1. 서 론

폭발 하중은 극대 과압(peak overpressure), 짧은 지속시간, 그리고 큰 충격량을 특징으로 한다. 폭발원과의 이격거리(stand- off distance), 반사 조건, 구조 형상에 따라 압력-시간 이력이 급격히 변화하며, 입사 과압과 반사 과압이 복합적으로 작용한다(Kinney and Graham, 2013). 실무에서는 폭약량(WTNT)과 이격거리(RD)를 고려한 축척거리(scaled distance,)로 폭발 조건을 정규화하나, Z에서도 경계조건 및 반사 환경에 따라 국부 응답이 상이하게 나타난다(UFC, 2008). 이러한 고변형률(high strain rate) 하중 특성은 RC 구조물의 재료 비선형성과 파괴 메커니즘을 복잡하게 만들며, 전역 변형보다 국부 손상이 구조 응답을 지배한다.

RC 구조물의 폭발 손상은 균열의 국부화, 콘크리트 박리(spalling, spall), 배면 박락(scabbing, scab), 국부 압괴(local crushing), 전단파괴, 철근 항복･좌굴, 부착 성능 저하 등 다양한 형태로 나타날 수 있다. 특히 국부 손상은 잔존 내력의 급격한 저하나 하중 재분배를 유발하여 연쇄 붕괴(progressive collapse) 또는 기능 상실로 확대될 수 있다(Bao and Li, 2010; Yuan et al., 2023).

폭발은 테러 시나리오에만 국한되지 않으며, 다양한 조건에서 발생 가능하다. 1995년 Oklahoma City의 Alfred P. Murrah Federal Building 폭발은 168명의 사망자를 발생시켰으며, 이는 폭발 하중에 대한 구조 설계 기준 개선의 계기가 되었다(Mlakar et al., 1998). 최근에는 2020년 Beirut 항만 폭발이 도시 규모의 피해를 야기하였으며, 이는 위험물 저장 및 관리 실패가 극단적 결과로 이어질 수 있음을 보여주었다(Alkarkhi et al., 2025). 또한 주거･상업 공간에서의 가스 폭발, 산업시설의 누출･점화, 건설 현장의 용접･절단 작업 중 사고 등 일상적 조건에서도 폭발 사고가 반복적으로 보고된다(Kang et al., 2022; Song et al., 2021). 이러한 사례들은 폭발이 다양한 공간 및 공정에서 발생할 수 있으며, 국부 손상이 단시간 내 치명적 결과로 확대될 수 있음을 시사한다. 따라서 설계 단계의 사전 위험성 평가 및 사고 후 신속한 안정성 평가를 위한 효율적인 손상예측 방법론이 요구된다.

폭발 하중 하 손상평가에서 중요한 점은 구조 응답이 단일 스칼라 지표만으로 충분히 대표되기 어렵다는 사실이다. 지진 하중은 관성력에 의해 상대적으로 전역적 변형 양상이 나타나는 반면, 폭발 하중은 국부 손상과 급격한 응력 구배(steep stress gradient)를 유발한다(Zhang et al., 2020). 이에 따라 동일한 최대 처짐 또는 지점 회전을 보이더라도 지배 파괴 유형이 달라질 수 있으며, 이는 보강 및 복구 전략의 선택에 영향을 미친다(Kwaffo et al., 2022). 예를 들면, 전단지배 손상은 전단 보강 중심의 개입이 우선되지만, 박리/배면박락이 광범위하여 철근 노출과 단면 결손이 동반되는 경우에는 표면 보강뿐 아니라 국부 보수와 부착 성능 회복을 포함하는 복합 전략이 요구된다. 결과적으로 균열 패턴, 박리･배면 박락의 위치･범위 그리고 손상 집중부와 같은 공간적으로 분포된 시각 정보가 파괴 유형 판별과 의사결정의 핵심 근거가 된다. 이러한 손상 정보는 단일 응답치로 축약될 수 없는 고차원 공간장 특성을 가지며, 손상 모드 판별과 국부 보강 전략 수립에 필수적이다. 이를 위하여 실험 및 유한요소해석을 통한 정밀 구조 응답 분석이 필수적이나, 대규모 실험 시설 확보, 복잡한 모델 구축 및 보정, 그리고 단일 케이스당 수 시간에 달하는 높은 계산 비용 등 막대한 시간과 자원이 요구된다. 이러한 한계를 극복하기 위해 머신러닝 기반 접근법이 도입되었으나, 기존 예측 모델은 최대 응답치 및 손상 수준 예측에 집중하여 균열박리의 공간 분포를 직관적으로 제시하는 데에는 제한이 있다. 따라서, 신속성과 손상 분포의 시각화 그리고 파괴 유형 판별 가능성을 동시에 만족하는 통합 프레임워크는 상대적으로 부족하다.

