1. Introduction

구조공학은 건축물과 기반시설의 안정성과 성능을 확보하기 위한 설계 및 해석을 다루는 분야로, 안전하면서도 경제적이고 효율적인 구조 시스템을 창출하는 것을 목표로 한다. 그러나 현대의 구조물은 대형화되고 복잡해지며 설계 요건도 다목적 및 다분야로 확대됨에 따라, 기존의 이론 해석과 설계 경험만으로는 최적의 설계안을 도출하고 구조 성능을 정확히 평가하는 데 한계가 있다^{(Muthumanickam et al. 2023)}.

특히 설계 변수의 고차원성, 다중 목적 및 다수의 제약 조건, 지진과 같은 불확실한 하중 등에 효과적으로 대응해야 하므로 구조 설계 과정은 매우 복잡하고 반복적인 작업이 요구된다. 이러한 복잡한 문제를 해결하고자 지난 10여 년간 인공지능(AI) 기술이 구조공학 분야에 적극 도입되기 시작했다. 실제로 머신러닝(ML)과 딥러닝(DL)을 비롯한 AI 기법들은 구조해석 모델링, 설계 최적화, 구조 신뢰성 평가, 구조 건전성 모니터링(SHM), 지진공학 등 구조공학의 다양한 문제에 적용되어 왔다^{(Lu et al. 2022; Qin et al. 2024)}. 센서로부터 획득되는 방대한 모니터링 데이터와 수치해석 시뮬레이션 결과 등 빅데이터의 축적, 그리고 컴퓨팅 파워 향상은 이러한 AI 기법의 도입을 가속화하였다. 최근 연구들은 AI가 복잡한 데이터를 자동으로 분석하여 손상 징후를 포착하고, 이에 대한 설계 대안을 탐색하여 최적 솔루션을 제시하며, 전통적 해석 방법을 보완하는 예측 정보를 제공함으로써 엔지니어의 의사결정을 효과적으로 지원할 수 있음을 보여주고 있다^{(Cha et al. 2017; Lee et al. 2023)}.

이처럼 AI는 구조 설계 및 유지관리 의사결정의 강력한 도구로 부상하여 구조공학 패러다임 변화에 기여하고 있다. 그러나 현재까지의 연구들은 SHM, 최적화, 내진 등 특정 분야에 대한 AI의 ‘적용’ 자체에 집중하는 경향이 있어, 이러한 기술들이 구조 엔지니어의 역할과 전체 엔지니어링 프로세스를 근본적으로 어떻게 바꾸고 있는지에 대한 통합적 시각은 부족한 실정이다. 즉, 개별 AI 기술의 성공 사례는 많지만, 이들이 모여 어떤 미래를 만들어가고 있는지에 대한 종합적인 청사진은 아직 명확하지 않다.

따라서 본 논문은 단순히 지난 10년간(2015~2025)의 AI 기술 동향을 나열하는 것을 넘어, 이들을 체계적으로 분석하고 종합하여 구조공학 분야의 인간-AI 협업(Human-AI Collaboration)이라는 새로운 패러다임을 제시하는 것을 목적으로 한다. 이를 위해 구조건전성 모니터링(SHM), 구조 설계 최적화, 내진 설계, 예측 유지관리, 대규모 언어모델(LLM)의 다섯 가지 핵심 주제를 고찰한다. 각 분야의 대표 연구들을 통해 AI가 어떻게 엔지니어의 계산적·반복적 작업을 대신하고, 엔지니어는 어떻게 창의적 문제 해결과 최종 의사결정이라는 더 고차원적인 역할에 집중하게 되는지를 분석한다. 궁극적으로 본 논문은 AI 시대를 맞이한 구조 엔지니어의 미래 역할과 AI 기술의 바람직한 발전 방향을 조망하는 통합적인 관점을 제공하고자 한다.

본 리뷰는 2015년부터 2025년 사이 발표된 구조공학 분야의 AI 적용 관련 학술 논문을 체계적으로 조사하였다. 문헌 조사는 Scopus, Web of Science, Google Scholar, arXiv 등을 대상으로 수행하였으며, structural engineering, artificial intelligence, machine learning, deep learning, structural health monitoring, predictive maintenance, generative design, large language model 등과 같은 키워드 조합을 활용하였다. 총 4,068편 이상의 논문을 Fig. 1과 같이 1차적으로 스크리닝하였으며, 이 중 본 연구의 목적에 부합하고 구조공학적 기여가 두드러지는 35편의 주요 논문을 대표 문헌으로 선별 및 Table 1과 같이 정리하였다. 이때 다음과 같은 기준을 적용하였다.

인용 수(google scholar), 영향력 지수(impact factor), 실무 적용 가능성 또는 기술적 기여도, 저자 및 소속 기관의 전문성. 그러나 최신 동향의 반영을 위해 arXiv와 같은 프리프린트 서버에서 발표된 미심사 논문도 일부 포함되었으며, 이로 인해 일부 문헌의 학술적 영향력을 인용 수나 저널 수준으로 명확히 평가하기 어려운 한계가 존재한다. 이러한 점을 감안하여, 선정된 논문에 대한 내용 해석과 적용 범위는 전문가적 판단과 교차 검토에 기반하여 신중하게 서술되었음을 밝힌다.

