DC-WGAN 기반 3D 가상 골재 데이터 증강
아스팔트 혼합물 수치 모델의 일반화 능력은 가상 골재 데이터베이스의 제한된 형태학적 다양성으로 인해 저해되며, 이는 아스팔트 포장의 기계적 반응 예측 신뢰도를 낮춥니다. 본 연구는 이러한 한계를 극복하고자 딥 컨볼루션 Wasserstein 생성적 적대 신경망(DC-WGAN)을 활용하여 3D 가상 골재 데이터베이스를 증강하는 새로운 프레임워크를 제안합니다. 스테레오 비전 및 다중 뷰 매칭 기술로 원본 3D 가상 골재 데이터베이스를 구축한 후, 6가지 DC-WGAN 변형 모델을 사용하여 데이터를 증강했습니다. 모델 성능과 증강된 데이터베이스를 종합적으로 평가하기 위해 다중 기준 평가 접근법을 도입했으며, 데이터 증강이 기계적 반응 예측에 미치는 영향을 분석하고자 골재 패킹 및 Superpave Gyratory Compaction(SGC) 시뮬레이션을 수행했습니다. 연구 결과, DC-WGAN-div 모델이 가장 낮은 Wasserstein 거리 및 Fréchet Inception 거리 값을 보였으며, 진구형도, 각도 지수, 프랙탈 차원 측면에서 형태학적 충실도가 가장 높아 최적의 성능을 달성했습니다. 증강된 골재 데이터베이스는 골재 패킹 밀도 및 회전-높이 곡선에서 높은 일관성을 보여 아스팔트 혼합물의 기계적 반응을 충실히 재현할 수 있음을 입증했습니다. 본 연구는 DC-WGAN을 활용한 3D 가상 골재 데이터 증강의 효과를 검증하고, 이를 통해 아스팔트 혼합물 수치 모델의 예측 신뢰도를 향상시킬 수 있는 길을 제시합니다. 최적의 성능을 보인 DC-WGAN-div 모델로 증강된 데이터베이스는 경량화 처리 가능성도 확인되어 실제 적용 잠재력이 높습니다.