신뢰성 해석이란 무엇인가
— 설계가 목표를 만족할 확률

해석을 끝내고 안전율(Safety Factor)을 확인한다.

“허용 응력 250 MPa, 계산된 최대 응력 200 MPa. 안전율 1.25. 통과.”

이런 방식으로 설계 검토가 끝나는 경우가 많다. 하나의 입력 조건으로 한 번 해석하고, 결과가 기준을 넘지 않으면 안전하다고 판단한다.

그런데 실제 현장의 조건은 그 한 번의 해석만큼 깔끔하지 않다.

• 재료의 항복강도는 로트마다, 공급사마다 달라질 수 있다
• 판재 두께는 도면상 3 mm지만 실제로는 2.8~3.2 mm 범위로 들어올 수 있다
• 하중은 명목값이 있을 뿐, 실제 조건에서는 ±20% 수준으로 흔들릴 수 있다

입력이 흔들리면 결과도 흔들린다.

안전율 1.25는 명목 입력 하나에 대한 값일 뿐이다. 입력 조건이 나쁜 방향으로 동시에 겹쳤을 때도 안전하다는 보장은 아니다.

이 빈틈을 정량적으로 다루는 것이 신뢰성 해석(Reliability Analysis)이다.

결정론적 설계 vs 확률론적 설계

전통적인 안전율 기반 설계를 결정론적(Deterministic) 설계라고 부른다.

결정론적 설계에서는 입력값을 하나의 고정된 숫자로 본다. 그리고 한 번의 해석 결과로 안전 여부를 판단한다.

불확실성은 별도로 다루지 않고, “안전율”이라는 하나의 계수 안에 포함시킨다.

문제는 안전율이라는 단일 숫자만으로는 “얼마나 안전한가”를 직접 알기 어렵다는 점이다.

안전율 1.25는 안전율 1.05보다 여유가 있다. 하지만 그 여유가 “1만 번 중 1번 실패” 수준인지, “100번 중 1번 실패” 수준인지는 안전율만으로 알 수 없다.

입력의 산포가 크면 안전율 1.5도 위험할 수 있고, 산포가 작으면 안전율 1.1도 충분할 수 있다.

확률론적 설계(Probabilistic Design)는 이 질문에 직접 답한다.

입력의 불확실성을 분포로 모델링하고, 그 결과 설계가 목표를 만족하지 못할 확률을 계산한다.

핵심 개념 1 — 한계상태와 파손확률(Pf)

신뢰성 해석의 출발점은 한계상태(Limit State)다.

한계상태란 설계가 “만족”과 “불만족”으로 나뉘는 경계다. 예를 들면 다음과 같다.

• 최대 응력 < 허용 응력
• 변위 < 허용 변위
• 고유진동수 > 가진 주파수

이 조건을 만족하면 안전(Safe), 만족하지 못하면 파손(Failure)으로 본다.

여기서 “파손”은 부품이 실제로 부러지는 것만 의미하지 않는다. 변위가 기준을 넘는 것, 고유진동수가 위험 대역에 들어가는 것처럼 설계 요구사항을 만족하지 못하는 모든 상태를 포함한다.

입력이 분포를 가지면 출력도 분포를 갖는다. 그 출력 분포 중에서 한계상태를 위반하는 비율이 바로 파손확률(Probability of Failure, Pf)이다.

Pf = 한계상태를 위반하는 경우의 수 / 전체 경우의 수

Pf = 0.01이면 100번 중 1번 목표를 만족하지 못한다는 뜻이다. Pf = 0.0001이면 1만 번 중 1번이다.

안전율 한 줄로는 구분하기 어려웠던 “얼마나 안전한가”가 확률로 드러난다.

여러 조건이 동시에 걸려 있다면, 일반적으로는 하나라도 위반하면 파손으로 집계한다. 응력은 통과했지만 변위가 초과했다면, 그 설계안은 실패로 보는 것이다.

이처럼 여러 한계상태를 함께 고려한 파손확률은 시스템 관점의 파손확률로 볼 수 있다.

핵심 개념 2 — 신뢰성 지수(β)

파손확률 Pf는 직관적이다. 하지만 값이 매우 작아지면 서로 비교하기 불편하다.

예를 들어 0.0013과 0.0000317을 나란히 비교하는 것보다, 이를 하나의 표준화된 지표로 바꿔 보는 편이 실무적으로 더 편하다.