본 연구는 이러한 공백을 해소하기 위해 폭발 및 구조 조건을 입력으로 받아 신속한 추론이 가능하면서도 FEM 수준의 손상 정보를 이미지 형태로 직접 생성하는 조건부 생성적 적대 신경망(conditional Generative Adversarial Network, cGAN) 기반 프레임워크를 제안한다. 해당 cGAN 예측 모델의 입력 조건은 TNT 등가량(TNT equivalent mass, WTNT), 이격거리(stand-off distance, RD), 주철근비(longitudinal reinforcement ratio, ρl), 전단철근비(transverse reinforcement ratio, ρt)로 구성하였다. 출력은 (1) 손상 분포 이미지와 (2) 손상 영역 마스크를 동시에 생성하는 이중 출력(dual-output) 구조로 설계한다. 여기서 손상 분포 이미지는 FEM에서 추출한 유효소성변형률(Effective Plastic Strain, EPS)분포를 생성 대상으로 정의하며, 손상 영역 마스크는 요소 소실(element erosion)로 정의되는 손상 영역을 이진화(binary labeling)한 마스크로 구성한다. 이러한 구성은 연속장(continuous field) 기반의 물리적 타당성 점검과 손상 위치･범위의 명확화를 동시에 가능하게 하여 신속 손상평가 및 보강 설계의 의사결정에 활용될 수 있다.

2. 폭발 손상 분포 예측을 위한 학습 데이터셋

2.1 유한요소해석 모델

본 연구에서 사용된 학습 데이터는 LS-DYNA를 이용한 유한요소해석을 통해 생성하였다. 폭발 하중 하에서 RC 기둥의 동적 응답과 손상 진전을 신뢰성 있게 재현하기 위해 먼저Woodson과 Baylot(1999)의 1/4 축소 RC 골조 폭발 실험을 대상으로 폭발 하중 모델링 방법론의 타당성을 검증하였다.

폭발 하중의 재현에는 Load Blast Enhanced(LBE) 방법과 Multi-material Arbitrary Lagrangian-Eulerian(MM-ALE) 방법을 결합한 coupled LBE-ALE 기법을 적용하였다(Schwer, 2010). LBE 방법은 경험식을 이용하여 폭발 압력을 효율적으로 산정할 수 있으나, 구조물 전면에서의 반사파 중첩, 회절 및 후류 유동과 같은 blast wave interaction을 직접적으로 재현하는 데 한계가 있다. 반면 MM-ALE 방법은 폭약과 주변 공기를 Eulerian 영역으로, 구조물을 Lagrangian 영역으로 모델링함으로써 높은 정확도를 확보할 수 있으나, 공기 영역의 많은 요소 수와 작은 시간증분으로 인해 계산 비용이 크게 증가한다. 이에 본 연구에서는 정확도와 계산 효율의 균형을 고려하여 coupled LBE-ALE 기법을 채택하였다. 이 방법은 LBE를 통해 생성된 압력-시간 이력을 구조물 전면의 단일 수신층(ambient single layer)에 작용시킨 후, ALE 공기 메쉬를 통해 blast wave가 구조물로 전달되도록 구성된다. 또한 공기 영역과 구조물은 Fluid-Structure Interaction(FSI) 알고리즘으로 연계되어, MM-ALE 방법과 유사한 수준으로 폭발파의 전파와 구조물과의 상호작용을 모사할 수 있다.

