Defining Energy Indicators for Impact Identification on Aerospace Composites: A Structured Feature Selection Approach Guided by Domain Knowledge

당신이 미스터리를 풀려는 탐정이라고 상상해 보십시오. 하지만 당신이 가진 유일한 단서는 고장 난 테이프 녹음기에서 흘러나오는 희미하고 지직거리는 소리뿐입니다. 항공우주 분야에서 이 "소리"는 사실 탄소 섬유로 만들어진 첨단 비행기 날개를 통해 전달되는 진동입니다. 새가 날개에 부딪히거나 도구가 날개 위로 떨어지면, 그 충격은 재료를 타고 퍼져나가는 충격파를 보냅니다. 문제는 가장 위험한 손상, 즉 비행기를 추락하게 만들 수 있는 종류의 손상은 종종 눈에 보이지 않는 깊은 곳에 숨겨져 있다는 점입니다. 이를 "눈에 거의 보이지 않는 충격 손상(Barely Visible Impact Damage, BVID)"이라고 합니다. 이를 찾아내기 위해 엔지니어들은 "구조 건전성 모니터링(Structural Health Monitoring, SHM)"을 사용하는데, 이는 비행기에 청진기를 대는 것과 같습니다. 이 청진기(센서)는 진동을 듣고 충격이 얼마나 강했는지 추측하려고 노력합니다. 하지만 문제는 신호가 매우 지저받고 정적 노이즈로 가득 차 있으며, 소리로부터 힘을 계산하는 수학적 과정이 매우 까다롭다는 것입니다. 마치 장갑이 공기를 때릴 때 나는 소리만 듣고 주먹의 무게를 맞히려는 것과 같습니다.

오랫동안 과학자들은 두 가지 주요 도구를 사용하여 이 문제를 해결하려 노력해 왔습니다. 하나는 고성능 물리 시뮬레이션으로, 정확하지만 컴퓨터에서 실행하는 데 시간이 너무 오래 걸립니다. 다른 하나는 "머신 러닝(Machine Learning)"으로, 컴퓨터가 수천 개의 사례를 살펴보며 답을 학습하는 방식입니다. 하지만 컴퓨터는 신호를 설명하는 방법이 너무 다양하기 때문에 혼란에 빠지곤 하며, 어떤 부분이 소리의 핵심인지 알지 못합니다. 이는 마치 밀가루, 소금, 비누, 설탕 등 주방에 있는 모든 재료를 볼에 다 집어넣고 나서, 어떤 재료가 케이크 맛을 좋게 만드는지 컴퓨터가 알아내길 바라는 것과 같습니다.

이 논문은 연구팀이 컴퓨터를 더 똑똑하게 가르치는 방법을 제안합니다. 컴퓨터가 어떤 재료를 사용할지 스스로 추측하게 두는 대신, 연구진은 '수석 셰프' 역할을 수행합니다. 그들은 물리학이 어떻게 작동하는지에 대한 지식을 활용하여, 컴퓨터에 입력하기 전에 가장 좋은 "재료(데이터 특징/feature)"만을 신중하게 선택합니다. 연구진은 진동 신호의 특정 부분들—예를 들어 크기, 피치, 그리고 시간이 흐름에 따라 소리가 어떻게 변하는지—을 선택함으로써 모델을 구축했을 때, 일반적인 방법보다 3배 더 정확하다는 것을 발견했습니다. 그들은 실제 복합재 패널을 대상으로 테스트하여, 컴퓨터에게 올바른 단서를 제공할 때 데이터가 노이즈가 많거나 불완전하더라도 숨겨진 손상의 미스터리를 훨씬 더 잘 해결할 수 있음을 증명했습니다.

탐정의 새로운 도구 상자

연구진은 먼저 가공되지 않은 진동 신호가 정보의 혼란스러운 수프라는 점을 깨달았습니다. 이를 이해하기 위해 그들은 음악가가 곡의 리듬, 멜로디, 화성을 듣는 것처럼 신호를 세 가지 다른 "풍미" 또는 영역(domain)으로 나누었습니다.

