기술 요약: 화재 방지 재료의 물리 기반 및 대리 모델 보조 비용 최적화

1. 문제 정의

화재 조건 하에서 강재 요소의 구조적 무결성은 건축 안전에 매우 중요하지만, 기존의 수동적 화재 방지(Passive Fire Protection, PFP) 설계 방법론은 종종 비효율적이다. 현재의 관행은 제조업체 카탈로그로부터 규정된 제품을 선택하는 방식에 의존하며, 이는 종종 재료 사용량이나 비용을 최소화하는 데 실패하여 과도하게 설계된 부품을 초래한다. 이러한 방법들은 다음과 같은 제약이 있다:

• 이산적 시장 가격: PFP 시장은 연속적인 비용-성능 곡선이 아닌 "양자화된" 가격 계층으로 운영되므로, 연속적인 최적화가 어렵다.
• 데이터 부족: 고충실도 실험 화재 테스트는 비용이 많이 들고 파괴적인 실험이므로, 견고한 머신러닝 모델 학습을 저해하는 희소한 데이터셋을 생성한다.
• 순방향 vs 역방향의 한계: 기존 도구들은 주로 "순방향 문제"(알려진 재료의 파손 시간 예측)를 해결하는 데 집중할 뿐, "역방향 문제"(최소 비용으로 안전 제약 조건을 충족하기 위한 최적의 재료 특성 식별)를 해결하지 못한다.
• 경제적 통합 결여: 이전의 최적화 프레임워크는 열물리적 성능이나 운영 비용에만 집중하며 실제 시장 경제를 무시하는 경우가 많았다.

2. 방법론

본 연구는 모듈형 유니버설 머신 러닝 컴파일러(Universal Machine Learning Compiler, UMLC)로 구현된 새로운 물리 기반 및 대리 모델 보조 역설계 프레임워크를 제안한다. 이 방법론은 세 가지 핵심 구성 요소를 통합한다:

A. 데이터 획득 및 "디지털 표현형(Digital Phenotype)" 생성

• 데이터셋: 2025년 DACH 지역(독일, 오스트리아, 스위스) 가격표에서 1,657개의 상업용 화재 방지 품목을 수집하였다. 구조적 관련성(보드, 슬래브, 매트)을 기준으로 필터링 및 정제 과정을 거쳐, 최종적으로 N=533개의 재료로 구성된 운용 데이터셋을 구축하였다.
• 재료 DNA: 열전도율 곡선의 데이터 희소성 문제를 해결하기 위해, 저자들은 유형 기반 다항식 보간법(Type-Based Polynomial Imputation) 전략을 개발하였다. 열전도율 $\lambda(T)$는 2차 다항식($\lambda(T) = k_2 T^2 + k_1 T + k_0$)으로 모델링된다. 데이터가 불완전한 재료의 경우, "형태"(곡률 계수 $k_1, k_2$)는 해당 화학적 계열로부터 전이시키고, 기초 계수($k_0$)는 가용한 단일 데이터 포인트에 고정시킨다. 이를 통해 각 재료에 대한 연속적인 "디지털 표현형"을 생성한다.

B. 대리 모델 비용 모델링

• 목적: 정적 조회 테이블에 의존하지 않고 물리적 기술자(descriptors)를 기반으로 시장 비용($C_{mat}$)을 예측하는 것이다.
• 모델 선택: 다양한 알고리즘(선형 회귀, SVM, MLP, Random Forest, XGBoost, CatBoost)을 비교하는 "모델 토너먼트"를 실시하였다. 표 형식의 데이터를 처리하는 성능이 우수하고 양자화된 가격 구조를 잘 다루는 CatBoost가 대리 모델 엔진으로 선정되었다 (중앙 제곱 오차 $\approx$ 180, $R^2 \approx$ 0.77).
• 특징(Features): 입력 벡터는 두께($d_p$), 밀도($\rho$), 그리고 세 가지 열전도율 계수($k_2, k_1, k_0$)를 포함한다.