Fig. 1 Number of published papers of selected domains

2. Structural Health Monitoring

구조건전성 모니터링(SHM)은 센서와 데이터 분석을 통해 운용 중인 구조물의 상태를 지속적으로 감시하여 손상이나 성능 저하를 조기에 발견하는 기법이다. 본 장에서 다루는 AI 기반 SHM 기술은 구조물의 건전성을 실시간으로 평가하여 ‘현재 시점의 손상 유무, 위치, 종류를 파악하는 진단(diagnosis) 기술’에 초점을 맞춘다. 대형 교량, 초고층 건물, 플랜트와 같은 중요 구조물의 경우 SHM을 통해 실시간으로 안전성을 평가하고, 필요 시 유지보수 조치를 취함으로써 파국적인 고장을 예방할 수 있다.

2015년 이후, 기존의 임계치 기반 모니터링을 넘어 머신러닝 등 AI 기법을 활용하여 방대한 센서 데이터에서 미묘한 이상 신호나 손상 징후를 자동으로 탐지하려는 연구가 활발히 진행되었다^{(Abdeljaber et al. 2017)}. 이는 사람이 일일이 분석하기 어려운 복잡한 진동 신호나 이미지 데이터를 AI가 학습을 통해 특징 패턴을 파악함으로써, 구조물의 이상 상태를 더욱 정밀하고 신속하게 진단할 수 있게 해준 것이다. SHM 분야에서 적용된 대표적인 AI 사례로는, 여러 센서로부터 획득한 진동 특성으로 구조 손상 여부를 분류하는 머신러닝 모델이 있다. 예컨대, 구조물의 고유진동수 변화나 변형률 분포 등의 특징을 입력으로 서포트 벡터 머신(SVM), 랜덤 포레스트와 같은 알고리즘을 활용하여 손상의 존재나 위치를 예측하는 연구가 이루어졌다^{(Gui et al. 2017)}.

또한 딥러닝 기반 접근법으로, 사람이 정의한 특징이 아니라 원시 신호나 영상 데이터를 심층 신경망에 입력하여 자동으로 손상 징후를 추출하는 방법이 두드러진다. 콘크리트 균열 영상 판독에는 Fig. 2와 같은“합성곱 신경망(convolutional neural network, CNN)” 모델이 널리 활용되어 높은 정확도로 균열을 탐지하고 나아가 균열 폭을 추정한 사례들이 보고되었다^{(Cha et al. 2017; Feng et al. 2019)}. 진동 데이터 분석에서도 순환 신경망(recurrent neural network, RNN)이나 오토인코더(autoencoder)를 이용해 구조 응답에서 정상 상태와 다른 이상 패턴을 식별함으로써 손상 발생을 감지하는 연구들이 진행되었다. 더하여, 드론과 같은 무인기를 활용한 원격 모니터링에서 촬영된 영상 자료를 AI로 분석하여 교량 케이블의 단선이나 건물 외벽의 균열을 찾아내는 등, 위험 지역에 사람이 직접 접근하지 않고도 구조물 상태를 진단하는 기술도 개발되었다^{(Cha et al. 2018, Kang et al. 2018)}. 이러한 AI 기반 SHM 기법들은 일부 교량과 건축물에 시범 적용되어 기존의 육안 점검보다 신속하고 객관적인 상태 진단이 가능함을 입증하고 있다. 한편, SHM에 AI를 적용함에 따른 한계와 과제도 존재한다. 가장 큰 어려움은 신뢰성 있는 학습 데이터의 확보로, 실제 구조물의 다양한 손상 사례 데이터를 충분히 얻기가 쉽지 않다는 점이다. 이 때문에 많은 모델이 실험실 조건이나 시뮬레이션으로 생성된 데이터로 훈련되는데, 이렇게 학습한 모델이 실제 현장의 복잡한 조건(예: 온도 변화, 주변 진동 소음 등)에서도 동일한 성능을 낼 수 있을지는 불확실하다. 따라서 환경 요인에 둔감하면서도 손상에는 민감한 강건한 모델을 개발하는 것이 중요 과제로 대두된다^{(Al-Adly and Kripakaran 2024)}. 또한 딥러닝 모델의 결과는 해석이 어려운 ‘블랙박스’인 경우가 많아, 모델이 어떤 근거로 이상으로 판단하였는지를 공학적으로 설명하기 힘들다는 문제도 있다. SHM은 구조물 안전과 직결되는 분야이므로 이러한 AI 진단 결과에 대한 도메인 전문가의 신뢰를 얻는 것이 필수적이며, 이를 위해 AI 예측을 전통적인 구조공학 지식과 교차 검증하는 절차가 필요하다. 최근에는 물리 법칙을 일부 반영한 학습(physics- informed learning)이나 전이 학습(transfer learning) 기법을 통해 한 구조물에서 학습한 모델을 다른 구조물에 적용하는 연구도 진행되는 등, AI 기반 SHM의 신뢰성과 범용성을 향상시키기 위한 노력이 지속되고 있다.

