AI가 구조 피로도를 예측하는 머신러닝 모델: 금속이 지쳐가는 신호를 읽는 법부터 디지털 트윈까지

1. 먼저, 금속은 왜 "지칠까"?

사람은 일을 많이 하면 피곤해지지만 잠을 자면 회복되잖아. 그런데 금속은 그렇지 않아. 한 번 쌓인 피로는 기본적으로 되돌아가지 않아. 이게 피로가 무서운 이유야.

구조물에 작용하는 하중은 대부분 일정하지 않아. 다리 위로 트럭이 지나갈 때마다 거더(주형)는 살짝 처졌다가 다시 올라오고, 바람이 불 때마다 고층 건물과 풍력 타워는 앞뒤로 흔들려. 이때 재료 내부에는 응력이 올라갔다 내려갔다 하는 사이클이 생기지. 이 응력이 재료의 항복강도보다 한참 낮아도, 수십만~수백만 번 반복되면 결국 균열이 생기고 자라서 파단에 이르러. 이걸 피로 파괴라고 불러.

현미경 수준으로 보면 이런 일이 벌어져.

그러니까 피로 문제의 핵심은 "얼마나 센 힘을 견디나"가 아니라 "얼마나 많은 반복을, 어떤 크기로, 어떤 순서로 받았나"야. 그리고 이 "이력(history)"을 다루는 데 AI가 끼어들 여지가 아주 크다는 게 오늘 이야기의 포인트지.

2. 피로를 설명하는 기본 언어: 응력 사이클

AI 모델에 무엇을 넣고 무엇을 뽑아낼지 이해하려면, 엔지니어들이 피로를 표현하는 언어부터 알아야 해. 생각보다 단순하니까 겁먹지 마!

여기에 "몇 번 반복하면 깨지나"를 나타내는 사이클 수 N이 짝꿍처럼 붙어. 그리고 반복 횟수 기준으로 피로를 크게 둘로 나눠.

건축물을 예로 들면, 지진은 몇 번 안 되지만 엄청 큰 변형을 주니까 저사이클 피로가 문제고, 교량이나 풍력 타워는 작은 하중이 어마어마하게 반복되니까 고사이클 피로가 문제야. AI 모델을 설계할 때도 이 구분에 따라 입력 데이터와 물리적 가정이 완전히 달라져.

3. S–N 곡선: 피로 공학의 근본 지도

19세기 중반 독일의 철도 기술자 아우구스트 뵐러(August Wöhler)는 기차 차축이 계속 부러지는 문제를 연구하면서 응력 크기와 파단까지의 반복 횟수 사이의 관계를 체계적으로 실험했어. 그 결과가 바로 S–N 곡선(뵐러 곡선)이야. S는 응력(Stress), N은 파단 사이클 수(Number of cycles)지.

로그–로그 축으로 그리면 S–N 관계는 상당 구간에서 직선에 가까워. 그래서 흔히 이렇게 써.

여기서 m은 곡선의 기울기(용접 강구조 설계 곡선에서는 흔히 m = 3이 쓰여), C는 재료·상세에 따른 상수야. 이 식이 말해 주는 건 꽤 충격적이야. m = 3이라면 응력 범위가 2배가 되면 수명은 1/8로 줄어. 과적 트럭이 다리에 왜 그렇게 해로운지 바로 감이 오지?

그림에 보면 몇몇 강재는 일정 응력 이하에서 곡선이 수평이 되는데, 이걸 내구 한도(endurance limit)라고 해. 이론적으로는 그 아래 응력에서는 무한히 반복해도 안 깨진다는 뜻이지. 하지만 알루미늄 합금처럼 뚜렷한 내구 한도가 없는 재료도 있고, 실제 구조물은 부식이나 가변 진폭 하중 때문에 이 한도가 사실상 사라지기도 해. 그래서 설계 기준들은 대개 아주 낮은 응력 구간까지 손상을 고려하도록 곡선을 정해 둬.

그런데 그림 속 파란 점들을 봐. 실험 결과가 곡선 위에 딱딱 붙지 않고 흩어져 있지? 같은 재료, 같은 응력으로 시험해도 수명은 몇 배씩 차이 날 수 있어. 이 산포(scatter)가 피로 예측을 어렵게 만드는 첫 번째 원흉이고, 동시에 확률적 접근과 머신러닝이 힘을 발휘하는 지점이야. 설계 곡선은 보통 평균에서 표준편차의 일정 배수만큼 낮춘, 즉 "대부분의 시편이 이보다는 오래 버티는" 보수적인 선으로 정해져.

