KICT 한국건설기술연구원

검색

전체 과제명 책임자 검색

전체 15건 현재 페이지 1/2

• 토목과 비전 기술의 융합으로 건설 현장의 안전을 밝히다 연구자: 공준호 KICT 미래스마트건설연구본부 수석연구원 4차 산업혁명 기술은 건설 산업의 패러다임을 바꾸고 있다. 특히 사람의 눈을 대신하는 ‘컴퓨터 비전’ 기술과 전통적인 ‘토목’ 기술의 만남은 건설 현장의 고질적인 안전 문제를 해결할 새로운 열쇠로 주목 받고 있다. 첨단 기술을 통해 사회적 문제를 해결하고, 더 나아가 우주 인프라 건설까지 꿈꾸는 미래스마트건설연구본부 공준호 수석연구원을 만났다. 건설 안전부터 우주 개척까지, 융합 연구의 최전선 2024년 정규직으로 임용되어 미래스마트건설연구본부에서 활약하고 있는 공준호 수석연구원의 연구 키워드는 ‘융합’이다. 그는 토목 공학에 컴퓨터 비전 기술을 접목하여, 건설 현장의 사고를 줄이는 ‘AI 기반 스마트 안전 기술’과 우주 행성 탐사에 필수적인 ‘지형 정보 취득 기술(SLAM)’을 연구하고 있다. 땅 위에서는 사람의 생명을 지키고, 우주에서는 새로운 기지를 개척하는 상반된 매력의 두 가지 과제를 수행하고 있지만, 현재 그가 가장 집중하고 있는 분야는 단연 ‘안전’이다. 타 산업과 비교하여 건설 현장의 높은 사고사망률을 낮추는 것이야말로 연구자로서 사회에 기여하는 가장 시급하고 가치 있는 일이라 믿기 때문이다. “현재 중점적으로 수행하고 있는 과제는 건설 현장의 안전관리자가 실제로 필요로 하는 수요 기반의 스마트 기술을 개발하는 것입니다. 안타깝게도 건설 분야는 사고사망률이 매우 높은 편입니다. 저는 AI와 비전 기술을 통해 위험 요소를 사전에 감지하고 예방함으로써 사고 발생을 줄이고, 나아가 건설 산업에 대한 부정적인 인식을 개선하는 데 힘을 보태고 싶습니다.” 연구실을 넘어 현장으로, ‘실용’의 가치를 깨닫다 박사 과정 시절의 연구가 학문적 깊이를 더하는 과정이었다면, KICT에서의 연구는 그 기술이 세상에 나와 빛을 보는 과정이었다. 그에게 가장 기억에 남는 순간 역시 자신의 연구가 실제 현장에 적용되었을 때다. 연수직으로 근무하던 2023년, 그는 지역협력 사업을 통해 탈부착형 스마트 안전 기기를 개발하고 이를 실제 건설 현장에 도입했다. 연구실 모니터 속의 알고리즘이 현장 근로자의 안전을 지키는 도구로 변모하는 과정을 지켜보며, 그는 ‘실용적 연구’가 주는 묵직한 보람을 느꼈다. “단순히 논문을 위한 연구가 아니라, 사회적 문제를 고민하고 이를 해결할 기술을 개발해 실제 사회에 기여할 수 있다는 점이 연구자로서 느끼는 가장 큰 보람입니다. 당시 현장에 기술을 적용해 실효성을 검증했던 경험은 제가 KICT의 일원이 되어야겠다고 결심하게 된 결정적인 계기가 되기도 했습니다.” 토목 기술을 전문적으로 다루면서도 사회적 사명감을 잃지 않는 선·후배 동료들의 모습 또한 그를 이곳으로 이끈 강력한 견인력(牽引力)이 되었다. 문제 해결을 위해 치열하게 고민하는 동료들과 함께라면 더 큰 시너지를 낼 수 있으리라 확신했기 때문이다. 코트 위에서는 셔틀콕을, 주방에서는 요리를 연구에 몰입하는 만큼 휴식의 밀도도 중요하다. 공준호 수석연구원은 동료들 사이에서 종종 ‘체육학 박사’로 오해받을 만큼 건장한 외모를 자랑한다. 실제로 그는 만약 연구자가 되지 않았다면 스포츠 산업 분야에서 일했을 것이라 말할 정도로 운동을 사랑한다. 연구가 막힐 때면 그는 배드민턴 라켓을 잡는다. 빠르게 날아오는 셔틀콕에 집중하며 코트를 누비다 보면, 복잡했던 머릿속이 비워지고 새로운 에너지가 차오른다. 또한, 야유회 때면 동료들을 위해 직접 요리를 대접하는 ‘요리하는 연구원’이기도 하다. 자신이 만든 음식을 동료들이 맛있게 먹는 모습에서 연구 성과와는 또 다른 소박하고 확실한 행복을 느낀다. 따뜻한 기술로 그리는 안전한 미래 공준호 수석연구원의 시선은 언제나 ‘사람’을 향해 있다. 차가운 AI 기술을 다루지만, 그 기술이 닿는 곳은 따뜻하고 안전한 삶의 터전이길 바란다. 건설 현장의 사고를 줄이고, 척박한 우주 환경에서도 인류가 활동할 수 있는 기반을 닦는 일. 끊임없는 호기심과 사회적 책임감으로 무장한 그의 융합 기술이 KICT를 넘어 건설 산업 전반에 안전이라는 견고한 둑을 쌓아 올리기를 기대해본다. 미래스마트건설연구본부 게시일2026-01-29 조회수 203
• 건설기술정보시스템(CODIL)의 과거, 현재 그리고 미래 연구자: 정성윤 KICT 미래스마트건설연구본부 연구위원 건설기술정보시스템(CODIL) 소개 건설사업은 일반적으로 계획하고 준공하기까지 수년이 소요되고 한번 집행된 예산은 회수가 어렵다. 구조물이 완공되면 다른 목적으로의 변경도 쉽지 않다. 특히, 구조물에 하자가 발생하면 사회적, 경제적 손해뿐만 아니라 이용자의 안전에도 막대한 영향을 초래한다. 따라서 시공 과정에서 암묵지 성격의 기술과 경험이 뒷받침되어야 한다. 건설사업을 통해 습득한 기술과 경험은 각종 보고서, 원가절감·우수 등 사례집 등에 기록한다. 하지만 이러한 자료는 발주자와 계약자만 가지고 있는 경우가 많다. 건설기술정보시스템 운영팀에서는 건설기술 자료수집에 있어 건설 현장에서 겪는 애로사항을 파악하기 위해 2015년부터 2024년까지 매년 설문조사를 실시하였다. 표 1에서 보듯이 필요로 하는 자료의 소재 파악이 어렵고 자료가 분산되어 원하는 자료 획득에 많은 어려움이 있는 것으로 파악되었다[1]. 이러한 건설 현장의 어려움을 해소하면서 국내 중소·중견 건설 및 건설엔지니어링 업체의 기술경쟁력 강화를 위해 한국건설기술연구원은 국토교통부로부터 위임을 받아 건설기술정보시스템(Construction Technology Digital Library, CODIL)을 운영하고 있다[2]. CODIL은 건설기술 서지정보와 원문 자료를 DB로 구축하여 누구나 무료로 이용할 수 있도록 건설기술정보 유통 체계 구축을 목표로 하고 있다. CODIL은 그림 1과 같이 건설기준, 연구개발, 건설 실무, 정보 광장 등 72,434건의 건설기술정보를 DB로 구축하였다. 2010년 후반부터 건설 현장에서 인공지능을 포함한 스마트 건설기술에 관한 관심이 고조되고 있다. 하지만 단순히 텍스트 기반의 정보 서비스 체계로는 이러한 시대적 변화 요구를 충족시키기에는 한계가 있다. 본 고에서는 건설기술정보시스템의 과거와 현재를 돌이켜 보고 앞으로 어떤 방향으로 건설기술정보 서비스 체계를 발전해야 할지를 모색하고자 하였다. 건설기술정보시스템(CODIL)의 과거와 현재 CODIL은 크게 건설기술정보시스템의 준비 단계(1987~2000), 구축 및 확장 단계(2001~2012), 운영 및 유지관리 단계(2013~현재)로 구분할 수 있다. 준비 단계에서는 1987년에 한국건설기술연구원이 정부 출연 연구기관으로 전환하면서 자료실을 설치하여 운영하였다. 건설업체 해외 현장의 지원에 필요한 해외 국제규격, 해외 기술보고서 등을 오프라인으로 서비스하였다, 1990년대 중반에 PC와 인터넷 보급이 확산되면서 오프라인에서 온라인 방식으로 정보서비스를 전환하기 시작하였다. 1999년에는 건설교통기술혁신 5개년 사업의 일환으로써 전자도서관 구축 계획을 수립하였다. 구축 및 확장 단계에서는 2001년부터 국가지식정보자원관리 사업자로 선정되어 건설기술정보시스템을 구축하기 시작하였다. 2008년부터는 중소 건설업체 중심의 정보서비스 지원을 개시하였다. 이 단계에서는 건설 현장의 서비스 변화 요구에 부응하기 위해 건설전자정보관, 건설교통전자정보관, 국토해양전자정보관, 국토교통전자정보관, 건설기술정보시스템 등으로 명칭이 바뀌었다. 운영 및 유지관리 단계에서는 2013년부터 해외 건설 현장에서 필요로 하는 각종 해외 건설기술/관리정보, 해외사례/동향 정보, 기타 정보(해외규격·기준) 정보를 DB로 구축하였다. 해외 건설기술정보 서비스의 일원화를 위해 2016년에 해외건설기술정보 DB를 해외건설엔지니어링 정보시스템으로 이관하였다. 현재에는 건설공사 실무정보, 원가절감사례정보, 건설보고서, 건설기준, 연구개발, 정보 광장 등 국내 위주의 건설기술정보 DB를 제공하고 있다. 2021년에는 코로나19에 대응 정보와 중소기업 지원정보를 확대하여 서비스하였다[3]. 이러한 노력 덕분에 지난 5년 동안 연평균 3.5백만 명이 CODIL을 방문하였다. 이처럼 CODIL은 정보기술 발전과 이용자의 요구에 부응하면서 국내에서 최고의 건설기술정보 포털플랫폼으로 자리매김하고 있다. 건설기술정보시스템(CODIL)의 미래 2020년대 들어오면서 ChatGPT 등 AI 기술 보급이 급속히 확산되면서 건설 현장에서도 인공지능을 응용한 스마트건설기술에 관한 관심이 높아지고 있다. 