Acoustic black hole beam의 진동 응답 예측을 위한 역학적 일관성 강화 물리정보 신경망

키워드

확장요약문

우리 주변의 상당수의 구조물들은 불균일한 형상을 가졌다. 이러한 구조물의 진동 응답을 예측하여 특성을 정확히 파악하는 것은 매우 중요하다. 대표적으로 음향블랙홀(acoustic black hole, ABH) 구조를 갖는 beam 은 멱법칙(power-law) 형상으로 두께를 완만하게 감소시킴으로써 끝단에서 반사되는 파동에너지를 제거한다. ABH 구조는 진동 감쇠 및 소음 저감에 우수하며 모터, 터빈 등 다양한 곳에 활용된다. 그러나 ABH 형상을 가진 구조물은 보 이론과 같이 이론적 접근법으로는 그 진동 특성을 정확히 파악하기 어렵다. 또한, 기존의 수치 해석 방법(Finite Element method, Finite Difference method 등)은 복잡한 형상과 경계조건을 다룰 때 높은 계산 비용을 가진다. 이러한 한계를 해결하기 위해 Physics-informed neural network(PINN)을 활용할 수 있다. PINN 은 신경망 학습 과정에서 물리 법칙을 직접 반영함으로써 데이터 의존성을 줄이고, 계산 효율을 높일 수 있는 기술로 주목받고 있다. 일반적인 PINN 은 전역 손실 최적화에 따른 인과성 문제와 고차 미분으로 인한 오차 누적 문제가 있다. 본 연구에서는 두 문제를 해소하기 위한 역학적 일관성 강화 물리정보 신경망을 제안한다. 파동 방정식의 정보와 외팔보의 경계조건이 포함된 Physics-based loss 와 역학적으로 의미를 갖는 물리량의 정합성을 강화시키는 Mechanics-based loss 의 합이 최소가 되도록 학습한다. 그 결과, 다양한 형상을 가진 ABH beam 의 위치별 주파수 응답을 효과적으로 예측할 수 있음을 확인하였다.