유도파(Guided Wave) 기반 구조 건강 모니터링(GWSHM, Guided-Wave-Based Structural Health Monitoring) 분야에서 딥러닝 모델의 실제 현장 적용을 가로막는 핵심 난제는 두 가지다. 라벨이 붙은 실험 데이터를 충분히 확보하기 어렵다는 점과, 대규모 고정밀 시뮬레이션 데이터셋을 생성하는 비용이 높다는 점이다. 이를 동시에 해소하기 위한 다중 정밀도 전이학습 프레임워크 연구가 arXiv에 발표됐다.
연구팀이 제안한 프레임워크는 경량 물리 기반 시뮬레이션으로 대규모 합성 데이터를 생성한 뒤, 합성곱 자동인코더(Convolutional Autoencoder)로 깊은 특징을 학습하고, 이를 제한된 수량의 실제 실험 데이터에 전이학습으로 적용하는 3단계 구조를 취한다. 구체적으로는 계산 효율이 높은 1차원 시간영역 스펙트럼 요소 모델을 활용해 합성 데이터셋을 구축하고, 이 데이터로 사전 학습한 인코더를 실험 데이터에 미세조정하는 방식이다. 이후 피드포워드 신경망을 연결해 손상 위치 파악과 크기 측정을 수행한다. 연구팀은 손상 위치 추정에서 결정계수(R²) 0.93 이상, 손상 크기 측정에서 0.99 이상의 성능을 보고했으며, 자동인코더 기반 방식이 기존 합성곱 신경망(CNN) 기반 모델보다 손상 위치 정확도에서 더 우수했다고 밝혔다.
온보드 트랜스듀서를 장착한 구조물의 조기 손상 진단은 항공기, 선박, 교량 등 안전 민감 분야에서 중요한 과제다. 이번 연구가 제안하는 접근법은 고가의 실험 데이터 없이도 물리 기반 시뮬레이션과 소량의 실측 데이터를 조합해 실용적인 진단 모델을 구축할 수 있다는 가능성을 보여준다. 연구팀은 합성 데이터의 한계를 보완하는 전이학습이 데이터가 부족한 현장 환경에서 딥러닝 기반 구조 진단을 확대하는 현실적인 경로가 될 수 있다고 밝혔다. 라벨링된 실측 데이터 확보가 어려운 구조물 진단 분야에서, 시뮬레이션과 실험을 잇는 다중 정밀도 학습은 데이터 수집 비용을 낮추면서도 진단 정확도를 끌어올리는 방향으로 평가된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
