2.1 딥러닝 비전 기반 손상 탐지

최근 SHM 분야에서 가장 활발한 연구는 딥러닝, 특히 합성곱 신경망(convolutional neural network, CNN)을 이용한 이미지 기반 손상 탐지이다. 드론이나 로봇으로 촬영한 구조물 표면 이미지에서 균열, 박리, 누수 등 손상을 자동으로 탐지하고 정량화한다^{(Cha et al. 2017)}. 전통적인 이미지 처리 기법은 에지(edge)나 명암비(contrast) 같이 사용자가 사전에 정의한 규칙 기반의 특징(hand-crafted features)에 의존한다. 이러한 방식은 예측 불가능한 조명 변화, 그림자, 표면 오염 등 실제 현장의 복잡한 환경에 따라 탐지 성능이 급격히 저하되며 일반화 성능이 낮은 근본적인 한계를 가진다. 이와 대조적으로, 합성곱 신경망은 데이터 기반 접근법을 통해 다양한 이미지로부터 균열의 본질적인 특징을 계층적으로 스스로 학습한다(hierarchical feature learning). 특히, 여러 환경 조건이 포함된 대규모 데이터셋과 데이터 증강(data augmentation) 기법을 통한 훈련은 모델이 조명이나 그림자와 같은 비본질적인 변화에 불변성(invariance)을 갖게 한다. 즉, 데이터로부터 특징을 자동으로 학습하고 일반화하는 이러한 능력이 CNN이 복잡하고 통제되지 않은 실제 환경에서도 높은 강건성(robustness)과 정확도를 보이는 핵심적인 이유이다^{(Su and Wang 2020)}. Table 2는 다양한 딥러닝 모델의 콘크리트 균열 탐지 성능을 정량적으로 비교한 결과로서, CNN 기반 모델들이 87 % 이상의 높은 정확도(F1-Score, mAP)를 달성하여, 자동화된 균열 탐지 기술의 신뢰성이 높다는 것을 입증한다. 특히, 딥러닝 기반의 객체 탐지(object detection) 모델 중 가장 널리 알려지고 많이 사용되는 알고리즘 중 하나인 Faster R-CNN(Faster Region-based Convolutional Neural Network) 모델은 균열의 위치를 신속하게 파악하는 데 강점이 있으며, FCN(Fully Convolutional Network)(U-Net)과 같은 의미론적 분할(semantic segmentation) 모델은 균열의 폭과 길이를 픽셀 단위로 정밀하게 측정하여 상세 분석에 유리하다. 또한, 일반 광학 이미지가 아닌 열화상 데이터를 사용한 R-CNN(Region-based Convolutional Neural Network) 모델이 가장 높은 성능(F1-Score 95.54 %)을 기록한 점은, 다중 물리 데이터의 활용 및 목적에 맞는 모델 아키텍처의 선택이 탐지 정확도를 더욱 향상시킬 수 있음을 시사한다.

2.2 진동 데이터 기반 손상 평가

구조물의 동적 응답(가속도, 변위 등)을 분석하여 내부 손상을 탐지하는 연구에도 AI가 활발히 적용되고 있다. 손상 발생 시 나타나는 구조물의 고유진동수 및 모드 형상의 미세한 변화를 머신러닝 모델이 학습하여 이상 상태를 감지한다^{(Avci et al. 2021)}. 특히, 시계열 데이터 처리에 강점을 지닌 순환 신경망(Recurrent Neural Network, RNN) 및 장단기 메모리(Long Short-Term Memory, LSTM)는 연속적인 진동 신호로부터 비정상 패턴을 학습하여 구조적 이상 징후를 조기에 경보(PoD>0.8)하는 데 효과적이다^{(Abdeljaber et al. 2017)}. 또한, 비지도 학습 기반의 오토인코더(Autoencoder)를 활용하여 정상 상태의 데이터 패턴만을 학습하고, 손상 위치까지 추정하지는 않으나 이로부터 벗어나는 이상 신호를 탐지하는 연구도 주목받고 있다^{(Wang and Cha 2021)}.

