KICT 한국건설기술연구원

검색

전체 과제명 책임자 검색

전체 13건 현재 페이지 2/2

• TBM 자동 운전을 위한 운용 시스템 개발 TBM 자동 운전을 위한 운용 시스템 개발 ▲ 최순욱 KICT 지반연구본부 수석연구원 들어가며 인구 구조의 변화 (고령화)로 인해 생산 가능 인구가 감소하고 건설업의 열악한 근로환경에 기인하여 건설 현장에 청년층의 유입과 숙련 노동자는 감소하는 추세이다. 건설 분야 근로자 중 청년층 (15~29세)의 유입은 지속적으로 감소하고 장년층 (55세 이상)의 비율은 보다 빠르게 증가하여 건설업은 전 산업 평균에 비해 빠른 속도로 고령화가 진행되고 있다(그림 1). 또한, 2000년 초반을 지나면서 전 산업의 재해율은 점차 감소하는 데 반해, 건설업의 재해율은 고령화가 급속하게 이루어지는 시점을 기준으로 다시 증가하는 추세를 보인다 (그림 2). 고령화와 숙련 노동자의 감소는 건설공사 목적물의 품질 저하뿐만 아니라 사고위험 증가에 영향을 주고 있다. 즉, 결과적으로 생산성 감소와 재해율 증가의 원인이 되고 있다는 의미이다. 건설 산업의 생산성 증가율은 전체 산업 분야 중에서 최하위 수준이며, 우리나라를 비롯하여 전 세계적으로 건설 산업의 생산성을 향상시키기 위해 다양한 정책을 추진하고 있다. 각 국에서는 건설 산업에 신기술 적용을 통한 생산성 향상을 추진하고 있으며, 일례로 영국의 ‘Construction 2025’, 일본의 ‘i-Construction’이 진행되고 있다. 국내에서는 국토교통부가 ‘제6차 건설기술진흥기본계획 (2018~2022)’을 통해 ‘스마트 건설을 통한 생산성 향상’을 추진하고 있으며, ‘제4차 과학기술기본계획 (2018~2022)’의 건설·교통 분야의 중점과학기술에 ‘지속가능한 인프라 구조물 건설기술’이 포함되었다 (과학기술전략연구소, 2019). 이 글에서는 국토교통부 산하 국토교통과학기술진흥원에서 기획·관리하고 한국도로공사 (사업단)에서 추진하고 있는 스마트건설기술연구사업의 2중점분야 5세부과제 ‘도로구조물 원격·자동화 시공 기술 개발’ 중 TBM (Tunnel Boring Machine) 자동운전을 위한 운용시스템 개발에 대하여 소개하였다 (그림 3). 머신러닝 기반 터널 기계화 시공 (TBM) 자동화 기술 개발 스마트건설기술연구사업의 5세부 과제는 도로구조물 건설 공기 25% 이상 단축을 목표로 시공 과정을 혁신시키기 위한 연구과제이다. 특이한 점은 도로구조물에 대한 시공을 주제로 하다 보니 주요 구조물인 교량과 터널에 대한 시공기술이 함께 포함되었다는 점이다. 이 과제에서는 VR·로봇·머신러닝 등을 활용하여 건설공사에 포함된 위험한 작업·인력에 의한 의사결정 등 생산성 저해 요인을 해소하고 건설 공기를 25% 이상 단축시킬 수 있는 교량·터널 원격·자동화 시공 기술을 개발하는 것을 목표로 한다. 이 글에서는 데이터 (TBM 지반/굴진데이터)와 머신러닝 기술을 활용하여 TBM 장비 운전을 자동화하는 터널 분야 자동화 시공 기술에 대해서 설명하였다. 해당 기술은 5세부 과제의 세부기술 3으로서, ‘머신러닝 기반 TBM 스마트 운용 기술’이라는 주제로 TBM 시공에서 얻는 지반정보와 굴진정보를 기반으로 지반에 따른 TBM 운전 경험 데이터를 사전 처리하여 머신러닝 기법으로 학습시키고 있다. 그 결과는 추후 자동운전으로 가기 위해 운전 작업 일부를 자동화함으로써 운전자 (operator)의 작업부담을 경감시켜주는 것을 목표로 하고 있다 (그림 4). 머신러닝을 위한 TBM DB 및 시스템 구축 데이터 기반 학습을 통해 예측을 수행할 수 있는 머신러닝은 산업 전반에 걸쳐 사용되고 있으며, 건설 분야에서도 그 활용이 증대되고 있다. 특히 시공 전반이 장비 기반으로 진행되는 TBM 분야는 자동화에 대한 관심이 높으며, 해외에서는 일정한 지반조건에서 AI 알고리즘을 이용한 부분적인 TBM 운전 자동화가 이루어진 바 있다. TBM 작업에 영향을 주는 장비성능, 운전자, 현장상황, 지반 조건과 같은 요소 중 지반조건은 굴진성능에 큰 영향을 주는 요소이다. 