⚡ electrical engineering

A physics-guided graph neural network for interpretable multiscale modelling of concrete properties

이 논문은 콘크리트의 계층적 구조를 모델링하여 경쟁력 있는 다중 물성 강도 예측을 달성하는 동시에 다규모 재료 거동에 대한 해석 가능하고 물리적으로 규제된 통찰력을 제공하는 물리 가이드 그래프 신경망인 HiCon-GNN을 소개한다.

원저자: Ye Li, Fangying Wang

게시일 2026-07-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ye Li, Fangying Wang

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 밀가루, 설탕, 달걀, 베이킹파우더라는 재료 목록만 보고 케이크의 강도를 예측하려고 한다고 상상해 보세요. 대부분의 컴퓨터 프로그램은 이 케이크를 거대한, 평평한 숫자의 수프처럼 취급하여 이 작업을 수행하려 합니다. 그들은 "설탕이 많으면 보통 더 달콤하니까, 아마 더 강해지겠지?"라고 말합니다. 하지만 현실 세계는 수프가 아닙니다. 케이크는 층층이 쌓인 걸작입니다. 반죽(페이스트)이 빵가루(모래)를 결합시키고, 이 전체가 구조물로 구워지는데, 이때 빵가루와 반죽 사이의 경계면이 약점이 됩니다. 만약 그 층들을 무시하고 단순히 재료 목록만 본다면, 그 부품들이 실제로 어떻게 맞물리는지에 대한 마법을 놓치게 됩니다.

이것이 과학자들이 콘크리트에서 직면하는 문제입니다. 콘크리트는 단순히 시멘트와 돌의 혼합물이 아니라 계층 구조를 가집니다. 그것은 끈적한 페이스트에서 시작하여, 모래와 섞여 모르타르가 되고, 마지막으로 큰 돌들이 추가되어 최종적인 콘크리트가 됩니다. 돌과 모르타르가 맞닿는 곳을 '계면 전이대(Interfacial Transition Zones, ITZs)'라고 부르며, 이곳은 종종 균열이 시작되는 가장 약한 고리가 됩니다. 오랫동안 콘크리트 강도를 예측하려는 컴퓨터들은 이러한 층 구조를 무시하고, 재료를 평평하고 무질서한 숫자의 벡터로 취급해 왔습니다. 하지만 만약 우리가 제빵사가 케이크를 보는 것처럼 컴퓨터에게 그 층들을 볼 수 있도록 가르칠 수 있다면 어떨까요? 이것이 바로 이 연구가 다루는 핵심 질문입니다: 우리는 콘크리트의 '양파 껍질 같은 층'을 이해하여 강도를 더 잘 예측할 수 있는 스마트한 컴퓨터 모델을 만들 수 있을까요?

여기에 연구자 Ye Li와 Fangying Wang이 설계한 콘크리트를 위한 새로운 종류의 '스마트한 두뇌', HiCon-GNN이 등장합니다. 이 모델을 단순한 계산기가 아니라, 컴퓨터 내부에 콘크리트로 된 미니어처 보이지 않는 도시를 건설하는 디지털 건축가라고 생각해보세요. 이 모델은 단순히 재료 목록을 읽는 대신, 점과 선으로 이루어진 '그래프' 즉, 지도를 구축합니다. 점들은 서로 다른 부분들(페이스트, 모래, 돌)을 나타내고, 선들은 그것들이 서로 어떻게 맞닿아 있는지를 나타냅니다.

여기 흥미로운 점이 있습니다. 이 모델은 '물리 법칙에 기반(physics-guided)'하여 작동합니다. 단순히 추측하는 것이 아니라, 콘크리트가 실제로 작동하는 규칙을 따릅니다. 모델은 페이스트는 접착제이고, 모래는 강성을 높이며, 돌은 부피를 키우지만 동시에 약한 경계면을 만든다는 것을 알고 있습니다. 모델에는 각 층을 위한 특별한 '하위 모델'이 있습니다. 먼저, 페이스트의 강도를 파악합니다. 그다음, 이를 이용해 모르타르의 강도를 파악합니다. 마지막으로, 돌이 모르타르 안에 어떻게 놓여 있는지를 살펴보고 전체 콘크리트 블록의 강도를 계산합니다. 이는 지식의 탑을 쌓는 것과 같습니다. 기초가 얼마나 튼튼한지 알기 전에는 최상층이 얼마나 튼튼한지 알 수 없는 것과 마찬가지입니다.

