딥러닝을 이용한 복합벽 전기특성 추정

초록

본 논문은 전파가 통과한 복합벽의 두께, 유전율 및 전도도 프로파일을, 동일 측면에 배치된 송·수신 안테나가 측정한 광대역 산란 전기장을 입력으로 하는 심층 신경망(FC‑NN, CNN, GAN)으로 추정한다. 시뮬레이션 데이터와 실제 실험 데이터를 이용해 학습·검증했으며, 두께 95 %, 유전율 96 %, 전도도 90 % 이상의 정확도를 달성하였다.

상세 분석

이 연구는 전자기 역산 문제, 즉 복합벽을 통과한 전자기 파가 생성하는 산란 전기장으로부터 벽의 물리적 파라미터를 역추정하는 문제에 딥러닝을 적용한 점이 가장 큰 특징이다. 기존의 결정론적 방법(예: Born 근사, 왜곡된 Born 반복법 등)은 고유전율 물질이나 손실성 물질에 대해 정확도가 떨어지고 연산 비용이 크게 증가한다는 한계가 있다. 논문은 이러한 한계를 극복하기 위해 2‑D FDTD 시뮬레이션으로 생성한 867개의 다양한 벽 시나리오(단층 균질, 주기적 손실 영역 포함, 다층 구조)를 기반으로 데이터셋을 구축하였다. 입력은 10개의 수신점에서 1.4 ~ 3.4 GHz 대역을 46.5 MHz 간격으로 샘플링한 복소 전기장(실부+허부)이며, 이는 880 차원의 벡터로 전처리된다. 출력은 32 × 32 픽셀(총 1024) 해상도의 유전율 및 전도도 맵이다.

세 가지 네트워크 구조를 비교하였다. FC‑NN은 2개의 은닉층(256, 512 뉴런)과 1024개의 출력 뉴런을 갖고 ReLU와 sigmoid 활성화를 사용한다. CNN은 1‑D 컨볼루션 레이어 2개(각 64필터, 커널 3)와 512‑노드 전결합층을 추가해 공간적 특징을 추출한다. GAN은 생성기와 비평가(critic)로 구성되며, 생성기는 컨볼루션‑전결합 구조, 비평가는 1‑D 컨볼루션 2개와 sigmoid 출력으로 구성된다. 학습은 Adam 옵티마이저를 사용하고, FC‑NN·CNN은 100 epoch, GAN은 500 epoch까지 진행하였다.

성능 평가에서는 시뮬레이션 테스트와 실제 실험(주파수 영역 측정) 두 가지 환경에서 정확도를 측정했다. 두께 추정은 95 % 이상, 유전율 96 % 이상, 전도도 90 % 이상의 정확도를 보였으며, 특히 GAN은 제한된 학습 데이터에서도 비교적 강인한 성능을 유지했다. 흥미롭게도 시뮬레이션으로만 학습된 모델이 실제 벽 데이터에 대해서도 높은 일반화 능력을 보여, 시뮬레이션‑실험 간 도메인 갭이 크게 문제되지 않음을 시사한다.

하지만 몇 가지 한계도 존재한다. 2‑D 평면 가정은 실제 3‑D 구조와 차이를 만들 수 있으며, 입력 전기장의 주파수 대역과 수신점 수가 제한적이어서 복잡한 다중 경로 환경에서의 성능은 추가 검증이 필요하다. 또한 출력 해상도가 32 × 32 픽셀에 머물러 있어 미세한 층 두께 변화를 포착하기엔 부족할 수 있다. 향후 연구에서는 3‑D 모델링, 더 다양한 수신 배열, 고해상도 출력 및 전이 학습(transfer learning) 등을 통해 실용성을 높일 여지가 있다.