이러한 이유로 다수의 TBM관련 논문에서 지반조건에 따른 굴진성능의 예측을 다루었으며, 지속적으로 연구되고 있다. 머신러닝 기법을 적용한 TBM 운전 자동화 관점에서 살펴보면, 지반데이터는 굴진데이터와 유기적인 관계가 있기 때문에 지반데이터와 굴진데이터가 결합된 데이터 세트 (data set)가 필요하다. 따라서 TBM 운전 자동화에 머신러닝을 적용하기 위해서는 항상 두 가지 데이터를 같이 수집해야 한다. TBM의 굴진데이터는 수백~수천 개의 항목으로 구성되어 있기 때문에 머신러닝을 위한 목표 (target)와 특징 (features)의 선택이 중요하다. 예를 들어 목표는 운전자에 의해 조작되는 TBM 굴진속도, 스크류 컨베이어 속도가 될 수 있고, 특징은 추력 (thrust), 토크 (torque), 회전속도 (RPM), 전방압 (face pressure) 등을 선택할 수 있다. 학습 데이터 세트 구성 시 일반적으로 데이터 테이블의 칼럼 (column) 제목이 되는 특징은 굴진데이터뿐만 아니라 지반데이터를 같이 구성하여 지반과 굴진데이터가 결합된 학습이 이루어지도록 해야 한다. 이때 특징의 선택은 그림 5와 같이 상관도 분석과 같은 데이터 분석 또는 전문가의 기술적 판단에 근거하여 수행될 수있다. 위 과제에서는 TBM 현장의 지반데이터와 굴진데이터를 수집하여 DB화하고, 데이터 세트를 구성할 수 있는 TBM DB 관리시스템 (TBM DB Management System, TDMS)의 설계 및 플랫폼 구축과 TBM 자동 운전을 위한 TBM 자동운전시스템 (TBM Auto Operation System, TAOS)에 대한 설계 및 플랫폼 제작이 같이 진행되고 있다 (그림 6). TBM 자동운전시스템은 DB 관리시스템에서 작성된 데이터 세트를 학습하여 설정된 목표에 대한 최적의 머신러닝 알고리즘과 하이퍼파라미터 (hyperparameters)를 도출한 다음, TBM 제어부와의 연결을 통해 운전의 일부를 자동화하는 시스템이다. 아직 TBM의 자동 운전은 세계적으로도 연구단계에 있기 때문에 현장 적용에 있어서도 조심스러운 접근이 필요하다. 본 과제에서는 현장 적용 시 TBM 운전자가 직접 조작하는 수동방법과 시스템에 의한 자동방법을 운전자 판단에 근거하여 변환하여 사용할 수 있도록 시스템을 구성하고 있다. 머신러닝 기법을 이용한 토압식 쉴드 TBM의 굴진성능 예측 다음은 위 과제에서 하천 하부의 토사지반을 통과하는 토압식 실드 TBM 터널 구간의 지반데이터 및 굴진데이터와 몇 가지 머신러닝 기법을 사용하여 실드 TBM의 굴진율을 예측한 결과 예이다. 데이터 전처리 (pre-processing) 과정으로 굴진데이터의 다양한 전압 측정값, 계측 온도, 위치 및 자세 정보와 같은 특징을 삭제하여 주요 지반과 굴진데이터 항목 15개를 선정하고 데이터 값과 평균의 차이를 표준편차로 나누어 표준화 (standardization)를 적용하였다. 그리고 결측치 처리는 결측 값이 존재하는 데이터 전체를 제거하는 방식을 사용하였다. 특징들 간의 유의성 검증 (0.05이하)과 다중공선성 만족여부 (VIF 10이하)를 판단하였고 하이퍼파라미터는 그리드서치 (GridSearchCV) 기법을 사용하여 결정한 다음, 학습데이터와 테스트데이터의 비율을 8:2로 적용하였다. 결과에 대한 예측성능은 RMSE (Root Mean Square Error)와 결정계수 (coefficient of determination)를 사용하였다. 학습결과는 표 1, 그림 7과 같다. 7가지 예측 모델의 성능을 비교한 결과, 앙상블 (ensembles) 모델인 그랜드 부스팅 (GradientBoosting)과 서포트 벡터 머신 (Support Vector Machine)이 분석한 데이터 세트에 대해서 토압식 실드 TBM 굴진성능 예측에 적합한 것으로 나타났다. 