연구진은 이 디지털 건축가를 13,170개의 실제 세계 콘크리트 기록이 담긴 방대한 라이브러리로 훈련시켰습니다. 이 기록들은 지저분하고 불완전했습니다. 어떤 것은 페이스트에 대한 데이터가 있고, 어떤 것은 돌에 대한 데이터가 있으며, 양생 온도에 대한 데이터가 있는 것도 있고, 많은 부분이 누락되어 있었습니다. 하지만 HiCon-GNN은 영리합니다. 이 모델은 '마스크 인식(mask-aware)' 능력을 갖추고 있어, "아, 돌의 크기를 알려주지 않았나요? 괜찮습니다, 다른 단서들로부터 학습하면 됩니다"라고 말하며 데이터를 버리는 대신 활용합니다.

결과는 인상적입니다. 새로운 콘크리트 레시피를 대상으로 테스트했을 때, HiCon-GNN은 압축 강도(무게를 견디다 으스러지는 정도)를 0.953이라는 매우 높은 정확도( $R^2$ )로 예측했습니다. 또한 인장 강도(잡아당길 때 견디는 힘)와 휨 강도(구부릴 때 견디는 힘)에 대해서도 각각 0.887과 0.926의 점수를 기록했습니다. 층 구조를 무시하는 표준 컴퓨터 모델(구조를 보지 못하는 'structure-blind' 신경망)과 비교했을 때, HiCon-GNN은 압축에서는 19%, 인장에서는 5%, 휨에서는 **16%**의 예측 오차를 줄였습니다.

하지만 진짜 마법은 점수뿐만이 아닙니다. 바로 모델이 제공하는 '엑스레이 비전'입니다. 모델은 층을 구축하기 때문에, 내부에서 무슨 일이 일어나고 있는지에 대해 모델이 '생각'하는 바를 보여줄 수 있습니다. 모델은 페이스트가 실제로 가장 강한 부분이고, 모래 때문에 모르타르가 약간 더 약하며, 최종 콘크리트는 암석의 경계면 때문에 가장 약하다는 것을 밝혀냈습니다. 심지어 그 약한 경계면(ITZ)의 두께를 추정하여, 보통 약 10.83 마이크로미터 정도이며 균열이 생기기 쉬운 다공성 약한 구역 역할을 한다는 것도 찾아냈습니다.

모델은 또한 초고성능 콘크리트(UHPC)와 같이 큰 돌이 거의 없는 매우 높은 강도의 콘크리트의 경우, '약한 경계면'에 의한 페널티가 사라지며 콘크리트 강도가 모르타르 강도와 거의 동일해진다는 사실도 알아냈습니다. 이는 실제 물리 법칙과 완벽하게 일치합니다.

연구진은 이러한 내부 수치들(예를 들어 추정된 공극률이나 경계면 두께)이 콘크리트 과학의 규칙을 따르는 물리적으로 매우 타당한 '가설'이지, 현미경을 통한 직접적인 측정값은 아니라는 점을 주의 깊게 명시했습니다. 이는 마치 아주 똑똑한 형사가 모든 단서를 바탕으로 범죄 현장에서 일어난 일에 대해 세운 이론과 같습니다. 100% 확신하기 위해서는 여전히 현미경으로 직접 확인해야 합니다. 그러나 모델의 내부 논리가 우리가 알고 있는 콘크리트의 작동 방식과 완벽하게 일치한다는 사실은, 이 모델이 재료의 '언어'를 진정으로 학습했음을 시사합니다.

요약하자면, 이 논문은 컴퓨터에게 단순히 재료 목록을 보여주는 것이 아니라 콘크리트의 층을 보는 법을 가르칠 때, 컴퓨터가 단순히 숫자를 맞히는 것을 넘어 재료의 이야기를 이해하기 시작한다는 것을 보여줍니다. 이는 원시 데이터와 물리적 실재 사이의 간극을 메우며, 엔지니어들이 실험실에서 수천 번의 배합 테스트를 거치지 않고도 더 강하고 안전하며 효율적인 콘크리트를 설계할 수 있도록 돕는 도구를 제공합니다. 이는 우리가 페이스트, 모래, 돌이 어떻게 함께 어우러져 우리의 교량과 건물을 지탱할지 정확히 알면서, 컴퓨터 상에서 완벽한 콘크리트 배합을 설계할 수 있는 미래를 향한 한 걸음입니다.

