[논문 리뷰] Physics-guided Convolutional Neural Network (PhyCNN) for Data-driven Seismic Response Modeling

Ruiyang Zhang, Yang Liu외 1명|arXiv (Cornell University)|2019. 09. 17.

Structural Health Monitoring Techniques참고 문헌 54인용 수 18

한 줄 요약

이 논문은 구조역학과 같은 물리 법칙을 딥러닝 프레임워크 내에 통합하여 제한된 데이터로 건물의 지진 반응을 예측할 수 있는 물리 지도형 컨volution 신경망인 PhyCNN을 제안한다. 손실 함수에 물리 제약 조건을 통합하고, 데이터 분할을 최적화하기 위해 비지도 K-means 클러스터링을 사용함으로써, PhyCNN는 지진 반응 예측 및 취약도 분석에서 높은 정확도와 강건성을 달성하며, 희소한 훈련 데이터 조건에서도 물리 지도형 모델보다 뛰어난 성능을 발휘한다.

ABSTRACT

Seismic events, among many other natural hazards, reduce due functionality and exacerbate vulnerability of in-service buildings. Accurate modeling and prediction of building's response subjected to earthquakes makes possible to evaluate building performance. To this end, we leverage the recent advances in deep learning and develop a physics-guided convolutional neural network (PhyCNN) framework for data-driven seismic response modeling and serviceability assessment of buildings. The proposed PhyCNN approach is capable of accurately predicting building's seismic response in a data-driven fashion without the need of a physics-based analytical/numerical model. The basic concept is to train a deep PhyCNN model based on available seismic input-output datasets (e.g., from simulation or sensing) and physics constraints. The trained PhyCNN can then used as a surrogate model for structural seismic response prediction. Available physics (e.g., the law of dynamics) can provide constraints to the network outputs, alleviate overfitting issues, reduce the need of big training datasets, and thus improve the robustness of the trained model for more reliable prediction. The trained surrogate model is then utilized for fragility analysis given certain limit state criteria (e.g., the serviceability state). In addition, an unsupervised learning algorithm based on K-means clustering is also proposed to partition the limited number of datasets to training, validation and prediction categories, so as to maximize the use of limited datasets. The performance of the proposed approach is demonstrated through three case studies including both numerical and experimental examples. Convincing results illustrate that the proposed PhyCNN paradigm outperforms conventional pure data-based neural networks.

연구 동기 및 목표

• 제한된 센서 또는 시뮬레이션 데이터 조건에서 구조물의 정확한 지진 반응 예측 문제를 해결한다.
• 계산 비용이 높고 매개변수 불확실성에 민감한 전통적인 물리 기반 모델의 한계를 극복한다.
• 대규모 데이터셋이 필요 없이 물리 법칙을 통합하여 일반화 능력을 향상시키고 과적합을 줄이는 데이터 기반 대체 모델을 개발한다.
• 훈련된 모델을 활용해 향후 지진 사건에 대한 기능성 평가를 위한 신뢰할 수 있는 취약도 곡선 생성을 가능하게 한다.
• 수치적 및 실험적 검증을 통해 접근법의 확장성과 강건성을 입증한다.

제안 방법

• 시뮬레이션 또는 현장 측정에서 확보한 제한된 지진 입력-출력 데이터셋을 사용해 딥 컨volution 신경망(PhyCNN)을 훈련한다.
• 그래프 기반 텐서 미분기(이중 법칙)를 통해 운동 방정식(뉴턴의 제2법칙)을 포함한 물리 제약 조건을 네트워크 출력에 정규화한다.
• 물리 법칙에서의 이탈을 벌금화하는 물리 인식형 손실 함수를 제안하여 모델 일반화 능력 향상과 과적합 감소를 도모한다.
• 제한된 데이터셋을 훈련, 검증, 예측 세트로 분할하기 위해 비지도 K-means 클러스터링을 적용하여 데이터 활용도를 극대화한다.
• 훈련된 PhyCNN 모델을 사용해 100개의 지진 동적 분석(Incremental Dynamic Analysis, IDA)을 수행하여 기능성 평가를 위한 취약도 곡선을 유도한다.
• 계속적인 분포 함수(CDF)를 사용해 층간 기울기 각도의 취약도 함수를 계산하며, 기능성 한계 상태 기준은 0.5% 기울기 각도로 설정한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로도 물리 지도형 딥러닝 모델이 구조물의 지진 반응을 정확하게 예측할 수 있는가?
• RQ2 운동 방정식과 같은 물리 제약 조건을 통합할 경우, 데이터 기반의 지진 반응 모델의 강건성과 일반화 능력은 어떻게 향상되는가?
• RQ3 제한된 데이터셋에 대한 비지도 클러스터링이 모델 성능 향상과 데이터 효율성 향상에 얼마나 기여하는가?
• RQ4 훈련된 PhyCNN 모델은 향후 지진 사건에 대한 기능성 평가를 위한 신뢰할 수 있는 취약도 곡선을 생성할 수 있는가?
• RQ5 예측 정확도와 데이터 효율성 측면에서 PhyCNN는 물리 지도형이 아닌 신경망보다 성능이 뛰어나다고 할 수 있는가?

주요 결과

• PhyCNN는 시뮬레이션 또는 측정 데이터가 희소한 조건에서도 지진 반응 예측에 높은 정확도를 달성하며, 뛰어난 일반화 능력을 보여준다.
• 물리 제약 조건 통합으로 과적합이 크게 감소하고, 특히 훈련 데이터가 부족한 경우 모델의 강건성이 향상된다.
• 비지도 K-means 클러스터링 전략은 제한된 데이터셋을 효과적으로 분할하여 훈련 효율성과 예측 성능을 향상시킨다.
• 샌 버나디노에 위치한 6층 호텔 건물의 경우, 지진 규모가 0.1g PGA일 때 기능성 한계 상태를 초과할 확률은 47%, 0.2g PGA일 때는 78%, 0.3g PGA일 때는 90%로 예측되었다.
• PhyCNN 예측에서 도출된 취약도 곡선은 엔지니어링 기준과 일치하며, 유지보수 및 보수 계획 수립을 위한 실용적 의사결정 지원에 기여한다.
• PhyCNN는 예측 정확도와 데이터 효율성 측면에서 물리 지도형이 아닌 신경망보다 뛰어난 성능을 보이며, 구조역학 분야에서 물리 인식 학습의 가치를 입증한다.