특히, 2021년 11월에 「스마트건설기술 활성화 지침」을 시행하면서 스마트건설기술 개발과 지원을 위한 예산 배정을 늘리고 있다. 과거처럼 건설 현장의 변화에 신속히 부응하기 위해서는 단순한 정보 서비스 체계로는 이러한 변화 요구를 만족시킬 수 없을 것이다. 예를 들어, 건설 현장에서 필요한 기술을 예측하고 건설사업 관리 과정에서의 정확한 의사결정에 필요한 정보를 제공하는 등의 인공지능 시대에 부응할 수 있는 정보서비스 체계로의 탈바꿈이 필요한 시기이다. 즉, 앞으로의 10년을 건설기술정보시스템의 고도화 단계라고 할 수 있다. 이를 위해서는 먼저, CODIL에서 구축한 DB를 기초데이터로 하여 건설기술과 관련한 유의어 사전(Thesaurus)을 구축할 필요가 있다. 유의어 사전은 특정 단어가 갖는 암묵적인 동의어, 반의어 등을 개념적, 의미적 (semantic) 연관관계를 규정한 어휘 목록을 말한다. 건설기술 유의어 사전을 구축한다면 AI를 접목한 대부분의 스마트건설기술에서 활용될 수 있다. 두 번째로, 앞으로 늘어날 스마트건설기술 이용자의 서비스 제고를 위한 DB 확충이 필요하다. 예를 들어, 현재 CODIL에서 스토리텔링 형식으로 서비스되고 있는 디지털 트윈, 자율주행, 인공지능(AI) 등 12종의 스마트건설기술과 연관되는 우수사례 및 적용 사례, 공공 및 민간의 보유기술 등의 콘텐츠를 발굴, 가공하여 가상현실에서 체험할 수 있는 새로운 AI 데이터 포털서비스의 전환이 필요할 것으로 사료된다. 참고자료 [1] 정성윤, 김진욱, 건설기술정보 수집 및 이용의 애로사항 변화 추세 분석, 한국콘텐츠학회 2025 종합학술대회, Vol.23. No1, pp.131-132. [2] 건설기술정보시스템, https://www.codil.or.kr. [3] 정성윤, 김진욱, 24 건설기술정보 DB 및 서비스 시스템 운영, KICT 2024-088, pp.11-22. 미래스마트건설연구본부 게시일2026-01-05 조회수 200
• 건설 현장 AI 에이전트: AI 서비스 구현 사례와 미래 방향 연구자 : 원지선 KICT 미래스마트건설연구본부 수석연구원 들어가며 2025년, AI 시장에서 주목해야 할 핵심 기술 키워드는 무엇일까? 엔비디아, 마이크로소프트를 비롯한 글로벌 기업들은 공통으로 ‘AI 에이전트(Agent)’를 지목하고 있다. AI 에이전트란, 주변 환경을 인식하고 자율적으로 의사결정을 내려 행동하는 지능형 시스템을 의미한다(허정준, 2024). 쉽게 말해, 인간의 개입 없이도 독립적으로 판단하고 주어진 목표를 달성하는 인공지능 파트너이다. 머지않아 건설 산업에도 AI 에이전트 시대가 도래할 것으로 예상된다. 앞으로 우리는 어떤 능력을 갖춘 ‘AI 감독관 에이전트’와 협력하며 건설 현장을 관리하게 될까? AI 에이전트 발전 단계 자율주행 기술이 완전 자율주행까지 여러 단계로 구분되듯, AI 에이전트 기술 또한 범용 인공지능까지 여러 단계로 구분된다. 학계와 산업계에서는 AI 에이전트의 발전 단계를 다양한 관점에서 정의하고 있다. 한 AI 플랫폼 기업에 따르면, 범용 인공지능은 하나의 큰 모델이 아니라 수백 개의 AI 에이전트가 협력하는 형태로 구현되며, AI 에이전트의 발전 과정은 다음과 같이 4단계로 구분된다(Jaeman An, 2024). 1단계는 특정 태스크를 처리하는 AI 모델을 활용한 AI 서비스 단계이다. 2단계는 여러 AI 모델을 결합해 작업 흐름을 자동화하는 AI 에이전트 역할을 하는 AI 파이프라인 단계이다. 3단계는 특정 도메인 내에서 여러 AI 파이프라인을 결합해 복합적인 문제를 해결하는 특화 AI 시스템 단계이다. 4단계는 여러 도메인에서 작업이 가능한 수백 개의 특화 AI 시스템이 통합된 범용 AI 시스템 단계이다. 각 단계는 이전 단계의 기술을 기반으로 활용하여 점점 더 복잡한 문제를 해결하는 방향으로 발전할 것으로 보인다. 현재 AI 기술은 특정 태스크 모델을 활용한 AI 서비스 구축과 이를 결합하는 초기 파이프라인 단계에 집중되고 있다. 이 글에서는 도로 건설 현장 민원 분석에 특화된 3개의 태스크 모델과 이를 활용한 AI 서비스 프로토타입을 소개하고, 다음 단계로 발전하기 위한 고도화 방안을 제시한다. AI 에이전트 1단계 구현 사례 – 도로 건설 현장 공문 기반 AI 민원 분석 서비스 한국건설기술연구원은 AI 전환 시대에 대비하고, 데이터 기반 건설사업관리 기술을 확보하기 위해 AI 서비스를 발굴하고 있다. 건설 종사자 50인을 대상으로 현장에서 필요한 AI 수요를 조사한 결과, 예측이 어렵고 경험이 부족한 리스크 관리 업무에 AI 도입 요구가 컸으며, 특히 공사현장 민원 대응에 대한 수요가 높았다. 이에 따라, 현장 민원 대응 과정에서 발생하는 정보 활용 문제를 해결하기 위해 개발한 AI 서비스 프로토타입을 소개하고자 한다. 일반국도 건설공사 현장의 민원 데이터는 국토교통부 건설사업관리시스템의 공문을 통해 연간 5천 건 이상 축적되고 있다. 현장 수요 기반의 AI 서비스를 개발하기 위하여 감리단 인터뷰(7인)와 설문조사(30인)를 실시하여 민원 업무수행 시 문제점과 요구사항을 파악하고, 문제 해결에 필요한 기능을 도출하였다. 도출한 기능의 우선순위 평가를 통해 업무 중요도가 높고, 보유한 민원 데이터를 활용하여 빠르게 구현 가능한 기능을 선정하였다(신재영, 원지선, 2024). 전체 기능 중 AI를 도입해 민원 데이터 분석의 효율성을 높일 수 있는 기능을 선별하였다. 민원 데이터의 특성을 분석한 결과, 방대한 공문 데이터에서 20가지 도로 민원 유형을 자동으로 분류하고, 핵심 항목인 민원의 원인, 요구사항, 관련 시설을 신속히 추출하는 태스크에 AI 모델을 적용하는 것이 효과적이라고 판단하였다. 이에 따라 민원 분석 자동화를 위한 ‘민원 유형 분류 모델’, ‘민원 요구/요구 인식 모델’, ‘시설 인식 모델’을 개발하였다. 3가지 태스크를 처리하는 AI 모델을 구축하기 위해 7년간 축적된 감리단 공문과 첨부파일을 수집하고 텍스트 파싱(parsing)과 불용어 제거 등의 전처리를 통해 총 37,926개의 원천 데이터셋을 확보하였다. 태스크별 라벨링 기준과 데이터 증강 기준을 수립하여 훈련 데이터셋을 구축한 후, 사전학습 모델인 ‘KoELECTRA-BASE-v3’을 전이학습 방식으로 파인 튜닝(fine tuning)하여 최적화된 모델을 개발하였다. 민원 분석에 특화된 3개의 태스크 모델은 실시간 추론 방식과 추론 DB 활용 방식으로 기능에 적용되었으며, 감리단은 3가지 민원 업무 상황(현황 파악, 사전 예방, 민원 해결)에 따라 AI 서비스를 다음과 같이 활용할 수 있다. 상황 1. 현황 파악 (1) AI 민원 통계 서비스: 일반국도 현장의 민원 특성과 현황 파악이 필요한 상황에서 ‘통계 대시보드’를 통해 민원 추이와 통계를 파악하고, ‘키워드 분석’에서 키워드(예: 실정보고, 불법, 보상 등)에 대한 관련 민원 유형, 빈도, 원인, 요구 사항을 분석한 결과를 확인한다. 상황 2. 사전 예방 (2) 중점 관리 이슈 분석 서비스: 민원을 예방하고 사전 대응하기 위해 감리단이 중점 관리하고자 하는 3대 시설인급·배수시설, 전력/통신시설, 건조물/축사에 대한 민원 통계, 추이, 키워드 분석 결과 등을 파악하고, 감리단이 사전에 파악하고자 하는 이슈인 제3자 피해, 공사 중지, 공사비 변경에 대한 분석 리포트를 확인한다. 상황 3. 민원 해결 (3) AI 문서 분석: 신규 접수된 민원 공문을 업로드하거나 내용을 입력하면, AI 모델에 의해 민원 유형(예: 침수, 토사유출), 원인(예: 집중호우), 요구사항(예: 태풍 피해 복구용 토사 지원), 관련 시설(예: 교각, 토사)의 추론 결과가 출력되어 민원 핵심 내용을 신속하게 파악한다. (4) AI 유사 민원 검색: 파악한 민원 내용과 유사한 사례를 찾기 위해 검색창에 민원 유형, 시설명, 공문 제목 등의 검색어를 입력하면 유사도가 높은 순으로 10개의 민원 사례가 표시되며, 사례별로 분석된 민원 유형, 원인, 요구사항을 검토하고 필요한 원문을 다운로드하여 민원 해결방안 제시와 민원 검토의견서 작성에 활용한다. AI 에이전트 2단계 고도화 방안 – 랭체인 프레임워크 도입과 RAG 활용 앞서 소개한 AI 민원 분석 서비스는 사용자가 기능을 통해 AI 모델을 호출하거나, 추론 결과가 저장된 DB를 활용하는 방식으로 운영된다. 현재의 서비스가 AI 파이프라인 단계로 발전하기 위해서는 여러 AI 모델과 데이터 처리 태스크를 결합하여 작업 흐름을 자동화하는 AI 워크플로(Workflow) 자동화 프레임워크의 도입이 필요하다. 