토목 엔지니어 돌중입니다.

광주대표도서관 붕괴 사고의 구조물을 AI를 활용하여 모델링하고 해석하는 방법을 소개합니다. 이 영상은 AI를 통한 해석 가능성을 테스트하는 데 초점을 맞추고 있습니다.

최근 구조 해석에는 상용 소프트웨어가 주로 사용되지만, 본 영상에서는 오픈소스 구조 해석 프로그램과 LLM의 코딩 능력을 결합하여 해석을 시도합니다.

과거 도스 시절에는 텍스트 기반으로 구조 해석 정보를 입력했지만, 윈도우 GUI 시대 이후 마우스 조작 방식이 주를 이루었습니다. 하지만 LLM의 등장으로 다시 텍스트 입력 시대가 도래할 가능성이 있습니다.

LLM은 GUI 컨트롤보다 텍스트 기반 작업에 더 효율적이며, 이는 텍스트 입력 방식의 부활을 시사합니다. 일부 상용 프로그램도 텍스트 기반 포맷을 지원합니다.

본 영상에서는 GitHub에서 찾은 오픈소스 구조 해석 프로그램을 Copilot과 같은 LLM 코딩 에이전트를 활용하여 모델링하고 해석하는 과정을 시연합니다.

GitHub에서 "structural analysis"로 검색하면 다양한 오픈소스 프로젝트를 찾을 수 있으며, 활발한 업데이트와 높은 인기를 보이는 프로젝트를 선택했습니다.

이 프로젝트는 Python 기반의 2D 구조 해석 프로그램으로, GitHub에 소스 코드가 공개되어 있습니다. 사용자는 pip install 명령어로 쉽게 설치할 수 있으며, 제공되는 문서를 통해 사용 방법을 익힐 수 있습니다.

프로그램은 트러스, 보, 모멘트 다이어그램, 힘, 변위, 지점 조건 등 다양한 해석 기능을 지원합니다. 예제 코드를 통해 실제 해석 결과도 확인할 수 있습니다.

사용자는 Python 코딩을 통해 노드, 부재, 지점 조건, 하중 등을 직접 정의하고 해석을 수행할 수 있습니다. 이는 기존의 데이터 파일 포맷 입력 방식과는 다릅니다.

이 문서의 구조는 인덱스 모듈, 인덱스 서치 페이지 등으로 구성되어 있습니다. 목차에는 설치 방법, Getting Start (간단한 예제), Elements, Support, Road, Floating, Calculation 등이 포함되어 있습니다.

음악 구조나 해석 프로그램을 배우는 학부 과정 학생이라면 문서의 내용을 대략 파악할 수 있을 것입니다. 이 예제들을 통해 모든 것을 학습하고 모델링하는 것이 아니라,

코딩 지식이 있다면 복잡하지 않습니다. 노드 설정과 엘레멘트 생성만으로도 충분합니다. 문제는 이 작업을 직접 수행할 것인지, AI에게 맡길 것인지의 선택입니다. AI 활용 가능성을 탐색하기 위해 시도를 해보았습니다. Gemini나 ChatGPT와 같은 AI 도구를 활용하는 방안을 모색 중입니다.

매뉴얼 페이지를 지정해 주십시오.

이러한 방식으로 질문을 할 수도 있습니다. 아마도 코드를 제공받게 될 것이고, 해당 코드를 파일로 저장한 뒤 실행하게 될 것입니다. 어쨌든 실행 방법을 아는 것이 중요합니다. 만약 Python을 전혀 모른다면, 이를 공부하는 데 시간이 많이 소요될 것입니다. 저는 별도의 설치 없이 AI에게 작업을 시키는 방법을 테스트해 보았습니다.

우선 GitHub 계정이 필요합니다. 계정이 있다면 'repository'를 생성하여 저장 공간을 만들 수 있습니다. 저는 'anastrupt-trust'라는 이름의 repository를 만들었습니다. 지금은 파일이 많지만, 새로 만들기를 통해 생성할 수 있습니다. 내 계정에 접속하여 'repository' 메뉴로 이동한 후 'anastrupt-trust' repository를 생성합니다.

이후 오른쪽 상단에 있는 'Copilot'을 선택하고 'New Chat'을 누르면 채팅이 시작됩니다. 여기서 Copilot은 LLM(Large Language Model)의 도움을 받아 코딩을 지원하는 Agent 서비스입니다. 저는 이곳에서 다음과 같은 작업을 수행했습니다.

해당 주소를 복사하여 여기에 붙여넣어 주십시오.

ChatGPT와 같은 LLM(Large Language Model)을 활용하여 GitHub에 기반한 코드 에이전트와의 협업을 통해 구조 해석 오픈소스 프로그램의 모델링 및 해석 과정을 구현하는 방법을 소개합니다.

먼저, GitHub에 작업 공간을 생성하고, LLM에게 오픈소스 프로그램의 매뉴얼을 숙지시킨 후 모델링 및 해석을 지시합니다. LLM은 매뉴얼을 이해하고 자체적인 구조 해석 지식을 바탕으로 코드를 생성하며, Bash 명령어를 통해 가상 환경에서 작업을 수행합니다.

LLM은 작업 계획 수립, 코드 작성, 실행, 오류 수정, 결과 분석 및 시각화 등 복잡한 과정을 스스로 진행합니다. 이 과정에서 Git Hub 서버를 활용하여 가상의 공간에서 파일들을 관리하고, 필요한 라이브러리를 설치하는 등 실제 개발 환경과 유사한 작업을 수행합니다.

LLM은 제시된 매뉴얼과 자체적인 사전 지식을 종합하여 코드를 생성하고, 오류 발생 시 스스로 수정하는 능력을 보여줍니다. 또한, 작업 결과를 README 파일로 정리하고, 최종 보고서까지 작성하는 등 다방면에 걸친 작업을 수행합니다.

다만, LLM이 매뉴얼을 완벽하게 이해하지 못하거나, 버전 관리의 복잡성으로 인해 예상치 못한 결과가 나올 수도 있습니다. 이러한 경우, 명확한 지시와 반복적인 수정을 통해 원하는 결과를 얻을 수 있습니다.

결론적으로, LLM은 코딩 에이전트와 결합하여 단순 코딩을 넘어 문서 작성, 이미지 생성 등 다양한 작업을 수행할 수 있는 잠재력을 가지고 있습니다. 효과적인 매뉴얼 작성과 적절한 프롬프트 엔지니어링이 LLM의 활용도를 극대화하는 데 중요한 역할을 합니다.

지금까지 코딩하는 토목 엔지니어 돌종이었습니다. 감사합니다.