A Physics-Informed Hypoplasticity–Machine Learning Framework for Offshore Foundation Design: Comparative Insights from the German North Sea and the Peruvian Pacific Coast

기술 요약: 해양 기초 설계(Offshore Foundation Design)를 위한 물리 정보 기반 가소성-머신러닝 프레임워크

문제 정의
해양 기초 설계는 수백만 번의 하중 사이클 하에서 해양 토양의 강력한 비선형성, 속도 의존성 및 주기적 응답을 모델링해야 하는 증가하는 요구에 직면해 있다. 고전적인 탄소성 모델(예: Mohr-Coulomb, Hardening Soil)이 널리 사용되고 있으나, 해양 사질토 및 점토토에 내재된 응력-다일라턴시 결합(stress-dilatancy coupling)과 미소 변형률 강성 저하를 재현하는 데 어려움을 겪는 경우가 많다. 반대로, 머신러닝(ML)은 계산 속도와 패턴 인식 능력을 제공하지만, 순수 데이터 기반 모델은 훈련 범위를 벗어난 외삽 시 물리적 제약 조건(예: 열역학적 일관성)을 위반할 위험이 있다. 따라서 가소성 구성 법칙(hypoplastic constitutive laws)과 ML을 감사 가능한 파이프라인 내에서 명시적으로 결와하는 프레임워크, 특히 데이터가 풍부한 시장(예: 독일)의 성숙한 프레임워크를 데이터가 부족하고 지진 발생 가능성이 높은 신흥 시장(예: 페루)으로 어떻게 책임 있게 이전할 것인가에 대한 문헌상의 중요한 공백이 존재한다.

방법론
본 연구는 새로운 1차 현장 데이터를 보고하는 것이 아니라, 체계적인 문헌 검토 및 기술적 프레임워크 합성을 수행한다. 방법론은 세 가지 핵심 요소로 구성된다:

1. 물리 정보 기반 프레임워크 구축: 저자들은 물리적 핵심인 속도 유형 가소성 구성 법칙(사질토를 위한 von Wolffersdorff 정식화 및 점토를 위한 Mašín 모델을 사용하며, 주기적 하중을 위한 입간 간격 변형률(intergranular-strain) 개념을 확장 적용)을 사용하는 결합 아키텍처를 정의한다. ML 모듈은 이러한 보정된 모델에 의해 생성된 응력-변형률 경로를 학습하는 대리 모델(surrogate) 역할을 한다. 두 가지 결합 전략이 제안된다: 물리적 제약을 손실 함수(loss function)에 내재시키는 물리 인코딩 신경망(physics-encoded neural networks)과 해석 가능하며 희소 데이터에 강한 대리 모델이다.
2. 비교 매트릭스 개발: 독일(북해/발트해), 페루(태평양 연안), 미국(멕시코만/대서양)을 대상으로 기준별 비교를 위한 구조화된 기준-기준 비교 매트릭스가 구축되었다. 이 매트릭스는 지층 조건, 기초 유형, 설계 코드, 수치 환경 및 보고된 모델 성능에 관한 피어 리뷰 문헌 및 규제 표준의 데이터를 합성한다.
3. 예시 프로토콜 정의: 결합을 검증하기 위한 재현 가능한 계산 절차를 개설한다. 여기에는 합성 응력 경로 생성, 층화 k-겹 교차 검증(stratified k-fold cross-validation), 그리고 부트스트랩 신뢰 구간을 포함한 R², RMSE, MAE를 이용한 성능 평가가 포함된다.

주요 기여
본 논문은 해당 분야에 세 가지 구체적인 기여를 한다:

• 명시적 결합 아키텍처: 저자들은 구성 모델링의 방법론적 투명성에 대한 필요성을 해결하기 위해 검증 가능한 가소성-ML 결합 아키텍처와 통계적으로 방어 가능한 검증 프로토콜을 구성한다.
• 구조화된 비교 합성: 저자들은 검증되지 않은 주장을 배제하고 문서화된 자료만을 바탕으로 독일, 페루, 미국 간의 지반 공학적, 규제적, 기술적 조건을 엄격하게 비교한다.
• 기술 이전 로드맵: 본 논문은 독일의 해양 풍력 모델링 파이프라인을 페루에 적응시키기 위한 단계적 경로를 제시한다. 이 로드맵은 직접 전이 가능한 요소(수학적 정식화, 검증 프로토콜, p-y 곡선 생성 방법론)와 상당한 현지 재보정이 필요한 요소(현지 토양 데이터베이스, 지진 결합, 액상화 스크리닝)를 구분한다.

결과
비교 분석 결과, 공학적 제약과 모델링 성숙도에서 뚜렷한 차이가 드러났다:

• 독일: 치밀한 빙하 사질토와 단단한 점토토가 특징이며, 고급 가소성/ISA 모델 및 ML 대리 모델을 사용하는 성숙한 생태계를 보유하고 있다. 주요 제약 조건은 해양 풍력으로부터 발생하는 높은 주기적 하중이다.
• 페루: 느슨하거나 중간 밀도의 풍성/충적 사질토와 높은 지진 위험이 특징이다. 현재 관행은 주로 탄소성 모델(Mohr-Coulomb/Harding Soil)에 의존하고 있으며, 가소성 보정은 거의 이루어지지 않았다. 주요 제약 조건은 지진 액상화 가능성과 현지 특화 해양 지반 데이터베이스의 부재이다.
• 미국: 연약 점토와 석회질 사질토를 특징으로 하며, API 표준 및 BOEM 규정을 따르는 파일 잭킷(piled jackets)과 흡입 케이슨(suction caissons)이 혼재되어 있다.

합성은 독일의 가소성-ML 파이프라인의 수학적 핵심은 전이 가능하지만, 검토된 문헌 내 현지 특화 검증 데이터셋의 부재로 인해 페루 조건에서의 예측 성능은 아직 정량화할 수 없음을 확인한다. 본 연구는 페루 전용 지반 데이터베이스 및 지진-액상화 확장 기능과 같은 요소들이 현지 개발을 필요로 한다는 점을 명시적으로 언급한다.

의의 및 주장
본 논문은 새로운 실험적 증거의 검증이라기보다 "비판적 기술 프레임워크 및 비교 합성"으로서의 위치를 설정한다. 그 의의는 미발표된 1차 데이터를 합성 결과로 제시하는 것을 피하면서, 기술 이전을 위한 구조화된 출발점을 제공하는 데 있다.

저자들은 독일의 해양 가소성-ML 파이프라인의 수학적 및 방법론적 핵심이 페루에 적응할 수 있을 만큼 기술적으로 성숙하다고 주장한다. 그러나 모델의 효용성이 페루의 토양 및 지진 조건 하에서 어떻게 나타날지는 "열린 경험적 질문"이라고 언급하며 신중한 태도를 유지한다. 본 논문은 설계 단계의 적용을 위한 전제 조건이 모델의 대체물이 아닌 전용 현장 조사 및 보정 프로그램임을 결론짓는다. 제안된 로드맵은 독일의 전체 현장 조사 인프라를 즉각적으로 재현할 필요 없이 이러한 전환을 촉진하는 것을 목표로 한다.