중간 표면 추상화(Mid-surface abstraction)는 박판(thin-walled) CAD 모델의 유한 요소 분석(Finite Element Analysis, FEA)에 필수적입니다. 기존의 면 쌍 지정(face pairing) 기반 방식은 수작업으로 제작된 기하학적 휴리스틱(heuristics)에 의존하지만, 실제 산업용 모델은 다중 벽 두께(multi-wall-thickness) 영역, 자기 매칭(self-matching) 면 구성, 그리고 중심 오프셋이 아닌 표면을 요구하는 경우가 빈번하며, 이러한 시나리오에서 규칙 기반 방식은 지속적으로 실패합니다. 본 논문에서는 두 가지 새로운 구성 요소를 통해 이러한 한계를 해결하는 학습 증강 프레임워크인 MidSurfNet을 제안합니다: (1) 기하학적 및 위상적 특징으로부터 면 쌍의 신뢰도(confidence)를 예측하도록 학습하여 규칙 기반 방식을 넘어서는 복잡한 쌍 지정 시나리오를 처리하는 신경망 면 쌍 지정(neural face pairing) 모듈, (2) 두 개의 부호 거리 함수(signed distance functions, SDF)의 간섭(interference)으로 중간 표면을 표현하여, 다운스트림 CAE/FEA 지향 워크플로우에서 유연한 배치를 위한 일반화된 오프셋 제어를 가능하게 하는 간섭 암시적 장(interference implicit field)입니다. 우리는 1,500개 이상의 수동 주석(manually annotated)이 달린 CAD 모델을 포함하는 대규모 중간 표면 데이터셋을 구축했습니다. 실험 결과, MidSurfNet은 87.32%의 면 쌍 지정 정확도를 달성하였으며, 기존의 모든 방식들을 혼란에 빠뜨리는 다중 벽 두께(61.90% 완료) 및 자기 매칭(52.94% 완료) 시나리오를 성공적으로 처리함을 입증했습니다. 나아가, MidSurfNet은 CAE 지향 애플리케이션을 위해 임의의 오프셋 제어가 가능한 일반화된 중간 표면 추상화에 대한 학습 기반 접근 방식을 제공합니다.