요컨대, AI 기반 SHM 기술은 방대한 데이터로부터 인간이 식별하기 어려운 손상 징후를 자동으로 포착하여 구조물 안전 관리의 패러다임을 바꾸고 있다. 핵심 과제는 실험실 수준의 데이터를 학습한 모델과 실제 현장의 복잡성 사이의 간극을 줄여, 예측의 신뢰성을 확보하는 것이다. 따라서 향후 연구는 환경 변화에 강건하고, 판단 과정을 설명할 수 있으며, 다양한 구조물에 적용 가능한 범용 모델을 개발하여 엔지니어의 신뢰를 얻고 실무 적용을 확대하는 방향으로 나아가야 할 것이다.

Fig. 2 A schematic of the image-based crack detection process using a CNN ^{(Cha et al. 2017)}. Initially, a large databank of images is established and partitioned into training and validation sets. These sets are used to train a CNN to classify whether an image patch contains a crack. For a new inspection image, a sliding window scans the entire surface, and the trained CNN classifier analyzes each captured window. The system then generates a consolidated output image that accurately highlights the locations of the detected cracks

3. Structural Design Optimization

구조 설계 최적화는 부재의 형상, 단면, 재료 배합 등을 조정하여 구조 성능을 극대화하거나 비용과 중량을 최소화하는 등 주어진 목표에 가장 부합하는 설계안을 찾는 과정이다. 이러한 최적화 문제는 일반적으로 매우 많은 수의 설계 변수를 포함하고 여러 상충목표(예: 강도 대 경제성)와 다양한 제약 조건(안전 기준, 사용성 등)을 동시에 고려해야 하기 때문에, 전통적인 경험 기반 설계나 모든 조합을 사람 손으로 탐색하는 방식으로는 전역 최적해를 찾기 어렵다.

2010년대 중반 이후 진화 알고리즘을 비롯한 AI 최적화 기법이 구조 설계에 도입되면서, 인간의 직관에만 의존하지 않고도 복잡한 구조 시스템의 “전역 최적해(global optimum)”를 탐색하려는 연구가 활발해졌다^{(Annicchiarico and Cerrolaza 2019)}. 특히 최근에는 컴퓨팅 파워의 향상으로 구조 해석 프로그램과 AI를 결합하여 수만 가지 설계 대안을 자동으로 평가하고 그 중 최상의 성능을 가진 설계를 도출하는 것이 현실화되었다. 구조 설계 최적화를 위한 대표적인 AI 접근법으로 “유전 알고리즘(genetic algorithm, GA)”이나 “입자 군집 최적화(particle swarm optimization, PSO)” 같은 진화형 알고리즘을 들 수 있다. 이들 기법은 초기 세대의 무작위 설계안들을 생성하고 구조해석으로 각 설계의 성능(예: 응력, 처짐, 고유진동수 등)을 평가한 후, 성능이 우수한 설계의 특성을 다음 세대 설계에 반영함으로써 세대를 거듭할수록 더 나은 설계안을 찾아낸다^(Delyová et al. 2021).

이미 2010년대에 교량 트러스나 건물 골조 구조의 부재 단면을 GA로 최적화하여 경량 설계를 구현하는 등 AI 기반 최적화의 효용을 보인 연구들이 보고되었다. 최근에는 여기에 더해 기계학습 기반 “대체 모델(surrogate model)”을 활용하는 추세이다. 즉, 신경망이나 서포트 벡터 회귀와 같은 모델을 이용하여 복잡한 유한요소 해석 결과를 근사하는 성능 예측기를 사전에 학습시키고, 최적화 과정에서 매번 정확한 해석을 수행하지 않더라도 이 예측기를 통해 설계 성능을 빠르게 평가한다^{(Boursier Niutta et al. 2018)}. 이러한 대리모델을 접목하면 최적화 연산의 효율이 향상되어 훨씬 더 넓은 설계 공간을 탐색할 수 있고, 복잡한 구조 문제에서도 현실적인 시간 내에 최적해에 근접할 수 있다.

이와 함께, “강화학습(reinforced learning, RL)”을 구조 설계 문제에 적용하려는 시도도 이루어졌다. 예를 들어 구조 형상을 Fig. 3과 같이 단계적으로 완성해가는 과정을 마르코프 의사결정 프로세스로 모형화하고, 에이전트(agent)가 부재를 하나씩 추가하거나 단면을 변경할 때마다 구조 성능에 기반한 보상을 부여하여 원하는 성능 목표에 수렴하도록 학습시키는 방법이 제안되었다^{(Brown et al. 2022)}. 이러한 RL 기반 설계 방법은 아직 초기 연구 단계지만, 인간 설계자의 직관적 절차를 모방하여 참신한 설계안을 도출할 가능성을 보여준다는 점에서 의의가 있다.

또한 “생성형 모델(generative model)”의 발전에 따라, “생성적 적대적 신경망(generative adversarial network, GAN)”이나 변이형 “오토인코더(variational autoencoder, VAE)” 등을 활용해 새로운 구조 형상을 자동 생성하는 연구도 나타나고 있다. 이 경우 AI 모델이 방대한 기존 구조 설계 데이터를 학습한 후 주어진 설계 요구조건에 부합하는 후보 구조형상을 제시하면, 이를 토대로 엔지니어가 세부 설계를 진행하거나 적절히 수정 및 보완하는 방식이다^{(Fei et al. 2022)}. 이러한 생성적 설계(generative design) 개념은 상용 CAD 소프트웨어에도 도입되기 시작하여, AI가 제안한 여러 개념 설계안 중 엔지니어가 현실에 적합한 안을 선택하고 구체화하는 식으로 활용되고 있다.