1. 시간 영역 (Time Domain): 이것은 신호의 "크기"와 "모양"입니다. 파형이 얼마나 높게 올라가는가? 정점에 도달하는 데 시간이 얼마나 걸리는가?
2. 주파수 영역 (Frequency Domain): 이것은 "피치(음높이)"입니다. 신호가 낮은 저음처럼 들리는가, 아니면 높은 비명처럼 들리는가?
3. 시간-주파수 영역 (Time-Frequency Domain): 이것은 두 가지를 혼합한 것으로, 소리가 재생됨에 따라 피치가 어떻게 변하는지를 살펴봅니다.

그 후 팀은 이 세 영역으로부터 잠재적인 단서, 즉 "특징(feature)"들의 방대한 목록을 만들었습니다. 그들은 "최대 진폭(Peak Amplitude, 파형의 가장 높은 지점)"이나 "중심 주파수(Centroid Frequency, 평균 피치)"와 같이 신호를 설명하는 20가지 이상의 다양한 방식을 보유했습니다. 하지만 20가지나 되는 단서를 갖는 것은 너무 과하며, 그중 상당수는 단순히 동일한 정보를 반복하고 있습니다.

거대한 필터

최고의 단서를 찾기 위해 연구진은 매우 엄격한 편집자 역할을 수행하며 체계적인 필터링 과정을 설정했습니다. 그들은 단순히 추측한 것이 아니라, 물리학에 의해 유도된 단계별 워크플로우를 사용했습니다.

먼저, 그들은 질문했습니다: "이 단서가 충격이 강해질 때 실제로 변하는가?"
그들은 통계적 테스트(F-test라고 불림)를 사용하여 어떤 특징들이 서로 다른 충격 에너지에 강력하게 반응하는지 확인했습니다. 만약 어떤 특징이 가벼운 톡 치기나 강한 강타에도 변함이 없다면, 그것은 탈락되었습니다. 이 과정을 통해 "에너지에 민감한" 단서 그룹이 남았습니다.

다음으로, 그들은 질문했습니다: "이 단서들은 독립적인가, 아니면 서로를 복제하고 있는가?"
자동차 색깔이 "빨간색"이라는 단서와 "진홍색"이라는 단서가 있다고 가정해 봅시다. 이 둘은 같은 말을 하고 있습니다. 연구진은 상관관계 분석(correlation analysis) 기법을 사용하여 이러한 중복 항목을 찾아냈습니다. 만약 두 단서가 너무 유사하다면, 더 나은 하나를 남기고 나머지는 버렸습니다.

그 후, 그들은 질문했습니다: "신호에 노이즈가 섞여 있어도 이 단서를 믿을 수 있는가?"
실제 센서는 종종 지저분이거나 흔들릴 수 있습니다. 이를 테스트하기 위해 연구진은 데이터를 인위적으로 "백색 잡음(white noise, 정적)"으로 채워 나쁜 녹음 상태를 시뮬레이션했습니다. 그들은 어떤 단서가 안정적인지, 그리고 어떤 단서가 요동치는지 확인했습니다. 약간의 정적만으로도 급격하게 변하는 단서는 거부되었습니다.

마지막으로, 그들은 이 점수들을 하나의 "선택 점수(Selection Score)"로 결합했습니다. 이 점수는 단서가 얼마나 중요한지와 얼마나 신뢰할 수 있는지를 균형 있게 고려했습니다. 그 결과, 단 7개의 정예 팀이 탄생했습니다:

• 최대 진폭 (Peak Amplitude, PA): 충격이 얼마나 컸는가.
• 에너지 피크 비율 (Energy Peak Ratio, EPR): 에너지가 어떻게 분포되었는가.
• 상승 각도 (Rise Angle, RA): 신호가 얼마나 빠르게 상승하는가.
• 피크 중심 비율 (Peak Centroid Ratio, PCR): 소리의 형태를 측정하는 척도.
• 가중 피크 주파수 (Weighted Peak Frequency, WPF): 지배적인 피치.
• 피크 주파수 (Peak Frequency, PF): 가장 높은 에너지를 가진 피치.
• 근사 최대 에너지 (Approximation Max Energy, AME): 저주파 파동에서의 에너지.

결전: 스마트한 선택 vs 블랙박스

그들의 방법이 효과적임을 증证明하기 위해, 팀은 네 가지 서로 다른 컴퓨터 모델 간의 경주를 설정했습니다.

