KICT 한국건설기술연구원

검색

전체 과제명 책임자 검색

전체 45건 현재 페이지 1/5

• 항만시설물 스마트 유지관리 기술개발 연구 동향 연구자: 민지영 구조연구본부 연구위원 기후변화가 가속화되면서 항만은 더 이상 단순한 물류거점이 아니라, 자연재해로부터 국가의 생명선(生命線)을 지켜야 하는 안전 인프라의 최전선이 되고 있다. 폭풍, 해일, 집중호우, 지반침하 등 복합적 재난 요인이 늘어나는 상황에서, 항만 구조물의 변형이나 손상은 물류체계 마비로 직결될 수 있다. 이에 한국건설기술연구원(이하 KICT)은 ‘ICT 기반 항만 인프라 스마트 재해 대응 기술 개발’, ‘항만시설물 스마트 유지관리체계 수립’ 연구를 통해, 항만시설의 상태를 상시 혹은 정기적으로 진단하고 재해 발생 전 위험을 예측하고, 성능 및 비용 예측을 통해 시설물을 선제적으로 관리할 수 있는 지능형 관리 체계를 구축하고 있다. 본 연구는 “계측–인공지능–의사결정”이라는 세 가지 축을 중심으로, 각 기술이 유기적으로 결합된 스마트 유지관리 프레임워크를 제시한다. 이는 기존의 인력 기반 주기적 점검 중심의 관리 방식을 넘어, 실시간 데이터 기반의 예방적·능동적 유지관리 체계로의 전환을 이끄는 핵심 기술이다. 기술 #1. 스마트 센싱 기반의 실시간 데이터 수집 체계 항만시설은 파랑, 조위, 조류, 염해 등 다양한 환경 인자가 복합적으로 작용하는 대표적인 가혹 환경이다. 이를 감시하기 위해 KICT 연구진은 가속도계, 변위계, 경사계, 온습도 센서 등으로 구성된 스마트 센서 네트워크를 구축하였다. 이 시스템은 항만 내 구조 상 혹은 운영 상 안전 취약부위에 센서를 다중 배치하고, 주기적으로 변위·경사·진동·온도 등 주요 데이터를 수집한다. 수집된 데이터는 무선 통신망을 통해 클라우드로 전송되며, 전송 지연률 1% 미만, 데이터 손실률 0.01% 이하를 달성하였다. 구축된 계측 시스템은 선박 접·이안 시 충격 하중, 태풍 및 고파랑 등 재해 상황에서의 구조 응답을 정밀하게 관측 할 수 있다. 이를 통해 재해 이후에도 항만 시설의 지속적 사용 가능성을 신속히 판단할 수 있으며, 구조적 손상이 어느정도 수준인지를 정량적으로 평가할 수 있다. 특히 이러한 데이터는 선사·하역사·운영사·관리주체 등 다양한 이해관계자 간의 시설물 파손 책임과 보상 주체에 관한 논쟁을 최소화하는 근거로 활용될 수 있다. 즉, 센서기반 계측정보가 객관적인 “사실 데이터”로 기능함으로써, 항만 운영의 효율성과 투명성을 동시에 높이는 것이다. 기술 #2. AI 기반 이상 감지 및 위험 예측 기술 센서로부터 수집된 방대한 데이터를 단순히 저장하는 것만으로는 의미가 없다. KICT 연구진은 데이터를 의미있는 구조적 정보로 변환하기 위해 AI를 적극 도입하였다. AI는 장기간 측정된 시계열 데이터를 학습해 활동, 경사, 침하 등 주요 성능지표의 정상 패턴을 정의하고, 이를 기준으로 비정상 거동을 탐지한다. 연구팀은 PCA(주성분분석) 기반 간이 신호 분석, GRU(게이트순환유닛) 기반 예측 모델, 그리고 GMM(가우시안 혼합 모델) 기반 이상 탐지 알고리즘을 개발하였다. 특히 GMM 기반 이상 탐지 모델은 지속적으로 데이터를 학습하여 계절적 변화나 계측 시스템 노후화에 따른 센서 드리프트를 보정하여 이상치를 탐지할 수 있어, 장기적인 자기 진화형 예측 시스템으로 발전하고 있다. 기술 #3. 스마트 플랫폼 및 의사결정 지원 시스템 데이터 분석 결과는 스마트 모니터링 및 유지관리 플랫폼을 통해 관리자가 즉시 확인할 수 있다. 플랫폼은 웹 기반 대시보드 형태로 설계되어, 주요 항만의 현재 상태, 드론 기반 외관 손상 탐지 결과, 센서 모니터링 기반 이상치 탐지 결과, 콘크리트 내구성 비파괴 검사 데이터 기반 이상 징후 등을 한눈에 보여줄 수 있도록 설계되었다. 다양한 데이터의 분석 결과를 시각적으로 표현하여, 색상 기반의 위험지도나 3D 구조물 모델을 통해 이상 구간을 직관적으로 파악할 수 있다. 플랫폼에는 자동보고 기능도 포함되어 있어, 위험 감지 시 관리자는 즉시 현장 조치를 지시할 수 있다. 즉, “데이터-지식-행동이 하나의 선순환으로 이어지는 유지관리 체계”이다. 스마트 유지관리 프레임워크 - ‘예측에서 예방으로’ 이 세 가지 핵심 기술은 스마트 유지관리체계로 통합된다. 스마트 유지관리 프레임워크는 센싱–분석–판단–조치의 모든 단계를 자동화하며, AI가 실시간으로 시설물의 건강상태를 평가하고 대응 전략을 제시할 수 있도록 한다. 기존의 주기적 점검 중심 관리체계에서는 ‘문제 발생 후 대응’이 일반적이었다면, 이 시스템은 ‘문제 발생 전 예방’으로의 전환을 실현할 수 있게 한다. 이를 통해 항만시설의 평균 유지관리 비용, 비계획적 운영 중단을 줄일 수 있을 것으로 기대하고 있다. KICT의 비전 - 데이터로 항만의 미래를 설계하다 이번 연구는 단순히 센서를 설치하거나, 드론으로 시간이력 영상 데이터를 확보하거나, AI 모델을 적용하는 수준을 넘어, 데이터 중심의 인프라 관리 패러다임을 제시했다는 점에서 큰 의미를 가진다. 항만시설의 안전관리는 결국 데이터와 지능의 문제이며, 이를 통해 국가 물류 인프라의 회복탄력성을 높일 수 있다. 앞으로도 KICT는 항만뿐 아니라 해양·도시 전반의 인프라로 기술을 확대하여, 재난에 강한 대한민국 스마트 인프라 실현에 앞장설 계획이다. 구조연구본부 게시일2026-02-26 조회수 108
• 자율주행 리빙랩의 소개 연구자: 변상철 도로교통연구본부 연구위원 들어가며 자율주행기술개발 혁신사업 전 세계적으로 자율주행 기술개발이 활발히 진행중에 있으며, 이를 위해 국내에서도 자율주행차 기술이 미래차시장의 국가경쟁력 확보에 선도적 역할을 할 것이라 기대하고 자율주행 자동차 핵심기술 확보와 관련 서비스 산업 창출을 위해 `21년 범부처 차원의 대규모 국가연구개발사업인 자율주행기술개발혁신사업을 착수하였다. 이 사업은 국토부, 산업부, 과기부, 경찰청 등이 참여하고 있으며, 패키지형 융합기술개발을 통한 3대 글로벌 자율주행 기술강국 진입, 자율주행 서비스 실증을 통한 시시장 창출 및 국민 수용제고, 자율주행 생태계 구축을 통한 신상업 기반 확보를 사업 목표로 하고 있다. 이를 위해 차량융합신기술, ICT 융합 신기술, 도로교통 융합 신기술, 자율주행 서비스 창출, 자율주행 생태계 구축 등 5대 분야 중심의 자율주행 기술 개발을 추진하고 있다. 범부처 차원에서 88개의 과제를 수행중에 있으며, 총 사업비는 약 1조 974억원(민간투자 25%, 정부지원금 8,320억 원)규모로 `21년부터 `27년까지 7년간에 걸쳐 진행중이이고 `27년 융합형 레벨 4/4+ 자율주행 상용화 기반을 완성할 예정이다. 자율주행 리빙랩 리빙랩 이란 일상생활의 실험공간으로 기술혁신과 사회혁신 결합을 시도하는 패러다임으로 기술•사회•현장의 통합모델이며, 공공, 민간, 이용자간 파트너쉽에 기반한 거버넌스를 통해 실재 생활환경에서 생산자와 수요자가 공동으로 혁신을 만들어가는 실험실을 의미한다. 이를 바탕으로 하는 자율주행 리빙랩은 일상생활의 자율주행 실험실(실험공간)을 의미하며, 시민들이 일상생활에서 자율주행 서비스를 직접 체험하여 안전성,편의성, 접근성, 효율성, 경제성 등의 의견을 제시하고 이를 반영하는 수용성 공간을 의미한다. 이를 위해 자율주행 리빙랩은 범부처 연구개발사업으로 개발되는 자율주행 기술·인프라·서비스에 대하여 실 생활환경에서 수용성 및 사업화 가능성을 검증함과 동시에 기술 상용화 촉진을 위하여 내•외부 아이디어의 공유, 기술개방, 공동 기획 등 다양한 참여가간의 협을 통해 새로운 제품, 서비스, 가치 사업화 모델을 창출할 수 있는 방식인 이용자 주도형 리빙랩으로 구축을 추진하고 있다. 자율주행 리빙랩의 구축 자율주행 리빙랩의 추진 경위 자율주행 리빙랩은 자율주행기술개발혁신사업내 국토교통부 부문의 [국-9] 자율주행 리빙랩 실증환경 운영 및 서비스를 통한 사업모델 개발 연구과제로 진행중에 있으며, 자동차안전연구원을 주관으로 하여 한국건설기술연구원, 한국지능형교통체계협회, 아주대학교 동림TNS 등이 참여하여 연구를 진행중에 있다. 