1. 서 론
철도시장의 분야별 비율은 철도차량이 56.8%로 가장 많은 비중을 차지하고 철도인프라는 32.1%, 철도시스템은 11.1%로 구성되어 있으며, 연간
4~5% 성장이 예상되는 철도인프라 분야는 도시철도 및 고속철도의 성장으로 궤도산업이 58조원에 달할 전망이다.
철도시장의 비약적인 발전과 더불어 국내에서도 한국형 고속철도열차 개발 등 철도차량 분야에서 기술발전이 이루어지고 있으나 철도인프라 특히 철도선형설계분야에서는
과거 10년 전과 비교해 큰 변화가 없다.
현재 철도분야의 설계파트에서 근무하는 기술자들은 대부분 CAD나 Excel을 이용하여 시공에 필요한 도면을 작성하고 수량을 계산하고 있다. 철도선형
및 토공분야의 설계 시 철도만의 여러 가지 특수한 기준이 적용되고 정형화되기 힘든 부분을 포함하고 있더라도 수작업에만 의존한 기존 설계방식은 신속한
Output을 요구하는 타당성분석 수준의 선형설계에서도 긴 작업시간이 필요하며 국내 기업들의 해외 철도시장 진출에 걸림돌이 되고 있다.
국내에는 선형설계에서의 작업시간 절감을 위하여 다수의 철도선형프로그램이 개발되었지만, 국외 설계기준 미적용, User Interface의 불편함 및
수치데이터의 부정확성 등으로 인해 설계자들의 사용률이 저조하다.
철도선형 최적화, 철도사업 건설비 그와 달리 유럽에서는 국외 설계기준 반영, 3D 시뮬레이션 기능, 수치지도의 위성데이터와의 연계 기능을 포함한 철도선형설계프로그램을
개발사용 중이지만 국내에서는 높은 프로그램 기능 습득 난이도와 도면작성방법의 차이로 적용이 어려운 실정이다.
따라서 국내 철도사업의 신속한 선형설계 및 국내 기업들의 해외 철도시장 진출을 위하여 국내 철도 선형설계 기술자들의 손쉬운 사용, 국외 설계기준 반영,
3D 시뮬레이션 기능, 수치지도의 위성데이터와의 연계 기능 등이 포함된 한국형 철도 선형설계 프로그램이 필요하다.
본 연구는 자동화된 철도 선형설계 프로그램에 적용된 모형을 고찰하고, 개발되어진 프로그램을 활용하여 중앙선과 서해안선 계획노선 일부 구간에 대한 노선의
특성을 사례로 분석하고자 한다.
연구수행 흐름은 Fig. 1과 같다.
2. 문헌고찰
도로분야에는 다양한 자동화된 선형설계프로그램이 존재해 왔다. 2007년 도로분야에서는 (주)평화데이타시스템의 RD Smart Pro는 Autodesk사의
Auto CAD 엔진에서 개발되어 Auto CAD 2006버전 이상에서 운영되어 친숙한 사용자 환경을 제공하는 것이 특징이다. 철도설계만이 아닌 도로설계/검토,
측량 등 전반적인 토목분야에 사용되어지고 있다. (주)평화데이타시스템의 RD Smart Pro는 Autodesk사의 Auto CAD 엔진에서 개발되어
Auto CAD 2006버전 이상에서 운영되어 친숙한 사용자 환경을 제공하는 것이 특징이다. 철도설계만이 아닌 도로설계/검토, 측량 등 전반적인 토목분야에
사용되어지고 있다. 이 외에도 서영엔지니어링의 Tacoma, 삼안 연구개발원의 Blue Track등이 있다(KRRI, 2013).
외국의 경우 Trimble사의 Quantm Desktop의 경우 프로그램 자체를 설계자들에게 판매하는 것이 아닌 Trimble사에서 직접 프로그램을
이용하여 선형설계를 기획해주는 방식으로 되어 있다.
Ferris (1990)의 SQL기반에서 도로의 최적노선 선정방법에 대하여 발표하였는데 Data Base Management System (DBMS)을
사용하였다(KRRI, 2013).
