허리케인 이후의 피해 평가 및 복구 일정 수립은 계산 집약적인 시뮬레이션과 최적화를 요구할 수 있습니다. 본 논문은 신속한 손상 선로 식별 및 복구 일정 계산을 위한 통합된 2단계 딥러닝 (Deep-Learning) 도구를 제시합니다. IEEE 9500-노드 테스트 피더 (test feeder)를 위한 사용 가능한 오프라인 합성 데이터셋에는 노출 특성, 그리드 메타데이터, 취약성 파라미터 (fragility parameters), OpenDSS 출력, 손상 선로 라벨, 그리고 적응형 대규모 이웃 탐색 (Adaptive Large Neighborhood Search) 참조 일정이 포함된 1,700개의 허리케인 시나리오가 포함되어 있습니다. 1단계에서는 MLP, ResMLP, GraphSAGE를 벤치마킹하며, 2단계에서는 MLP, DeepSets, Set Transformer를 비교합니다. 선택된 ResMLP-Set Transformer 파이프라인은 1단계의 오류를 2단계로 전파하며, 손상 작업 F1-score 0.920, 쌍별 순서 일치도 (pairwise order agreement) 0.854, 그리고 시작 및 종료 시간의 평균 절대 오차 (mean absolute errors) 각각 4.349분 및 4.486분을 달성합니다. 이 도구는 새로운 허리케인 사례에 대해 신속한 초기 복구 로그 의사결정 지원을 제공합니다.