대표적인 AI 워크플로 자동화 프레임워크로는 ‘랭체인(LangChain)’, ‘AWS SageMaker’, ‘Apache Airflow’ 등이 있으며, 이는 모델 훈련, 데이터 처리, 배포 같은 작업을 자동화하고, 여러 모델 간 데이터 흐름을 연결하며, 워크플로 관리 및 확장성을 제공한다. 이 중 ‘Language’와 ‘Chain’의 합성어인 랭체인은 대규모 언어 모델(Large Language Model, 이하 LLM) 기반 서비스를 쉽게 개발할 수 있도록 돕는 오픈소스 프레임워크이다(박태웅, 2024). 현재 LLM을 활용한 AI 서비스 개발 표준으로 자리 잡고 있다. 랭체인은 다양한 LLM을 유연하게 연동할 수 있도록 지원하며, 실시간 정보 검색 및 문서 기반 응답을 제공하는 검색 증강 생성(Retrieval-Augmented Generation, 이하 RAG) 기능을 통해 자연어 처리 기반의 AI 파이프라인 구축에 강점을 가진다. RAG는 기존 LLM이 사전 학습된 데이터에만 의존하는 방식에서 벗어나, 외부 DB 또는 검색 시스템과 연계하여 최신 정보를 실시간으로 반영하는 기술이다. RAG는 내부 DB, 클라우드, 웹 등 다양한 소스와 연결될 수 있어 AI 에이전트의 응답 품질을 개선하고 활용 가능성을 크게 확장시키는 기술로 평가받고 있다. RAG 모델을 활용하면, 실시간 정보를 기반으로 더욱 정확하고 풍부한 답변을 생성할 수 있으며 지능형 문서 검색, 요약, 대화형 챗봇, 데이터 분석 보고서 생성 등 다양한 LLM 기반 AI 에이전트의 구현이 가능하다. 이와 같이 랭체인과 RAG를 도입하여 파인튜닝한 민원 분석 특화 AI 모델에 LLM 및 RAG 모델을 결합하면, 접수된 민원을 실시간으로 분석하고, 과거 민원 사례 검색 결과를 바탕으로 민원 검토 의견서를 자동 작성해 주는 ‘민원 대응 AI 에이전트’로 고도화할 수 있다. 마치며 AI 에이전트는 앞으로 멀티모달 데이터 학습, 강화 학습 기반 자율학습, 메타버스 연동 등을 통해 더 많은 능력을 갖추게 될 것이다. 건설 현장에 AI 에이전트의 활용 경험이 확산될수록 단일 에이전트뿐만 아니라 다중 에이전트 협업 방식도 활성화될 것으로 예상된다. 단순한 업무 자동화를 넘어, 건설 현장의 복잡한 문제를 해결하는 ‘AI 감독관 에이전트’와 협력하는 날이 오기를 기대해 본다. 참고자료 허정준(2024) “LLM을 활용한 실전 AI 애플리케이션 개발”, 책만. Jaeman An (2024) “Compound AI System : From AI Agents to AGI”, 2024 AI Summit Seoul. 신재영, 원지선(2024) “건설 현장 종사자 수요 기반 AI 민원 분석 서비스 구축 방안”, 한국산학기술학회 논문지, Vol. 25, No. 11, pp. 562-572. 박태웅(2024) “박태웅의 AI 강의 2025”, 한빛비즈. 미래스마트건설연구본부 게시일2025-06-16 조회수 2312
• 일본건설정보종합센터(JACIC)의 「i-Con 챌린지 전략」 소개 일본건설정보종합센터(JACIC)의 「i-Con 챌린지 전략」 소개 ▲ 정성윤 KICT 미래스마트건설연구본부 연구위원 들어가며 일본건설정보종합센터(Japan Construction Information Center, 이하 JACIC)는 일본 공공 건설사업의 효율화와 건설기술 향상을 촉진하기 위해 건설정보시스템의 조사, 연구, 개발, 운영, 제공 및 보급 등을 수행하는 일반재단법인이다. JACIC의 활동 중 건설사업 정보화를 통한 사업 참여자 간 디지털 데이터 활용과 공유의 효율화를 꾀하기 위해 BIM/CIM(Building/Construction Information Modeling) 등 3차원 데이터의 활용에 관한 조사, 연구와 함께 관련 요령과 기준 개정을 지원하고 있다. 일본 국토교통성에서는 2018년 5월에 3차원 데이터 활용을 촉진하기 위해 i-Construction(이하 i-Con)의 본격적인 추진과 함께 클라우드 기술을 활용한 플랫폼 정비 계획인 「i-Con 챌린지 전략」을 발표하였다. 이 글에서는 JACIC의 「i-Con 챌린지 전략」의 개념과 방향을 살펴보고 국내 공공 건설사업에서 3차원 데이터 활용을 위한 클라우드 구축과 DX(디지털 전환)로의 전환 필요성을 제시하고자 한다. JACIC의 주요 활동 JACIC은 건설 정보화를 통한 건설기술 향상, 건설사업 효율화, 안전하고 효과적인 국유지 이용 촉진을 목적으로 1985년에 설립되었다(일본건설정보종합센터 정관). JACIC에서는 공사·업무실적정보시스템인 콜린스/테크리스(CORINS/TECRIS)1, 적산 시스템, 전자 입찰 핵심 시스템, 건설 부산물 및 건설 발생토 정보교환시스템 등 여러 건설정보시스템을 운영하고 있다. 또한, 건설사업 과정에서 생성되는 각종 정보를 수집, 가공, 축적, 디지털화와 함께 효율적인 정보의 활용과 공유를 하기 위한 JACIC 클라우드 구축과 BIM/CIM의 홍보·보급 등을 지원하고 있다. 한국에서 추진중인 건설CALS와 유사하게 JACIC은 공공 건설사업의 전생애주기 과정에서 생성하는 각종 도면, 지도, 문서, 사진 등의 정보를 디지털화하기 위한 표준화를 진행하였다. 통신 네트워크를 이용하여 사업 이해관계자와 업무 프로세스 간에 표준화된 정보를 효율적으로 교환, 공유, 조정할 수 있는 환경을 조성하기 위한 CALS/EC 액션 프로그램을 추진하였다(CALSE/EC アーカイブ). 「i-Con 챌린지 전략」 추진 방향 JACIC은 2005년부터 공공 건설사업의 생애주기에 거쳐 생성되는 정보의 일원화, 업무 효율화, 품질 확보 및 비용 절감을 꾀하기 위해 BIM/CIM/GIS 기반의 3차원 데이터에 관한 조사 연구, 관련 기준 요령과 기준 개정 지원, BIM/CIM 추진 위원회를 운영하고 있다. 효율적으로 추진하기 위해서는 건설 현장에서 3차원 데이터의 활용과 공유를 촉진하기 위한 플랫폼의 필요성을 인식하였다. 특히, 2000년에 일어난 코로나-19가 확산함에 따라 사회적으로 사업 참여자 간의 비대면이 강조되었다. 일본 국토교통성은 클라우드 기술을 활용하여 3차원 데이터의 활용과 공유를 위한 플랫폼을 정비하는 「JACIC의 i-Con 챌린지 전략」을 발표하였다. 이 전략을 이행하기 위해 2022년까지 25차에 거쳐 챌린지 전략을 개정하였다. 또한, JACIC 내에 i-Con 챌린지 팀을 설치하였고 주제별로 프로젝트팀(PT)을 운영하고 있다. JACIC 클라우드는 단순한 정보인프라가 아니라 건설사업 참여자 간에 측량, 조사, 설계, 시공, 유지관리, 온라인 전자 납품까지의 건설관리 노하우를 공유하는 플랫폼의 성격을 갖는다. JACIC은 국토교통성의 직할 건설사업에 대해 BIM/CIM을 중심으로 한 i-Con 기반의 클라우드 활용을 원칙으로 하였다(「i-Con」チャレンジ戦略). 그림 1은 JACIC에서 구상한 클라우드의 전체 이미지를 나타낸 것이다(JACIC, 2020). 1) 공공 조달 정보를 제공하기 위해 기업이 발주한 공공사업 또는 운영의 결과를 수집하여 공공발주기관과 계약업체 모두에게 제공하는 시스템을 말한다. 공공사업의 ‘건설’에 대한 실제 데이터는 Collins에 등록되어 있으며, ‘사업’의 성과 데이터는 Tekris에 등록하는 정보를 의미한다. JACIC 클라우드는 아래와 같이 크게 4개의 기능을 제공한다. - 게이트웨이(이용자나 정보 서비스, 데이터, 모델 등의 인증, 인가·이용자의 서비스에 관한 이용 권한 관리) - JACIC 룸(웹 회의, 뷰어, 파일 공유) - 허브(API 등을 통해 다른 클라우드 서비스와 데이터베이스와의 정보 서비스 연계) - 정보 서비스 제공(JACIC에서 운영 중인 정보 시스템, 온라인 전자 납품, 360° 카메라 현장 파악, 3차원 통합 모델의 활용 등 서비스) 등 향후 JACIC의 ‘i-Con’ 챌린지 전략 방향 및 시사점 일본의 건설 업계에서는 「JACIC의 i-Con 챌린지 전략」을 통해 새로운 역량으로의 건설 현장 전환을 위한 DX(Digital Transformation)2에 관한 관심을 두게 되었다. JACIC은 JACIC 클라우드를 통한 새로운 서비스 기술로써 DX를 추진 전략으로 구상하였다(家⼊ ⿓太 ,2020). JACIC에서 구상하는 DX는 건설사업의 프로세스 정보를 비롯하여 건설 현장에서 영상정보를 수집하여 시각화하고 사업 참여자 간에 효과적으로 활용하는 새로운 건설사업 관리 방식으로의 혁신 전략이다. 한편, 한국에서는 건설사업 관리에 필요한 정보시스템을 여러 기관에 분산하여 운영하고 있다. 공공 건설사업 관리에 유용하게 활용·공유할 수 있는 「I-Con 챌린지」와 같은 전략과 클라우드 플랫폼이 부재한 실정이다. 따라서, 전통적인 건설사업 관리 방식과 서비스를 혁신할 수 있도록 기존 정보시스템 간의 API 연계와 건설 ICT 기술을 응용한 클라우드 네이티브(Cloud Native) 구축을 고려한 DX로의 전환을 위한 연구가 필요한 시기라고 생각한다. 2) 인공지능, 빅데이터 스마트 기술 등 여러 정보통신기술(ICT)을 플랫폼으로 구축하여 새로운 서비스, 비즈니스 프로세스, 기업 문화 등을 혁신하는 것을 말한다. 참고자료 一般財団法人日本建設情報総合センター 定款. CALSE/EC アーカイブ, https://www.cals.jacic.or.jp/archive.html ｢i-Con」チャレンジ戦略, https://www.jacic.or.jp/etc/ jacic_challenge_menu2.html JACIC (2020) JACIC‘i-Con’チャレンジ戦略－ICT 活用による新現場力の構築－. 家⼊ ⿓太 (2020) BIM/CIMとクラウドでi-ConはDXへと進化す, JACICソリューション報告会. 미래스마트건설연구본부 게시일2025-03-14 조회수 771