폭발하중 모델링 방법론의 검증에는 Woodson과 Baylot(1999)의 1/4 축소 RC 골조를 대상으로 수치해석 결과와 비교하여 검증되었다. 해당 실험에서는 7.1kg의 C4 폭약이 이격거리 1.07m, 지표면 상부 305mm 높이에서 폭발하였으며, 폭발 손상은 주로 1층 기둥에 집중되었다. 본 연구에서는 폭발 하중의 직접적인 영향을 가장 크게 받는 1층 전면 기둥을 대상으로 검증용 유한요소모델을 구성하였다. 검증용 기둥은 높이 900mm, 단면 89mm × 89mm의 정사각형 RC 부재로 모델링하였고, 횡방향 철근 간격은 100mm로 설정하였다. 콘크리트는 메쉬 의존성(mesh dependency)를 최소화하기 위해 25mm의 균일한 8절점 solid 요소로 모델링하였으며, 해당 요소 크기는 mesh sensitivity analysis를 통해 결정하였다. 철근은 beam 요소로 구현하였으며, 메쉬 크기 및 철근 요소 구성은 기둥 상세와 노드 정합성을 고려하여 설정하였다. 상부(header)는 수평 방향(x, y 방향) 변위를 구속하였고, 하부 기초(footing)는 모든 병진 및 회전 자유도를 구속하는 고정 경계조건(fixed boundary condition)으로 설정하였다. 또한 철근-콘크리트 계면의 부착 성능 저하를 반영하기 위해 종방향 철근은 콘크리트 절점과 분리하여 모델링하고, LS-DYNA의 1D slide line 기법을 적용하여 bond-slip 거동을 구현하였다.

콘크리트의 비선형 거동 및 손상을 모사하기 위해 Karagozian & Case(K&C) 콘크리트 재료모델(CONCRETE_DAMAGE_REL3, MAT_072)을 사용하였다. 철근은 bilinear 탄소성 재료모델(PLASTIC_KINEMATIC, MAT_003)로 구현하였고, 종방향 철근과 횡방향 철근의 항복강도는 각각 449MPa 및 399MPa로 설정하였으며, 변형경화비는 0.002를 적용하였다(Liu et al., 2022). 콘크리트와 철근의 변형률속도 효과를 반영하기 위해 Dynamic Increase Factor(DIF)를 도입하였으며, 콘크리트 압축 및 인장 강도에 대한DIF는 각각 Malvar와 Crawford(1998) 및 Shi 등(2008)의 제안식을 적용하였다. 철근의 동적 증가계수는 Malvar와 Crawford(1998)의 관계식을 이용하여 반영하였다. 또한 철근-콘크리트 계면의 부착 특성은 CEB-FIP Model Code(Comité Euro-International du Béton, 1990) 및 관련 실험 연구를 바탕으로 보정하였다.

Fig. 1은 FE 기둥 모델의 개발 및 검증 절차를 요약하여 나타낸 것이다. 검증 결과, 수치해석으로 예측한 최대 응답은 실험 결과와 3.4% 미만의 오차를 나타내었으며, Fig. 1에 제시한 EPS contour 기반 손상 진전 양상 또한 실험에서 확인된 손상 발생 위치 및 확산 경향과 전반적으로 부합하였다. 여기서 EPS는 재료 내에 누적된 비가역 소성변형의 크기를 나타내는 scalar quantity로서 폭발 하중에 따른 국부 손상의 개시, 확산 및 집중 영역을 시각화하는 damage contour 지표로 활용하였다(Shin and Jeon, 2019). 이는 제안한 모델링 방법이 폭발 하중 하 RC 기둥의 전역 응답뿐 아니라 국부 손상 분포까지 신뢰성 있게 재현할 수 있음을 보여준다. 검증된 모델링 방법은 이후 Mo와 Wang(2000)의 기둥 상세(Table 1)를 반영한 FE 기둥 모델에 확장 적용되었으며, 해당 모델을 이용하여 다양한 폭발 조건 및 구조 상세 변수 조합에 대한 손상 분포 이미지 데이터를 생성하였다. FE 모델 관련 상세한 내용은 다음 논문을 참고할 수 있다(Kim et al., 2026).

