AI-Enabled Structural Health Monitoring with Piezoelectric Sensors

구조물 건전성 모니터링(Structural health monitoring)은 현대 세계를 지탱하는 교량, 항공기, 건물들을 지속적이고 조용하게 감시하는 관행입니다. 엔지니어들은 균열이 치명적인 실패로 이어지기를 기다리는 대신, 센서를 사용하여 인간의 눈이 포착할 수 있는 시점보다 훨씬 이전에 미세한 이상 징징을 감지하기 위해 노력합니다. 이러한 '듣기'를 위한 가장 효과적인 도구 중 하나는 압전 트랜스듀서(piezoelectric transducer)라고 불리는 특수한 세라믹 재료입니다. 이 작고 납작한 패치들은 스피커와 마이크의 역할을 동시에 수행할 수 있는 독특한 능력을 갖추고 있습니다. 이 패치에 아주 작은 전기 펄스를 보내면, 패치는 진동하며 부착된 금속을 통해 기계적 파동을 보냅니다. 만약 금속이 건강하다면 그 파동은 매끄럽게 전달됩니다. 하지만 균열이나 결함이 있다면 파동은 튕겨 나가거나, 흩어지거나, 속도가 변하게 되며, 센서는 이렇게 변형된 신호를 포착합니다. 신호가 어떻게 변하는지를 분석함으로써, 엔지니어들은 구조물이 손상되었는지, 그리고 손상이 어디에 위치해 있는지를 결정할 수 있습니다.

최근 인도 벵갈루루에 위치한 M S 라마이아 응용과학대학교(M S Ramaiah University of Applied Sciences)의 샤샹크 파다살라기(Shashank Padasalagi)와 하르시타 파와르(Harshitha Pawar) 연구진은 컴퓨터 시뮬레이션과 인공지능을 결합하여 이 과정을 더욱 스마트하게 만드는 방법을 탐구했습니다. 그들은 많은 경량 구조물의 공통적인 구성 요소인 단순한 알루미늄 보(beam)에 초점을 맞추어, 압전 센서로부터 오는 전기 신호만을 보고도 컴퓨터가 균열을 찾아낼 수 있도록 가르칠 수 있는지 확인했습니다. 연구팀은 이 특정 실험을 위해 실험실에서 물리적인 보를 직접 제작하지 않았습니다. 대신, 강력한 시뮬레이션 소프트웨어 내부에 보의 매우 정밀한 '디지털 트윈(digital twin)'을 생성했습니다. 이 가상 환경 덕분에 그들은 디지털 보의 여러 지점에 균열을 배치할 수 있었고, 각 위치에 따른 전기 신호의 변화를 정확하게 기록할 수 있었습니다.

연구진은 먼저 길이가 200밀리미터인 직사각형 알루미늄 보를 모델링했습니다. 그들은 신호를 보내는 액추에이터(actuator) 역할을 할 작은 압전 패치 하나와, 신호를 듣는 역할을 할 또 다른 패치 하나를 특정 지점에 부착했습니다. 그런 다음 디지털 보에 시뮬레이션된 균열을 도입하여, 보의 길이를 따라 20밀리미터에서 180밀리미터까지 단계별로 이동시키며 균열을 배치했습니다. 총 33개의 위치에서 각각의 시뮬레이션을 실행하여 시간에 따른 전기 전압이 어떻게 변동하는지 관찰했습니다. 이 복잡하고 변화하는 파형으로부터, 연구진은 피크(peak)의 높이나 신호의 도착 속도와 같이 신호의 형태와 타이밍을 설명하는 6가지 특정 수치를 추출했습니다. 4개의 서로 다른 청취 지점에서 얻은 데이터를 결합하여, 모든 균열 위치에 대한 상세한 '지문(fingerprint)'을 만들어냈습니다.

이러한 디지털 지문 라이브러리를 확보한 후, 연구팀은 컴퓨터가 패턴을 학습할 수 있는지 확인하기 위해 머신러닝을 활용했습니다. 그들은 작업을 두 가지 과제로 나누었습니다. 첫째는 보가 건강한 상태인지 균열이 있는 상태인지를 단순히 결정하는 것이고, 둘째는 균열이 정확히 어디에 있는지 추측하는 것이었습니다. 첫 번째 과제를 위해, 그들은 '건강한' 신호와 '균열이 있는' 신호 사이의 경계를 긋는 법을 배우는 분류 도구를 사용했습니다. 컴퓨터를 훈련시키기 위한 건강한 사례 세트를 만들기 위해, 연구진은 균열이 있는 신호 중 하나를 가져와 수학적으로 약간 수정하고, 무작위 노이즈를 추가하거나 타이밍을 이동시켜 완벽한 상태의 보를 시뮬레이션했습니다. 그 후, 건강한 신호로 시작하여 갑자기 균열이 있는 신호로 전환되는 데이터 시퀀스를 대상으로 시스템을 테스트했습니다. 컴퓨터는 신호가 변하는 즉시 경보를 울리며 손상이 나타난 순간을 성공적으로 식별해 냈으며, 이는 연속적인 모니터링 타임라인에서도 이 개념이 작동할 수 있음을 입증했습니다.

두 번째 과제인 균열 위치를 찾기 위해, 연구진은 확신도(confidence)가 포함된 예측을 설계하도록 만들어진 다른 유형의 머신러닝 모델을 사용했습니다. 이 모델은 오직 균열이 있는 보의 데이터로만 학습되었으며, 신호 특징을 바탕으로 균열의 위치를 추측하도록 요청받았습니다. 결과에 따르면 컴퓨터는 일반적으로 균열의 위치를 따라가는 경향을 보였으나, 완벽하게 정밀하지는 않았습니다. 모델은 평균 25.09밀리미터의 오차를 가지고 위치를 추정했습니다. 이 수치가 큰 오차처럼 들릴 수도 있지만, 시스템은 단일한, 어쩌면 틀릴 수도 있는 추측 대신 가능한 위치의 범위를 제공함으로써 자신의 불확실성에 대해 정직하게 반응했습니다. 또한 연구진은 데이터를 시각화하여 서로 다른 균열 위치에서 나오는 신호들이 실제로 뚜렷한 그룹을 형성한다는 것을 보여주었으며, 이를 통해 균열이 보에 고유한 서명을 남긴다는 점을 확인했습니다.

연구진은 자신들의 연구 결과를 최종적인 완성형 솔루션이 아닌 하나의 '개념 증명(proof of concept)'으로 규정하며 주의를 기울였습니다. 그들은 '건강한' 데이터가 실제 손상되지 않은 보에서 온 것이 아니라 균열 시뮬레이션으로부터 인위적으로 생성되었다는 점을 지적했으며, 이는 결과에 대한 신뢰도를 제한할 수 있다고 언급했습니다. 더욱이 전체 데이터셋이 실제 금속과 실제 센서가 아닌 컴퓨터 모델로부터 나왔다는 점도 명시했습니다. 이러한 한계에도 불구하고, 이 연구는 명확한 발전 방향을 제시합니다. 이는 금속을 통해 파동이 전달되는 물리 법칙과 인공지능의 패턴 인식 능력을 결래함으로써, 손상을 감지하고 위치를 찾아내는 시스템을 구축할 수 있음을 보여줍니다. 이 연구는 더 많은 데이터, 실제 환경에서의 테스트, 그리고 정교한 모델이 뒷받 수반된다면, 이 접근 방식이 결국 엔지니어들이 육안으로 확인하기 전에 문제를 포착하여 인프라를 안전하게 유지하는 데 도움을 줄 수 있음을 시사합니다.