Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

댐이나 수로를 타고 쏟아지는 물은 엄청난 힘을 실어 나릅니다. 만약 이 고속의 흐름이 경고 없이 아래쪽 강바닥에 부딪힌다면, 그것은 마치 끊임없이 몰아치는 모래 분사기처럼 작용하여 깊은 구멍을 파내고 물을 가두고 있는 구조물 자체를 위협할 수 있습니다. 이러한 파괴를 방지하기 위해 엔지니어들은 이러한 구조물 하단에 '감세지(stilling basin)'라고 알려진 특정한 수조를 건설합니다. 감세지의 역할은 물이 하류로 계속 흘러가기 전에 안전하게 속도를 줄이고 에너지를 잃도록 강제하는 것입니다. 이는 고속의 얇은 물 층이 갑자기 더 깊고 느린 수조로 충돌하는 '도수 현상(hydraulic jump)'이라는 혼란스럽고 요동치는 사건을 통해 일어납니다. 목표는 그 파괴적인 에너지를 가능한 한 많이 소산시키는 것입니다. 그러나 여기에는 함정이 있습니다. 에너지를 분산시키는 바로 그 난류가 강바닥을 깎아내거나 파내는 현상(scour) 또한 유발한다는 점입니다. 엔지니어들은 물의 힘을 멈추면서도 기초가 무너질 정도로 깊은 구멍을 파내지 않는 설계를 하기 위해 오랫동안 어려운 균형 잡기에 직면해 왔습니다.

수십 년 동안 이러한 감세지에 대한 완벽한 형태를 찾는 것은 시행착오나 실험실에서의 물리적 모델링, 또는 단 하나의 설계를 위해 며칠씩 걸릴 수 있는 복잡한 컴퓨터 시뮬레이션에 의존하는 것을 의미했습니다. 그러나 새로운 연구는 이 퍼즐을 더 빠르고 똑똑하게 해결할 수 있는 방법을 제시합니다. 노던 테크니컬 대학교(Northern Technical University)와 칼스타드 대학교(Karlstad University)의 연구진은 실제 실험 데이터와 인공지능을 결합하여 단 몇 분 만에 최적의 설계를 찾아내는 방법을 개발했습니다. 수천 번의 느린 컴퓨터 시뮬레이션을 실행하거나 추측하는 대신, 그들은 실제 측정값을 학습하도록 디지털 두뇌를 훈련시켰습니다. 그런 다음 이 시스템은 강력한 탐색 알고리즘을 사용하여 수천 개의 잠재적 설계를 탐색함으로써, 물의 에너지를 멈추는 것과 강바닥을 보호하는 것 사이의 완벽한 절충점을 빠르게 식별해 냈습니다.

연구팀은 먼저 과학자들이 서로 다른 감세지 설정에서 물이 어떻게 행동하는지 이미 테스트한 두 개의 별도 피어 리뷰(peer-reviewed) 연구로부터 고품질의 데이터를 수집하는 것으로 시작했습니다. 그들은 물의 깊이, 속도, 감세지의 길이, 그리고 흐름을 방해하기 위해 감세지 내부에 배치된 작은 블록(배플, baffles)의 높이의 특정 조합을 나타내는 80개의 뚜렷한 데이터 포인트를 수집했습니다. 이 블록들은 물을 분쇄하고 속도를 늦추는 데 필요한 난류를 만드는 데 도움을 주기 때문에 매우 중요합니다. 연구진은 이 실제 데이터를 인간의 뇌를 모델로 한 유형의 컴퓨터 프로그램인 인공 신경망에 입력했습니다. 이 프로그램은 복잡한 정보 속에서 패턴을 찾아내는 데 탁월합니다. 그들은 이 디지털 모델이 두 가지, 즉 물이 얼마나 많은 에너지를 잃는지(효율)와 강바닥이 얼마나 깊게 파이는지(세굴 깊이)를 예측하도록 가르쳤습니다. 모델은 매우 잘 학습하여 새로운 설계의 결과를 95% 이상의 정확도로 예측할 수 있었으며, 이러한 정밀도는 값비싼 물리적 테스트나 느린 컴퓨터 시뮬레이션을 대체할 수 있는 신뢰할 수 있는 수준이었습니다.

