딥러닝 기반 교량 교각 침식 예측 모델

초록

본 연구는 3개의 은닉층(100‑80‑50 노드)으로 구성된 딥 뉴럴 네트워크(DNN)를 활용해 현장 측정 데이터(총 232건)로 교량 교각 주변 침식 깊이를 예측한다. 학습‑검증 결과 DNN은 상관계수 0.957, RMSE 0.306 m를 기록했으며, 기존 단일 은닉층 인공신경망(ANN) 대비 성능이 현저히 향상되었다.

상세 분석

본 논문은 전통적인 ANN(단일 은닉층)보다 파라미터 수와 표현력이 큰 딥 뉴럴 네트워크(DNN)를 침식 예측에 적용함으로써, 복잡하고 비선형적인 수리·지형 변수와 침식 깊이 사이의 관계를 보다 정밀하게 모델링할 수 있음을 실증한다. 데이터셋은 현장 조사에서 얻은 232개의 교각 침식 사례를 포함하며, 입력 변수로는 유속, 유량, 토양 입도, 교각 형상, 수위 등 8~10개의 물리적·기하학적 인자를 사용하였다. 데이터는 154건을 훈련용, 78건을 테스트용으로 무작위 분할했으며, 과적합 방지를 위해 교차 검증 및 조기 종료(Early Stopping) 전략을 적용하지 않은 점은 향후 개선 여지가 있다.

모델 구조는 3개의 은닉층을 순차적으로 배치하고, 각각 100, 80, 50개의 뉴런을 할당하였다. 활성화 함수는 ReLU를 사용해 기울기 소실 문제를 완화했으며, 출력층은 선형 활성화를 통해 연속적인 침식 깊이 값을 직접 회귀한다. 가중치와 편향 업데이트는 Adam 옵티마이저의 변동 학습률(adaptive learning rate) 방식을 채택했으며, 초기 학습률은 0.001로 설정하고 베타 파라미터(β1=0.9, β2=0.999)를 기본값으로 두었다. 손실 함수는 평균 제곱 오차(MSE)를 최소화하도록 설계했고, 학습 과정에서 배치 크기 32를 사용해 메모리 효율성을 확보하였다.

성능 평가는 상관계수(R)와 평균 제곱근 오차(RMSE) 두 지표를 중심으로 진행되었다. 테스트 결과 DNN은 R=0.957, RMSE=0.306 m를 기록했으며, 동일 데이터셋에 대해 ANN(은닉층 1개, 50노드)으로 얻은 R=0.938, RMSE=0.388 m와 비교해 약 7 %의 RMSE 감소와 2 %의 R 증가를 보였다. 이는 DNN이 복합적인 변수 상호작용을 더 잘 포착한다는 증거이며, 특히 높은 유속·큰 토양 입도 조합에서 발생하는 비선형 효과를 효과적으로 학습한 것으로 해석된다.

하지만 논문에는 몇 가지 한계점이 존재한다. 첫째, 데이터 규모가 232건에 불과해 모델 일반화 능력을 충분히 검증하기 어렵다. 둘째, 변수 선택 과정이 명시적으로 기술되지 않아, 다중공선성이나 불필요한 변수 포함 여부를 판단하기 어렵다. 셋째, 모델 해석성을 높이기 위한 SHAP값이나 민감도 분석이 부재해 실무 적용 시 신뢰성 확보에 제약이 있다. 마지막으로, 실시간 적용을 위한 경량화 모델이나 하드웨어 구현에 대한 논의가 없으며, 이는 현장 엔지니어링에서 중요한 요소다.

향후 연구 방향으로는 데이터셋 확대·다양화(다양한 강상태·교각 형상 포함), 교차 검증 기반 하이퍼파라미터 튜닝, 모델 해석 기법 도입, 그리고 전이 학습(Transfer Learning)이나 앙상블 기법을 통한 예측 정확도 향상이 제시된다. 또한, DNN을 기반으로 한 실시간 모니터링 시스템을 구축해 교량 유지관리 의사결정에 직접 활용하는 방안도 기대된다.