구조 건전성 모니터링: 물리-데이터 융합

운영 중인 구조 건전성 모니터링(SHM)은 실제 손상 데이터 부족, 환경 변화의 영향, 고정밀 물리 시뮬레이션의 높은 계산 비용이라는 난제에 직면해 있습니다. 본 연구는 이러한 문제를 해결하기 위해 유한요소해석(FEA)과 자기지도 대조 학습을 결합한 물리-데이터 이중 구동 프레임워크를 제안합니다. 제안된 아키텍처는 두 가지 매트릭스 전략을 활용합니다. 첫째, 모달 해석에서 파생된 기계적 제약 조건을 인코딩하는 정적 물리 기반 매트릭스입니다. 둘째, 노드, 서브그래프, 전역 수준에서 계층적 InfoNCE 목표를 통해 학습되는 동적 모니터링 매트릭스입니다. 또한, 실제 구조적 열화를 환경 변화와 구별하기 위해 관찰된 열 구배 패턴에 따라 물리 및 데이터 기반 특징의 가중치를 동적으로 조절하는 어텐션 기반 온도 적응형 융합 메커니즘을 도입했습니다. 이 프레임워크는 매개변수적 손상 시뮬레이션을 음성 훈련 샘플로 활용하여 미지의 고장 모드를 감지할 수 있는 개방형 분류 능력을 달성합니다. IASC-ASCE, Z24 Bridge, Guangzhou Tower 세 가지 벤치마크 데이터셋에 대한 광범위한 검증 결과, 본 접근 방식은 기존 최첨단 방법보다 4.4-6.1% 우수한 성능을 보였으며, 20%의 레이블 데이터만으로 IASC-ASCE 벤치마크에서 94.2%의 정확도를 달성했습니다. 특히, 이 모델은 단 5%의 레이블 샘플로도 89.7%의 정확도를 유지하여, 6배 더 많은 주석이 필요한 지도 학습 기준선과 필적하는 뛰어난 레이블 효율성을 입증했습니다. 본 연구는 구조 역학과 딥 표현 학습을 통합하는 강력한 방법론을 확립하여, 제한된 감독과 다양한 열 조건에서도 신뢰성을 보장합니다.