포인트딥온넷 비파라메트릭 3D 형상과 가변 하중을 위한 고속 비선형 구조 해석

초록

본 논문은 PointNet을 DeepONet의 브랜치 네트워크에 결합한 Point‑DeepONet을 제안한다. 비파라메트릭 3D 점군 형태의 형상과 하중 크기·방향을 동시에 입력으로 받아, 비선형 정적 해석에서 변위와 von Mises 응력장을 원본 FEM 메쉬 수준에서 고정밀도로 예측한다. R²는 변위 0.987, 응력 0.923을 달성했으며, 전통적 FEM 대비 약 400배 빠른 추론 속도를 보인다.

상세 분석

Point‑DeepONet은 연산자 학습(operator learning) 패러다임을 기반으로, 복잡한 비파라메트릭 3D 형상과 다방향 하중을 동시에 다룰 수 있는 최초의 DeepONet 변형이라 할 수 있다. 기존 DeepONet은 파라메트릭 입력(예: 길이, 두께)만을 브랜치에 전달했으며, 형상 정보를 격자 혹은 매개변수화된 형태로 제공해야 했다. 본 연구는 PointNet을 이용해 원시 점군(point cloud)으로부터 전역적인 형상 임베딩을 학습함으로써 이러한 제약을 완전히 해소한다. PointNet은 공유 MLP와 대칭적 max‑pooling을 통해 순서에 무관한 전역 특징을 추출하고, 이를 DeepONet의 브랜치에 전달한다.

하중 조건은 크기와 방향을 포함하는 벡터 형태로 별도의 보조 브랜치에 입력된다. 두 브랜치의 출력은 이어서 트렁크 네트워크와 결합되며, 트렁크는 물리량을 평가하고자 하는 좌표(노드 위치)를 입력받아 스칼라 혹은 벡터 값을 반환한다. 이 구조는 “입력‑연산자‑출력” 삼중 구조를 유지하면서도, 형상과 하중이라는 두 종류의 전역 정보를 효과적으로 융합한다.

데이터셋은 기존 DeepJEB(항공 엔진 브라켓) 데이터를 기반으로, Altair OptiStruct를 이용한 비선형 정적 FEM 해석을 추가 수행해 생성하였다. 각 브라켓은 2 mm 평균 요소 크기의 2차 사면체 메쉬로 이산화되었으며, Ti‑6Al‑4V 재료의 탄소‑플라스틱 거동을 선형 등방성 경화 모델로 모델링했다. 하중은 수직·수평·대각선의 세 방향으로 다양하게 적용했으며, 하중 방향이 보이지 않는 경우에도 모델이 정확히 일반화되는지를 검증하기 위해 무작위 회전 하중 실험을 추가하였다.

실험 결과, 변위와 von Mises 응력에 대해 각각 R² = 0.987, 0.923을 기록했으며, 이는 기존 CNN‑기반 서러게이트(정확도 저하 및 격자 의존)나 Geom‑DeepONet(하중 방향 미지원)보다 현저히 우수하다. 추론 시간은 평균 0.03 s 수준으로, 전통적인 비선형 FEM(≈19.3 min) 대비 약 400배 가속화되었다. Ablation study에서는 (1) PointNet 없이 순수 MLP 브랜치를 사용했을 때 정확도가 크게 떨어짐을, (2) 하중 방향 정보를 제외했을 때 응력 예측 오차가 증가함을 확인했다. 또한 데이터 양을 증가시킬수록 모델의 일반화 성능이 꾸준히 향상되는 스케일러빌리티도 입증하였다.

한계점으로는(가) 정적 비선형 해석에만 적용되었으며, 동적 하중이나 시간 의존 문제에 대한 확장은 아직 미비하고, (나) 재료 모델이 등방성 경화만을 고려했기 때문에 복합 재료나 이방성 거동을 다루기엔 부족하다. 향후 연구에서는 물리‑인포드 손실을 결합한 PINN‑DeepONet 형태, PointNet++ 혹은 그래프 신경망을 통한 지역적 특징 강화, 그리고 동적·열·다중 물리 문제로의 확장을 제안한다.

종합하면, Point‑DeepONet은 비파라메트릭 3D 형상과 다방향 하중을 동시에 처리할 수 있는 연산자 학습 기반 서러게이트로, 고해상도 물리량을 원본 메쉬 수준에서 빠르게 제공함으로써 설계 최적화, 실시간 제어, 불확실성 정량화 등 다양한 엔지니어링 워크플로우에 혁신적인 가치를 제공한다.