기술 요약: SHM-Agents

문제 제기

구조물 건전성 모니터링 (SHM) 분야에서 기존 전문 알고리즘은 효과적이지만, 높은 구현 장벽, 제한된 상호 운용성, 복잡한 훈련 절차로 인해 어려움을 겪고 있습니다. 사용자는 일반적으로 호환되지 않는 인터페이스를 가진 여러 독립적인 알고리즘 모듈을 이해하고 운영해야 하는 파편화된 워크플로우에 직면합니다. 이로 인해 데이터 준비, 모델 훈련, 추론 배포, 수동 워크플로우 조정 등에 상당한 시간 투자가 필요합니다. 또한, 대규모 언어 모델 (LLM) 은 자연어 이해에서 뛰어난 능력을 입증했지만, 주로 텍스트 기반 출력을 생성한다는 본질적 한계로 인해 복잡한 공학 작업을 독립적으로 수행할 수 없습니다. 현재 SHM 시스템은 자연어 명령과 전문 알고리즘 실행을 원활하게 연결하는 통합 솔루션이 부족합니다.

방법론

이러한 과제를 해결하기 위해 저자들은 SHM-Agents를 제안합니다. 이는 일반 LLM 의 추론 및 계획 능력을 활용하면서 전문 SHM 알고리즘의 문제 해결 강점을 통합한 일반 - 전문 통합 에이전트 시스템입니다.

시스템 아키텍처

아키텍처는 모듈식으로 구성되어 있으며, 세 가지 주요 구성 요소로 이루어져 있습니다:

1. 프로세스 에이전트 노드: 이 노드들은 워크플로우를 조정합니다.
   • 아키텍처 노드: 사용자 입력과 알고리즘 세부 사항을 기반으로 작업 실행 계획을 생성합니다.
   • 할당 노드: 계획을 평가하고, 기술 노드를 위한 구체적인 명령을 수립하며, 실행을 모니터링하고, "할당 - 실행 - 피드백 - 재할당" 메커니즘을 통해 오류 수정을 처리합니다.
   • 요약 노드: 대화를 캡슐화하고, 실행 흐름과 결과를 요약하여 사용자에게 최종 피드백을 제공합니다.
2. 기술 에이전트 노드: 이 노드들은 전용 알고리즘을 사용하여 특정 SHM 작업을 수행합니다. 현재 시스템에는 데이터 이상 진단, 모달 식별, 차량 하중 모델링, 피로 계산, 신뢰성 계산, Q&A 를 위한 RAG 등 여덟 가지 전문 노드와 신호 처리나 분포 적합과 같은 사용자 정의 작업을 위해 Python 코드를 작성하고 실행할 수 있는 "기타 노드"가 포함되어 있습니다.
3. 글로벌 모듈: 이들은 시스템 상태와 데이터 무결성을 관리합니다.
   • 알고리즘 모듈: LLM 에 의한 정확한 호출을 보장하기 위해 전문 알고리즘의 입력/출력 사양을 저장합니다.
   • 데이터 모듈: 실행 중 생성된 변수를 관리하여 노드 간 정확한 데이터 전송 및 형식 변환을 보장합니다.
   • 구성 모듈: 유한 요소 모델, 심층 학습 알고리즘을 위한 최적 매개변수, 데이터베이스 세부 사항 등 교량별 구성을 처리합니다. 자동 사전 훈련 및 구성 생성을 지원합니다.
   • 메모리 모듈: 대화 기록과 맥락을 유지하기 위해 문맥적 대화 정보를 저장합니다.

워크플로우

시스템은 "아키텍처 - 할당 - 실행 - 요약" 워크플로우로 작동합니다. 자연어 명령 (및 선택적 데이터) 을 받으면 아키텍처 노드가 계획을 수립합니다. 할당 노드는 이를 하위 작업으로 분해하여 적절한 기술 노드에 할당합니다. 오류가 발생하면 할당 노드가 명령을 재생성하려고 시도하며, 해결할 수 없는 경우 사용자에게 보고합니다. 마지막으로 요약 노드가 결과를 집계합니다.

