모델 갱신

구조해석 수치해석 마지막 수정: 2026-08-23 04:13:41

1. 개요[편집]

모델 갱신(model updating)은 시험으로 측정한 동특성(고유진동수·모드 형상·주파수응답)에 맞도록 유한요소 모델의 불확실한 파라미터를 보정하는 역문제 풀이다. 목표는 “시험 데이터를 재현하는 숫자 찾기”가 아니라 시험을 안 해 본 조건에서도 믿을 만한 예측을 내놓는 모델 만들기다. 이 한 문장의 차이가 모델 갱신의 모든 논쟁을 낳는다.

필요성은 지상진동시험이 잘 보여준다. 도면과 물성표만으로 세운 전기체 모델은 볼트 결합부 강성, 엔진 마운트 부시, 장비 장착 브래킷, 비구조 질량 분포 같은 항목에서 실물과 어긋난다. 이들은 원리적으로 예측이 어려운 양이지, 계산을 더 정성껏 하면 맞출 수 있는 양이 아니다. 그래서 실측하고, 그 실측치로 모델을 되돌려 맞춘다.¹

2. 문제의 구조 — 왜 어려운가[편집]

갱신은 전형적인 역문제이고, 역문제의 고질병을 전부 물려받는다.

정보가 부족하다. 전기체 모델은 자유도가 수백만인데, 측정한 것은 모드 20~40개와 센서 수백 채널뿐이다. 측정 자유도가 모델 자유도보다 압도적으로 적어서, 데이터를 똑같이 재현하는 모델은 무수히 많다.
비유일성이 본질적이다. 서로 다른 파라미터 조합이 똑같은 고유진동수를 만들 수 있다. 강성을 올리는 것과 질량을 내리는 것은 주파수만 보면 구별되지 않는다.
비선형이다. 고유값은 파라미터의 비선형 함수라 반복이 필요하다.
데이터에 잡음이 있다. 감쇠비는 특히 산포가 크고, 모드 형상은 센서 위치 오차·부착 질량에 오염된다.

그래서 모델 갱신의 기술은 정보를 짜내는 기술이 아니라 정보가 부족하다는 사실을 인정하고 그 안에서 규율을 세우는 기술이다.

3. 직접법 — 행렬을 통째로 고치기[편집]

1970~80년대에 먼저 나온 접근은 질량·강성 행렬 자체를 미지수로 놓고 한 번에 푸는 것이다. 대표적인 바루크(Baruch)의 강성 갱신은 다음 꼴의 제약 최적화를 푼다. 측정 모드를 열로 모은 행렬을 $\boldsymbol\Phi_X$ , 측정 고유값의 대각행렬을 $\boldsymbol\Lambda_X$ 라 하자.

\min_{\mathbf K_u}\ \big\|\mathbf M_a^{-1/2}(\mathbf K_u-\mathbf K_a)\mathbf M_a^{-1/2}\big\|_F \quad\text{s.t.}\quad \mathbf K_u\boldsymbol\Phi_X=\mathbf M_a\boldsymbol\Phi_X\boldsymbol\Lambda_X,\ \ \mathbf K_u=\mathbf K_u^\top

즉 원래 해석 행렬 $\mathbf K_a$ 에서 가장 조금 벗어나면서 측정된 고유쌍을 정확히 만족하는 행렬을 라그랑주 승수로 찾는다. 버먼-내지(Berman–Nagy)는 같은 발상을 질량 행렬에 적용한 것이고, 카베(Kabe) 계열은 여기에 원래의 희소 구조를 유지하라는 제약을 덧붙이려 한 시도다. 닫힌 형태 해가 나오고 측정 모드를 오차 0으로 재현한다. 근사가 아니라 정확한 해다.

문제는 그 다음이다.

연결성이 깨진다. 원래 $\mathbf K$ 는 요소 연결을 반영한 희소 행렬인데, 갱신된 $\mathbf K_u$ 는 꽉 찬 행렬이 된다. 물리적으로 붙어 있지도 않은 절점 사이에 강성이 생긴다.
물리적 해석이 불가능하다. “3번 요소의 탄성계수가 12% 낮다”는 결론을 뽑을 수 없다. 갱신 결과가 설계 변경이나 손상 진단으로 이어지지 못한다.
예측력이 없다. 측정한 모드는 완벽히 맞지만, 측정하지 않은 고차 모드나 다른 하중 조건에서는 오히려 원래 모델보다 나빠지는 일이 흔하다.

