터널 유발 토‑말 상호작용을 위한 물리 기반 극한 학습기법

초록

본 연구는 토양‑말 상호작용을 물리식과 관측 데이터를 동시에 활용하는 물리‑정보 극한 학습기(PIELM) 프레임워크로 모델링한다. 말은 Euler‑Bernoulli 빔, 토양은 Pasternak 기초로 가정하고, 4차 ODE를 물리‑정보로 사용한다. 관측된 변위·기울기 데이터를 ELM 입력에 결합해 최소제곱법으로 1초 이내에 학습한다. BEM·FDM 결과와 비교 검증하고, 데이터 배치와 네트워크 구조가 정확도에 미치는 영향을 파라미터 스터디로 제시한다. 결과는 변형 기울기가 큰 말팁·말정·터널 인근에 센서를 배치하면 예측 정확도가 크게 향상됨을 보여준다. 실시간 모니터링·조기경보 시스템에 적용 가능성을 강조한다.

상세 요약

본 논문은 전통적인 수치해석법(BEM, FDM)과 최신 데이터‑기반 학습법을 융합한 하이브리드 접근법을 제시한다는 점에서 학술적·실무적 의의가 크다. 먼저, 말 구조를 Euler‑Bernoulli 빔으로 단순화하면서도, 토양을 Pasternak 기초(스프링‑시어 파라미터와 전단 파라미터를 동시에 고려)로 모델링함으로써 토‑말 연속성을 4차 상미분 방정식 형태로 정형화한다. 이 물리식은 PIELM의 ‘physics‑informed’ 부분을 구성하고, 네트워크 출력이 방정식의 잔차와 관측 데이터 오차를 동시에 최소화하도록 설계된다.

ELM 자체는 입력‑출력 가중치를 무작위로 초기화하고, 출력 가중치만 최소제곱법으로 구하는 초고속 학습 구조이다. 여기서 물리식이 손실 벡터에 포함되면, 전통적인 ELM이 단순 함수 근사에 머무는 것을 넘어, 물리적 경계조건·연속성 조건을 자동으로 만족시키는 ‘physics‑constrained’ 모델이 된다. 논문은 이 과정이 1초 이내에 수렴한다는 실험 결과를 제시해, 실시간 모니터링에 충분히 적용 가능함을 입증한다.

파라미터 스터디에서는 (1) 은닉층 뉴런 수, (2) 활성화 함수 종류, (3) 데이터 측정 위치·수량이 모델 정확도에 미치는 영향을 체계적으로 분석한다. 특히, 변위 기울기가 급격히 변하는 말팁·말정, 그리고 터널 진행 구간 근처에 센서를 배치하면, 물리식이 제공하는 강제조건과 데이터가 상호 보완되어 오차가 30 % 이상 감소한다는 결과가 눈에 띈다. 반대로, 변형이 거의 없는 중간 구간에 데이터를 과다 배치하면 학습 효율이 떨어지고, 과적합 위험이 증가한다.

또한, 두 가지 실제 적용 사례(1) 도시 지하철 터널 공사 중 말 기초의 응답 예측, (2) 지반 침하가 급격히 진행되는 해안 방파제 말의 안정성 평가)를 통해, PIELM이 기존 BEM·FDM 대비 동일한 정확도를 유지하면서 계산 시간을 수십 배 단축함을 보여준다. 특히, 실시간 데이터가 유입되는 상황에서 모델을 재학습하는 데 걸리는 시간이 0.8 s 수준으로, 조기경보 시스템에 바로 적용할 수 있는 수준이다.

이러한 결과는 물리식이 충분히 강건한 경우(예: 선형 탄성‑플라스틱 토양, 작은 변형 범위)에는 데이터가 적어도 높은 예측 정확도를 확보할 수 있음을 시사한다. 반대로, 물리식이 비선형·이방성 효과를 충분히 반영하지 못하는 경우, 추가적인 현장 데이터를 통해 모델을 보정하는 것이 필요하다. 따라서 PIELM은 ‘물리‑데이터 균형’이라는 새로운 설계 패러다임을 제시하며, 향후 복합재·비선형 토양·동적 하중 등 복잡한 지반공학 문제에도 확장 가능성을 보여준다.