물리 기반 CNN으로 구현하는 데이터 중심 지진 응답 모델링

초록

본 논문은 지진 하중에 대한 건물의 동적 응답을 예측하기 위해 물리 제약을 결합한 1차원 컨볼루션 신경망(PhyCNN)을 제안한다. 제한된 입력‑출력 데이터와 동역학 방정식의 물리적 제약을 동시에 학습함으로써 과적합을 억제하고 데이터 요구량을 크게 감소시킨다. 또한 K‑means 기반 데이터 분할 기법을 도입해 학습·검증·예측용 데이터를 효율적으로 활용한다. 세 가지 수치·실험 사례에서 PhyCNN은 기존 순수 데이터 기반 신경망보다 높은 정확도와 강인성을 보이며, 추정된 응답을 이용한 취약성(프래질리티) 분석까지 수행한다.

상세 분석

본 연구는 구조동역학의 기본 방정식 ( \ddot{x}(t)+g(t)+\Gamma\ddot{x}_g(t)=0 ) 을 손실함수에 물리 손실 (J_P) 로 명시적으로 포함시킨다. 데이터 손실 (J_D) 와 물리 손실을 가중치 (\alpha_1,\alpha_2) 로 조합한 총 손실 (J=J_D+\alpha_2J_P) 을 최소화함으로써 네트워크가 관측 데이터와 물리 법칙을 동시에 만족하도록 학습한다. 이때 (g(t)) 는 질량 정규화된 복원력으로, CNN이 직접 예측하도록 설계했으며, (\dot{x}(t))와 (\ddot{x}(t))는 그래프 기반 텐서 차분기(유한 차분)로 계산한다.

네트워크 구조는 입력층(지반 가속도·변위), 5개의 1D 컨볼루션 레이어(동일 커널 크기, 제로 패딩 적용), 풀링·비선형 활성화, 3개의 완전 연결층, 그리고 최종 출력층(변위 (x), 속도 (\dot{x}), 복원력 (g))으로 구성된다. 제로 패딩 (P=k-1) 을 통해 입력·출력 길이를 동일하게 유지함으로써 시계열 연속성을 보존한다.

학습 데이터가 제한적인 상황을 고려해 K‑means 클러스터링을 이용해 전체 데이터셋을 학습, 검증, 예측용으로 자동 분할한다. 클러스터 중심을 기준으로 데이터의 다양성을 확보함으로써 과소표본 문제를 완화한다.

실험에서는 (1) 비선형 2자유도 시스템, (2) 다층 구조물의 수치 시뮬레이션, (3) 실제 현장 센서 데이터를 이용한 건물의 서비스 가능성 평가를 수행했다. 모든 사례에서 PhyCNN은 전통적인 MLP, RNN, 순수 CNN 대비 평균 절대 오차(MAE)와 평균 제곱 오차(MSE)가 30 % 이상 감소했으며, 특히 물리 손실을 포함했을 때 학습 초기에 손실이 급격히 감소하고 안정적인 수렴을 보였다. 또한, 학습된 PhyCNN을 이용해 특정 손상 기준(예: 변위 ≥ 0.02 m) 이하의 프래질리티 곡선을 추정했으며, 이는 기존 확률론적 모델과 비교해 유사한 신뢰구간을 제공하면서 계산 비용을 크게 절감했다.

핵심 기여는 (i) 물리 법칙을 손실에 직접 삽입해 데이터 효율성을 극대화, (ii) 텐서 차분기를 통한 연속 미분 구현으로 물리 손실을 정확히 계산, (iii) 제한된 데이터 환경에서 K‑means 기반 데이터 분할 전략을 제시한 점이다. 이러한 설계는 향후 실시간 구조 모니터링, 재난 대응 시뮬레이션, 그리고 다양한 공학 분야의 물리‑데이터 혼합 모델링에 적용 가능성을 시사한다.