그러나 이 결과는 단일 현장의 데이터를 기반으로 도출된 것으로 다양한 현장의 데이터를 이용한 결과를 확인할 필요가 있다. 맺음말 머신러닝을 이용한 TBM의 운전 자동화를 위해서는 현장의 지반정보와 굴진정보를 수집하고 이를 이용하여 학습에 적합한 데이터 세트의 구성과 분석이 필요하다. TBM의 굴진정보는 수백~수천 개의 항목으로 구성되어 있기 때문에 머신러닝을 위한 목표 (target)와 특징 (features)의 선택에서부터 난관을 맞이하게 되며, 그 전에 장비로부터의 온전한 굴진정보 수집에서 어려움이 발생한다. 또한, 수백 미터 간격으로 수행되는 지반정보의 부족 역시 머신러닝을 적용하는 데 문제로 다가온다. 머신러닝에서 좋은 결과를 내기 위해서는 양질의 데이터를 확보하는 것이 중요하다. 이제 국내에서도 TBM 데이터 수집의 중요성을 인식하고 있지만, 아직까지 파편적인 데이터 세트 구성만이 가능하다. 데이터 기반으로 높은 학습 성능을 보여주기 위해서는 모두의 관심이 필요한 상황이다. 굴삭기를 비롯하여 많은 건설중장비가 자동화에 속도를 내고 있으며, TBM 자동화 분야에서도 일부 성과가 나타나고 있다. 인력 부족과 생산성 증가를 위해서 장비의 자동화는 건설 분야를 비롯하여 산업 전반의 대세이다. 따라서 TBM 자동화 분야에서도 지속적인 연구가 필요하다. 지반연구본부 게시일2022-10-25 조회수 955
• 건설장비 자동화 및 장비연동 품질관리 디지털화를 통한 스마트 건설기술 개발 건설장비 자동화 및 장비연동 품질관리디지털화를 통한 스마트 건설기술 개발 ▲ 조진우 KICT 지반연구본부 수석연구원 ▲ 최창호 KICT 지반연구본부 연구위원 들어가며 건설 산업은 낮은 생산성과 시공품질 저하 문제 등으로 위기 상황에 직면해, 국가 차원의 건설 자동화 기술 사업을 추진하고 있다. 정부는 제 6차 건설기술진흥기본계획을 통해 ‘SmartConstruction 2025’를 비전으로 설정하고 스마트 건설 자동화 기술 도입을 위한 스마트 건설 전략 로드맵을 수립하였다. 또한, 2018년 4월에 발표된 ‘국토교통과학기술 연구개발 종합계획’에서는 융합기술을 통한 건설 지능화 실현을 위하여 건설 자동화 분야를 전략목표로 제시하고 있다. 도로 건설공사는 선형적이고 반복적인 공사 특성으로 인한 건설장비 의존도가 높아 타 건설공정에 비해 자동화 적용을 통한 공정 개선이 상대적으로 양호한 분야이나 현실은 그렇지 못하다. 자동화 공정 적용이 어려운 사유는 아래와 같이 분석될 수 있다. (1) 불도저·그레이더·롤러 등 도로 공사에 사용되는 장비 작업 시 운전자 숙련도에 따른 시공 품질 편차에 의한 재시공 증가 (2) 노동 집약적이고 반복적인 작업으로 인한 열악한 근로 환경 및 작업자 위험 노출 (3) 시공 중에 도로 품질을 확인할 방법이 없어 시공 지연으로 인한 장비 대기시간이 길어지고, 검측에 소요되는 시간 역시 공사 원가에 상당한 영향을 미침 이러한 문제를 해결하고자 현재 글로벌 건설장비 제조회사·건설 자동화 솔루션 회사 등을 중심으로 도로 공사 자동화 기술을 개발하고 있으며, 건설장비 자동화 기술 확보가 늦은 국내 건설장비 산업과 종합 건설사의 시공 경쟁력 확보를 위하여 정부 주도의 대규모 투자를 통한 유관 기술의 도약을 유도하고 있다. 또한, 향후 건설시장이 자동화 장비와 이를 통한 자동화 시공 위주로 재편될 경우, 국내 건설기업이 해외 글로벌 건설장비 기업의 자동화 시공 및 관리 서비스를 제공받는 형태로 사업 참여 범위가 축소될 수 있다. 따라서 자동화·디지털 시공 관리 기술 개발을 통한 시공 경쟁력 확보 방안 마련이 시급한 상황이다. 이 글에서는 스마트 건설장비를 활용한 도로 건설현장의 자동화 및 디지털화 현황과 앞으로 추진해야 할 과제에 대하여 논의하고자 한다. 도로 건설장비 자동화 및 현장관리 디지털화 기술의 국내외 현황 최근 들어 스마트 건설에 대한 관심이 높아지면서 도로 건설 현장에서도 건설 자동화 기술을 적용하고자 하는 노력이 증가되고 있다. 