Fig. 1.

Development and validation of the FE column model

2.2 입력 변수 설정

학습 데이터셋 구축을 위해 RC 기둥의 구조 상세와 폭발 하중 관련 변수로 설정하였다. Table 2는 구조 상세와 폭발 하중 관련 변수를 요약하였다. 주철근비(ρl)는 식 (1)과 같이 정의하였다(Asl: 주철근 총 단면적, bc, hc: 단면 폭･높이).

주철근비는 기둥의 휨저항 성능, 연성 및 파괴모드에 직접적인 영향을 미치는 주요 변수이므로, 본 연구에서는 철근량 변화에 따른 응답 특성을 폭넓게 반영할 수 있도록 변수 범위를 설정하였다. 이를 위해 낮은 주철근비부터 높은 주철근비 조건을 포괄하도록 0.021부터 0.60까지 4개의 수준으로 구분하였다, ρl = {0.021, 0.030, 0.046, 0.060}. 이는 주철근비량의 증가에 따라 휨저항 성능과 변형 능력 및 연성 특성이 어떻게 변화하는지를 체계적으로 분석하고, 낮은 주철근비 조건부터 높은 주철근비 조건에 이르는 다양한 구조 응답을 학습 데이터에 반영하기 위함이다(Cai et al., 2022).

설계 최소 요구량을 포함하면서 횡구속 효과를 반영하기 위하여 전단철근비(ρt)는 0.001부터 0.005까지 0.001 간격으로 총 5개의 수준으로 설정하였다, ρt = {0.001, 0.002, 0.003, 0.004, 0.005}. 이는 설계기준에서 요구하는 최소 전단철근비를 포함하는 범위로, 전단철근량 증가에 따른 횡구속 효과 및 전단저항 성능의 변화를 체계적으로 분석하기 위함이다(Lim et al., 2025). 또한, 구조물의 강도 및 연성 거동에 미치는 영향을 폭넓게 평가할 수 있도록 단계적으로 구간을 구성하였다. ρt는 식 (2)와 같이 정의하였다(Ast: 전단철근의 단면적, s: 전단철근 간격).

본 연구에서는 ρl과 ρt 조건 변수의 조합을 통하여 총 20개의 기둥 모델을 개발하였다. 폭발 하중 관련 변수는 WTNT와 RD로 정의하였고, 차량 폭발 시나리오 및 방호 설계 기준을 고려하여 범위를 설정하였다(Hinman, 2003; U.S. General Services Administration, 2024). 두 변수의 결합 효과를 일관되게 비교하기 위해 식 (3)과 같이 축척거리를 사용하였다.

본 연구에서는 전단지배 거동에서 휨지배 거동으로의 전환 구간을 포착하기 위해 Z = 1.0~1.5m/kg1/3 범위를 6개의 조건으로 이산화하였다. 각 Z에 대한 WTNT와 RD의 폭발 조건은 다음과 같이 조합하였다. (i) RD 고정-WTNT 산정(RD = {8.0, 11.4, and 14.0m) 그리고 (ii) WTNT 고정-RD 산정(WTNT = 680, 760, and 900kg). 따라서 Z 값의 범위 내에서 총 36개의 폭발 조건을 구성하였다. 최종적으로 20개 기둥 모델과 36개 폭발 조건을 조합하여 총 720개의 FEM 해석에 대한 데이터 샘플을 구축하였다.

