PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20015v1cs.LG

장경간 도로 교량을 위한 적응형 거리 인식 트렁크 딥 오퍼레이터 러닝

Adaptive Distance-Aware Trunk Deep Operator Learning for Long-Span Roadway Bridges

장경간 도로 교량은 차량 하중 하에서 고도로 국소화된 구조 응답을 보이며, 이로 인해 영향면 생성 및 구조적 디지털 트윈과 같은 응용 분야에서 반복적인 유한요소(FE) 해석의 계산 비용이 높아집니다. 기존의 과학적 기계 학습(SciML) 접근 방식은 이러한 국소화된 응답을 정확하게 포착하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해 본 연구는 대규모 교량 시스템에서의 국소화된 구조 응답 예측을 위해 적응형 트렁크 DeepONet을 제안합니다. 이 프레임워크는 KNN 전략을 사용하여 하중 종속 학습 도메인을 동적으로 구성함으로써, 네트워크가 구조 영향 영역에 집중할 수 있도록 합니다. 트렁크 네트워크는 하중과 구조 노드 사이의 기하학적 관계를 인코딩하는 거리 인식 특징을 사용하여 추가로 향상됩니다. 강성 정보 슈어 보체(Schur complement) 공식을 통해 물리 기반 전체장 재구성이 통합되어, 적응형 노드에서의 예측을 전체 구조 도메인으로 확장할 수 있습니다. 확장 가능한 학습을 가능하게 하기 위해, 지배적인 전역 거동을 보존하면서 계산 비용을 획기적으로 줄이는 축소 차수 등가 쉘 모델을 사용하여 응답 데이터를 생성합니다. 제안된 프레임워크는 벤치마크 교량 모델과 실제 무사파(Mussafah) 교량 모두에서 검증되었습니다. 결과에 따르면 해당 방법은 상대 오차 5% 미만으로 FEM 수준의 정확도를 달성하면서, 전체 응답 평가 시간(전체장 재구성 포함)을 약 60배 단축합니다. 후처리 재구성 단계를 제외하면 AD-DeepONet 추론은 FEM보다 최대 4자릿수 더 빠릅니다. 또한, 이 프레임워크는 임의의 차량 하중 구성 하에서 전체장 응답, 영향선 및 영향면의 빠른 생성을 가능하게 하여, 대규모 교량 해석 및 디지털 트윈 응용 분야에서 강력한 잠재력을 보여줍니다.