1. "물리 기반(Physics-Inspired)" 모델: 연구진이 신중하게 선택한 7개의 단서 목록을 사용했습니다.
2. "독립적 특징(Independent Features)" 모델: 중복은 제거하지만 노이즈나 물리학은 체크하지 않는 표준적인 방법을 사용했습니다.
3. "후보 특징(Candidate Features)" 모델: 원래의 20개 이상의 모든 단서를 컴퓨터에 던져 넣어, 컴퓨터가 나머지를 스스로 알아내길 기대했습니다.
4. "CNN" 모델: 원시 소리 파형을 직접 살펴보는 "블랙박스" 딥러닝 모델(합성곱 신경망)입니다. 이는 인간이 선택한 단서 없이 처음부터 모든 것을 학습하려고 시도했습니다.

결과는 명확했습니다. **"물리 기반 모델" (모델 1)**이 챔피언이었습니다. 이 모델은 단 **5.23%**의 오차율로 충격 에너지를 예측했습니다.

• "독립적 특징" 모델은 **13.97%**의 오차를 보였습니다.
• "블랙박스"인 CNN은 **14.95%**의 오차를 보였습니다.
• 모든 것을 던져 넣은 "후보 특징" 모델은 **16.48%**로 가장 나쁜 오차를 기록했습니다.

연구진은 "블랙박스"인 CNN이 숫자를 맞히는 데 꽤 능숙했지만, 어떻게 하는지는 미스터리라는 점을 발견했습니다. 이는 마치 마술사가 모자에서 토끼를 꺼내면서도 어떻게 했는지는 말해주지 않는 것과 같습니다. 문제는 마술사의 모자가 깨지거나 토끼의 색깔이 바뀌었을 때, 왜 마술이 실패했는지 알 수 없다는 점입니다.

왜 "물리 기반" 방식이 승리하는가

이 논문은 진정한 승리가 단순히 낮은 오차 수치에 있는 것이 아니라, 투명성에 있다고 주장합니다. 연구진이 "최대 진폭"과 같이 이해 가능한 구체적인 단서들을 선택했기 때문에, 그들은 컴퓨터가 왜 그런 예측을 했는지 정확히 알 수 있습니다. 만약 컴퓨터가 "최대 진폭이 높기 때문에 충격이 20줄(Joules)이라고 생각한다"라고 말한다면, 엔지니어는 그 최대 진폭 값을 확인하여 그것이 타당한지 검증할 수 있습니다.

만약 센서가 고장 나서 쓰레기 데이터를 보내고 있다면, 엔지니어는 특정 단서들을 보고 이렇게 말할 수 있습니다. "잠깐, 최대 진폭은 엄청 큰데 상승 각도가 이상하네. 센서에 문제가 있어." 블랙박스 CNN의 경우, 컴퓨터는 그냥 숫자 하나를 내놓을 뿐이며, 센서가 고장 났을 때 컴퓨터는 이유도 알려주지 않은 채 틀린 숫자를 제시할 수 있습니다.

연구진은 또한 그들의 방법이 더 효율적이라는 점을 언급했습니다. CNN은 방대한 양의 원시 데이터를 처리해야 하므로 많은 컴퓨터 자원이 필요합니다. 반면 그들의 모델은 단 7개의 숫자만 필요했습니다. 이는 하나의 사실을 찾기 위해 도서관 전체를 읽는 것과, 사서가 딱 필요한 페이지를 건네주는 것의 차이와 같습니다.

결론

이 논문은 항공 안전의 세계에서 우리가 모든 것을 처음부터 추측하는 컴퓨터에 의존할 필요는 없다는 점을 시사합니다. 물리학에 대한 인간의 지식과 스마트한 데이터 선택을 결합함으로써, 우리는 더 정확할 뿐만 아니라 더 신뢰할 수 있는 모델을 구축할 수 있습니다. 연구팀은 노이즈를 걸러내고 진정으로 중요한 단서에 집중함으로써, 표준적인 방법보다 3배 더 정확하게 충격 에너지를 예측할 수 있음을 보여주었습니다. 그들은 초기 단서를 선택하는 데 전문가의 판단이 필요하다는 점을 인정하면서도, 그 결과가 견고하고, 빠르며, 엔지니어가 이해하고 신뢰하기 쉬운 시스템임을 입증했습니다. 이는 때때로 컴퓨터를 가르치는 가장 좋은 방법은, 먼저 인간 전문가의 도움을 받는 것임을 상기시켜 줍니다.