부식된 강선의 강도, AI로 예측할 수 있을까?
사장교의 케이블, 혹은 콘크리트 구조물을 단단히 붙잡아주는 텐던. 이 거대한 구조물들의 핵심에는 꽈배기처럼 꼬인 강철선, '강선(steel strand)'이 있습니다. 일반적으로 7개의 와이어(중심선 1개와 이를 감싸는 6개의 나선형 선)로 구성된 강선은 엄청난 인장 강도로 구조물 전체를 지탱하는 생명줄과도 같습니다. 하지만 이토록 강한 강선에게도 부식이라는 치명적인 적이 있습니다. 부식은 강선의 강도를 예측 불가능하게 약화시켜, 자칫 대형 사고로 이어질 수 있는 보이지 않는 위협입니다.
왜 예측이 어려운가?: 복잡한 기하학과 불확실성의 이중주
부식된 강선의 강도를 정확히 예측하는 것은 매우 어려운 과제입니다. 여기에는 두 가지 큰 난관이 있습니다. 첫째, 기하학적 복잡성입니다. 강선은 단순히 철사 7가닥을 묶어놓은 것이 아니라, 중심선을 축으로 6개의 와이어가 정교하게 꼬여있는 3차원 구조물입니다. 이 때문에 각 와이어가 어떻게 힘을 받고, 서로 마찰하며 영향을 주는지 분석하기가 매우 까다롭습니다. 둘째, 부식의 불확실성입니다. 부식은 공장에서 찍어낸 물건처럼 균일하게 발생하지 않습니다. 마치 충치처럼, 어떤 와이어는 심하게 부식되고, 다른 와이어는 멀쩡할 수 있으며, 부식의 깊이와 모양(피팅 부식)도 제각각입니다. 심지어 강선 자체의 재료 특성이나 지름도 미세한 오차를 가집니다. 이처럼 다양한 '불확실성' 때문에, "이 강선은 정확히 얼마의 힘을 견딘다"라고 단정할 수 없으며, "이 강선이 특정 하중에서 파괴될 확률은 몇 %다"와 같이 확률적으로 접근하는 것이 필수적입니다.
AI와 시뮬레이션의 협업: 4단계 확률론적 예측 프레임워크
최근 연구에서는 이러한 문제를 해결하기 위해 정교한 컴퓨터 시뮬레이션과 인공지능을 결합한 새로운 4단계 예측 방법을 제시했습니다. 이 방법은 복잡성과 불확실성을 모두 고려하여 부식된 강선의 성능을 신뢰도 높은 확률로 예측합니다.
1단계: 가상 부식 와이어 모델링 (유한요소해석)
모든 예측의 첫 단추는 개별 와이어(강선을 구성하는 한 가닥의 선)에 부식이 발생했을 때 어떻게 거동하는지를 정밀하게 분석하는 것입니다. 이를 위해 연구진은 '유한요소해석(FEA, Finite Element Analysis)'이라는 강력한 시뮬레이션 기법을 사용합니다. FEA는 복잡한 구조물을 수많은 작은 조각(요소)으로 나누어 각 조각의 물리적 거동을 계산한 뒤, 이를 합쳐 전체의 움직임을 예측하는 방식입니다. 연구에서는 실제 관찰된 부식 형태에 따라 움푹 파인 모양, 넓게 퍼진 모양 등 다양한 유형의 부식을 3D 컴퓨터 모델로 정교하게 구현했습니다. 이 가상 모델에 인장력을 가하는 시뮬레이션을 통해, 각기 다른 부식의 형태와 깊이가 와이어의 인장 강도와 변형에 어떤 영향을 미치는지를 상세하게 계산합니다.
2단계: AI 조수, 대리 모델 훈련 (가우시안 프로세스 회귀)
모든 가능한 부식 시나리오에 대해 1단계의 복잡한 FEA 시뮬레이션을 수행하는 것은 현실적으로 수개월이 걸릴 수도 있는 작업입니다. 여기서 AI가 조수로 등장합니다. 연구팀은 '가우시안 프로세스 회귀(GPR)'라는 머신러닝 기법을 사용하여 시뮬레이션 결과를 학습시킵니다. GPR은 소수의 시뮬레이션 데이터만으로도 부식의 형태, 깊이, 재료 특성 등 입력값과 강도, 변형률 등 출력값 사이의 복잡한 관계를 학습할 수 있습니다. 이렇게 훈련된 GPR 모델은 실제 시뮬레이션을 돌리지 않고도 부식 상태만 알려주면 즉시 강도를 예측하는 '대리 모델(Surrogate Model)', 즉 '똑똑하고 빠른 AI 조수'가 됩니다.
