서 론
재료 및 방법
데이터 수집
프레임워크 제안
이상치 감지 모델
Autoencoder
LSTM-Autoencoder(Long Short-Term Memory Autoencoder)
결과 및 고찰
사면 안정성 평가 예측 모델 개발 및 평가
결 론
서 론
최근 기후변화 및 기상이변으로 자연재해의 발생이 빈번해지고 있으며 그 규모 또한 증가하는 추세이다. 대표적인 자연재해로 집중호우, 태풍, 지진, 화산 폭발 등이 있으며 이 중 태풍은 발생 빈도의 차이는 미미하지만 1분 동안 지속되는 풍속의 최댓값이 67 m/s 이상인 슈퍼태풍급 태풍의 발생 빈도가 약 18% 증가하여 태풍 발생 시 규모가 현저하게 증가하였다(Moon, 2013). 태풍은 비, 바람 등으로 인한 직접적인 피해 이외에도 상하수도, 축대, 도로, 사면 등 시설물의 손상을 야기하여 2차적 피해를 발생시킨다. 특히 사면의 붕괴로 인해 매년 인명피해가 발생하고 있는데, 국내 기준 2020년에 9명이 사망하였고 이는 전체 자연재해 사망자의 약 12%를 차지한다(MOIS, 2020). 또한 사면 붕괴는 인명피해뿐만 아니라 전기, 수도, 가스, 하수, 도로를 포함하는 기반 시설에도 피해를 야기해 국내 사면 붕괴 피해액은 2000－2010년 연평균 1053억에서 2011－2021년 1220억으로 꾸준히 증가했다(MOIS, 2020).
이에 정부는 사면 붕괴로 인한 피해를 최소화하기 위해 취약지역 관리 강화 및 안전 문화 확산을 위해 주요 대상 별 홍보를 시행하고 사면 붕괴 시 신속 정확한 피해 조사를 위한 체계를 구축하고 있다(KFS, 2021). 이러한 정책적 접근도 중요하지만 사면 붕괴가 발생하기 전에 미리 예측이 가능하다면 피해를 최소화할 수 있을 것이다. 사면 관련 연구는 사면의 안전 평가를 위해 사면 안전에 영향을 미치는 요소들을 파악하고 안정성을 평가하는 연구와 붕괴 시점을 예측하기 위해 실시간으로 데이터를 수집하고 수집된 데이터를 기반으로 사면의 안정성을 평가하고자 하는 연구 등 다양한 접근 방법이 이루어지고 있다(Jin et al., 2018). 실시간 데이터 수집/분석을 통한 사면 안정성 평가 연구분야에서는 현장에서 측정한 전단응력, 전단 강도, 변위를 이용하여 유한 요소 해석을 통해 사면 안정성을 평가하거나 통계적 공정 관리 SPC(Statistical Process Control)를 통해 사면 안정성을 평가하였다(Park et al., 2016). 유한 요소 해석 등을 통한 방법은 시간 소요가 크다는 단점이 있으며 SPC 또한 정해진 규칙 이외의 이상치에는 대응할 수 없다는 단점이 존재한다. 이에 많은 연구자들이 데이터로부터 패턴을 자동으로 추출, 이상치를 판별할 수 있는 ML(Machine Learning)을 통해 사면의 안정성을 평가하고자 하였으며 트리 모형과 회귀 모델을 포함하여 여러 모델이 사용되었다(Asteris et al., 2022; Bui et al., 2020; Federico et al., 2012; Maxwell et al., 2021; Qi and Tang, 2018; Sakellariou and Ferentinou, 2005; Samui, 2008). 최근 들어 IoT 등 데이터 수집장치의 발달과 컴퓨팅 파워의 증가로 ML의 아키텍처는 더 크고 복잡해지고 인공신경망 기반의 많은 수의 Layer로 구성된 ML 모델을 딥러닝이라고 부른다(Deng, 2014). 이러한 딥러닝은 기존 ML보다 높은 정확도를 나타내는데, Upasna and Moe(2018a, 2018b)은 사면 안정성의 평가를 위해 딥러닝 모델을 적용하였다. Upasna와 Moe는 역 속도를 계산하여 퍼지 신경망을 통해 사면 안정성을 평가하고자 하였다. 퍼지 신경망을 통한 방법은 잠재적인 사면 붕괴를 대비하는 데 도움이 되지만 사면 붕괴 시간 예측이 어렵다는 단점이 존재한다.