4. 실제 하중은 들쭉날쭉해: 레인플로 계수와 마이너 법칙

실험실에서는 깔끔한 사인파 하중을 주지만, 현실의 다리는 승용차, 트럭, 버스, 바람, 온도 변화가 뒤죽박죽 섞인 가변 진폭 하중을 받아. 이 엉망진창 신호를 어떻게 "몇 MPa짜리가 몇 번"으로 정리할까?

4-1. 레인플로 계수법 (Rainflow counting)

1960년대 말 일본의 엔도 다쓰오(Endo Tatsuo)와 마쓰이시 미쓰오(Matsuishi Mitsuo)가 제안한 방법이야. 응력 시간 이력을 90도 돌려서 탑 지붕처럼 보고, 빗물이 지붕을 따라 흘러내리는 모습으로 사이클을 세는 데서 이름이 붙었어. 지금은 ASTM E1049 같은 표준에 절차가 정리되어 있고, 피로 해석의 사실상 표준 전처리 도구야.

핵심 아이디어는 이래. 복잡한 신호 속에서 닫힌 응력–변형률 히스테리시스 루프에 해당하는 사이클을 찾아내 짝지어 세는 거야. 결과물은 "응력 범위 Δσ_i짜리 사이클이 n_i번" 같은 히스토그램이지. 여기에 평균 응력까지 함께 기록하면 2차원 매트릭스가 돼.

4-2. 팜그렌–마이너 선형 누적 손상 법칙

이제 각 응력 범위별 횟수는 알았어. 그럼 전체 손상은? 여기서 등장하는 게 팜그렌–마이너 법칙(Palmgren–Miner rule)이야.

n_i는 실제로 겪은 응력 범위 i의 사이클 수, N_i는 그 응력 범위에서 S–N 곡선이 알려주는 파단 수명이야. 쉽게 말하면 "수명의 몇 퍼센트를 썼나"를 응력 크기별로 더하는 거지. D가 1에 도달하면 이론적으로 파괴로 봐.

예를 들어 볼게. 어떤 용접 상세가 80 MPa에서는 100만 회, 40 MPa에서는 800만 회 버틴다고 하자(m = 3이라 2배 차이면 8배 수명). 1년 동안 80 MPa짜리를 5만 회, 40 MPa짜리를 40만 회 겪었다면?

깔끔하지? 그런데 이 법칙은 하중 순서를 무시해. 실제로는 큰 하중이 먼저 오느냐 나중에 오느냐에 따라 결과가 달라질 수 있어. 예컨대 큰 인장 과하중이 한 번 걸리면 균열 끝에 압축 잔류응력이 생겨 이후 균열 성장이 일시적으로 느려지는 지연(retardation) 효과가 알려져 있어. 그래서 실험에서는 파괴 시점의 D가 1이 아니라 그보다 작거나 크게 나오는 경우가 흔하고, 일부 설계 지침은 1보다 작은 허용 손상 값을 쓰기도 해.

5. 균열이 자라는 속도: 파괴역학과 파리스 법칙

S–N 접근은 "언제 깨지나"를 통째로 보지만, 이미 균열이 발견된 구조물이라면 질문이 달라져. "이 균열이 위험한 크기까지 자라는 데 얼마나 걸리지?" 이걸 다루는 게 선형 탄성 파괴역학(LEFM)이야.

균열 끝 주변의 응력 상태는 응력 확대 계수 K로 표현해. 대략 K = Y·σ·√(πa) 꼴인데, a는 균열 길이, Y는 형상 계수야. 반복 하중에서는 그 변동폭 ΔK가 중요하고, 1960년대 초 폴 파리스(Paul Paris) 등이 균열 성장 속도와 ΔK의 관계를 이렇게 정리했어.

그래프를 보면 세 구간이 있어. 1구간은 ΔK가 문턱값(ΔK_th) 근처라 균열이 거의 자라지 않거나 매우 느리게 자라. 2구간이 파리스 법칙이 잘 맞는 구간으로, 로그–로그 축에서 직선이야. 3구간은 ΔK가 재료의 파괴인성에 가까워지면서 성장 속도가 폭발적으로 빨라져. 이 식을 균열 길이에 대해 적분하면, 현재 균열 길이에서 임계 길이까지 남은 사이클 수를 계산할 수 있어. 이게 손상 허용 설계(damage tolerance)와 점검 주기 결정의 바탕이야.

실무에서는 파리스 식을 확장한 모델들도 많이 써. 응력비 R의 영향을 넣은 포먼(Forman) 식, 균열 닫힘(crack closure) 효과를 고려한 엘버(Elber)의 유효 ΔK 개념, 그리고 이런 것들을 통합한 NASGRO 식 같은 것들이지. 그런데 이 모든 식의 상수들(C, m 등)은 재료·환경·온도에 따라 달라지고 실험으로 구해야 해. 바로 여기가 AI의 두 번째 출입구야. 관측된 균열 성장 데이터로 이 매개변수들을 실시간으로 갱신하는 것, 곧 베이지안 업데이트와 머신러닝이 함께 쓰이는 영역이지.

