항공복합재 충격 식별을 위한 물리‑기반 인공지능 프레임워크

본 논문은 항공우주 복합재 구조물에서 저속 충격에 의해 발생하는 내부 손상을 조기에 탐지하고, 충격 에너지를 정량화하기 위한 물리‑인포드 머신러닝 프레임워크인 Phy‑ID를 제안한다. 기존 충격 식별 방법은 물리‑기반 모델(유한요소, 모드 해석 등)과 데이터‑드리븐 모델(딥러닝, 회귀 등)으로 크게 구분되지만, 각각은 높은 모델링 비용·데이터 요구·물리 일관성 결여라는 한계를 가진다. 이를 극복하고자 저자는 관측 편향(Observational Bias), 귀납 편향(Inductive Bias), 학습 편향(Learning Bias)이라는 세 가지 물리적 편향을 명시적으로 설계하고, 이를 하나의 통합 학습 파이프라인에 결합한다. 관측 편향 단계에서는 실험으로부터 획득한 가속도·응력·변형률 신호를 시간, 주파수, 시간‑주파수 영역으로 변환해 다중 도메인 피처를 생성한다. 이 피처들은 ‘에너지 지표’라 불리며, 충격에 의해 구조에 전달된 에너지의 물리적 특성을 반영한다. 이렇게 설계된 입력 공간은 모델이 물리적으로 의미 있는 정보를 직접 관찰하도록 강제한다. 귀납 편향 단계에서는 두 개의 독립 서브넷을 도입한다. 첫 번째 서브넷은 충격 속도(v)를, 두 번째 서브넷은 충격체 질량(m)을 예측한다. 각 서브넷은 입력 피처에 대해 적절한 활성화 함수(예: ReLU, Softplus)와 초기 조건(예: 물리적 범위 제한)을 적용해 학습 과정에서 수치적 안정성을 확보한다. 질량과 속도는 구조 응답에 미치는 영향이 서로 다르기 때문에, 단일 멀티‑아웃풋 네트워크보다 별도 모델링이 더 효율적이며, 이는 모델이 물리적 해석 가능성을 유지하도록 돕는다. 학습 편향 단계에서는 데이터 손실(Ld)과 물리 손실(Lp)을 결합한 하이브리드 손실 함수를 정의한다. 데이터 손실은 예측된 질량·속도와 실험값 간의 평균 제곱 오차(MSE)로 구성되고, 물리 손실은 운동에너지 관계 E = ½ m v²를 만족하도록 하는 제약 항으로 구성된다. 전체 손실 L = α Ld + β Lp 형태로 가중치를 조절함으로써, 모델은 측정 데이터와 물리 법칙 사이의 균형을 맞추며 학습한다. 실험 설정은 복합재 판에 다양한 충격을 가해 충격 속도(0.5–3 m/s), 질량(0.1–0.5 kg) 범위의 데이터를 수집한 것이다. 훈련 데이터는 70%, 검증 15%, 테스트 15% 비율로 분할하였다. 평가 지표는 평균 절대 백분율 오차(MAPE)와 결정계수(R²)이며, Phy‑ID는 속도와 질량에 대해 MAPE < 8%, 에너지에 대해 MAPE < 10%를 기록했다. 또한, 데이터 양을 20%까지 감소시키고, 신호에 가우시안 노이즈를 추가해 SNR을 10 dB까지 낮춘 경우에도 성능 저하가 미미했으며, 손상된 시편(섬유 파손, 매트릭스 균열)을 포함한 OOD 테스트에서도 물리‑인포드 모델이 기존 딥러닝 대비 15% 정도 낮은 오류를 보였다. 본 연구의 주요 기여는 다음과 같다. 첫째, 관측·귀납·학습 편향을 체계적으로 결합한 통합 프레임워크를 제시함으로써 물리적 일관성을 유지하면서도 데이터 효율적인 충격 식별이 가능하도록 했다. 둘째, 충격 에너지 식을 손실에 직접 삽입해 역문제의 ill‑posedness를 완화하고, 물리적으로 불가능한 해를 배제함으로써 수치적 안정성을 확보했다. 셋째, 실험적 검증을 통해 제한된 센서 배치·노이즈·손상 변이 등 실제 SHM 환경에서의 강인성을 입증했다. 한계점으로는 현재 모델이 충격 속도와 질량 두 변수에만 초점을 맞추고 있어, 충격 위치·방향·재료 비선형성 등 추가적인 물리적 변수에 대한 확장이 필요하다. 또한, 하이브리드 손실의 가중치(α, β) 선택이 경험적이며, 자동화된 메타‑학습이나 베이지안 최적화 기법을 적용하면 보다 일반화된 적용이 가능할 것으로 기대된다. 향후 연구에서는 다중 물리량(예: 손상 규모, 파손 형태) 추정, 실시간 임베디드 구현, 그리고 다양한 복합재 구조에 대한 전이 학습 등을 탐색할 계획이다.