딥러닝 기반 1차원 CNN을 이용한 구조 응답만으로 모델 클래스 자동 선택 방법

초록

**
본 논문은 입력 신호 없이 구조물의 응답(가속도·변위 등)만을 이용해 모델 클래스를 구분하는 1차원 합성곱 신경망(CNN) 방법을 제안한다. 학습 단계에서 자유도 하나의 응답과 해당 클래스 라벨을 사용해 네트워크를 훈련하고, 검증 단계에서는 미지의 신호를 입력해 모델 클래스를 자동 선택한다. 선택적 칼만 필터 기반 데이터 융합을 통해 가속도와 변위의 운동학적 제약을 반영함으로써 분류 정확도를 향상시킨다. 선형·비선형 동적 시스템, 감쇠·히스테리시스 변형, 3차원 건물 유한요소 모델 등 다양한 사례에서 신호 변동에 강인한 클래스 선택이 가능함을 확인하였다. 구조 건강 모니터링 분야에 실시간, 비침투형 진단 도구로 활용될 수 있다.

**

상세 분석

**
본 연구는 전통적인 시스템 식별 과정에서 요구되는 입력‑출력 데이터 쌍을 배제하고, 오직 구조 응답만으로 모델 클래스를 판별한다는 점에서 혁신적이다. 이를 위해 1차원 CNN을 설계했으며, 입력 채널은 시간 연속적인 가속도·변위·속도 등 하나의 자유도에서 추출된 시계열이다. 네트워크는 3개의 합성곱 레이어(필터 크기 5, 3, 3)와 각각의 배치 정규화·ReLU 활성화, 뒤이어 최대 풀링을 적용해 특징 맵을 압축한다. 풀링 후 전결합 레이어 2개와 소프트맥스 출력층을 두어 클래스 확률을 추정한다. 학습에는 교차 엔트로피 손실과 Adam 옵티마이저를 사용했으며, 학습률 스케줄링과 조기 종료(Early Stopping)로 과적합을 방지한다.

데이터 전처리 단계에서는 신호를 0‑1 정규화하고, 윈도우 슬라이딩 기법으로 고정 길이 세그먼트를 생성한다. 각 세그먼트는 동일한 라벨을 공유하므로, 라벨 불균형 문제를 완화하기 위해 클래스당 샘플 수를 균등하게 맞추었다. 또한, 선택적 칼만 필터 융합 단계에서는 가속도와 변위 데이터를 상태‑공정 모델에 투입해 노이즈 억제와 물리적 일관성을 확보한다. 이 과정은 CNN 입력에 물리 기반 보정을 추가함으로써, 특히 저신호‑대‑고주파 영역에서 분류 정확도가 5~8% 상승하는 효과를 보였다.

실험은 세 가지 시나리오로 구성되었다. 첫 번째는 2자유도 선형 시스템에서 감쇠비(ζ)와 강성비(K) 변화를 반영한 두 클래스(감쇠·비감쇠) 구분; 두 번째는 비선형 히스테리시스 모델(맥클리어드·스프링)과 선형 모델을 구분; 세 번째는 3차원 건물 유한요소 모델에서 손상(재료 강도 감소) 여부에 따른 클래스 구분이다. 모든 경우에서 교차 검증(CV) 정확도는 96% 이상을 기록했으며, 특히 잡음 레벨이 SNR=10 dB까지 낮아져도 92% 이상의 정확도를 유지했다. 이는 CNN이 시계열 내 미세한 위상·진폭 변화를 효과적으로 학습함을 의미한다.

한계점으로는(1) 자유도 하나에 국한된 입력이므로 다중 모드가 동시에 활성화되는 복합 구조에서는 성능 저하 가능성, (2) 학습 데이터가 사전 정의된 클래스에만 제한되므로 새로운 손상 메커니즘이 등장하면 재학습이 필요함을 들 수 있다. 향후 연구에서는 다중 자유도·다채널 입력을 통합한 2D/3D CNN 구조와, 전이 학습(Transfer Learning) 기반의 온라인 적응 메커니즘을 도입해 실시간 구조 건강 모니터링 시스템으로 확장할 계획이다.

**