장경간 도로교(Long-span roadway bridges)는 차량 하중 하에서 매우 국부적인 구조적 응답을 나타내며, 이로 인해 영향선(influence surface) 생성 및 구조적 디지털 트윈(structural digital twins)과 같은 응용 분야에서 반복적인 유한요소(FE) 분석을 수행하는 것은 계산 비용이 많이 듭니다. 기존의 과학 기계 학습 (SciML) 접근 방식은 이러한 국부적 응답을 정확하게 포착하는 데 어려움을 겪고 있습니다. 이러한 과제를 해결하기 위해, 본 연구는 대규모 교량 시스템의 국부적 구조 응답 예측을 위한 적응형 트렁크 심층 연산자 네트워크 (adaptive-trunk DeepONet)를 제안합니다. 이 프레임워크는 KNN 전략을 사용하여 하중 의존적 학습 도메인(learning domain)을 동적으로 구축함으로써, 네트워크가 구조적 영향 구역에 집중할 수 있도록 합니다. 트렁크 네트워크 (trunk network)는 하중과 구조 노드 사이의 기하학적 관계를 인코딩하는 거리 인식 특징 (distance-aware features)을 사용하여 더욱 강화되었습니다. 강성 정보 기반의 슈어 보충법 (stiffness-informed Schur complement) 정식화를 통해 물리 기반 전계 재구성 (physics-based full-field reconstruction)이 통합되어, 적응형 노드에서의 예측을 전체 구조 도메인으로 확장할 수 있습니다. 확장 가능한 학습을 가능하게 하기 위해, 응답 데이터는 지배적인 전역 거동을 보존하면서 계산 비용을 크게 줄이는 차수 축소 등가 쉘 모델 (reduced-order equivalent shell model)을 사용하여 생성됩니다. 제안된 프레임워크는 벤치마크 교량 모델과 실제 Mussafah Bridge 모두에서 검증되었습니다. 결과에 따르면, 이 방법은 상대 오차 5% 미만으로 FEM 수준의 정확도를 달성하는 동시에, 전체 응답 평가 시간(전계 재구성 포함)을 약 60배 단축했습니다. 후처리 재구성 단계를 제외하면, AD-DeepONet 추론은 FEM보다 최대 4자릿수(four orders of magnitude) 더 빠릅니다. 또한, 이 프레임워크는 임의의 차량 하중 구성 하에서 전계 응답, 영향선 (influence lines) 및 영향선 (influence surfaces)의 신속한 생성을 가능하게 하여, 대규모 교량 분석 및 디지털 트윈 응용 분야에서의 강력한 잠재력을 입증합니다.