대규모 시뮬레이션 및 제한된 실험 데이터셋을 활용한 유도파 기반 손상 진단을 위한 다중 충실도 합성곱 오토인코더-전이 학습 프레임워크

온보드 트랜스듀서(onboard transducers)를 이용한 유도파 기반 구조 건전성 모니터링 (GWSHM)은 공학 구조물의 손상을 조기에 진단할 수 있는 상당한 잠재력을 제공합니다. 그러나 딥러닝 모델의 실제 배포는 라벨링된 실험 데이터의 제한된 가용성과 대규모 고충실도 (high-fidelity) 시뮬레이션 데이터셋을 생성하는 데 드는 높은 계산 비용으로 인해 종종 어려움을 겪습니다. 본 연구는 압전 트랜스듀서 (piezoelectric transducers)가 장착된 판형 구조물에서 정확한 손상 위치 파악 및 크기 측정을 위해 경량 물리 기반 시뮬레이션, 합성곱 오토인코더 (CAE) 기반 딥 피처 학습 (deep feature learning), 피드포워드 신경망 (feed-forward neural network), 그리고 제한된 실험 측정을 통합하는 다중 충실도 (multi-fidelity) 전이 학습 (transfer learning) 프레임워크를 제시합니다. 사전 학습 (pretraining)을 위한 대규모 합성 데이터셋을 생성하기 위해 계산 효율적인 1차원 시간 영역 스펙트럴 요소 모델 (spectral element model)이 사용되었으며, 전이 학습은 소량의 라벨링된 데이터만을 사용하여 모델을 실험 도메인에 적응시킵니다. CAE 기반 전이 학습 프레임워크는 손상 위치 파악 정확도 면에서 CNN 기반 방식보다 크게 뛰어난 성능을 보입니다. 이 모델은 손상 위치 파악에 대해 0.93을 초과하는 $R^2$ 점수, 손상 크기 측정에 대해 0.99를 초과하는 $R^2$ 점수를 기록하며 탁월한 예측 성능을 달성했습니다. 모델의 일반화 능력은 이전에 보지 못한 데이터에 대해서도 입증되었으며, 사전 학습이나 미세 조정 (fine-tuning) 중에 나타나지 않은 손상 시나리오에 대해서도 높은 예측 정확도를 보여주었습니다. 이러한 결과는 제안된 프레임워크가 실제 GWSHM 응용 분야를 위한 정확하고, 계산 효율적이며, 실질적으로 실행 가능한 솔루션임을 입증합니다.