변형을 결합한 인터페이스 독립형 축소 기법, (2) 레일리와 SVD를 통한 변형 선택 전략, (3) Arnoldi 보강을 통한 적응형 정확도 향상이라는 세 축을 통해 기존 서브스트럭처 방법의 한계를 극복하고, 재사용 가능하면서도 고정밀·소형 축소 모델을 구현하는 새로운 프레임워크를 제시한다.