3.1.1 데이터 정제 및 구성

본 연구에서 머신러닝을 적용하기에 앞서 수리모형실험자료에서 추출한 초기 해빈단면, 풍속, 양빈사의 입경, 시간 그리고 실험 후 변화된 해빈단면을 머신러닝 모델에 적용하기 위해 데이터 정제 과정(data refinement process)을 수행하였다. 이를 통해, 실험환경에 대한 자료는 입력변수로 사용하였고, 실험결과 값 즉, 실험 후 변화된 해빈단면으로부터 추출된 변화량은 모델이 예측해야 하는 출력변수로 다음 Table 1과 같이 구성하였다.

3.1.2 학습 및 검증 데이터 구성

본 연구에서 사용하는 5개의 입력변수와 1개의 출력변수로 구성된 데이터를 학습데이터와 검증데이터로 구성하였다. 각 연구실험 별로 구성된 데이터는 각기 다르며, 모든 실험에서 항상 90 %를 학습데이터로 구성하여 학습 과정에 사용하였으며, 나머지 10 %의 데이터를 사용하여 모델을 검증하였다.

3.2.1 지도학습(Supervised learning)

본 연구에서는 기존에 수행된 수리모형실험에 관한 실험자료를 바탕으로 표사이동 침‧퇴적을 재현하여 발생 가능한 현상에 대해 예측하는 것이 목적이므로 머신러닝 기법 중 지도학습을 적용하였다. 이를 통해, 수리모형실험에서 측정된 다량의 실험자료를 훈련 데이터로 정제하여 실험환경과 해빈단면 변화간의 상관관계를 분석하는 회귀기반 예측모델을 구성하였다.

3.2.2 인공신경망(Artificial Neural Network, ANN)

인공신경망은 머신러닝 분야에서 인간의 신경세포를 표방하여 신경망과 유사한 구조로 이루어진 모델로, 지도학습과 더불어 다양한 학습 방법을 통해 분류, 예측, 회귀분석 등을 수행하며, 특정 분야의 문제에 대한 데이터 기반의 분석 및 유의미한 결과를 도출할 수 있다. 따라서, 본 연구에서는 머신러닝 모델로 인공신경망을 사용하였으며, 기본적인 인공신경망의 구조는 Fig. 3과 같이 구성된다.

인공신경망 내 노드(Node)라는 정보 처리 인자를 기반으로 최소 세 개 이상의 노드 계층(Layer)으로 구성되어, 선형과 비선형 관계를 갖는다.

이때, 세 개 이상의 노드 계층은 입력층, 은닉층, 출력층을 포함하고 있으며, 인공신경망은 Fig. 4에 도시된 바와 같이 입력층에서 입력데이터 $x_{i}$(i= 1, 2, ..., n)을 가질 때, 은닉층에서 계산식과 같이 표현된다.

Eq. (1)에서 y출력에 대해 함수 $f$는 활성 함수를 표현한다.

Eq. (2)에서 $w_{ji}$ 은 입력층과 은닉층 사이의 가중치와 $b_{j}$ 은 은닉층 내의 편차(bias)를 표현한다. 입력층과 은닉층 사이의 가중치와 편향을 기반으로 $h_{j}$ 는 각 $i$번째 데이터에 대해 은닉층의 $j$번째 노드에서 가중치와 편향 및 연산을 표현한다. 이를 기반으로, 인공신경망이 원하는 예측을 수행하기 위해서는 학습 과정이 필요하고, 학습 과정을 통해 목표값과 인공신경망의 예측값이 각 모델 내 노드 사이의 선형 또는 비선형 활성 함수와 역전파(Back- propagation)를 활용하여 정의된 오차함수를 최소화할 수 있는 노드의 적절한 가중치를 찾는다^{(Lee et al., 2020)}. 이와 같은 방법으로, 인공신경망은 기본적인 학습 과정은 초기 가중치의 설정(초기화), 출력값 계산, 출력값과 목표값 비교, 가중치의 조정하는 총 5가지 과정을 반복하며, 학습 과정을 통해 최적의 예측값을 도출할 수 있는 함수를 기반으로 모델을 생성한다^{(Abambres and Ferreira, 2017; De Veaux and Ungar, 1997; Lee and Suh, 2016)}.

Fig. 3. Basic Structure Architecture of ANN

Fig. 4. The Process of Deriving Output with Input, Weights of Nodes, Bias and Activation Function between Nodes

3.2.3 인공신경망 모델의 구성

본 연구에서 구현한 인공신경망 모델 도식화와 모델의 변수들의 항목은 Table 2 및 Fig. 4와 같다. 예측모델로써 사용된 인공신경망은 하나의 입력층, 세 개의 은닉층 그리고 하나의 출력층으로 구성하였으며, 입력층의 노드(n) 개수는 5개로 입력데이터 개수와 동일하게 설정하였다.

