딥러닝 활용 위상 최적화 구현 시뮬레이터 개발

성균관대학교 UTS팀, 매트랩 대학생 AI 경진대회 1위

성균관대학교 사용자 친화적 위상 최적화 시뮬레이터(UTS)팀의

대학교 프로젝트팀이 인공지능(AI)를 이용해 복잡한 위상 최적화를 간단하게 구현할 수 있는 시뮬레이션을 공개했다

매스웍스는 지난 22일 ‘매트랩 대학생 AI 경진대회’의 1등과 2등 수상작을 소개하는 라이브 웨비나를 개최했다.

■ 딥러닝 활용한 2D 위상 최적화 시뮬레이터

1위는  ▲UNet을 활용한 2D 위상 최적화 시뮬레이터 개발을 출품한 성균관대학교 사용자 친화적 위상 최적화 시뮬레이터(UTS)팀이 차지했다. 

위상 최적화는 부품의 구조와 재료 분포를 최적화할 수 있고 높은 자유도를 지닌 설계 기법으로, 자동차 부품, 전기차 부품, 로봇 분야에 활용된다. 4차 산업혁명 시대에 중요성이 높아지고 있다.

UTS 팀은 AI를 이용해 전문 엔지니어가 아닌 일반 사용자도 쉽게 유한요소해석을 수행하여 위상 최적화를 구현할 수 있는 딥러닝 기반 2D 위상 최적화 모델을 개발하는 시뮬레이션을 소개했다.

성균관대학교 UTS 팀이 개발한 위상 최적화 시뮬레이션 모델 (이미지=매스웍스)

GUI에 원하는 2D 형상을 입력하면, 딥러닝 알고리즘을 통해 위상 최적화된 이미지를 제공해 쉽고 편리하게 위상 최적화 시뮬레이션을 할 수 있다. 

UTS 팀은 매트랩을 활용해 ▲데이터 준비 ▲AI 모델링 ▲시뮬레이션 및 테스트 과정을 통해 2D 이미지의 응력 해석 모델, 2D 이미지 위상 최적화 모델 및 고해상도 이미지 생성 모델을 개발했다. 1차 모델인 응력 해석 모델은 제품의 응력 분포를 해석하며, 2차 모델은 1차 모델의 응력 해석 결과를 기반으로 실질적인 위상 최적화를 수행한다.

데이터 준비 과정에서 위상 최적화 대상 2D 이미지 데이터 생성 및 수집을 지원하는 GUI 환경을 구축했다. 또한 데이터 전처리를 수행한 결과, 1천500개의 표준화된 고해상도 유한요소해석 이미지 데이터를 수집했다.

응력 해석 및 위상 최적화 모델의 학습 및 검증 과정에선 U-Net 신경망 기반 모델을 적용해서 데이터 축소(Contraction)-확대(Expansion) 과정의 데이터 복원 정확도를 향상시켰고, ResNet 신경망으로 훈련 저해 요인인 기울기 소멸 문제(Vanishing Gradient Problem) 문제를 해결할 수 있었다.

딥 네트워크 디자이너(Deep Network Designer)를 통해 배치 정규화를 수행한 후 하이퍼파라미터 튜닝으로 최적의 학습 조건을 설정함으로써 AI 모델링 속도를 높였다.

UTS팀은 “2D 위상 최적화 시뮬레이터는 누구나 쉽게 타워크레인, 암벽등반 등 점에 하중이 가해지는 다양한 상황에 간단하게 적용해 볼 수 있다”고 강조했다.

■ 장단기메모리 활용 탄성파탐사

한양대학교 물리탐사연구실 이재우 학생은 ‘장단기메모리(LSTM)를 활용한 탄성파탐사 자료 내삽 모듈 개발’ 프로젝트로 2위상을 수상했다. 

이 프로젝트는 석유탐사나 CCS 심층 모니터링 등에 사용되는 고해상도 물리탐사 방법인 탄성파탐사 과정에 딥러닝을 적용했다.

탄성파를 발생시킨 후 지층으로 보내 굴절 또는 반사된 파동을 수신하여 지층 구조 및 심도·경도를 파악하는 탄성파탐사 과정에서 많은 노동력이 드는 장비 운반 및 설치 과정의 어려움을 해결하기 위해 매트랩을 이용한 탄성파탐사 자료 내삽 모듈 연구개발을 진행하고 있다.

이재우 학생이 연구 중인 탄성파탐사 방식인 지진 추적 보간(SEISMIC TRACE INTERPOLATION)은 헬리콥터로 다수의 적합한 위치에 수진기(geophone)를 배치 설치하여 탄성파탐사 신호를 수신하는 방식으로, 기존의 수동 설치 또는 드론을 활용한 조사 방식과 비교해 경제성이 높다.

기존 연구방법의 수학적, 지질학적 가정에 의한 제약, 그리고 머신러닝 보간법의 대규모 정보 관리 이슈, 높은 컴퓨팅 비용 및 차원 확대의 어려움을 개선하기 위해 트레이스-투-트레이스(Traces-to-trace) 접근방법을 새롭게 도입했다.

트레이스-투-트레이스 접근방법은 조사 대상 지역 중 특정 지역에 대한 조사 자료 누락 시, 이미 수집된 3개의 연속적인 트레이스 자료(좌, 우 자료 2개와 사이 자료 1개)만 갖고 내삽 함수를 훈련시켜 해당 함수로 성긴 부분의 누락된 트레이스의 신호를 예측, 전체 트레이스를 완성시킬 수 있는 기법이다.

보간 알고리즘을 통해 재구성된 지진학 데이터(이미지=매스웍스)

이재우 학생은 성긴 트레이스를 예측하기 위한 기법을 개발하기 위해 ▲매스웍스의 사이즈랩(SeisLab) 애드온을 활용해 하이퍼파라미터를 사용하여 트레인 네트워크, 예측 함수에 맞는 변수 생성 ▲학습을 위한 하이퍼파라미터 설정 ▲매트랩 딥러닝 툴박스로 여러 그래프에 대한 가중치 산출 ▲예측 함수를 위한 예측 타깃 트레이스 및 저장 설정 과정을 진행했다.

서호주 해안 빈센트(Vincent) 유전에서 수집한 탄성파탐사 자료 및 멕시코만 지역에서 수집한 탄성파탐사 자료를 활용해 누락된 지진학 데이터의 예측값에 대한 아웃풋을 도출했으며, 이를 정답 데이터와 비교하여 검증했다.

그 결과, 트레이트-수-트레이스 접근방법에 기반한 간섭 알고리즘의 높은 성능, 즉 정확도를 확인할 수 있었다. 한편, 두 번째 탄성파탐사 예제에서 트레이스-투-트레이스 기법은 기존 연구기법과 비교해 더 낮은 오차율을 기록했다.

이재우 학생은 “현재 한양대학교 물리탐사연구실은 탄성파탐사에 대한 트레이스-투-트레이스 접근방식 관련 국내, 국제 특허를 출원 중”이라고 밝혔다.