자동화된 콘크리트 방호벽 설계 시스템을 위한 경량 멀티 에이전트 프레임워크

A Lightweight Multi-Agent Framework for Automated Concrete Barrier Design

철근 콘크리트 고속도로 방호벽의 설계는 안전과 관련된 중요한 과정이며, AASHTO-LRFD 교량 설계 지침과 같은 규제 요건을 엄격하게 준수해야 합니다. 현재의 공학적 방법은 복잡한 비선형 재료 및 역학 제약을 만족시키기 위해 수동적이고 반복적인 계산과 휴리스틱 방법을 주로 사용합니다. 대규모 언어 모델(LLM)은 강력한 생성 능력을 보여주지만, 구조 공학 분야에 직접 적용하는 데는 환각 위험과 물리적 기반 부족으로 인해 한계가 있습니다. 이러한 문제점을 해결하기 위해 본 연구에서는 AutoGen의 멀티 에이전트 오케스트레이션 기능을 활용하여 자동화된 콘크리트 방호벽 설계를 위한 새로운 '생성-평가-최적화' 폐루프 프레임워크를 제안합니다. 실험 결과, 제안된 에이전트 기반 프레임워크는 98% 이상의 설계 정확도를 달성했으며, 이는 독립적으로 작동하는 범용 LLM보다 훨씬 뛰어난 성능입니다. 더욱 중요하게는, 설계 성능이 모델 크기와 반드시 상관관계가 없다는 점을 밝혀냈습니다. 즉, 80억 개의 파라미터를 가진 경량 모델이 제약 없이 작동하는 6310억 개의 파라미터를 가진 최상위 모델보다 더 우수한 성능을 보일 수 있습니다. 이러한 결과는 AI 기반 엔지니어링 도구의 산업 적용 가능성을 높이는 동시에 계산 비용을 크게 절감할 수 있는 잠재력을 보여줍니다. 제안된 멀티 에이전트 설계 프레임워크의 소스 코드는 프로젝트 GitHub 저장소에서 확인할 수 있습니다: https://github.com/MXY820/barrier-design. 키워드: 구조 공학; 멀티 에이전트 시스템; 대규모 언어 모델; 콘크리트 방호벽 설계; AutoGen; 설계 자동화.

The design of reinforced concrete highway barriers is a safety-critical process that requires strict compliance with regulatory provisions such as the AASHTO-LRFD bridge design guidelines. Current engineering practice relies heavily on manual, iterative, and heuristic calculations to satisfy complex nonlinear material and mechanics constraints. Although Large Language Models (LLMs) demonstrate strong generative capabilities, their direct application to structural engineering remains limited by hallucination risks and insufficient physical grounding. To address these challenges, this study proposes a novel "generation-evaluation-optimization" closed-loop framework for automated concrete barrier design using the multi-agent orchestration capabilities of AutoGen. Experimental results demonstrate that the proposed agentic framework achieves over 98% design accuracy, significantly outperforming standalone general-purpose LLMs. More importantly, the study reveals that design performance is not necessarily correlated with model scale, where an 8B-parameter lightweight model could outperform unconstrained 631B-parameter flagship models. This finding highlights the potential to substantially reduce computational costs while improving the accessibility of AI-assisted engineering tools for industry applications. The source code for the proposed multi-agent design framework is available at the project GitHub repository: https://github.com/MXY820/barrier-design. Keywords: Structural Engineering; Multi-Agent Systems; Large Language Models; Concrete Barrier Design; AutoGen; Design Automation.