딥러닝으로 철도 교량의 안전을 지킨다: AI 기반 손상 식별 기술의 혁신

본 기사는 AI 기반 손상 식별 기술을 활용하여 철도 교량의 안전성을 높이는 연구에 대해 소개합니다. 물리 정보 신경망(PINN)과 순환 신경망(RNN)을 결합한 무지도 학습 방식을 통해, 기존 방식의 한계를 극복하고 실제 교량에 적용 가능한 효과적인 기술을 제시합니다.

미국 철도 시스템의 40% 이상의 화물을 운송하는 철도 교량은 국가 경제의 핵심입니다. 하지만 노후화된 시설과 증가하는 교통량은 안전에 심각한 위협이 되고 있습니다. 특히, 미국 철도망의 10만 개가 넘는 철도 교량 중 50% 이상을 차지하는 강철 트러스 교량의 손상 조기 진단은 매우 중요한 과제입니다.

이러한 문제를 해결하기 위해 Althaf Shajihan, Kirill Mechitov, Girish Chowdhary, Billie F. Spencer Jr. 연구팀은 물리 정보 신경망(PINN) 기반의 새로운 손상 식별 기술을 개발했습니다. 이 기술은 기존의 지도 학습 방식과 달리, 무지도 학습 방식을 채택하여 대규모 데이터셋 확보의 어려움을 극복했습니다. 열차 통과 시의 열차 바퀴 하중 데이터와 교량 반응 데이터를 입력으로 사용하여 손상을 식별합니다.

핵심 기술은 PINN과 순환 신경망(RNN) 의 결합입니다. PINN 모델은 선형 시변(LTV) 교량-열차 시스템의 지배 미분 방정식을 명시적으로 통합하여 물리적 현상을 반영하고, RNN 기반 아키텍처와 맞춤형 Runge-Kutta(RK) 적분기 셀을 사용하여 기울기 기반 학습을 수행합니다. 이를 통해 교량 유한 요소 모델을 업데이트하고, 손상의 심각도를 정량화하며, 영향을 받은 구조 부재를 국부적으로 확인할 수 있습니다.

연구팀은 시카고 칼루멧 교량을 대상으로 시뮬레이션된 손상 시나리오를 통해 모델의 효과성을 검증했습니다. 그 결과, 높은 정확도를 유지하면서 가짜 양성 비율을 낮추는 데 성공했습니다. 더 나아가, 이 기술은 기존의 점검 및 드론 측량 데이터와의 통합을 통해 상황 인식 업데이트 및 교량 상태 평가를 가능하게 합니다.

이번 연구는 AI 기술을 활용하여 철도 교량의 안전성을 크게 향상시키는 획기적인 성과입니다. 앞으로 이 기술은 노후화된 인프라의 안전 관리 및 유지 보수에 널리 활용될 것으로 기대됩니다. 특히, 대규모 데이터 확보가 어려운 상황에서도 효과적으로 작동하는 무지도 학습 방식의 채택은 다른 분야에도 긍정적인 영향을 미칠 것으로 예상됩니다.