⚡ electrical engineering

Cyber-Physical Seismic Resilience: Integrating Digital Twins and Machine Learning for Performance-Based Earthquake Engineering of CLT and Masonry Structures in High-Seismicity Regions — Lessons from the USA, Japan, and Proposals for Peru

본 연구는 미국 및 일본의 관행을 벤치마킹하여 불확실성 감소를 위한 새로운 분석 도구를 도입하고 건설 단계의 모델링과 실시간 운영 모니터링 사이의 간극을 메움으로써, 페루 내 구조용 교차 적층 목재(CLT) 및 조적조 구조물의 지진 회복력을 향상시키기 위해 디지털 트윈과 머신러닝을 통합한 혁신적인 성능 기반 지진 공학 프레임워크를 제안한다.

원저자: PAUL RICARDO PRUDENCIO GALVEZ

게시일 2026-06-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: PAUL RICARDO PRUDENCIO GALVEZ

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 페루처럼 지면이 격렬하게 흔들리는 곳에서 집을 짓고 있다고 상상해 보십시오. 오랫동안 건설업자들은 집이 무너지지 않도록 하기 위해 엄격한 "레시피 북"(규정 기반 규칙)을 따라왔습니다. 하지만 이 논문은 우리가 단순히 레시피를 따르는 것이 아니라, 건물의 실제 거동으로부터 배우는 더 스마트한 접근 방식인 "성능 기반(performance-based)" 시스템이 필요하다고 주장합니다.

다음은 이 논문의 핵심 아이디어를 쉬운 개념과 비유로 풀어낸 내용입니다.

1. 문제점: "레시피 북" vs "실시간 조종사"

페루는 매우 활발한 판 위에 위치해 있어 지진이 끊임없이 위협이 됩니다. 현재 이 나라는 CLT(교차 적층 목재)(강력하게 접착된 목재 패널)와 같은 신기술 소재나, 구속 조적조(콘크리트 프레임이 있는 벽돌 벽)를 어떻게 가장 잘 사용할지에 대한 내용을 반영하지 못하는 오래된 건축 규칙에 의존하고 있습니다.

미국이나 일본 같은 나라들은 이미 "디지털 트윈"과 "머신러닝"을 사용하여 건물이 지진에서 어떻게 살아남을지 예측하는 단계로 넘어갔습니다. 이 논문은 페루가 단순히 추측하는 것을 멈추고, 더 안전하고 스마트한 구조물을 만들기 위해 데이터를 사용하기 시작해야 한다고 주장합니다.

2. 해결책: "디지털 트윈" (건물의 그림자)

논문은 **디지털 트윈(Digital Twin)**이라는 개념을 소개합니다.

비유: 건물이 클라우드 상에 떠 있는 완벽하고 투명한 "그림자"를 가지고 있다고 상상해 보십시오. 이 그림자는 실제 건물과 똑같이 생긴 컴퓨터 모델입니다.
작동 원리: 실제 건물이 지어지는 동안, 그리고 그 이후 건물이 그 자리에 있는 동안, 미세한 센서들(건물을 위한 피트니스 트래커 같은 것)이 그림자로 데이터를 보냅니다. 실제 건물이 흔들리면 그림자도 흔들립니다. 나사가 느슨해지면 그림자도 즉시 알게 됩니다.
"건설 단계"의 반전: 저자는 건물이 제조되는 동안 이 "그림자"를 시작할 것을 제안합니다. 센서를 공장에서 목재 패널이 나오기 전부터 내부에 삽emic(매립)하는 것입니다. 이를 통해 건물이 완성된 후에 무엇인지 추측하려 애쓰는 대신, 첫날부터 그림자가 실제 건물에 완벽하게 맞춰지도록 보장합니다.

3. 두뇌: 머신러닝 (초지능형 조수)

디지털 트윈은 데이터를 해석할 두뇌가 없다면 무용지물입니다. 바로 여기서 **머신러닝(ML)**이 등장합니다.