6. 그럼 기존 방법의 뭐가 문제인데?

여기까지 보면 "식도 있고 기준도 있는데 AI가 왜 필요해?"라는 생각이 들 수 있어. 좋은 질문이야. 현실의 구조물에서는 다음과 같은 불확실성이 줄줄이 겹쳐.

결국 기존 방법은 "설계 시점의 가정"에 크게 의존하는 반면, 구조물은 "실제로 살아온 인생"이 다 달라. AI 기반 피로 예측의 큰 그림은 이 간극을 메우는 거야. 센서로 실제 인생을 기록하고, 머신러닝으로 그 기록에서 피로 상태를 해석하고, 물리 모델과 결합해 미래를 예측하는 거지.

7. AI의 눈과 귀: 구조 건전성 모니터링(SHM)

머신러닝은 데이터 없이는 아무것도 못 해. 그 데이터를 모으는 체계를 구조 건전성 모니터링(Structural Health Monitoring, SHM)이라고 불러. 구조물에 센서를 달아 상태를 지속적으로 측정하는 기술이야. 피로 예측에 주로 쓰이는 센서들을 정리해 볼게.

대형 교량 모니터링의 대표적인 사례로 자주 언급되는 게 홍콩의 칭마(Tsing Ma) 대교 등에 적용된 풍·구조 건전성 모니터링 시스템(WASHMS)이야. 수백 개 단위의 센서가 바람, 온도, 변위, 변형률 등을 장기간 기록해 왔고, 이런 장기 데이터는 피로 연구의 중요한 기반이 돼 왔어. 국내에서도 서해대교, 영종대교, 이순신대교 같은 특수교량에 계측 시스템이 운영되고 있지.

8. 머신러닝 기초 다지기: 피로 문제를 AI 문제로 바꾸는 법

이제 진짜 AI 이야기야. 피로 예측을 머신러닝 문제로 바꾸려면 먼저 "입력(X)이 뭐고 출력(y)이 뭐냐"를 정해야 해. 같은 "피로 예측"이라도 목적에 따라 문제 유형이 확 달라져.

8-1. 특징량(feature) 설계: 도메인 지식이 빛나는 순간

"딥러닝이 알아서 다 해 주는 거 아냐?"라고 생각할 수 있는데, 피로 분야에서는 특히 물리를 아는 사람이 만든 특징량이 성능을 크게 좌우해. 데이터가 적은 경우가 많기 때문이야. 대표적인 특징량은 이런 것들이야.

특히 온도는 반드시 챙겨야 해. 교량의 고유진동수는 온도에 따라 계절적으로 변하는데, 이 변화가 손상으로 인한 변화보다 클 수 있다는 사실이 여러 장기 모니터링 연구에서 보고돼 왔어. 그래서 환경 영향을 먼저 걸러내지 않으면 AI가 "겨울에 다리가 다쳤다"고 착각할 수 있지. 이 과정을 환경·운영 변동(EOV) 보정이라고 불러.

9. 피로 예측에 쓰이는 머신러닝 모델 총정리

자, 이제 모델 구경을 해 보자. 각 모델의 성격을 사람에 비유해서 설명해 볼게. 어떤 모델이 "최고"라는 건 없어. 데이터의 양과 형태, 필요한 설명력, 불확실성 표현 요구에 따라 고르는 거야.

9-1. 선형·다항 회귀: 성실한 모범생

S–N 곡선 자체가 로그 공간에서의 선형 회귀라는 걸 기억해? 사실 피로 공학은 원래부터 회귀 분석과 친했어. 선형 모델은 해석이 쉽고 데이터가 적어도 안정적이지만, 여러 변수의 복잡한 상호작용(예: 표면 조도와 평균 응력의 결합 효과)을 잡기엔 한계가 있어. 그래서 더 복잡한 모델의 성능 비교 기준선(baseline)으로 꼭 깔아 두는 게 좋아.

9-2. 서포트 벡터 회귀(SVR): 경계선 장인

커널 함수를 이용해 비선형 관계를 다루고, 소~중규모 데이터에서 준수한 성능을 보여. 피로 수명 데이터베이스가 수백 건 수준일 때 랜덤 포레스트와 함께 자주 비교 대상이 되는 모델이야. 다만 하이퍼파라미터(커널 폭, 규제 계수 등)에 민감하고 데이터가 아주 커지면 계산 부담이 커져.

