데이터 기반 딥러닝으로 구조 동역학 예측

초록

본 논문은 선형·비선형 구조 동역학 시스템의 응답을 고속으로 예측할 수 있는 딥 뉴럴 네트워크(DNN) 대체 모델을 개발한다. 완전 연결, 희소 연결, 그리고 합성곱 계층을 조합한 효율적인 네트워크 구조와 전이 학습 기반 훈련 전략을 제시하며, 선형 경우에는 가중치 행렬의 희소 패턴을 활용해 합성곱‑희소 레이어를 설계하고, 비선형 경우에는 희소성이 사라짐을 확인하고 완전 연결·합성곱 혼합 구조를 탐색한다. 실험 결과, 제안된 DNN은 조화 하중 하에서 구조 변위와 가속도를 높은 정확도로 재현한다.

상세 분석

이 연구는 구조 동역학 분야에서 전통적인 수치 해석 방법(예: 유한요소법, 뉴마크‑베타법)과 비교해 계산 비용을 크게 절감할 수 있는 데이터‑드리븐 접근법을 제시한다. 핵심 아이디어는 입력(주파수·진폭이 정의된 조화 하중)과 출력(시간 이력 형태의 변위·가속도) 사이의 비선형 매핑을 DNN이 학습하도록 하는 것이다. 선형 시스템의 경우, 시스템 행렬이 시간에 따라 변하지 않으며 응답이 선형 연산으로 표현될 수 있기 때문에 가중치 행렬에 자연스럽게 희소 패턴이 나타난다. 저자들은 이 특성을 이용해 1‑D 합성곱 레이어와 동일한 연산을 수행하면서도 파라미터 수를 크게 줄이는 ‘희소‑합성곱 레이어’를 설계하였다. 이러한 설계는 메모리 사용량과 연산량을 최소화하면서도 컨볼루션 필터가 물리적 의미(예: 인접 자유도 간 상호작용)를 내포하도록 만든다.

비선형 동역학에서는 재료 비선형성·기하학적 비선형성 등으로 인해 시스템 행렬이 상태에 따라 변하고, 응답은 복합적인 고차 비선형 함수를 따른다. 실험 결과, 학습 과정에서 가중치 행렬이 점차 밀집되는 현상이 관찰되었으며, 이는 희소 구조만으로는 충분한 표현력을 제공하지 못함을 의미한다. 따라서 저자들은 완전 연결 레이어와 합성곱 레이어를 적절히 혼합한 하이브리드 아키텍처를 도입하였다. 여기서 합성곱 레이어는 지역적인 패턴(예: 인접 시간 단계 간 상관관계)을 포착하고, 완전 연결 레이어는 전역적인 비선형 변환을 담당한다.

훈련 전략 측면에서, 데이터 양이 제한적인 상황에서도 안정적인 수렴을 보장하기 위해 전이 학습(transfer learning)을 적용하였다. 먼저 선형 시스템에 대해 사전 학습된 가중치를 초기값으로 사용하고, 이를 비선형 데이터에 미세 조정(fine‑tuning)함으로써 학습 효율을 크게 향상시켰다. 또한, 하이퍼파라미터(학습률, 배치 크기, 레이어 깊이 등)와 네트워크 규모(노드 수, 필터 크기) 간의 상관관계를 체계적으로 조사하여, 목표 정확도와 계산 자원 사이의 최적 트레이드오프를 제시하였다.

실험 결과는 제안된 DNN이 10⁴10⁵개의 시간 샘플을 포함하는 테스트 시퀀스에 대해 평균 절대 오차가 1 % 이하이며, 전통적인 수치 해석에 비해 23배 빠른 추론 속도를 보임을 입증한다. 특히, 비선형 시스템에서 전이 학습을 적용하지 않을 경우 학습이 불안정해지고 과적합 위험이 커지는 반면, 전이 학습을 활용하면 적은 에폭 수로도 높은 일반화 성능을 달성한다는 점이 강조된다.

이러한 결과는 구조 동역학 시뮬레이션을 실시간 모니터링, 최적 설계, 혹은 디지털 트윈 구축 등에 적용할 수 있는 가능성을 열어준다. 특히, 희소‑합성곱 구조는 물리 기반 모델링과 데이터 기반 모델링을 연결하는 교량 역할을 하며, 향후 복합재·다중 자유도 시스템 등 복잡한 구조에도 확장 가능할 것으로 기대된다.