기술 요약: 콘크리트 물성의 해석 가능한 다중 스케일 모델링을 위한 물리 가이드형 그래프 신경망

문제 정의
콘크리트는 화학적, 미세구조적, 메조스케일 공정이 결합되어 거시적 성능이 발현되는 계층적 복합 재료이다. 콘크리트 물성을 예측하는 기존의 머신러닝 접근 방식은 일반적으로 혼합물 기술자(descriptor)를 "평면적인(flat)" 벡터로 표현한다. 이러한 평면적 모델은 훈련 분포 내에서는 통계적으로 효과적이지만, 역학적으로는 불완전하다. 즉, 페이스트(paste), 모르타르(mortar), 계면 전이대(ITZ), 골재 토폴로지를 명시적으로 표현하지 못하며, 스케일별 재료 필드에 접근할 수 없다. 또한, 이 분야의 대부분의 물리 정보 기반 접근 방식은 물리적 제약을 단일 출력이나 스케일에만 부착하여, 콘크리트 고유의 계층 구조를 모델 외부로 남겨둔다. 따라서 콘크리트의 계층성과 불균질성을 유지하면서도 데이터 기반 학습과 호환되어 해석 가능한 다중 물성 예측을 지원할 수 있는 표현 방식이 필요하다.

방법론: HiCon-GNN
저자들은 결합된 프록시 그래프(proxy graphs)를 사용하여 페이스트–모르타르–ITZ–콘크리트 계층 구조를 모사하는 물리 가이드형 아키텍처인 HiCon-GNN(Hierarchical Multiscale Concrete Graph Neural Network)을 제안한다.

그래프 표현: 모델은 혼합물 및 입도 기술자를 통해 생성된 두 개의 결합된 대표 체적 요소(RVE) 프록시 그래프를 활용한다:
- 모르타르 스케일 그래프: 접촉 에지를 통해 모래와 페이스트 영역을 연결한다.
- 콘크리트 스케일 그래프: 굵은 골재와 모르타르 영역을 골재-모르타르, 모르타르-모르타르, 골재-골재 에지를 통해 연결한다. 골재-모르타르 에지는 ITZ 정보를 담는다.
아키텍처 및 흐름: 정보는 재료 조립 순서에 따라 네 개의 결합된 서브모델을 통해 흐른다:
1. 페이스트 서브모델: 바인더 화학 성분, 물 함량, 양생을 매핑하여 페이스트 수준의 물성을 도출하며, 이는 모르타르 그래프의 페이스트 노드를 채운다.
2. 모르타르 SubGNN: 모래-페이스트 그래프 상에서 메시지 패싱을 수행하여 모르타르 물성을 예측하며, 이때 페이스트 상태와 모래-페이스트 토폴로지를 통합한다.
3. ITZ 서브모델: 혼합물 및 에지 기하학을 기반으로 각 골재-모르타르 에지의 계면 특성(두께, 공극률, 강도, 탄성계수)을 예측한다.
4. 콘크리트 메조스케일 GNN: 콘크리트 그래프 상에서 정보를 전파하여 충진(packing), 모르타르 분포, ITZ 연결성에 대한 전역적 표현을 형성한다.
물리 가이드 메커니즘:
- 마스크 인식 인코더(Mask-Aware Encoders): 불완전한 문헌 기록을 보존하기 위해, 구조적으로 부재하는 특징(예: 모르타르 내 굵은 골재)과 누락된 데이터를 구분하고, 결측값에 대해 학습된 임베딩을 사용한다.
- 소프트 물리적 사전 지식(Soft Physical Priors): 고정된 경험적 계수 대신, 손실 함수에 소프트 정규화를 적용한다. 여기에는 Abrams 유형의 물-결합제(w/b) 강도 경향, ITZ 약한 고리(weak-link) 거동(ITZ 강도 $\le$ 모르타르 강도), 그리고 교차 물성 일관성(인장/휨 vs 압축)이 포함된다.
- 용량 기반 헤드(Capacity-Based Heads): 강도 출력은 단순한 무제약 회귀가 아니라 공유된 다중 스케일 표현으로부터 유도된다. 예측된 모르타르 강도는 기본 용량이 되며, 인터페이스 품질과 메조스케일 토폴로지를 고려하는 학습된 효율 계수( $\eta_{ITZ}$ , $\eta_{matrix}$ )에 의해 수정된다.
훈련: 모델은 13,170개의 레코드를 사용하여 가중치 다중 작업 손실(weighted multi-task loss)로 훈련되었으며, 이는 사용 가능한 라벨(콘크리트, 모르타르, 페이스트, ITZ)에 대한 지도 학습 손실과 물리적 정규화 항을 결합한다.