Wang (1990)은 노드와 링크로 구성된 그래프 자료 객체를 활용하여 도로 네트워크를 표현하고 관리하는 방식을 제안하였다(KRRI, 2013).
|
Table 1. Comparison between Railway Design Programs
|
|
Programs
|
Characteristics
|
|
ei-Rail
|
Vertical alignment, Horizontal Curve Design, 3D Simulation, Optimal Design, Google
earth Map ex/import, Automated Data Import, Cost Estimation, Easy learning
|
|
Tacoma
|
Highway(Road) Design, Hard to learn
|
|
Blue Track
|
Highway(Road) Design, Long Term Training Period
|
|
Bentley Rail Track
|
Vertical alignment, Horizontal Curve Design, 3D Simulation, Optimal Design, Automated
Data Import
|
|
Quantm
|
Information folding
|
Choi (1996)은 교통계획과 연구 분석에서 공간 자료개념을 도입하여 경로 산정 시 누적비용을 고려하지 않고 대안노선을 도출하였다. Lee et
al. (2001)은 GIS 분석기법과 신경망 알고리즘에 의한 도로노선결정연구에서 원 데이터를 임의적으로 가공 없이 입력하여 노선선정이 가능한 신경망기법을
제시하였다.
Lee et al. (2001)은 GIS분석기법과 신경망 알고리즘에 의한 도로노선결정연구에서 원 데이터를 임의적으로 가공 없이 입력하여 노선선정이
가능한 신경망기법을 제시하였다. 문헌들의 특징은 설계의 전체 과정을 다루기보다는 일부분을 다루었다.
Shin (2013)는 철도 최적노선설계모형의 해석과 적용에서 수학적 모형과 더불어 GA알고리즘을 사용하여 종단선형 디자인을 하였다.
KRRI (2013)는 철도 노선설계 모형의 AHP 평가를 통해 철도 선형요소에 대한 평가 방법론을 제시하였다. 본 연구에서는 여기서 제시된 결과를
활용하여 노선의 적합도 평가를 수행하였다.
Bababeik (2012)는 건설비와 운영비를 고려하여 종단선형 설계에 GA알고리즘을 사용하였다.
Huimin (2000)은 중국 철도의 허브역사 운영과 관련하여 허브의 구성요소를 조차장, 화물플랫폼, 여객플랫폼, 출발 및 도착 교통량을 변수로
GA를 사용하여 최적화 하였다.
GA 알고리즘은 철도계획부터 운영까지 다양한 최적화 문제에서 활용되어지고 있음을 알 수 있다.
3. ei-Rail 프로그램
프로그램은 크게 데이터의 입력모듈과 지역의 특성에 맞게 변수를 입력하는 부분, 선형설계 옵션입력, 최적선형의 산출, 산출된 노선의 비용계산, 3D
시뮬레이션, Report 작성 모듈로 되어있다. 이중 입력모듈에 해당하는 부분과 Report작성 모듈은 논의 대상에서 제외하였다.
3.1 알고리즘의 선정배경
|
|
|
Fig. 2. Meta Heuristic Algorithm Diagram (from Wikipedia.org)
|
간단한 문제는 수학적해를 얻기 쉽다. 반면 문제의 복잡도가 커지는 조합최적화(Combinatorial Problem)나 NP (Non-Polynomial
Problem) 등의 문제는 수학적인 방법으로는 정확한 해를 얻지 못하는 경우가 많다. 이러한 Exact Solution을 얻기 어려운 문제를 해결하기
위해서 대신 Optimal Solution을 구하게 되는데, 이때 수학적 계산법을 직접 사용하는 것이 아닌 수학적 접근과 더불어 통계적 접근, 자연현상의
모사 등을 종합적으로 활용하여 외부적 최적화 과정을 모사하고 문제를 해결하게 된다. 이때 이러한 적용방법을 통칭하여 Meta-Heuristic 알고리즘이라
한다.
이들이 가지고 있는 공통점 중의 하나는 가능해 영역에서 해의 개선을 위해 순환연산을 하고 개선된 해를 찾아나가는 과정을 반복적으로 수행한다는 것이다.
