보조 물리 기반 신경망을 이용한 연속 오일러 베르누이 빔 진동 해석

초록

본 논문은 구조 진동 해석을 위해 보조 물리 기반 신경망(A‑PINN) 프레임워크와 균형 적응형 옵티마이저를 도입한다. 연속 오일러‑베르누이 빔의 자유·강제 진동을 다양한 경계조건 하에서 모델링하고, 기존 PINN 대비 최소 40% 이상의 수치 안정성과 예측 정확도 향상을 입증한다.

상세 분석

A‑PINN은 전통적인 PINN 구조에 ‘보조 출력(auxiliary output)’을 추가함으로써 물리적 제약을 다중 스케일로 학습한다. 기본 네트워크는 입력으로 시간·공간 좌표(x, t)를 받아 변위 w(x,t)와 그 도함수들을 예측하고, 손실 함수는 PDE 잔차, 초기·경계 조건, 그리고 보조 항목(예: 에너지 보존, 모드 형태)으로 구성된다. 보조 항목은 물리적 해석에 중요한 전역 특성을 직접 학습하게 하여, 국부적인 잔차 최소화에만 의존하는 기존 PINN의 수렴 불안정을 완화한다.

균형 적응형 옵티마이저는 Adam과 L‑BFGS를 혼합하거나 손실 항목별 가중치를 동적으로 조정하는 전략을 사용한다. 초기 학습 단계에서는 Adam으로 빠른 탐색을 수행하고, 손실 스케일이 수렴하면 L‑BFGS로 정밀 최적화를 진행한다. 동시에 각 손실 항목의 크기를 실시간으로 모니터링해 가중치를 재조정함으로써, 초기 조건과 경계 조건 위반이 과도하게 지배하거나 PDE 잔차가 무시되는 상황을 방지한다.

실험에서는 (1) 고정‑클램프, (2) 단순‑지지, (3) 자유‑끝 등 세 가지 전형적인 경계조건과, (a) 자유 진동, (b) 외부 하모닉 하중에 의한 강제 진동을 조합한 여섯 가지 시나리오를 설정하였다. 각 경우에 대해 해석해와 수치해(유한요소법)를 비교했으며, 평균 L2 오차가 기존 PINN 대비 40% 이상 감소하고, 학습 과정에서 발생하던 발산 현상이 크게 억제되었다. 특히 고주파 모드 재현에서 보조 에너지 항목이 큰 역할을 하여, 모드 형태와 고유진동수를 정확히 포착하였다.

한계점으로는 보조 항목 설계가 문제마다 달라야 하며, 하이퍼파라미터(보조 손실 가중치, 옵티마이저 전환 시점 등)의 민감도가 존재한다는 점이다. 또한 1차원 빔 모델에 국한된 실험이므로, 다차원 플레이트·쉘 구조나 비선형 재료 모델에 대한 확장 가능성은 추가 연구가 필요하다. 그럼에도 불구하고, A‑PINN은 물리 기반 딥러닝이 구조 동역학 문제에 적용될 때 겪는 수치 불안정성을 효과적으로 완화하고, 실시간 예측이나 파라미터 식별(inverse) 문제에 유망한 접근법임을 입증한다.