9-3. 랜덤 포레스트·그래디언트 부스팅: 실전 해결사

의사결정나무를 여러 개 모아 투표하거나(랜덤 포레스트), 앞 나무의 오차를 다음 나무가 보완하며 쌓아 가는(그래디언트 부스팅: XGBoost, LightGBM, CatBoost 등) 트리 앙상블 계열이야. 표 형태(tabular) 데이터에서 강력하고, 특징량 중요도를 뽑을 수 있어서 "어떤 변수가 수명에 가장 큰 영향을 줬나"를 엔지니어가 확인하기 좋아. 재료 성분·공정 조건으로 피로강도를 예측하는 연구에서 단골로 등장해.

단, 트리 모델은 학습 데이터 범위 바깥으로 외삽을 못 해. 학습 데이터의 최대 응력보다 큰 응력을 넣으면 예측이 그냥 평평해져 버려. 피로처럼 물리적으로 단조 감소 관계가 분명한 문제에서는 이 점을 꼭 알고 써야 해. 일부 라이브러리는 단조성 제약(monotonic constraint)을 걸 수 있어서, "응력이 커지면 수명은 줄어야 한다" 같은 물리 상식을 모델에 강제할 수도 있어.

9-4. 가우시안 프로세스 회귀(GPR): 겸손한 확률론자

GPR은 예측값뿐 아니라 "내가 이 예측을 얼마나 확신하는지"를 함께 알려줘. 데이터가 있는 곳 근처에선 불확실성이 작고, 데이터가 없는 곳에선 불확실성이 커지지. 안전이 걸린 구조 공학에서 이건 엄청난 장점이야. "수명 30년"보다 "수명 30년, 90% 신뢰구간 18~45년"이 의사결정에 훨씬 쓸모 있으니까. 대신 데이터가 많아지면 계산량이 급격히 늘어서(일반적으로 데이터 수의 세제곱에 비례), 대용량 시계열에는 근사 기법이 필요해.

9-5. 인공신경망(ANN, MLP): 만능 근사기

여러 층의 뉴런으로 복잡한 비선형 관계를 근사하는 모델이야. 피로 분야에서는 1990년대부터 피로 수명 예측에 신경망을 적용한 연구가 꾸준히 나왔어. 표현력은 뛰어나지만 데이터가 적으면 과적합되기 쉽고, 왜 그런 예측을 했는지 설명하기 어려워. 그래서 요즘은 뒤에 나올 물리 정보 신경망처럼 물리 법칙을 결합하는 방향으로 진화 중이야.

9-6. 합성곱 신경망(CNN): 눈썰미 좋은 감식반

이미지에 강한 모델이야. 피로 분야에서는 크게 세 가지 용도로 쓰여.
첫째, 균열 영상 검출: 드론·카메라로 찍은 강재·콘크리트 표면에서 균열을 찾아내는 컴퓨터 비전. 의미론적 분할(semantic segmentation) 모델로 균열 픽셀을 뽑아 길이·폭까지 측정하지.
둘째, 파단면·미세조직 분석: 금속 미세조직 사진이나 CT로 찍은 내부 결함 이미지를 입력으로 피로 거동을 예측.
셋째, 신호의 이미지화: 진동 신호를 스펙트로그램이나 웨이블릿 스케일로그 같은 시간–주파수 이미지로 바꿔 CNN에 넣는 방식. 1차원 CNN으로 원신호를 바로 처리하기도 해.

9-7. RNN·LSTM·GRU·트랜스포머: 이력을 기억하는 이야기꾼

피로는 "이력"의 문제라고 했지? 시계열 모델은 바로 그 이력을 다루도록 태어났어. LSTM(Long Short-Term Memory)은 게이트 구조로 오래된 정보를 선택적으로 기억하거나 잊을 수 있어서, 하중 순서 효과나 장기 열화 추세를 학습하는 데 쓰여. 잔여 수명(RUL) 예측 분야에서 특히 많이 연구됐지.
최근에는 자연어 처리에서 시작된 트랜스포머(Transformer)의 어텐션 구조를 시계열 열화 예측에 적용하는 연구도 늘고 있어. 어떤 시점의 하중이 현재 상태에 중요했는지를 어텐션 가중치로 들여다볼 수 있다는 점이 매력이야.

9-8. 그래프 신경망(GNN): 구조물을 "연결망"으로 보는 시선

트러스, 프레임, 그리드 셸 같은 구조물은 원래 절점(노드)과 부재(엣지)로 이루어진 그래프야. GNN은 이 연결 구조를 그대로 입력으로 받아, 부재 간 하중 전달 관계를 고려하며 응력이나 손상을 예측해. 센서가 일부 노드에만 있을 때 이웃 노드로 정보를 퍼뜨리는 데 유리해서, 앞에서 말한 가상 센싱 문제와 궁합이 좋아. 비정형 프리폼 구조가 많은 실험건축 분야에서 특히 주목받는 접근이야.

