Deep Learning-Based Metamodeling of Nonlinear Stochastic Dynamic Systems under Parametric and Predictive Uncertainty

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **"복잡한 건물이 지진 같은 자연재해에 어떻게 반응할지, 인공지능 (AI) 으로 빠르게 예측하는 새로운 방법"**을 소개합니다.

기존의 방법은 건물의 구조와 지진의 세기를 고려해 컴퓨터로 시뮬레이션을 돌렸는데, 이 과정이 너무 느리고 계산량이 많아서 여러 가지 상황을 동시에 테스트하기 어려웠습니다. 특히 건물의 재질이나 지진 패턴에 '불확실성 (예측할 수 없는 변수)'이 있을 때는 더 힘들었죠.

저자들은 이 문제를 해결하기 위해 **세 가지 다른 종류의 '지능형 대리 모델 (Metamodel)'**을 개발했습니다. 이를 쉽게 이해할 수 있도록 일상생활의 비유로 설명해 드리겠습니다.

1. 핵심 아이디어: "예측의 불확실성까지 알려주는 AI"

이 연구의 가장 큰 특징은 단순히 "건물이 얼마나 흔들릴까?"라고 답하는 것뿐만 아니라, **"내 예측이 얼마나 믿을 만한가?"**도 함께 알려준다는 점입니다.

비유: 날씨 예보가 "내일 비가 올 확률 80%"라고 할 때, "80% 라는 숫자 자체에 오차가 있을 수 있다"는 것을 알려주는 것과 같습니다.
기술적 배경: AI 는 학습 데이터가 부족하거나 (학습 부족), 모델 구조가 복잡할 때 (모델의 한계) 실수를 할 수 있습니다. 이 연구는 AI 가 "이 부분은 내가 잘 모르겠으니, 확실히 말해줄 수 없어"라고 스스로 경고할 수 있도록 만들었습니다.

2. 세 가지 새로운 방법 (세 명의 요리사)

저자들은 복잡한 건물의 움직임을 예측하기 위해 세 가지 다른 방식의 AI 아키텍처를 개발했습니다. 마치 같은 재료를 가지고 세 명의 요리사가 다른 방식으로 요리를 만드는 것과 같습니다.

① MLP-LSTM: "간단하고 빠른 초보 요리사"

특징: 가장 기본적이고 직관적인 방식입니다.
비유: 간단한 스프를 만들 때, 모든 재료를 큰 그릇에 넣고 섞어서 끓이는 방식입니다.
성적: 건물이 단순하고 작을 때 (40 층 이하의 간단한 빌딩) 가장 빠르고 정확하게 작동했습니다. 하지만 건물이 너무 복잡해지면 모든 재료를 한 번에 섞는 방식은 한계가 생깁니다.

② MPNN-LSTM: "소통을 잘하는 팀장 요리사"

특징: 건물의 각 부분 (기둥, 보) 이 서로 어떻게 연결되어 있는지 '관계'를 중시합니다.
비유: 복잡한 레스토랑에서 각 요리사가 서로 대화하며 재료를 주고받는 방식입니다. "내가 이쪽은 못 하니 네가 해줘"라고 소통하며 전체적인 흐름을 파악합니다.
성적: 건물이 크고 복잡할 때 (37 층의 복잡한 철골 빌딩) 가장 뛰어난 성능을 보였습니다. 건물의 각 부분이 서로 어떻게 영향을 미치는지 잘 이해하기 때문입니다.

③ AE-LSTM: "요약의 달인 요리사"

특징: 방대한 정보를 압축해서 핵심만 뽑아냅니다.
비유: 100 페이지짜리 긴 보고서 (건물의 복잡한 데이터) 를 1 페이지 요약본으로 줄여서, 그 요약본만 보고 요리 레시피를 만드는 방식입니다.
성적: 역시 복잡한 건물을 다룰 때 매우 효과적이었습니다. 중요한 정보만 남기고 나머지는 잘라내서 계산 속도를 높이고 정확도를 유지했습니다.

