SHPB 실험 기반 Johnson–Cook 파라미터 식별은 계측 노이즈, 신호 드리프트 및 데이터 절단으로 인해 해의 비유일성과 추정 변동성이 발생하는 대표적인 역문제이다. 기존의 결정론적 최적화 기법은 단일 점 추정에 의존함으로써 이러한 불확실성을 충분히 반영하지 못한다. 본 연구에서는 물리 기반 확산 모델을 활용하여 파라미터의 사후 확률 분포를 직접 추론하고, 다중 실험 결과를 베이지안 퓨전으로 통합하는 확률적 식별 프레임워크를 제안한다. 제안된 방법은 구성방정식의 물리적 구조를 반영한 손실설계를 통해 비유일성 문제를 완화하고, 단일 추정값이 아닌 확률 분포 형태의 해를 제공함으로써 불확실성을 정량화한다. 진동, 드리프트 및 데이터 절단을 포함한 가상 노이즈 환경에서 검증한 결과, 제한된 데이터 조건(32%)에서도 안정적인 파라미터 회복과 외삽 구간의 인식론적 불확실성 추정이 가능함을 확인하였다. 본 연구는 동적 물성 식별 문제를 확률적 추론 관점에서 재정의함으로써, 기존 결정론적 접근을 보완하는 분석 틀을 제시하였다.
Bae et al. (Wed,) studied this question.