비유: 머신러닝을 건물의 거동에 관한 수백만 권의 책을 읽은 초스마트한 조수라고 생각하십시오.
역할: 매번 진동이 있을 때마다 느리고 비용이 많이 드는 컴퓨터 시뮬레이션을 실행하는 대신, 이 조수는 "랜덤 포레스트(Random Forest)"(일종의 AI)를 사용하여 건물이 얼마나 흔들릴지 즉각적으로 예측합니다. 이는 마치 일반적인 국가 전체의 예보를 기다리는 대신, 당신의 특정 동네에 비가 얼마나 내릴지 즉시 알려주는 기상 예보관을 두는 것과 같습니다.
결과: 이 논문은 이 AI가 건물 움직임을 94% 이상의 정확도로 예측할 수 있다고 주장하며, 이는 엄청난 도약입니다.

4. 새로운 규칙: "성적표" 업데이트하기

논문은 기존의 위험 계산 방식을 대체하거나 업그레이드하기 위해 네 가지 구체적인 새로운 공식을 제안합니다.

공식 1: "불확실성 할인"
- 기존 방식: 건물이 정확히 어떻게 행동할지 확신할 수 없기 때문에 최악의 시나리오를 가정하며, 이로 인해 피해 비용을 과다하게 산정합니다.
- 새로운 방식: 디지털 트윈이 더 많은 실제 데이터를 수집함에 따라 AI의 확신도도 높아집니다. 논문은 우리가 더 많이 배울수록 예상 피해 비용을 낮추는 요소(αML)를 도입합니다. 이는 마치 안전 운전자임을 증명하여 자동차 보험료 할인을 받는 것과 같습니다.
공식 2: "로킹 월(Rocking Wall)"의 균형
- 지진 중에 약간 흔들리도록 설계된 목조(CLT) 건물(바람에 흔들리는 나무처럼)을 위해, AI는 금속 연결 부위가 어떻게 마모되는지 또는 케이블의 장력이 어떻게 변하는지를 고려하여 수학적 계산을 지속적으로 업데이트합니다.
공식 3: "진동 건강 검진"
- 의사가 심장 박동을 듣는 것처럼, 디지털 트윈은 건물의 자연스러운 진동 소리를 듣습니다. 만약 진동의 음조(pitch)가 변한다면, AI는 눈으로 보이지 않더라도 건물이 손상되었음을 알아냅니다.
공식 4: "빨리감기" 예측기
- 복잡한 지진 시뮬레이션을 실행하는 데 몇 시간을 기다리는 대신, AI는 건물의 층별로 얼마나 심한 흔들림이 있을지에 대해 즉각적인 답을 줍니다.

5. 페루를 위한 로드맵

이 논문은 꿈만 꾸는 것이 아니라, 페루를 위한 단계별 계획을 제시합니다.

1~2년 차: 데이터베이스 구축. 50개 이상의 목재 연결 부위를 테스트하고 리마(Lima)와 쿠스코(Cusco) 같은 페루 도시들에 특화된 수천 번의 컴퓨터 시뮬레이션을 실행합니다.
2~3년 차: 파일럿 프로젝트 구축. 리마에 센서가 벽면에 매립된 6층 규모의 목조 건물을 건설하여 "디지털 트윈" 시스템을 테스트합니다.
3~5년 차: 시스템을 다른 지역의 벽돌(조적) 건물로 확장하고, 페루 엔지니어들을 위한 무료 오픈 소스 소프트웨어 플랫폼을 만듭니다.
5년 차 이후: 국가 건축 법규(NTP E.030)를 업데이트하여 이러한 데이터 기반 방식들을 공식적으로 포함합니다.

결론

논문은 디지털 트윈(실시간 그림자)과 머신러닝(초스마트 두뇌)을 결합함으로써, 페루가 지진 피해에 대한 불확실성을 최대 **35%**까지 줄일 수 있다고 결론짓습니다. 이는 더 나은 투자 결정, 더 안전한 건물, 그리고 시대에 뒤떨어진 규칙에서 벗어나 건물이 엔지니어에게 안전을 위해 "말을 거는" 미래로 나아가는 것을 의미합니다.