3. 왜 '웨이브렛 (Wavelet)' 변환을 썼나요?

건물의 흔들림 데이터는 시간이 지남에 따라 너무 길고 복잡합니다. 이를 그대로 AI 에 넣으면 컴퓨터가 너무 많은 일을 해야 합니다.

비유: 긴 노래를 그대로 듣는 대신, 주요 멜로디와 리듬만 추출한 악보로 바꾸는 것과 같습니다.
효과: AI 가 전체 곡을 다 기억할 필요 없이, 핵심 패턴만 학습하면 되므로 훨씬 빠르고 정확하게 예측할 수 있게 됩니다.

4. 실험 결과: 어떤 게 더 좋았을까?

연구진은 두 가지 다른 건물을 대상으로 실험했습니다.

작고 단순한 건물 (Bouc-Wen 시스템):
- 승자: MLP-LSTM (간단한 초보 요리사)
- 이유: 문제가 너무 단순해서 복잡한 소통이나 요약이 필요 없었기 때문입니다.
크고 복잡한 37 층 빌딩 (Fiber-discretized Frame):
- 승자: MPNN-LSTM과 AE-LSTM (팀장 요리사와 요약의 달인)
- 이유: 건물이 너무 복잡하고 데이터가 방대해서, 단순한 방식으로는 정확한 예측을 할 수 없었습니다. 관계 파악과 정보 압축이 필수적이었습니다.

공통된 발견:
세 가지 방법 모두 **"예측이 틀릴 가능성이 높은 구간에서는 AI 가 스스로 경계 신호 (높은 불확실성) 를 보냈다"**는 점입니다. 즉, AI 가 "여기는 내가 잘 모른다"고 말할 때, 실제로 그 부분의 예측 오차가 컸습니다. 이는 나중에 AI 를 더 잘 훈련시키기 위해 어떤 데이터를 추가로 학습시켜야 할지 알려주는 '활성 학습 (Active Learning)'에 아주 유용합니다.

5. 결론: 이 연구가 우리에게 주는 메시지

이 논문은 **"복잡한 구조물의 안전을 예측할 때, 단순히 결과만 알려주는 게 아니라 '얼마나 믿을 수 있는지'까지 알려주는 AI"**를 만들 수 있음을 증명했습니다.

간단한 문제에는 간단한 AI가,
복잡한 문제에는 소통과 요약이 가능한 고급 AI가 적합하다는 것을 발견했습니다.

이 기술은 향후 지진, 태풍 등 자연재해에 대비하여 건물의 안전성을 더 빠르고 정확하게 평가하고, 설계 최적화를 하는 데 큰 도움을 줄 것으로 기대됩니다. 마치 "이 건물이 지진을 견딜 수 있을까?"라는 질문에 대해, AI 가 "네, 견딜 수 있습니다. 그리고 그 확신은 95% 입니다"라고 답해줄 수 있게 되는 것입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem Statement)

배경: 자연재해 하에서 고차원 비선형 동적 구조 시스템의 모델링은 외부 하중 (지진 등) 과 구조적 매개변수 (질량, 감쇠, 재료 특성 등) 의 불확실성을 동시에 고려할 때 계산적 부담이 매우 큽니다. 기존 수치 해석 방법 (유한요소법 등) 은 이러한 불확실성 정량화 (Uncertainty Quantification, UQ) 나 설계 최적화와 같은 다중 시뮬레이션이 필요한 경우 비효율적입니다.
기존 연구의 한계:
- 기존 메타모델링 기법 (크리깅, SVM 등) 은 동적 응답 시간 이력 (Time-history) 을 정확히 재현하는 데 한계가 있으며, 특히 확률적 하중 하에서 시퀀스 - 시퀀스 (Sequence-to-Sequence) 학습이 고차원화되는 문제를 해결하기 어렵습니다.
- 최근 딥러닝 (RNN, 물리 정보 기반 ML 등) 이 도입되었으나, 구조적 매개변수 불확실성과 **모델의 예측 불확실성 (예측 오차의 신뢰도)**을 동시에 고려한 연구는 부족합니다.
- 특히, 예측 불확실성을 다룰 때 **인지적 불확실성 (Epistemic Uncertainty, 데이터 부족 또는 모델 구조에서 기인)**과 **우연적 불확실성 (Aleatoric Uncertainty, 내재적 변동성)**을 모두 정량화하는 연구는 거의 없습니다.
연구 목표: 외부 확률적 하중, 구조적 매개변수 불확실성, 그리고 모델의 예측 불확실성 (인지적 및 우연적) 을 모두 포괄적으로 처리할 수 있는 새로운 메타모델링 프레임워크를 개발하는 것입니다.