• 북극권 플랜트 건설을 위한 저온 지반 다짐 기술 개발 북극권 플랜트 건설을 위한 저온 지반 다짐 기술 개발 - 영하 10℃ 저온환경에서의 지반 다짐 및 평가 기술 ▲ 미래스마트건설연구본부 한국건설기술연구원은 북극권 에너지자원플랜트 건설을 위해 영하 10℃의 저온 환경에서도 안정성을 확보할 수 있는 지반 다짐 기술을 개발했다. 북극권의 비전통오일은 2000년도 이후 생산되기 시작했으며, 약 9조 배럴의 가채매장량으로 전통오일의 약 4조 배럴 대비 2배 이상이라고 보고되고 있다. 특히 캐나다의 오일샌드 매장량은 전 세계 매장량의 71.6%에 달하며 하루 약 300만 배럴이 생산되고 있다. 오일샌드가 많이 매장되어 있는 캐나다 애서배스카(Athabasca) 지역은 고위도에 있어 동절기가 길고 겨울철 최저기온이 약 영하 20℃까지 떨어지며, 지반이 얼고 녹는 과정에서 지표면의 융기와 침하가 반복된다. 특히, 오일샌드 매장 지역에는 동결·융해에 민감한 유기질토가 많이 분포되어 있어 겨울철 지표면이 융기되고 침하하는 양이 일반적인 지반보다 크게 발생한다. 이에 건설연 북방인프라특화팀(팀장 김영석 선임위원)에서는 저온 환경에서도 유기질 지반의 다짐을 확보할 수 있는 지반 다짐 기술과 동결·융해를 고려한 지반 거동 시뮬레이션 모델을 자체 개발하였다. 우선 유기질토의 저온 다짐 특성을 평가하기 위하여 영하 20℃까지 온도 조절이 가능한 냉동 체임버에서 실내 다짐시험을 수행하였다. 규사와 캐나다산 유기질토를 혼합하는 방법으로 캐나다 유기질 지반을 재현하였으며, 이 과정에서 -4℃에서 다짐 곡선을 확보할 수 있는 실내 다짐시험 장비를 개발하였다. 이와 더불어 경기도 연천군에 위치한 건설연 SOC실증연구센터에서 실규모(폭 8 m×길이 8 m×깊이 3 m)의 현장 다짐시험장을 구축하였다. 동절기에 캐나다 유기질 지반을 조성하고 최대 약 영하 10℃의 저온 환경에서 동결·융해에 따른 지표면 융기 및 장기 침하 특성을 평가하였다. 실내 다짐시험과 연계하여 유기질 지반의 다짐도를 확보할 수 있는 현장 다짐 기법을 검증하였으며, 반복적인 동결·융해에 따른 거동 분석을 위하여 장기 모니터링을 수행 중이다. 또한 동결·융해를 고려한 지반 거동 시뮬레이션 모델도 구축하였다. 실제 측정된 온도 데이터를 적용하여 뒤채움 지반의 동결·융해를 모사하고, 이에 따른 토압 및 변위를 평가하였다. 이 모델은 현장 다짐시험 계측 결과와 수치해석 결과를 비교하여 검증하였으며, 실제 측정된 온도 데이터를 통해 지반의 동결·융해를 모사하기 때문에 현장의 저온 환경을 100% 재현할 수 있다는 장점이 있다. 연구팀은 연구 개발 성과에 대한 성능 및 실용화를 검증하기 위하여 건설연 SOC실증연구센터에서 현장 실증을 계획하고 있다. 이 현장 실증은 상용 오일 파이프라인을 직접 매설하고 저온 환경을 조성할 수 있는 시스템을 구축함으로써 캐나다 현장 조건을 100% 재현한 상태에서 다양한 조건의 성능 평가가 가능하리라 기대된다. 그뿐만 아니라 한국지질자원연구원, 캐나다 현지 자원개발 업체인 PetroFrontier Corp.와의 국제공동연구를 통해 개발 기술의 캐나다 현장 실증을 검토 중이다. 개발 기술은 0℃ 이하의 저온 환경에서도 지반 다짐이 가능하여, 북극권과 같이 동절기가 긴 지역에서도 충분한 공사 기간을 확보할 수 있다. 또한 우크라이나의 흑토지대와 같이 유기질토가 많은 지역에서 동결·융해로 인한 지표 변위를 최소화할 수 있을 것이라 판단된다. 박선규 원장은 “이번 연구를 통해 동절기 토공사의 공사 기간을 확보하기 위한 핵심 기술을 개발한 것으로, 우리나라 기업들의 미래 북극권 플랜트 건설 신시장 개척에 기여할 수 있게 되었다”라면서 “연구 개발을 통해 국내 유관기관, 기업 등에 관련 기술 등을 공유할 수 있도록 노력하겠다.”라고 밝혔다. 본 연구는 국토교통부의 재원으로 국토교통과학기술진흥원의 지원을 받아 수행되었다. 미래스마트건설연구본부 게시일2025-01-22 조회수 225
• Live 디지털 트윈을 위한 도심지 동적 공간정보 구축 Live 디지털 트윈을 위한 도심지 동적 공간정보 구축 ▲ 윤준희 KICT 미래스마트건설연구본부 연구위원, 김지은 KICT 미래스마트건설연구본부 전임연구원 Static 디지털 트윈에서 Live 디지털 트윈으로 국토 디지털 트윈 기술은 Static 디지털 트윈에서 Live 디지털 트윈으로 진화하고 있다. 2003년 마이클 그리브스 (Michael Grieves) 박사는 물리 세계와 가상 세계의 트위 닝(혹은 미러링)을 통해 상호작용을 구축하고 지능화를 이룰 수 있다는 ‘디지털 트윈’ 개념을 주장하였다. 이후 데이터의 전송과 가시화, 그리고 플랫폼 기술이 발전하면서 다양한 분야에서 디지털 트윈과 이를 위한 플랫폼 구축 기술이 발전하였다. 건설 및 국토관리 차원의 디지털 트윈은 건물, 도로, 지형 등의 ‘형상 정보’와 인구이동, 교통흐름, 기상변화, SOC 변화 등의 ‘현상 정보’를 융합하여 해석하고 가시화함으로써 다양한 사회문제를 해결하는 기술이라고 볼 수 있다. 현재까지의 국토 디지털 트윈은 주로 형상 정보를 분석하여 가시화/플랫폼화하는데 집중되었고 따라서 그 분석의 범위 또한 한계가 있었다. 이제는 현상 정보에 주목할 때다. 형상 정보 플랫폼인 Static 디지털 트윈에 더해 준실시간 현상 정보가 결합됨으로써 진정한 Live 디지털 트윈이 완성될 것이다. Live 디지털 트윈을 위한 동적 공간정보 Live 디지털 트윈을 위해서는 동적 공간정보의 구축이 필수적이다. 정보를 디지털 트윈 플랫폼에 저장하고 추출하여 가시화하고 분석하기 위해서는 각 정보의 위치와 속성이 취득되고 저장되어야 한다. 위치와 속성이 부여된 정보를 공간정보(Spatial Information)라 부른다. 디지털 트윈의 구축 차원에서 공간정보는 형상과 현상의 관점으로 세분하여 정적 공간정보와 동적 공간정보로 그 개념을 분리하여 지칭할 필요가 있다. 정적 공간정보를 건물, 도로 등 장기적으로 실존하는 공간정보라고 한다면 동적 공간정보는 보행자, 차량, 시설물 파손 등 SOC 입장에서 일시적으로 존재하다가 변화되거나 사라지는 공간정보(Dynamic or Temporary Spatial Information)라고 정의할 수 있다. 정적 공간정보는 갱신 필요 주기가 수일에서 수개월 정도라고 할 수 있다. 국토교통부와 자치단체 등에서 법령에 의거하여 구축하고 있으며 구글, 네이버, 카카오 등에서도 자체적으로 구축하여 사용하고 있다. 한편, 동적 공간정보는 필요 갱신 주기가 수분에서 수일 정도이다. 동적 공간정보의 공간적 객체적 대상은 현재 간선도로 이상의 도로에서 차량을 대상으로 CCTV, 프로브카(Probe car, 교통 정보 수집 차량), 운전자의 제보 등으로 그 정보가 제공되어 갱신 주기와 공간인식 범위에 한계가 존재한다. 최근 영상기반 인공지능, IoT, 드론, UAM(Urban Air Mobility), 인공위성 기술의 발전과 함께 그 한계 극복이 가능해지고 있다. 한국건설기술연구원의 동적 공간정보 구축기술 한국건설기술연구원은 2022년부터 디지털국토정보기술개발 사업(국토교통과학기술진흥원)의 4핵심, ‘차세대 디지털 국토정보 구축을 위한 고정/이동 플랫폼 기반 동적주제도 구축기술 개발’ 과제(총 182억 원)의 주관기관으로서 동적 공간정보를 준실시간으로 구축하고 갱신하여 표현하는 기술을 개발하고 있다. 본 과제는 도시 내 이동하는 객체와 변화하는 현상 등의 생활 SOC에서 발생하는 동적 공간정보라 정의하고, 고정센서(CCTV, WiFi 등)와 이동센서(드론 스테 이션)로 지속적 준실시간 감지·추적을 통해 다양한 사회문제 해결을 위한 동적정보 주제도 구축 기술 개발을 목표로 한다. CCTV는 24시간 관제가 가능한 수단이나 대상 지역이 좁은 단점이 있다. 