이 과제를 통하여 자율주행기술의 전반을 융합할 수 있고 교통문제 해소 등 시민에게 다양한 체험기회를 제공할 수 있는 리빙랩 도시의 공모를 `23년 8월 실시하여 같은해 10월에 화성시를 선정하였으며, `24년 11월에 구축사업자를 선정하여 리빙랩을 구축중에 있다. 자율주행 리빙랩의 사업범위 자율주행 리빙랩의 공간적 범위는 전반적인 자율주행기술, 연구개발 기술, 자율주행 관련 외부 기술 및 서비스 등의 도입을 통한 연계·실증이 가능한 개방형 테스트 베드를 목표로 리빙랩 도시로 선정된 화성시 서부권(남양읍, 새솔동, 송산면, 마도면 일대)를 중심으로 총 145km에 구축중에 있다. 주요 구축 내용으로는 센터, 홍보관, 홈페이지, 센터 하드웨어 및 소프트웨어 등의 리빙랩 센터 시스템과 Edge RSU, AI카메라, AI라이다, LDM, 인프라 가이던스, OBU 등의 현장인프라의 구축을 포함하고 있다. 현장부문은 외부 개발자를 위한 창의공간과 자율주행기술개발사업내 연구개발 성과물을 테스트할 수 있는 실증존, 연구개발 성과물외의 제품 및 서비스 등을 위한 운영존으로 구성하여 리빙랩을 구축중에 있다. 자율주행 리빙랩의 인프라 구성 - 현장 인프라 현장에는 실 도로에서 운행하는 자율차량 및 비 자율차량을 검지하고 해당 정보를 수집 및 제공하기 위한 AI카메라, AI라이다, Edge RSU, LDM, RSU, OBU, IG 노마드 등이 설치된다. 검지의 영역은 AI카메라의 경우 최대 200m, 라이다의 경우 70m를 확보하여 해당 검지영역내의 객체에 대한 종류, 속도, 위치 등을 검지하여 해당 정보를 제공하게 된다. 아울러 인프라 가이던스를 통하여 자율차량과 비 자율 차량의 혼재상황에서 차량간 상충회피, 교통효율을 개선하기 위하여 자율차량에 권고 또는 지시 메시지를 제공하게 된다. 여기에는 사업구간내 신호교차로 3개, 비신호교차로 2개, 비보호 좌회전 3개, 합류부 3개, 회전교차로 2개 등 도로 유형별 차량간 상충 상황에 따른 14개의 유지케이스를 구현하고 추가적으로 보행자 인지정보, 추월상황 등에 대한 유스케이스를 인프라 가이던스 연구팀과 협의 중에 있다. - 센터 시스템 센터 시스템은 리빙랩 운영을 위해 필요한 센터 하드웨어 및 소프트웨어를 구축중에 있으며, 규격•용량•사양은 향후 시스템 확장을 감안하여 유연하게 구성중에 있다. 주요 설비로는 현장장비 연계 시스템, 보안장비, DMZ 영역 시스템, 백본, 상황실 장비, 보안 및 관리, 데이터 저장, 참여과제 운용 장비, 기반 설비 등을 포함하고 있다. 리빙랩 센터는 자율주행 차량 통제 및 모니터링 센터, 데이터 분석 및 연구 공간, 교육 및 홍보 공간, 회의 및 협업공간, 시설 보안, 편의 시설을 설치하였으며, 원활한 운영 뿐만 아니라 시민이 방문하여 자율주행 및 모빌리티 환경에 대한 이해와 체험이 가능한 공간을 구성하여 구축중이다. 센터의 공간은 1층에는 리빙랩을 홍보할 수 있는 공간과 참여 연구기관이 이용할 수 있는 공간을 마련하여 대 시민 및 리빙랩 참여자의 개방공간으로 확보하고, 2층은 리빙랩 운영자를 위한 보안공간으로 설정하여 물리적으로 분리하여 구축중에 있다. - 홍보관 홍보관 주요 사업내용으로는 자율주행 리빙랩 사업 및 연구과제의 홍보, 자율주행 기술 및 메타버스 체험 제공, 체험자 맞춤형 견학 프로그램 운영을 포함하고 있다. 홍보관의 공간구성은 출입동선에서 시작하여 출구까지 자연스럽게 리빙랩을 홍보할 수 있도록 자율주행의 역사, 자율주행기술개발혁신사업의 소개, 체험관 등을 포함하여 공간을 구성하였다. 주요 컨텐츠로느 로비 벽면 및 패널에 사업소개와 동영상 자료 재생을 통한 시청각 기반 사업 홍보, 연구과제 내용 및 성과 소개, 보행자 검지 체험존 구축, 차량/보행자 돌발 검지 시스템 원리 설명 영상, 실제 노선에 따른 자율주행차 움직임 및 디스플레이 구현, VR 헤드셋·컨트롤러·트레드밀 기반 돌발상황 대응 체험 등으로 구성하고 있다. 참고자료 화성특례시 자율주행 리빙랩 시민설명회 발표자료, 한국지능형교통체계협회 배병환 2025.9.30. 리빙랩 구축사업 착수보고회 발표자료, SKT 문일웅 2024.11.29. 자율주행 리빙랩 실증환경 운영 및 서비스를 통한 사업모델 개발 연차보고서(안), 한국교통안전공단, 이정기, 2025.11. 도로교통연구본부 게시일2026-02-26 조회수 138
• 건설 현장에 한 걸음 앞둔 구조물 원격시공 기술 연구자: 이상윤 KICT 구조연구본부 연구위원 들어가며 우리나라를 비롯한 주요국들은 고령화와 생산가능인구 감소로 인한 안전성과 생산성의 저하 문제를 겪고 있다. 영국(Construction 2025), 일본(i-Construction 2.0)과 같은 주요 국들은 이러한 문제를 해소하기 위한 다양한 정책을 추진하고 있다. 우리나라도 국토교통부의 「스마트 건설 활성화 방안」, 「제7차 건설기술진흥기본계획(`23~`27)」을 통해 건설현장의 안전과 생산성을 향상시키기 위한 정책을 펼치고 있다. 한국건설기술연구원에서는 국토교통부의 ‘스마트건설기술개발사업’을 통해 2020년부터 대표적인 도로구조물인 교량을 대상으로 위험한 공정에 노출되는 작업자를 대신하여 로봇이 원격으로 시공할 수 있도록 하는 기술을 개발하고 있다. 교량 원격시공 기술은 두 가지 형태로 개발되고 있는데, 하나는 원격으로 교량용 거더를 정밀한 위치에 거치시키는 교량 거더 원격정밀거치 기술이고 다른 하나는 교각을 원격으로 시공하기 위한 교각 원격시공 기술이다. 이 글에서는 두 가지의 구조물 원격시공 기술을 소개하고자 한다. 교량 거더 원격거치 기술 교량을 건설하는 과정에서 교량의 바닥판을 지탱하는 거더(또는, 빔)를 교각 위에 설치하는 작업이 필요한데, 이 작업을 위해서는 거더가 교량 받침위에 정확히 놓이도록 거더의 위치를 세밀하게 조정해 줄 작업자를 교각 위에 투입해야 한다. 높게는 수십 m에 이르는 높은 위치에서 이루어지는 거치 작업은 사고의 위험이 높다. 교량 거더 원격정밀 거치 기술은 교각 위에 투입되는 작업자를 대신해서 로봇이 거더의 위치를 정밀하게 조정하는 기술이다. 이 때 사용되는 로봇은 거더를 거치하는 작업에 전형적인 형태로 개발된 것으로 거더 원격정밀거치로봇이라 부른다. 거더 원격거치 로봇은 크레인으로 인양하여 사용되는데, 기존에 이동식 크레인으로 거더를 들어 올리는 대신 거더의 양쪽 끝에 연결되는 로봇을 인양하는 형태로 운용된다. 크레인으로 거더에 연결된 거더 원격정밀거치로봇을 인양하여 거더를 교량 받침 인근으로 이동시키면, 이후에 이루어지는 거더의 수평위치 조정과 최종 거치 작업은 거더 원격정밀거치로봇이 수행하게 된다. 거더 원격정밀거치로봇의 조작은 지상에서 이루어진다. 지상의 로봇 조작자는 로봇과 거더에 설치되어 있는 카메라 영상을 통해 위치와 상태를 확인하면서 작업을 안전하게 수행 할 수 있다. 2023년에는 거더 원격정밀거치로봇 시제품 2기를 이용하여 교량 현장과 유사하게 조성된 테스트베드 현장에서 거더를 거치하는 작업을 성공적으로 수행한 바 있다. 이 기술을 성공적으로 적용하기 위해서는 거더의 수평위치 조정의 정밀도 확보가 중요한데, 테스트베드 현장 적용을 통해 연구개발 최종 목표로 설정된 수평위치 조정의 정밀도(오차 ± 3 mm 이내)를 확보할 수 있는 것을 확인할 수 있었다. 2024년에는 교량 건설 전문기업을 대상으로 개발된 기술에 대한 기술이전이 이루어졌고, 전문기업과 함께 2025년에 시제품 2기를 실제 교량 건설 현장에 적용할 계획이다. 개발된 거더 원격정밀거치 기술이 교량 건설 현장에 성공적으로 적용되고, 다른 거더 교량 건설 현장에 활용된다면 거더 가설 중 사고로 인한 인명피해를 줄이는데 크게 기여할 수 있을 것으로 기대한다. 교각 원격시공 기술 현장타설 콘크리트 교각을 시공하기 위한 철근 연결, 거푸집 조립, 콘크리트 타설 작업은 시공 중인 교각에 설치된 작업대 위에서 이루어진다. 즉, 교각 시공 과정이 높은 위치에 설치된 작업대 위에서 이루어지기 때문에 사고의 위험이 높은 작업 중의 하나이다. 교각 원격시공 기술은 작업대 위의 작업자 대신 원격으로 제어되는 로봇을 투입하여 교각시공에 필요한 작업을 수행하는 기술이다. 콘크리트 교각 원격시공에 적용되는 로봇은 전형적인 다굴절 로봇팔 형태로 총 3기가 투입된다. 