9-9. 물리 정보 신경망(PINN)과 하이브리드 모델: 이과 감성의 AI

요즘 가장 뜨거운 방향이야. 순수 데이터 기반 모델은 데이터가 적거나 외삽해야 할 때 물리적으로 말이 안 되는 예측(예: 하중이 커졌는데 수명이 늘어남, 손상이 시간에 따라 줄어듦)을 내놓을 수 있어. 물리 정보 신경망(Physics-Informed Neural Network)은 손실 함수에 지배 방정식(예: 파리스 법칙, 손상 누적식, 평형 방정식)을 위반하는 정도를 벌점으로 추가해, 모델이 데이터와 물리 둘 다 만족하도록 학습시켜.

또 다른 하이브리드 방식은 이런 식이야.

이런 하이브리드 접근은 데이터가 적어도 물리적으로 그럴듯한 예측을 하고, 엔지니어가 결과를 납득하기 쉽다는 장점이 있어. 안전 기준과 공존해야 하는 건축·토목 분야에서 특히 현실적인 길로 여겨지지.

9-10. 베이지안 업데이트와 확률적 모델: 증거가 쌓일수록 똑똑해지는 탐정

베이지안 접근은 "사전 지식(설계 단계의 수명 분포)"에 "새로운 증거(점검 결과, 센서 데이터)"를 결합해 "사후 지식"을 갱신해. 예를 들어 점검에서 "균열 없음"이라는 결과가 나오면 균열 크기 분포가 갱신되고, 다음 점검 시기를 합리적으로 늦출 수 있어. 파티클 필터나 마르코프 연쇄 몬테카를로(MCMC) 같은 기법이 이 과정에 쓰여. 확률적 손상 모델과 ML을 결합한 베이지안 신경망, 여러 신경망의 예측 분산을 이용하는 딥 앙상블, 드롭아웃을 이용한 근사 불확실성 추정 등도 같은 목표를 향해.

10. 실제 파이프라인은 이렇게 굴러가

모델만 좋으면 끝? 전혀 아니야. 실무에서 AI 피로 예측 시스템은 데이터 수집부터 의사결정까지 하나의 긴 파이프라인이야. 이 흐름을 한 단계씩 따라가 보자.

11. 손으로 만져 보기: 간단한 코드 예시

개념만 보면 감이 안 올 수 있으니, 아주 단순화한 예시 코드를 보자. 가상의 응력 신호에서 레인플로 계수로 손상도를 계산하고, 트리 앙상블 모델로 수명을 회귀하는 흐름이야. 실제 프로젝트는 훨씬 복잡하지만 뼈대는 이래.

import numpy as np
import rainflow                     # pip install rainflow
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import GroupKFold

# 1) 가변 진폭 응력 신호(MPa)에서 사이클 추출
def damage_from_signal(stress, m=3.0, C=2e6 * 71**3):
    """S-N: N = C / S^m 를 가정한 마이너 누적 손상"""
    D = 0.0
    for rng, mean, count, i_start, i_end in rainflow.extract_cycles(stress):
        if rng <= 0:
            continue
        N = C / (rng ** m)
        D += count / N
    return D

def equivalent_range(stress, m=3.0):
    ranges, counts = [], []
    for rng, mean, count, _, _ in rainflow.extract_cycles(stress):
        ranges.append(rng); counts.append(count)
    r, c = np.array(ranges), np.array(counts)
    return (np.sum(c * r**m) / np.sum(c)) ** (1 / m)

# 2) 시편/상세별 특징량 테이블 구성 (예시)
# X 열: [등가응력범위, 평균응력, 응력비, 판두께, 용접토반경, 온도]
# y   : log10(파단 사이클 수)
# groups: 시편 ID (같은 시편이 학습/검증에 섞이지 않게)

model = GradientBoostingRegressor(n_estimators=400, max_depth=3,
                                  learning_rate=0.05, subsample=0.8)

def evaluate(X, y, groups):
    scores = []
    for tr, te in GroupKFold(n_splits=5).split(X, y, groups):
        model.fit(X[tr], y[tr])
        pred = model.predict(X[te])
        scores.append(np.sqrt(np.mean((pred - y[te])**2)))
    return np.mean(scores)  # log 공간 RMSE

몇 가지 포인트만 짚을게. 첫째, 수명 N은 범위가 수천에서 수천만까지 넓어서 로그를 취해 회귀하는 게 일반적이야. 둘째, GroupKFold로 시편 단위로 나눠 검증해서 데이터 누수를 막았어. 셋째, 예시의 S–N 상수는 200만 회에서 71 MPa라는 상세 범주 개념을 흉내 낸 것일 뿐, 실제 설계에는 해당 기준의 곡선 형태(기울기 변화점, 차단 한계 등)를 정확히 따라야 해.