드론(스테이션)은 관제 지역이 넓은 장점이 있으나 24시간 관제할 수 없는 단점이 있다. 본 과제에서 는 두 플랫폼의 장점을 융합하여 도심지역을 관제하고자 한다. 그림 1은 지상 고정 및 상공 이동센서 기반의 도시 관제 개념을 표현하고 있다. 과제는 크게 ‘고정플랫폼 기반 동적정보 수집 기술 개발’, ‘이 동플랫폼 기반 동적정보 수집 기술 개발’. ‘동적정보 분석, 예측 및 표현기술 개발’의 3개 핵심기술과 각각을 구성하는 총 6개 핵심 요소기술로 구성되어 있다(그림 2). ‘고정플랫폼 기반 동적정보 수집 기술 개발’ 분야는 ‘고정플 랫폼 이종센서 연계 및 이동체정보 수집기술 개발’ 파트에서 CCTV, WiFi, 블루투스 등 고정되어 있는 센서 장비와 연계하여 객체 검출 및 추적 기술을 활용하여 실시간으로 이동체를 검출하고 추적한다. 고정플랫폼 환경 분석 및 센서별 정보 취득·수집 방안을 연구하여 이종센서 데이터를 활용한 이동체 위치 전송·저장 데이터 모델링, 이종센서 연계 및 이동객체 인식·분류, 이종센싱 환경의 이동객체 위치정보 추출 기술을 개발한다. 두 번째로 ’고정플랫폼 연계 기반 시계열 이동체정보 연속 추적기술 개발‘ 파트에서 한정된 지역을 감시하는 고정 센서 장비와 연계하여 도시 내 이동체의 연속적 시계열 위치정보를 지속적으로 추적하기 위해, 연속 위치추적을 위한 이종센서 간 이동체 데이터 모델 과 동종/이종센서 간 이동객체 위치 핸드오버 기술 개발에 나서고 있다. ‘이동플랫폼 기반 동적정보 수집 기술 개발’ 분야 내 ‘동적정보 수집 및 AI 학습데이터 구축기술 개발’ 파트는 도심 내 동적정보를 수집하고 이를 활용한 AI 학습데이터를 구축하고자 한다. 이를 위해 AI 학습데이터 수집을 위한 동적정보 수집용 드론/이동플랫폼/운용시스템을 테스트베드별 지역의 특성을 고려하여 구축하고, 학습데이터 수집을 위해 학습데이터용 변환 및 자동분류, 주제별 다차원 동적정보 데이터셋 구축 자동화 기술을 개발한다. ‘지식/학습 기반 동적정보 인식기술 개발’ 파트에서는 이동플랫폼에서 관측된 데이터를 이용한 지식/학습 기반의 동적정보 인식/통합 알고리즘을 개발하고 고정-이동플랫폼의 협업형 연속적 객체인식을 목표로 한다. 동적정보 인식 최적화를 위한 객체별 데이터 전처리 기술과 객체별 동적정보 인식/분류 및 상황탐지 기술을 토대로 시공간 변화를 고려한 동적정보 데이터 통합 알고리즘을 개발하고, 이를 가시화하기 위한 고정-이동플랫폼의 협업형 객체 관측 기술을 개발하고 있다. 마지막으로 ‘동적정보 분석, 예측 및 표현기술 개발’ 분야는 앞선 두 분야의 결괏값을 토대로 데이터를 분석하고 이를 동적주제도로 구축한다. ‘이동맥락정보 기반 동적정보 분석 및 예측기술 개발’ 파트는 고정/이동플랫폼에서 수집되는 객체 단위의 이동체 정보와 정적데이터를 연계한 이동체 맥락정보를 생성하고, AI를 적용한 이동체 분석 및 예측이 목표이다. 이를 위해 이동맥락정보 생성을 위한 정적데이터 연계 및 데이터마이닝, 이동체 시계열 패턴정보 및 맥락정보 생성 기술, 맥락정보 기반 이동체 분석/예측을 위한 AI 적용 기술을 개발하고 있다. 마지막 ‘동적주제도 구축 및 갱신기술 개발’ 파트에서는 앞서 개발한 동적정보를 활용하여 사용자 맞춤형 동적주제도를 구축하고 갱신하고자, 공공/민간 분야 측면에서 동적주제도 서비스모델을 발굴하고, 위치, 시간, 상태 등 다차원 동적 정보의 2D/3D 가시화 기술, 사용자 맞춤형 동적주제도 구축 및 갱신기술 개발 등의 연구를 수행하고 있다. 그림 3은 동적 주제도의 예시를 표현하고 있다. 과제는 특히 1차 연도부터 성공적인 과제 실증을 위하여 조기 테스트베드를 구축하고 연차별 성과물들을 검증하고 있다. 한국건설기술연구원에서 기수행 완료한 지능형방범연구단, 실감형재난연구단의 실증 지자체인 안양시를 대상으로 기존 실험 인프라 활용을 포함하여, 안양시 테스트베드 내 드론/운영플랫폼 구축, 과제에 필요한 CCTV 영상, IoT 센싱 데이터 등 실제 도심 데이터 취득 활용으로 긴밀한 협조체계를 통해 연구 개발 실증 리스크를 최소화하고자 한다. 또한 동적주제도의 경우, 주요 공공기관, 지자체, 민간업체 수요처를 대상으로 주기적 실용화 자문회의를 거쳐 사용자 지향형 수요 기반의 동적주제도를 발굴하고 구현 중이다. 미래스마트건설연구본부 게시일2024-11-22 조회수 1211
• AX 시대, 건설업계 AI 도입 수요 현황 AX 시대, 건설업계 AI 도입 수요 현황 ▲ 원지선 KICT 미래스마트건설연구본부 수석연구원 들어가며 출시 두 달 만에 사용자 1억 명을 돌파한 챗GPT에 이어 온디바이스(On-Device) AI와 생성형 AI 기능이 탑재된 AI 스마트폰까지 … 멀게만 느껴지던 인공지능은 일상에 스며들고 있으며, 일상을 넘어 비즈니스에 적용은 ‘선택’이 아닌 ‘필수’가 되고 있다. 새로운 AI 기술이 등장할 때마다 나의 업무에 어떻게 적용하고 앞으로의 전략은 어떻게 세워야 할까를 끊임없이 고민하게 되는 시대이다. AI 기술 발전 속도가 빨라지면서 AI 대전환(AI Transformation, AX)은 ‘미래’의 일이 아닌 ‘현재’의 화두(전자신문, 2024)가 되고 있다. 다가오는 AX 시대, 건설업계 종사자들은 AI 기술을 어느 업무에 적용하고 싶어 하고, 도입과정에서 어떤 어려움을 겪고 있을까? 한국건설기술연구원은 건설 AI 도입에 대한 업계의 인식과 수요를 파악하기 위해 주요사업(미래 건설산업 견인 및 신시장 창출을 위한 스마트 건설기술 연구, 2022년~2023년)을 통해 설문조사를 실시한 바 있다(한국건설기술연구원, 2022). 환경 변화로 설문조사 결과가 현재의 수요를 정확히 대변하기는 어렵지만 미래 방향 설정과 대응에 도움이 되길 바라며 일부 내용을 소개하고자 한다. 설문조사 개요 및 응답자 특성 설문조사 전체 항목은 ① 소속기관의 AI 도입 현황 및 계획, ②건설분야 AI 도입 인식, ③ 건설분야 AI 도입 수요, ④ 건설분야 AI 도입 장애요인 및 생태계 조성방안으로 구성된다. 이 글에서는 AI 시장 상황에 따라 답변의 변화가 클 것으로 예상되는 ①번과 ②번 항목은 제외하고 AI 기술을 우선 도입하고 싶은 건설 업무를 조사한 ③번 항목과 중장기적으로 건설산업에서 대응이 필요한 ④번 항목의 분석 결과를 중점적으로 다루었다. 설문조사는 건설업계 종사자 대상으로 진행하였으며 총 107명이 참여하였다. 건설 업무에 AI 기술을 활용한 경험이 있는 사람은 49.5%, 없는 사람은 50.5%로 거의 동등한 비율을 보였다. 응답자의 소속기관은 설계사가 29%, 공사/공단이 22.4%, 학계/연구원이 16.8%이며, 담당업무로는 설계와 시공업무 담당자가 각각 32.8%와 21.5%로 절반 이상을 차지했다. 응답자의 약 82%는 10년 이상 경력을 가진 종사자이며, 담당하는 시설분야는 건축과 도로가 각각 42.1%, 34.6%로 큰 비중을 차지했다. 건설분야 AI 도입 수요 현황 건설분야의 AI 도입 수요를 조사하기 위해 건설 단계별로 AI 도입이 가능한 업무 목록과 업무별 AI 적용 사례를 제시한 후, AI 기술 도입이 시급하게 필요하다고 생각하는 업무를 우선순위에 따라 선택하도록 했다. 이 글에서는 우선순위 1순위 업무에 대한 통계와 응답자 특성에 따른 수요 분석 결과 일부를 선별하여 설명하였다. 기획·설계 단계 기획·설계 단계의 수요는 그림 2에 표현된 8개의 업무를 기준으로 조사하였다. 전체 종사자와 기획·설계 업무 담당자의 수요 비교 현황과 AI 활용 경험 유무에 따른 수요 분석 결과는 다음과 같다. 전체 종사자와 기획·설계 업무 담당자 그룹은 공통적으로 최적 설계안 도출 및 설계특성 추출을 위한 ‘설계 분석 및 해석’, 개산견적 예측과 같은 ‘공기 및 공사비 산정’, 다양한 설계안 생성과 같은 ‘설계 기획 및 계획’에서 높은 수요를 보였다. 두 그룹은 8개의 세부 업무에 동일한 우선순위를 부여했다. 건설 AI 활용 경험 유무에 따른 수요를 비교해 보면, ‘설계기획 및 계획’에서 경험이 있는 그룹이 경험이 없는 그룹보다 눈에 띄게 큰 수요를 나타냈다. 이는 실무에서 AI 기반 설계 자동화 솔루션의 활용 경험으로 인해 도입 효과에 대한 기대치가 반영된 것으로 분석된다. 시공 단계 시공 단계의 수요는 그림 3에 표현된 5개의 업무를 기준으로 조사하였다. 전체 종사자와 시공 업무 담당자의 수요 비교 현황과 건설분야 종사기간에 따른 수요 분석 결과는 다음과 같다. 전체 종사자와 시공 업무 담당자 그룹은 공통적으로 사고 예측, 재해사례 분류 등과 같은 ‘안전관리’와 공정 최적화 같은 ‘공정관리’에서 높은 수요를 보였다. 시공 업무 담당자는 ‘안전관리’에 대해 전체 종사자보다 15% 정도 높은 수요를 보이는 것이 특징이다. 