[논문 리뷰] Neural operator for structural simulation and bridge health monitoring

Chawit Kaewnuratchadasorn, Jiaji Wang외 1명|arXiv (Cornell University)|2023. 05. 13.

Infrastructure Maintenance and Monitoring인용 수 5

한 줄 요약

이 논문은 푸리에 신경 연산자 기반의 물리 기반 딥러닝 모델인 VINO(Vehicle-bridge Interaction Neural Operator)를 제안한다. 이는 빠르고 정확하며 종단 간(end-to-end) 구조적 시뮬레이션과 교량의 건강 모니터링을 가능하게 한다. 유한요소(VBI-FE) 및 실험(VBI-EXP) 데이터셋을 기반으로 훈련된 VINO는 FEM 대비 19배 이상 빠른 추론 속도를 기록하며, 실제 환경에서의 구조적 반응 예측과 손상 국소화/정량화를 정확히 수행한다.

ABSTRACT

Infusing deep learning with structural engineering has received widespread attention for both forward problems (structural simulation) and inverse problems (structural health monitoring). Based on Fourier Neural Operator, this study proposes VINO (Vehicle-bridge Interaction Neural Operator) to serve as the digital twin of bridge structures. VINO learns mappings between structural response fields and damage fields. In this study, VBI-FE dataset was established by running parametric finite element (FE) simulations considering a random distribution of structural initial damage field. Subsequently, VBI-EXP dataset was produced by conducting an experimental study under four damage scenarios. After VINO was pre-trained by VBI-FE and fine-tuned by VBI-EXP from the bridge at the healthy state, the model achieved the following two improvements. First, forward VINO can predict structural responses from damage field inputs more accurately than the FE model. Second, inverse VINO can determine, localize, and quantify damages in all scenarios, suggesting the practicality of data-driven approaches.

연구 동기 및 목표

• 실시간 시뮬레이션과 건강 모니터링을 가능하게 하는 데이터 기반 디지털 트윈 프레임워크를 개발하기 위해.
• 기존의 유한요소 모델링과 모델 기반 SHM의 한계를 해결하기 위해, 계산 비용이 높고 반복적인 업데이트가 필요한 문제를 해결하기 위해.
• 손상 분포에서의 구조적 반응 예측(정 문제, forward problem)과 센서 데이터에서의 손상 복원(역 문제, inverse problem)을 종단 간 예측할 수 있도록 하기 위해.
• 이행 학습을 통해 실험 데이터를 물리 기반 시뮬레이션과 통합함으로써 구조 건강 모니터링의 정확성과 속도를 향상시키기 위해.
• 다양한 손상 시나리오에서의 구조 성능 평가를 위한 확장 가능하고 일반화 가능한 딥러닝 모델을 구축하기 위해.

제안 방법

• 손상 분포에서 구조적 반응 분포로의 매핑을 학습하기 위해 푸리에 신경 연산자(Fourier Neural Operator, FNO) 기반의 신경 연산자인 VINO를 제안한다.
• 랜덤 초깃손상 분포를 가진 매개변수 기반 유한요소 시뮬레이션으로부터 생성된 합성 VBI-FE 데이터셋을 기반으로 VINO를 훈련한다.
• 실제 교량에서의 네 가지 손상 시나리오(DMG1–DMG3)와 건강 상태(INT)에서의 실험 데이터를 사용하여 사전 훈련된 VINO 모델을 미세조정한다.
• 역 VINO의 경우 센서에서의 변위 및 가속도 신호를 입력으로 사용하여 손상 분포를 추론함으로써 국소화 및 정량화를 가능하게 한다.
• VBI-FE 데이터로 초기화된 모델을 사용하고, 실세계 실험 조건으로의 적응을 위해 미세조정을 통해 이행 학습을 적용한다.
• 하이브리드 훈련 전략을 적용한다: 고해상도 수치 시뮬레이션에서의 사전 훈련 후 실세계 실험 데이터로의 미세조정을 통해 일반화 및 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 푸리에 신경 연산자 기반의 딥러닝 모델은 교량 구조물에서 손상 분포에서의 구조적 반응을 정확히 예측할 수 있는가?
• RQ2 동일한 모델은 측정된 동적 반응(변위/가속도)에서 손상 국소화 및 정량화로의 역 매핑을 수행할 수 있는가?
• RQ3 실제 실험 데이터로의 미세조정은 수치 시뮬레이션 전용으로만 훈련된 데이터 기반 모델의 성능을 어떻게 향상시키는가?
• RQ4 추론 속도와 정확도 측면에서 VINO 모델은 전통적인 유한요소 모델링(FEM)에 비해 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 다양한 수준과 위치의 손상이 포함된 다양한 손상 시나리오에 대해 모델은 일반화 가능한가?

주요 결과

• VINO는 동일한 교량 프로토타입에 대해 기존의 유한요소법(FEM) 대비 19배 이상 빠른 추론 속도를 기록했다.
• 실험 데이터로의 미세조정 후, VINO는 FEM 시뮬레이션 결과보다 더 높은 정확도로 구조적 반응을 예측했다.
• 역 VINO 모델은 네 가지 실험 시나리오(INT, DMG1, DMG2, DMG3) 전반에서 손상을 성공적으로 국소화하고 정량화하여 뛰어난 견고성을 입증했다.
• DMG1 및 DMG2에 대한 손상 예측은 DMG3보다 더 정확했으며, 후자는 더 높은 신호 노이즈로 인해 오차가 더 컸다.
• 반복적인 모델 업데이트가 필요로 하는 기존의 FEM 기반 접근 방식에 비해, 모델은 반복적인 업데이트 없이 종단 간 손상 탐지가 가능했으며, 이는 계산 시간을 크게 감소시켰다.
• 미세조정을 통해 실험 데이터를 통합함으로써 모델의 실용성과 실제 모니터링 환경에서의 일반화 능력이 향상되었다.