그래서 신뢰성 공학에서는 Pf를 신뢰성 지수(Reliability Index, β)로 환산해 함께 사용한다.

β는 파손확률을 표준정규분포 기준으로 환산한 값이다.

β = −Φ⁻¹(Pf)

여기서 Φ⁻¹는 표준정규분포의 역누적분포함수다.

Pf가 작을수록 β는 커진다. 대략적인 대응 관계는 다음과 같다.

β = 3.0은 토목·기계 구조 설계에서 자주 목표로 언급되는 수준이고, β = 2.0은 일반적인 하한 수준으로 볼 수 있다.

다만 목표 β 값은 분야, 규격, 파손 시 위험도, 비용 조건에 따라 달라진다. 따라서 β는 절대적인 합격 기준이라기보다, 파손확률을 비교하기 쉬운 형태로 바꾼 지표로 이해하는 것이 좋다.

핵심 개념 3 — Monte Carlo 시뮬레이션

그렇다면 파손확률은 어떻게 계산할까.

입력이 여러 개이고 출력이 비선형이면, 파손확률을 손으로 적분해 구하는 것은 현실적으로 어렵다. 가장 직관적이고 범용적인 방법이 몬테카를로 시뮬레이션(Monte Carlo Simulation)이다.

원리는 단순하다.

1. 각 입력 변수의 분포에서 무작위로 값을 뽑는다 예: 두께, 재료강도, 하중
2. 그 입력 조합으로 출력을 계산한다
3. 한계상태를 위반하는지 확인한다
4. 이 과정을 수천~수만 번 반복한다
5. 위반한 비율을 파손확률 Pf로 계산한다

말하자면 설계를 수많은 조건에서 가상으로 제작·시험해 보고, 그중 몇 번 실패했는지 세는 방법이다.

Monte Carlo는 입력 분포의 종류나 출력의 비선형성에 대한 제약이 적다. 정규분포든 균등분포든, 응답이 곡선이든 직선이든 같은 방식으로 적용할 수 있다.

그래서 가장 범용적인 신뢰성 해석 방법 중 하나로 사용된다.

표본이 충분한가 — 신뢰구간

Monte Carlo는 무작위 추출에 기반하므로, 표본 수가 적으면 Pf 추정값 자체가 흔들릴 수 있다.

10번 계산해서 0번 실패했다고 해서 Pf = 0이라고 단정할 수는 없다.

그래서 추정한 Pf에는 신뢰구간(Confidence Interval)을 함께 보는 것이 좋다.

예를 들어 다음과 같이 표현할 수 있다.

Pf = 1.2%, 95% 신뢰구간 [0.9%, 1.6%]

신뢰구간이 넓다면 표본 수가 부족하다는 신호일 수 있다. 표본 수가 작을수록 구간은 넓어지고, 표본 수를 늘릴수록 구간은 좁아진다.

다만 아주 작은 파손확률, 즉 희귀한 실패를 정확하게 추정하려면 필요한 표본 수가 급격히 증가한다. 이것은 Monte Carlo 방식의 잘 알려진 한계다.

해석을 1만 번 돌릴 수는 없다 — 메타모델의 역할

여기서 현실적인 장벽이 등장한다.

Monte Carlo는 수천~수만 번의 평가를 요구한다. 그런데 FEM/CFD 해석 한 번에 수십 분이 걸린다면, 1만 번의 해석은 수백 일의 계산 시간을 의미할 수 있다.

실제 CAE 해석을 그대로 수만 번 반복하는 것은 대부분의 프로젝트에서 현실적이지 않다.

그래서 신뢰성 해석은 실무적으로 메타모델(대리모델, Surrogate Model) 위에서 수행하는 경우가 많다.

이미 확보한 해석 결과로 입력–출력 관계를 근사하는 메타모델을 학습해 두면, 예측 한 번은 수 밀리초 수준으로 끝난다. Monte Carlo가 요구하는 수만 번의 평가를 몇 초 안에 처리할 수 있다.

비싼 해석을 빠른 함수로 바꿔 두는 것 — 이것이 메타모델이 신뢰성 해석에서 중요한 기반이 되는 이유다.

단, 여기에는 분명한 조건이 따른다.

메타모델이 부정확하면 그 위에서 계산한 파손확률도 신뢰하기 어렵다.