도로 건설현장의 자동화 기술 발전 흐름은 가장기초적인 기술로서 운전자에게 장비의 위치정보를 알려주는 머신 가이던스 (MG, Machine Guidance) 기술로부터 시작하여, 장비의 위치정보뿐만 아니라 장비제어가 가능한 머신 컨트롤 (MC, Machine Control) 기술, 운전자 없이 MC 기술이 적용된 건설장비를 원격 제어하는 기술, 최종적으로는 인공지능을 이용하여 자율주행과 자율시공이 가능한 완전 무인화를 목표로 기술개발이 진행되고 있다. Caterpillar, Komatsu 등의 해외 주요 건설장비 제작사의 경우 범용 장비인 굴삭기를 중심으로 다양한 장비에 대한 머신 가이던스와 더불어 작업 자동화가 가능한 장비 상용화를 진행하고 있고, Trimble, Leica와 같은 센서 솔루션 공급업체는 MG와 MC 기술을 위주로 한 애프터마켓용 제품을 중심으로 상용화를 진행하고 있다 (그림 1). 국내의 경우 건설장비는 굴삭기와 지게차 위주로 생산되기 때문에 굴삭기 중심의 MG 및 작업 자동화 기술 개발이 이루어지고 있으나, 해외 선진 장비보다 MG 및 MC 장비의 상용화가 늦어지고 있다. 현대두산인프라코어·현대건설기계 등의 건설장비 제조업체들은 자사 굴착기에 외산 MG 기술을사용자가 옵션으로 장착할 수 있도록 하는 서비스를 출시하였으며, 빠르게 자체 MC 기술 상용화에 노력하고 있다. 자율 주행과 인공지능, 관제 분야는 국가 주도의 R&D 사업으로 활발하게 진행 중이며, 종합 건설시공사 중심으로 지능화 기술을 작업장 안전 관점에서 시범적으로 적용하고 있다. 시공 현장의 각종 데이터에 대한 수집·모니터링·분석·예측·공유를 위한 건설 특화 플랫폼 서비스 또는 솔루션에 대한 수요가 증대되고 있다. 특히 건설현장의 각종 환경·사람·중장비 등에서 생성되는 데이터를 IoT 기술을 활용하여 실시간으로 수집하고, 이를 클라우드 기반의 빅데이터 기술로 정제 후, 사무실과 시공현장의 각종 디지털 기기를 통한 공유를 목적으로 하는 지능형 IoT 플랫폼에 대한 관심이 증대되고 있다 (그림 2). 인프라킷 (Infrakit)은 도로포장이나 철도건설 같은 건설현장 특화 IoT 서비스 플랫폼 제공기업으로서 도로·철도 등 인프라 건설에 특화된 서비스를 SaaS (Software as a Service) 형태로 제공한다. 오피스 데스크톱 버전과 모바일 버전 등 N-Screen에 특화된 인프라 건설 관련 제반 관리 서비스를 2D MAP과 3D 모델링 공간 맵핑 기술을 활용하여 제공한다. 미국의 건설 특화 플랫폼 회사인 Tenna의 경우 각종 건설 중장비의 Fleet Management를 시작으로, 각 건설 장비·도구의 현황을 파악하고 이에 대한 효율적인 제어·관리를 목적으로 하는 ONE Platform이라는 솔루션을 제공하고 있다. 독일의 대표적인 도로 건설분야 중장비 전문 기업인 Wirtgen Group의 경우 특히 도로포장 다짐 관련 중장비에 IoT 기술을 접목한 도로 품질의 실시간 현황 확인 및 리포트를 위한 Witos Paving 솔루션을 출시하여 독일뿐만 아니라 북미 시장에 진출하고 있다. WITOS Paving은 도로포장의 품질데이터를 IoT를 통해서 실시간으로 수집하고, 해당 데이터의 품질 요소를 판별하여 현장 시공 관리자에게 모바일 어플리케이션으로 리포트를 해주는 서비스이다. 국내의 경우 최근 IoT 및 네트워크 기술을 바탕으로 건설 플랫폼 기술이 개발되고, 관련 연구가 진행되고 있으나, 관련 기술의 급격한 발전에도 불구하고 현장 적용성을 확보한 플랫폼은 부족한 실정이다. 디지털 기반 도로건설현장 자동화 도로 건설현장 자동화의 가장 근본적인 전제조건은 공사의 자동화 및 품질관리의 디지털화로 요약할 수 있다. 이를 위해서는 ICT 기술과 로봇 기술을 적용한 건설장비를 활용하여 도로공사를 자동화하고, 장비와 연동하여 시공품질을 실시간으로 디지털화하여 평가·관리할 수 있는 시스템이 개발되어야 한다. 