Simulated Annealing 알고리즘의 경우 전역 최적화에 많이 사용되어지는 알고리즘이나 가능해영역이 확률적으로 존재하는 구조를 지니기 때문에
진화연산보다는 연산속도가 빠르지 않다. 다행히 온도강하점 영역에서 수렴을 하는 경우에는 GA 보다 빠를 수 있지만, 이 또한 확률적으로 가능한 경우이다.
본 연구의 경우 지형요소, 통과불능지역 등의 고려를 통해 전략적으로 해 공간을 구성할 수 있어 막연한 전역 최적인 것과는 다르다. 즉, GA의 초기
Population 구성 시, Random Rule 방식을 취하지 않고 제약에 의해 Feasible Solution 영역을 어느 정도 구성이 가능하다.
알고리즘의 선정을 위해서는 문제의 특성을 고려함과 동시에 알고리즘이 본문제를 모형화하기 쉬워야 하고, 최적해를 산출하는 성능 또한 우수해야 함은 물론이다.
본 연구에서 선택한 Genetic Algorithm은 기본적으로 Greedy Search 의 특성을 지니지만 해의 개선방법과 가능해 영역을 산출하는
방법이 자연현상에 근거하며 다양한 적용분야가 있다.
본 연구의 문제는 조합최적화의 문제로써 가능해 영역을 정의하고 최적해를 찾는데 있어 Genetic Algorithm을 사용하였으며, Station
간 또는 IP간 최단경로는 A*알고리즘을 사용하였다.
3.2 최적선형의 산출
최적선형을 산출하기 위한 방법으로는 다양한 알고리즘이 존재한다. 알고리즘은 크게 수학적 알고리즘과 점진적 추론방법인 Heuristic 알고리즘으로
나누어 볼 수 있다. 해공간이 명확하거나 수학적으로 증명이 될 수 있는 경우 수학적 알고리즘을 사용하나 그와 상대되는 경우, 통상 해 공간을 효율적으로
탐색할 수 있는 Heuristic알고리즘을 사용하는 것이 일반적이다. Heuristic 알고리즘은 다양한 부류가 있으나 그 중 GA 탐색기법은 초기해
공간을 정의하기 쉬우며 GA 연산과정이 다른 알고리즘의 장점을 수용하고 있고 최적해 접근이 빠른 특징을 가지고 있다. 물론 최적해 부근에서의 진동은
있으나 허용 오차한계를 조정, 또는 GA의 반복단계인 Reproduction 회수를 조정하는 방법으로 수렴속도의 조정이 가능하다.
3.2.1 목적함수의 구성
목적함수는 보다나은 해를 찾기 위해 정의된 평가함수로써 GA에서 Fitness Test 과정에서 사용되며 프로그램에서는 보통 Genome의 멤버함수로
존재한다.
GA에서 탐색을 위해 유일하게 필요로 하는 것은 어떤 개체가 다른 개체에 비해 얼마나 더 나은가를 나타내는 척도뿐이다. 따라서 목적함수가 이 척도를
제공하며 최적화에 대한 유일한 해를 반영한다.
또한, 최적선형을 구하기 위해 진화 과정 중에 만들어지는 수많은 선형이 좋은 형질을 가지고 있는지를 평가하여 그 선형평가점수를 반환한다.
지능형 통합프로그램에서 사용될 목적함수는 선형을 평가함에 있어 친환경성, 안전성, 경제성, 공사비 등을 감안한 선형평가점수를 반환한다.
이 목적함수의 반환 값은 스케일링에 의해 적합도로 변환되어 다음세대를 위한 선택과정에서 사용되어진다.
목적함수는 다음의 식과 같이 표현된다.
여기서, 총 비용은 건설비, 운영비, 기타비용으로 표현하였다. 이때 건설비는 토공, 교량, 터널, 선로, 급전 등의 부대시설비용과 역사건설비를 포함하고
있다. 토공은 일반적으로 전체 건설비용에서 차지하는 비율이 가장 크며 전체 건설비를 결정짓는 가장 중요한 요인이다.
