물리 기반 간소화 모델과 신경 연산자를 결합한 지진 구조 응답 예측

초록

본 논문은 선형화·모달 축소·시간 간격 확대 등으로 만든 간소화 물리 모델을 전처리 연산자로 사용하고, Fourier Neural Operator(FNO)를 이용해 그 차이를 보정하는 복합 학습 프레임워크(C‑PhysFNO)를 제안한다. 후처리로 선형 회귀를 적용해 예측을 미세 조정하고 불확실성을 정량화한다. 세 가지 구조물에 대한 실험에서 데이터가 부족한 상황에서도 기존 방법보다 높은 정확도와 데이터 효율성을 입증하였다.

상세 분석

이 연구는 지진 하중에 대한 비선형 구조 응답을 고정밀도 해석 없이도 실시간에 가깝게 예측하려는 실용적 요구에 초점을 맞추었다. 핵심 아이디어는 “물리‑기반 전처리 + 신경 연산자 보정”이라는 두 단계 구조이다. 전처리 단계에서 Hₚ 연산자는 선형화, 모달 축소, 혹은 시간 스텝을 크게 잡은 완화 솔버와 같은 전통적인 간소화 기법을 적용한다. 이러한 방법은 고주파·비선형·히스테리시스와 같은 복잡한 동역학을 완전히 포착하지 못하지만, 구조의 주요 강성·감쇠 특성 및 저주파 응답을 빠르게 제공한다.

그 다음 단계인 G_NOθ, 즉 Fourier Neural Operator는 입력 함수(지진 가속도)와 중간 출력(z(t)) 사이의 잔차를 학습한다. FNO는 스펙트럼 영역에서 전역 컨볼루션을 수행함으로써 해상도에 독립적인 학습이 가능하고, 저주파 성분에 대한 편향(spectral bias)을 완화한다. 전처리 단계가 이미 저주파 정보를 충분히 제공하므로, 신경 연산자는 주로 고주파·비선형·히스테리시스와 같은 잔차를 학습하게 된다. 이는 학습 난이도를 크게 낮추고, 데이터 효율성을 크게 향상시킨다.

또한 논문은 선형 회귀 기반 후처리(post‑processing)를 도입한다. 여기서는 신경 연산자의 출력에 대해 간단한 선형 보정(예: 최소제곱 회귀)을 수행해 예측값을 미세 조정하고, 회귀 잔차를 이용해 예측 불확실성을 정량화한다. 이 단계는 추가적인 연산 비용이 거의 들지 않으며, 실시간 의사결정에 유용한 신뢰 구간을 제공한다.

실험에서는 (1) 3층 연속체 구조, (2) 다자유도 비선형 프레임, (3) 복합 재료 고층 건물을 대상으로 합성 및 실제 기록 지진 데이터를 적용하였다. 각 사례에서 C‑PhysFNO는 전통적인 FNO, DeepONet, LSTM 기반 시계열 모델, 그리고 베이지안 회귀·Kriging 등과 비교했을 때, 평균 절대 오차와 RMS 오차가 30~50% 이상 감소하였다. 특히 학습 데이터가 100개 이하인 극히 제한된 상황에서도 성능 저하가 미미했으며, 이는 전처리 물리 모델이 제공하는 구조적 사전지식 덕분이다.

한계점으로는 전처리 물리 모델의 선택과 파라미터 튜닝이 결과에 영향을 미칠 수 있다는 점이다. 또한, 복합 구조물에 대한 일반화 성능을 검증하기 위해 더 다양한 토양·기초 조건과 비선형 재료 모델을 포함한 실험이 필요하다. 향후 연구에서는 전처리 단계에 적응형 모달 축소 혹은 다중 해상도 시뮬레이션을 도입해, 입력 지진의 스펙트럼 특성에 따라 자동으로 물리 모델을 조정하는 메커니즘을 탐색할 수 있다.

전반적으로 이 논문은 “물리‑기반 사전 처리 + 신경 연산자 보정”이라는 구조적 접근이 고비용 비선형 해석을 대체하거나 보조하는 실용적인 대안이 될 수 있음을 실증적으로 보여준다.