이는 중대재해처벌법 등 건설현장의 안전이 더욱 중요해짐에 따라 실무에서 AI 기반 안전관리 기술에 대한 필요성을 크게 체감하는 상황으로 분석된다. 건설분야 종사 기간에 따라 수요를 비교해 보면, 다른 그룹에 비해 5년 미만 경력자는 ‘품질관리’에, 5~10년 미만 경력자는 ‘공정관리’에 상대적으로 높은 수요를 보였다. 유지관리 단계 유지관리 단계의 수요는 그림 4에 표현된 4개의 업무를 기준으로 조사하였다. 전체 종사자와 유지관리 업무 담당자의 수요 비교 현황과 건설분야 종사기간과 AI 활용 경험 유무에 따른 수요 분석 결과는 다음과 같다. 전체 종사자와 유지관리 업무 담당자 그룹은 공통적으로 AI 기술 도입이 가장 시급한 업무를 손상 탐지나 상태등급 평가예측을 다루는 ‘점검진단’으로 답변했다. 유지관리 업무 담당자는 구조 상태변화 모니터링과 같은 ‘상시계측’보다 보수공법/비용/시기를 예측하는 ‘보수보강’에 더 높은 수요를 보여 그룹 간 시각 차이를 보였다. 열화모델 생성, 노후도 예측과 같은 ‘예방적 유지관리’에 대한 수요는 가장 낮았다. 건설분야 종사 기간에 따른 수요를 살펴보면, 15년 이상 경력자 그룹은 다른 그룹과 달리 ‘상시계측’에 가장 높은 수요를 나타냈으며, 5~10년 미만 경력자 그룹은 ‘보수보강’보다 ‘예방적 유지관리’에 대해 높은 수요를 나타낸 것이 특징이다. AI 기술 활용 경험 유무에 따라 기술 수요를 살펴보면 경험자는 ‘상시계측’에, 미경험자는 ‘점검진단’에 가장 도입이 시급하다고 응답했다(원지선, 2024). 건설분야 AI 도입 장애요인 및 생태계 조성방안 건설분야에 AI 도입 시 장애요인을 진단하고 향후 AI 활성화를 위한 방안을 마련하고자 AI 기술 활용 경험자 그룹과 미경험자 그룹으로 나누어 의견을 조사하였다. AI 도입 및 활용시 고충사항은 전체 응답자와 AI 활용 경험자 그룹 모두에서 ‘데이터 확보 및 품질 문제’, ‘AI 관련 인력 부족’, ‘건설에 특화된 기반 기술 부족’ 순으로 조사되었다. AI 개발 경험자를 대상으로 AI 도입 장애요인을 해결하고 향후 건설분야 AI 도입 활성화를 위한 방안을 조사한 결과, ‘데이터 개방 등 AI 인프라 구축’에 대한 의견이 많았다. 이외에도 ‘AI 인력 양성’, AI 활용 인식 확대’, ‘규제 개선 및 규율 체계 정립’, ‘AI 관련 연구개발 지원’ 등에 대한 과제가 도출되었다(신재영 등, 2023). 마치며 이 글에서는 건설업계 종사자 107명의 의견을 바탕으로 AI 기술 도입이 필요한 건설 업무 수요 현황을 살펴보았다. 건설업계는 설문조사 시점과 다르게 생성형 AI 등장으로 새로운 변화를 맞이하고 있다. 기술은 혁신성보다 사람들에게 얼마나 친숙하고 쓸모 있느냐로 기술의 미래가 판가름난다고 한다. 비즈니스에 AI 기술을 가치 있고 쓸모 있게 활용하기 위해서는 어떤 업무에 도움을 받고 어떤 문제를 해결하고자 하는지에 대한 니즈 파악이 우선되어야 할 것이다. 본 자료가 건설업계 종사자의 니즈를 파악하고 자신만의 전략을 구상하는 데 도움이 되길 기대해 본다. ――――――――――――――――― 참고자료 전자신문(2024, 1월 1일), AI 대전환(AX) 시대 앞서가자, https://www.etnews.com/20240101000072. • 한국건설기술연구원(2022), 건설분야 AI 도입 인식 수요 및 생태계 조성방안 조사 결과보고서. • 원지선(2024), 시설물 유지관리 분야 AI 인식현황 및 연구동향, KACEM News, Vol 242. • 신재영, 원지선(2023), 국내 건설분야 AI 활성화를 위한 실무자 인식에 관한 연구, 한국산학기술학회 논문지, Vol. 24, No. 6, pp. 386-399. 미래스마트건설연구본부 게시일2024-06-26 조회수 6876
• 미리보는 건설정보 플랫폼 추진 동향 미리보는 건설정보 플랫폼 추진 동향 ▲ 김태학 KICT 미래스마트건설연구본부 수석연구원 들어가며 작년 5월부터 시작한 윤석열 정부는 ‘다시 도약하는 대한민국, 함께 잘 사는 국민의 나라’를 국정 비전으로 110대 국정과제를 발표했다. 국정과제의 대표적인 화두는 단연코 ‘디지털’이며 모든 데이터가 연결되는 세계 최고의 디지털플랫폼정부 구현과 공공기관 혁신을 통한 질 높은 대국민 서비스를표방하였다. 국토교통부는 그림 1, 2와 같이 현재 건설, 교통물류, 도로, 철도, 항공 등 여러 분야에 걸쳐 200여 개의 정보시스템을 운영하고 있다(국토교통부 정보시스템 가이드북,2022). 이러한 시점에서 건설 디지털화를 위해 전 분야에서다양한 정책들이 추진 중이다. 정부는 디지털플랫폼 정부를 표방하면서 스마트건설, 디지털 혁신 및 데이터 활용 등에 대한 정책적 지원을 확대하고 있으며, 디지털 중심으로건설 분야 관련 기술발전 로드맵, 전략 및 법정계획을 수립중이다. 이 글에서는 국토교통부가 향후 추진 예정인 건설정보 관련플랫폼과 더불어 조달청에서 추진하고 있는 공공건설 디지털 플랫폼의 구축 추진 동향을 소개하고자 한다. 조달청 공공건설 디지털 플랫폼 추진 동향 토목공사의 경우 공사비 데이터의 부족으로 건축공사에 비해공사비를 예측하는 서비스가 제한적이다. 이에 따라 설계-시공간 입찰·계약 단계에서부터 WBS(Work BreakdownStructure) 내역서의 관리를 통해 토목공사의 세부 공종별 공사비를 실시간으로 파악함으로써 공사비 분석 및 예측이 가능하다. 그 일환으로 조달청은 2019년 공사원가통합관리 체계 재구축을 위한 ISP(정보화 전략계획)를 수행했다. 이에 더해 4대 전략과제1를 도출하고 3단계로 진행하고 있다. 단계별 진행 로드맵에 따라 2022년 유형별 건설공사의 적정공사비 산정을 목표로 공사원가통합관리시스템을 재구축하고 현재는 공공건설 디지털플랫폼을 확산하기 위한 작업을 진행하고 있다. 향후 조달청이 추진하는 공공건설 디지털플랫폼의확장·운영 시 공사비 분야뿐만 아니라 공정관리 분야의 기준 제시, 건설 전 생애주기 간 디지털 데이터 환류 체계 마련,디지털 데이터의 활용 방안 발굴 등을 도모할 수 있을 것으로기대된다. 건설사업 통합 정보플랫폼 구축 추진 동향 건설공사는 생애주기별 복잡하고 다양한 정보를 생산한다.하지만 과정별로 생성된 데이터에 대한 관리와 상호 연결성이 부족한 현실이다. 이러한 문제점을 해결하기 위해 국토교통부는 2023년부터 단절된 건설정보를 통합하고 수요자가편리하게 활용할 수 있는 정보이용 체계를 구축하기 위해 그림 4와 같이 건설산업 통합 정보플랫폼을 구축할 계획이다.분절된 건설데이터를 연계·통합하여 건설행정을 간소화하고 새로운 서비스를 위한 기반이 필요한 시점에서 공공 부분의 데이터 통합 및 표준화와 ‘구조물’ 정보를 중심으로 통합하기 위한 방안을 현재 수립 중이다. 국토교통부 소관 시스템 중 건설 활동 주체(사업자, 기술자) 및 생산 활동(용역, 공사) 데이터를 관리하는 용역, 시공, 인력, 유지관리 분야별 14개 시스템을 선정하여 통합플랫폼 추진 시 필요한 데이터,통합, 서비스 운영, 제도로 구분하여 수요조사 및 플랫폼 구축 방안 전략 수립 등의 연구가 건설산업정보원(KISCON) 주도하에 진행되고 있다. 기반시설통합관리시스템(기반터) 구축 추진 동향 기반시설통합관리시스템(기반터, www.inframanage.go.kr)의 경우 「기반시설관리법」 제16조(기반시설 관리시스템 구축·운영)를 근거로 국가기반기설2의 현황·유지관리 등정보를 통합 관리·활용하고, 분석 기능을 제공함으로써 관리주체 등의 유지관리 및 국가 재정지원에 대한 의사결정을 지원하기 위해 2020년 5월부터 추진되고 있다. 2023년 현재 FMS(시설물종합관리시스템), KISCON(건설산업지식정보시스템), 서울시 기반시설관리시스템, BMS(교량통합관리시스템), BTI(도로 교량 및 터널 현황정보시스템) 등과시범운영을 하여 2024년 4월부터 본격적인 운영을 시작할계획이다. 주요 사용자는 기반시설 관리기관(중앙정부기관, 지자체, 민간 등), 유관기관, 국민 등이며 주요 기능은 다음과 같다. 행정기능 관리주체 등의 기반시설 관리·실행계획 수립, 기준 관리,실태조사 등 제도 이행 지원(업무 절차 온라인化, 정보 제공 등) 분석 기능 기반시설LCC 분석(생애주기 비용,유지관리·성능개선 효과), 분석정보 관리(분석 DB, 통계), 기반시설 보고서(현황,성능, 비용) 등 연계 기능 15종 기반시설 개별 시스템과의 정보 연계 이러한 체계가 구축되면 시스템 간 데이터 통합을 통한 시설 정보 고도화 및 공동 활용, 관리주체 등이 여러 시스템에 자료를 중복 제출하는 행정부담 감소, 기반시설 생애주기에걸친 분석, 통계 정보를 관리주체 등에 제공 등의 기대효과가 예상된다. 