3.3 GA Process
3.3.1 전체 Process
다음 그림은 GA가 사용하는 여러 가지 매개변수의 값을 설정한 후 선형최적화시 GA의 동작원리를 단계별로 나타낸 것으로 진화과정에서 선택, 교배,
돌연변이, 새로운 집단형성, 종료조건 체크 등의 일련의 과정을 보여준다.
알고리즘의 각 단계별 처리내용은 Fig. 3과 같다.
3.3.2 수행 Algorithm
<Step1>초기선형 생성
ㆍGA수행조건에서 설정한 초기 선형 수만큼 시종점사이의 임의의 평면선형을 발생 시킨다.
ㆍ만일 사용자가 지정한 초기선형이 있을 경우에는 그 선형을 우선적으로 초기선형에 포함시킨다.
ㆍ평면선형 자체가 Genome인 관계로 100개의 Genome이 생성되었으며 이를 초기집단이라고 한다.
ㆍ본 연구에서는 중복집단을 사용하는 정상적 유전자 알고리즘을 사용하므로 교체비율을 적용한 임시집단을 만든다. GA 수행조건 설정에서 교체비율을 50%로
설정 하였으므로 임시집단의 선형개수는 50개가 된다. 단, 임시집단의 선형(게놈)은 초기화를 거치지 않은 관계로 IP정보가 포함되지 않은 Genome의
메모리만 확보 된 상태라고 보면 된다.
|
|
|
Fig. 3. GA Process in Alternative Selection
|
<Step2>초기선형 평가
ㆍ초기집단 각각의 선형(게놈)에 대하여 목적함수를 호출하여 선형의 평가점수를 구한다.
ㆍ초기집단을 평가하고 나면 이 집단이 1세대 집단이 되며 앞으로 진화과정에서 이 집단내의 100개의 선형이 점차 나은 선형으로 바뀌게 된다.
<Step3>선택(Selection)
ㆍ집단에서 각 선형(게놈)의 평가점수를 적합도 값으로 전환시킨다.
ㆍ룰렛-휠 방법을 이용하여 교배에 사용할 2개의 선형(부모선형)을 선택한다.
ㆍ선택 시 집단 내 개체다양성(diversity)을 위하여 비교 연산자를 작성하였다. 예를 들어 두 선형이 교배를 위하여 룰렛-휠 방법에 의해 선택되는데
전혀 비슷하지도 않은 평면선형을 교배했을 경우 생겨난 자손 선형이 부모선형의 형질을 물려받았다고 할 수 없다. 이를 방지하기 위하여 선택 시 아래와
같은 값에 기준하여 0.35 - 0.7 사이의 선형만 선택되도록 연산자를 구성 하였다.
1) 두선형의 IP 개수가 다름 → -1적용
2) 두선형의 유전자가 같음(동일한 선형임) → 0적용
3) 두 선형이 비슷하게 다름(각 IP간의 이격거리 50m 이상인 IP가 전체IP 개수에서 차지하는 비율 적용) → 0.01 - 0.99적용
ㆍ집단의 선형이 100개이고 교체비율이 50%이므로 총25번의 선택과정을 거친 후, GA수행조건에 따라 다음의 교배 및 돌연변이를 수행한다.
<Step4>교배(Crossover)
ㆍ선택된 부모선형을 교배하여 자식선형을 생성한다.
ㆍ이때 무조건 교배를 하는 것이 아니라 GA수행조건에서 설정한 교배 확률에 따라 교배를 수행한다. 위의 경우에서 교배 확률을 80%로 설정한 관계로
한세대에서 약 20번의 선형교배가 이루어진다.
ㆍGA의 성능은 교배연산자의 성능에 크게 의존하는 관계로 도로선형탐색에 적당한 교배연산자를 재정의 하였으며 그 종류는 다음과 같다.
1) GaLib이 지원하는 교배방법
2) 최소거리 IP 교배
3) 최대거리 IP 교배
4) 임의IP 일점교배
5) 모든IP 다점교배
6) 위 여러 교배방법 중 GA수행 중 교배시마다 1가지 방법을 랜덤하게 선택하여 교배수행
ㆍ교배를 마친 자식선형은 모두 입시집단에 들어가게 된다.