각각의 로봇은 교각 시공에 필요한 작업용 도구(End-Effector 또는 Attachment) 3가지를 교체해 가면서 철근망 설치, 철근 연결, 콘크리트 바이브레이팅 등 필요한 작업을 수행한다. 이들 작업에 필요한 작업용 도구들은 로봇의 뒤에 설치된 툴 스테이션(Tool Station)에 구비된다. 로봇이 설치되는 작업대는 로봇의 중량을 지지하고 자동으로 승·하강이 가능하도록 개발되었다. 맺음말 건설현장의 노동력 부족과 고령화 문제가 두드러지고 있는 상황과 로봇 및 관련 기술의 급속한 발전으로 인해, 건설분야에 로봇을 도입하기 위한 기술 개발이 활발하게 추진되고 있다. 건설 특히, 시공을 위한 로봇 기술은 아직까지 태동기라 할 수 있겠지만, 최근의 정부와 민간 기업의 적극적인 건설 로봇 관련 기술 개발 분위기로부터 머지않은 미래에 로봇이 건설 현장의 노동력을 상당 부분 대신하게 될 것으로 예상된다. 이 글에서 소개한 것과 같이, 로봇을 이용한 거더 원격 정밀거치 기술은 건설현장 적용을 앞두고 있고 사업화가 추진될 예정이다. 로봇으로 인한 건설 현장의 변화가 급격하게 이루어질 수는 없겠지만, 거더 원격정밀거치 기술과 같은 현장적용 사례는 건설 현장의 변화를 촉진하는 마중물이 되어줄 것으로 기대한다. 참고자료 HM Government (2013). Construction 2025. 국토교통성 (2024). 「i-Construction 2.0」 으로 책정, 보도자료(2024.04.16.). 국토교통부 (2022), 스마트건설 활성화 방안. 국토교통부 (2023), 제7차 건설기술진흥 기본계획. 구조연구본부 게시일2025-12-02 조회수 278
• 탄소를 먹는 콘크리트, 탄소중립의 해법이 되다 연구자: 박정준 KICT 구조연구본부 연구위원(탄소중립 건설재료팀) 지구는 매년 이상기후라는 경고장을 보내고 있다. 폭우, 가뭄, 태풍으로 인한 인명과 인프라 피해가 반복되고, 온실가스 감축은 더 이상 선택이 아닌 생존의 과제가 되었다. 특히 시멘트·콘크리트 산업은 전 세계 온실가스 배출의 8%를 차지하는 대표적인 다배출 산업이다. 한국건설기술연구원 구조연구본부 탄소중립 건설재료팀은 이러한 현실을 정면으로 돌파하기 위해 ‘Carbon Eating Concrete(CEC)’ 기술을 개발했다. 이들의 목표는 단순히 배출을 줄이는 것이 아니라, 콘크리트 산업 전체의 탄소중립을 앞당기는 것이다. 탄소중립을 향한 도전, CEC 기술 개발 탄소중립 건설재료팀은 건설산업의 탄소중립(Net Zero) 달성을 목표로 연구를 이어가고 있다. 이들은 국내외에서 시급히 요구되는 탄소 감축 기술 개발에 대응하기 위해 시멘트·콘크리트 산업의 온실가스 문제에 정면으로 도전하고 있다. 연구팀의 핵심 연구 분야는 ‘Carbon Eating Concrete(CEC)’ 기술이다. 콘크리트 제조 과정에서 발생하는 이산화탄소를 콘크리트 내부 성분과 반응시켜 안정적인 광물 형태로 저장하고, 동시에 강도와 내구성을 높이는 것이 기술의 핵심이다. 배출가스를 단순한 오염원이 아닌 자원으로 활용하는 순환형 접근을 실현한 셈이다. 연구팀은 시멘트, 골재, 배합수 등 건설재료 전 과정에서 CO₂ 저장 가능성을 탐구하며 콘크리트 산업 전반의 탄소중립 효과를 극대화하는 데 초점을 맞추고 있다. 국내 최대 규모의 CO₂ 양생 장비를 활용해 교량용 프리캐스트 바닥판에 직접 CO₂를 저장하는 실증 연구에 성공했으며, 현장타설 레미콘에도 적용할 수 있는 ‘회수수 CO₂ 처리 기술’을 개발해 세계 최고 수준의 효율을 달성했다. 궁극적으로 연구팀은 소재개발–구조성능평가–현장적용–정책제안으로 이어지는 전주기적 연구 체계를 통해, 기술이 실험실에 머무르지 않고 실제 건설 현장에 안착할 수 있도록 하고 있다. 탄소중립을 앞당길 게임체인저, CEC 기술 국제에너지기구(IEA)는 콘크리트 제조 과정에서 CO₂를 활용하는 CCU(Carbon Capture Utilization) 기술이 전체 CCUS(탄소포집·저장·활용) 감축 목표 10Gt 중 1~15%를 담당할 잠재력이 있다고 전망한다. 이는 CEC 기술이 전 세계적으로 탄소중립을 앞당길 실현 가능한 해법임을 보여준다. CEC 기술은 CCUS 기술 체인에서 ‘키 플레이어’로 불린다. 산업 현장에서 포집된 CO₂를 대량으로 활용하고 동시에 안전하게 저장할 수 있는 거의 유일한 기술이기 때문이다. 탄소-연료전환이나 탄소-석유전환과 같은 다른 CCU 기술들이 아직 개념증명 단계에 머무르고 있는 것과 달리, CEC는 이미 실증을 통해 현장 적용 가능성을 입증했다. 연구팀은 국내 콘크리트 생산량의 20%만 CEC 기술로 전환해도 연간 52만 톤의 CO₂를 감축할 수 있으며, 이는 국내 CCUS 감축 목표의 약 4.9%에 해당한다고 전망한다. CEC 기술은 건설산업을 기후위기 대응의 주체로 전환시키는 핵심 열쇠다. 난관을 넘어선 융합 연구 하천실험센터의 가장 큰 강점은 실험실증 기반의 통합솔CEC 기술 개발은 단순히 CO₂를 콘크리트에 주입하는 문제를 넘어, 포집–활용–평가의 전 과정을 하나의 사슬로 연결하는 융합 연구다. 이를 위해 구조연구본부를 중심으로 건축·화재안전연구본부, 신한대, 연세대, ㈜지승C&I 등 산·학·연 전문가들이 참여해 초기 단계부터 정기 세미나와 토론을 이어왔다. 연구진은 서로 다른 전공 언어를 이해하고, 데이터를 공유하며 문제를 풀어나가는 과정을 거쳐 융합 연구의 모델을 만들어가고 있다. 가장 큰 도전은 실험실 수준에서 성공한 기술을 산업 규모로 확장하는 스케일업 과정이었다. 단순히 반응기 용량을 키우는 것을 넘어, 현장에서 요구하는 품질과 신뢰성을 갖춘 시제품을 대량 생산할 수 있는지 검증해야 했다. 대형 스케일에서 예상치 못한 반응 변동이 발생했을 때, 연구팀은 직접 여러 단계의 mock-up 반응기를 설계·제작하고, 시뮬레이션과 데이터를 반복적으로 분석해 최적 조건을 도출했다. 이러한 과정을 거쳐 현재는 레미콘과 프리캐스트 제품 생산 공장에서 실증 실험이 활발히 진행되고 있다. 확보한 데이터를 다시 연구에 반영해 설비와 공정을 개선하는 선순환 체계도 구축했다. 끊임없는 조정과 최적화 덕분에 CEC 기술은 점차 현장 표준으로 자리 잡아가고 있다. 전주기적 연구 역량과 팀워크 탄소중립 건설재료팀의 가장 큰 강점은 소재 개발에서 제도개선까지 이어지는 전주기적 연구 역량이다. 연구진은 단순한 소재 개발을 넘어 구조 부재의 안전성 평가, 현장 적용 검증, 기술 표준화와 정책 제안까지 하나의 흐름으로 연구를 수행한다. 이러한 접근은 실제 건설 현장에서 발생할 다양한 문제를 사전에 예측하고 해결책을 마련하게 해, 기술의 실용화 가능성을 크게 높인다. 이 모든 성과는 팀원들 간의 끈끈한 신뢰와 협력에서 비롯됐다. 탄소중립 건설재료팀은 직급이나 경력에 상관없이 누구나 자유롭게 의견을 제시하고, 서로 다른 관점을 존중하며 최적의 해결책을 찾아가는 수평적 문화를 지닌다. 수많은 시행착오와 실패를 극복하는 과정에서 팀원들은 서로를 격려하며 힘을 북돋아 주었고, 이러한 문화가 연구자들에게 긍정적인 자극이 되어 지속 가능한 미래를 함께 만들어가는 원동력이 되고 있다. 구조연구본부 게시일2025-10-28 조회수 238