기술 요약: 페루의 사이버-물리적 지진 회복력 (Cyber-Physical Seismic Resilience)

문제 정의

페루는 나스카 판과 남미 판의 수렴 지점에 위치하여 2007년 피스코(Pisco, Mw 8.0) 및 1970년 안카슈(Ancash, Mw 7.9) 지진과 같은 역사적 사건에서 입증되었듯 심각한 지진 취약성에 직면해 있다. 이러한 높은 위험성에도 불구하고, 페루의 건설 부문은 성능 기반 지진 공학(PBEE) 프레임워크가 결여된 규정 중심 설계 방법론(NTP E.030/E.090)에 의해 제약을 받고 있다. 교차 적층 목재(CLT)와 구속 조적조(Confined Masonry)는 지진 회복력을 위한 잠재력을 가지고 있으나, 실시간 모니터링, 실험 데이터베이스 및 규제 조항의 부재로 인해 페루 내 도입이 저해되고 있다. 더욱이, 고비용의 비선형 시계열 해석(NLTHA)에 대한 의존성으로 인해 PBEE로의 전환이 계산적으로 매우 까격하며, 손실 추정의 인식론적 불확실성을 줄이기 위해 디지털 트윈(DT)과 머신러닝(ML)을 통합하는 데 있어 상당한 격차가 존재한다.

방법론

본 연구는 표준화된 공학 연구 합성 가이드라인을 따르는 **체계적 문헌 고찰(Systematic Literature Review)**을 채택하였다. 과정은 다음 네 단계로 진행되었다:

식별(Identification): Scopus 및 Web of Science에서 디지털 트윈, 머신러닝, CLT, 조적조, 지진/PBEE 관련 용어를 사용하여 불리언 검색을 수행하여 412개의 레코드를 확보하였다.
스크리닝 및 적격성 검토(Screening & Eligibility): 중복 항목을 제거하고 제목 및 초록을 검토한 후, 84개의 레코드를 평가하였다.
포함(Inclusion): CLT 또는 조적조에 대한 지진 중심의 DT/ML 적용에 초점을 맞춘 38개의 고영향력 연구를 데이터 추출 대상으로 선정하였다.

본 논문은 이러한 연구 결과들을 종합하여 글로벌 관행(미국, 일본)을 페루의 현실과 벤치마킹하고, 새로운 현대화된 PBEE 프레임워크를 제안한다. 이 프레임워크는 빌딩 정보 모델링(BIM)과 운영 단계의 구조물 건강 모니터링(SHM)을 연결하는 건설 단계 디지털 트윈(CP-DT) 아키텍처를 통합한다.

주요 기여 및 제안된 프레임워크

본 논문은 CP-DT를 중심으로 하며 네 가지 구체적인 기술 혁신을 포함하는, 페루에 특화된 현대화된 PBEE 프레임워크를 소개한다:

ML 강화 기대 연간 손실(EAL):
표준 FEMA P-58 손실 적분은 ML 유도 불확실성 감소 계수인 $\alpha_{ML}$ (여기서 $\alpha_{ML} \in (0, 1]$ )로 보강된다. 디지털 트윈이 센서 데이터를 축적함에 따라, $\alpha_{ML}$ 은 랜덤 포레스트(Random Forest) 모델에 의해 지속적으로 보정되어, 과다하게 산정된 기준치로부터 인식론적 불확실성을 줄이고 추정된 EAL을 낮춘다.
- 공식: $EAL_{DT} = \int_0^\infty [\sum P(DS_j | EDP) \cdot C_j] \cdot \alpha_{ML} \cdot d\lambda(IM)$
CLT 로킹 벽체를 위한 운동학적 정식화:
포스트 텐셔닝(PT) 및 에너지 소산 장치가 적용된 CLT 로킹 벽체의 복원 모멘트 정식화는 DT를 통해 업데이트된다. DT는 변형률 게이지(strain gauge) 데이터에 대한 ML 회귀를 사용하여 장기 프리스트레스 손실( $T_{pt,0}$ )과 피로 영향을 받는 항복력( $F_{hd,y}$ )을 업데이트함으로써, 모델이 "준공된(as-built)" 물리적 실체를 반영하도록 보장한다.
주파수 기반 손상 지수( $DI_{CLT}$ ):
DT의 주변 진동(ambient vibration) 데이터를 사용하여 전역 구조물 손상 지수를 계산한다. 이는 확률적 부분 공간 식별(Stochastic Subspace Identification, SSI)을 통해 도출된 고유 진동수를 이론적 BIM 진동수와 비교한다.
- 공식: $DI_{CLT} = 1 - \frac{1}{N} \sum_{i=1}^N (\frac{f^n_{DT,i}}{f^n_{BIM,i}})^2 \cdot w_i$
- 척도: 0은 손상 없음, 1에 가까울수록 심각한 퇴보를 나타냄.
신속한 예측을 위한 랜덤 포레스트 대리 모델(Surrogate):
전체 NLTHA의 계산 비용을 우회하기 위해, 랜덤 포레스트(RF) 대리 모델이 지진 및 구조 파라미터(예: 스펙트럼 가속도, 주기, 질량비)를 최대 층간 변위비(MIDR)에 매핑한다. 이 모델은 페루의 지진 위험 조건에 특화된 5,000개 이상의 NLTHA 레코드로 구성된 합성 데이터베이스를 통해 학습되었다.