C. 물리 기반 최적화 루프

• 물리 솔버: **Eurocode 3 (EN 1993-1-2)**를 준수하는 수치적 유한차분법(Finite Difference Method, FDM) 솔버를 사용하여 표준 ISO 834 화재 곡선 하에서의 강재 온도 진화를 계산한다. 이 솔버는 강재 온도가 180분(R180) 이내에 500°C를 초과하지 않아야 한다는 엄격한 안전 제약 조건을 적용한다.
• 최적화 알고리즘: **유전 알고리즘(Genetic Algorithm, GA)**은 다음의 복합 손실 함수를 최소화하기 위해 전역 휴리스틱 탐색을 수행한다:
  $$\mathcal{F}(G) = \frac{1}{Cost_{pred} + \mathcal{P}_{safety} + \mathcal{P}_{risk}}$$
• 불확실성 정량화: GA가 대리 모델의 "사각지대"를 악용하여(물리적으로 불가능한 재료를 환각하는 현상) 발생하는 문제를 방지하기 위해, 거리 기반 불확실성 정량화(Distance-Based Uncertainty Quantification, DUQ) 메커니즘을 구현하였다. K-최근접 이웃(KNN) 밀도 추정기를 사용하여, 경험적 훈련 매니폴드(manifold)를 벗어나는 해에는 페널티를 부여함으로써 생성된 "디지털 표현형"이 물리적으로 신뢰할 수 있도록 보장한다.

3. 주요 결과

본 프레임워크는 R180 화재 저항을 위한 전역 최적해를 성공적으로 식별하였다:

• 최적 구성: 두께 78.2 mm, 밀도 56.0 kg/m³의 미네랄 울 보드(mineral wool board).
• 열 성능: 수치적 검증 결과, 해당 솔루션은 180분 시점에서 강재 온도를 487.7°C 미만으로 유지하며, 12.3°C의 안전 마진을 제공함을 확인하였다.
• 경제적 성능: 예측된 시장 비용은 23 EUR/m²로, 적합한 상업적 대안들의 평균 비용보다 현저히 낮다.
• 비용 지형 위상(Cost Landscape Topology): 분석 결과, 비용 지형은 이산적인 가격 절벽과 평탄면(plateau)을 특징으로 하는 비볼록(non-convex) 및 양자화된 형태를 띠고 있었다. 이는 경사 하강법 기반 최적화 도구가 실패할 것임을 입증하며, 트리 기반 대리 모델과 진화적 탐색의 필요성을 정당화한다.
• 민감도 분석: 솔루션은 두께에 매우 민적(두께가 -3.5% 편차를 보이면 실패함)이지만, 밀도에는 놀라울 정도로 둔감하여, 최적화 도구가 열 저항을 저해하지 않으면서 비용을 줄이기 위해 밀도를 공격적으로 최소화할 수 있게 한다.

4. 의의 및 주장

본 논문은 이 연구를 규정된 재료 선택에서 자동화된 비용 중심의 재료 발견으로의 패러다임 전환으로 규정한다.

• 생성적 설계(Generative Design): 본 연구는 AI가 현재 제조업체 카탈로그에는 존재하지 않지만, 알려진 재료 계열(특히 산업용 암면) 내에서 물리적으로 실현 가능한 최적의 재료 구성("디지털 표현형")을 식별할 수 있음을 보여준다.
• 경제적 효율성 격차: 본 프레임워크는 표준화된 카탈로그 반올림 처리가 정확한 물리적 요구 사항과 비교했을 때 12~18%의 재료 감소를 초래한다는 "정밀도 이점(Precision Advantage)"을 밝혀냈다.
• 하이브리드 검증: 머신러닝을 "하드 시뮬레이션(Hard Simulation)" 물리 루프와 결적으로 결합함으로써, 순수 데이터 기반 모델의 "블랙박스" 한계를 극복하고 생성된 솔루션이 열역학적으로 타당하고 안전함을 보장한다.
• 데이터 기여: 저자들은 화재 공학 연구의 "데이터 기근(Data Starvation)" 병목 현상을 해결하기 위해 533개의 구조적 보호 재료 운용 데이터셋과 1,657개 항목의 원시 데이터셋을 공개한다.

저자들은 이 프레임워크가 토목 공학 분야의 역설계(inverse design)를 위한 확장 가능한 템플릿을 제공하며, 비용과 구조적 무결성이 자동화된 성능 기반 최적화를 통해 균형을 이루는 안전 솔루션을 발견할 수 있게 한다고 결론짓는다.