<Step5>돌연변이(Mutation)
ㆍ새로 생성된 자식선형에 대하여 GA수행조건에서 설정한 돌연변이확률에 따라 돌연변이를 수행한다. 위의 경우에서 돌연변이 확률을 10%로 설정한 관계로
임시집단의 총 자식선형수의 10%가 돌연변이를 수행한다.
ㆍ돌연변이는 선형(게놈)의 패턴을 전환시키는 역할을 하며 선형의 탐색공간이 변경되어 전역(Global) 최적해를 구하기 위해서는 반드시 필요하다.
ㆍ본 연구에서 새로 정의한 돌연변이 연산자의 종류는 다음과 같다.
1) GaLib가 지원하는 돌연변이 방법
2) 임의IP 1개 랜덤지정
3) 복수 개 IP 랜덤지정
4) 임의IP 1개추가 또는 삭제
5) 복수개의 임의IP 추가 또는 삭제
6) 평가점수가 낮은 IP구간을 선택하여 보정
7) 위 여러 돌연변이 방법 중 GA수행 중 돌연변이시마다 1가지방법을 랜덤하게 선택하여 돌연변이 수행
<Step6>새로운 집단형성
ㆍ집단으로부터 선택, 교배, 돌연변이 과정을 거쳐 새로운 선형(Genome)들을 생성 시켜 임시집단을 구성하였다.
ㆍ이 임시집단의 선형들을 집단에 추가한 후 다시 목적함수를 호출하여 추가된 선형에 대하여 평가한 후 전체선형을 점수별로 소트한다.
ㆍ임시집단을 집단에 추가하여 집단의 선형 수는 150개가 되었다. 이들 중 점수가 나쁜 하위 50개의 선형을 추출하여 다시 임시집단을 구성하고 집단의
선형 수는 100개를 그대로 유지하였지만 더 나은 선형들로 갱신되었다.
ㆍ새로운 집단을 형성하면 GA진화 중 현재 세대수가 1 증가한다.
<Step7>종료조건 체크
ㆍ종료조건 체크란 GA의 진화를 언제 끝낼지를 결정하는 것이다. GA수행조건에서 설정한 지정된 세대수와 현재 세대를 비교하여 만약 현재세대가 지정된
세대보다 적다면 GA가 계속 수행될 것이다.
ㆍ단, 여기서는 수렴조건으로 수렴세대 30을 설정한 관계로 최소한 30세대는 GA가 계속 수행된 후 종료조건을 체크 할 것이다. 수렴세대 30이란
현재집단의 가장 좋은 선형의 점수가 30세대 전의 가장 좋은 선형의 점수와 같으면 GA의 진화를 종료하라는 뜻이다. 위의 경우에서 세대수는 200세대를
설정 하였지만 최소 30세대부터 경우에 따라 200세대를 초과하여 500세대 또는 1000 세대까지 진화가 계속 될 수도 있다. 그 이유는 진화를
거듭할수록 집단 내 가장 좋은 선형의 점수가 자꾸 갱신되기 때문이다.
ㆍ종료조건을 만족하면 진화를 중지하고 GA를 종료하게 되며 집단내의 첫 번째 선형이 최적선형이 된다.
ㆍ최적화과정 중 각 연산자의 호출횟수는 다음과 같이 계산된다.
ㆍ총 선택횟수 = (초기선형 수x교체비율/2) x 종료 세대수
ㆍ총 교배횟수 = (총 선택횟수x교배비율) x 종료 세대수
ㆍ총 돌연변이횟수 = (초기선형 수x교체비율 x 돌연변이비율)x종료세대수
3.3.3 최적경로를 포함한 대안의 산출
대안별로 산출된 비용은 거리에 비례하여 커지게 된다. 따라서 초기해 구성에서 최적경로를 포함할 필요가 있다. 최적경로를 산출하기 위해 본 연구에서는
A* 알고리즘을 사용하였다.