그러나 AI 기반 설계 최적화 결과를 실제 구조 설계에 적용하기 위해서는 몇 가지 극복해야 할 난제들이 있다. 우선 AI가 제안한 설계의 안전성과 신뢰성을 검증하는 과정이 필수적이다. 최적화 알고리즘은 주어진 해석 모델 내에서의 성능 지표를 극대화하지만, 설계 기준에 명시된 세부 규정이나 해석 모델에 포함되지 않은 비정형 파괴 양상 등에 대해서는 부적절한 설계를 제시할 위험이 있다. 따라서 AI가 도출한 결과를 구조공학자가 검토하고 보완하여 실제로 수용 가능한 최종 설계로 조율하는 작업이 필요하다. 또한 학습 데이터의 한계도 문제인데, 일반적인 이미지 인식 AI와 달리 구조 설계 사례의 데이터는 매우 제한적이고 서로 다양성이 크다. 이로 인해 학습된 모델의 범용성이 낮아, 특정 구조 유형이나 범위 밖 상황에서는 성능을 담보하기 어렵다. 복잡한 설계 공간을 다루는 데 따른 계산 비용도 무시할 수 없다. 대리모델을 쓰더라도 초기 학습을 위해 다수의 정확한 해석 수행이 필요하며, 다목적 최적화의 경우 다양한 해법을 탐색해야 하므로 여전히 상당한 계산 자원이 소요될 수 있다^{(Muthumanickam et al. 2023)}.

마지막으로, 현업 엔지니어의 수용성과 신뢰 확보 측면에서, 많은 설계자들은 AI가 산출한 결과를 참고하더라도 그 이면의 거동 원리를 이해하기 원한다. 따라서 AI 도구가 설계 대안을 제시할 때 해당 안의 장단점을 명확히 제시하거나, 설계자가 제약 조건이나 선호도를 입력하여 상호작용적으로 최적화를 진행하는 등 사용자 친화적 인터페이스로 발전하는 것이 바람직하다. 이러한 한계에도 불구하고, 최근 AI 기반 최적화는 복잡한 구조 시스템에서 설계 시간을 단축하고 고효율 설계안을 발굴하는 성과를 보이고 있어 향후 구조 설계 프로세스에 AI 활용이 더욱 확대될 것으로 기대된다.

결론적으로, AI 기반 설계 최적화는 방대한 설계 공간을 자동으로 탐색하여 인간의 직관을 뛰어넘는 혁신적이고 효율적인 구조 형태를 제시하는 강력한 도구로 자리매김했다. 현재의 가장 큰 난제는 알고리즘이 제시한 이론적 최적해의 실제 시공 가능성과 구조적 안전성을 검증하는 것이다. AI가 창의적인 설계 대안을 생성하고 엔지니어는 전문 지식으로 이를 검증 및 보완하는 상호보완적 협업 관계를 정립하는 것이 AI 최적화 기술을 성공적으로 실무에 통합하는 핵심이 될 것이다.

Fig. 3 Effect of the allowable stress-increase termination criterion on topology optimization results from a reinforcement learning (RL) framework ^{(Brown et al. 2022)}. A less restrictive criterion (top) produces a lighter structure, whereas a more restrictive one (bottom) results in a more substantial design.

4. Seismic Design

내진 설계는 지진 하중에 견딜 수 있도록 구조물을 설계하여 인명과 재산 피해를 방지하는 것을 목표로 한다. 최근에는 단순히 지진 시 붕괴를 막는 것을 넘어, 지진 후 신속히 기능을 복구하여 사용성을 회복하는 복원력(resilience) 개념이 부각되고 있다. 구조 복원력이란 지진이나 기타 충격 이후 구조 시스템이 성능 저하를 얼마나 빨리 최소화하고 정상 상태로 복귀할 수 있는지를 나타내는 지표로, 피해로 인한 서비스 중단 시간과 복구 비용을 최소화하는 능력이라 할 수 있다. 그러나 지진 하중은 발생 확률이 낮고 예측이 어려운데다, 구조물의 비선형 거동 양상이 복잡하여 전통적인 방식만으로는 모든 시나리오에 대비한 설계를 엄밀히 평가하기에 어려움이 있다. 이러한 맥락에서 AI 기법은 지진 응답 예측 및 복원력 평가에 새로운 접근을 제공함으로써, 보다 효율적이고 정량적인 내진 설계 의사결정을 지원할 잠재력을 보여주고 있다.

