Modal Decomposition and Identification for a Population of Structures Using Physics-Informed Graph Neural Networks and Transformers

논문 요약: 물리 정보 기반 그래프 신경망 (GNN) 과 트랜스포머를 활용한 구조물 군집의 모드 분해 및 식별

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 구조물 건강 모니터링 (SHM) 및 진동 제어는 구조물의 안전성과 내구성을 위해 필수적입니다. 이를 위해 구조물의 동적 거동을 이해하는 '모달 식별 (Modal Identification)'이 핵심입니다.
• 기존 방법의 한계:
  • 실험적 모달 분석 (EMA): 인위적인 자극이 필요하여 대규모 실제 구조물에는 비실용적입니다.
  • 운영 모달 분석 (OMA): 환경 진동 (풍하중, 교통량 등) 만을 이용하지만, 노이즈, 모드 분리 어려움, 자동화 부족 등의 문제가 있습니다.
  • 기존 딥러닝 접근법: 대부분 지도 학습 (Supervised Learning) 을 기반으로 하여 라벨링된 데이터 (정확한 모달 파라미터) 가 필요하거나, 단일 구조물에 국한되어 새로운 구조물로의 일반화 (Generalization) 능력이 부족합니다.
  • 측정 데이터의 부족: 실제 SHM 은 센서 수가 제한적이므로 (Sparse measurements), 전체 구조물의 모드 형상 (Mode Shapes) 을 복원하기 어렵습니다.
• 연구 목표: 라벨 데이터 없이도 학습 가능하며, 다양한 구조물 군집 (Population of Structures) 에 적용할 수 있고, 희소 센서 데이터로부터 전체 필드 (Full-field) 의 동적 응답을 복원하여 모달 파라미터를 식별하는 새로운 프레임워크 개발.

2. 제안된 방법론 (Methodology)

제안된 프레임워크는 **물리 정보 기반 (Physics-Informed)**의 비지도 학습을 기반으로 하며, 크게 세 가지 핵심 기술로 구성됩니다.

가. 특징 전파 알고리즘 (Feature Propagation, FP)

• 목적: 제한된 센서 데이터 (Sparse measurements) 로부터 전체 구조물 노드의 동적 응답을 복원.
• 원리: 구조물의 위상 정보 (Topology, 인접 행렬) 를 활용하여 알려진 노드의 데이터를 미지 노드로 전파 (Iterative propagation) 합니다.
• 효과: 센서가 없는 노드의 가속도 데이터를 추정하여, 모달 식별에 필요한 완전한 데이터셋을 생성합니다.

나. 하이브리드 딥러닝 아키텍처 (GNN + Transformer)

• GraphSAGE (GNN): 구조물의 위상 정보 (노드와 요소의 연결 관계) 를 그래프 구조로 모델링합니다. 다양한 기하학적 구조와 노드 수를 가진 구조물 군집에 적용 가능한 공간적 의존성을 학습합니다.
• Set Transformer: 그래프에서 추출된 특징을 시간 영역의 단일 자유도 (SDOF) 모드 응답으로 분해합니다. 입력 크기가 가변적이고 순서 불변 (Permutation Invariance) 인 특성을 가지며, 긴 시계열 데이터 처리에 강점이 있습니다.
• MLP: 학습된 특징을 모든 노드의 모드 형상 (Mode Shapes) 벡터로 매핑합니다.

다. 물리 정보 기반 손실 함수 (Physics-Informed Loss Function)

• 특징: 정답 레이블 (Ground Truth) 이 없이 구조 동역학 이론을 손실 함수에 직접 반영하여 모델을 학습시킵니다.
• 손실 함수 구성:
  1. 모달 분해 이론: 추정된 모드 응답과 모드 형상의 곱 ($\hat{\Phi} \cdot \hat{Q}$) 이 실제 측정 데이터 ($\tilde{X}$) 와 일치하도록 최소화 (MSE).
  2. 시간 영역 독립성: 분해된 각 모드 응답 간의 상관관계가 0 이 되어야 함을 강제 (상관 행렬이 단위 행렬이 되도록).
  3. 주파수 영역 독립성: 각 모드의 FFT 진폭 스펙트럼 간 상관관계가 0 이 되어야 함을 강제 (서로 다른 고유진동수를 가짐).

