Parameter optimization, shaking table test, and intelligent response prediction of adjacent structures connected by viscous dampers

두 개의 높은 건물이 도심 속에서 바로 옆에 붙어 있다고 상상해 보십시오. 지진으로 인해 땅이 흔들리기 시작할 때, 이 건물들은 단순히 흔들리는 것이 아니라 각자 고유한 리듬에 맞춰 춤을 춥니다. 만약 한 건물이 높고 단단한 반면 이웃한 건물은 더 낮고 유연하다면, 두 건물은 서로 박자가 맞지 않게 움직일 수 있습니다. 이는 마치 두 명의 무용수가 함께 움직이려 하지만 서로의 발을 밟아 고통스러운 충돌을 일으키는 것과 같으며, 이는 두 구조물 모두에 손상을 줄 수 있는 "타격(pounding)" 현상으로 이어질 수 있습니다. 엔지니어들은 건물 사이에 거대한 첨단 자동차 댐퍼와 같은 충격 흡수 장치를 추가하는 것이 건물들이 조화롭게 움직이고 흔들림 에너지를 흡수하는 데 도움이 된다는 것을 오래전부터 알고 있었습니다. 하지만 까다로운 점은 바로 이 댐퍼를 정확히 어디에 배치하고 얼마나 강하게 설정해야 하는지를 결정하는 것이라는 거대한 퍼즐입니다. 만약 예측이 틀린다면, 댐퍼는 전혀 도움이 되지 않거나 오히려 상황을 악화시킬 수도 있습니다. 이것이 바로 연구자들이 직면한 과제입니다. 즉, 지진 발생 시 인접한 건물들이 안전하고 안정적으로 유지될 수 있도록 이 "지진 충격 흡수기"를 어떻게 완벽하게 튜닝할 것인가 하는 문제입니다.

이 연구에서 푸저우 대학교(Fuzhou University)의 연구팀은 초지능형 컴퓨터 수학, 물리 실험, 그리고 인공지능을 결합하여 이 퍼즐을 풀기로 했습니다. 그들은 먼저 두 개의 인접한 타워(하나는 15층, 다른 하나는 7층)의 디지털 트윈을 구축한 다음, "유전 알고리즘"(수천 개의 무작위 댐퍼 설정을 시도하고 가장 좋은 것만을 남기는 디지털 진화 과정이라고 생각하면 됩니다)을 사용하여 완벽한 레시피를 찾아냈습니다. 그들은 댐퍼를 특정 층에 배치하고 그 강도를 조절함으로써 건물의 흔들림을 크게 줄일 수 있다는 것을 발견했습니다. 컴퓨터 수학이 단지 환상이 아님을 증명하기 위해, 연구진은 이 타워들의 1/20 축소 모델을 제작하여 실험실의 거대한 진동대(shaking table) 위에서 테스트했습니다. 결과는 유망했습니다. 실제 모델은 컴퓨터가 예측한 것과 거의 똑같이 작동했으며, 댐퍼를 추가함으로써 주 타워의 상부 흔들림은 최대 35%, 작은 타워의 상부 흔들림은 거의 49%까지 줄였습니다.

하지만 연구진은 여기서 멈추지 않았습니다. 그들은 새로운 지진이 발생할 때마다 복잡한 컴퓨터 시뮬레이션을 실행하는 것이 실제 응급 상황에서는 너무 느리다는 점을 깨달았습니다. 그래서 그들은 "지능형" 컴퓨터 뇌(신경망)를 학습시켜 순식간에 건물의 반응을 예측할 수 있도록 했습니다. 실험 데이터를 통해 이 AI에게 수천 가지의 시나리오를 학습시킨 결과, 건물들의 최대 흔들림과 휘청거림을 92% 이상의 정확도로 거의 즉각적으로 예측할 수 있는 모델을 만들어냈습니다. 이들의 연구는 여러 곳에 설치된 댐퍼를 사용하는 것이 단일 댐퍼보다 효과적이며, 이러한 최적화, 물리적 테스트, AI 예측의 스마트한 조합이 지진 발생 시 도시를 더욱 안전하고 견고하게 지키는 강력한 방법이 될 수 있음을 시사합니다.

디지털 진화와 물리적 테스트

연구진은 크기가 다른 두 건물(15층 "주 구조물"과 7층 "부 구조물")을 점성 댐퍼로 연결하는 문제에 접근했습니다. 그들은 단순히 댐퍼를 배치할 위치를 추측하는 것만으로는 충분하지 않다는 것을 알고 있었습니다. 대신, 그들은 MATLAB(수학 소프트웨어)과 SAP2000(구조 공학 프로그램)을 결합한 정교한 시스템을 구축했습니다. 그들은 자연 선택과 유사하게 작동하는 **유전 알고리즘(GA)**을 사용했습니다. 수천 개의 무작위 댐퍼 배치 아이디어와 강도를 생성하는 컴퓨터를 상상해 보십시오. 그런 다음 이 아이디어들을 가상 세계에서 "테스트"합니다. 흔들림을 가장 많이 줄여주는, 즉 가장 잘 작동하는 아이디어들이 선택되어 다음 라운드를 위해 더 나은 아이디어를 만들기 위해 "교배"됩니다. 이 과정은 컴퓨터가 최적의 설정을 찾을 때까지 반복됩니다.

그들은 두 가지 주요 시나리오를 테스트했습니다:

1. ASVD-1: 단일 세트의 댐퍼를 사용하는 시스템.
2. ASVD-2: 서로 다른 위치에 두 세트의 댐퍼를 배치하는 시스템.

컴퓨터는 연구 대상인 특정 타워의 경우, 최적의 단일 댐퍼 위치는 7층이었으며, 최적의 이중 댐퍼 설정은 1층과 7층에 배치하는 것이라고 결정했습니다. 최적의 "강도"(감쇠 계수)는 지진의 유형에 따라 260 Ns/mm에서 340 Ns/mm 사이로 다양했습니다.