지진공학 분야에서의 AI 활용 사례로 먼저 꼽을 수 있는 것은 구조 지진응답 예측을 위한 대리모델 구축이다^{(Zhong et al. 2023)}. 예를 들어 다양한 건물 형상과 지진파 조합에 대해 비선형 시간이력해석을 수행하여 얻은 데이터를 바탕으로, 신경망이나 트리 기반 머신러닝 모델이 최대 층간변형이나 부재 손상률 등의 결과를 예측하도록 학습될 수 있다. 이렇게 하면 새로운 구조물 설계안이나 지진 시나리오에 대해 복잡한 해석을 일일이 수행하지 않고도 즉각적으로 응답을 추정할 수 있어, 성능기반 내진설계에서 수많은 설계 케이스를 평가하는 데 드는 시간을 획기적으로 줄일 수 있다. 더하여, ML 기반 복원력 지표 평가 연구도 진행되고 있다. 개별 건물의 설계 변수와 지진 시나리오에 따른 예상 복구 시간이나 경제적 손실을 시뮬레이션으로 산출한 데이터셋으로 모델을 학습시켜, 주어진 설계안의 복원력 수준(예: 기대 손실률 또는 기능 저하 기간)을 신속히 산정하는 것이다^{(Cere et al. 2022)}. 이를 통해 여러 설계 대안을 복원력 측면에서 비교 평가하고 최적화하는 복원력 기반 내진 설계가 가능해진다. 지진 발생 시 혹은 직후의 구조물 안전 평가에도 AI가 활용될 수 있다. 예컨대 건물에 설치된 가속도계 등의 센서 데이터를 실시간 분석하여 지진 중 구조물에 발생한 손상 여부를 판단하는 알고리즘이 개발되고 있다. 이를 통해 지진 직후 별도의 상세 점검 없이도 AI가 건물의 안전 상태(사용 가능, 일시 사용 제한, 위험 등)를 자동 분류하여 긴급 대응에 활용하려는 시도가 이루어졌다^{(Zhang et al. 2018)}. 또한 구조 시스템에 능동 제어 장치를 도입한 경우 AI를 이용한 스마트 진동 제어가 가능하다. 강화학습이나 퍼지 논리를 적용한 액티브 댐퍼 제어 시스템은 지진파 특성을 실시간으로 파악하여 최적의 제어력을 산출함으로써,

Fig. 4와 같이 기존의 고정된 제어법칙보다 효과적으로 진동을 감소시킨다는 연구 결과들이 보고되었다. 이러한 AI 기반 제어는 다양한 지진에 대해 적응적으로 대응함으로써 구조물의 최대 응답 및 잔류 변형을 줄여 복원력을 높이는 방안으로 주목받고 있다^{(Guo et al. 2025)}.

아울러, 드론 촬영 영상이나 위성 이미지 등 원격 센싱 데이터를 딥러닝으로 분석하여 광범위한 지진 피해 지역에서 개별 건물의 외관 손상을 자동으로 판독하는 기술도 개발되고 있다. 이는 대규모 지진 후 신 속한 피해 조사와 안전 진단에 기여함으로써, 재난-대응 효율을 향상시킬 것으로 기대된다^{(Qing et al. 2022; Kizilay et al. 2024)}.

내진 설계 및 복원력 분야의 AI 활용에는 여전히 여러 한계가 따른다. 가장 큰 문제는 지진 데이터의 불충분과 불확실성으로 인한 학습 한계이다. 대규모 지진의 실제 기록 데이터는 얻기 어려워, 모델이 주로 시뮬레이션 데이터에 의존하게 되는데 시뮬레이션이 현실을 완벽히 재현하지는 못한다. 이로 인해 AI 모델이 예측한 응답이 극한의 실제 지진 상황에서 얼마나 정확할지에 대한 검증이 필요하다. 또한 한 유형의 구조물이나 특정 지역의 지진 특성에 맞춰 학습된 모델은 다른 구조 형태나 지진 조건에서는 성능이 저하될 수 있어, 범용적 적용을 위한 추가 보정이 요구된다. 무엇보다, 안전이 직결되는 분야이므로 AI의 판단에 전적으로 의존하기보다는 전통적인 공학 해석과 결합하여 결과를 이중 확인하는 보수적 접근이 필요하다.

실시간 제어의 경우에도 AI 제어기가 예기치 못한 입력에 대해 오동작할 가능성을 완전히 배제할 수 없으므로, 최악의 상황에서도 구조 안전이 확보되도록 “이중 안전장치(fail-safe)”를 마련한 제어 시스템 설계가 필수적이다. 실무 적용 측면에서는, AI 기반 내진설계 기법을 실무에 도입하기 위해 관련 연구의 성능 검증과 장기적인 실증 실험이 선행되어야 하며, 코드나 설계 기준에 AI 기법을 포함시키는 표준화 작업도 추후 과제로 남아 있다. 요컨대 내진 및 복원력 설계 분야에서 AI는 강력한 보조 도구로서의 가능성을 보여주고 있으나, 그 활용에 있어서는 신중한 검증과 기존 공학 기법과의 조화가 중요하다.

종합하면, 내진설계 분야에서는 복잡한 비선형 응답을 신속히 예측하고 구조물의 복원력을 정량적으로 평가함으로써, 성능 중심의 선진화된 설계가 가능하도록 지원한다. 본질적인 과제는 데이터가 부족한 극심한 지진 상황에서 AI 모델의 예측 불확실성을 관리하고 그 신뢰도를 확보하는 것이다. 따라서 AI를 절대적인 해법으로 보기보다는, 전통적인 해석 및 안전 검증 절차를 보완하고 엔지니어의 의사결정을 돕는 정교한 보조 도구로 활용하는 보수적인 접근이 요구된다.

