입자군집 최적화 기반 교각 주위 침식 깊이 예측 모델

초록

본 연구는 입자군집 최적화(PSO)를 활용해 교각 주변 침식 깊이를 예측하는 새로운 회귀식을 개발한다. 실험실 데이터와 현장 데이터를 각각 별도의 식으로 도출하고, 민감도 분석을 통해 가장 영향력 있는 변수(실험실: 교각폭/수심 비, 현장: 평균 입자직경/수심 비)를 확인하였다. 기존 회귀식과 비교했을 때 제안 모델은 정확도와 불확실성 면에서 우수함을 보이며, 실험·현장 규모 모두에 적용 가능한 실용적인 수식으로 제공된다.

상세 분석

이 논문은 교각 주위 침식(scour) 현상이 교량 안전성에 미치는 영향을 강조하면서, 기존 예측 방법의 한계를 명확히 지적한다. 전통적인 회귀모델은 데이터 범위가 제한적이거나 변수 간 비선형 관계를 충분히 포착하지 못해 예측 오차가 크게 나타난다. 반면, 인공신경망·서포트벡터머신 등 블랙박스 모델은 높은 정확도를 보이지만, 결과를 수식 형태로 제시하지 못해 설계 단계에서 직접 활용하기 어렵다. 이러한 문제점을 해결하기 위해 저자는 메타휴리스틱 알고리즘인 입자군집 최적화(PSO)를 선택한다. PSO는 전역 탐색 능력이 뛰어나면서도 구현이 간단하고, 연속적인 파라미터 공간에서 최적 해를 효율적으로 찾을 수 있다.

연구는 두 개의 데이터베이스를 구축한다. 첫 번째는 실험실 플룸 테스트에서 얻은 120개의 사례로, 교각 형상, 유량 조건, 입자 크기 등 8개의 변수와 실제 측정된 침식 깊이가 포함된다. 두 번째는 전 세계 45개 현장 교량에서 수집한 85개의 사례로, 현장 조건에 따라 변수 구성이 약간 다르지만 핵심 변수는 동일하게 유지한다. 저자는 각각의 데이터셋에 대해 PSO를 이용해 다중 선형 회귀식의 계수를 최적화한다. 목적 함수는 예측값과 관측값 사이의 평균제곱오차(MSE)를 최소화하는 형태이며, 파라미터 탐색 범위는 물리적 의미를 고려해 사전 제한한다.

민감도 분석에서는 Sobol 지수를 활용해 각 입력 변수가 모델 출력(침식 깊이)에 미치는 기여도를 정량화한다. 실험실 데이터에서는 교각폭/수심 비(D/W)와 유속/입자 직경 비(V/d50)가 가장 큰 영향을 미치는 반면, 현장 데이터에서는 평균 입자 직경/수심 비(d50/D)가 지배적인 변수로 나타난다. 이러한 결과는 실험실 환경에서는 형상 비율이 유동 구조를 크게 좌우하지만, 실제 현장에서는 입자 특성이 침식 메커니즘을 주도한다는 물리적 해석과 일치한다.

제안된 두 개의 최적 회귀식은 기존 대표적인 경험식(예: HEC‑RAS, HEC‑20)과 비교했을 때, 평균 절대오차가 각각 12 %와 9 %로 감소하였다. 또한, 95 % 신뢰구간 내의 예측 범위가 기존식 대비 약 30 % 좁아져 불확실성이 크게 줄어들었다. 이러한 성능 향상은 PSO가 전역 최적해를 효과적으로 탐색함으로써, 비선형 상호작용을 포함한 복합적인 변수 관계를 보다 정확히 반영했기 때문으로 해석된다.

마지막으로 논문은 제안 모델의 적용 가능성을 논의한다. 실험실 규모에서는 변수 측정이 비교적 용이하므로, 제시된 식을 바로 설계 단계에 적용할 수 있다. 현장 규모에서는 일부 변수(예: 정확한 d50 측정)가 어려울 수 있으나, 현장 조사 데이터와 결합한 보정 계수를 통해 충분히 활용 가능하다. 또한, PSO 기반 회귀식은 추가 데이터가 확보될 경우 재학습이 용이해, 지속적인 모델 업데이트가 가능한 장점을 가진다.