Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves

이 논문은 복잡한 수치 파랑 모델 (SWAN) 의 대안으로 딥 오퍼레이터 네트워크 (DeepONets) 를 도입하여 방사 응력 기울기와 유의 파고 등 파랑 유도 힘 성분을 높은 정확도로 예측하는 서로게이트 모델을 개발하고 검증했습니다.

핵심

이 논문은 **"거친 바다의 파도를 예측하는 아주 똑똑하고 빠른 인공지능 비서"**를 개발한 연구입니다.

기존의 복잡한 수학적 계산 대신, **딥러닝 (DeepONet)**이라는 기술을 이용해 바다의 파도 힘이 해안가에 미치는 영향을 순식간에 예측하는 방법을 소개합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제 상황: "무거운 계산기" vs "빠른 비서"

기존 방식 (SWAN 모델):
바다의 파도를 예측하려면 'SWAN'이라는 아주 정교한 시뮬레이션 프로그램을 써야 합니다. 이 프로그램은 파도가 어떻게 생기고, 부서지고, 해안가에 닿을지 계산하는데, 마치 매우 정밀하지만 무겁고 느린 고성능 계산기를 사용하는 것과 같습니다.

• 단점: 계산이 너무 오래 걸려서, 실제 태풍이 왔을 때 "지금 당장 해안가가 위험할까?"라고 실시간으로 물어보기엔 너무 느립니다. 그래서 보통은 계산 속도를 위해 해상도를 낮추거나, 다른 모델과 함께 쓸 때 속도를 늦춥니다.

새로운 방식 (이 논문의 DeepONet):
연구진은 이 느린 계산기를 대신할 초고속 AI 비서를 만들었습니다. 이 비서는 과거에 계산기 (SWAN) 가 해낸 수많은 계산 결과를 공부했습니다.

• 비유: 이 비서는 "바람이 이 정도 불고, 파도가 이 정도면 해안가 물높이는 이렇게 변해"라는 경험 법칙을 완벽하게 외워버린 상태입니다. 그래서 새로운 상황이 오면, 복잡한 계산을 다시 할 필요 없이 순간적으로 정답을 알려줍니다.

2. 핵심 기술: "무한한 공간의 지도를 그리는 마법"

이 연구에서 사용한 DeepONet이라는 기술은 일반적인 AI 와 다릅니다.

• 일반 AI (CNN 등): 마치 사진을 보는 것과 같습니다. 사진의 크기가 정해져 있어야 합니다. 만약 훈련할 때 10x10 픽셀 사진을 봤다면, 11x11 픽셀 사진을 보면 당황합니다.
• 이 연구의 DeepONet: 마치 지도를 보는 것과 같습니다. 지도는 어디를 확대하든 (해안가든, 바다 한복판이든) 어떤 위치에서도 정확한 정보를 알려줍니다.
  • 비유: 이 AI 는 "해안가 어딘가"라는 특정 지점만 기억하는 게 아니라, "바다 전체의 어떤 지점"에서도 바람과 파도 조건을 입력하면 그 자리에서 일어나는 현상을 예측할 수 있습니다.

3. 실험 결과: "가상 바다"부터 "실제 미국 해안"까지

연구진은 이 AI 를 세 가지 다른 바다에서 테스트했습니다.

1. 1 차원 바다 (단순한 경사): 마치 계단처럼 깊이가 일정하게 줄어드는 바다입니다. AI 는 여기서 거의 100% 에 가까운 정확도로 정답을 맞췄습니다.
2. 2 차원 바다 (평면 경사): 계단이지만 좌우로 넓게 퍼진 바다입니다. 여기서도 매우 정확한 예측을 했습니다.
3. DUCK (실제 북캐롤라이나 해안): 여기가 진짜입니다. 실제 바다처럼 바닥이 울퉁불퉁하고 복잡합니다.
   • 결과: 실제 바다에서도 AI 는 놀라운 정확도를 보였습니다. 특히 태풍이나 폭풍우 때 해안가 물높이를 올리는 **'방사선 응력 (Radiation Stress)'**이라는 복잡한 힘까지도 기존 모델과 거의 비슷하게 예측했습니다.

4. 왜 이것이 중요한가요? (가장 중요한 부분)

이 기술이 가져올 변화는 속도와 안전입니다.