Fig. 4 Comparison of structural responses under different control strategies during a seismic event ^{(Guo et al. 2025)}. Both the traditional linear quadratic regulator (LQR) and the adaptive DRL (deep reinforcement learning) (Deep Reinforcement Learning) controllers effectively reduce displacement and acceleration. The results highlight the potential of AI-based methods to achieve robust vibration control

5. Predictive Maintenance

“예측 유지관리(predictive maintenance)”는 현재 구조물의 상태 데이터를 바탕으로 미래의 성능 저하나 손상 발생 시점을 예측하여 선제적으로 유지보수 계획을 수립하는 접근이다. 이는 2장에서 다룬 SHM을 통해 확보된 현재 상태 정보를 바탕으로, ‘미래의 성능 저하를 예측하고 최적의 유지보수 시점을 계획하는 예후(Prognosis) 및 계획(Planning) 기술’로 나아가는 단계이다. 예측 유지관리는 SHM으로부터 실시간 수집되는 구조 응답 데이터, 과거 손상 및 보수 이력, 환경 조건 등의 정보를 종합 분석하여 의사결정을 내리며, 이러한 복잡한 패턴 인식과 장기 예측에 AI 기법이 활용되고 있다.

최근 10년간 구조 분야에서 시도된 예측 유지관리의 AI 응용으로는, 시간 이력 데이터 분석을 통한 성능 저하 추세 예측이 대표적이다. 예를 들어 Fig. 5와 같이 교량 케이블의 장력 변화나 철근 콘크리트 부재의 균열 진행 데이터를 RNN이나 LSTM과 같은 순환 신경망으로 학습시켜 잔여 강도나 남은 사용 수명을 예측하는 연구가 진행되었다^{(Min et al. 2023)}. 또한 주요 상태 지표가 임계치에 도달하는 시점을 예측하여 앞으로 얼마나 운용이 가능한지를 알려주는 잔여 수명(RUL, Remaining Useful Life) 추정 모델도 활용되고 있다^{(Cao et al. 2022)}.

한편, AI 예측 결과를 기반으로 최적 유지보수 스케줄링을 수행하는 사례도 있다. 이는 여러 구성 요소들의 열화 예측 결과를 종합 고려하여 어떤 부위를 언제 보수할지 우선순위와 시점을 정하는 문제로, 강화학습이나 전역 최적화 알고리즘을 통해 주어진 예산 내에서 위험도를 최소화하는 유지관리 전략을 자동으로 도출하게 한다^{(Zhang et al. 2020; Andriotis et al. 2021; Kosanoglu et al. 2024)}. 이러한 기법은 교량 및 철도 시설 관리 등에 시범 도입되어, 제한된 예산 하에서도 구조물의 신뢰도를 최대화하는 과학적 유지보수 계획 수립에 기여할 수 있음을 보였다^{(Pinciroli et al. 2022)}.

예측 유지관리에도 도전 과제가 존재한다. 첫째, 장기간의 열화 데이터 부족으로 인한 불확실성 문제가 있다. 구조물의 성능 저하는 수십년에 걸쳐 서서히 진행되는데, 새로운 구조물의 경우 초기 운영 단계에서는 학습에 충분한 데이터를 확보하기 어렵다. 따라서 초기에 제한된 데이터로 모델을 구축하되 운영 중 추가 데이터를 지속적으로 반영하며 예측 정밀도를 높이는 온라인 학습 또는 순차적 모델 보정 전략이 필요하다. 또한 AI 예측 모델에는 본질적으로 오차와 불확실성이 수반되므로, 모델이 산출하는 잔여 수명이나 고장 확률에 대해서는 신뢰구간 또는 보수적인 보정치를 적용하여 엔지니어가 판단에 활용해야 한다.

예측 민감도 조정도 중요한데, 거짓 경보(false alarm)를 줄이기 위해 기준을 높이면 실제 결함을 놓칠 위험이 있고, 반대로 작은 징후에도 경보를 발령하면 불필요한 점검 비용이 증가한다. 따라서 오검출과 미검출 사이의 균형을 맞추는 것이 핵심이며, 이는 운영자의 위험 선호도와 비용 구조에 따라 조율되어야 한다^{(Zhao et al. 2022)}.

마지막으로, 현장 도입을 위한 통합과 신뢰 확보가 필요하다. AI 기반 예측 시스템을 실제 유지관리 프로세스에 적용하려면 기존의 자산관리 시스템과 데이터 베이스에 통합하고, 현장 엔지니어들이 예측 결과를 신뢰하고 활용할 수 있도록 충분한 검증과 교육이 이루어져야 한다^{(Verbert et al. 2017)}. 요약하면, 예측 유지관리는 데이터와 AI를 활용하여 구조물 관리의 효율성과 선제성을 높이는 유망한 접근이지만, 실제 적용을 위해서는 장기적 데이터 축적과 신중한 모델 검증, 그리고 현장의 수용성 확보가 뒤따라야 할 것이다.