GPR의 가장 큰 장점은 불확실성을 다루는 데 특화되어 있다는 점입니다. 예측값을 하나의 숫자로 제시하는 것이 아니라, "예측값은 평균 \(\mu(x_*)\)이고, 이 예측의 불확실성은 분산 \(\sigma^2(x_*)\)입니다"와 같이 확률 분포(\(f(x_*) \sim \mathcal{N}(\mu(x_*), \sigma^2(x_*))\)) 형태로 결과를 제공합니다. 이는 문제의 본질인 '불확실성'을 끝까지 안고 가는 매우 합리적인 방식입니다.
3단계: 7가닥 강선의 이론적 결합 (구조 역학 모델)
AI 조수가 개별 와이어의 성능을 예측해주면, 이제 7가닥이 합쳐진 전체 강선의 거동을 계산할 차례입니다. 이를 위해 연구에서는 '코스텔로 모델(Costello's model)'과 같은 고전적인 구조 역학 이론 모델을 사용합니다. 이 모델은 로프나 케이블을 해석하기 위해 개발된 것으로, 각 와이어의 기하학적 배치(꼬임 각도 등)와 상호작용(마찰)을 고려합니다. AI가 예측한 개별 와이어의 힘과 변형 데이터를 이 이론 모델에 적용하여, 7가닥 전체가 합쳐졌을 때 발휘되는 총 인장 강도와 변형률을 최종적으로 계산합니다.
4단계: 수만 번의 가상 실험과 최종 확률 예측 (몬테카를로 시뮬레이션)
마지막 단계는 모든 불확실성을 종합하여 최종적인 확률 분포를 얻는 것입니다. 재료 특성, 부식 깊이, 와이어 지름 등 불확실성을 가진 모든 변수들을 각각의 확률 분포에 따라 무작위로 수천, 수만 번 샘플링합니다. 그리고 이 각각의 샘플 조합을 2단계와 3단계에서 구축한 모델에 입력하여 강선의 최종 강도를 계산합니다. 이 과정을 '몬테카를로 시뮬레이션(MCS)'이라고 합니다.
이 수만 개의 가상 실험 결과(강도 예측값들)를 모아 '커널 밀도 추정(KDE)'과 같은 통계 기법을 적용하면, 강도 값들이 어떤 확률 분포를 이루는지 부드러운 곡선으로 나타낼 수 있습니다. 이를 통해 우리는 "이 부식된 강선의 강도가 특정 값 이하일 확률은 O%다" 또는 "95% 신뢰수준에서 이 강선의 강도는 OOO에서 OOO 사이의 값을 가질 것이다"와 같이 신뢰도 높은 확률적 예측을 할 수 있게 됩니다.
결론: 데이터 기반의 안전 관리 시대를 열다
이 연구는 복잡한 시뮬레이션과 AI, 그리고 이론 모델을 유기적으로 결합하여 부식된 강선의 성능을 확률적으로 예측하는 강력하고 효율적인 프레임워크를 제시합니다. 연구진은 실제 교량에서 채취한 8개의 부식된 강선 시편으로 인장 실험을 수행했으며, 이 연구에서 개발된 모델의 예측 범위(95% 신뢰구간) 안에 실제 실험 결과가 모두 포함되는 것을 확인하며 높은 정확도를 입증했습니다. 이러한 기술은 눈에 보이지 않는 부식의 위험을 과학적으로 평가하고, 교량과 같은 핵심 기반 시설의 안전 점검 및 유지보수 계획을 데이터에 기반하여 수립하는 데 결정적인 도움을 줍니다. 이는 경험에 의존하던 과거의 방식에서 벗어나, 더 안전하고 신뢰성 높은 사회를 만드는 중요한 발걸음입니다.