• 말보다 실천으로 조용하지만 단단한 구조물 건강을 책임지는 연구원 연구자: 김재환 KICT 구조연구본부 수석연구원 사고가 없으면 눈에 띄지 않는다. 하지만 눈에 보이지 않기 때문에 더 치열하게 연구하고, 대비해야 하는 분야가 있다. 노후 인프라의 안전을 예측하고 진단하는 일. 그 조용한 책임감의 중심에서 묵묵히 연구를 이어가는 이가 있다. 구조연구본부 김재환 수석연구원을 만났다. 손으로 확인하고, 데이터로 말하는 연구자 김재환 수석연구원은 2019년 박사후연구원으로 한국건설기술연구원과 처음 인연을 맺었다. 2021년 정식 입사 후 현재까지 교량 구조물의 유지관리 기술을 중심으로 연구를 이어가고 있다. “앞으로는 노후된 인프라가 급속히 늘어날 거라 예상됩니다. 안전하게 사용할 수 있도록 상태를 예측하고 진단하는 기술이 매우 중요해졌죠.” 그의 연구는 단순히 상태를 기록하고 감지하는 데 그치지 않는다. 데이터 분석을 통해 구조물의 상태를 ‘예측’하는 데 집중하고 있으며, 최근에는 인공위성 데이터를 활용한 평가 기술까지 영역을 넓혔다. 어떤 과제가 가장 중요하냐는 질문에는 망설임 없이 대답한다. “특정 하나를 꼽기보다는, 지금 진행 중인 모든 과제가 각기 다른 의미와 중요성을 가지고 있습니다.” 과장된 드라마도, 감정적인 기복도 없다. 묵묵히 실험하고 분석하고 검증하는 과정을 거듭하는 가운데, 그는 “어느 하나 프로젝트를 찍어서 말하기는 어려운거 같다”고 말하지만, 그 말 속에는 일상의 성실함이 얼마나 강력한 연구의 에너지로 작용하는지를 짐작하게 한다. 연구의 시작은 우연, 지속은 성취감 김재환 수석연구원은 처음부터 이 길을 목표로 하지는 않았다. 대학 생활 중 자연스럽게 이 분야를 접했고, 실험하고 분석하는 과정에서 흥미를 느껴 연구자의 길로 들어섰다. “무언가를 분석하고, 손으로 직접 실험하는 과정이 재미있었어요. 선배들의 조언도 큰 영향을 줬고요.” 그렇게 시작된 연구는 박사과정까지 이어졌다. 만약 이 길이 아니었다면 그는 아마 농부가 되어 있었을지도 모른다고 그는 말했다. “고향이 제주도라 부모님 농사를 도우며 자랐거든요. 농사일을 피하고 싶어서 더 열심히 공부하게 된 것도 있어요.” 연구자로서 가장 큰 보람을 느끼는 순간에 대해 그는 이렇게 말한다. “논문이 게재되거나 학술대회 발표에서 좋은 반응을 얻었을 때요. 연구자는 또 다른 형태의 작가라고 생각해요. 내가 쌓아온 연구를 글과 발표로 세상에 알릴 수 있다는 건 정말 기쁜 일이죠.” 조용한 체력, 단단한 기술, 그리고 확장되는 시선 정신적으로 에너지를 많이 소모하는 연구 업무 특성상, 김재환 수석연구원에게는 체력이 곧 연구의 기반이다. 그는 혼자서 집중할 수 있는 운동, 특히 헬스를 통해 몸과 마음을 함께 단련한다. 연구가 막힐 때는 좋아하는 문장을 떠올리며 스스로를 다잡는다. 연구에는 정답이 없다는 사실을 늘 기억하며, 막힘이 생기면 오히려 잠시 내려놓고 다른 일로 전환하며 에너지를 재충전한다. 그렇게 돌아왔을 때 오히려 새로운 방향이 보이는 경우도 많다. 그는 건설기술 분야가 아직 사회적으로 충분한 주목을 받지 못하고 있다고 느낀다. “사고가 없으면 ‘잘 만들어졌겠지’ 라고 생각하는 경우가 많아요. 하지만 하나의 기술이 현장에 적용되기까지는 수많은 검증과 고민이 필요합니다.” 기술이 곧 사람의 생명을 다루는 일이라는 점에서, 현장 적용에는 철저한 신뢰성과 안전성이 전제되어야 한다고 강조한다. “앞으로는 새로운 기술이 더 쉽게 시험되고, 현장에서 검증될 수 있는 기회가 많아졌으면 합니다. 그래야 진짜 기술 발전이 이뤄질 수 있다고 생각해요.” 구조연구본부 게시일2025-09-25 조회수 131
• 완전자율주행 시대 도달을 위한 핵심 솔루션:자율주행 지원 물리 인프라 연구자: 김영민 KICT 도로교통연구본부 수석연구원 들어가며 자율주행 자동차(이하 ‘자율차’)는 주변 환경을 스스로 판단하고 주행해야 한다. 즉 일반 운전자의 운전 행위에 대한 ‘지각-식별-행동판단-행동(PIEV: Perception–Identification–Emotion–Volition)’ 행위를 자율차 스스로 수행하여야 하며, 자율차는 이를 수행하기에 적절한 시스템과 관련 성능을 갖춰야 한다. 운전자의 PIEV에 대응하는 자율차의 기능은 ‘주변 환경에 대한 인지 및 인지 결과를 기반한 차량 제어’이다. 여기에서 자율차가 인지해야 하는 주변 환경은, 도로에 대한 기본적인 환경(도로의 평면/종단선형, 차로 구성 등)뿐만 아니라 도로 위에 존재하는 다양한 도로 이용자(차량, 보행자 등)에 대한 실시간 정보, 도로를 이용하는 규칙에 대한 정보가 포함된다. 지금까지의 모든 도로 인프라 체계는 인간 운전자를 기준으로 개발, 활용이 이뤄졌다. 완전자율주행 기술의 상용화라는 목표 달성을 위해서는, 자율차가 기준이 되는 도로 인프라 체계에 대한 고민이 필요하다. 한국건설기술연구원에서는 자율주행 시대를 대비하는 도로 인프라의 역할을 공고히 하기 위한 다양한 연구개발을 수행하고 있다(보다 자세한 관련 내용은 본지 2025년 봄호 ‘자율협력주행 미래도로 개발’ 특집기사 참고). 이 글에서는 한국건설기술연구원에서 진행중인 ‘자율주행 지원 물리 인프라’에 대하여 소개하고자 한다. 기술 개발 배경과 목적 완전자율주행, 즉 SAE(미국자동차공학회) 기준으로 운전 행위에 대한 주도권이 사람이 아닌 자율차에 부여되는 3단계 이상의 자율주행 기술 구현을 위해서는 차량 센서를 활용한 AI 기술 기반의 고도화된 주변 환경 인지 기술과 더불어 LDM(Local Dynamic Map)으로 불리는, 정밀도로지도 상 다양한 정적/동적 정보를 연계하고 차량이 자차의 측위 정보를 매개로 하여 차량 주변 환경에 대해 제공되는 정보를 인지하는 기술의 필요성이 제기되고 있다. ‘인프라의 도움으로 자율주행을 수행’하는, 이른바 ‘자율협력주행’의 개념이 바로 여기에 해당된다. 자율협력주행을 수행하기 위해서는 다양한 ‘인프라’ 유형과 형태를 활용한 지원 방법이 제시된다(그림 1). 다시 운전자의 운전 행위 관점으로 돌아가 보자. 운전자가 운전을 수행하기 위해 활용하는 정보는 생각보다 굉장히 방대하며, 판단을 위한 사고 절차 역시 복합적이다. 예를 들어서, 차로 변경이라는 조작 행위는 몇 가지의 ‘차로를 변경해야겠다는 판단사항 및 결심’에서 비롯된다. 여기에는 내 차로가 주변 차로보다 혼잡함을 인식하여 차로를 변경해야겠다는 판단, 전방의 차로가 공사 등의 사유로 막혀있어서 차로를 강제적으로 변경할 수밖에 없겠다는 판단, 교차로에서의 회전(좌회전·우회전)을 위하여 진행하고자 하는 방향에 근접한 차로로 변경하고자 하는 판단 등이 포함된다. 한 단계 더 깊게 들어가 보면, 운전 행위에는 각 판단에 대한 ‘근거’를 수집하고, ‘추론’을 통해 ‘판단’하는 절차가 수반된다. 즉 운전자의 운전 행위를 위해 필요한 판단 과정은 인간의 오감을 활용하여 수집한 각종 근거들(예: 시각으로 취득한 장애물의 형상, 청각으로 취득한 경적음 등)에 과거의 운전 경험에 의해 취득된 상황 판단에 대한 노하우가 결합된 과정이라고 정리할 수 있다. 자율차는 이와 동일한 과정을 스스로 수행해야 한다. 여기에서 자율차를 위한 도로 시설물, 이하 이 글에서 ‘자율주행 지원 물리 인프라’로 표현하는 도로 시설물의 역할을 확인 할 수 있다. 자율차는 센서 기반 인지 체계의 한계에 의거하여 일명 ‘핸디캡 상황 및 구간’으로 불리는 자율차의 성능 한계로 인한 제어권의 운전자 대상 이양 요구조건이 발생한다. (Jeon and Kim, 2021). 예를 들어, 안개 등 기상 상황에 따라 가시거리가 떨어져 차량의 영상센서를 활용한 정보 수집에 어려움을 겪는 상황, 도로상 작업에 의해 주행차로가 차단된 상황이 대표적인 ‘자율주행 핸디캡 상황 및 구간’으로 분류된다. 여기에서 물리 인프라가 핸디캡 상황 및 구간에서 자율차의 ‘판단 과정’, 보다 구체적으로 ‘판단을 위한 근거 수집 과정’ 및 ‘판단 근거를 활용한 추론’ 과정에 기여할 수 있다면 자율차 운행에 실질적 차원의 도움을 제공할 수 있다. 자율주행 지원 물리 인프라의 구현 유형은 크게 두 가지로 구분할 수 있다. 먼저 기존 도로 시설물을 ‘자율차 센서에 보다 잘 보이도록’ 개선하는 방법이다. 보다 구체적으로, 자율차가 차량 주변 환경 인지에 활용하는 주요 차량센서(영상, LiDAR 등)의 특성을 고려하여 도로 시설물의 센서 기반 인지성능을 향상시킬 수 있는 방안을 기존 도로 시설물의 고유기능 및 속성을 유지한 상태로 적용하는 방법이다. 여기에는 시설물 제작 및 설치, 활용과 관련한 현행 규정상 문제가 없는 범위 내에서 색상 혹은 소재를 변경하는 방법, 외형적으로는 큰 변화가 없으나 센서에 반응하는 영역을 넓혀주는 형태로의 시설물 구조 변경이 포함된다. 두 번째로 ‘자율차의 상황 추론 과정에서 보다 확실한 근거가 될 수 있는 정보를 도로 시설물의 물리적 속성을 활용하여 제공’하는 방법이다. 즉 도로표지와 유사한 형태의 시설물상에 자율차 센서로 검지인식 가능한 부호화된 정보를 표기하여 자율차 제어를 위한 추론 과정에 핵심적인 도로 운영 상황 정보를 제공하는 것이다. 