한 마디로 직접법은 데이터를 가장 비싸게 저장하는 방법에 가깝다. 오늘날 실무에서 거의 쓰이지 않는 이유이며, 그럼에도 교과서에 남아 있는 이유는 “데이터를 정확히 맞추는 것 자체는 목표가 아니다”라는 교훈을 가장 선명하게 보여주기 때문이다.

4. 감도 기반 반복법 — 오늘의 표준[편집]

실무의 주류는 물리적 의미가 있는 소수의 파라미터 $\boldsymbol\theta$ (요소 그룹의 탄성계수 배율, 경계 스프링 강성, 비구조 질량 등)만 골라, 잔차를 최소화하도록 반복 갱신하는 방식이다.

4.1. 잔차 정의[편집]

측정치와 해석치의 차이를 벡터 $\delta\mathbf z$ 로 모은다. 흔히 쓰는 성분은 둘이다.

고유진동수 잔차: $\ (f_{X,i}-f_{A,i})/f_{X,i}$ . 상대값을 쓰는 이유는 저주파와 고주파 모드에 비슷한 가중을 주기 위해서다.
모드 형상 잔차: MAC 기반으로 $\ (1-\mathrm{MAC}_{ii})/\mathrm{MAC}_{ii}$ 를 쓰거나, 참조 자유도로 정규화한 형상 성분의 차이를 직접 쓴다. MAC 은 1 근처에서 변화가 둔해서(코사인 제곱이므로) 그대로 쓰면 감도가 죽는다.

주파수는 정확하고 형상은 잡음이 많으므로 가중행렬 $\mathbf W$ 로 저울질한다. 실무에서는 주파수만으로 시작하고, 모드 짝짓기가 흔들릴 때만 형상 잔차를 넣는다.

4.2. 감도 행렬[편집]

질량 정규화된 모드 $\boldsymbol\phi_i^\top\mathbf M\boldsymbol\phi_i=1$ 에 대해 고유값 $\lambda_i=\omega_i^2$ 의 파라미터 감도는 폭스-카푸어(Fox–Kapoor)의 고전 결과로 깔끔하게 떨어진다.

\frac{\partial \lambda_i}{\partial \theta_j} =\boldsymbol\phi_i^\top\!\left(\frac{\partial \mathbf K}{\partial \theta_j}-\lambda_i\frac{\partial \mathbf M}{\partial \theta_j}\right)\!\boldsymbol\phi_i

고유값 감도는 자기 모드 하나만 있으면 계산된다는 점이 중요하다. 모드 형상 감도는 사정이 나빠서 다른 모드들의 급수 전개(모달 방법)나 넬슨(Nelson)의 방법이 필요하고, 밀집 모드에서는 분모가 작아져 수치적으로 위태롭다. 이 감도들을 모은 것이 감도 행렬 $\mathbf S$ 이고, 선형화된 갱신 방정식은

\delta\mathbf z \approx \mathbf S\,\delta\boldsymbol\theta, \qquad \delta\boldsymbol\theta=(\mathbf S^\top\mathbf W\mathbf S)^{-1}\mathbf S^\top\mathbf W\,\delta\mathbf z

가 된다. 파라미터를 갱신하고 고유값 해석을 다시 돌리는 과정을 반복하므로, 본질은 가우스-뉴턴법이고 감쇠 항을 붙이면 레벤버그-마쿼트 방법이다. 최소자승법의 문법이 그대로 적용된다.

4.3. 계급 부족 — 진짜 함정[편집]

$\mathbf S^\top\mathbf W\mathbf S$ 의 역행렬을 쓴 순간부터 위험이 시작된다. 파라미터를 욕심껏 늘리면 감도 행렬이 계급 부족(rank deficient)이거나 사실상 그에 가까워진다. 원인은 셋이다.

파라미터가 측정보다 많다. 미지수 30개를 모드 12개로 결정하려 들면 답이 하나로 정해질 리 없다.
파라미터들이 구별되지 않는다. 인접한 두 요소 그룹의 강성이 같은 모드에 거의 같은 방식으로 작용하면, 그 둘의 합만 식별될 뿐 각각은 식별되지 않는다.
감도가 애초에 작다. 측정한 모드 대역에 전혀 관여하지 않는 파라미터를 넣어 두면 그 열은 거의 0 벡터다.