시공 자동화와 품질관리 디지털화 기술의 정의는 아래와 같다. (1) 시공 자동화: 인구 고령화와 숙련자 확보의 어려움을 극복하고 작업측량 공정 제거를 통한 생산성 향상을 위한 건설장비 작업 자동화, 자율주행 및 원격제어 기술 (2) 품질관리 디지털화: 도로 시공의 작업 연속성을 확보하고 품질관리 데이터의 획득 및 분석작업의 효율화를 통한 생산성 향상을 위한 국내 건설 환경을 고려한 품질관리 업무의 자동화·최적화 기술 이러한 건설장비 자동화 추세에 따라 건설장비에 요구되는 기능적 요구사항도 변화하고 있다. 과거에는 전통적으로 기계산업 분야인 소재·부품·제어시스템 분야의 중요성이 높았다. 현재와 미래의스마트건설 시대에는 기계산업 분야인 자동제어시스템을 기본으로 하여 건설산업 분야인 자동화된 건설장비를 활용하기 위한 작업공간 인식기술, 작업모드 및 시나리오 생성 기술의 중요도가 높아지고 있다. 따라서 시공 현장의각종 데이터에 대한 수집·모니터링·분석·예측·공유를 위한 건설 특화 플랫폼 서비스 또는 솔루션 개발에 집중할 시기라고 판단된다. 특히 건설현장의 환경·사람·중장비 등에서 생성되는 디지털 데이터를 IoT 기술을활용하여 실시간으로 수집하고 이를 클라우드 기반의 빅데이터 기술로 정제·분석 후 현장에 즉시 활용하여 건설현장의 생산성을 향상시키는 지능형 IoT 플랫폼의 중요도가 높아질 것으로 예상된다. 그림 3은 디지털 기반 도로 건설현장 자동화의 4단계를 개념적으로 보여주고 있다. ① 장비 관제, ② 자동화된 장비를 활용한 현장시공, ③ 현장 데이터 수집·정제, ④ 데이터 분석·예측으로 구성되며 도로건설 전 단계의 디지털 데이터는 플랫폼에 저장되어 분석된다. 건설 자동화 실현을 위한 최우선 과제는 기준화 자동화 장비 도입에 따른 건설 생산성 향상은 단일 자동화 기술의 적용에 의한 장비 자동화를 포함하여 전체 건설 시공 프로세스의 자동화 개선을 도모하는 것을 목적으로 해야 한다. 즉, 자동화 장비를 사용하여 작업을 하는 경우에 작업속도는 기존 장비와 비슷하거나 오히려 늦을 수도 있으며, 향후 자동화 수준이 증가할수록 작업속도는 더 늦어질 수 있다. 결론적으로 자동화 장비 사용에 따른 생산성 향상 효과는 자동화 장비를 통한 실시간 디지털 데이터를 통하여 측량·검측·품질검사 등의 전후 공정을 생략할 수 있는 데서 나오는 것이다 (그림 4). 따라서 자동화 장비 도입에 따른 건설 자동화 표준공정 및 기준 제시가 최우선으로 뒷받침되어야 한다. 표 1은 국외 자동화 장비 기반 토공사 품질관리 기준을 나타내고 있다. 오스트리아 (RVS 8S.02.6,1990)를 시작으로 독일 (Research Society for Road and Traffic, 1994), 스웨덴 (Vagverket, 1994), 국제지반공학회 (ISSMGE, 2005), 미국 (FHWA, 2014; AASHTO, 2020), 일본 (국토교통성, 2020)에서 지능형 다짐 기반 토공사 품질관리 기준을 제시하고 있다. 대부분의 국외 기준에서는 지능형 다짐값과 일점시험 (평판재하시험 등)의 상관관계 분석을 통해 목표 지능형 다짐값 (Intelligent Compaction Measurement Value, ICMV)을 결정하고 (시험시공), 이 값을 바탕으로 토공사 품질을 관리 하도록 하고 있다 (본 시공). 일본 (국토교통성, 2020)은 지능형 다짐값을 활용하지 않고, 스웨덴 (Vagverket, 1994)에서는 지능형 다짐값을 현장 토질시험 위치를 찾기 위한 제한적인 목적으로 활용하는 수준이다. 각 기준의 품질관리 절차는 전반적으로 유사하지만, 목표 지능형 다짐값의 결정방법 및 이를 활용한 품질관리 상세기준은 상이하다. 스마트건설사업단 3세부 과제인 ‘디지털 기반 도로 건설장비 자동화 기술 개발’에서는 국외 토공 자동화 품질관리 기준 분석 결과 및 자체 테스트베드 적용 결과를 종합하여 목표 지능형 다짐값 (ICMV)의 결정방법과 이를 활용한 품질관리 상세기준을 결정하였다 (지능형 다짐공 표준시방서: KCS 10 7070 (2021), 그림 5). 