이는 운전자가 운전을 수행함에 있어서 이행하여야 할 사항을 안내하는 도로 시설물(교통규제 관련 교통안전표지 등) 및 운전 수행에 참고하여야 할 사항에 대한 도로 시설물(이정표지, 도로안전시설 등) 의 기능과 유사한 기능을 자율차에 제공하는 방법으로 해석하면 적절하다. 자율주행 지원 물리 인프라 개발 및 인프라 효과 검증:차로차단 구간 대상 연구진은 2024년 자율차를 1대 개발하였다(그림 2). 이 자율차는 국내에서 개발, 제작된 수많은 자율차 중 1대이지만, 다른 자율차에 없는 고유한 기능을 가지고 있다. 바로 ‘자율주행 지원 물리 인프라를 활용한 차량 제어 및 자율주행’이 가능토록 구현한 기능이다. 자율주행 지원 물리 인프라를 차량 제어에 적용함에 따라, 핸디캡 구간/상황에 대한 자율차의 인지 성능 및 인프라 유무에 따른 핸디캡 구간/상황에서의 차량 거동을 비교할 수 있다. 이를 통해 자율주행 지원 물리 인프라 체계에 대한 적정성을 검증할 수 있다. 오늘도 도로에서는 수많은 이벤트가 발생한다. 도로상 이벤트 중 차량 운행에 직접적인 영향을 미치는 상황이 바로 ‘차로차단’이다. 차로차단 상황은 도로 보수공사 혹은 교통사고 처리 등의 사유로 수시로 발생하며, 차로차단 구간에서 차량은 차단된 차로를 반드시 우회하여 주행하여야 한다. 일반 운전자는 차로차단 상황을 통제 시설물(교통콘, 방호벽 등)의 육안 확인 혹은 교통 통제자(경찰, 신호수 등)의 수신호, 전방 차량의 강제적 합류 상황에 대한 목격 등을 통해 추론, 인지할 수 있다. 하지만 자율차는 이와 같은 판단 추론 과정에 분명한 한계가 존재하며, 차로차단이 도로상에서 매우 유동적이며 가변적으로 발생한다는 점을 고려하였을 때 전자지도 기반 정보체계를 통한 정보제공에도 한계가 예상된다. 연구진은 ‘자율차가 차로차단 상황을 인지할 수 있는 부호화된 표지 형태’를 활용하여 차로차단에 대한 정보를 시설물을 통해 자율차가 보다 간편하게 인지할 수 있도록 시스템을 고안하였다(그림 3). 차로차단 구간에서 자율차가 수행하여야 하는 제어는 횡방향 제어로서, 차로차단 구간을 회피하는 제어와 차로차단 구간 종료 후 주행 경로(Global path)의 필요성에 따라 차로 복귀 여부를 판단하여 수행하는 복귀제어로 구분할 수 있다. 연구진은 차량용 LiDAR를 활용하여 취득한 점군데이터(PCD, Point Cloud Data) 패턴을 인식할 수 있는 기술을 적용하여 차로차단에 대한 상황을 자율차가 시설물을 활용하여 인지토록 하여, 제어에 적용할 수 있는 방안을 고안하였다. 이는 LiDAR 센서가 영상센서와 비교하였을때 상대적으로 악천후(강우, 안개 등)에 강건한 성능을 보유하기 때문으로, 전통적인 영상센서 기반 인지성능 개선에서 접근하기 어려운 ‘시야 가림’이라는 핸디캡 상황을 대응할 수 있기 때문이다(Kim et al., 2024). 다음은 차로차단 구간에서 자율주행 지원 물리 인프라 설치 유무에 하지 않았을 때와 설치하였을 때, 자율차 내부에서 측정된 속도와 각속도 값이다. 본 실험은 연천SOC실증센터에 차로차단 환경을 재현하고, 자율주행 지원 물리 인프라를 설치하였을 때와 설치하지 않았을 때 자율차의 거동이 어떻게 달라지는지를 확인하는 방법으로 수행하였다. 자율차가 차로차단 구간을 인지하면 차로변경 제어가 수행되며, 이 과정에서 적절한 수준으로 속도를 줄이고 회전을 수행하여 차로를 변경한다. 이때, 차로차단 구간을 안내하는 역할의 자율주행 지원 물리 인프라가 존재하는 경우 차로차단 구간의 존재를 사전에 인지할 수 있다. 이는 차량이 정상적으로 주행하기 어려운 물리적 상황에 도달하였을 때 자율차가 상황을 회피하기 위해 수행하는 급격한 거동(급감속, 급회전 등)과 비교하였을 때보다 매끄러운 주행을 유도한다. 이를 숫자로 확인하였을 때(그림 4), 물리 인프라를 활용한 차로차단 안내 기능을 활용하지 않았을 경우 자율차는 차로차단에 있어 속도를 최대 20 km/h까지 줄여 차로변경을 수행하였으며, 이때 각속도는 최대 0.15 rad/s로 확인된다. 반면 물리 인프라를 활용하는 경우 자율차는 차로차단에 있어 속도를 최대 10km/h 까지 줄여서 구간을 통과할 수 있었으며, 차로차단 구간 통과 시 최대 각속도는 0.10 rad/s 이내로 확인되어 보다 안정적인 주행이 가능하였음을 수치상으로 확인된다. 본 실험 결과는 자율주행 지원 물리 인프라가 비단 자율차에만 긍정적 효과를 발휘하는 것이 아니라 ‘자율차와 일반차가 혼재된 상황’에서 보다 큰 효과가 발휘될 수 있음을 의미한다. 교통류 관점에서 개별 차량의 속도와 각속도의 변화가 크다는 것은 그 차량이 교통 흐름의 안정성을 방해하는, 이른바 ‘진흙탕을 만드는 미꾸라지’로 작용할 수 있다는 점을 의미한다. 자율차가 일반 운전자와 비교하였을 때 ‘특이하게 주행하지 않도록 제어’하는 자율주행 지원 물리 인프라의 기능은, 자율차와 일반차가 혼재된 교통류의 안정성을 향상시키는 데에 기여하여 자율차 보급에 긍정적 영향을 미칠 수 있을 것으로 판단한다. 맺음말 2025년 현재, 상당수의 전문가가 자율주행 기술이 이른바 ‘캐즘(Chasm)’으로 불리는 기술 발전 및 확산의 정체기에 놓여 있는 것으로 분석하고 있다. 구글에서 최초로 자율차를 대중에 공개한 2010년 초반에만 하더라도, 세계 각국의 자율주행 상용화 달성 목표 시기는 2020년 이전이었다. 하지만 실제로 2020년 중반에 이른 오늘날까지, 자율주행 상용화의 이정표로 삼을 수 있는 SAE 기준 Lv. 3 이상의 자율주행기능을 보유한 완성차는 극히 일부에 불과하며, 이마저도 다양한 제약조건(ODD: Operation Design Domain) 내에서만 가능한 것이 사실이다. 이는 완전자율주행 시대 도달을 위해 달성하여야 할 기술적 숙제가 여전히 존재한다는 점과 동시에, 지금까지 접근한 방법론이 아닌 새로운 방법론에 대한 시도 및 검토의 필요성이 있다는 점을 내포한다. 지금까지 진행된 다양한 연구개발 사례들은 완전자율주행의 상용화를 위해 차량과 인프라의 협력이 필수적임을 보여주고 있다. 연구진이 이 글을 통해 소개한 자율주행 지원물리 인프라를 활용한 자율주행 수행 방법론, 즉 자율차가 자율주행 과정에서 도로 시설물을 보다 적극적으로 활용하기 위한 환경을 구축하고 이를 활용하는 방법론은 자율차 핸디캡 구간 및 상황에서 자율차의 판단 및 제어에 대한 어려움을 덜어주어 완전자율주행시대를 앞당길 수 있는 핵심 솔루션이 될 수 있을 것으로 판단된다. 참고자료 김영민, 박범진, 김지수(2024), 모바일 LiDAR 활용 기반 자율차 측위 지원 시설물 개발 및 검증 연구, 한국ITS학회논문지, vol.23, no.6, pp.203-217. 전현명, 김지수(2021), IPA 및 FGI 분서을 통한 자율주행차량 핸디캡과 발생 원인 분석, 한국ITS학회논문지, vol.20, no.3, pp.34-46. 한국지능형교통체계컨소시움(2024), 크라우드 소싱 기반의 디지털 도로 ·교통 인프라 융합 플랫폼 기술 개발 단계보고서 도로교통연구본부 게시일2025-09-04 조회수 604