실제 세계의 흔들림

컴퓨터가 꿈만 꾸고 있는 것이 아님을 증명하기 위해, 연구팀은 물리적 모델을 제작했습니다. 그들은 마이크로 콘크리트 전단벽과 구리 프레임을 사용하여 실제 건물의 1/20 크기로 축소된 15층 주 타워와 7층 부 구조물을 건설했습니다. 이 모델을 실제 지진을 시뮬레이션할 수 있는 거대한 진동대 위에 설치했습니다. 그들은 El Centro, San Fernando, SHW2라는 세 가지 유명한 지진 기록을 사용하여 모델을 테스트했습니다.

진동대에서의 결과는 큰 성공이었습니다. 물리적 모델의 거동은 컴퓨터의 예측과 놀라울 정도로 일치했습니다. 실제 모델의 "진동 주파수"는 컴퓨터 모델과 5% 미만의 차이를 보였으며, 실제 흔들림 반응(층이 얼마나 움직였는지)은 시뮬레이션과 10% 이내의 오차를 보였습니다. 이를 통해 연구진은 자신들의 디지털 최적화 방법이 신뢰할 수 있다는 높은 확신을 얻었습니다.

댐퍼가 없는 건물과 비교했을 때 개선 효과는 명확했습니다:

• El Centro 지진 발생 시: 단일 댐퍼 시스템(ASVD-1)은 주 타워의 상부 변위(displacement)를 27.33%, 가속도(acceleration)를 24.01% 감소시켰습니다. 이중 댐퍼 시스템(ASVD-2)은 더 뛰어난 성능을 보였는데, 변위를 35.69%, 가속도를 26. 원대로 줄였습니다. 작은 타워의 경우, 이중 댐퍼 설정을 통해 변위가 거의 49%까지 감소하는 더 큰 효과를 보았습니다.
• San Fernando 지진 발생 시: 이중 댐퍼 시스템은 주 타워의 변위를 47.68%, 가속도를 19.14% 감소시켰습니다.
• SHW2 지진 발생 시: 이중 댐퍼 시스템은 주 타워의 변위를 22.19%, 가속도를 20.03% 감소시켰습니다.

데이터는 일관되게 **ASVD-2 (이중 댐퍼 설정)**가 승자임을 보여주었습니다. 이는 단일 댐퍼 설정보다 주 구조물과 부 구조물 모두에 대해 더 나은 제어력을 제공하며, 댐퍼를 서로 다른 층(예: 모델의 경우 1층과 7층)에 분산 배치하는 것이 건물이 흔들림에 맞서 싸우는 데 더 효과적임을 시사합니다.

수정 구슬: AI 예측

유전 알고리즘이 최적의 설정을 찾아냈지만, 새로운 지진 시나리오가 발생할 때마다 저 복잡한 시뮬레이션을 실행하는 것은 시간이 너무 많이 걸립니다. 속도를 높이기 위해 연구진은 SSA-BP 신경망을 구축했습니다. 이것을 실험과 시뮬레이션 데이터로 훈련된 "수정 구슬"이라고 생각하십시오.

그들은 원거리 파동, 근거리 파동, 펄스파를 포함한 100가지의 서로 다른 지진 기록과 다양한 댐퍼 설정을 담은 방대한 데이터셋을 이 AI 모델에 입력했습니다. AI는 네 가지 핵심 결과를 예측하도록 학습되었습니다:

1. 주 구조물의 최대 변위 (MSD).
2. 주 구조물의 최대 가속도 (MSA).
3. 부 구조물의 최대 변위 (SD).
4. 부 구조물의 최대 가속도 (SA).

결과는 인상적이었습니다. AI 모델은 훈련 및 테스트 데이터 모두에서 네 가지 결과 모두에 대해 결정 계수(R²) 0.92 이상을 달-성했습니다. 쉽게 말해, AI의 예측은 실제 결과와 매우 근접했으며 오차가 매우 적었다는 뜻입니다. 예를 들어, 주 구조물의 가속도를 예측하는 데 있어 평균 절대 백분율 오차(MAPE)는 약 8~9%였습니다. 이는 향-후 엔지니어들이 몇 시간 동안 무거운 컴퓨터 시뮬레이션을 돌릴 필요 없이, 이 AI 도구를 사용하여 댐퍼 시스템이 얼마나 잘 작동할지를 즉각적으로 예측할 수 있음을 의미합니다.

결론

이 연구는 인접한 건물들을 점성 댐퍼로 연결하는 것이 댐퍼를 올바른 위치에 배치하고 튜닝할 수 있다면 지진 피해를 줄이는 데 매우 효과적인 방법임을 시사합니다. 연구진은 유전 알고리즘을 사용하여 댐퍼의 위치와 강도를 최적화하는 것이 효과적이며, 전략적 위치(모델의 경우 1층과 7층)에 두 개의 댐퍼를 사용하는 것이 단 하나를 사용하는 것보다 우수하다는 것을 발견했습니다. 그들은 실제 진동대 테스트를 통해 이러한 발견을 검증하여 컴퓨터 모델의 정확성을 확인했습니다. 마지막으로, AI 모델이 이러한 결과로부터 학습하여 미래의 지진 반응을 빠르고 정확하게 예측할 수 있음을 입증함으로써, 더 안전하고 회복 탄력성 있는 도시 계획을 위한 유망한 도구를 제시했습니다.