수도관 남은 수명 예측을 위한 인공신경망·적응형 뉴로‑퍼지 모델 연구

본 논문은 미국·캐나다의 4개 지방자치단체에서 수집한 대규모 수도관 데이터베이스를 활용해, 인공신경망(ANN)과 적응형 뉴로‑퍼지 추론 시스템(ANFIS) 기반의 남은 사용 가능 연수(RUL) 예측 모델을 개발·평가한다. 연구 배경으로는 기존의 통계‑기반 파손 예측 모델이 데이터 부족, 비선형 상호작용, 재질·환경 변수의 복합 효과를 충분히 반영하지 못한다는 점을 들었다. 따라서 데이터‑주도형 인공지능 기법을 적용해 이러한 한계를 극복하고자 한다. **데이터 및 변수 선정** 총 4,112개의 파이프 사례(길이 20 ft~36,161 ft, 직경 4 in~24 in, 연령 1~131년)와 5,610건의 파손 기록을 포함한다. 입력 변수는 파이프 연령, 설치 연도, 길이, 재질(캐스트 아이언, 듀라블 아이언, 석면 시멘트, 강철 등), 직경, 두께 손실(%), 파손 횟수이며, 목표 변수는 남은 사용 가능 연수(RUL)이다. 결측값은 제거하고, 범주형 재질은 원‑핫 인코딩으로 변환하였다. 상관관계와 ANOVA·t‑검정을 통해 모든 입력 변수가 통계적으로 유의함을 확인하였다. 특히 두께 손실과 RUL 사이의 관계는 2차 다항 회귀(R² ≈ 0.82)로 나타났으며, 이는 두께 손실이 RUL 감소에 비선형적으로 기여함을 의미한다. **ANN 모델 설계 및 학습** 은닉층 하나와 3~10개의 뉴런을 갖는 8가지 ANN 구조(ANN1~ANN8)를 구축하였다. 입력 변수는 기본 6개이며, 데이터 가용성을 고려해 일부 모델에서는 두께 손실을 제외하였다. 학습‑검증 비율은 75 %:25 %이며, Levenberg‑Marquardt 최적화와 역전파 알고리즘을 사용했다. 모델 성능 평가는 결정계수(R²), 평균절대오차(MAE), 평균제곱오차(MSE)로 수행하였다. 최적 ANN 모델(은닉 뉴런 7개, 두께 손실 포함)은 R² = 0.89, MAE = 2.1년을 기록하였다. **ANFIS 모델 설계 및 학습** ANFIS는 두께 손실과 재질을 퍼지 입력으로 사용하고, 가우시안 멤버십 함수를 적용해 4개의 퍼지 규칙을 정의하였다. 하이브리드 학습(그라디언트 하강 + 최소제곱)으로 파라미터를 최적화했으며, 최종 모델은 R² = 0.88, MAE = 2.3년을 달성하였다. ANFIS는 비선형 관계를 명시적으로 모델링하면서도 규칙 기반 해석 가능성을 제공한다는 장점이 있다. **성능 비교 및 인사이트** 두 모델 모두 기존 선형 회귀 모델 대비 약 15 %~20 % 높은 예측 정확도를 보였다. 변수 중요도 분석 결과, 파이프 연령과 두께 손실이 RUL 예측에 가장 큰 영향을 미쳤으며, 재질과 파손 횟수도 보조적인 역할을 수행한다. 특히 두께 손실이 10 %에 도달하면 RUL이 평균 50 % 감소한다는 정량적 관계를 도출하였다. 이는 유지보수 우선순위 결정, 교체 시점 예측 등에 직접 활용 가능하다. **제한점 및 향후 연구 방향** 데이터는 주로 오래된 금속 파이프에 편중돼 있어 최신 플라스틱 파이프에 대한 일반화가 제한된다. 또한, 현장에서는 두께 손실 측정이 비용과 접근성 문제로 어려워 실제 적용 시 변수 누락 가능성이 있다. 향후 연구에서는 센서 기반 실시간 두께 측정 데이터와 GIS 기반 토양·기후 변수(토양 pH, 습도 등)를 통합해 모델의 외삽성을 강화하고, 베이지안 신경망·확률적 그래프 모델을 도입해 예측 불확실성을 정량화할 필요가 있다. **결론** ANN과 ANFIS를 활용한 RUL 예측 모델은 수도관 관리에 있어 높은 정확도와 실용성을 입증하였다. 특히 두께 손실이 10 % 수준일 때 남은 수명이 절반으로 감소한다는 결과는 정책 입안자와 운영자에게 중요한 의사결정 근거를 제공한다. 향후 데이터 품질 향상과 모델 확장을 통해 보다 포괄적인 파이프 자산 관리 체계 구축이 기대된다.