비선형 충격 문제를 위한 이미지 기반 재구성 강화 신경망

본 논문은 이미지 기반 재구성 기술을 비선형 과도 충격 문제에 적용하기 위한 새로운 프레임워크인 Enhanced ReConNN(EReConNN)을 제시한다. 기존 ReConNN은 CNN과 GAN을 병렬로 사용해 정적 혹은 수렴 문제를 다루는 데는 성공했지만, 시간 의존적인 비선형 동적 현상에서는 이미지 생성의 다양성 부족과 라벨 매핑 정확도 저하라는 근본적인 한계를 드러냈다. 이러한 한계를 극복하기 위해 연구팀은 모델 구조를 전면 재설계하고, 핵심 기술로 Adversarial Variational Autoencoder(A‑VAE)와 Conditional GAN(CGAN)을 도입하였다. 먼저, 충격 시뮬레이션에서 얻은 등고선 이미지들을 480×960×3 및 785×880×3 해상도로 수집하고, Bilinear Interpolation을 통해 256×256×3으로 통일한다. 이는 이미지 크기와 해상도 차이에 따른 학습 불안정을 최소화하고, 모델의 범용성을 확보하기 위함이다. 다음으로, A‑VAE는 전통적인 VAE에 판별기(discriminator)를 추가해 GAN‑유사 적대 학습을 수행한다. 인코더는 입력 이미지를 평균(μ)과 로그 분산(log σ²) 형태의 잠재 변수로 압축하고, 디코더는 이 잠재 변수를 샘플링해 복원 이미지를 생성한다. 손실 함수는 재구성 오차를 나타내는 MSE와 잠재 분포를 정규화하기 위한 KL‑다이버전스의 가중합으로 구성된다. 판별기는 실제 이미지와 디코더가 만든 가짜 이미지를 구분함으로써, 디코더가 보다 현실적인 이미지와 물리적 일관성을 갖도록 유도한다. 잠재 변수는 시간 순서에 따라 선형 보간된 값으로 정렬된다. 이를 디코더에 입력하면, 연속적인 시간‑의존 이미지 시퀀스가 생성된다. 이러한 과정은 기존 GAN 기반 이미지 생성이 겪는 모드 붕괴와 시간 연속성 부재 문제를 효과적으로 해결한다. 생성된 이미지 시퀀스는 최종 단계에서 Conditional GAN에 의해 후처리된다. CGAN은 충격 속도와 같은 외부 물리량을 조건으로 받아, 해당 조건에 맞는 고해상도 이미지를 출력한다. 이를 통해 재구성된 이미지의 시각적 품질과 정량적 정확도가 동시에 향상된다. 실험 설정은 알루미늄 6061‑T6 판재에 300 kg 질량이 25 m/s 속도로 충돌하는 3차원 충격 모델이다. 물성 파라미터(Young’s modulus, Poisson’s ratio, 강도 곡선 등)와 플라스틱 경화 모델을 상세히 정의하고, Newmark‑β 방법을 이용해 동적 응답을 계산한다. 시뮬레이션에서 추출한 2475개의 이미지 데이터를 학습에 활용했으며, EReConNN은 기존 ReConNN 대비 평균 제곱 오차(MSE)를 37 % 감소시켰다. PSNR은 3.2 dB, SSIM은 0.12만큼 향상되었으며, 동일 정확도를 달성하는 데 필요한 시뮬레이션 횟수는 약 45 % 감소했다. 또한, 실제 엔지니어링 사례로 얇은 알루미늄 다중셀 구조물의 충격 실험을 재구성하였다. 실험 데이터와 시뮬레이션 결과를 비교했을 때, EReConNN이 재구성한 변형 및 응력 분포는 실험과 높은 일치성을 보였으며, 기존 방법보다 빠른 재구성 시간과 낮은 비용을 기록했다. 핵심 기여는 다음과 같다. ① 비선형 과도 충격 문제에 특화된 이미지‑기반 재구성 프레임워크 제시. ② VAE와 GAN을 결합한 A‑VAE를 통해 잠재 공간에서 시간 연속성을 보존하고, 이미지 품질을 향상. ③ Conditional GAN을 활용한 후처리 단계로 시각적 디테일을 강화. ④ 대규모 시뮬레이션 데이터 없이도 높은 정확도와 효율성을 달성, 실험·산업 현장 적용 가능성을 입증. 결론적으로, EReConNN은 비선형 동적 현상의 물리적 특성을 이미지 형태로 효과적으로 캡처하고, 기존 모델 대비 정확도·효율·비용 측면에서 현저히 우수한 성능을 보인다. 향후 연구에서는 다중 물리 현상(열‑구조 연동) 및 실시간 재구성으로 확장할 여지가 있다.