진단은 특이값 분해로 한다. $\mathbf S$ 의 특이값 스펙트럼이 몇 자릿수에 걸쳐 뚝뚝 떨어지면 그만큼이 실제로 결정 가능한 조합의 수이고, 작은 특이값에 대응하는 우특이벡터가 **“이 방향으로는 데이터가 아무 말도 하지 않는다”**를 알려준다. 조건수가 $10^6$ 을 넘으면 그 갱신 결과는 잡음의 증폭일 뿐이다. 그래서 절차의 첫 단계는 언제나 파라미터 후보 선정이고, 이것은 민감도 해석의 문제다. 물리적으로 불확실하면서(왜 건드릴 자격이 있는가) 감도가 크고(데이터가 말해 줄 수 있는가) 서로 구별되는(따로 결정되는가) 파라미터만 살린다.

5. 정규화 — 답을 하나로 만들기[편집]

계급 부족을 정면으로 다루는 표준 도구가 티호노프 정규화다. 목적함수에 파라미터 변화량 자체에 대한 벌점을 붙인다.

\delta\boldsymbol\theta_\lambda=\arg\min_{\delta\boldsymbol\theta}\; \big\|\mathbf W^{1/2}(\delta\mathbf z-\mathbf S\,\delta\boldsymbol\theta)\big\|_2^2 +\lambda^2\big\|\mathbf L\,\delta\boldsymbol\theta\big\|_2^2

해는 $(\mathbf S^\top\mathbf W\mathbf S+\lambda^2\mathbf L^\top\mathbf L)^{-1}\mathbf S^\top\mathbf W\,\delta\mathbf z$ 로, 작은 특이값 방향의 폭주를 눌러 준다. 공학적 해석은 명확하다 — 데이터가 말해 주지 않는 방향으로는 파라미터를 움직이지 말라. $\mathbf L=\mathbf I$ 면 능형회귀와 같은 식이고, $\mathbf L$ 을 대각 가중으로 두면 “이 파라미터는 20% 이내로만, 저건 배 단위로 움직여도 된다”는 사전 지식을 넣을 수 있다.

$\lambda$ 선택은 L-곡선(잔차 노름 대 파라미터 노름을 로그-로그로 그렸을 때의 무릎)이나 일반화 교차검증으로 한다. 절단 특이값 분해로 작은 특이값을 잘라 내는 것도 같은 목적의 다른 방법이다.

6. 베이지안 모델 갱신[편집]

정규화를 임시방편이 아니라 원리로 승격시키는 관점이 베이지안이다. 파라미터를 확률변수로 보고, 사전분포와 우도를 곱해 사후분포를 얻는다.

p(\boldsymbol\theta\mid\mathbf D)\;\propto\;p(\mathbf D\mid\boldsymbol\theta)\,p(\boldsymbol\theta)

측정 오차가 독립 가우시안이고 사전분포도 가우시안이면, 사후 최대(MAP) 추정은 정확히 티호노프 정규화 최소제곱과 같은 식이 된다. 정규화 항의 $\lambda$ 는 측정 잡음 분산과 사전 분산의 비로 해석되고, ” $\lambda$ 를 어떻게 고르나”라는 임의성이 “사전 분포를 어떻게 믿나”라는 명시적 가정으로 바뀐다. 이 대응은 베이즈 정리를 아는 사람에게는 당연하지만, 갱신 실무자에게는 관점의 전환이다.

베이지안이 진짜로 주는 것은 점 추정이 아니라 분포 전체다.

사후 공분산이 곧 파라미터 불확실성이고, 이걸 모델 출력으로 전파하면 “플러터 속도 추정치 ± 얼마”라는 형태의 불확실성 정량화가 된다. 인증 문서에서 요구하는 것이 정확히 이런 진술이다.
사후분포가 여러 봉우리를 갖거나 능선을 이루면 그 자체가 진단이다. 식별 불가능한 파라미터 조합이 있다는 뜻이고, 최소제곱은 그 능선 위의 한 점을 아무 근거 없이 골라 보고했을 뿐이라는 사실이 드러난다.
여러 모델 클래스(경계 스프링을 넣을 것인가 말 것인가)를 증거(evidence)로 비교할 수 있고, 이때 복잡한 모델에 자동으로 벌점이 붙는다.