이런 파이프라인을 직접 짜 보고 싶은데 파이썬이나 데이터 분석이 막막하다면, 재능넷 같은 재능 공유 플랫폼에서 데이터 분석이나 구조해석 쪽 전문가에게 도움을 받아 보는 것도 현실적인 방법이야. 도메인 지식과 코딩 실력이 한 사람에게 다 있는 경우는 생각보다 드물거든.

12. 디지털 트윈: 구조물의 쌍둥이가 대신 늙어 준다

AI 피로 예측의 종착역처럼 이야기되는 개념이 디지털 트윈(Digital Twin)이야. 실제 구조물과 연결된 가상 모델이 센서 데이터를 받아 실시간으로 상태를 갱신하고, 미래 시나리오를 시뮬레이션하는 체계지. 항공 분야에서는 2010년대 초 미국 공군 연구소와 NASA 쪽에서 기체의 개별 비행 이력을 반영해 피로 수명을 관리하는 "기체 디지털 트윈" 개념을 제시하면서 널리 알려졌어.

피로 관점에서 디지털 트윈이 하는 일은 대략 이래.

디지털 트윈에서 머신러닝이 특히 중요한 이유는 속도야. 정밀 유한요소해석 한 번에 몇 시간이 걸린다면, 센서 데이터가 1초에 수백 개씩 들어오는 상황에서 실시간 갱신은 불가능하잖아. 그래서 미리 수많은 해석 결과를 학습한 ML 대리 모델이 밀리초 단위로 응력과 손상을 근사해 주는 거지. 차원 축소(고유직교분해, POD)와 신경망을 결합한 축소 차수 모델(ROM)도 많이 쓰여.

13. 분야별 응용 사례: 어디서 실제로 쓰이고 있나

13-1. 강교량: 피로의 최전선

강교는 피로 문제가 가장 활발히 연구되는 분야 중 하나야. 특히 강상판(orthotropic steel deck)은 바퀴 하중이 직접 가해지는 얇은 판과 리브가 용접으로 촘촘히 연결돼 있어서, 데크플레이트–U리브 용접부, 리브–횡리브 교차부 등에서 피로 균열이 여러 나라에서 보고돼 왔어. 연구자들은 WIM 데이터로 차량 하중 스펙트럼을 만들고, 변형률 계측으로 실제 응력 이력을 얻어 ML로 손상을 예측하고 있어. 또 차량의 축중·속도·주행 차로 정보와 계측 변형률의 관계를 학습해, 교통 데이터만으로 피로 손상을 추정하려는 시도도 있지. 센서를 영구적으로 다 달 수 없으니, 일정 기간 계측해 모델을 만든 뒤 교통 데이터로 장기 추정하는 전략이야.

13-2. 풍력 발전기: 바람이 주는 끝없는 숙제

풍력 터빈은 설계 수명 동안 엄청난 횟수의 하중 반복을 겪어. 블레이드 회전, 난류, 타워 흔들림, 해상이라면 파랑까지 더해지지. 그래서 풍력 업계는 피로 하중을 아주 체계적으로 다뤄. 국제 표준 IEC 61400 시리즈의 설계 하중 조건을 만족하기 위해 수많은 공탄성 시뮬레이션을 돌려야 하는데, 이 비용을 줄이려고 ML 대리 모델로 풍속·난류 강도·풍향에 따른 등가 피로 하중(DEL)을 예측하는 연구가 많아. 운영 중에는 터빈에 기본으로 달린 SCADA 데이터(풍속, 회전수, 출력 등)로 타워나 블레이드 루트의 피로 하중을 추정하는 "가상 하중 센서" 연구가 활발해. 비싼 변형률 센서를 모든 터빈에 달지 않고, 일부 터빈에서 학습한 모델을 단지 전체로 확장하는 방식이지.

13-3. 해양 구조물: 부식과 파도의 이중고

해상 플랫폼, 해상풍력 하부구조(모노파일, 재킷)는 파랑에 의한 반복 하중과 해수 부식을 동시에 겪어. 앞에서 말한 키엘란 사고 이후 해양 구조물의 피로 설계와 점검은 크게 강화됐어. 수중 점검은 비싸고 위험하기 때문에, 계측 데이터와 파랑·해상 정보를 이용해 피로 손상을 추정하고 점검 우선순위를 정하는 위험도 기반 점검에 확률 모델과 ML이 결합되고 있어.

13-4. 항공기: 피로 관리의 교과서

항공은 피로 관리가 가장 엄격한 분야야. 1988년 알로하 항공 243편 사고에서는 노후 기체의 동체 외피가 비행 중 떨어져 나갔는데, 이음부의 다발성 피로 균열(MSD)과 부식이 원인으로 지목되면서 노후 항공기 관리 체계가 크게 강화됐어. 항공기는 이미 개별 기체의 비행 하중을 기록하는 프로그램이 오래전부터 있어 왔고, 여기에 ML을 결합해 기체별 피로 소모를 정밀하게 추적하려는 연구가 진행 중이야. 건축 분야가 배울 점이 아주 많은 곳이지.