• 사장교 케이블 장력 모니터링 기술 현황 연구자: 박영수 KICT 구조연구본부 수석연구원 들어가며 시설물안전법에서는 교량을 포함한 시설물의 관리 중 요도를 주로 시설물의 규모, 형식 등과 연계하여 정의하고 있으며, 특수교량은 정밀 계측을 통해 교량 상태를 모니터링하며 관리되고 있다. 특수교 중 하나인 사장교(Cablestayed Bridge)는 대표적인 케이블 지지 구조물이다. 보강형을 주탑에 연결된 사장 케이블로 지지하는 형식의 교량을 말한다. 사장교는 케이블의 인장강도와 주탑 및 보강형의 휨, 압축강도를 효과적으로 결합시켜 구조적 효율을 높일 수 있어서 장대교량에 적합하고, 미관이 뛰어나 짧은 거리에도 종종 사용되어 공용 중인 사장교가 늘어나고 있다. 사장교와 같은 케이블 지지 구조물에서 케이블은 중요한 구조 부재이며, 케이블의 장력(tension force)과 감쇠비(damping ratio)는 케이블뿐만 아니라 사장교 전체 구조 안정성에 영향을 미친다. 사장교의 주경간이 길어질수록 주탑과 보강형을 연결하는 사장 케이블은 바람 및 하중에 의한 진동(vibration)에 취약하다. 핵심 부재인 케이블은 다양한 원인으로 장력의 손실이 발생하며, 이러한 손실은 사장교 성능에 크게 영향을 주며, 최악의 경우 붕괴사고를 유발할 수 있다. 따라서, 케이블 장력을 효과적으로 모니터링할 수 있는 방법이 요구된다. 다양한 케이블 장력 모니터링 방법이 연구되고, 케이블에 적용되었다. 그 중 진동법(vibration-based method)은 진동 데이터를 기반으로 장력을 추정하는 방식으로 다른 방법에 비해 설치가 쉽고 비용이 저렴하다는 장점이 있다. 국토안전관리원의 특수교관리센터에서 관리 중인 케이블 교량 중 2022년 기준으로 케이블 장력계는 약 260개이며, 대부분 가속도 데이터를 기반으로 한 진동법을 통해 케이블 장력을 추정하여 모니터링하고 있다. 진동법 앞서 언급한 진동법을 통한 장력 추정 방법은 1) 케이블 외부에 가속도계를 설치하여 상시 진동 응답 수집(그림 2 Step#01), 2) 수집된 응답을 주파수 영역의 파워 스펙트럼 밀도(power spectral density, PSD) 신호로 변환, 3) 변환된 PSD 신호로부터 첨두정보(fn: 첨두 위치, n: 첨두순서)를 추출(그림 2 Step#02), 4) 추출된 첨두정보로부터 선형회 귀식을 산정(그림 2. Step#03)하고, 식(2)와 같이 회귀식의 절편(b, 그림 2 Step#04에서 0.729)과 케이블의 제원(유효 길이 Leff, 단위중량 w)을 활용하여 장력을 추정한다. 케이블에 설치된 가속도계로 수집되는 데이터는 케이블의 가진 조건이 일정하지 않기 때문에, 계측 시간이 길어질수록 안정적인 첨두정보의 탐지가 가능하다. 하지만, 계측시간이 늘어날수록 장력 추정 주기가 길어지기 때문에, 일반적으로 가속도 계측 주기는 100Hz, 계측 시간은 10분 단위로 수집한다. 수집된 가속도 데이터를 주파수 영역으로 변환하고, 변환된 주파수 영역에서 첨두정보(첨두 위치, 순서)를 탐지한다. 장력 추정 과정 중 중요한 첨두정보 탐지는 주로 인력을 통해 수행되어 진다. 예를 들어, 24시간 기준 10분씩 데이터를 수집할 경우, 수집되는 데이터 set는 144set이며, 하나의 교량에 8개 케이블에 가속도계가 설치될 경우 1,152 데이터 set에서 첨두정보가 탐지돼야 한다. 첨두를 탐지하는 방법은 주로 인력에 의한 방법이기 때문에, 노동 집약적이며, 탐지하는 작업자의 주관이 개입되어 객관성이 떨어지는 단점이 있다. 인력에 의한 방법이 아닌 첨두정보 탐지 방법은 사전 설정을 통하여 탐지하는 방법이 있다. 허용치보다 큰 첨두의 위치를 탐지하는 방법, 첨두 발생이 예상 가능한 대역을 설정하고, 대역에서 가장 큰 값을 탐지하는 방법이다. 첨두정보는 가진 조건, 케이블의 손상 여부 등에 따라 첨두정보가 누락되는 경우가 있으며, 케이블의 고유진동수와 외부의 가진 조건이 일치하여 공진(resonance) 현상이 발생하는 경우에는 특정 주파수 대역에서 첨두가 크게 발생하는 경우가 있다. 사전 설정을 통한 방법은 케이블의 제원 별로 설정이 필요하고, 주파수 대역에서의 특징 변화 시 첨두정보 탐지에 한계가 있다. 첨두 자동 탐지 알고리즘이 적용된 IoT 계측시스템 사장교 케이블의 진동 신호를 주파수 영역으로 변환하여 생성되는 파워 스펙트럼 밀도(Power Spectral Density, PSD)는 그림 3과 같이 고유한 2가지 특성을 나타낸다. 첫 번째, 케이블 PSD의 첨두는 일정한 간격으로 발생하는 주기적인 패턴을 가지며, 이는 케이블의 고유한 동적 특성을 반영한다. 이러한 첨두 간의 간격은 케이블의 제원(재료, 형상, 장력) 및 전체 구조계에 따라 달라질 수 있지만, 동일한 간격의 주기성(periodicity)은 모든 사장교 케이블 부재가 공통적으로 갖는 물리적 특징이다. 또 다른 특성은 첨두는 주변 주파수 성분에 비해 상대적으로 높은 진폭(amplitude)을 갖는다. 이와 같은 특성은 PSD 상에서 해당 첨두가 주변값들에 비해 이상치(outlier)로 작용함을 의미한다(Jin et al., 2021). 이러한 일정한 첨두 간격을 자동으로 탐지하기 위해, 의공학 분야의 생체신호 처리기술 중 하나인 Automatic Multiscale-based Peak Detection(AMPD) 기법을 활용할 수 있다(Scholkmanm et al., 2012). AMPD는 주기적으로 발생하는 첨두를 사전 설정 없이 자동 탐지할 수 있어, 완전한 자동화가 가능하다는 장점을 지닌다. 두 번째 특징인 첨두가 주변값들에 비해 이상치처럼 나타나는 특징을 감지하기 위해 임계값 기반의 이상치 탐지 기법을 병행 사용할 수 있다. 이때 임계값 설정에는, 이상치가 포함된 데이터에서도 강건하게 학습 가능한 중앙값 절대 편차(Median Absolute Deviation, MAD) 방법을 적용할 수 있다(Rousseeuw et al., 1993). 이 두 가지 기법으로 추정된 첨두 정보를 기반으로 케이블의 장력을 산출하며, 해당 기술은 1) 사전 설정이 필요하지 않음 2) 신호 변화에 대한 높은 강건성(robustness) 3) 낮은 연산 비용 같은 장점을 갖는다. 케이블 장력 모니터링을 위한 가속도 데이터는 주로 유선 계측시스템을 통해 수집된다. 이 시스템은 센서와 데이터 수집 장치를 케이블로 연결하며, 수집된 데이터는 다시 관리 주체로 전송되어 장력 분석에 사용된다. 유선 계측시스템은 데이터 손실 없이 안정적인 계측이 가능하다는 장점이 있으나, 센서와 로거를 케이블로 연결, 단선을 방지하기 위한 보호 배관 설치 등으로 인해 추가 비용이 발생하며 설치 위치와 수량에 제약이 따른다. 최근에는 다양한 IoT(Internet of Things) 기반 계측시 스템이 개발되어 시설물에 적용되고 있으나, 대부분 기존 유선 시스템처럼 단순히 데이터를 수집하고 전송하는 수준에 머물러 있다. 이는 설치 유연성과 수량 측면에서는 장점이 있으나, IoT 기술의 잠재적 강점을 충분히 활용하지 못하는 실정이다. IoT 계측시스템은 다양한 알고리즘을 내장하여 원시 데이터(raw data) 자체를 전송하는 대신, 필요한 정보만을 선별·처리한 후 전송할 수 있다. 이러한 엣지 컴퓨팅(Edge Computing) 기술은 센서 단말기 또는 그 인접 장치에서 데이터를 실시간으로 처리함으로써, 서버로의 전송 부담을 줄이고 처리 비용과 시간을 절감할 수 있다. 앞서 설명한 첨두 자동 탐지 알고리즘을 IoT 계측시스템에 탑재하여 사장교 케이블에 설치하여, 알고리즘의 정확도, 계측시스템의 사용성, 효율성 등을 검증하는 연구가 수행되었다. 이를 통해, IoT 계측시스템과 엣지 컴퓨팅의 기술을 시설물에 적용하여 시설물 계측 분야에서의 가능성을 확인하였다. 마치며 IoT 계측시스템과 엣지 컴퓨팅(Edge Computing)의 결합을 통해, 대용량 원시데이터를 서버로 전송해 수집·분석하는 방식에서 벗어나, 현장에서의 데이터 처리 및 최적 관리가 가능해졌다. 데이터 처리 및 분석 기술의 고도화를 통해 이러한 기능이 IoT 계측시스템에 탑재되면서, 기존에는 원시데이터 전송에 그쳤던 시설물 유지관리 분야에서 데이터의 활용 범위를 확대할 수 있을 것으로 기대된다. 또한 실시간 처리가 가능해짐에 따라, 사후 대응이 아닌 실시간 대응이 가능해져 예방적 유지관리가 실현될 수 있으며, 이를 통해 안전사고 예방과 함께 직·간접적인 사회적 비용 절감 효과도 기대된다. 참고자료 2024 도로교량 및 터널 현황조서. Jin et al. (2021), Fuly automated peak-picking method for an autonomous stay-cable monitoring system in cablestayed bridges, Autom. Constr. Vol. 126. Scholkmanm et al. (2012), An efficient algorithm for automatic peak detection in noisy periodic and quasiperiodic signals, Algorithms, Vol. 5. Rousseeuw et al. (1993), Alternatives to the median absolute deviation, J. Am. Stat. Assoc. Vol. 88 구조연구본부 게시일2025-09-04 조회수 252