A* 알고리즘은 주어진 출발지 노드에서부터 목적지 노드까지 가는 최단 경로를 찾아내는 그래프/트리 탐색 알고리즘 중 하나이다. A*알고리즘은 두 종류의
상태 목록을 관리한다. 하나는 아직 조사하지 않은 상태들을 담은 열린 목록(Open List)이고, 또 하나는 이미 조사한 상태들을 담은 닫힌 목록(Closed
List)이다. 알고리즘의 시작에서 닫힌 목록은 비어 있으며, 열린 목록은 오직 시작상태만을 가지고 있다. 각각의 반복에서 알고리즘은 열린 목록의
상태들 중 가장 유망한 것을 가져온다(이때 열린 목록에서 제거된다). 그 상태가 목표가 아니면 이웃한 위치들로 확장을 한다. 이웃 위치들이 새로운
것이면 열린 목록에 넣고, 이미 열린 목록에 있고 그것의 경로가 이전 것보다 가중치가 더 작으면 그 위치의 정보를 갱신한다. 반대로, 만일 그 위치들이
이미 닫힌 목록에 있는 것이면 이미 조사를 마친 것이므로 그냥 무시한다. 목표에 도달하기 전에 열린 목록이 비어지면 시작위치로부터 목표에 도달하는
경로가 존재하지 않는 것이다.
또한, 목표에 도달하면 목표에 도달하기까지 가장 작은 가중치를 찾아 지나온 경로를 역추적하면 최종 노선이 형성되게 된다.
|
|
|
Fig. 4. Vertical Alignment Alternative
|
|
|
|
|
|
Fig. 5. Horizontal Curve Alternatives
|
3.3.4 지장물(기존하천, 도로 등)의 고려
지장물은 공사비규모에 영향을 줄 뿐 아니라 선형의 강제적인 변화에 중요한 역할을 한다. 본 연구에서는 공간분석모듈을 이용하여 통과불가지역, 지장물(기존하천,
도로 등), 지형 등을 분석하여 각 그리드별로 저항치를 설정하고 그리드별 저항 값과 지형, 기하구조조건, 공사비 등을 고려하여 다수의 최단경로(종단을
고려한 평면)를 생성한다.
최적화시에는 이때 생성된 평면선형을 이용하여 공사비를 산출한다.
|
|
|
Fig. 6. Elapsed Time by Process
|
|
|
|
|
|
Fig. 7. Elapsed Time by Process
|
4. 철도 선형설계 요소의 평가
4.1 평가방법
철도선형설계요소의 평가는 하나의 항목으로 평가될 수 없는 다 기준 의사결정 문제이다. 본 연구에서는 Saaty (1980)가 제안한 Analytic
Hierarchical Process를 사용하여 다 기준 의사결정을 하고자 한다.
Kim and Shin (2014)은 철도노선 설계 모형의 AHP 평가에서 다음과 같이 선형요소의 평가 가중치를 제시하였다. 전문가 구성은 철도계획,
시공, 운영과 관련 있는 학계, 업계, 연구소의 30명을 대상으로 선형설계평가요소의 1차, 2차 분류, 추가 분류, 기타의견에 대한 적합도 정도를
분석하여 다음의 결과를 산출하였다.
4.2 중앙선의 선형요소 평가결과
｢중앙선 도담~영천 복선전철 타당성조사 및 기본계획(이하 “기본계획”으로 칭함)｣의 구간연장은 84.16km로 정거장은 총 4개소로 계획되었다 ei_Rail
최적화 검토 시 시․종점은 기본계획과 동일하게 설정을 하고, 검토 노선대의 주요 하천 및 도로, 산지부를 구조물로 통과하도록 설정하였으며, 주요 정거장
구간 4개소를 ei_rail 노선 검토 시 통과하는 것으로 초기 조건을 설정 하였다.