세 개의 은닉층의 노드는 11개로 각 은닉층의 노드 개수의 설정은 입력변수의 개수가 n개 일 때, 2n+1개로 설정하여 각 은닉층 마다 11개의 노드로 구성되게 하였으며, 마지막으로 출력층의 노드 개수는 1개로 설정하여 변화량에 대해 예측 가능한 회귀분석 모델로 구성하였다. 또한 입력층, 은닉층, 출력층의 노드 간의 활성함수는 대표적인 비선형 활성 함수인 ReLU (Rectified Linear Unit)를 사용하였으며, 지도학습 과정에서 필요한 오차 함수는 평균제곱근(Root Mean Square Error, RMSE)으로 구성하였다^{(Huang and Simon, 2002)}. 이와 같은 설정은 다음 Eq. (3)과 같이 오차함수 설정하여 목표값($y_{actual}$)과 예측값($y_{predicted}$) 사이의 최소가 되는 노드의 가중치값을 찾도록 모델을 구성하였다.

이상의 변수를 이용하여 인공신경망 예측 모델을 구성하는 여러 변수들의 최적의 값을 도출하였으며, 인공신경망이 예측 모델을 생성하는 과정에서 학습데이터에 적합하게 학습시킴으로써, 학습되지 않은 데이터에 대해서도 예측 모델이 정확한 예측결과를 제공하도록 하였다. 또한, 본 연구에서 학습과정에서 발생할 수 있는 과적합(Overfitting), 과소적합(Under -fitting) 등과 같은 문제를 해결하고자 최적화(optimization)기법, 드롭아웃(drop-out), 조기종료(early-stopping)를 활용하였고 최적의 값을 도출할 수 있도록 모델을 학습하였다(Fig. 5).

Fig. 5. Diagram of ANN Model Implemented

3.4.1 모형의 검증

Table 3에 정리된 바와 같이 각각의 실험안에 해당되는 지형데이터를 학습시켰으며 학습성과가 우수한 모델을 이용하여 예측을 수행하였다. 학습결과 Figs. 6 and 7에서 나타나듯이 첨예하게 퇴적된 부분과 불규칙한 세굴발생 지역에 대해서는 재현에 다소 차이가 발생되는 것으로 나타났다. 바람이 동반되는 경우에는 해안에 작용하는 에너지가 증가되어 바람이 없는 조건에 비해 상대적으로 지형변화가 증가되었기 때문에 그 차이 또한 다소 증가되었다. 하지만 전반적으로 학습대상 지형과 검증결과가 유사한 것으로 판단되어 학습결과를 지형예측자료로 이용하였다. 아울러, 모형검증에 대한 결과에서는 학습양이 가장 많은 4.5 hr 결과에 대해서 Figs. 6 and 7에 도시하였다.

Fig. 6. Calibration Result of Beach Profile Change_TypeA-3(up) & TypeA-6 (bottom)

Fig. 7. Calibration Result of Beach Profile Change_TypeC-3(up) & TypeC-6 (bottom)

3.4.2 양빈 미 적용조건(Type-A)

양빈 미 적용시, 바람이 고려되지 않은 조건 중 0.5 hr 학습에 대한 결과(TypeA-01)를 살펴보면 시간이력 1.5hr~6.0 hr에 따라 수면 아래에 해당되는 X:100~230 cm 구간에서 모래유실이 증가되었으며 일부는 해안선 배후 X:0~60 cm 구간에 퇴적되어 모래 언덕을 형성하였다. 1.5 hr 학습에 대한 8.0 hr까지 예측한 결과(TypeA-02)에서는 TypeA-01 대한 예측결과에 비하여 침식면적이 증가되었으며 해안선의 후퇴길이 또한 증가되는 것으로 나타났다. 예측시간 중 6.0 hr의 비교결과 두 조건(TypeA-01 및 02) 모두 학습된 지형에 비해 침식 범위는 증가되었으나 0.5 hr 기준으로 예측된 6.0 hr의 결과는 1.5 hr 학습에 따른 6.0 hr후의 결과와 비교에서는 다소 차이가 발생되는 것으로 나타났다. 4.5 hr 학습에 대한 10.0 hr까지의 지형변화 검토결과(TypeA-03) 전체적인 침식의 범위는 증가되었으나 X:60~150 cm, X:250~400 cm 구간에서는 변화량이 감소되었으며 후빈에 해당되는 X:0~60 cm, 전빈 X:170~270 cm 구간에서 지형변화가 활발히 발생되는 것으로 나타났다. 8.0 hr 비교결과에서 학습량이 증가되었으며 예측 기간도 학습시간 기준으로 다소 가까운 TypeA-03에서 실제지형(수리모형실험 4.5 hr)과 유사하게 나타났다. 아울러, 해안선 부근에서의 변화는 초기 변화량(0~1.5 hr)이 1.5~4.5 hr 기간 동안 발생된 변화량에 비하여 크게 나타났기 때문에 4.5 hr 학습 후 10.0 hr 예측에서는 큰 변화가 발생되지 않는 것으로 판단된다(Fig. 8).