Monte Carlo가 평가하는 것은 실제 물리 해석이 아니라 메타모델의 예측값이기 때문이다. 따라서 신뢰성 해석에 들어가기 전에는 메타모델의 정확도, 예를 들어 CoP, R², 교차검증 오차 등을 먼저 확인해야 한다.

이것이 민감도 분석 → 메타모델 → 신뢰성 해석으로 이어지는 데이터 기반 설계 흐름에서 신뢰성 해석이 후반 단계에 놓이는 이유다.

신뢰성 해석이 답하는 질문

실무에서 신뢰성 해석은 다음과 같은 질문에 답한다.

이 설계는 얼마나 안전한가

안전율 1.25라는 표현을 파손확률 0.3%, 신뢰성 지수 β = 2.7처럼 더 구체적인 수치로 바꿔 말할 수 있다.

막연한 “안전함”이 정량적 근거를 가진 표현으로 바뀐다.

어떤 조건이 파손을 지배하는가

여러 한계상태 중 어떤 조건이 가장 자주 위반되는지 분리해서 볼 수 있다.

응력은 거의 넘지 않는데 변위가 파손의 대부분을 차지한다면, 보강의 방향은 명확해진다. 강도를 높이는 것보다 강성을 높이는 설계 변경이 더 효과적일 수 있다.

목표 신뢰도를 맞추려면 무엇을 바꿔야 하는가

입력 산포를 줄이거나, 평균 설계점을 옮기거나, 운전 범위를 안전 영역 안쪽으로 제한하면 Pf가 어떻게 변하는지 비교할 수 있다.

예를 들어 다음과 같은 판단이 가능하다.

• 공차를 줄이면 Pf가 얼마나 감소하는가
• 평균 두께를 조금 늘리면 β가 목표 수준에 도달하는가
• 하중 상한을 제한하면 어느 정도 신뢰성을 확보할 수 있는가

신뢰성 해석은 단순히 “현재 설계가 위험한가”를 보는 데서 끝나지 않는다. 목표 신뢰도를 만족하기 위해 무엇을 바꿔야 하는지까지 검토하게 해준다.

Valentis가 이 과정을 다루는 방식

Valentis는 신뢰성 해석을 Analysis Intelligence 모듈의 한 단계로 배치했다.

해석 결과 데이터를 불러와 한계상태를 제약조건으로 정의하면, 입력 공간에서 안전(Safe) 영역과 불안전(Unsafe) 영역을 산점도로 구분해 볼 수 있다.

여기에 메타모델 기반 Monte Carlo를 실행하면 다음 결과가 함께 계산된다.

• 파손확률 Pf
• 신뢰성 지수 β
• 95% 신뢰구간
• 제약조건별 파손확률
• 안전 영역으로 제한했을 때의 조건부 신뢰도

입력 분포는 균등분포, 정규분포, 로그정규분포 중에서 선택할 수 있다.

구체적인 사용 방법은 다음 글에서 다룬다.

마무리

안전율 한 줄은 “통과/탈락”을 판단하는 데 유용하다. 하지만 그것만으로 “얼마나 안전한가”를 충분히 설명하기는 어렵다.

입력은 언제나 흔들린다. 재료도, 치수도, 하중도 하나의 숫자가 아니라 분포로 존재한다.

그 불확실성을 명시적으로 다루는 것이 신뢰성 해석이다. 그 결과는 안전율보다 더 구체적인 언어로 표현된다.

• 파손확률(Pf) — 설계가 목표를 만족하지 못할 확률
• 신뢰성 지수(β) — 파손확률을 표준화한 신뢰성 지표
• Monte Carlo — 입력 분포에서 반복 표본을 뽑아 Pf를 추정하는 방법
• 메타모델 — 수많은 평가를 현실적인 시간 안에 가능하게 하는 기반

“이 설계는 안전한가?”가 아니라 “이 설계는 목표를 만족할 확률이 얼마인가?”

질문을 이렇게 바꾸는 순간, 설계 검토는 한 번의 해석에서 확률의 영역으로 넘어간다.

키워드: 신뢰성 해석, 확률론적 설계, Monte Carlo, 몬테카를로 시뮬레이션, 파손확률, Probability of Failure, 신뢰성 지수, Reliability Index, 한계상태, 안전율, 결정론적 설계, 불확실성 정량화, 메타모델 신뢰성, 데이터 기반 설계