|
Table 2. AHP Weights of Railway Design Elements
|
|
1st Classification
|
2nd Classification
|
|
Elements
|
weight
|
Elements
|
weight
|
|
Construction
Cost
|
0.17
|
Quantity of Earth Work
|
0.18
|
|
Quantity of Bridges
|
0.38
|
|
Quantity of Tunnels
|
0.32
|
|
Facility Cost
|
0.12
|
|
Design
Elements
|
0.36
|
Design Speed
|
0.43
|
|
Horizontal Curvature
|
0.30
|
|
Grade
|
0.18
|
|
Cant
|
0.10
|
|
Operation
Elements
|
0.17
|
Scheduled Speed
|
0.47
|
|
Operation Time
|
0.19
|
|
Route Length
|
0.09
|
|
Operation Cost
|
0.25
|
|
Geographic
Elements
|
0.24
|
Pass Point
|
0.39
|
|
Water System
|
0.17
|
|
Urbanization
|
0.28
|
|
Mountain
|
0.17
|
|
Program
Performance
|
0.07
|
Running Time
|
0.41
|
|
Manual Time
|
0.29
|
|
Non-use Time
|
0.29
|
노선 검토 지역은 제공된 수치지도(S=1/5,000), 평면 및 종단계획도, 설계보고서 등의 자료를 바탕으로 하였다.
선형요소의 평가는 조사에 참여한 전문가의견을 바탕으로 평가되었으며 평가결과는 다음 표와 같다. 기존선형의 평가결과보다 우수하게 평가되었음을 알 수
있다.
산출된 결과는 위 Table 2의 지표의 가중치를 바탕으로 다음 산출식이 적용되었다. 위의 표와 전문가조사의견으로 종합된 의사결정 값은 아래의 식에
의해 계산되었다.
이때, W는 각 계층 분류별 가중치이며, ‘Attrb’는 2차 분류 항목의 조사된 값이다.
점수의 구간은 [1,10]이며, 중앙선은 이전 설계 적합도에 대한 AHP평가는 6.7점에서 자동화된 설계를 활용한 ei-Rail에서의 값은 10점
중 7.3점으로 나타났다.
|
Table 3. AHP Result of Joong-Ang Line by ei-Rail
|
|
Final
|
Weight
|
Evaluation
|
Weight
|
Evaluation
|
|
7.304
|
0.17
|
8.32
|
0.18
|
7
|
|
0.38
|
9
|
|
0.32
|
8
|
|
0.12
|
9
|
|
0.36
|
6.83
|
0.43
|
7
|
|
0.3
|
9
|
|
0.18
|
4
|
|
0.1
|
4
|
|
0.17
|
6.51
|
0.47
|
7
|
|
0.19
|
8
|
|
0.09
|
5
|
|
0.25
|
5
|
|
0.24
|
8.24
|
0.39
|
9
|
|
0.17
|
5
|
|
0.28
|
9
|
|
0.17
|
8
|
|
0.07
|
4.95
|
0.41
|
5
|
|
0.29
|
6
|
|
0.29
|
4
|
|
|
|
Table 4. AHP Result of Joong-Ang Line Before
|
|
Final
|
Weight
|
Evaluation
|
Weight
|
Evaluation
|
|
6.7448
|
0.17
|
6.76
|
0.18
|
5
|
|
0.38
|
7
|
|
0.32
|
7
|
|
0.12
|
8
|
|
0.36
|
5.61
|
0.43
|
7
|
|
0.3
|
4
|
|
0.18
|
5
|
|
0.1
|
5
|
|
0.17
|
6.21
|
0.47
|
6
|
|
0.19
|
7
|
|
0.09
|
9
|
|
0.25
|
5
|
|
0.24
|
8.41
|
0.39
|
9
|
|
0.17
|
6
|
|
0.28
|
9
|
|
0.17
|
8
|
|
0.07
|
7.17
|
0.41
|
9
|
|
0.29
|
7
|
|
0.29
|
5
|
4.3 서해안선의 선형요소 평가결과
서해안선은 모든 입력데이터를 활용하기 어려운 관계로 일부구간의 자료를 활용하였다. ｢서해안선 홍성~송산 복선전철의 제10공구 노반 기본 및 실시설계｣의
구간 연장은 10.66km로 계획구간의 정거장은 총 2개소로 이다. 이를 ei-Rail로 설계해 본 결과 다음과 같은 선형요소의 평가결과를 얻었다.
