GNN for Structural Displacement Prediction

기술 요약: 구조 변위 예측을 위한 그래프 신경망

문제 제기
외부 하중 하에서 구조 변위를 정확하게 예측하는 것은 구조물 건전성 모니터링 (SHM) 및 지진 안전성 평가에 필수적입니다. 유한요소법 (FEM) 은 물리적 엄밀성과 복잡한 형상을 모델링할 수 있는 능력으로 인해 업계 표준으로 남아 있지만, 높은 계산 비용과 광범위한 전처리 요구사항으로 인해 실시간 모니터링 및 여러 하중 사례를 신속하게 평가해야 하는 시나리오에서의 적용성이 제한됩니다. 머신러닝 (ML) 은 데이터 기반 대안을 제공하지만, 전통적인 신경망은 종종 구조 시스템에 내재된 위상적 관계를 포착하지 못합니다. 본 연구는 구조 변위 예측에 그래프 신경망 (GNN) 을 적용하는 데 있어 존재하는 간극을 해소하여, 정확한 구조 분석에 필요한 물리적 충실도와 계산 효율성 사이의 균형을 맞추는 모델 개발을 목표로 합니다.

방법론
본 연구는 구조 시스템을 그래프로 표현하는 데이터 기반 프레임워크를 제안하며, 여기서 조인트는 노드로, 구조 부재는 엣지로 모델링됩니다. 방법론은 다음 네 단계로 진행됩니다:

1. 데이터 생성: ANSYS MAPDL 시뮬레이션을 사용하여 2 층 프레임 구조에 대한 합성 데이터셋을 생성했습니다. 데이터셋에는 상층과 중층에 가해지는 다양한 수평 하중을 포함하는 500 개의 사례가 포함되어 있습니다. 재료 거동 (Q235 강재) 은 선형 탄성 및 비선형 소성 응답을 모두 포착하기 위해 다선형 등방성 경화 (MISO) 모델을 사용하여 모델링되었습니다. 항복 임계값은 선형 및 비선형 변형 영역을 구분하기 위해 포털 방법 (Portal Method) 을 사용하여 추정되었습니다.
2. 그래프 표현: 구조 프레임은 "조인트 우선 이분법 (joint-first bisection)" 방법을 사용하여 그래프로 변환되었습니다.
   • 노드: 구조 조인트 (단면 변화가 있는 위치 포함) 를 나타냅니다. 노드 특성에는 좌표, 경계 조건 플래그 (이동 및 회전에 대한 고정/자유), 적용된 노드 힘/모멘트, 그리고 강기둥 - 약보 (SCWB) 요구사항을 나타내는 스칼라 매개변수가 포함됩니다.
   • 엣지: 구조 부재 (보와 기둥) 를 나타냅니다. 엣지 특성에는 기하학적 특성 (길이, 사인/코사인을 통한 방향) 과 기계적 특성 (축 강성 $EA$, 휨 강성$EI$, 소성 단면 계수$Z$, 소성 모멘트 저항$M_p$) 이 포함됩니다. 하중 전달 방향성을 보존하기 위해 방향 플래그가 사용됩니다.
3. 모델 아키텍처: 제안된 GNN 은 엣지 조건부 메시지 전달 방식을 사용합니다 (PyTorch Geometric 의 NNConv 계층을 통해 구현됨).
   • 노드 특성은 숨겨진 공간으로 투영됩니다.
   • 연결된 노드 간에 메시지가 전달되며, 여기서 엣지 특성은 작은 다층 퍼셉트론 (EdgeNet) 을 통해 메시지 가중치를 동적으로 조절합니다. 이를 통해 모델은 부재 강성과 기하학에 적응할 수 있습니다.
   • 노드 임베딩은 3 개의 메시지 전달 계층을 통해 평균 집계 및 ReLU 활성화 함수를 사용하여 업데이트됩니다.
   • 최종 MLP 는 임베딩을 출력 (노드 변위 $U_x, U_y$ 및 회전 $R_z$) 으로 매핑합니다.
   • 손실 함수: 이중 목적 손실 함수가 사용됩니다. 고정된 노드에서의 0 이 아닌 편차에 대한 페널티를 부과하여 경계 조건을 엄격하게 강제하는 동시에, 고정되지 않은 노드에 대한 기준값 (ground truth) 에 대한 평균 제곱 오차 (MSE) 를 최소화합니다.
4. 비교 기준: 비교를 위해 동일한 데이터셋으로 기존 신경망 (NN) 을 훈련했습니다. 이 NN 은 구조 위상이나 부재 특성을 명시적으로 인코딩하지 않고 적용된 힘만을 입력으로 받습니다.

주요 결과
모델은 2,000 개의 데이터 포인트로 구성된 테스트 세트 (85% 훈련, 15% 테스트 분할) 에서 평가되었습니다. 정확도는 허용 오차 기반 기준 (선형 사례의 경우 변위 ±0.01 mm 및 회전 ±0.001°, 비선형 사례의 경우 더 넓은 허용 오차 적용) 을 사용하여 측정되었습니다.

• 선형 변형: GNN 은 전체 테스트 정확도 **86.56%**를 달성하여 **59.33%**를 기록한 기존 NN 을 크게 능가했습니다. GNN 은 수평 변위와 회전 모두를 높은 충실도로 예측하는 반면, NN 은 특히 회전 응답에서 어려움을 겪었습니다.
• 비선형 변형: 비선형 영역 (항복 후) 에서 GNN 은 **95.88%**의 전체 테스트 정확도로 견고한 성능을 유지했습니다. 큰 소성 변형을 겪는 노드 (노드 3 및 6) 에 대한 예측 오차는 증가했지만, 모델은 이러한 노드에서도 80% 를 초과하는 정확도를 유지했습니다. 반면, NN 의 성능은 비선형 범위에서 크게 저하되어 전체 정확도가 **27.55%**까지 떨어졌습니다.
• 물리적 일관성: GNN 은 부재 특성과 전체 구조 응답 간의 관계를 성공적으로 학습하여 물리적 연결성을 유지했습니다. 구조적 인코딩이 부재된 NN 은 특히 비선형 거동이 존재할 때 보지 못한 하중 조합에 효과적으로 일반화하지 못했습니다.

의의 및 주장
저자들은 본 연구가 구조 공학 분야에서 GNN 적용에 대한 예비적이지만 중요한 기여를 제공한다고 주장합니다. 주요 의의는 GNN 이 구조 변위 예측을 위한 FEM 의 효율적인 대리 모델로 기능할 수 있음을 입증하는 데 있습니다. 구조 위상과 기계적 특성을 명시적으로 인코딩함으로써 GNN 은 순수한 데이터 기반 힘 - 응답 매핑보다 하중 전달의 근본적인 물리를 더 효과적으로 포착합니다.

본 논문은 제안된 프레임워크가 실시간 구조물 건전성 모니터링 및 의사결정 지원 시스템과 같은 신속한 추론이 필요한 응용 분야에 특히 적합한 전통적인 FEM 기반 분석에 대한 빠르고 효율적인 대안을 제공한다고 주장합니다. 연구는 GNN 이 강력한 잠재력을 보이지만 여전히 예비 조사 단계에 있음을 결론지었습니다. 저자들은 향후 더 복잡한 구조물의 확장성을 평가하고, 층간 변위 및 손상 지수 등 추가 지표에 대한 다중 작업 학습을 탐구하며, 합성 시뮬레이션 데이터가 아닌 실험 데이터를 사용하여 접근 방식을 검증하는 추가 작업이 필요하다고 겸손하게 언급합니다.