사면 붕괴로 인한 피해를 저감하기 위해 미리 예측하고 대응하기 위해서는 계측 데이터와 특성이 다를 경우 이를 빠르게 감지할 필요가 있다. 대부분의 선행 연구들은 특정 지역에서는 정확도가 저조하거나 체계적이고 정량적인 비교가 부족하다는 면에서 한계가 있다. 본 연구에서는 사면의 안정성을 평가하기 위해 사용되는 기존 접근 방법인 통계적 공정 관리 SPC(Statistical Process Control)와 새롭게 제안하는 기계학습 모델 간의 성능을 비교하고자 한다. 기계학습 모델은 비지도 학습인 Autoencoder에 LSTM(Long Short-Term Memory)을 적용한 LSTM-Autoencoder 모델을 사용하였다. LSTM-Autoencoder는 Autoencoder와 달리 Sequence 학습이 가능하여 시계열 데이터의 이상 감지에 높은 성능을 보일 것으로 기대되었다. 이에 LSTM-Autoencoder 딥러닝 모델을 개발 적용하여 사면의 붕괴 시점을 예측하고, 이 중 더 성능이 나은 것으로 예측 모델을 선정하고자 한다. 본 논문은 총 4장으로 이루어져 있으며 2장에서는 수집된 데이터에 대한 설명과 연구에 사용된 예측 모델의 개념을 설명하며 3장에서는 개발된 모델을 실제 데이터에 적용하여 각 모델의 성능을 검증하였다. 4장에서 연구 결과를 요약하고 활용 방안 및 기대효과에 대해 서술하였다.
재료 및 방법
데이터 수집
본 연구에서 개발하고자 한 실시간 사면 붕괴 예측 모델은 경상북도 영덕군 축산면에 위치한 사면으로부터 수집한 데이터(Yoo, 2006)를 이용하여 개발되었다. 두 개의 지점에서의 사면 데이터로부터 개별적인 모델을 학습하였는데, 각 사면에 사용된 데이터 계측 장비는 Table 1에 정리되어 있다. 해당 계측 장비들을 사용하여 Fig. 1에서 보는 바와 같이 2003년 부터 ~ S 사면의 203개 변위 데이터(Fig. 2), 2003년 12월부터 2004년 6월까지 12시간 간격으로 관측된 B 사면의 586개의 변위 데이터를 수집하였다.
Table 1.
Data measurement and equipment used
프레임워크 제안
본 연구에서는 Training phase와 Assessment phase로 구성되는 프레임워크(Fig. 3)를 제안한다. Training phase에서는 정상 데이터만을 활용하여 기계학습 모델을 학습한다. 학습된 모델로 정상 데이터를 입력받아 재구축하고, 재구축된 데이터와 입력 데이터 간의 차이를 정량화하여 특정 값 미만의 재구축 차이는 정상 데이터로 판별하도록 Threshold을 수립한다. Assessment phase에서는 실시간 데이터를 수집하고 Training phase에서 학습된 기계학습 모델에 입력하여 재구축한다. 만약 재구축된 데이터가 입력 데이터 간의 차이가 특정 값(Training phase에서 수립된 Threshold)보다 클 경우, 사면의 안정성이 낮다고 평가할 수 있다.
이상치 감지 모델
SPC(Statistical Process Control)
SPC는 품질 특성치를 측정하고 이를 모니터링하여 공정이 관리 상태인지 혹은 관리 이탈 상태인지 파악하기 위해 사용되는 통계적 기법이다(Oakland, 2007). SPC에서 관리 상태인지 관리 이탈 상태인지에 대한 판단을 위한 여러 가지 규칙이 존재한다. 그중 Shewhart Rules 혹은 Western Electric Rule for Out of Control(WECO) Rules은 가장 널리 존재하는 규칙들로 해당 규칙은 아래와 같다.
1) 하나의 포인트가 관리 상한 밖(±3-sigma)에 위치한다.
2) 3개 중 2개의 포인트가 2-sigma 바깥에 위치한다.
3) 5개 중 연속된 4개의 포인트가 1-sigma 바깥에 위치한다.
4) 8개 이상의 연속된 포인트가 평균을 기준으로 한 쪽에 몰려있다.
5) 8개 혹은 이상의 연속적 상승/하강이 있다.
Shewhart Rule은 많은 변형이 존재하지만 그 원리는 정상상태 데이터의 평균과 분산을 기준으로 상한선과 하한선을 결정하고, 기준을 벗어나거나 특정 패턴을 보이면 이상으로 판정하는 것이다. Yoo(2006)은 SPC를 사면에서 수집한 데이터에 적용하여 평소와 다른 이상 패턴을 보이는지 판단하였고, 사면의 붕괴가 발생하기 전 SPC를 통해 붕괴 조짐을 찾아낼 수 있음을 밝혀냈다.
Autoencoder
Autoencoder는 대표적인 ML 모델인 인공신경망의 한 종류로, 비지도 학습을 지원하는 ML 모델이며 차원의 축소 혹은 이상치 감지에 널리 사용된다(Chen et al., 2018). Autoencoder는 Input을 모사하는 인공신경망으로 입력 데이터와 출력 데이터가 같도록 학습을 진행한다. Autoencoder는 크게 Encoder와 Decoder로 구성되는데 Encoder를 통해 입력 데이터를 압축하여 축소된 벡터로 표현하고 Decoder를 통해 축소된 벡터를 확장시켜입력 데이터와 같은 출력 데이터를 만든다(Fig. 4). 만약 Autoencoder를 정상 데이터만으로 학습한다면, Autoencoder는 정상 데이터가 입력되었을 때 출력 데이터를 정상 데이터와 높은 정확도로 재구축하지만, 만약 정상 데이터와 다른 특성의 데이터가 입력되게 된다면 재구축의 정확도가 낮아지게 된다. 이러한 Autoencoder의 특성을 이용하여 다양한 분야의 이상치 탐지에 사용된다(Chen et al., 2018; Cheng et al., 2021; Cozzolino and Verdoliva, 2016; Gerych et al., 2019; Roelofs et al., 2021). 특히 정상 데이터만으로도 학습이 가능하다는 장점은 비정상 데이터를 수집하기 힘든 환경에서도 적용 가능하다는 장점이 있어 그 활용도가 높다.