13-5. 금속 적층 제조(3D 프린팅) 부품: 결함과의 전쟁

금속 3D 프린팅 부품은 내부 기공(porosity), 미용융 결함, 거친 표면 때문에 피로 성능의 산포가 크다고 알려져 있어. 연구자들은 CT로 찍은 결함의 크기·위치·형상과 공정 변수(레이저 출력, 주사 속도 등)를 입력으로 피로 수명을 예측하는 ML 모델을 만들고 있어. 특히 표면 근처의 큰 결함이 균열 시작점이 되는 경향이 있어서, 결함 특징을 어떻게 수치화하느냐가 성능을 좌우해. 무라카미 유키타카(Murakami Yukitaka)의 √area 매개변수처럼 결함 크기를 피로강도와 연결하는 고전적 개념이 ML 특징량으로 재활용되기도 해. 물리 지식과 ML이 만나는 좋은 예지.

14. 미래/실험건축에서 AI 피로 예측이 중요한 이유

이제 건축 이야기로 더 깊이 들어가 보자. 사실 전통적인 건물은 고정 하중이 지배적이라 피로가 주된 설계 조건이 아닌 경우가 많아. 그런데 미래형·실험적 건축으로 갈수록 이야기가 완전히 달라져.

14-1. 상징적 사례: 3D 프린팅 스테인리스강 다리

네덜란드 암스테르담에는 로봇 팔로 스테인리스강을 용착 적층(와이어 아크 적층 제조, WAAM)해서 만든 보행교가 있어. MX3D라는 회사가 주도한 프로젝트로, 2021년에 운하 위에 설치돼 공개됐지. 이 다리가 특별한 건 모양만이 아니야. 다리에 변형률, 진동, 온도 등을 측정하는 센서 네트워크를 설치하고, 영국 앨런 튜링 연구소(The Alan Turing Institute) 등 연구진이 이 데이터로 다리의 디지털 트윈을 만들어 거동을 연구하는 프로젝트가 함께 진행됐어.

왜 이렇게까지 했을까? 적층 제조 강재는 층을 쌓는 방향에 따라 물성이 달라지고(이방성), 표면이 울퉁불퉁하며, 전통적인 압연 강재처럼 수십 년 쌓인 피로 데이터베이스가 없거든. 그러니 "설계 기준을 그대로 믿기보다, 실제로 재면서 배우자"는 접근이 필요했던 거야. 이게 바로 미래 건축에서 AI 피로 예측이 맡게 될 역할을 잘 보여주는 사례야.

14-2. 설계 단계로 들어오는 AI: 생성형 설계와 피로 제약

미래 건축의 또 다른 흐름은 계산 설계(computational design)와 위상 최적화야. 컴퓨터가 수많은 형태를 생성하고 평가해 최적의 구조를 찾는 건데, 지금까지는 주로 강성이나 무게를 목표로 했어. 문제는 최적화된 형태일수록 얇고 날카로운 부분이 생겨 응력 집중이 커질 수 있다는 거야. 그래서 피로 제약을 넣은 위상 최적화가 연구되고 있는데, 매 반복마다 피로 해석을 하면 너무 느리니까 ML 대리 모델로 피로 지표를 빠르게 근사하는 방식이 쓰여. 디자이너가 형태를 바꾸면 피로 위험 부위가 실시간으로 색깔로 표시되는 설계 도구, 생각만 해도 멋지지?

14-3. 재사용 건축과 순환 경제

탄소 중립 시대에는 철거된 건물의 강재 부재를 새 건물에 재사용하는 시도가 늘고 있어. 그런데 중고 강재는 "이 부재가 과거에 어떤 하중을 얼마나 받았는지"가 불확실해. 피로 이력이 중요한 부재라면 더더욱 그렇지. 부재의 과거 사용 조건, 비파괴검사 결과, 재료 시험 데이터를 결합해 잔여 피로 성능을 추정하는 데 확률 모델과 ML이 쓰일 수 있어. 이는 구조 부재에도 "건강 기록부"를 붙이는 방향으로 이어질 수 있지.

14-4. 스마트 재료와 자가 감지 구조

센서를 "붙이는" 게 아니라 재료 자체가 센서가 되는 방향도 연구되고 있어. 탄소나노튜브나 탄소섬유를 섞은 시멘트 복합재는 변형이나 손상에 따라 전기저항이 변해서, 구조물 자체가 변형률을 감지하는 자가 감지(self-sensing) 재료로 연구돼. 광섬유를 구조물 내부에 매립해 분포형으로 변형률을 측정하는 기술도 있지. 이런 재료가 쏟아내는 고밀도 데이터를 해석하려면 결국 ML이 필요해.