맺음말 작년 10월 카카오 사태와 더불어 최근 정부 행정망 장애로행정 및 민원서비스가 마비되어 서비스를 제대로 활용할 수없는 일들이 발생하였다. 아무리 좋은 데이터가 제공되어도활용하고자 하는 국민이 혼란에 빠질 정도의 사태를 미연에방지하기 위한 운영상 필요한 네트워크, 저장 등의 장비 관리 지침과 가이드, 비상대책에 대한 점검도 필요한 시점에있다. 즉 시스템이나 운영체계에 대한 유지관리와 더불어 위기관리에 대한 매뉴얼을 재정립해야만 정부가 표방하는 세계 최고의 디지털플랫폼 정부가 될 것으로 기대된다. ――――――――――――――――― 참고자료 • 국토교통부 (2022), 2022 국토교통부 정보시스템 가이드북 • 국토교통부 (2022), 22 건설정보표준 운영 및 유지보수, 한국건설기술연구원, pp.272 ~279 • 대한경제 (2023, 4월 19일), 건설산업 빅데이터 위한 통합 플랫폼 구축 나선다, • https://www.dnews.co.kr/uhtml/view.jsp?idxno=202304181109559380524 • 토목신문 (2023, 7월 7일) 2030년까지 모든 공공 건설사업 정보 ‘디지털화’, http://www.cenews.co.kr/news/articleView.html?idxno=13803 미래스마트건설연구본부 게시일2024-03-22 조회수 2312
• 건축 분야 Generative Design 기법을 활용한 설계자동화 기술 건축 분야 Generative Design 기법을 활용한 설계자동화 기술 ▲ 이재욱 KICT 미래스마트건설연구본부 수석연구원 들어가며 세상은 끊임없이 변화하고, 이러한 변화의 흐름 속에서도 건 축 분야는 그 중심에서 지속적인 진화를 이어가고 있다. 최 첨단 기술의 도입, 혁신적인 건축 재료의 개발, 그리고 지속 가능한 건축에 대한 고민은 현대 건축의 주요한 핵심 키워드 로 자리 잡고 있다. 이 모든 변화의 중심에서 핵심 연구를 주 도하며 새로운 패러다임을 제시한 학자가 있다. 그는 이미래 박사다. 이미래 박사는 건축설계뿐만 아니라 그것이 인간과 환경과의 상호작용에서 어떤 역할을 하는지에 대한 깊은 연 구에 몰두해 왔다. 건물은 단순한 물리적 공간 이상의 의미 를 지니며, 사회, 경제, 환경적 측면에서도 중요한 영향을 미 친다는 것이 그의 주장이다. 그러한 연구 활동 중 이미래 박 사는 수년간 건축설계의 효율성과 창의성에 대한 연구를 진 행하며, 새로운 방법론을 찾기 위한 끊임없는 탐구의 여정 을 거치고 있었다. 그는 전통적인 건축설계 방법이 한계에 도달했다고 느꼈고, 무언가 혁신적인 접근 방식이 필요하다 고 생각했다. 그러던 어느 날, 그는 'Generative Design' 혹은 ' 생성적 설계'라는 기법을 발견하게 된다. 이 기법은 ‘그동안 의 건축설계 방식을 완전히 뒤바꾸어 놓을 것’이라는 희망을 이미래 박사에게 안겨주었다. 생성적 설계는 이미래 박사가 직접 모든 디자인의 디테일을 고민하는 것보다, 컴퓨터가 그 의 연구 가설과 원칙을 기반으로 다양한 설계 옵션을 빠르게 생성해 주는 방식이었다. 이미래 박사는 컴퓨터에 특정 조건 과 목표를 입력하면 되었다. 예컨대, "이 건물은 에너지 효율 성이 높아야 한다" 혹은 "이 구조물은 지진에도 견딜 수 있어 야 한다"와 같은 연구 가설을 기반으로 한 조건들이었다. 최 초의 시도에서, 그는 이 기법의 효과에 매우 놀랐다. 컴퓨터 는 그의 가설을 기반으로 수많은 가능성을 제시해주었고, 이 미래 박사는 이 중에서 가장 연구 목표에 부합하는 설계를 선택할 수 있었다. 생성적 설계를 도입한 뒤, 이미래 박사의 연구는 새로운 차원의 문제 해결 능력을 보여주게 되었다. 이 기법은 그에게 연구의 새로운 경로를 제시해 주었고, 이 미래 박사는 이를 통해 건축 분야의 미래를 위한 새로운 기 준을 설정할 수 있게 되었다. 설계자동화(Generative Design) 개념과 현황 건설 분야에서 설계자동화의 전체적인 프로세스는 세 가지 단계로 정리할 수 있다. 이에 따라 설계 알고리즘의 기술 개 발 방향에 대하여 정리하였다. Stage 1: 문제 정의를 다양화할 수 있는 세부적인 속성들의 종류를 정의하고 종류에 따른 레벨을 설정한다. Stage 2: 문제 정의의 조합에 따라 각각의 위상 최적화된 설 계안들을 생성한다. Stage 3: 생성된 설계안들을 평가 기준들에 따라 검토하고, 대표 설계안들을 선택한다. 첫 번째 단계: 대지 선정, 초기 설정 및 문제 정의 대지의 크기와 형태를 결정하기 시작하였다. 일반적인 10 m ×10 m의 대지를 기준으로 선정하였다. 이 대지 내에 그리 드 형태로 점을 배치하였으며, 대지 내, 총 441개(21x21)의 점을 설정하였다. 이후, 문제를 정의하는 데 필요한 다양한 속성들을 선정하였고, 각 속성에 대한 레벨을 설정하여 문제 를 세부적으로 정의하였다. 두 번째 단계: 점 선택, 사각형 생성 및 설계안 생성 임의로 설정된 144개의 점 중 4개를 무작위로 선택하였다. 선택된 점을 기준으로 500~1200 mm 크기의 사각형을 생 성하였다. 이 사각형들을 다양한 조합으로 배치하는 대안을 만들었다. 정의된 문제와 속성의 조합을 바탕으로 위상을 최 적화한 설계안들을 또한 생성하였다. 세 번째 단계: 결과물 출력, 검토 및 설계안 선택 설계자동화 알고리즘을 활용하여 결괏값을 무작위로 출력하 였다. 출력된 결과는 그림 3과 같이 나타났다. 추가로, 출력 된 결과 중에서 더 다양한 대안들을 추출하였다. 생성된 설계 안들은 다양한 평가 기준에 따라 검토되었고, 이 검토를 통해 대표적인 설계안들을 선정하였다. 1. 산업 분야의 적용: Generative Design은 건축, 제품 설 계, 자동차 공학, 항공우주 공학 등 다양한 분야에서 활용 되고 있다(그림 1). 2. 소프트웨어 발전: Autodesk의 Fusion 360, Rhino와 Grasshopper와 같은 도구들은 Generative Design 기능 을 제공하며, 이런 도구들의 발전으로 인해 디자이너들은 복잡한 알고리즘을 직접 작성하지 않아도, 생성적 설계를 쉽게 적용할 수 있게 되었다(그림 2). 3. 환경 및 지속 가능성: 현대 건축 및 제품 설계에서 환 경친화적이고 지속 가능한 설계의 중요성이 부각되면서, Generative Design은 이러한 목표를 달성하기 위한 주요 도구로 인식되기 시작했다. 4. 교육 및 연구: 전 세계의 주요 대학 및 연구기관에서는 Generative Design에 대한 연구가 활발히 진행되고 있으 며, 다음 세대 디자이너와 엔지니어들에게 이 기술을 교육 하는 프로그램들도 강화되고 있다. 5. 제한사항 및 도전 과제: 물론, Generative Design도 완 벽하지 않다. 현실 세계의 복잡한 제약 조건과 인간의 세밀 한 취향을 완벽하게 반영하는 것은 여전히 도전적인 부분이며, 이를 위한 연구와 개발이 지속해서 이루어지고 있다. 설계자동화(Generative Design) 기술 개발 방향 건설 분야에서 설계자동화의 전체적인 프로세스는 세 가지 단계로 정리할 수 있다. 이에 따라 설계 알고리즘의 기술 개발 방향에 대하여 정리하였다. Stage 1: 문제 정의를 다양화할 수 있는 세부적인 속성들의 종류를 정의하고 종류에 따른 레벨을 설정한다. Stage 2: 문제 정의의 조합에 따라 각각의 위상 최적화된 설계안들을 생성한다. Stage 3: 생성된 설계안들을 평가 기준들에 따라 검토하고, 대표 설계안들을 선택한다. 첫 번째 단계: 대지 선정, 초기 설정 및 문제 정의 대지의 크기와 형태를 결정하기 시작하였다. 일반적인 10 m×10 m의 대지를 기준으로 선정하였다. 이 대지 내에 그리드 형태로 점을 배치하였으며, 대지 내, 총 441개(21x21)의 점을 설정하였다. 이후, 문제를 정의하는 데 필요한 다양한 속성들을 선정하였고, 각 속성에 대한 레벨을 설정하여 문제를 세부적으로 정의하였다. 두 번째 단계: 점 선택, 사각형 생성 및 설계안 생성 임의로 설정된 144개의 점 중 4개를 무작위로 선택하였다.선택된 점을 기준으로 500~1200 mm 크기의 사각형을 생성하였다. 이 사각형들을 다양한 조합으로 배치하는 대안을만들었다. 정의된 문제와 속성의 조합을 바탕으로 위상을 최적화한 설계안들을 또한 생성하였다. 세 번째 단계: 결과물 출력, 검토 및 설계안 선택설계자동화 알고리즘을 활용하여 결괏값을 무작위로 출력하였다. 출력된 결과는 그림 3과 같이 나타났다. 추가로, 출력된 결과 중에서 더 다양한 대안들을 추출하였다. 생성된 설계안들은 다양한 평가 기준에 따라 검토되었고, 이 검토를 통해대표적인 설계안들을 선정하였다. 