주요 기여

본 논문은 네 가지 주요 기여를 제시합니다:

1. 시스템 아키텍처: LLM 을 지능형 코어로 통합하고 전문 SHM 알고리즘과 결합한 SHM-Agents 개발로, 자체 피드백 조절 메커니즘을 통해 복잡한 작업을 조직하고 실행하는 강력한 능력을 입증했습니다.
2. 엔드 투 엔드 실행: 자연어 상호작용을 통해 단일 또는 결합된 SHM 작업을 실행할 수 있는 능력입니다. 시스템은 인간의 개입 없이 심층 모델 사전 훈련을 지원하여 전문 알고리즘 배포를 크게 단순화합니다.
3. 모듈식 관리: 다양한 알고리즘을 관리하는 알고리즘 모듈과 정확한 변수 전송을 보장하는 데이터 모듈을 도입하여 도구 호출을 정확하게 지원합니다.
4. 확장성: 시스템은 높은 확장성을 위해 설계되어, 핵심 시스템을 개편하지 않고도 추가 작업을 해결하기 위해 새로운 에이전트 노드를 신속하게 추가할 수 있습니다.

실험 결과

시스템은 중국의 장대 현수교에서 평가되었습니다. 실험은 시스템이 개별적으로 또는 결합하여 다양한 작업을 정확하고 효율적으로 수행할 수 있음을 입증했습니다:

• 데이터 이상 진단 및 복구: 결손 데이터, 이상치 등의 이상을 성공적으로 감지하고 인접 시간대의 정렬 정보를 사용하여 데이터를 재구성했습니다.
• 신호 처리: "기타 노드"가 푸리에 변환 및 웨이블릿 변환을 수행하고 복잡한 시각화 요구 사항을 준수하도록 Python 코드를 자율적으로 생성 및 실행했습니다.
• 모달 식별: 재구성된 데이터에 대한 구조 모달 식별을 수행하여 모드 형상, 고유진동수, 감쇠비를 성공적으로 식별했습니다.
• 장기 분석: 시간 간격에 따른 모달 매개변수의 장기적 변화를 분석했습니다.
• 신뢰성 평가: 부식 모델을 포함하여 현재 상태 및 향후 10 년 간의 예측 추세를 위한 구조 신뢰성과 고장 확률을 계산했습니다.
• 피로 추정: WIM 데이터에서 생성된 차량 하중을 기반으로 피로 손상을 계산했습니다.
• 구조 응답 계산: PyAnsys 를 사용하여 동적 차량 하중 하에서의 중앙 지점 변위를 계산했습니다.
• 지식 Q&A: 업로드된 문서를 기반으로 교량 재료 및 사양에 대한 특정 질문에 답변하기 위해 검색 증강 생성 (RAG) 노드를 활용했습니다.

중요성 및 주장

본 논문은 SHM-Agents 가 SHM 워크플로우를 간소화하는 중요한 단계라고 주장합니다. LLM 을 전문 알고리즘과 통합함으로써 에이전트 구축의 복잡성을 줄이고 고급 SHM 도구 사용의 진입 장벽을 낮춥니다. 이를 통해 비전문가도 자연어를 통해 복잡하고 다단계인 공학 분석을 수행할 수 있게 됩니다.

저자들은 시스템이 매우 효과적이지만, 문제 해결 정확도는 기반 LLM(예: GPT-4o) 의 능력과 직접적으로 상관관계가 있으며, 운영 정확도는 95% 이상이지만 100% 는 아니라고 지적합니다. 또한, 결과의 궁극적 품질은 기반 전문 알고리즘의 성능에 달려 있습니다. 논문은 일부 계획된 알고리즘(예: 시각적 표면 손상 감지, 디지털 트윈 시뮬레이션) 이 아직 구현되지 않았지만, 모듈식 아키텍처를 통해 지속적으로 추가할 수 있어 향후 확장을 위한 유연한 경로를 제공한다고 결론지었습니다.