• 지중 공동 및 매설물 탐지를 위한 AI 기반 GPR 데이터 분석 기술 연구자: 이대영 KICT 지반연구본부 연구위원 들어가며 최근 서울 등 도심지에서 대규모 지반침하 사고가 잇달아 발생하고 있다. 강동구 명일동 땅꺼짐 사고, 광명 신안산선 공사장 지하 붕괴 사고 등 대형 굴착공사장 인근에서 지반침하 발생으로, 서울시는 굴착공사장과 주변에 대해 지표투과레이더(Ground Penetrating Radar, GPR) 탐사를 집중 실시해 지반침하 안전관리 강화를 추진한다고 하였다(서울시, 2025). GPR 탐사는 전자기파를 이용하여 지반 내 하수관로를 비롯한 매설관, 공동 등의 지하 구조를 확인하는 탐사기법으로 2014년 석촌지하차도 대규모 공동 발생 이후 도심지 도로 하부 공동 및 지반침하 조사에 활발히 적용되고 있다. GPR 탐사는 비파괴적 탐사 방법으로 지하 매설물이나 공동, 지반 구조를 탐사하는 데 유용한 방법이지만, 주파수에 따른 탐사 깊이 제한, 토양 환경의 영향, 데이터 해석의 어려움 등의 어려움이 있다. 또한 데이터 분석 시 전문가에 대한 의존도가 높고, 고해상도 또는 3D 탐사의 경우 데이터 처리와 해석에 많은 시간이 소요되며, 해석 결과의 신뢰도에 차이가 존재하는 문제가 있다. 이러한 문제를 해결하기 위해 최근 AI 기반 GPR 데이터 자동 분석 기술에 대한 연구가 진행되고 있다. 이 글에서는 GPR 탐사의 원리와 함께, GPR 탐사 데이터 해석의 정확도를 높이고 분석시간을 단축하며 실시간 해석이 가능한 AI 활용 GPR 데이터 분석 방법에 대해 소개 하고자 한다. GPR 탐사 원리 GPR 탐사는 전자기파를 투과해 전기적 물성(전기전도도, 유전율)이 다른 경계에서 반사되어 돌아온 전자기파를 수신하여 땅속의 매설관 등 지하구조물의 위치 및 형태를 확인하는 탐사기법을 말한다. GPR 탐사는 수십 MHz 이상의 주파수를 가지는 전파 현상을 이용하여 주로 1~3 m 내외의 깊이가 얕은 대상을 탐사하는 비파괴 검사로 지하 매설관, 공동(cavity), 터널 배면 공동 탐사, 지층구조 등의 확인에 사용된다. 최근에는 노후 하수관으로 인해 지반침하 우려가 있는 지역에 GPR 조사를 집중적으로 수행함으로써 지반 함몰을 예방할 수 있는 평가방법으로 사용되고 있다(그림 1). GPR 탐사를 통한 데이터 분석 시 매설관은 강한 진폭을 가지며, 그림 2에서 보이는 바와 같이 쌍곡선의 형태로 나타난다. GPR 탐사는 한 쌍의 송신기와 수신기를 이용하는 단일 채널 GPR 시스템이 주로 사용되었으나 최근에는 고해상도 3차원 다채널 GPR 시스템이 활용되고 있다. GPR 탐사는 대부분의 매설관이 묻혀있는 3m 이내 깊이의 탐사에 효과적이며 터널공사, 또는 대규모 굴착공사장 같은 깊은 심도의 조사에는 한계가 있다. AI 기법 이용 GPR 탐사 데이터 최근 4차 산업혁명과 관련하여 인공지능(Artificial Intelligence, AI) 기술의 뛰어난 성능 및 대중화로 인해 그 사용성이 더욱 확대되고 있다. AI를 이용한 GPR 분석 적용은 지하구조물 탐사의 정확성, 효율성 및 해석 오류를 개선하는 유망한 방법을 제시한다. 최근 들어 GPR 영상판독시 발생하는 오류 및 기술적인 문제를 해결하기 위해서 영상 처리 분야에 많이 활용되는 머신러닝 기술 중 딥러닝을 이용한 연구가 활발히 진행되고 있다. AI 기법을 활용한 GPR 데이터 분석 방법은 B-scan, C-scan 형태로 수집된 GPR 데이터를 노이즈 제거, 보정을 통해 데이터 라벨링 작업을 수행한다. 라벨링이 보정된 학습용 데이터셋 생성후 객체 탐지를 위해 합성곱 신경망(Convolution Neural Network, CNN) 기반의 인공지능 알고리즘을 이용한다(Girshick, 2014). 딥러닝 학습을 통해 매설관 탐지 신뢰도를 향상시킬 수 있다. 한국건설기술연구원에서는 지반 함몰 예방을 위한 지반 내 공동 탐사 및 도로 하부의 지장물 탐사 시 GPR 탐사 정확도 향상을 위한 AI 활용 연구를 수행하였다. 지하 매설관 및 공동을 탐지하기 위해 GPR 탐사데이터를 사용하였으며, GPR 데이터에서 영상으로 변환 클러터 등의 노이즈를 제거를 통해 고품질의 라벨링 데이터셋을 작성하였다. 또한 지하 매설물 및 공동 탐지를 위해 Faster R-CNN을 사용하였으며, 다양한 학습 기법을 이용하여 매설관 및 공동탐지에 최적 성능을 도출할 수 있었다. 이를 통해 지반 내 공동 및 매설관로를 탐지하는 AI 알고리즘 및 GPR 데이터 분석기술을 개발하였다(한국건설기술연구원, 2024). 맺음말 도심지 개발의 가속화로 인한 대규모 굴착공사 증가, 시설물 노후화로 인한 도심지 땅꺼짐 발생으로 공동 및 지반침하 탐지를 위한 GPR 탐사 활용도가 증가하고 있다. 최근에는 GPR 탐사 데이터 분석 기술의 고도화를 위한 AI 기술 활용연구가 진행되고 있다. AI 기술을 GPR 탐사에 적용함으로써 데이터 처리에 소요되는 시간을 줄일 수 있고, 분석 결과의 일관성과 정확도를 향상시킴으로써 기존 GPR 분석의 한계를 극복할 수 있다. AI 기반 자동 분석기술은 GPR 탐사 데이터 실시간 처리와 해석 오류를 감소시켜 의사결정 과정을 신속히 진행함으로써 지반침하 사고를 예방하고 지하매설물의 안전성 향상에 중요한 역할을 할 수 있을 것이다. 참고자료 서울시(2025), 서울시, 대규모 지하굴착공사장 지반침하 안전관리 강화 특별대책 추진, 보도자료, 서울시 재난안전실 도로관리과. 이대영(2015), 노후하수관로 손상에 기인한 지반침하 평가기법 개발, 대한상하수도학회·한국물환경공학회 2015 공동학술발표회, 특별세션 V-1. 이대영(2018), CCTV 및 GPR을 이용한 하수관로 결함 및 지반함몰 위험성 평가, 한국지반신소재학회논문집, 제 17권 3호, pp. 47~55. 한국건설기술연구원(2022), Smart QSE 기반 공중선 지중화 혁신기술 및 도로성능복원기술 개발(1/3), 연차보고서. 한국건설기술연구원(2024), Smart QSE기반 공중선 지중화 혁신기술 및 도로성능복원기술 개발(3/3), 최종보고서. https://ashutoshmakone.medium.com/faster-rcnn502e4a2e1ec6 R. Girshick, J. Donahue, T. Darrell, and J. Malik (2014) “Rich feature hierarchies for accurate object detection and semantic segmentation,” In Proc. CVPR. 지반연구본부 게시일2025-09-04 조회수 1849
• 스마트 드론, 노후 터널 안전 지킨다! 생성형 AI 탑재한 자율 주행 드론으로 손상 및 균열 탐지 가능해 지반연구본부 게시일2025-07-01 조회수 324
