구조물 모니터링 내 Dataset Shift에 대한 이해
▲ 진승섭 KICT 구조연구본부 수석연구원
들어가며
사회 기반 시설물은 국민의 편의를 도모하고 편익을 증진하는 공공 시설물로 우리나라 경제 발전을 견인하는 기반을 제공한다. 우리나라는 1970년대 급격한 경제성장과 함께 사회 기반 시설물이 집중적으로 건설되었으며, 향후 해당 시설물들의 노후화는 중요한 문제이다. 게다가 인구 노령화로 인한 관리인력 부족 등 사회 변화가 복합적으로 영향을 미칠 것으로 예상된다. 이러한 흐름 속에서 제한된 유지관리 예산을 토대로 사회 기반 시설물의 노후화 문제를 효과적으로 해결할 수 있는 많은 방법이 연구되고 있다.
건설뿐만 아니라 기계, 제조 등 다양한 분야에서도 대상 시스템의 결함, 손상 및 성능저하 등 유사한 문제가 발생하여 이를 해결하기 위한 연구 개발이 지속적으로 이루어지고 있다. 다양한 학제에서 공통적으로 지향하는 유지관리 패러다임은 ‘선제적 관리체계’로의 전환(shift)이다. 유지관리 패러다임은 그림 1과 같이 세 가지 접근법으로 구분할 수 있다. 가장 원시적인 패러다임은 사후 유지관리(reactive maintenance)로 문제가 발생할 경우 이를 사후에 처리하는 접근법이다. 문제가 발생하고 이를 인지하여 조치하기 때문에 사후조치 비용(repair cost)이 과도하게 발생할 수 있고, 직·간접적인 사회적 혼잡 비용도 유발한다. 이와 반대로 주기적인 점검과 유지보수를 수행하는 예방적 유지관리(preventive maintenance)가 있다. 사후 유지관리와 달리 구조물 시공 및 철거 전(생애주기)까지 과도한 점검 비용과 유지관리 비용(prevention cost)이 발생할 수 있다.
선제적 유지관리(proactive maintenance)는 구조물의 상태(성능)를 기반으로 유지관리 계획과 보수·보강 시점을 예측하고 필요할 경우 조치를 수행하는 방식이다. 이러한 접근법을 통해 유지관리 비용과 사후 조치 비용을 합친 총비용(total cost)이 가장 최적화되는 균형점을 지향하는 방법이다.
선제적 유지관리에서는 다양한 유지관리 의사결정(점검 계획 및 보수·보강)에 필요한 데이터를 상시계측 시스템을 통해 획득한다(구조물 모니터링). 인천대교와 같은 중요도가 높은 사회 기반 시설물에는 상시 계측 시스템이 구축·운영되고 있으며, 이를 통해 구조물 응답과 주변 환경인자(온도, 풍속 등)를 연속적 혹은 주기적으로 계측한다. 따라서 기존의 인력 점검체계에서와 달리 방대한 양의 데이터가 지속해서 생성되기 때문에 이를 처리하여 최종 사용자(관리주체)의 의사결정에 필요한 정보를 신속히 제공하는 ‘자율 모니터링 시스템(autonomous monitoring system)’이 요구된다. 자율 모니터링 시스템의 핵심 조건 중 하나는 사용자의 개입을 최소화하며 양질의 학습 데이터로부터 자율적으로 신뢰성 높은 분석을 수행하고 그 결과를 제공하는 것이다.
지속적으로 구조물 모니터링을 수행함에 있어, 공용 중에 발생하는 외부 변동(운영·환경조건 변화)으로 인한 응답 패턴의 변동성인 Dataset shift가 발생할 수 있다. 이러한 현상을 효과적으로 고려하는 것이 신뢰성 높은 자율 모니터링 시스템을 구현하는 데 매우 중요하다. 이 글에서는 구조물 건전성 모니터링 기술의 개념을 간략히 소개하고, 이를 토대로 실제 구조물에서 발생한 dataset shift의 사례와 이를 해결하기 위한 방법 중 하나인 온라인 학습 방법을 간단히 소개하고자 한다.
구조물의 내/외적 특수성(uniqueness)과 구조물 모니터링의 역할
건설 분야의 사회 기반 시설물은 기계 시스템 등과 달리 내/외적 고유한 특수성을 가진다. 동일한 구조 형식으로 설계할지라도 구조재료, 시공 방법·조건 등에 따라 발현되는 강성 및 거동 특성이 달라진다. 공용 중 노출되는 외력(차량 하중 등)과 노출 환경(온도, 습도 및 염분 등) 등 외부 환경이 공간(위치)과 시간(계절)에 따라 상이하다. 즉, 구조물마다 서로 다른 고유의 강성, 거동, 열화, 손상 특성을 가지기 때문에 구조물 상태의 단순 예측이 어려운 구조체이다. 구조물 모니터링을 통해 측정된 데이터는 공용 중에 발생하는 문제를 파악하고 해결할 수 있는 기초자료로 활용할 수 있다. 대표적인 예시로, 실시간 구조물 모니터링 중 이상 상태(손상)가 감지되면 그 결과를 관리자에게 신속하게 통보해줌으로써 시기적절한 의사결정(이용 제한 후 정밀 점검)을 할 수 있게 하며, 나아가 시간 이력 DB 구축과 이를 토대로 성능 예측 모형 개발에 활용될 수 있다.