디지털 모델이 훈련된 후, 연구진은 최적의 설계를 찾는 문제에 모델을 투입했습니다. 그들은 컴퓨터에게 고전적인 갈등 과제를 부여했습니다. 즉, 에너지 손실을 극대화하는 동시에 구멍을 파는 것은 최소화하라는 것이었습니다. 현실 세계에서는 이 두 가지를 동시에 가질 수 없습니다. 보통 물이 더 많은 에너지를 잃게 만들수록 구멍은 더 깊게 파이게 됩니다. 이를 해결하기 위해 그들은 이러한 상충하는 목표를 다루기 위해 특별히 설계된 NSGA-II라는 알고리즘을 사용했습니다. 이 알고리즘은 단 하나의 답을 주는 대신, 각각 고유한 절충안을 나타내는 123개의 서로 다른 설계 목록을 생성했습니다. 어떤 설계는 에너지 차단에는 매우 뛰어나지만 구멍을 약간 더 깊게 남겼고, 또 다른 설계는 강바닥에는 부드럽지만 물의 힘을 멈추는 데는 효과가 덜했습니다. '파레토 프런트(Pareto front)'라고 알려진 이 선택지 모음은 엔지니어들에게 강요된 단일 솔루션 대신 메뉴 형태의 선택권을 제공하여, 그들의 특정 요구 사항에 가장 잘 맞는 설계를 선택할 수 있게 해줍니다.

연구는 '최적의 절충안'으로서의 특정 설계를 식별했는데, 이는 절충 곡선의 딱 중간에 위치하는 솔루션입니다. 이 이상적인 설정에서 물은 0.064미터의 깊이와 초당 0.812미터의 속도로 감세지로 들어옵니다. 감세 자체는 약 1.004미터 길이며, 내부의 배플은 0.036미터 높이입니다. 이 특정 구성은 51.10%의 물 에너지를 소산시키면서 세굴 깊이를 단 0.005미터로 유지합니다. 연구진은 또한 어떤 요인이 가장 중요한지도 발견했습니다. 그들은 유입되는 물의 속도가 에너지 손실의 가장 큰 동인임을 발견했습니다. 즉, 속도를 변화시키는 것은 에너지 소산량에 막대한 영향을 미쳤습니다. 반대로, 배플의 높이는 강바닥이 얼마나 깊게 파이는지를 조절하는 데 가장 결정적인 요소였습니다. 이 두 변수를 조정함으로써, 엔지니어들은 침식으로부터의 안전을 우선시할지 아니면 최대 에너지 감소를 우선시할지 미세하게 조정할 수 있습니다.

이 연구의 가장 중요한 성과는 이러한 결과가 달성된 놀라운 속도입니다. 과거에는 상세한 전산 유체 역학(CFD) 시뮬레이션을 사용하여 이러한 설계를 최적화하는 데 며칠 또는 몇 주가 걸릴 수 있었습니다. 실제 데이터로 훈련된 인공지능 모델을 사용함으로써, 연구진은 신뢰성을 확보하기 위한 10번의 별도 실행을 포함한 전체 최적화 과정을 총 25분 만에 완료했습니다. 이러한 극적인 시간 단축은 엔지니어들이 이제 계산적 한계에 얽매이지 않고 훨씬 더 넓은 범위의 가능성을 탐색하고 더 나은 솔루션을 찾을 수 있음을 의미합니다. 연구는 특정 결과가 테스트된 조건 범위 내에서만 유효하다는 점을 명시하고 있지만, 방법론 자체는 강력한 새로운 도구입니다. 이는 실제 실험 데이터와 스마트한 알고리즘을 결합함으로써 복잡한 수리학적 문제를 효율적으로 해결할 수 있으며, 우리의 강과 도시를 보호하는 구조물이 정밀함과 실용성을 모두 갖추도록 설계될 수 있음을 입증합니다.