자동화 장비 기반 토공사 품질관리 절차를 살펴보면 시험 표 1 국외 품질관리 자동화 기술 관련 기준 사례 (한국건설기술연구원, 2021) 시공을 통해 품질관리 목표 지능형 다짐값 (Intelligent Compaction Measurement Value, ICMV)를 결정한 뒤, 이를 기준으로 토공사 품질관리를 수행하게 된다. 시험시공 단계에서는 지능형 다짐값 (ICMV)과 현장 토질시험 (평판재하 시험 혹은 들밀도 시험) 결과를 회귀분석하고, 현장 토질시험 결과가 다짐판정 기준에 부합할 때의 ICMV를 목표 지능형 다짐값으로 결정하게 된다. 본 시공 단계에서는 현장을 2,000~4,000 ㎡ 단위로 분할하여 단계적으로 시공하며, 시공 중 ICMV를 측정하여 ① 측정된 ICMV의 평균값이 목표 지능형 다짐값의 105% 이상이어야 하고, ② 목표 ICMV 값의 70% 이하의 영역이 전체 영역의 10% 이하가 되도록 규정하고 있다 (그림 6). 맺음말 이 글에서는 스마트 건설장비를 활용한 건설 현장의 자동화 및 디지털화 현황과 앞으로 추진해야 할 2개의 핵심 기술을 제안하였다. 첫 번째로 인구 고령화와 숙련자 확보의 어려움 이 글에서는 스마트 건설장비를 활용한 건설 현장의 자동화 및 디지털화 현황과 앞으로 추진해야 할 2개의 핵심 기술을 제안하였다. 첫 번째로 인구 고령화와 숙련자 확보의 어려움 지반연구본부 게시일2022-10-25 조회수 2388
• Tech-lead형 액상화 위험지도 구축기술 고도화 연구 Tech-lead형 액상화 위험지도 구축기술 고도화 연구 ▲ 한진태 KICT 지반연구본부 연구위원 ▲김종관 KICT 지반연구본부 수석연구원 ▲박가현 KICT 지반연구본부 수석연구원 들어가며 2017년 포항지진 시 국내 계기지진이래 최초로 지반 액상화 현상이 공식적으로 보고되었고 이에 따라 국민적 불안감이 증대되었다(그림 1). 액상화 현상은 일반적으로 건축물 및 인프라의 피해를 유발한다. 2011년 발생한 뉴질랜드 Christchurch Earthquake와 일본 The off the Pacific Coast of Tohoku Earthquake의 사례를 보면 건축물의 침하 및 부등침하, 지하 맨홀 및 하수관거의 부상에 따른 피해, 도로 침하, 모래 분사에 따른 시설물 피해 등 큰 경제적 피해를 초래한다. 따라서 지진 시 액상화 발생 가능성이 높은 지역의 사전 예측을 위한 국내 액상화 위험지도 개발이 필요하다. 본 연구팀은 1단계 연구인 ‘Tech-lead형 액상화 피해 예측 가시화 시스템 및 고효율·저비용 액상화 보강공법 개발(2018~2020)’을 통해 한국건설기술연구원에서 위탁 운영하고 있는 국토지반정보 포털시스템의 지반시추 자료 데이터베이스를 기반으로 국내 액상화 위험지도 개발 및 결과 표출 시스템을 시범 구축하였다. 이를 통해 데이터베이스 변화에 따라 효율적 갱신 및 관리가 가능해졌다. 개발된 액상화 위험지도 작성 시스템을 바탕으로 각 지자체별 액상화 위험도 구축을 통해 액상화 위험지역의 파악 및 사전대응이 가능하다. 한편, 액상화 위험지도를 지자체 GIS 시스템에 적용하여 활용하기에 앞서 각 지자체별로 자체 개발한 GIS 시스템을 개발운영하고 있기 때문에 프로토콜 매칭 및 데이터표준화에 관한 연구가 필요하다. 또한, 향후 지자체에서 액상화 위험지도를 재난재해 대응, 도시계획 등에 활용할 수 있도록 도시모형연계 방안에 관한 연구가 필요하다. 이와 더불어 1단계에서 개발한 액상화평가 프로그램 및 데이터 품질관리 등 액상화위험지도 구축기술 고도화를 통해 액상화 위험지도의 신뢰도를 제고할 필요가 있다. 본 연구의 1단계에서는 국토지반정보 포털시스템과의 연계를 통한 액상화위험도 평가 및 액상화위험지도 작성에 중점을 두었다면, 2단계(그림 2)에서는 액상화 위험지도의 신뢰도를 향상시키기 위한 고도화 연구를 수행하였다. 