설계자동화(Generative Design) 기술의 미래 방향 설계 분야는 미래에 인공지능(AI)과의 융합을 통해 더욱 발전하게 될 것이다. Generative Design에서 활용될 AI는 디자이너의 이전 작업 패턴과 선호도를 학습하게 될 것이며, 이러한 데이터를 기반으로 더욱 정교하고 효율적인 설계 제안을 창출해낼 것이다. 이로 인해 디자이너는 기술적 한계를 뛰어넘어 더 큰 비전을 실현하는 데 필요한 지원을 받게 될 것이다. 또한, 미래의 설계자동화 도구는 디자이너에게 실시간피드백을 제공하게 될 것이다. 이 기능은 설계 과정에서의신속한 조정과 피드백을 가능하게 하여, 다양한 요구 사항과 변수에 즉시 대응하는 설계의 효율성과 타당성을 높이게 될것이다. 분야 간의 통합은 Generative Design의 미래 방향으로 확고하게 자리잡게 될 것이다. 건축, 제품 설계, 기계 공학 등의 전문 지식이 하나로 통합되어, 더욱 통합적이고 종합적인 설계 해결책을 제공하게 될 것이다. 마지막으로기술적 진보에도 불구하고, 인간 중심의 접근 방식은 미래의 설계자동화에서도 핵심적인 역할을 하게 될 것이다. 사용자의 요구와 편안함을 중심으로 한 설계의 궁극적인 목적은변하지 않을 것이며, 설계자동화 기술은 이를 지원하여 미래의 설계 패러다임을 정립해 나갈 것이다. ――――――――――――――――― 참고자료 • Oh, S., Jung, Y., Kim, S., Lee, I., & Kang, N. (2019). Deep generative design: Integration of topology optimization and generative models. Journal of Mechanical Design, 141(11), 111405. • D i n o , I . G . ( 2 0 1 6 ) . A n e v o l u t i o n a r y a p p r o a c h f o r 3 D architectural space layout design exploration. Automation in construction, 69, 131-150. • Lee, J., Cho, W., Kim, S., Sohn, D., & Lee, J. (2023). Conceptual design algorithm configuration using generative design techniques. KIEAE Journal, 23(1), 5-12. 미래스마트건설연구본부 게시일2023-12-18 조회수 2743
• 시설물 유지관리 분야 인공지능 연구동향 시설물 유지관리 분야 인공지능 연구동향 ▲ 원지선 KICT 미래스마트건설연구본부 수석연구원 들어가며 전 세계 건설 분야 인공지능(이하 AI, Artificial Intelligence) 시장의 연평균 성장률은 35%로 2023년 2조 3,300억 원까지 성장할 것으로 예측되며(Market Research Future, 2020), 국내 AI 시장은 2021년부터 5년간 연평균 성장률은 15.1%로 2025년까지 1조 9,000억 원 규모에 이를 전망이다(IDC Korea, 2022). 최근 건설업계에서는 설계, 시공, 유지관리에 걸쳐 이미 다양한 AI 기술을 도입하였거나 도입을 적극적으로 고려하고 있으며, AI의 도입은 공사 기간 단축, 공사비 절감, 안전성 향상, 품질 향상 등의 긍정적 효과를 나타내고 있다(Lee, 2020). AI 도입과 활용은 기업 경쟁력 강화를 위해 선택이 아닌 필수 전략으로 인식되고 있으며, 국가 차원에서도 건설 AI 기술 경쟁력 확보를 위해 공공의 역할에 맞는 AI 연구전략과 방향 설정이 필요한 시기이다. 이 글에서는 시설물 유지관리 분야의 미래 AI 연구방향 설정과 대비를 위해 수행한 연구(Won et al., 2022)의 일부를 숫자와 사례 중심으로 소개하고자 한다. 숫자로 보는 AI 연구 동향 최근 5년간(2016~2021년) 시설물 유지관리 분야의 AI 기술 개발 관련 논문과 보고서 등 33개의 문헌을 수집하여 41개의 AI 적용사례를 분석해보았다. 문헌 수집 시 ‘인공지능’, ‘유지관리’, ‘기계학습’, ‘머신러닝’, ‘딥 러닝’ 등을 기본 검색 키워드로 활용하였으며, 연구에 많이 활용되는 합성곱 신경망을 비롯한 다양한 모델명을 추가 활용하였다. 수집된 41개의 AI 적용사례를 대상으로 총 4가지 관점(1. AI 활용목적, 2.대상 시설, 3. 수집 원시 데이터, 4. 학습데이터 유형)에서 연구 동향을 분석하였다. AI 활용목적 관점에서 문헌을 분석한 결과, AI 기술을 유지관리 업무에 직접 활용하는 유형과 학습용 데이터를 수집, 가공하는 중간 단계에서 활용하는 유형으로 구분되었다. 유지관리 업무에 직접 활용하는 연구의 영역은 세부적으로 점검진단, 상시 계측, 보수보강, 노후도 예측으로 구분되었다. 연구가 활발한 영역은 점검진단(62%), AI 학습용 데이터 구축(17%), 상시계측(7%), 보수보강(7%), 노후도 예측(7%) 순이며, 5가지 AI 활용목적에 대한 연구현황을 요약하면 다음과 같다. 1. [점검진단] 점검진단을 위한 AI 적용은 시설물 점검 사진을 활용한 균열 감지 등 손상탐지에 관련된 연구가 주를 이룬다. 지자체와 공사·공단은 점검자가 접근하기 어려운 접근취약부 점검에 드론과 로봇 등 무인 이동체를 활용한 점검 자동화 기술을 도입하는 추세이다. 콘크리트 균열 탐지 중심의 분류모델 개발이 가장 많으며, 균열 외 손상 유형을 추가 하거나 손상 위치와 크기, 면적을정량화하는 기술로 확대되고 있다. 2. [보수보강] 보수보강을 위한 AI 적용은 보수보강 데이터를 학습시켜 유지관리 공법과 비용을 예측하기 위한 목적과 외관 조사망도의 시계열 축적 이미지를 활용하여 기준치를 초과한 보수시기를 예측하기 위한 목적으로 연구가 수행되고 있다. 3. [상시 계측] 상시 계측을 위한 AI 적용은 시설물의 상태 변화를 예측하고 실시간 결함을 탐지하여 대응하는 연구가 주를 이루며 가속도 센서 데이터, IoT 센서 데이터로 손상 위치나 계측 이상치를 탐지하여 성능변화와 위험도를 관리하기 위한 목적으로 연구가 수행되고 있다. 4. [노후도 예측] 노후도 예측을 위한 AI 적용은 콘크리트 열화모델을 생성하거나 가속도 데이터 및 건전성 데이터 기반으로 잔존 수명을 추정하고 예방적 유지관리에 활용하기 위한 연구가 주를 이룬다. 5. [학습용 데이터 구축] 학습용 데이터 구축을 위한 AI 적용은 가속도 데이터, 균열 이미지 등 부족한 학습용 데이터를 생성하거나 저해상도 이미지를 고해상도로 개선하기 위한 목적으로 데이터 수집, 가공단계에서 연구가 수행되고 있다. AI 적용 연구의 대상 시설은 교량(58%), 콘크리트 구조물(22%), 도로포장/노면 중심의 도로시설(15%), 건축물(5%) 순이었으며, 학습용 데이터 유형 관점에서 이미지(56%)가 텍스트(44%)보다 많이 차지했다. 수집된 원시 데이터에서 텍스트 데이터의 세부 유형은 장비로부터 측정된 계측 데이터, 시스템의 데이터베이스로부터 획득한 DB 데이터, 점검 보고서와 같은 문서 형태 순으로 활용된 것으로 파악했다. 데이터 수집 방식을 명시한 33개의 문헌 중, 보유 데이터를 활용한 경우는 5건(15%), 공개 데이터를 활용한 경우는 9건(27%), 계측과 크롤링 등으로 직접 수집한 경우는 19건(58%)으로 파악되었다. 사례로 보는 AI 연구동향 점검진단, 보수보강, 상시 계측, 노후도 예측과 관련된 34개의 선행 연구사례 분석을 통해 파악한 유지관리 세부 업무유형별 주된 연구현황, 활용목적, 활용 데이터와 대표적인 연구사례를 소개한다. 맺음말 시설물 유지관리 분야의 AI 연구 동향을 숫자와 사례를 통해 살펴보았다. AI 적용업무 관점에서 보면, 점검진단 영역은 유지관리 분야 중 연구가 가장 활발하고 기술 성숙도가 높은 영역으로 육안 점검이 어렵고 접근이 위험한 시설 중심으로 AI 도입이 가속화되고 기술 수요가 증가할 것으로 예상된다. 또한, 국내 시설물 유지관리 기술이 노후화 대응과 관련된 선제적·예방적 유지관리 체계로 전환되는 추세에 따라 노후도 예측을 위한 AI 연구가 더욱 요구될 것으로 기대된다. 데이터 관점에서 보면, 현재 이미지 기반 연구가 가장 활발하며, 계측장비를 통해 취득한 텍스트 기반 연구가 활발한 편이다. 최근 자연어 처리 기술이 발전함에 따라 점검보고서 등 건설문서를 활용한 텍스트 기반 연구도 확대될 것으로 기대된다. 많은 문헌에서 연구의 한계점으로 AI 학습용 데이터의 부족을 언급하고 있으며, 이는 AI 성능확보에 큰영향을 끼치므로 앞으로 유지관리 분야에 특화된 AI 학습용 데이터셋 구축 및 품질과 관련된 연구가 중요해질 것으로 예상된다. 미래스마트건설연구본부 게시일2023-07-29 조회수 7656

첫페이지이전페이지12다음페이지마지막페이지