바람이 공존하는 상태에서 0.5 hr 학습결과(TypeA-04) 시간 이력에 따라 해안선 주변에서의 침식범위는 증가하였으며 침식된 모래는 해측으로 이동되어 퇴적되었다. 1.5 hr 학습결과(TypeA-05) 이력에 따라 침식범위는 증가되었으나 변화량은 0.5 hr 조건에 비하여 다소 줄어드는 것으로 나타났으며 학습을 통한 6.0 hr의 예측결과 비교에서는 학습량이 증가된 TypeA-05의 조건이 실제 지형과 유사한 것으로 나타났다. 4.5 hr 학습에 대한 예측결과(TypeA-06)에서는 X:150~400 m부근에서 침식량이 증가하였으며 해안선 배후에서는 퇴적의 경향이 나타났다(Fig. 9). 8.0 hr 예측에 대한 TypeA-05 및 06의 결과 비교시 상호 상이한 결과를 보였는데 이는 실험을 통해 동일한 시간에 대한 예측일지라도 학습량에 따라 예측결과의 정확도는 변화되는 것을 알 수 있으며 학습한 시간을 기준으로 장기예측과 실제 결과와의 오차는 비례하는 것으로 판단된다.

Fig. 8. Prediction Result of Beach Profile Change TypeA-01 (top), 02 (middle), 03 (bottom)

Fig. 9. Prediction Result of Beach Profile Change TypeA-04 (top), 05 (middle), 06 (bottom)

3.4.3 양빈공법 적용조건(Type-C)

전 절에서는 자연해안을 대상으로 침식이 발생되는 상황을 학습하고 이를 통해 지형변화에 대한 예측을 수행하였으며, 본 절에서는 침식발생 구간에 입경이 증가된 양빈을 적용하였을 경우 발생되는 지형변화와 예측범위에 대해 검토하고자 하였다. Type-C는 전반적으로 해안선 배후에 가파른 사석 둔덕(gravel dune)이 형성되고 해안선 전면에는 넓은 범위의 세굴로 인한 지형이 형성되는 경향을 보였다. 수리모형실험 0.5 hr 후의 지형을 학습한 결과(TypeC-01)를 토대로 예측된 지형변화는 시간이 흐를수록 전빈구간(X:90~150 cm)은 해측으로 이동되었으며 X:150~230 cm 구간에서는 침식이 발생되어 계단형상의 지형이 형성되었다. 해안선이 전진되는 경향에 의해 사석둔덕 배후에서의 지형은 변화가 없었으며 X:230~ 400 cm 구간에서의 지형은 침식과 퇴적이 교차되었으나 그 차이는 미소하였다. 1.5 hr 학습 후(TypeC-02) 예측된 지형은 해안선에서 후빈방향으로 지형변화가 발생되었으며 사석둔덕은 배후로 이동되는 경향이 나타났다. 특히, 가파른 전빈경사는 다소 완만해 졌으며 사석둔덕의 규모 또한 증가하였다. 사석둔덕 이외의 지역에서는 시간 이력에 따른 지형변화의 큰 차이가 없었으며 일정한 해빈형상을 유지하는 것으로 분석되었다. 4.5 hr 학습에 대한 해빈단면 예측결과(TypeC-03) 사석둔덕은 배후로 이동되었으며 그 크기가 감소되는 경향을 보였다. 또한, X:180~250 cm 구간에서는 모래가 유실되어 수심이 깊어지는 것으로 나타났으며 그 이외의 지역에서는 일정한 해빈고를 형성하는 것으로 나타났다(Fig. 10).

바람이 동반된 조건에서 수행된 0.5 hr 지형 학습 후(TypeC-04) 해빈단면 예측결과 해안선 배후에 위치한 사석둔덕은 점진적으로 배후방향으로 이동되었으며 X:100~400 m 구간에서는 미소한 차이가 존재하지만 비교적 일정한 단면을 유지하고 있는 것으로 나타났다. 1.5 hr (TypeC-05)의 지형변화 예측결과 사석 둔덕은 점진적으로 배후로 이동되었으며 전빈경사는 완만해지는 경향이 나타났다. 4.5 hr 학습 후(TypeC-06) 예측결과에서는 사석둔덕이 해측방향으로 전진되었으며 전빈경사는 다소 급격해 졌다. 또한, X:150 cm 이후 구간에서는 침식과 퇴적이 교차되어 발생하였다(Fig. 11).

Fig. 10. Prediction Result of Beach Profile Change TypeC-01 (top), 02 (middle), 03 (bottom)

Fig. 11. Prediction Result of Beach Profile Change TypeC-04 (top), 05 (middle), 06 (bottom)