A Comparative Study of Optimization- and Neural Operator-based Methods for Structural Damage Detection

키워드

확장요약문

구조물의 손상 위치와 손상 정도를 정확하게 식별하는 것은 구조 건전성 평가와 유지관리, 그리고 구조물의 안전성 확보를 위해 중요한 문제이다. 이를 위해 구조 손상 탐지 분야에서는 다양한 최적화 기법과 데이터 기반 방법론이 제안되어 왔으며, 각 방법은 손상 분포를 추정하는 방식, 필요한 입력 데이터의 형태, 계산 과정 및 일반화 특성 측면에서 서로 다른 특징을 갖는다. 특히 최근에는 기존의 반복적 최적화 기반 방법뿐만 아니라, 학습된 연산자를 이용하여 입력 응답과 손상 분포 간의 관계를 직접 추정하는 신경 연산자 기반 방법이 구조 손상 탐지 문제에 적용되고 있다.

본 연구에서는 구조 손상 탐지 문제에 적용 가능한 최적화 기반 방법과 신경 연산자 기반 방법의 성능과 특성을 체계적으로 비교하고자 한다. 비교 대상으로 Conventional Topology Optimization (CTO), Stochastic Topology Optimization (STO), Deep Operator Network (DeepONet), 그리고 Fourier Neural Operator (FNO)를 고려하였다. 동일한 구조 모델과 주파수 응답 데이터를 사용하여 다양한 손상 조건에 대한 손상 분포를 추정하고, 복원 정확도뿐만 아니라 센서 수 변화에 따른 성능 변화, 계산 비용, 손상 위치 및 정도에 대한 재현 특성 등을 종합적으로 비교하였다. 또한 각 방법이 동일한 문제 조건에서 어떠한 장점과 한계를 보이는지 분석함으로써, 구조 손상 탐지 문제에 대한 서로 다른 접근법의 특성과 적용 가능성을 정리하고자 하였다. 이를 통해 특정 방법론의 우수성을 강조하기보다는, 각 방법이 갖는 계산적·방법론적 특성을 비교하고 향후 구조 손상 탐지 문제에 적합한 방법을 선택하기 위한 기초적인 판단 기준을 제시하는 것을 목적으로 한다.