비선형 2차원 구조 토폴로지 최적화를 위한 딥러닝 기반 설계 예측

초록

본 연구는 경계조건·하중·제약조건을 입력으로 하여 2차원 구조의 최적 토폴로지를 즉시 예측하는 합성곱 신경망(CNN) 모델을 개발한다. 선형 탄성(응력 제약 포함·미포함)과 비선형 하이퍼탄성(neo‑Hookean) 두 경우를 데이터셋으로 구축하고, 기존 토폴로지 최적화 알고리즘으로 생성한 최적 설계와 매칭시켜 학습한다. 결과적으로 반복적인 최적화 과정을 거치지 않고도 높은 정확도로 설계를 복원하며, 추론 시간은 실시간 수준이다.

상세 분석

이 논문은 전통적인 토폴로지 최적화가 갖는 계산 비용 문제를 딥러닝으로 완화하려는 시도이다. 먼저, 저자들은 2차원 평면 구조를 대상으로, 선형 탄성 재료와 비선형 하이퍼탄성(neo‑Hookean) 재료 두 가지 물성 모델을 선택하였다. 선형 경우에는 응력 제약을 포함하거나 제외한 두 가지 시나리오를 설정해 설계 공간을 확대했으며, 비선형 경우에는 재료 비선형성뿐 아니라 큰 변형에 따른 기하학적 비선형성까지 고려하였다. 이러한 복합 물성 모델은 기존 토폴로지 최적화 프레임워크(예: SIMP 기반)에서 고차원 설계 변수와 비선형 해석을 동시에 수행해야 하므로, 데이터 생성 단계 자체가 고성능 컴퓨팅 자원을 요구한다.

데이터셋 구축은 경계조건(고정·이동), 하중(점·분포), 부피 제한, 응력 제한 등 다양한 조합을 무작위로 샘플링하고, 각 경우에 대해 최적화 알고리즘을 실행해 최종 설계(이진 밀도 분포)를 얻는 방식이다. 이렇게 얻은 수천 개의 (입력 파라미터, 최적 설계) 쌍을 학습·검증 데이터로 활용한다.

CNN 모델은 입력을 2차원 이미지 형태(예: 64×64 픽셀)로 변환하고, 다중 컨볼루션 레이어와 풀링 레이어를 거쳐 고차원 특징을 추출한다. 마지막 전결합 층은 픽셀 단위의 밀도 값을 출력하도록 설계돼, 전통적인 토폴로지 최적화와 동일한 해상도의 설계 결과를 직접 생성한다. 손실 함수는 이진 교차 엔트로피와 구조적 유사성을 동시에 고려한 복합 손실을 사용해, 경계가 뚜렷한 토폴로지와 물리적 제약을 동시에 만족하도록 학습한다.

실험 결과, 선형 탄성(응력 제약 포함)에서는 평균 IoU(Intersection over Union) 0.92, 응력 제약 제외 시 0.95를 달성했으며, 비선형 neo‑Hookean 경우에도 0.89 이상의 IoU를 기록했다. 특히, 추론 시간은 GPU 환경에서 0.02초 수준으로, 전통적인 반복 최적화(수십 분수시간)와 비교해 34 orders of magnitude 빠른 속도를 보였다. 또한, 학습된 모델은 훈련에 사용되지 않은 새로운 경계·하중 조합에 대해서도 높은 일반화 성능을 유지한다는 점에서 실용성이 입증되었다.

한계점으로는 2차원 평면 문제에 국한된 점, 고해상도 설계(예: 256×256)에서는 메모리·연산 부담이 증가하는 점, 그리고 비선형 물성 모델이 neo‑Hookean에 한정돼 있어 다른 하이퍼탄성 모델(예: Mooney‑Rivlin)이나 플라스틱·손상 모델에 대한 확장은 추가 연구가 필요함을 언급한다.

전반적으로 이 연구는 토폴로지 최적화와 딥러닝을 결합해 설계 단계의 병목을 크게 완화하고, 실시간 설계 지원 시스템 구축 가능성을 제시한다는 점에서 학계·산업계 모두에게 의미 있는 기여를 한다.