15. 콘크리트와 복합재료는? 강재만의 이야기가 아니야

피로 하면 금속을 떠올리지만, 다른 재료도 지쳐.

콘크리트는 반복 압축·휨 하중에서 미세균열이 점진적으로 진전돼. 교량 바닥판처럼 차량 바퀴가 반복적으로 지나가는 부재에서는 콘크리트 피로와 철근 피로가 함께 문제가 될 수 있어. 철근 콘크리트 바닥판의 반복 윤하중 시험 데이터를 이용해 피로 수명을 예측하는 ML 연구들도 있고, 콘크리트 표면 균열 영상의 패턴 변화를 CNN으로 추적하는 접근도 많아.

섬유강화 복합재료(FRP)는 금속과 완전히 다른 방식으로 지쳐. 하나의 균열이 자라는 게 아니라 기지(matrix) 균열, 층간 박리(delamination), 섬유 파단이 복합적으로 진행되면서 강성이 점차 떨어지지. 그래서 S–N 곡선 하나로 설명하기 어렵고, 강성 저하 곡선이나 음향방출 신호 같은 다변량 지표를 ML로 해석하는 접근이 특히 유용해. 풍력 블레이드, FRP 보강 구조, 경량 건축 외피 등에 쓰이니 미래 건축과도 밀접해.

목재·매스팀버도 장기 반복 하중과 습도 변화의 영향을 받아. CLT(교차적층목) 같은 매스팀버 건축이 늘면서 접합부의 장기 거동을 모니터링하는 연구도 증가하고 있어. 습도에 따른 함수율 변화와 기계적 거동의 결합은 데이터 기반 모델이 도전할 만한 영역이야.

16. 냉정하게 보자: 한계와 함정

여기까지 들으면 AI가 다 해결해 줄 것 같지? 아니야. 오히려 안전이 걸린 분야라서 한계를 정확히 아는 게 더 중요해.

17. 좋은 AI 피로 예측 모델의 체크리스트

정리하는 의미로, 실무나 연구에서 "이 모델 믿을 만한가?"를 판단할 때 쓸 수 있는 체크리스트를 만들어 봤어.

18. 앞으로 어떤 변화가 올까?

지금 흐름을 보면 몇 가지 방향이 뚜렷해.

특히 미래/실험건축의 입장에서 보면, AI 피로 예측은 단순한 유지관리 도구를 넘어 "새로운 형태와 재료를 감히 시도할 수 있게 해 주는 안전망"이 될 수 있어. 기존 기준에 데이터가 없는 신재료나 파격적인 형태라도, 지어 놓고 정밀하게 감시하며 학습하는 체계가 있다면 위험을 관리하면서 혁신을 시도할 수 있으니까. 앞에서 본 3D 프린팅 다리가 바로 그런 철학의 실험장이었지.

19. 자주 묻는 질문

20. 마무리: 지쳐가는 구조물의 목소리를 듣는 기술

오늘 이야기를 한 줄로 정리하면 이거야. 구조물은 매일 조금씩 지쳐가고, 그 흔적은 데이터로 남는다. AI는 그 데이터에서 피로의 목소리를 알아듣는 통역사다.

뵐러가 기차 차축을 부러뜨려 가며 그린 S–N 곡선, 빗물 흐르듯 사이클을 세는 레인플로 계수, 균열 성장을 설명하는 파리스 법칙, 그리고 손상을 더해 가는 마이너 법칙까지. 이 오래된 지혜들은 사라지지 않았어. 오히려 머신러닝이라는 새로운 도구와 만나 "설계 시점의 가정"에서 "실제로 살아온 인생"으로 판단의 기준을 옮기는 중이야.

물론 데이터 부족, 외삽의 위험, 설명 가능성, 제도화라는 숙제가 남아 있어. 그래서 가장 유망한 길은 순수한 데이터 마법이 아니라, 물리 법칙을 존중하면서 데이터로 배우는 하이브리드 접근이야. 그리고 그 길의 끝에는 더 과감한 형태, 더 가벼운 구조, 더 새로운 재료를 안전하게 실험할 수 있는 미래 건축이 기다리고 있어.

다음에 다리를 건너다 살짝 흔들리는 느낌이 들면, 그 다리 어딘가에서 센서가 그 흔들림을 기록하고, 어떤 모델이 "오늘도 수명의 아주 작은 조각을 썼어"라고 계산하고 있을지도 모른다는 걸 떠올려 봐. 생각보다 꽤 든든하지? 🌉