주요 기여

계층적 표현: 결합된 그래프 신경망을 적용하여 페이스트–모르타르–ITZ–콘크리트 계층 구조를 명시적으로 인코딩함으로써, 중간 잠재 상태를 물리적으로 정규화된 가설로서 검사할 수 있게 한 첫 번째 사례이다.
다중 물성 예측: 단일 결합 프레임워크 내에서 압축, 인장, 휨 강도를 공동 예측하며, 별도의 모델 없이도 이러한 모드 간의 일관성을 유지한다.
잠재 상태를 통한 해석 가능성: 모델은 중간 양(페이스트/모르타르 강도, 공극률, ITZ 두께/강도)을 출력하여 기대되는 물리적 계층 구조(예: 페이스트 > 모르타르 > 콘크리트 강도; 페이스트 > 모르타르 > 콘크리트 공극률)를 회복하며, 이는 구조를 알지 못하는 모델에서는 불가능한 내부 일관성 검사를 제공한다.
용량 분해: 프레임워크는 최종 강도를 기본 모르타르 용량과 인터페이스 약점 및 메조스케일 충진의 기여를 격리하는 곱셈적 효율 계수로 분해한다.

결과
13,170개의 이질적인 데이터베이스로 훈련된 HiCon-GNN은 강력한 구조 무관(structure-blind) 베이스라인(Tabular ANN, Random Forest, Gradient Boosting, SVM, Decision Tree, GEP)과 대등한 성능을 보였다:

예측 정확도: 홀드아웃 테스트 데이터에서 HiCon-GNN은 $R^2$ 값 0.953(압축), 0.887(인장), 0.926(휨)을 달성했다.
오차 감소: 매칭된 tabular ANN과 비교했을 때, HiCon-GNN은 RMSE를 압축에서 19%, 인장에서 5%, 휨에서 16% 감소시켰다. 타겟별 앙상블 모델(예: Random Forest)이 개별 타겟에 대해 약간 더 정확할 수 있으나, HiCon-GNN은 단일 모델 내에서 모든 출력에 대해 전문가 수준에 근접한 정확도를 유지했다.
안정성: 다섯 번의 독립적인 무작위 데이터 분할에 대해 성능이 안정적이었으며, 압축 강도 $R^2$ 변동폭은 $\pm 0.004$ 에 불과했다.
물리적 일관성:
- 모델은 강도 계층 구조를 올바르게 회복했다: 중앙값 예측 압축 강도는 콘크리트(48.75 MPa)에서 모르타르(59.24 MPa), 페이스트(96.97 MPa)로 증가했다.
- 공극률은 역순 계층(페이스트 > 모르타르 > 콘크리트)을 따랐으며, ITZ 공극률은 주변 매트릭스보다 일관되게 높았다.
- ITZ 효율 계수( $\eta_{ITZ}$ )는 ITZ 두께와 강한 상관관계를 보였으며, 이는 모델이 ITZ의 "약한 고리" 거동을 학습했음을 확인시켜 준다.
- 인장 및 휨 예측은 고정된 방정식을 강요받지 않고도 경험적 참조(CEB-FIP, fib MC2010, ACI)의 추세를 준수했다.

의의 및 주장
본 논문은 HiCon-GNN의 주요 가치가 단순히 예측 정확도를 넘어선다고 주장한다. 물리적 계층 구조를 유도 편향(inductive bias)으로 부과함으로써, 모델은 콘크리트 역학에 부합하는 표현을 학습한다.

메커니즘적 검사: 중간 잠재 상태는 "물리적으로 정규화된 내부 감사" 역할을 한다. 이는 학습된 표현을 페이스트 공극률, ITZ 두께, 결합 강도에 대한 테스트 가능한 가설로 전환하며, 이는 향후 실험 데이터와 대조하여 검증될 수 있다.
설계 유용성: 이 프레임워크는 단순한 "블랙박스" 예측기가 아닌 구조화된 대리 모델(surrogate)로서 데이터 기반 콘크리트 설계를 위한 경로를 제공한다. 이는 모르타르 강도가 지배적인 참조 스케일인 반면, 인터페이스 제어 약점과 메조스케일 토폴로지가 제한 요인으로 작용함을 식별한다.
한계 및 범위: 저자들은 생성된 RVE가 측정된 미세구조가 아닌 토폴로지 프록시이며, 잠재 양들이 교정된 측정값이 아닌 일관성 검사라는 점을 겸허히 언급한다. 미지의 화학 성분이나 희귀 영역(예: 순환 골재)에 대한 일반화 능력은 특정 데이터나 더 강한 사전 지식 없이는 불확실하다. 그러나 본 프레임워크는 측정된 미세구조 그래프를 통합하거나 수화 모델과 결론할 수 있도록 확장 가능하게 설계되었다.

요약하자면, HiCon-GNN은 계층적이고 물리 가이드된 그래프 모델이 물리적 해석 가능성을 갖춘 구조화된 경로를 통해 바인더 화학에서 거시적 강도에 이르는 과정을 노출하면서, 경쟁력 있는 다중 물성 예측을 달 수 있음을 보여준다.

유사한 논문