액상화 위험지도를 지자체에 적용하기 위해 액상화 위험지도 프로토콜매칭 및 데이터 표준화 연구를 진행하였고, 3D 도시모형 연계 액상화 시뮬레이션 프로토타입을 구현하였다. 최종적으로 2단계 1차년도(2021년)에는 서울특별시 공간정보 플랫폼(Virtual Seoul) 내 2D 액상화 위험지도를 탑재하는 데 성공하였으며, 2차년도(2022년)에는 서울특별시 공간정보 플랫폼내 3차원 액상화 위험지도 탑재를 추진할 예정이다(한국건설기술연구원 2021). 액상화 위험지도 구축기술 고도화 액상화 위험도 자동평가 프로그램의 기본 개념은 1단계 연구사업 ‘Tech-lead형 액상화 피해 예측 가시화 시스템 및 고효율·저비용 액상화 보강 공법 개발(2018-2020)’에서 정립하였다. 기존의 프로그램은 액상화 평가 자동화 및 국토지반정보 포털시스템과의 연계에 주안점을 두었다면 본 연구에서는데이터 품질관리, 광역단위 평가, 다수 지진파에 대한 액상화평가 수행을 추가하여 액상화 위험도 자동 평가 프로그램을 고도화하였다. 데이터 품질관리는 지반정보 데이터(심도, 지층종료, SPT 타격횟수, SPT 관입깊이 등)가 액상화 평가에 적절한지 검토하는 절차이다. 먼저 지층정보 데이터 중 심도데이터 불일치 유무, 지층종류 불일치 유무를 1차적으로 판단하여 필터링을 수행하며, 2차로 SPT실험 데이터 중 타격 횟수가 50회 이상이거나 관입깊이가 30cm 이상인 경우 이상치로 간주하고 제외한다. 실제 현장에서 SPT 실험 수행 시 관입깊이가 30cm를 넘거나 타격횟수가 50회를 넘는 경우가 실무상 존재하긴 하나 데이터베이스상의 데이터에서 이를 판단하기 어려운 점과관입깊이와 타격횟수가 반대로 입력된 것으로 의심되는 데이터가 존재하여 판단에 어려움이 있으므로 결과의 신뢰성을 확보하기 위해서 액상화 평가 시 제외하는 알고리즘으로 구성하였다. 다음으로 다수 지진파에 대한 액상화 평가를 수행하기 위해 7개의 지진파에 대하여 순차적으로 지반응답해석을 수행하고 각각의 응답해석결과를 바탕으로 액상화 평가를수행한 후 평균값을 결과로 도출하도록 구성하였다. 이를 통해 지진파 선정으로 인한 편차를 줄일 수 있다. 또한, 액상화 위험지도의 신뢰도를 향상시키기 위한 방법으로 앞서 설명한 품질관리 절차 이외에도 인공지능을 이용하여 지반정보를 자동으로 품질관리 하는 방안에 대하여 검토하였다. 그 결과, 본 연구에서 개발한 오토인코더 모델이 지반정보의 품질관리에 적절하게 사용될 수 있음을 확인하였다. 차년도에는 개발한 모델의 정확도 검증, 이상 여부를 판단할 수 있는 임계점 설정, 다양한 지역 데이터에 적용하여 본 모델의 적용성 확장, 알고리즘 개선 등 다양한 시도를 통해 인공지능을 이용하여 지반정보의 이상치를 탐지하는 데 있어서 보다 향상된 결과를 얻을 수 있을 것으로 기대된다. 데이터 프로토콜 매칭 및 표준화 액상화 위험지도 서비스는 현재 표준모델에 따라 관계자에게 인쇄물 또는 전자문서 형태의 정적 지도로 제작·배포되고 있다. 정적 지도는 외부 환경과 관계없이 누구나 쉽게 열람 할 수 있다는 장점이 있으나, 제한된 용지 면적 내에 모든 항목을 표현해야 하는 제약으로 인해 세부적인 정보 취득이 매우 제한적인 단점이 있다. 현시점에서 액상화 위험지도의 최종 사용자는 행정안전부 또는 지방자치단체의 재난대응 부서가 해당한다. 이 경우, 전자문서 형식을 액상화 위험지도 서비스 방식으로 한정한다면 정보의 재편집 및 유관 행정업무에서의 활용(분석 등)이 매우 제한적이다. 따라서 향후 액상화 위험지도 서비스는 파일 시스템(File System) 중심의 서비스 제공 방식과 웹 서비스(Web Service) 중심의 서비스 제공 방식을 병행하여 제공할 필요가 있다. 본 연구에서는 액상화 위험지도의 파일 시스템 중심 서비스 제공 방식과 웹 서비스 중심 방식의 서비스 제공 방식에 대하여 검토하였고, 향후 지자체나 관련 부처의 상황에 따라 유연하게 액상화 위험지도를 활용할 수 있는 방안을 선제적으로 마련하였다. 