본 연구에서는 폭발 하중 하 RC 기둥의 손상 분포를 공간적으로 예측하기 위한 조건부 생성적 적대 신경망(cGAN) 기반 프레임워 크를 제안한다. 제안된 프레임워크는 철근 상세와 폭발 조건을 포함하는 4차원 조건 벡터로부터 유효 소성 변형률(EPS) 분포 이미지와 이진 spalling 마스크를 동시에 생성하는 이중 출력 구조를 채택하였으며, Adaptive Instance Normalization(AdaIN)을 통해 연속적인 물리 조건 변수를 특징 맵에 적응적으로 반영하도록 하였다. 학습 데이터는 LS-DYNA 기반 유한요소해석을 통해 구축하였으며, 정 규화 전략 및 손실함수 조합에 대한 체계적 비교를 통해 AdaIN과 L1+Perceptual 조합이 최적임을 확인하였다. 최종 모델은 변형률 분포 예측에서 SSIM 0.899, L1 error 0.128을, spalling 영역 예측에서 IoU 0.843, Dice coefficient 0.874를 달성하였다. 본 결과는 제안된 프 레임워크가 폭발 손상의 공간적 분포 패턴을 효과적으로 재현하며, 폭발 후 손상 평가 및 보강 전략 수립에 활용 가능함을 입증한다.

This paper presents a conditional generative adversarial network (cGAN)-based framework for predicting the spatial damage distribution of reinforced concrete (RC) columns under blast loading. The proposed framework employs a dual-output generator that simultaneously produces effective plastic strain (EPS) distribution images and binary spalling masks from a four-dimensional condition vector comprising reinforcement details and blast parameters. Adaptive instance normalization (AdaIN) is adopted to adaptively modulate feature maps in response to continuous physical condition variables. Training data were generated through finite element simulations using LS-DYNA, and a systematic ablation study on normalization strategies and loss function combinations confirmed that the AdaIN with L1+Perceptual combination achieved the best performance. The final model achieved an SSIM of 0.899 and L1 error of 0.128 for strain distribution prediction, and IoU of 0.843 and Dice coefficient of 0.874 for spalling region prediction. The results demonstrated that the proposed framework effectively reproduces spatially distributed blast damage patterns, confirming its applicability to post-blast damage assessment and repair strategy planning.

Abstract
1. 서 론
2. 폭발 손상 분포 예측을 위한 학습 데이터셋
    2.1 유한요소해석 모델
    2.2 입력 변수 설정
    2.3 학습용 데이터 추출 및 전처리
3. 조건부 GAN 기반 예측 프레임워크
4. cGAN 기반 폭발 손상 분포 예측
5. 결 론
감사의 글
References
요 지

• 강해원(경상국립대학교 건축공학부 박사과정) | Haewon Kang (Graduate Student, Department of Architectural Engineering, Gyeongsang Nation University, Jinju, 52828, Korea)
• 김예은(경상국립대학교 건축공학부 박사과정) | Yeeun Kim (Graduate Student, Department of Architectural Engineering, Gyeongsang Nation University, Jinju, 52828, Korea)
• 신지욱(경상국립대학교 건축공학과 부교수) | Jiuk Shin (Professor, Department of Architectural Engineering, Gyeongsang Nation University, Jinju, 52828, Korea) Corresponding author