베이즈 신경망과 딥러닝을 활용한 캔틸레버 빔 구조건강모니터링

초록

본 논문은 베이즈 신경망(BNN)과 CNN·LSTM 기반 딥러닝 모델을 이용해 캔틸레버 빔의 손상 여부와 위치를 고차원 진동 응답 데이터로부터 추정한다. 유한요소(FEA) 시뮬레이션으로 생성한 주파수 응답을 입력으로 사용하고, BNN은 예측 불확실성을 제공하며, CNN은 자동 특징 추출, LSTM은 시계열 패턴 학습에 강점을 보인다. 실험 결과 두 접근법 모두 굽힘 강성을 높은 정확도로 복원했으며, BNN은 신뢰 구간을 통해 위험 평가에 유용함을 입증한다.

상세 분석

이 연구는 구조건강모니터링(SHM) 분야에서 데이터 기반 접근법의 최신 흐름을 잘 반영한다. 먼저, 손상이 구조물의 동적 특성, 즉 고유진동수, 감쇠비, 모드형상 등에 미치는 영향을 이용한다는 기본 전제는 기존 진동 기반 SHM 이론과 일치한다. 그러나 전통적인 방법은 주로 손상 민감도 함수나 모드 추적 기법에 의존해 복잡한 전처리와 전문가 지식이 필요했다. 본 논문은 이러한 한계를 극복하고자 고차원 주파수 응답(FRF) 데이터를 그대로 신경망에 투입한다는 점에서 혁신적이다.

베이즈 신경망(BNN)은 가중치에 사전 확률을 부여하고 사후 분포를 추정함으로써 예측값뿐 아니라 불확실성(예측 분산)까지 제공한다. 이는 구조물 운영 단계에서 위험 기반 의사결정에 필수적인 정보다. 논문에서는 변분 추정(Variational Inference) 방식을 채택해 실시간 추론이 가능한 수준으로 계산 비용을 낮추었다. 또한, BNN의 출력은 손상 정도에 대한 확률적 해석을 가능하게 하여, 예를 들어 “굽힘 강성 감소가 15 %±3 %”와 같은 형태로 제시한다.

다층 퍼셉트론(MLP) 기반 BNN 외에, 컨볼루션 신경망(CNN)과 장단기 메모리(LSTM) 구조를 결합한 하이브리드 모델도 제안한다. CNN은 1‑D 주파수 응답 신호에 대해 여러 필터를 적용해 지역적 특징(예: 특정 모드의 피크)을 자동으로 추출한다. 이는 손상 특성이 특정 주파수 대역에 국한되는 경우 효과적이다. LSTM은 시간(또는 주파수) 순서가 중요한 경우, 즉 연속적인 스캔 데이터나 다중 로드 케이스에서의 동적 변화를 포착한다. 두 모델을 병렬로 학습시킨 뒤, 최종 출력층에서 손상 위치와 강성 감소량을 동시에 예측하도록 설계하였다.

데이터 생성 측면에서는 유한요소 모델을 이용해 캔틸레버 빔의 다양한 손상 시나리오(손상 위치, 길이, 심도)를 시뮬레이션했다. 각 시나리오마다 10 Hz500 Hz 구간의 FRF를 200개의 샘플링 포인트로 기록했으며, 잡음 레벨을 0 dB20 dB까지 변동시켜 현실적인 센서 노이즈를 반영했다. 이렇게 확보된 5,000여 개의 레코드는 학습·검증·테스트 집합으로 무작위 분할되었다.

실험 결과, BNN은 평균 절대 오차(MAE) 2.3 %와 95 % 신뢰구간 폭이 ±4 % 수준을 보였으며, CNN‑LSTM 모델은 MAE 1.9 %와 높은 분류 정확도(손상 위치 94 %)를 기록했다. 특히, BNN은 불확실성이 큰 고주파 영역에서 예측 편차가 커지는 현상을 자체적으로 감지해 경고 신호를 생성한다. 이는 기존 결정론적 신경망이 제공하지 못하는 중요한 안전 메커니즘이다.

한계점으로는 (1) 시뮬레이션 기반 데이터에 의존하므로 실제 현장 데이터와의 도메인 차이가 존재할 수 있다. (2) BNN의 사전 분포 선택이 결과에 민감하게 작용하므로, 사전 지식이 부족한 경우 과소·과대 추정 위험이 있다. (3) CNN‑LSTM 구조는 파라미터 수가 많아 과적합 방지를 위한 정규화와 드롭아웃 설정이 필수적이다. 향후 연구에서는 실제 실험실 혹은 현장 테스트베드에서의 검증, 전이 학습(Transfer Learning) 적용, 그리고 다중 센서 융합을 통한 공간적 해상도 향상이 기대된다.

전반적으로, 베이즈 접근법과 딥러닝을 결합한 본 연구는 SHM 분야에서 예측 정확도와 불확실성 정량화라는 두 축을 동시에 만족시키는 실용적 프레임워크를 제시한다는 점에서 학술적·산업적 의의가 크다.