2.3 학습용 데이터 추출 및 전처리

각 FEM 해석 케이스로부터 손상 분포 데이터를 추출하여 학습 입력-출력 쌍을 구성하였다. FE 해석을 통하여 산정된 변위-시간 이력 결과에서 최대 변위가 발생하는 시점(t = t*)을 손상 대표 시점으로 정의하였다. 이는 폭발 하중을 받은 RC 기둥 연구에서 최대 변위(peak lateral displacement)가 주용 응답 지표이자 손상 및 파괴 특성 평가의 핵심 기준으로 활용된다는 점에 근거한다(Shi et al., 2022). 해당 시점은 폭발 하중 작용 이후 구조 응답이 최대에 도달하는 단계로서, 손상 분포와 변형률 집중이 가장 뚜렷하게 나타나는 시점으로 간주하였으며, 손상 패턴을 일관된 기준에서 학습하기에 적합하다. 대표 시점에서 손상 이미지 데이터는 콘크리트의 EPS 분포를 시각화한 후 격자선을 제거하여 물리량의 공간 패턴만 남도록 처리하였다(Fig. 2(b)). FE 해석을 통하여 생성된 출력 데이터는 변형률 분포 이미지(continuous field)와 손상 마스크(binary mask)로 구성하였다. 손상 마스크는 spalling으로 인해 요소가 삭제(erosion)된 영역만을 손상으로 정의하여 구성하였다. 즉, 대표 시점에서 삭제된 요소에 대응하는 영역을 손상(1), 그 외를 비손상(0)으로 라벨링하여 콘크리트 박리 위치 및 범위를 명확히 식별할 수 있도록 하였다. 이러한 구성은 변형률 분포의 물리적 타당성과 박리 영역의 명확성을 동시에 확보하기 위한 것이다. Fig. 2(c)는 콘크리트 spalling에 대한 손상 마스크 예시를 보여준다.

Fig. 2.

Development and validation of the FE column model

모든 이미지는 512 × 256픽셀로 리사이징(Resizing)하여 해상도를 통일하였다. 학습 안정성과 일반화 성능 향상을 위해 확률적 데이터 증강 기법(Albumentations 라이브러리)을 적용하였다(Buslaev et al., 2020). 학습 데이터에는 밝기･대비 조정(RandomBrightnessContrast, p = 0.5) 및 가우시안 블러(GaussianBlur, p = 0.3)를 적용하여 과적합(Over-fitting)을 완화하고 노이즈 및 조명 변화에 대한 강건성(robustness)을 확보하였다(Shorten and Khoshgoftaar, 2019).

총 720개 데이터(20개 기둥 모델 × 36개 폭발 조건)를 학습(training), 검증(validation), 테스트(test) 세트로70:15:15의 비율(= 504:108:108)로 분할하였다. 데이터 누수를 방지하기 위해 동일 해석 케이스가 서로 다른 세트에 중복 포함되지 않도록 하였다(Kapoor and Narayanan, 2023).

3. 조건부 GAN 기반 예측 프레임워크

본 연구는 폭발 및 구조 조건으로부터 RC 기둥의 손상 분포를 이미지 형태로 신속하게 추정하기 위해 cGAN 기반 프레임워크를 구성하였다. cGAN은 생성자(Generator, G)와 판별자(Discriminator, D)의 적대적 학습(adversarial learning)을 통해 조건부 분포 p(y｜c)를 근사하며, 조건 벡터 c가 주어졌을 때 목표 출력 y를 생성하도록 학습된다(Isola et al., 2017; Mirza and Osindero, 2014). 본 연구에서 조건 벡터 c는 철근 상세와 폭발 조건을 포함하는 4개 변수로 식 (4)와 같이 구성하였다.

출력은 폭발 손상의 공간 분포를 나타내는 변형률 분포 이미지와 spalling에 대응하는 손상 영역을 명확히 구분하기 위한 이진 마스크로 구성하였다. 즉, 생성자는 동일 조건 c에 대해 (i) EPS 분포 이미지 I와 (ii) 손상 마스크 M을 동시에 생성하는 이중 출력(dual-output) 구조로 설계하였다. Fig. 3은 본 연구에서 제안하는 dual-output cGAN 프레임워크의 전체 아키텍처를 나타낸다. 생성자는 조건 벡터 c로부터 AdaIN 기반 업샘플링을 통해 EPS 분포 이미지와 spalling 마스크를 동시에 생성하며, 판별자는 projection 방식으로 조건 벡터를 통합하여 생성 이미지의 진위 및 조건 일치성을 평가한다.

Fig. 3.

Architecture of the proposed dual-output cGAN framework

변형률 분포 이미지 I는 FEM 시뮬레이션으로부터 추출된 EPS의 연속장 분포를 나타내며, 손상 집중부와 공간적 구배 정보를 제공한다. 손상 마스크 M은 spalling으로 인해 요소가 삭제(erosion)된 영역만을 손상(1)으로 라벨링한 이진 영상으로 정의하였다.