진동 응답 기반 구조물 건전성 모니터링
구조물 건전성 모니터링(SHM; Structural Health Monitoring)은 ‘구조물에 설치한 다양한 센서로부터 구조물의 응답 및 외부 환경인자(온도, 습도 등)를 측정하여 구조물의 상태(건전성)를 실시간으로 진단하고 그 결과를 관리 주체에게 제공하는 기술’이다. SHM은 크게 공용 중인 구조물의 ①하중에 따른 응답의 입/출력 관계를 통해 상태를 평가하는 방법, ②응답만을 계측하여 상태를 평가하는 응답 기반 방법으로 구분할 수 있다(진승섭, 2017a). 입/출력 관계를 활용하는 평가 방법은 알려진 하중을 재하하기 때문에 구조물의 통제(blocking)가 수반된다(실무 적용의 어려움 존재).
반면 응답 기반(output-only) 평가 방법은 그림 2와 같이 별도의 구조물 통제 없이 상시 진동 응답(ambient vibration from acceleration)만을 계측하고, 이를 모달 해석(modal identification)을 통해 고유진동수(natural frequency)와 모드형상(mode-shape)과 같은 동특성(modal properties)을 추정하는 방법이다(진승섭, 2017b). 동특성은 구조물 고유의 물리적 특성으로, 구조 시스템(질량, 강성 및 경계조건 등)에 의해 결정된다. 구조물의 전역적인 거동 변화를 유발하는 심각한 손상 혹은 성능저하는 구조 시스템의 변화(강성 저하 혹은 경계조건 변화)를 유발하고, 이는 동특성의 변화로 연결된다.
진동 응답 기반 구조물 건전성 모니터링 기술은 실무에서 활용이 용이하다는 측면(사용통제 없이 상시 진동 응답 활용)에서 다양한 연구가 진행되고 있다. 진동 응답 기반 구조물 건전성 모니터링을 통해 ‘실시간 이상 상태 감지’, ‘역 해석을 통한 수치모델 개선’, ‘기계학습 혹은 시계열 모델링을 통한 예측모형 구축’ 등 유지관리에 활용할 수 있는 기초자료를 구성할 수 있다.
구조물 모니터링 내 Dataset shift 현상
동특성과 같은 구조물의 응답은 시간에 따른 외부 환경(온도, 파랑 등)의 변화에 의해 동특성의 특징이 달라질 수 있다(Peeters et al. 2001: Moser et al. 2011). 일례로 단순히 동특성의 변화만으로 이상 탐지를 수행할 경우 오보(false alarm)가 발생할 가능성이 높다. 이에 공용 중에 발생하는 다양한 외부 환경 변화로 인한 변동성을 고려하여 상태를 평가하는 것이 신뢰성 확보 측면에서 매우 중요하다(Deraemaeker et al. 2008).
그림 3은 3경간 프리스트레스트 콘크리트 교량(Z-24)에서 철거 전까지 1년간 측정한 고유진동수(저차 모드 4개)와 아스팔트 포장부의 온도 이력이다(Peeters et al. 2001). 철거 전까지 다양한 손상(교각 침하, 텐던 제거 등)을 점진적으로 유발하면서 손상에 따른 응답(고유진동수) 변화를 분석한 장기 계측 데이터이다. 교각의 침하 시스템(settlement system) 설치로 인해 불가피한 교각 부재의 단면손실이 1998년 8월 9일에 발생하였다. 하지만 손상에 의한 고유진동수 변화량(강성 저하로 인한 고유진동수 감소)은 온도에 의한 변화량(온도 영향으로 인한 고유진동수 증가)에 가려져 고유진동수의 저하 유/무를 쉽게 확인할 수 없음을 알 수 있다.