대가는 계산량이다. 사후분포를 마르코프 연쇄 몬테카를로로 표본화하려면 고유값 해석을 수만~수십만 번 돌려야 해서, 전기체 모델에는 대리 모델이나 축소차수모델을 끼워 넣는 것이 사실상 필수다.

7. 검증 — 과적합과의 싸움[편집]

모델 갱신의 실패는 대개 발산이 아니라 너무 잘 맞는 것으로 나타난다. 파라미터를 20개 풀어 주면 측정한 모드 15개는 오차 0.5% 안에 들어온다. 그리고 그 모델은 쓸모가 없다.

홀드아웃. 측정한 모드 전부를 갱신에 쓰지 말고 몇 개는 남긴다. 갱신 후 남겨 둔 모드를 얼마나 맞추는지가 유일하게 정직한 성적표다. 교차검증의 발상 그대로다.
다른 시험 형상. 연료 만재로 갱신한 모델이 연료 공(empty) 형상을 예측하는가. 조종면 잠금 상태로 갱신한 모델이 해제 상태를 예측하는가. 형상이 바뀌어도 살아남는 갱신이 물리적인 갱신이다.
파라미터 값의 상식성. 갱신 결과 어느 요소의 탄성계수가 3배가 됐다면, 그건 강성이 3배라는 발견이 아니라 모델 구조가 틀렸다는 신호다. 형상 오차·결합부 모델링 누락 같은 구조적 오차를 파라미터로 억지로 흡수시킨 것이기 때문이다. 물리적으로 정당화되는 구간(예: 결합부 강성 0.5~2배) 밖으로 나가면 갱신을 멈추고 모델을 다시 본다.
검증 및 확인의 어휘로 말하면, 모델 갱신은 확인(validation)의 일부이지 검증(verification)이 아니다. 이산화 오차를 줄이는 일과 파라미터를 맞추는 일은 별개이며, 이산화 오차가 남아 있는 모델을 갱신하면 그 오차까지 파라미터에 흡수되어 격자 수렴 지수로 확인해 둔 수렴성이 무의미해진다.

8. 실무의 현실[편집]

갱신 대상 파라미터를 고르는 회의가 갱신 계산보다 오래 걸린다. 그리고 그게 정상이다 — 파라미터 선정이 이 문제의 90%다.
모드 짝짓기가 반복 중에 뒤바뀌는 사고가 잦다. 밀집 모드 두 개가 갱신 도중 순서를 바꾸면 잔차가 계단처럼 튀고 반복이 발산한다. 매 반복마다 MAC 으로 짝을 다시 확인하는 절차가 필요하다.
감쇠는 대개 갱신하지 않는다. 측정 산포가 커서 잔차로 쓸 만하지 않고, 감쇠 모델 자체(비례 감쇠 가정)가 물리와 거리가 있기 때문이다.
갱신 결과를 인증 문서에 넣을 때는 “무엇을 얼마나 왜 바꿨는가”를 파라미터 단위로 정당화해야 한다. 이 요구가 직접법을 실무에서 몰아낸 진짜 이유다.²
구조 건전성 모니터링의 손상 진단도 형식적으로는 같은 문제다. 다만 목표가 “예측 잘 하는 모델”이 아니라 “강성이 떨어진 위치 찾기”라서, 희소성 벌점( $\ell_1$ 류)을 써 소수의 파라미터만 크게 변하도록 유도하는 것이 다르다.³

9. 관련 문서[편집]

그래서 모델 갱신은 “모델이 틀렸다”의 자백이 아니라 예정된 공정이다. 항공기 개발 일정표에는 GVT 뒤에 “모델 상관·갱신” 블록이 처음부터 잡혀 있다. 틀릴 것을 알고 시작하는 계산이라는 점에서, 나머지 해석 업무와 심리적으로 좀 다르다. ↩
인증 심사관 앞에서 “행렬을 프로베니우스 노름 최소로 수정했습니다”라고 말하는 순간 다음 질문은 정해져 있다. “그래서 실제로 뭐가 달라진 겁니까?” 답할 수 없는 갱신은 통과하지 못한다. ↩
손상은 보통 국소적이므로 “대부분의 파라미터는 안 변했고 한두 개만 크게 변했다”가 옳은 사전 지식이다. 매끄러운 벌점은 이 사전 지식과 정반대로, 변화를 전체에 골고루 발라 버린다. 같은 역문제라도 원하는 답의 모양이 다르면 정규화도 달라져야 한다. ↩