생성자는 4차원 조건 벡터(c∈R4)를 완전연결층(fully connected layer)을 통해 고차원 특징 벡터로 변환한 후, 16 × 8 해상도의 초기 특징 맵으로 재배열한다. 이후 5단계의 순차적 업샘플링을 통해 공간 해상도를 512 × 256으로 확장하며, 각 단계에서는 전치 합성곱 연산(transposed convolution)을 적용하여 해상도를 2배씩 증가시킨다. 조건 정보 반영 방식은 생성 성능에 중요한 영향을 미치므로, 본 연구에서는 Adaptive Instance Normalization(AdaIN)을 채택하여 조건 벡터로부터 각 잔차 블록의 정규화 파라미터(scale γ, shift β)를 예측하고, 이를 특징 맵에 적응적으로 반영하는 방식을 사용하였다.

출력은 dual-output 헤드 구조로 설계하였다. 변형률 분포 출력(I^)은 최종 특징 맵에 1 × 1 합성곱을 적용하여 3채널 이미지로 변환한 후, 쌍곡탄젠트 활성함수(hyperbolic tangent activation)를 통해 [-1,1] 범위로 정규화하였다. Spalling 마스크 출력(M^)은 동일 특징 맵으로부터 1 × 1 합성곱을 통해 1채널을 생성한 후, 시그모이드 활성함수(sigmoid activation)를 적용하여 [0,1] 범위의 확률 분포로 출력하도록 하였다.

판별자는 PatchGAN 기반 구조를 채택하여 입력 이미지(I∈R3×512×256)의 국부 패턴을 패치 단위로 평가한다(Isola et al., 2017). 판별자는 4 × 4 합성곱(stride 2, padding 1) 연산을 4회 반복 적용하여 512 × 256 해상도의 입력을 32 × 16 해상도의 특징 맵으로 축소하며, 이 과정에서 채널 수는 64에서 512까지 점진적으로 증가한다. 조건 벡터 c는 사영(projection) 방식으로 판별자에 통합하였다. c를 선형 임베딩(embedding)을 통해 최종 특징 맵과 동일한 채널 차원으로 변환한 후, 특징 맵과의 내적을 계산하여 기본 판별 점수에 더함으로써 진위 판별과 조건 일치성을 동시에 평가하도록 하였다(Miyato and Koyama, 2018).

본 연구의 cGAN 학습은 변형률 분포 이미지의 사실성(realism)과 물리적 재현성(physical fidelity), 그리고 spalling 마스크의 정확성을 동시에 확보하도록 손실 함수를 구성하였다. 생성자 G는 조건 변수 c로부터 변형률 분포 이미지I^와 spalling 마스크 M^를 생성하며, 판별자 𝐷는 조건 c에 정합하는 실제 이미지 I와 생성 이미지 I^를 구분하도록 학습된다. 생성자 손실함수 LG는 적대적 손실(adversarial loss), 재구성 손실(reconstruction loss), feature matching loss, 그리고 spalling 마스크 손실로 구성되며, 식 (5)와 같이 정의된다.

적대적 손실과 Feature Matching 손실은 각각 GAN 프레임워크와 안정적 학습 기법을 따랐으며, 마스크 손실은 예측된 spalling 영역과 FEM 기준 마스크 간 binary cross-entropy를 최소화하여 표면 파괴 영역의 정확한 위치와 크기를 재현하도록 구성하였다. 재구성 손실(Lrecon)은 변형률 분포 예측의 핵심 손실함수로, L1 loss과 Perceptual loss의 조합으로 구성하였다.

4. cGAN 기반 폭발 손상 분포 예측

본 장에서는 3장에서 제안한 AdaIN 기반 dual-output cGAN 모델의 손상 예측 성능을 검증한다. Test set은 학습에 사용되지 않은 217개의 FEM 시뮬레이션 결과로 구성된다.

