교량 응답 예측 인공지능 모델의 업데이트 비용 감축을 위한 확률기반 메모리 교체 기법

Abstract

전 세계적으로 구조물의 노후화가 가속화됨에 따라, 교량과 같은 주요 인프라의 장기적인 안전성을 확보하기 위한 실시간 구조물 건전성 모니터링(Structural Health Monitoring, SHM)의 필요성이 점차 커지고 있다. SHM 시스템의 활용 방안 중 하나인 이상 감지 문제에서는 센서로부터 수집된 정상 상태의 데이터를 활용하여 구조물의 거동을 분석하고 상태 변화를 평가하는 모델이 핵심 구성 요소로 활용된다. 그러나 같은 정상 상태라고 하더라도 환경적 요인에 따라 구조적 응답이 변동하기 때문에, 다양한 환경 조건에서의 데이터를 모두 고려할 필요가 있다. 여기서, 대부분의 환경 조건에서 데이터를 선제적으로 취득하는 것보다는 시간이 지남에 따라 추가된 새로운 데이터를 지속적으로 반영하는 것이 현실적인 방안이 될 수 있는데, 추가 취득 데이터를 모두 고려할 경우 모델 구축 비용이 증가할 수 있고, 추가 데이터만을 이용해 거동 평가 모델을 업데이트할 경우 기존 정보의 손실이라는 문제가 뒤따를 수 있다. 본 연구에서는 이러한 한계를 극복하기 위해 선택적이고 확률적인 메모리 교체 전략을 통해 효율적인 모델 업데이트 방식을 제안한다. 제안된 방법은 균형 잡힌 메모리 구성을 유지함으로써 계절적 변동과 장기적인 추세를 안정적으로 추적하며, 고정된 메모리 용량 내에서 샘플 관리와 업데이트 비용 절감을 동시에 달성한다. 한국 소록대교의 장기 모니터링 데이터를 활용한 사례 연구 결과, 제안된 프레임워크는 과거 정보를 보존하면서도 새로운 데이터에 유연하게 적응하여 신뢰성 높은 장기 예측 성능 확보의 가능성을 입증하였다.