• 속도: 기존 프로그램이 30 초 걸리는 계산을, 이 AI 는 0.04 초 만에 끝냅니다. (약 750 배 빠름!)
• 실용성: 태풍이 오기 전에 "이해에 태풍이 오면 이 마을이 얼마나 침수될까?"를 수백 번 시뮬레이션해 보며 가장 안전한 대피 경로를 찾을 수 있습니다.
• 부드러운 예측: 흥미롭게도, 기존 프로그램은 복잡한 바다 바닥 때문에 계산 결과가 너무 거칠게 (찌글찌글하게) 나올 때가 있는데, 이 AI 는 자연스러운 흐름을 찾아주어 오히려 더 현실적인 물결을 예측해 주기도 합니다.

5. 결론

이 논문은 **"복잡하고 느린 바다 계산기를, 빠르고 똑똑한 AI 비서로 대체할 수 있다"**는 것을 증명했습니다.

앞으로 이 기술이 발전하면, 기상청이나 해안가 지자체는 태풍이 오기 훨씬 전에 **"어디가 위험하고, 얼마나 대비해야 하는지"**를 실시간으로, 정확하게 알려줄 수 있게 될 것입니다. 마치 날씨 예보가 "내일 비 올 확률 30%"라고 알려주는 것처럼, **"내일 태풍 오면 이 마을 물높이 1.5m 상승"**을 실시간으로 예측해 주는 시대가 오는 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem Definition)

• 배경: 해양 파도는 대기 - 해양 간 운동량, 열, 가스 교환을 매개하며, 폭풍 해일 (storm surge) 예측의 정확도에 결정적인 역할을 합니다. 특히 '방사 응력 (Radiation Stress)'은 파도에 의해 유도된 운동량 플럭스로, 조류 모델과 파랑 모델을 결합하여 해수면 상승을 정확히 예측하는 데 필수적입니다.
• 문제점:
  • 전통적인 수치 파랑 모델 (예: SWAN, Simulating WAves Nearshore) 은 파동 작용 균형 방정식 (WABE) 을 풀어야 하므로 계산 비용이 매우 높고 복잡합니다.
  • 이로 인해 실제 연동 시뮬레이션 (예: SWAN+ADCIRC) 에서 파랑 모델은 순환 모델보다 훨씬 낮은 시간 해상도로 실행되는 경우가 많습니다.
  • 기존 데이터 기반 접근법 (CNN, LSTM 등) 은 비정형 격자나 복잡한 기하학적 구조에 적용하기 어렵거나, 학습 데이터와 동일한 공간 이산화 (discretization) 에 제한을 받는 단점이 있습니다.
• 목표: SWAN 과 같은 스펙트럼 파랑 모델을 대체할 수 있는 고속이고 정확한 대리 모델 (Surrogate Model) 을 개발하여, 풍력 및 초기 파랑 조건으로부터 정상 상태 (steady-state) 의 유의파고 ($H_{sig}$) 와 방사 응력 구배 (Radiation Stress Gradients) 를 실시간에 가깝게 예측하는 것입니다.

2. 방법론 (Methodology)

• Deep Operator Networks (DeepONets) 활용:
  • 본 연구는 무한 차원 함수 공간 간의 매핑을 근사하도록 설계된 DeepONet을 도입했습니다.
  • DeepONet 은 입력 함수 (branch network) 와 공간 좌표 (trunk network) 를 각각 인코딩하여, 학습 격자와 무관하게 임의의 위치에서 출력을 예측할 수 있는 이산화 불변성 (Discretization Invariance) 을 가집니다.
• 문제 설정:
  • 입력: 풍속, 풍향 (영역 전체), 경계 조건의 파고 및 파향.
  • 출력: 공간적으로 분포된 유의파고 ($H_{sig}$) 및 방사 응력 구배 (방사 응력 $S_{xx}, S_{xy}, S_{yy}$의 기울기).
  • 학습 데이터: SWAN 모델을 사용하여 생성된 3 가지 시나리오 (1-D, 2-D, 실제 Duck, NC 해역) 의 정상 상태 시뮬레이션 데이터.
• 아키텍처:
  • Branch Network: 시나리오별 forcing 조건 (풍속, 파고 등) 을 벡터로 인코딩.
  • Trunk Network: 예측을 원하는 공간 좌표 $(x, y)$를 인코딩.
  • 두 네트워크의 출력 내적 (inner product) 을 통해 목적 함수 값을 예측.