Fig. 5 Sensor layout and sample time-history data from a bridge monitoring system, as used in the predictive maintenance study by ^{Min et al. (2023)}. The collected data, such as the temperature and displacement shown, serves as input for training AI models to predict long-term structural performance and remaining service life

6. Application of Large Language Model (LLM)

2010년대 후반부터 AI 분야에서 자연어 처리 기술이 비약적으로 발전하여, 2020년대에 이르러 GPT-3, ChatGPT 등의 대형 언어 모델(LLM)이 등장하였다^{(Zhou et al. 2024)}. LLM은 대규모 텍스트 데이터로 사전 학습되어 사람의 자연어를 이해하고 새로운 문장을 생성할 수 있는 능력을 갖춘 AI 모델이다. 구조공학 분야에서 LLM의 활용은 지금까지 다뤄온 수치 해석 위주의 AI 적용과 달리, 주로 문서와 텍스트 지식의 처리 및 생성 측면에서 가능성이 논의되고 있다.

건축 구조 분야의 방대한 문헌과 설계 기준 등을 학습한 LLM은 구조공학 지식 기반 시스템으로 기능할 수 있으며, 이를 통하여 구조 설계 및 해석 과정에서 많은 언어적 작업을 자동화하거나 엔지니어 사이의 정보 교환을 지원하는 데 활용될 수 있다^{(Luo et al. 2022, Xu et al. 2025)}. LLM의 잠재적 활용 예로는 우선 전문 지식 질의응답 시스템이 있다. 엔지니어가 특정 설계 기준의 조항이나 해석 방법 등에 대해 질문하면, LLM이 관련 코드를 인용하거나 축적된 문헌 정보를 근거로 Fig. 6과 같이 답변을 제시해주는 형태이다^{(Liang et al. 2025)}. 이를 통해 방대한 설계 코드와 매뉴얼을 일일이 탐색하지 않고도 필요한 정보를 얻을 수 있는 지능형 도우미 역할을 기대할 수 있다.

또한 보고서 작성 보조도 LLM의 중요한 용도이다. LLM의 자연어 생성 능력을 활용하여 구조 해석 결과를 자동으로 요약하거나 설계 보고서의 초안을 작성하게 할 수 있다^{(Cruz-Castro et al. 2024)}. 예컨대 구조 해석 소프트웨어의 출력 데이터를 입력하면, 해당 결과의 의미와 설계 상 시사점을 서술한 문단을 LLM이 생성하고 이를 엔지니어가 검토 및 수정함으로써 문서 작성 시간을 단축하는 방식이다. 더하여 LLM을 건축 법규나 설계기준 문서에 특화하여 훈련시킨 뒤 설계 검토에 활용하는 방안도 고려되고 있다^{(Kumar et al. 2024)}. 이는 완성된 설계 설명서를 LLM이 검토하여 규정상 누락된 검토 사항이나 잠재적인 문제점을 지적해주는 형태로, 아직 실험적 단계이지만 장기적으로 설계 검토 과정의 일부 자동화를 시사한다.

그러나 현재 LLM 활용에는 여러 제약과 유의사항이 있다. 우선, 범용 LLM은 훈련된 통계에 따라 그럴듯한 문장을 만들어낼 뿐이고 그 내용의 정확성을 보장하지 못한다^{(Iyenghar 2025)}. 특히 구조공학과 같은 분야에서는 작은 오류도 심각한 결과로 이어질 수 있으므로, LLM이 제시한 답변이나 생성한 문서는 반드시 전문가의 검토를 거쳐야 한다. 수치 계산이나 논리적 추론 측면에서 LLM은 한계를 지니며, 복잡한 구조 해석을 직접 수행할 수는 없기 때문에 어디까지나 도메인 지식 탐색과 요약을 돕는 보조 도구로 인식하는 것이 타당하다^{(Qin et al. 2024; Liang et al. 2025)}. 또한 구조공학 분야에 특화되지 않은 일반 LLM은 부정확한 정보를 제시할 우려가 있으므로, 해당 도메인 데이터로 추가 학습(fine-tuning) 및 검색증강생성(Retrieval Augmented Generation, RAG) 기술을 사용하거나, 전문가 피드백을 통해 모델을 개선하는 과정이 필요하다^{(Luo et al. 2022; Xu et al. 2025)}. 데이터 보안 측면에서도 설계 도면이나 보고서와 같은 민감한 정보를 외부 LLM 서비스에 입력하는 것에 대한 거부감이 있을 수 있으며, 이를 해결하기 위해 기업이나 기관 내부에 폐쇄적으로 운영되는 전용 LLM 시스템을 구축하는 방안이 검토되고 있다^{(Zhou et al. 2024)}. 결국 LLM을 효과적으로 활용하기 위해서는 그 능력과 한계를 명확히 인지하고, 인간 전문가의 판단과 결합하여 정보 검색과 문서 작성 등의 보조 수단으로 삼는 것이 바람직하다. 적절히 활용된다면 LLM은 구조공학자들의 반복적 문서 작업 부담을 줄이고 필요한 정보를 신속히 제공하는 유용한 도구가 될 수 있을 것이다.