2.3 내구성 및 잔존 수명 예측

AI는 염화물 침투, 탄산화, 동결융해 등 환경적 요인에 의한 콘크리트의 내구성 저하를 예측하고 잔존수명을 추정하는 데 활용된다. 인공신경망, 랜덤 포레스트 등 회귀 모델이 콘크리트 배합 정보, 환경 조건, 재령 등 다양한 변수를 입력받아 염화물 확산 계수나 탄산화 깊이를 예측한다^{(Al Fuhaid 2023)}. 특히 플라이애시를 사용한 콘크리트의 탄산화 깊이 예측에 머신러닝 모델을 적용하고 그 해석 가능성을 분석한 연구도 보고된 바 있다^{(Khan et al. 2026)}. 이러한 모델들은 기존의 물리적 모델보다 복잡한 변수 간 상호작용을 효과적으로 학습하여 높은 예측 정확도(R²>0.9)를 보이며^{(Kazemi 2024)}, 이를 통해 적절한 유지보수 시점 결정을 지원한다.

3.1 강도 및 성능 예측

콘크리트의 압축 강도는 배합비에 따라 복잡한 비선형 관계를 나타내므로, 이를 정확히 예측하는 것은 배합 설계의 핵심이다. 인공신경망(ANN)은 이 분야에서 가장 먼저 성공적으로 적용된 AI 기법으로, 다층 퍼셉트론(multi-layer perceptron, MLP) 구조를 통해 배합 변수와 압축 강도 간의 관계를 학습한다^{(Topçu and Saridemir 2008)}. 최근에는 랜덤 포레스트(random forest, RF), 서포트 벡터 회귀(support vector regression, SVR), 그래디언트 부스팅(gradient boosting) 등 다양한 머신러닝 모델이 활용되며, 이들은 기존 회귀식보다 월등히 높은 예측 정확도를 제공한다^{(Chou et al. 2014)}. 또한, 콘크리트 압축 강도 예측에 AI를 적용한 연구 동향을 포괄적으로 검토한 연구가 수행되었으며^{(Altuncı 2024)}, 압축 강도 외에 콘크리트의 쪼갬 인장 강도(splitting tensile strength) 예측에도 머신러닝 기법이 성공적으로 활용되고 있다^{(Wu and Zhou 2022)}. 앙상블 기법을 통해 여러 모델의 예측 결과를 결합하면 단일 모델의 한계를 극복하고 예측의 안정성과 신뢰도를 더욱 향상시킬 수 있다^{(Min and Kim 2025)}.

3.2 배합 최적화

AI는 원하는 성능을 만족시키면서 비용이나 CO₂ 배출량과 같은 특정 목표를 최소화하는 최적 배합비를 도출하는 데 사용된다. 특히 유전 알고리즘(GA)과 같은 진화 알고리즘이 널리 활용된다^{(Oviedo et al. 2024)}. GA는 목표 함수(예: 비용 최소화)와 제약 조건(예: 강도 40 MPa 이상)을 설정하면, 수많은 배합 조합을 생성하고 평가하는 과정을 반복하여 최적의 해를 탐색한다. 이를 통해 시멘트 사용량을 줄여 경제성과 친환경성을 동시에 개선한 배합 설계가 가능하다^{(Yeh 1998)}.

3.3 신소재 개발 및 생성형 AI

최근에는 생성적 적대 신경망(generative adversarial network, GAN)과 같은 생성형 AI가 신소재 개발에 활용되고 있다. GAN은 제한된 실험 데이터를 학습하여 통계적으로 유사한 가상의 데이터를 생성함으로써 데이터 부족 문제를 해결하고, 새로운 재료 배합을 탐색하는 데 기여한다^{(Marani et al. 2023)}. 또한, 강화학습(RL)을 통해 목표 성능을 달성하기 위한 배합 설계 과정을 순차적 의사결정 문제로 정의하고, 최적의 배합을 찾아가는 에이전트를 학습시키는 연구도 시도되고 있다^{(Mirzaei 2025)}.

4.1 설계 자동화 및 최적화

AI는 구조물의 형상, 부재 크기, 재료 배치 등을 최적화하여 중량을 최소화하거나 구조 성능을 극대화하는 위상 최적화(topology optimization) 및 형상 최적화에 적용된다^{(Kicinger et al. 2005)}. 또한, Table 4에 나타낸 바와 같이 AI는 규준 검토 자동화, 내진 해석 보조, 다목적 최적화 등 설계 프로세스의 다양한 단계에 적용되고 있다.