3. 주요 실험 및 결과 (Key Results)

연구는 3 가지 단계적 복잡도의 수치 예제를 통해 모델을 검증했습니다.

1. 1-D 예제 (균일 경사):
   • 결과: 유의파고 예측의 상대 $L_2$ 오차 (RLE) 가 0.1% ~ 0.4% 수준으로 매우 정확했습니다. 방사 응력 (Forces) 예측은 약간의 오차 (최대 6.41%) 가 있었으나 전반적인 추세를 잘 포착했습니다.
2. 2-D 예제 (평면 경사):
   • 결과: 1-D 보다 복잡한 물리 과정 (측면 굴절 등) 을 포함했으나, 유의파고 예측 오차는 0.2% ~ 0.6% 수준을 유지했습니다. 힘 (Forces) 예측 오차는 최대 8.78% 까지 증가했으나, 대부분의 시나리오에서 3% 미만의 오차를 보였습니다.
3. DUCK 예제 (실제 해역, NC):
   • 설정: 실제 해저 지형 (FRF 시설), 복잡한 경계 조건, 불규칙한 조류 환경을 포함.
   • 결과:
     • 유의파고: 대부분의 시나리오에서 1.0% 미만의 RLE 를 기록하여 실제 환경에서도 높은 정확도를 입증했습니다.
     • 방사 응력: 최대 RLE 는 약 10.98% (x-방향 힘) 였으나, 이는 주로 해안가 (surf-zone) 의 급격한 기울기나 수치적 노이즈가 있는 영역에서 발생했습니다.
     • 특징: DeepONet 은 SWAN 의 고주파수 수치적 진동 (numerical spikes) 을 부드럽게 (smoothing) 예측하는 경향이 있었으며, 이는 오히려 연동 모델에 더 안정적인 forcing term 을 제공할 수 있음을 시사합니다.

4. 주요 기여 및 의의 (Contributions & Significance)

• 계산 효율성 극대화:
  • SWAN 시뮬레이션은 약 30 초가 소요되는 반면, 학습된 DeepONet 모델은 시나리오당 약 0.04 초 만에 예측이 가능합니다. 이는 약 3 차수 (3 orders of magnitude) 의 속도 향상을 의미합니다.
• 물리 법칙 학습 및 일반화:
  • 모델은 단순한 데이터 피팅을 넘어, 조석 (shoaling), 파쇄 (breaking) 등 복잡한 물리 과정을 학습하여 훈련 데이터에 포함되지 않은 새로운 풍향/파향 조건에서도 잘 일반화되었습니다.
• 이산화 불변성 입증:
  • 학습된 격자와 다른 위치에서도 파랑 특성을 예측할 수 있어, 실제 연안 공학 응용에서 유연하게 활용 가능합니다.
• 연동 모델링의 혁신:
  • SWAN+ADCIRC 와 같은 고비용 연동 모델의 병목 현상을 해결하여, 실시간 폭풍 해일 예보, 연안 재해 평가, 엔지니어링 설계에의 적용 가능성을 열었습니다.

5. 결론 및 한계 (Conclusion & Limitations)

• 결론: DeepONet 은 SWAN 과 같은 복잡한 스펙트럼 파랑 모델을 대체할 수 있는 강력하고 효율적인 대리 모델임을 입증했습니다. 특히 방사 응력 구배와 유의파고를 동시에 정확히 예측하여 파랑 - 조류 상호작용 모델링의 핵심 요소로 자리 잡았습니다.
• 한계 및 향후 과제:
  • 현재는 전체 파동 작용 스펙트럼이 아닌 '집계된 물리량 (Hsig, Forces)'만 예측합니다.
  • 시간 변화 (time-varying) 가 있는 동적 시나리오나 비균일 풍장 (spatially heterogeneous winds) 에 대한 일반화 연구가 필요합니다.
  • 해안가에서의 고주파수 수치적 노이즈에 대한 모델의 '부드러운 예측' 성향이 실제 물리적 현상과 어떻게 조화될지에 대한 추가적인 물리적 해석이 필요합니다.

이 연구는 연안 공학 분야에서 데이터 기반 신경 연산자 (Neural Operator) 방법론의 실용성을 입증하고, 전통적인 수치 모델의 계산 비용을 획기적으로 줄일 수 있는 새로운 패러다임을 제시했습니다.