물리 현상을 해석하기 위해 유한요소법과 같은 전통적인 메쉬 기반 방법은 공학 문제에서 효과적인 것으로 입증되었다. 그러나 시스템 복잡성이 커짐에 따라, 더 큰 규모, 더 정밀한 해상도, 또는 복잡한 형상을 비롯하여, 이러한 방법은 계산 비용과 시간 측면에서 유의미한 한계에 직면한다. 불규칙한 경계 또는 비선형 거동을 포함하는 복잡한 문제는 더 미세한 메쉬와 더 큰 계산 능력을 요구하므로 실시간 해석이 어렵다. 이 과제는 불확실성이 크고 환경 조건이 지속적으로 변화하는 농업 시스템에서 특히 중요하다. 본 연구에서는 계산 영역을 분해함으로써 신경망을 이용해 구조역학에서 비매끄러운(non-smooth) 문제를 해결하기 위한 조각별(piecewise) 물리 기반 신경망(piecewise physics-informed neural networks, PINNs)이라는 방법을 제안하였다. 이 방법의 성능을 정량적으로 평가하기 위해 비매끄러운 특성을 갖는 구조역학 문제 3가지를 대표 사례로 사용하였다. 그 결과, 조각별 PINNs는 이러한 벤치마크 문제에서 기존의 PINNs에 비해 더 정확한 해를 제공함이 확인되었다. 또한 우리는 라벨된 데이터 없이 조각별 PINNs를 사용하여 비매끄러운 문제를 위한 대리(surrogate) 모델을 개발하고, 딥 신경망(deep neural networks)으로 학습한 모델과 비교하였다. 제안된 모델은 평면응력(plane-stress) 문제의 경우에서 딥 신경망 모델보다 우수한 성능을 보였다. 아울러 조각별 PINNs로 학습된 대리 모델은 유한요소 해석 소프트웨어에 비해 실행 시간 측면에서 이점을 나타내었다. • 조각별 PINN 방법은 비매끄러운 시스템 해에서 정확도를 향상시킨다. • 영역 분해(domain decomposition)는 스펙트럴 편향(spectral bias)과 계산 복잡도를 감소시킨다. • 조각별 PINNs로 학습된 대리 모델은 DNN 모델보다 우수하다. • 기존 유한요소 해석 소프트웨어에 비해 더 빠른 실행 시간을 제공한다. • 학습 데이터 분포를 넘어서는 외삽에서 성능이 향상된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.