2. 제안된 방법론 (Methodology)

연구진은 특징 추출 (Feature Extraction) 모듈과 시계열 예측 (Time-series Prediction) 모듈로 구성된 세 가지 딥러닝 아키텍처를 제안했습니다.

2.1. 데이터 전처리: 웨이블릿 변환 (Wavelet Transformation)

고차원 시간 영역 데이터를 직접 처리하면 LSTM 의 계산 비용이 과도해지므로, **이산 웨이블릿 변환 (Discrete Wavelet Transform)**을 적용하여 시간 차원을 축소합니다.
입력 (하중) 과 출력 (구조 응답) 을 웨이블릿 계수 (Approximation coefficients) 시퀀스로 변환하여 LSTM 에 입력함으로써 학습 효율성을 극대화합니다.

2.2. 세 가지 메타모델링 프레임워크

세 가지 모두 특징 추출 모듈과 LSTM 기반 예측 모듈을 결합하며, Monte Carlo Dropout과 부정 로그 우도 (Negative Log-Likelihood, NLL) 손실 함수를 사용하여 불확실성을 정량화합니다.

MLP-LSTM (Multi-Layer Perceptron + LSTM):
- 특징 추출: 다층 퍼셉트론 (MLP) 을 사용하여 웨이블릿 변환된 하중 벡터와 구조적 매개변수 벡터 ( $\Gamma$ ) 를 결합합니다.
- 적용: 상대적으로 단순한 구조나 저차원 시스템에 적합합니다.
MPNN-LSTM (Message Passing Neural Network + LSTM):
- 특징 추출: 구조 시스템을 그래프 (노드: 부재, 엣지: 연결) 로 표현하고, 메시지 전달 신경망 (MPNN) 을 활용하여 부재 간의 관계적 의존성 (Relational dependencies) 을 포착합니다.
- 적용: 복잡한 구조적 상호작용이 중요한 시스템에 유리합니다.
AE-LSTM (Autoencoder + LSTM):
- 특징 추출: 오토인코더 (Autoencoder) 를 사용하여 고차원인 구조 응답을 저차원 잠재 공간 (Latent Space) 으로 축소합니다. LSTM 은 하중 계수에서 이 저차원 잠재 표현으로의 매핑을 학습합니다.
- 적용: 매우 고차원인 시스템에서 차원 축소 효과를 통해 예측 정확도와 효율성을 높입니다.

2.3. 불확실성 정량화 (Uncertainty Quantification)

인지적 불확실성 (Epistemic): 추론 단계에서 Monte Carlo Dropout을 활성화하여 여러 번의 확률적 순전파 (Forward Pass) 를 수행합니다. 예측 값의 분산을 계산하여 모델이 데이터를 얼마나 잘 모르는지 (불확실성) 를 측정합니다.
우연적 불확실성 (Aleatoric): 부정 로그 우도 (NLL) 손실 함수를 사용하여 모델이 예측 분산 ( $\sigma^2$ ) 을 직접 학습하도록 합니다. 이는 모델 오차와 데이터의 내재적 변동을 분리하여 추정합니다.
총 예측 불확실성: 두 가지 불확실성을 합산하여 전체 예측 신뢰 구간을 제공합니다.