그림 4는 최초 손상이 발생하기 전(1997년 11월 11일~1998년 8월 8일)까지 Z-24 교량의 아스팔트 온도와 고유진동수 간의 패턴을 보여준다. 그림 4(a)에서 보듯이 아스팔트 온도에 따라 총 3가지 선형 패턴이 발생함을 알 수 있다. 그림 4(b)는 온도 변화(마커의 색상)에 따른 1차와 2차 고유진동수의 패턴 변화가 그림 4(a)에서 확인한 패턴에 따라 발생하는 것을 보여준다. 이는 계절별 온도 발생 범위에 따라 총 3가지 고유진동수(응답) 패턴이 생성되는 것을 의미한다. 즉 구조물의 내/외적 특수성에 따라 시간-종속적인 다양한 패턴(time-dependent pattern)이 발생할 수 있음을 의미한다. 기계학습 분야에서는 이러한 패턴 변화 현상을 Dataset shift라고 정의한다(Quinonero-Candela, J. et al., 2008).
Dataset shift 해결을 위한 온라인 학습방법
앞서 살펴본 시간 종속적인 패턴 변화인 Dataset shift는 사전에 확인이 어려우며 장기 데이터 구축과 분석을 통해 파악할 수 있다(Peeters et al. 2001). 그동안 다양한 기법들을 이상상태 탐지 등의 유지관리 서비스를 위한 연구에 많이 적용되었으나, 앞서 언급한 Dataset shift에 대한 연구는 상대적으로 많이 수행되지 않았다(Jin et al., 2015).
Dataset shift는 외부 변동(온도)에 의한 응답(고유진동수) 패턴이 시간(계절)에 따라 변화하면서 발생하는 문제이다. 이에 대한 근본적인 해결 방법은 변화하는 패턴을 가장 잘 모사할 수 있는 학습 데이터들을 선택적으로 추출(sampling)하고, 추출된 학습데이터를 활용하여 이상상태 탐지 등 유지관리에 필요한 평가모델을 생성하는 것이다(그림 5). 즉 지금까지 측정된 학습 데이터 전부를 사용하기보다 새로 측정된 데이터와 유사한 학습데이터만을 선별하여 현재 패턴을 가장 잘 모사하도록 학습모델(그림 5의 Model)을 적응적(adaptive)으로 생성하는 것이다. 이는 그림 6과 같이 복잡한 비선형적인 관계를 가지는 학습데이터 분포를 국부적인 선형 형태 영역으로 분할하여 표현하는 것과 동일하다. 즉 전체 영역에서 보면 비선형성을 가지는 곡선(그림 6의 왼쪽)이 작은 영역으로 세분화하면 선형인 직선의 결합(그림 6의 가운데)으로 표현할 수 있는 개념과 유사하다. 새로 측정된 데이터가 속하는 선형 구간의 학습데이터들을 선택적으로 추출하고, 이를 이용하여 학습모델을 생성한다(그림 6의 오른쪽). 이러한 선형 분할 과정은 학습 데이터 간 선형관계를 유지해주는 부수적인 효과가 있다. 이에 따라 복잡한 학습모델(비선형 모델)이 아닌 간단한 학습모델(선형 모델)을 사용하여 학습의 일반화 성능을 향상시킬 수 있다. 또한 전체 학습데이터가 아닌 일부 데이터만을 사용하기 때문에 연산 복잡도 역시 크게 감소시킬 수 있어 실시간 연산 및 낮은 컴퓨팅 자원을 가지는 연산장치에도 쉽게 적용이 가능하다. Dataset shift가 발생하는 Z-24 교량의 실시간 이상상태 탐지에 상기 학습 방식을 적용하였으며, 그 결과 다양한 초기조건에서 적은 오보(false alarm) 및 정확한 손상 발생 시점을 포착하였다(Jin et al., 2018: 진승섭 등, 2022).
향후 구조물 모니터링에 관한 연구 제언
구조물 모니터링 시스템의 핵심은 오보(잘못된 분석)를 최소화하여 분석 결과(상태 평가/예측)에 대한 신뢰도를 확보하는 것이다. 이로써 안정적인 모니터링과 의사결정이 지속될 수 있게 하는 것이다. 지속적인 구조물 모니터링을 수행함에 있어 공용 중 발생할 수 있는 Dataset shift는 신뢰성 확보의 가장 큰 걸림돌로 작용할 수 있다. 이러한 Dataset shift는 구조물의 내/외적 특수성으로 인해 사전에 파악하는 것은 매우 어렵다. 이 글에서 간략히 소개한 온라인 학습 방법은 이러한 문제를 해결할 수 있는 여러 방법 중 하나이다. 따라서 실제 현장에서 발생할 수 있는 다양한 Dataset shift에 적용 가능한 다른 대안들을 적용하고 서로 비교하는 과정을 통해 강건한 방법론을 개발하는 것이 중요하다. 개발된 방법론은 단순히 건설 분야의 모니터링 기술 개선을 넘어 다양한 학제에 적용 가능할 것이며, 나아가 미래 유지관리 분야의 혁신을 이끌어갈 수 있는 핵심기술 중 하나로 자리매김할 수 있을 것이라 생각된다.