자연어 처리(natural language processing, NLP) 기술을 활용하여 방대한 설계 기준 문서를 분석하고, 설계안이 규준을 만족하는지 자동으로 검토하는 시스템도 개발되고 있다^{(Zhang et al. 2022)}.

4.2 해석 가속화를 위한 메타모델링

복잡한 비선형 유한요소해석(FEA)은 막대한 계산 시간을 요구한다. AI는 기존의 해석 결과를 학습하여 FEA를 대체하는 대리 모델(surrogate model) 또는 복잡하고 시간이 오래 걸리는 원본 모델(original model)의 입력과 출력 사이의 관계를 근사화(approximate)하여 모사하는 메타모델을 구축하는 데 사용된다^{(Liang et al. 2018)}. 이렇게 학습된 딥 뉴럴 네트워크(deep neural network, DNN) 기반의 메타모델은 새로운 설계 변수 조합에 대한 구조물의 하중-변위 관계나 응력 분포를 FEA 없이 수 초 내에 즉시 예측하여, 해석시간을 단축하고 콘크리트의 비선형 거동이나 파괴 양상을 빠르고 정확하게 예측함으로써 설계 최적화 과정의 효율을 획기적으로 높일 수 있다^{(Wang et al. 2020)}

4.3 디지털 트윈과의 융합

디지털 트윈은 실제 구조물을 가상 공간에 복제한 동적 모델로, AI와 결합하여 설계, 시공, 유지관리 전반에 활용된다^{(Barreto et al. 2024)}. 설계 단계에서 디지털 트윈은 다양한 설계안을 가상 환경에서 시뮬레이션하고 성능을 비교·평가하는 데 사용된다. SHM 센서 데이터와 실시간으로 연동된 디지털 트윈은 구조물의 현재 상태를 정확히 반영하고, AI는 이를 기반으로 미래 거동을 예측하여 선제적인 유지관리 전략을 수립하는 데 기여한다^{(Madubuike et al. 2022)}. 구체적으로 철근 및 프리스트레스 콘크리트 교량 인프라 관리를 위한 디지털 트윈 적용 방안도 제시되었다^{(Barreto and Salvador Filho 2024)}.

5.1 시공 자동화 및 품질 관리

AI 기반 컴퓨터 비전은 건설 로봇과 장비가 현장 환경을 인식하고 자율적으로 작업을 수행하도록 한다^{(Gharib and Moselhi 2023)}. 3D 콘크리트 프린팅 기술은 AI가 생성한 최적화된 경로에 따라 구조물을 정밀하게 시공하며^{(Buswell et al. 2018)}, 타설 중인 콘크리트의 품질을 실시간으로 모니터링하고 이상 징후를 감지하는 시스템에도 AI가 활용된다^{(Khan et al. 2022)}. 또한, 온도 센서 데이터와 딥러닝을 결합하여 콘크리트의 조기 강도를 높은 정확도로 실시간 예측함으로써, 거푸집 해체 시점 결정 및 공정 관리를 최적화 할 수 있다(Lee et al. 2022).

5.2 예측적 유지관리

AI는 SHM 데이터를 분석하여 구조물의 성능 저하 추세를 예측하고, 최적의 보수·보강 시점을 사전에 제시하는 예측적 유지관리를 가능하게 한다. 머신러닝 모델이 교량의 균열 진전 데이터나 부식 속도를 학습하여 특정 부재의 보수가 필요한 시점을 예측함으로써, 과잉 정비를 방지하고 수명주기비용을 절감할 수 있다^{(Prakash et al. 2025)}. 나아가 ^{Mangalathu et al.(2020)}은 머신러닝을 활용하여 철근콘크리트 교량의 지진 하중에 대한 파괴 모드(failure mode)를 예측하는 연구를 수행하였으며, 이는 단순 보수 시점을 넘어 구조물의 취약점을 사전에 파악하는 고도화된 유지관리의 기초가 된다. 또한, 드론으로 촬영한 대규모 이미지 데이터를 AI가 분석하여 유지관리가 필요한 구역의 우선순위를 자동으로 결정하는 시스템도 개발되고 있다^{(Guan et al. 2021)}.