|
Table 5. AHP Result of Seo-Hae Line by ei-Rail
|
|
Final
|
Weight
|
Evaluation
|
Weight
|
Evaluation
|
|
7.9489
|
0.17
|
7.5
|
0.18
|
6
|
|
0.38
|
9
|
|
0.32
|
6
|
|
0.12
|
9
|
|
0.36
|
8.38
|
0.43
|
8
|
|
0.3
|
9
|
|
0.18
|
8
|
|
0.1
|
8
|
|
0.17
|
7.53
|
0.47
|
7
|
|
0.19
|
8
|
|
0.09
|
8
|
|
0.25
|
8
|
|
0.24
|
8.58
|
0.39
|
9
|
|
0.17
|
7
|
|
0.28
|
9
|
|
0.17
|
8
|
|
0.07
|
4.54
|
0.41
|
4
|
|
0.29
|
6
|
|
0.29
|
4
|
서해안선의 평가점수의 구간은 [1,10]이며, 이전 설계 적합도에 대한 AHP평가는 6.6점에서 자동화된 설계를 활용한 ei-rail에서의 값은 10점
중 7.9점으로 나타났다.
|
Table 6. AHP Result of Seo-Hae Line Before
|
|
Final
|
Weight
|
Evaluation
|
Weight
|
Evaluation
|
|
6.6132
|
0.17
|
5.88
|
0.18
|
5
|
|
0.38
|
7
|
|
0.32
|
5
|
|
0.12
|
6
|
|
0.36
|
7.73
|
0.43
|
7
|
|
0.3
|
8
|
|
0.18
|
9
|
|
0.1
|
7
|
|
0.17
|
5.28
|
0.47
|
4
|
|
0.19
|
5
|
|
0.09
|
5
|
|
0.25
|
8
|
|
0.24
|
6.9
|
0.39
|
7
|
|
0.17
|
6
|
|
0.28
|
7
|
|
0.17
|
7
|
|
0.07
|
3.96
|
0.41
|
4
|
|
0.29
|
4
|
|
0.29
|
4
|
5. 결론 및 향후 연구방향
본 연구의 ei-Rail은 다양한 대안의 평가를 위한 시간절감효과를 가져올 수 있으며, 사람이 고려할 수 있는 대안의 개수 보다 많은 대안을 고려
할 수 있으므로 그 중 더 나은 대안을 찾아낼 수 있다. 이는 공학적인 면이나 경제적인 면에서 앞으로 철도선형설계분야에 공헌이 기대되는 부분이다.
선형요소의 AHP 평가결과 중앙선은 기존설계에 대한 적합도 6.7에서 7.3으로 약 0.6점(8.9%)이 개선되었고, 서해안선은 기존 6.6에서 7.9점으로
1.3점(19.7%)이 개선되었다.
산출된 대안의 공사비 측면에서 볼 때, 중앙선의 경우 위의 선형요소 평가결과 외에도 총비용은 약 5% 절감된 것으로 나왔으며, 서해안선의 경우 약
27%줄어든 것으로 분석되었는데 이는 토공의 비중이 상대적으로 커지고 교량이나 터널의 비중이 낮아진 것에 기인하고 있으며 서해안선의 경우 장대교량의
설치 비율이 낮은데서 비용의 차이가 발생하였다.
본 연구를 수행하면서 설계를 위한 기초자료인 위성데이터 및 기존 설계 자료를 조사하는데 상당한 시간이 필요하였다. 또한 대용량 데이터를 다루어야하므로
하드웨어적인 성능도 요구되었다.
본 연구는 향후 이러한 소프트웨어적인 면과 하드웨어적인 면의 제약을 개선하기 위하여 자료취득의 방법, 알고리즘의 개선 등, 향후, 지속적인 연구 개발이
있어야 할 것이며, 공학, 경제의 정량적 측면과 더불어 안전을 고려한 선형의 주행 미관, 사용자입장에서 주행 선형의 쾌적성과 같은 정성적인 측면에
대한 고려도 함께 이루어져야 할 것이다.