물리 기반 AI로 철도차량 주행 응답 예측 정확도 높이기
Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning
arXiv철도 차량의 주행 응답을 예측하기 위해, 시뮬레이션 데이터(저충실도)와 실제 측정값(고충실도)을 결합하여 오차를 보정하는 새로운 방법을 제시했습니다.
- 물리 기반 잔여 오차 학습 네트워크를 활용해 시뮬레이션과 실측 간의 차이를 모델링했으며, 385km/h 조건에서 NRMSE 약 4.6%의 높은 정확도를 입증했습니다.
- 실제 테스트가 어려운 다양한 운행 환경에서도 차량 응답을 신뢰성 있게 예측할 수 있어 철도 안전 및 설계 분야에 중요한 기여를 할 것으로 기대됩니다.
- 특히 관성, 감쇠 등 운동역학적 원리를 물리적 제약 조건으로 통합하여 오차 보정의 신뢰도를 극대화한 점이 방법론의 핵심 강점입니다.
철도 차량의 운행 환경에 따른 주행 응답을 예측하는 것은 필수적이지만, 모든 운영 시나리오를 실험적으로 테스트하기는 어렵습니다. 본 연구는 이러한 한계를 극복하기 위해 다중 충실도(multifidelity) 접근 방식을 제시합니다. 이 방법은 다물체 시뮬레이션 기록을 저충실도 정보로 간주하고, 실제 롤러-리그 측정값을 고충실도 증거로 활용하여 차량의 응답 오차를 보정하는 것을 목표로 합니다.
구현된 모델은 시간 지연 신경망(TDNN)을 사용하여 조건에 따른 시뮬레이션 추세를 나타내고, 개발 적합성(development-fitted) 진폭 정렬을 통해 저충실도 기준선을 정의합니다. 이후 잔여 보정 네트워크가 이 기준선으로 설명되지 않는 재현 가능한 응답 성분을 모델링하여 추가하며, 여기에 물리 기반의 동적 균형 방정식이 제약 조건으로 작용합니다. 이 방정식은 시뮬레이션과 실제 시스템 간의 관성, 감쇠, 강성 및 외부 구동력 차이를 반영하여 학습된 오차 보정의 신뢰도를 높입니다.
평가 결과에 따르면, 재구성 사례에서 수정된 응답은 385 km/h 조건에서 높은 정확도를 보여주었습니다. 평균 결정 계수(mean coefficient of determination)는 0.8197을 기록했으며, 평균 정규화 제곱근 평균 제곱 오차(NRMSE)는 4.6055 %, 평균 정규화 평균 절대 오차(NMAE)는 1.9297 %를 나타냈습니다. 이러한 결과는 실제 테스트가 어려운 고속 조건에서도 신뢰성 있는 응답 예측이 가능함을 입증합니다.