LSTM-Autoencoder(Long Short-Term Memory Autoencoder)
Autoencoder의 성공적인 적용에도 불구하고 해당 아키텍처를 수정, 보완하고자 하는 노력 또한 지속되어 왔다. 특히 시계열 데이터를 다룰 때 기존 Autoencoder는 시간적 특성을 담을 수 없다는 단점이 있는데 이를 극복하기 위하여 시계열 데이터 핸들링에 높은 성능을 보이는 LSTM(Yu, 2019)을 적용한 LSTM-Autoencoder도 한 예이다(Fig. 5). LSTM 은 Cell state라는 장기 메모리를 도입하여 장기 시계열 예측에 높은 성능을 보이며 LSTM-Autoencoder는 시계열 데이터의 이상 감지에 높은 성능을 보인다(Liu et al., 2022; Ranjan, 2019; Xu and Yoneda, 2019).
결과 및 고찰
사면 안정성 평가 예측 모델 개발 및 평가
사면의 안정성을 평가하기 위해 예측 모델을 개발, 평가하였다. 수집된 데이터는 Sequence 데이터로, 이를 전처리하여 특정 시점 n개의 데이터가 하나의 입력 데이터로 만들어지도록 하였다. 또한 데이터 특성에 맞게 Hyper- parameter를 선정하고 B 사면과 S 사면의 정상 상태에서 수집된 데이터를 학습하여 재구축 모델을 개발하였다. 이후 재구축된 모델에 정상 상태 데이터를 입력하여 가장 큰 차이를 기준으로 Threshold를 선정하였다. 입력 데이터와 재구축된 데이터 간의 차이가 Threshold보다 크면 해당 시점을 이상으로 감지하였으며 학습에 활용된 LSTM- Autoencoder의 Architecture는 아래 Table 2와 같다.
Table 2.
LSTM-Autoencoder 구조
Fig. 6－Fig. 7은 각각의 B 사면과 S 사면의 학습된 모델을 통해 도출한 결과값을 Plotting한 결과로, Fig. 6의 B 사면에서 학습된 LSTM-Autoencoder가 SPC를 통해 분석한 결과 대비 이상 시점 감지 횟수의 증가 및 SPC보다 최초 이상 시점 감지를 12일 앞서 감지하였다. 또한 S 사면에서도 B 사면과 마찬가지로, LSTM-Autoencoder가 SPC 분석 대비 이상 시점 감지 횟수의 증가 및 최초 이상 시점을 2일 먼저 감지하였다. 이처럼 두 사면에서 모두 학습된 LSTM- Autoencoder가 SPC보다 사면에서의 이상 시점 감지에 높은 예측 성능을 보였으며 최초 이상 시점 감지도 더 이른 시점에 가능하다는 것을 확인하였다.
결 론
본 연구에서는 수집된 데이터를 통해 사면의 붕괴 조짐을 감지하고 조기 경보하여 인명, 재산상 피해를 줄일 수 있는 기계학습 기반의 사면 붕괴 예측 모델을 개발하고자 하였다. 이상치 감지에 사용되는 Autoencoder에 시간적 정보를 학습하기 위해 LSTM을 접목하여 LSTM-Autoencoder 모델을 구현하였고 실제 수집된 사면 붕괴 데이터를 통해 그 성능을 검증하였다.
본 연구에서 제안한 LSTM-Autoencoder 모델은 선행 연구에서 사용된 SPC 방법론에 비해 이른 시점에 붕괴 조짐을 감지할 수 있었다. B 사면과 S 사면의 두 사면에서 예측 결과를 비교한 결과 B 사면에서는 LSTM-Autoencoder 방법이 SPC 방법보다 12일 앞서, S 사면에서는 2일 앞서 감지해 내는 것을 확인하였다(Table 3).
Table 3.
Summary of SPC and LSTM-Autoencoder detection results
| B Slope | S Slope | |
| Detected date using SPC | March 12 | September 13 |
| Detected date using LSTM-Autoencoder | February 28 | September 11 |
| Detection time | Twelve days ahead | Two days ahead |
사면 붕괴 데이터를 실제로 수집하기에 어려운 점이 있지만 두 사면의 실제 붕괴 데이터를 이용하여 모델을 개발하였으며, 사면의 특성이 다름에도 같은 방법론을 사용하여 우수한 성능을 보였다는 점은 앞으로도 사면의 붕괴 예측에 본 논문에서 제안한 방법론을 적용할 수 있음을 시사한다.
