지연된 역호환 물리 기반 신경망을 활용한 불포화 토양 침하 분석

Lagged backward-compatible physics-informed neural networks for unsaturated soil consolidation analysis

본 연구는 장기 하중 조건 하에서 일차원 불포화 토양의 침하 현상을 시뮬레이션하고 역추적하기 위한 지연된 역호환 물리 기반 신경망(LBC-PINN)을 개발합니다. 다중 스케일 시간 영역에서 공기 및 수압 소산의 복잡성을 해결하기 위해, 본 프레임워크는 로그 스케일 시간 분할, 지연된 호환성 손실 강제, 그리고 세그먼트별 전이 학습을 통합합니다. 전방 분석에서, 권장되는 분할 방식을 사용한 LBC-PINN은 공극 기압 및 공극 수압의 변화를 정확하게 예측합니다. 모델 예측 결과는 유한 요소법(FEM) 결과와 비교하여 검증되었으며, 최대 10^10초까지의 시간 구간에서 평균 절대 오차가 10^-2 이하로 나타났습니다. 특성 공기 소산 시간을 기반으로 한 단순화된 분할 전략은 예측 정확도를 유지하면서 계산 효율성을 향상시킵니다. 민감도 분석 결과, 공기 투과율과 수 투과율 비율이 10^-3에서 10^3까지 변하는 경우에도 본 프레임워크의 안정성이 확인되었습니다.

This study develops a Lagged Backward-Compatible Physics-Informed Neural Network (LBC-PINN) for simulating and inverting one-dimensional unsaturated soil consolidation under long-term loading. To address the challenges of coupled air and water pressure dissipation across multi-scale time domains, the framework integrates logarithmic time segmentation, lagged compatibility loss enforcement, and segment-wise transfer learning. In forward analysis, the LBC-PINN with recommended segmentation schemes accurately predicts pore air and pore water pressure evolution. Model predictions are validated against finite element method (FEM) results, with mean absolute errors below 1e-2 for time durations up to 1e10 seconds. A simplified segmentation strategy based on the characteristic air-phase dissipation time improves computational efficiency while preserving predictive accuracy. Sensitivity analyses confirm the robustness of the framework across air-to-water permeability ratios ranging from 1e-3 to 1e3.