전문가가 아니어도 손쉽게 2D 위상 최적화할 수 있는 모델이 만들어졌다. 유전에서 수집한 탄성파탐사 자료를 활용해 누락된 부분을 유추하는 기술도 나왔다. 모두 국내 대학생에 의해서다.
매스웍스는 최근 '매트랩 대학생 AI 경진대회' 1등과 2등 수상작을 소개하는 라이브 웨비나를 개최했다. 1위는 'UNet을 활용한 2D 위상 최적화 시뮬레이터'를 개발한 성균관대 UTS(User-friendly Topology Optimization Simulator)팀이 차지했다. 2위는 ‘LSTM을 활용한 탄성파 탐사 자료 내삽 모듈'을 개발한 한양대 이재우 학생에게 돌아갔다.
성균관대 연구팀은 매스웍스 솔루션으로 위상최적화 시간을 단축하는 시뮬레이터 개발에 성공했다. 적층 제조 과정에서 경량화 부품 엔지니어링 요소 해석이 생소한 일반인도 쉽게 쓸 수 있는 모델이다.
2위를 차지한 한양대 이재우 학생은 고해상도 물리탐사 방법에 딥러닝 기술을 적용해 기존 머신러닝 기법의 데이터 품질 문제를 해결했다. 석유탐사, 탄소 포집, 저장 모니터링에 활용할 수 있다.
"누구나 쉽게 만들 수 있어요" 딥러닝 기반 2D 위상 최적화 시뮬레이터
성균관대 UTS 팀은 '딥러닝 기반 2D 위상 최적화 모델' 개발에 성공했다. 일반 사용자도 쉽게 유한요소해석을 수행하여 위상 최적화할 수 있다는 게 특징이다. 해당 모델은 타워크레인, 암벽등반 장비와 같은 실제 활용 사례에 적용될 수 있다.
위상 최적화란, 주어진 제한 조건에서 최적의 재료분포를 찾는 설계기법이다. 물체 무게를 가볍게 하면서도 강성을 최대화한다. 위상의 고정화, 자유도가 묶이는 문제를 해결할 수 있는 최적화 알고리즘이다. 주로 자동차, 전기차 부품, 로봇 분야에 활용한다.
성균관대 UTS 팀은 매트랩을 활용하여 ▲데이터 준비 ▲AI 모델링 ▲시뮬레이션으로 나눠 진행했다. 김태현 팀원은 "이를 통해 2D 이미지 응력 해석 모델, 2D 이미지 위상 최적화 모델, 고해상도 이미지 생성 모델을 개발했다"고 설명했다. "특히 응력 해석 1차 모델은 제품의 응력 분포를 해석한다"며 "2차 모델은 1차 모델의 응력 해석 결과를 기반으로 실질적인 위상 최적화를 수행했다"고 말했다.
해당 팀은 데이터 준비 과정에서 매트랩으로 위상 최적화 대상 2D 이미지 데이터 생성과 수집을 지원하는 GUI 환경을 구축했다. 그는 "데이터 전처리를 수행했다"며 "1,500개의 표준화된 고해상도 유한요소해석 이미지 데이터를 수집했다"고 했다.
이를 통해 데이터 축소(Contraction)-확대(Expansion) 과정에서 데이터 복원 정확도를 한 단계 올렸다. ResNet 응력 해석과 위상 최적화 모델의 학습 검증 과정에선 U-Net 신경망 기반 모델을 적용해서다. ResNet 신경망으로 훈련 저해 요인인 기울기 소멸 문제(Vanishing Gradient Problem)를 해결할 수 있었다.
마지막으로 딥 네트워크 디자이너(Deep Network Designer)로 배치 정규화 수행 후 하이퍼파라미터 튜닝으로 최적의 학습 조건을 설정함으로써 AI 모델링 속도를 높일 수 있었다.
빠진 곳 함수로 유추해서 채워주는 내삽 모듈
한양대 물리탐사연구실 이재우 학생은 '장단기메모리(LSTM, Long Short-Term Memory)를 활용한 탄성파탐사 자료 내삽 모듈'을 소개했다.
이재우 학생은 "해당 모듈에 트레이스-투-트레이스(Traces-to-trace) 접근법을 적용했다"고 밝혔다. 트레이스-투-트레이스 방법은 특정 구역에 대한 정보가 빠졌을 때 이미 수집한 데이터로 누락된 부분을 유추하는 방식이다. 이때 내삽 함수를 훈련시켜 빠진 트레이스 신호를 예측해 전체 그림을 완성한다.
그는 "해당 기법은 네 가지 과정을 거쳐 만들어졌다"고 설명했다. 우선 매스웍스의 사이즈랩(SeisLab) 애드온으로 하이퍼파라미터로 트레인네트워크(trainNetwork)와 예측함수에 맞는 변수를 생성했다. 그 후 학습을 위해 하이퍼파라미터를 설정했다. 매트랩 딥러닝 툴박스(Deep Learning Toolbox)로 그래프에 가중치도 산출했다. 마지막으로 예측 타깃 트레이스·저장 설정 과정을 진행했다.
이재우 학생은 "서호주 해안 빈센트(Vincent) 유전에서 수집한 탄성파탐사 자료와 멕시코만(Gulf of Mexico) 지역에서 수집한 탄성파탐사 자료로 누락된 지진학 데이터 예측값을 도출했다"고 강조했다. "이때 트레이스-투-트레이스 접근 방법에 기반한 간섭 알고리즘의 높은 정확도를 확인할 수 있었다"고도 했다. 그는 "기존 연구기법과 비교해 더 낮은 오차율을 기록했다"고 설명했다.
현재 한양대 물리탐사연구실은 탄성파탐사에 대한 트레이스-투-트레이스 접근 방식 관련 국내·국제 특허를 출원 중이다.
AI타임스 김미정 기자 kimj7521@aitimes.com