결론적으로 LLM은 구조공학 분야에서 수치 해석이 아닌, 방대한 텍스트 기반의 지식 검색과 문서화 작업을 자동화하는 ‘지식 노동 증강 도구’로서의 잠재력이 크다. 가장 중요한 과제는 내용의 정확성을 보장할 수 없다는 ‘환각(hallucination)’ 현상을 통제하고, 공학적 추론 능력이 부재한 모델의 한계를 명확히 인식하는 것이다. 따라서 LLM을 독립적인 분석 도구가 아닌 엔지니어의 전문적 판단하에 정보 검색과 보고서 작성을 돕는 지능형 보조원으로 활용하는 것이 현 단계에서 가장 바람직한 협업 모델이라 할 수 있다.

한편, 본 리뷰에서 활용한 문헌 표본 선정에는 몇 가지 한계도 존재한다. 최신 연구 동향을 반영하기 위해 arXiv 등 프리프린트 기반의 비동료심사 논문도 분석 대상에 포함되었는데, 이러한 문헌은 아직 인용 수나 저널 등급 등의 객관적 지표로는 평가가 불가능하거나 제한적이다. 그 결과 일부 논문은 후속 검증을 통해 영향력이 재조정될 가능성이 있으며, AI 기술의 빠른 진보 속도와 관련 학계의 응답 간 시차도 문헌 해석에 영향을 줄 수 있다. 이러한 점을 감안하여, 본 논문의 분석 결과는 현재 시점에서의 대표성과 흐름을 중심으로 해석되어야 하며, 향후 학계 평가와 실무 적용 결과를 통해 보완될 필요가 있음을 언급하고자 한다.

Fig. 6 The architecture of an large language model (LLM)- based intelligent assistant designed to automate structural analysis ^{(Liang et al. 2025)}. This framework demonstrates how a simple, text-based user requirement is processed through three stages. The LLM operator is the core of the system, responsible for converting a natural language prompt into a finite element model, generating the necessary analysis code with a two-stage validation check for coherence and structural integrity, and producing final visualizations and a documented report. This system exemplifies how LLMs can serve as a knowledge- based tool for engineers

7. 결 론

2015년부터 2025년에 이르는 지난 10년간 구조공학 분야의 AI 기술 동향을 종합한 결과, 이들 기술은 개별적 도구의 집합을 넘어 ‘인간-AI 협업 시스템(human-ai collaborative system)’이라는 하나의 통일된 패러다임으로 수렴하고 있음을 확인하였다. 본 논문에서 고찰한 SHM, 설계 최적화, 내진 설계, 예측 유지관리, LLM 기술은 모두 구조 엔지니어의 역할을 근본적으로 재정의하며 새로운 가치를 창출하고 있다.

이 새로운 패러다임 속에서 AI는 인간이 수행하기 어려운 방대한 데이터 분석, 복잡한 시뮬레이션, 반복적인 최적화 탐색 등 ‘지칠 줄 모르는 계산 분석가(tireless computational analyst)’의 역할을 맡는다. 반면, 엔지니어는 문제의 본질을 정의하고, AI가 도출한 결과의 공학적 타당성을 비판적으로 검증하며, 여러 대안 중 사회적·윤리적 책임을 고려한 최종 의사결정을 내리는 ‘전략적 의사결정자(strategic decision-maker)’로 역할이 격상된다. AI가 ‘어떻게(how)’에 대한 최적의 답을 찾는 동안, 인간은 ‘무엇을(what)’과 ‘왜(why)’라는 더 근본적인 질문에 집중하게 되는 것이다.

물론, 이 이상적인 협업 시스템을 완성하기 위해서는 본문에서 논의된 과제들을 해결해야 한다. 데이터의 한계, AI의 설명가능성 부족, 예측의 불확실성 등은 인간과 AI 사이의 신뢰를 저해하는 가장 큰 장애물이다. 따라서 향후 연구는 단순히 AI 모델의 성능을 높이는 것을 넘어, 물리 법칙 기반 모델과의 융합(hybrid AI), AI의 판단 근거를 시각화하는 기술, 그리고 예측의 신뢰도를 정량적으로 제시하는 기법 개발에 집중해야 한다. 이는 AI를 신비한 ‘블랙박스’가 아닌, 엔지니어가 신뢰하고 소통할 수 있는 투명한 ‘파트너’로 만드는 과정이다.

궁극적으로, 미래 구조공학의 경쟁력은 AI 기술의 보유 여부가 아니라, 엔지니어가 AI와 얼마나 효과적으로 협력할 수 있는가에 달려있을 것이다. AI는 복잡한 계산과 분석의 부담에서 엔지니어를 해방시켜, 그들이 본연의 창의성과 공학적 통찰력을 발휘할 수 있도록 지원하는 가장 강력한 도구가 될 것이다. 앞으로 AI 기술과 공학 도메인 지식의 통합은 더욱 심화될 것이며, 이러한 인간-AI 협업 시스템을 통해 우리는 과거에는 상상하지 못했던 더 안전하고, 효율적이며, 지속가능한 구조물을 만들어 나갈 수 있을 것으로 전망한다.