3. 검증 사례 및 결과 (Case Studies & Results)

두 가지 다른 복잡도의 구조 시스템에 대해 제안된 방법론을 검증했습니다.

3.1. 사례 1: 다자유도 Bouc-Wen 전단 건물 (저차원 시스템)

시스템: 40 자유도 (DOF) 의 전단 건물 모델.
결과:
- 세 가지 방법 모두 낮은 예측 오차를 보였으나, MLP-LSTM이 가장 높은 정확도를 기록했습니다.
- 이유: 시스템이 단순하고 선형적으로 연결된 구조라 MPNN 의 메시지 전달이나 AE 의 차원 축소 이점이 크게 작용하지 않았기 때문입니다.
- 불확실성: 예측 분산과 실제 오차 간에 양의 상관관계가 관찰되어, 높은 분산이 높은 오차를 의미함을 확인했습니다.

3.2. 사례 2: 섬유 이산화 비선형 강철 모멘트 저항 프레임 (고차원 시스템)

시스템: 37 층, 6 스팬의 복잡한 강철 프레임 (777 DOF). 비선형 재료 모델 (Giuffré-Menegotto-Pinto) 과 대변형 효과를 포함합니다.
결과:
- MPNN-LSTM과 AE-LSTM이 MLP-LSTM 보다 월등히 우수한 성능을 보였습니다.
- MPNN-LSTM: 구조적 부재 간의 복잡한 상호작용을 그래프 기반으로 잘 포착하여 가장 낮은 오차를 기록했습니다.
- AE-LSTM: 고차원 응답을 저차원으로 압축하여 LSTM 의 학습 부담을 줄여 성능을 향상시켰습니다.
- MLP-LSTM: 단순한 MLP 구조로는 고차원 복잡도를 처리하는 데 한계가 있었습니다.
- 불확실성: 두 사례 모두에서 예측 분산과 최대 절대 오차 간에 일관된 양의 상관관계 ( $\rho \approx 0.5 \sim 0.7$ ) 를 보였습니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

종합적인 불확실성 정량화: 구조적 매개변수 불확실성 (입력 변동) 과 모델 예측 불확실성 (인지적/우연적) 을 동시에 고려하는 최초의 메타모델링 프레임워크 중 하나입니다.
적응형 아키텍처 제안: 시스템의 복잡도에 따라 최적의 아키텍처 (MLP, MPNN, AE) 를 선택할 수 있음을 입증했습니다. 단순 시스템에는 MLP 가, 복잡하고 고차원인 시스템에는 MPNN 또는 AE 가 더 효과적입니다.
신뢰성 있는 예측 및 활성 학습 (Active Learning) 가능성: 예측 분산이 실제 오차와 높은 상관관계를 보인다는 사실은, 모델이 "어떤 구간에서 예측이 불확실한지"를 스스로 판단할 수 있음을 의미합니다. 이는 향후 활성 학습 전략 (불확실성이 높은 데이터에 대한 추가 시뮬레이션 수행) 을 통해 학습 효율을 극대화하는 데 핵심적인 역할을 할 수 있습니다.
계산 효율성: 웨이블릿 변환을 통해 시간 차원을 축소하고, LSTM 을 활용하여 장기 의존성을 학습함으로써, 고차원 비선형 동적 시스템의 실시간 또는 근사적 분석을 가능하게 했습니다.

5. 결론

이 연구는 자연재해 하의 복잡한 구조 시스템에 대해 딥러닝 기반 메타모델링의 새로운 패러다임을 제시합니다. 제안된 프레임워크는 단순한 예측을 넘어 **예측의 신뢰도 (Confidence)**까지 제공함으로써, 구조 공학 분야에서 안전성 평가, 리스크 관리, 그리고 데이터 효율적인 설계 최적화를 위한 강력한 도구로 활용될 수 있음을 입증했습니다. 특히 고차원 복잡 시스템에서는 MPNN 과 AE 기반 접근법이 필수적임을 강조합니다.