액상화 시뮬레이션 프로토타입 구현 본 연구에서는 액상화 위험지도를 지자체에서 도심지 재난재해 위험도 관리 및 대응, 도시계획 등에 활용할 수 있도록 지형, 건물을 함께 3D로 시각화하고 연계하는 3차원 도시 시뮬레이션 활용 방안에 대해 검토하였다. 이를 위하여 지역별 상세자료 취득의 제약으로 인해 지질도 보간 및 시각화 테스트는 ‘경상북도 포항시’의 시추성과를 이용하여 구현하였으며, 3D 도시 모형 연계 시뮬레이션 테스트는 서울지역 액상화 위험도 모의 평가 결과를 토대로 ‘서울특별시 영등포구’로 설정하여 그림 3∼5와 같이 단계별로 구현하였다. 먼저, 서울특별시 일부 지역의 건물 높이 정보를 취득하여 ‘건물지반높이’와 ‘건물 높이’ 속성정보를 이용하여 LOD1 수준의 3D 건물을 시각화하였다. 이후 액상화 위험도 평가결과를 연계하여 건축물이 정착한 지반의 액상화 위험도와 함께 시각화가 가능하며, 경우에 따라 특정 위험수준에 위치한 건축물만을 선택적으로 시각화하는 것이 가능하다. 본 연구에서는 초고층 건물에 대한 선택적 시각화를 시도하여 시범적으로 액상화 위험지도의 3차원 도시 시뮬레이션 활용 가능성을 확인해보았다. 서울시 Virtual Seoul 시스템 내 2차원 액상화 위험지도 탑재 본 연구에서는 서울시를 대상으로 지반액상화 평가를 수행한 후 서울시 공간정보 플랫폼인 Virtual Seoul 내에 2차원 액상화 위험지도를 탑재하였다. 국토지반정보 포털시스템에서 제공받은 서울특별시 지반정보 DB자료는 총 24,327공이다. 여기서 1차 필터링(좌표데이터 검증) 및 2차 필터링(지층정보, 시험정보 존재확인)을 통해 전체 중 약 85%인 20,857공이 사용가능한 것으로 나타났다. 다음으로 데이터의 품질관리를 진행하였다. 지층정보 및 시험정보 품질관리 후 데이터 일치성 여부를 재검토한 결과 최종적으로 사용가능한 데이터는 총 13,236공으로 확인되었다. 이후, 7개의 지진파를 이용하여 액상화 평가에 사용하였으며 활용한 자세한 물성 정보 및 방법론에 관해서는 2020년도 연구보고서에 명시되어 있다(KICT, 2020). 본 연구팀은 액상화 위험지도 현장적용과 관련하여 2021년 2월부터 서울시와 지속적인 미팅을 통해 Virtual Seoul 내에 액상화 위험지도 적용방안에 관한 논의를 진행하였다. 그 결과 그림 6~8과 같이 서울시 공간정보플랫폼 Virtual Seoul 내에 2차원 액상화 위험지도를 현장적용하였고, 차년도에는 3차원 액상화 위험지도를 Virtual Seoul 내에 탑재할 예정이다. 맺음말 본 연구에서는 지진 시 액상화 발생 및 피해예측을 위해 1단계 연구인 ‘Tech-lead형 액상화 피해 예측 가시화 시스템 및 고효율·저비용 액상화 보강공법 개발(2018~2020)’에서 개발한 국토지반정보 포털시스템과 연계된 2차원 및 3차원 액상화 위험지도 작성기술 및 시스템을 바탕으로 지자체에 액상화 위험지도를 보급하고 상부 및 지중 구조물의 피해를 예측 가능하도록 하였다. 액상화 위험지도의 신뢰도를 향상시키기 위하여 데이터 품질관리, 광역단위 액상화 평가, 7개의 지진파를 통한 액상화 자동 평가 개선 등 액상화 위험도 평가기법 고도화 연구를 수행하였다. 지자체에 액상화 위험지도를 보급 및 적용하기 위하여 액상화 위험지도 프로토콜 매칭 및 데이터 표준화 연구를 진행하였고, 3D 도시모형 연계 액상화 시뮬레이션 프로토타입을 구현하였다. 2단계 1차년도에는 서울시 공간정보 플랫폼 Virtual Seoul 내에 2차원 액상화 위험지도를 탑재함으로써 본 연구 성과의 현장 적용성을 확인하였으며, 차년도에는 서울시 공간정보 플랫폼 Virtual Seoul 내에 3차원 액상화 위험지도까지 탑재하여 도심지 재난재해 대응 및 관리에 폭넓게 활용될 예정이다. 지반연구본부 게시일2022-05-26 조회수 1180

첫페이지이전페이지12다음페이지마지막페이지