온도 영향과 국부 손상의 디커플링을 위한 다채널 푸리에 신경 연산자(FNO) 기반 교량 상태 추정

키워드

확장요약문

구조물 건전성 모니터링분야에서 구조물의 응답 및 기초수치모델을 활용하여 교량의 상태를 역추정하는 연구는 구조물의 노후도를 진단하는 핵심기술이다. 최근 인공지능 및 머신러닝 기술의 발달로 유한요소모델 대비 계산 효율성을 확보하면서 구조 응답 필드를 손상 필드로 직접 매핑할 수 있는 잠재력을 지닌 푸리에 신경 연산자(Fourier Neural Operator, FNO)의 활용이 주목받고 있다. 일례로 VINO2D와 같은 프레임워크는 차량-교량 상호작용(VBI) 시스템의 복잡한 시공간 동적 거동을 효과적으로 포착할 수 있음을 입증하였다. 그러나 기존 연구들은 환경적 요인이 엄격히 통제된 이상적인 조건에서 진행되었기 때문에, 온도 변동과 같은 환경 요인으로 유발되는 교량 시스템의 전역 강성 변화를 국부 구조 손상으로 오인할 위험이 여전히 크게 존재한다. 이에 본 연구에서는 환경 노이즈의 물리적 디커플링(분리)을 통해 환경 강건성을 확보하는 다채널 FNO 프레임워크를 제안한다. 동적 응답 필드와 온도 분포 필드를 입력 채널로 통합하고 FNO의 푸리에 계층에 내재된 모드 절단 특성을 활용하여, 온도 변동에 따른 전역 강성 저하로 인한 전역 저주파수 변이와 손상에 따른 국부 강성 저하로 인한 국부 고주파수 징후를 구별할 수 있는 가능성을 탐색한다. 제안된 방법론은 다단계 환경 영향 보정 프로세스를 대체할 실용적인 대안을 모색하는 것을 목표로 하여, 향후 FNO를 활용한 실시간 교량 디지털 트윈의 신뢰성을 향상시키는 예비 연구로서 기여할 것으로 기대된다.