3. 주요 기여 (Key Contributions)

1. 군집 기반 SHM (PBSHM) 프레임워크: GNN 과 트랜스포머를 결합하여 다양한 위상과 하중 조건을 가진 구조물 군집에 대해 확장 가능한 모달 식별을 가능하게 함.
2. 레이블 없는 물리 기반 분해: 지도 학습 없이 물리 법칙 (모달 분해 이론, 모드 독립성) 만을 통해 정확한 모드 분해 및 파라미터 식별 수행.
3. 희소 데이터에서의 전체 필드 복원: 특징 전파 알고리즘을 통해 제한된 센서 데이터만으로 전체 구조물의 모드 형상과 동적 응답을 재구성.
4. 비정상 및 데이터 부족 조건에서의 우수성: 기존 OMA 기법 (EFDD, SSI) 및 표준 딥러닝 모델 (MLP, LSTM) 보다 비정상 하중과 데이터가 부족한 조건에서 우수한 성능 입증.

4. 실험 결과 (Results)

연구는 수치 시뮬레이션 (이질적인 트러스 군집 100 개) 과 실험실 실험 (스케일 케이블 스테이 교량 10 회 테스트) 을 통해 검증되었습니다.

• 수치 실험 결과:

  • 학습 데이터 내 구조물: 1~80 번 트러스에서 높은 정확도 (MAC 값 0.8 이상, 주파수 오차 1% 내외) 를 보임.
  • 미학습 구조물 (Generalization): 81~100 번 트러스에서는 성능이 다소 저하되었으나, 물리 기반 학습의 유효성을 입증.
  • 기존 기법 대비: 고차 모드 형상 식별에서 EFDD 및 SSI 보다 월등히 우수한 성능 (MAC 값 향상). 희소 데이터 처리 능력에서 interpolation/extrapolation 에 의존하는 기존 방법보다 우위.
  • Ablation Study: GNN 제거 시 성능 급감, Transformer 대신 LSTM 사용 시 장기 시계열 처리 능력 저하, 모드 독립성 손실 항 제거 시 분해 실패 등 각 구성 요소의 중요성 입증.

• 실험실 실험 결과:

  • 다양한 하중 조건: 정적 하중 (Pull-and-release) 과 동적 하중 (차량 주행) 조건 모두에서 SDOF 모드 응답을 성공적으로 분리.
  • 정확도: 1~3 차 모드에 대해 높은 MAC 값 (0.9 이상) 과 정확한 고유진동수 식별.
  • 비교: SSI 는 짧은 신호 구간에서 성능이 불안정했고, EFDD 는 감쇠비 추정이 부정확한 경향이 있었음. 제안된 방법은 안정적이고 정확한 감쇠비 추정을 제공.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성 향상: 라벨 데이터 불필요 및 희소 센서 데이터 활용으로 실제 현장 적용 가능성 (Practicality) 이 크게 향상됨.
• 성능 우위: 기존 OMA 기법 및 단순 딥러닝 모델 대비 고차 모드 형상 식별 정확도와 비정상 하중 조건에서의 강건성 (Robustness) 을 입증.
• 한계 및 향후 과제:
  • 현재는 새로운 구조물이나 복잡한 하중 조건 (예: 차량 하중) 에 적용 시 재학습이 필요하여 계산 시간이 길다는 한계가 있음.
  • 추론 단계만으로 일반화될 수 있도록 물리 기반 제약을 강화하거나 아키텍처를 개선하는 것이 향후 연구 방향.

결론적으로, 본 연구는 물리 법칙과 최신 딥러닝 (GNN, Transformer) 을 융합하여 구조물 군집의 모달 특성을 효율적이고 정확하게 식별할 수 있는 새로운 패러다임을 제시하였으며, 이는 차세대 구조물 건강 모니터링 시스템의 핵심 기술로 평가됩니다.