• AI 기술을 활용한 지반공학에서의 텍스트 데이터 활용 연구자: 양엄지 KICT 지반연구본부 박사후연구원 들어가며 Web of Science의 문헌 기록에 따르면 2015년 이후 NLP(Natural Language Processing) 및 워드 임베딩(Word embedding) 기술에 관한 연구가 비약적으로 진행되었으며, 지질학 분야에서는 이런 연구 동향이 발견되나(Fuenteset al., 2020; Ghorbanfekr et al., 2024), 지반공학 분야에서는 연구사례를 찾을 수 없었다(그림 1). 이러한 차이는 지질학 분야에서 지층 또는 암석 등에 대해 작성한 서술적 텍스트를 활용해 온 것과 달리, 지반공학 분야에서는 수치 데이터 중심의 연구 환경이 지배적이었기 때문으로 판단된다. 그러나 근래 국내 지반공학 산업현장에서 시공 및 설계 자동화에 대한 수요가 급격히 증가함에 따라 多양식 보고서 내 텍스트 데이터 분석에 관한 필요성이 급부상하였다. 이러한 수요에 비해, 현재 국내 지반조사 보고서 유통자료는 표준화가 미흡하여 다양한 양식의 자료를 일일이 확인하고 표준 양식에 맞춰 데이터베이스에 등록하는 상황으로 시간/인력의 낭비 유발 및 데이터베이스 구축 효율성을 저하하고 있다. 지반조사 보고서의 양식을 강제적으로 통일시키는 방법도 있겠지만, 필자는 현재 LLM(Large Language Model) 등의 발전속도를 고려할 때 유연한 보고서 분석 기술 개발을 통해 현행의 문제를 포용적으로 해결할 수 있을 것으로 판단하여 관련 연구를 진행하고 있다. 이 글에서는 지반공학에서의 텍스트 데이터 활용을 위한, 그중에서도 워드 임베딩 기술에 관해 간략히 소개하고자 한다. 워드 임베딩 기술의 개념 및 연구 결과 워드 임베딩이란, 머신이 이해할 수 있도록 자연어를 단어 간 의미적 관계를 반영한 수치벡터로 변환하는 기술이다. 적절한 워드 임베딩이 선행되면 머신은 벡터 공간에서 단어간 의미적 유사성을 정량적으로 평가할 수 있다. NLP 연구 초기에는 희소표현(Sparse representation)을 통해 단어를 변환했다. 희소표현은 대표적으로 원-핫 인코딩(One-Hot Encoding)을 활용했으며, 이것은 단어집합[말, 강아지, 돼지, 소]의 각 객체를 [1,0,0,0], [0,1,0,0], [0,0,1,0], [0,0,0,1]으로 표현하는 방식이다. 이 방법은 소규모 단어집합 내 객체를 구분하는 데는 용이하나, 집합 내 단어가 늘어날수록 벡터의 차원이 증가하여 연산비용이 커진다는 문제점과 근본적으로 의미적 관계를 반영하지 못하는 한계가 있었다. 이후, 밀집표현(Dense representation) 또는 워드 임베딩이 등장하여 벡터의 각 성분이 이진코드가 아닌 실수로 표현됨에 따라 고정된 길이의 벡터로 방대한 단어를 표현할 수 있게 됐다. 워드 임베딩에는 정적 임베딩(Static embedding)과 문맥 임베딩(Contextual embedding)이 있다. 정적 임베딩은 단어당 하나의 고정된 임베딩 벡터를 사용하며, 문맥 임베딩은 문맥에 따라 단어의 임베딩 벡터가 달라지는 방식으로 최근 LLM 모델에는 기본적으로 문맥 임베딩이 반영되어 있다. 문맥 임베딩이 필요한 이유는 자연어에서 ‘have, get, make’ 등 다의어가 문맥에 따라 다른 뜻을 갖기 때문이다. 그러나 SCI 논문 또는 연구보고서와 같이 전문적이고 공적인 글에서는 이러한 다의어 문제가 대폭 완화되기 때문에 사용자의 문제 설정에 따라 연산비용이 큰 문맥 임베딩을 고수할 필요는 없으며, GloVe나 Word2Vec 등의 정적 임베딩만으로도 충분히 효과적인 결과를 얻을 수 있다. 이러한 결론은 영문 텍스트에 대한 내용으로, 국문 텍스트의 경우에는 상황이 조금 다르다. 한국어의 전문용어가 대부분 한자를 차용했기 때문에 동형이의어(Homograph)가 전문적인 텍스트에서도 다수 발견된다. 예를 들어, ‘기술’이라는 단어는 ‘Technology’가 될 수도 있고, ‘Description’일 수도 있다. 이 때문에, 국문 지반공학 텍스트 분석에 AI 기술을 접목하기 위해서는 문맥 임베딩이 필수적일 것으로 보인다. 다시 본론으로 돌아와, 워드 임베딩이 단어 간 의미적 관계를 반영하는 방법을 GloVe(Global vectors for word representation) 모델을 예시로 설명하고자 한다. 워드 임베딩을 위해 수집한 텍스트에 GloVe를 적용하면 가장 먼저 동시발생빈도 행렬이 계산된다. 동시발생빈도 Xij란 i라는 중심단어가 등장하는 문맥에서 j라는 주변단어가 등장하는 빈도를 의미한다. GloVe는 주어진 텍스트 데이터셋내 각 단어를 표현하는 벡터 Wi및 Wj의 내적값이 문맥 내 동시발생빈도의 로그값에 수렴하도록 최적화한다. 이때 J는 GloVe의 목적함수이며, f(Xij)는 로그와 마찬가지로 값이 큰 동시발생빈도 Xij의 영향을 완화하여 최적화가 특정 단어에 과도하게 치우치는 것을 방지하는 가중치 함수이다. 이에 따라, 문맥에서 자주 동시에 발견되는 단어 조합일수록 임베딩 벡터 간 내적값이 크기 때문에 문맥적 관계성이 있는 또는 유사한 단어를 정량적으로 제시할 수 있게 된다. 표 1은 지반조사 관련 SCI 논문 6천 건을 웹상으로 수집하여 GloVe를 학습시킨 결과, 중심단어 ‘불연속면 (Discontinuity)’, ‘표준관입시험(SPT)’, ‘기초(Foundation)’및 ‘암반분류법(RMR)’에 대한 주변단어를 제시한 결과이다. GloVe를 통해 학습된 단어들의 임베딩 벡터들은 의미적 관계를 반영하고 있기 때문에, 중심단어의 주변단어는 단순히 알파벳순으로 제시되지 않고, 예를 들어 불연속면이란 단어의 경우, 불연속면을 2차원으로 도시하는 Stereonet, 불연속면의 기하학적 상태를 기술하는 면(Plane)과 방향성(Orientation) 등 문맥상 관계어를 유사도에 따라 제시했다. 이때, 유사도는 벡터 간 방향적 유사성을 측정하는 코사인유사도(Cosine similarity)를 통해 평가한다. 한편, 표 1의 주변단어들이 정량적 수치인 유사도에 의해 제시되며, 이들 그룹 간에 중복이 없다는 것은 중심단어-주변단어 그룹 간에 정량적인 군집화가 가능함을 시사한다. 필자는 이러한 배경을 바탕으로 영상처리기술, GPT Python API, 1D 합성 곱신경망(CNN) 및 k-최근접 이웃(KNN) 모델을 활용하여 지반공학 분야에서 가장 기초적으로 활용되는 시추주상도 정보 추출 자동화 기술을 개발하였다(그림 2). 해당 기술은 보고서 내 표로부터 셀 단위 텍스트 정보를 추출한 뒤, 정보가 일반적인 수준의 지반조사용어인지 판별하여, 지반조사용어일 경우 GPT를 활용한 영문번역을 자동화 한다. 번역된 용어들을 미리 지반조사 관련 논문으로 학습시켜 둔 GloVe 모델에 입력하여 워드 임베딩을 진행하고 임베딩 벡터의 의미적 상관성에 기반하여 1D CNN 및 KNN 모델로 분류함으로써 텍스트 정보 추출 및 분류를 지능화하였다. 지반공학에서의 텍스트 데이터 활용 기술의 미래 방향 최근 보고서 분석 및 정보처리 자동화와 관련하여 LLM을 활용하려는 시도가 등장하고 있기 때문에, 상기 접근법에 관해 의아한 시선도 많을 것으로 예상한다. 그러나 LLM은 근본적으로 생성형 모델이기 때문에 대용량 문서처리 자동화에 있어서 일관된 답변만을 기대하기는 어려우며, 이에 따라 LLM 단독 사용 시에는 사용자의 지속적인 감독이 필요하다. 본 연구의 텍스트 분류는 지반공학 텍스트의 문맥적 관계에 기반한 분류이기 때문에 직관적이며 결과 해석이 가능하다. 또한, GPT 기반 번역에서 유의어(Synonyms)의 개입으로 인한 불확실성도 대량의 지반조사 텍스트로부터 학습한 문맥적 관계를 담은 임베딩 벡터를 통해 일정 수준 대응이 가능하다. 한편, 본 연구의 워드 임베딩 모델은 단어의 문맥적 유사도에 기반하기 때문에, 의미적 연산(e.g., ‘king’-‘man’+‘woman’=‘queen’) 또는 논리적 연산(e.g., (x>0.5)⊂(x>0.3)) 반영에 있어서는 한계가 있다. 이에 따라, 향후 지반공학 텍스트 분석을 위해서는 기존의 LLM 및 소개한 워드 임베딩 외에도 ‘Knowledge graph embedding’의 접목이 필수적일 것으로 판단된다. 참고자료 Fuentes, I., Padarian, J., Iwanaga, T., & Vervoort, R. W. (2020) 3D lithological mapping of borehole descriptions using word embeddings. Computers & Geosciences, 141, 104516. Ghorbanfekr, H., Kerstens, P. J., & Dirix, K. (2024) Classification of Geological Borehole Descriptions Using a Domain Adapted Large Language Model. arXiv preprintarXiv:2407.10991. 양엄지, 유병수, 강호덕, 한진태(2024) 다양식 지반조사보고서 정보처리 자동화를 위한 인공지능 플랫폼 개발, 대한토목학회 2024년도 정기학술대회 논문집 – 전문연구 “설계 시공 단계에서의 AI, LLM 활용 기술 연구세션”. 지반연구본부 게시일2025-05-26 조회수 331

첫페이지이전페이지12345다음페이지마지막페이지