모델 성능 평가를 위해 네 가지 정량적 지표를 사용하였다. 변형률 분포 재현 성능은 SSIM(Structural Similarity Index Measure)과 L1 error로, spalling 영역 예측 성능은 IoU (Intersection over Union)와 Dice coefficient로 평가하였다. SSIM은 이미지의 구조적 유사성을 측정하며, L1 error는 픽셀 단위 절대 오차의 평균을 나타낸다. IoU는 예측 영역과 Ground Truth(GT) 간 교집합을 합집합으로 나눈 비율이며, Dice coefficient는 두 영역의 중복도를 측정한다. 네 지표 모두 값이 클수록(SSIM, IoU, Dice coefficient) 또는 작을수록(L1) 정확한 예측을 의미한다.

Table 3은 test set 전체에 대한 정량적 성능을 나타낸다. 제안 모델은 SSIM 0.899, L1 error 0.128, IoU 0.843, Dice coefficient 0.874를 달성하여 높은 예측 성능을 보였다. SSIM 0.90에 근접한 값과 낮은 L1 error는 생성된 손상 분포가 GT와 구조적으로 매우 유사함을 의미한다. IoU와 Dice coefficient의 높은 값(0.84, 0.87)은 spalling 영역의 위치와 크기가 정확히 재현되었음을 나타낸다. 표준편차가 상대적으로 작아(SSIM 0.062, Dice 0.259) 다양한 조건에서 일관된 성능을 유지함을 확인하였다.

제안 모델은 변형률 분포와 spalling 영역을 동시에 예측하는 dual-output 구조를 가지므로, spalling 예측 성능을 spalling 발생 여부에 따라 구분하여 분석하였다. Table 4에 나타난 바와 같이, spalling이 실제로 발생한 경우(Spalling-Positive, n = 54)에는 IoU와 Dice coefficient가 각각 0.461, 0.586으로 나타난 반면, spalling이 발생하지 않은 경우(Spalling-Negative, n = 163)에는 두 지표가 모두 0.969로 매우 높게 나타났다.

Spalling-Negative 케이스에서 IoU와 Dice가 모두 0.97에 근접한 점은 모델이 손상 영역이 없는 조건에서 불필요한 spalling 영역을 거의 예측하지 않음을 의미한다. 즉, 실제로 spalling이 없을 때 잘못된 spalling 예측(false positive)을 효과적으로 억제하여 매우 안정적인 성능을 보였다. 반면 Spalling-Positive 케이스에서의 상대적 성능 저하는 손상 영역의 위치, 면적, 경계 형상을 동시에 정확히 재현해야 하므로 예측 난이도가 높기 때문으로 판단된다. 또한 Spalling-Positive 샘플 수가 상대적으로 적고(n = 54 vs n = 163) 손상 형상의 다양성이 크다는 점도 영향을 미쳤을 가능성이 있다. 따라서 제안된 dual-output 구조는 spalling 발생 여부를 안정적으로 판별하나, 실제 손상 영역의 정밀한 형상 재현은 추가적인 개선 여지가 있는 과제임을 시사한다.

Fig. 4는 서로 다른 손상 수준을 대표하는 사례에 대해 GT와 생성된 손상 분포를 비교한 결과를 나타낸다.

Fig. 4.

Representative qualitative comparison of predicted damage contours under different damage scenarios

Fig. 4(a)는 낮은 손상 수준의 사례(ρl = 0.046, ρt = 0.003, WTNT = 310kg, RD = 8.0m)로, 생성된 손상 분포가 하부 및 측면부의 주요 손상 집중 위치와 전반적인 형상을 정확히 재현하였다. 손상영역의 공간적 분포가 단순하고 연속적으로 나타나므로 생성 결과와 GT 사이의 차이가 작았다.