결과

성숙도 비교: 비교 매트릭스는 미국과 일본이 고도화된 PBEE 통합, 실시간 손실 추정 및 광범위한 실험 데이터베이스를 보유한 반면, 페루는 현재 PBEE나 DT 구현이 없는 기초적인 규정 중심 코드에 의존하고 있음을 보여준다.
모델 성능: 제안된 랜덤 포레스트 대리 모델은 MIDR 예측에 대한 교차 검증에서 결정 계수 $R^2 > 0.94$ 를 달성하여, 구조적 요구량을 예측하는 데 있어 높은 충실도를 입증하였다.
불확실성 감소: DT와 ML의 통합은 지진 손실 추정에서의 인식론적 불확실성을 최대 35%까지 감소시킬 것으로 예상된다.
이행 로드맵: 본 논문은 페루를 위한 4단계 로드맵을 제시한다:
- 1단계 (1~2년 차): 페루 CLT 지진 데이터베이스 구축 (50개 이상의 반복 실험, 5,000개 이상의 NLTH 레코드).
- 2단계 (2~3년 차): MEMS 센서가 내장된 리마(Lima) 소재 6층 CLT 건물에 CP-DT 파일럿 적용.
- 3단계 (3~5년 차): CP-DT를 구속 조적조로 확장하고 ETABS 및 OpenSees와 호환되는 오픈 소스 플랫폼 개발.
- 4단계 (5년 차 이후): 성능 기반 규정을 포함하도록 NTP E.030/E.090 개정에 기술적 근거 제공.

의의 및 주장

본 논문은 CLT 및 조적조를 위한 PBEE에 디지털 트윈과 머신러닝을 통합하는 것이 페루의 지진 위험 감소를 위한 즉각적인 이점을 가진 실질적으로 달성 가능한 목표라고 주장한다. 본 연구의 주요 의의는 다음과 같다:

격차 해소: 성숙한 시장(미국/일본)으로부터 페루의 맥락에 맞는 정량화된 격차 분석 및 구체적인 기술 이전 전략을 제공한다.
규제 현대화: 성능 기반 설계 및 디지털 모니터링 요구사항을 포함하도록 페루 규정(NTP E.030/E.090)을 업데이트하기 위한 기술적 토대를 제공한다.
경제적 효율성: DT-ML 통합을 통해 인식론적 불확실성을 줄이는 것이 더 정확하고 위험을 고려한 투자 결정을 이끌어내며, 이는 지진 취약성이 높고 자원이 제한적인 국가에 매우 중요하다는 점을 입증한다.
라이프사이클 보정: 제조 및 조립 단계부터 디지털 모델이 물리적 실체에 맞춰 보정되도록 하는 CP-DT 아키텍처를 확립한다.

본 연구는 이러한 접근 방식이 규정 준수라는 패러다임을 성능 기반 회복력으로 전환하여, 페루의 현지 자재, 건설 관행 및 경제적 제약 문제를 직접적으로 해결한다고 결론짓는다.