Fig. 4(b)(ρl = 0.046, ρt = 0.005, WTNT = 900kg, RD = 9.65 m)와 Fig. 4(c)(ρl = 0.021, ρt = 0.005, WTNT = 900kg, RD = 9.65 m)는 동일한 TNT 중량, 이격거리, 전단철근비 조건에서 주철근비만 다른 사례이다. 두 경우 모두 손상 영역이 기둥 하부에서 상부로 확장되는 형상과 측면을 따라 형성되는 고변형률 영역의 위치를 잘 포착하였다. Fig. 4(c)에서는 Fig. 4(b)보다 주철근비가 낮아 손상 영역이 더 넓게 발달하며, 생성된 이미지 역시 이러한 차이를 반영하였다. 이는 주철근비 감소로 인한 저항 능력 감소가 손상 영역 확산으로 이어지기 때문이다. 다만 중간 및 높은 손상 수준에서는 고변형률 영역과 주변 영역 사이의 경계가 GT보다 다소 넓게 퍼지고, 일부 국부 손상 영역이 연결된 형태로 단순화되는 경향이 관찰되었다. 이는 손상 수준 증가에 따른 변형률 분포의 국부화와 경계의 불규칙성 증가 때문으로 판단된다.

Fig. 4(d)(ρl = 0.046, ρt = 0.001, WTNT = 2065 kg, RD = 14.0 m)는 가장 큰 폭약량과 가장 낮은 전단철근비가 결합된 극한 손상 상태로, 복잡한 spalling이 동반되었다. 생성된 이미지는 주요 손상 영역의 위치와 전체 분포는 포착하였으나, GT의 세부 손상 블록의 분리된 형상과 불연속적인 경계는 충분히 재현하지 못하고 단순한 형태로 표현되었다. 이는 폭발 하중 증가와 횡구속 효과 약화로 인한 손상 영역의 국부화와 형상 불규칙성 증가 때문으로 해석된다.

종합적으로 제안 모델은 다양한 손상 시나리오에서 손상 분포의 전역적 형상과 주요 손상 집중 위치를 안정적으로 재현하였다. 손상 수준이 낮거나 중간인 경우 생성 이미지가 GT와 높은 유사성을 보였으나, 극한 손상 및 복잡한 spalling이 동반된 경우 국부 경계와 세부 형상은 단순화되는 경향이 나타났다.

5. 결 론

본 연구에서는 폭발 하중을 받는 RC 기둥의 손상 분포를 예측하기 위하여 변형률 분포 이미지와 spalling 마스크를 동시에 생성하는 dual-output conditional GAN 모델을 제안하였다. 주요 결론은 다음과 같다.

1) 본 연구에서 제안한 AdaIN 기반 조건화 전략과 dual-output 구조를 갖는 cGAN 프레임워크는 연속적인 폭발 및 구조 조건 변화에 따른 RC 기둥의 손상 분포를 효과적으로 재현하였다. 정규화 전략 및 손실함수 조합에 대한 체계적 비교를 통해 AdaIN과 L1+Perceptual 조합이 가장 우수한 성능을 보임을 확인하였으며, 이는 조건 정보를 특징 맵에 적응적으로 반영하는 방식이 본 문제에 적합함을 보여준다.

2) 최종 모델은 test set 전체(n = 217)에서 SSIM 0.899, L1 error 0.128을 달성하여 FEM 기반 변형률 분포의 공간적 구배와 손상 집중부를 높은 정확도로 재현하였다. Spalling 영역 예측에서도 IoU 0.843, Dice coefficient 0.874를 기록하여 erosion에 의한 손상 영역의 위치와 범위를 정량적으로 잘 묘사하였으며, 단순한 손상 수준 분류를 넘어 공간적으로 분포된 spalling 영역을 효과적으로 재현할 수 있음을 확인하였다.

3) 다양한 하중 시나리오에 걸쳐 손상 분포의 전역적 형상과 주요 손상 집중 위치를 안정적으로 재현하였으나, spalling이 발생한 극한 폭발 조건(n = 54)에서는 IoU 0.461로 상대적으로 낮아 복잡한 erosion 영역의 세부 형상 재현은 다소 제한적으로 나타났다. 이는 spalling-positive 샘플의 상대적 부족과 극한 조건에서의 손상 형상 불규칙성에 기인한 것으로 판단된다.

4) 향후 연구에서는 spalling-positive 케이스 데이터 보강, 다양한 부재 형상 및 추가 입력 변수 확장, physics-informed generative model로의 발전을 통해 일반화 성능을 향상시킬 필요가 있으며, 지진･충격･복합 재난 등 다양한 동적 하중 조건으로의 적용 확장이 기대된다.