Mobile QR Code QR CODE : Journal of the Korean Society of Civil Engineers

  1. 정회원․가톨릭관동대학교 토목공학과 공학박사 (Catholic Kwandong Univeirty․aiqshim@gmail.com)
  2. 첨단해양공간개발연구센터 공학석사 (Waterfront & Coastal Research Center․chobs1028@gmail.com)
  3. 플로리다대학교 해양공학과 공학박사 (University of Florida․hdkim311@gmail.com)
  4. 종신회원․교신저자․가톨릭관동대학교 토목공학과 교수, 공학박사 (Corresponding Author․Catholic Kwandong Univeirty․khkim@cku.ac.kr)



머신러닝, 양빈, 수리모형실험, 해빈단면변형, 바람
Machine learing, Beach nourishment, Physical model test, Beach profile change, Wind

1. 서 론

최근 들어 고파랑의 출현빈도가 증가함에 따라 해안에서는 대규모 표사이동이 발생되고 해안선의 후퇴로 인해 해빈의 양이 점진적으로 감소되고 있다. 뿐만 아니라 우리나라 대부분의 해안에는 어촌계의 형성과 함께 항‧포구를 비롯한 많은 인공구조물이 설치되어 있기 때문에 구조물에 의한 파랑집중과 흐름변화에 의해 침식현상이 가속화된다. 이에 대한 대책으로 파랑에너지의 감쇄와 효과적인 해빈보호를 위해 다양한 방안들이 검토되고 있으며 그 중 국‧내외 적용사례에서도 알 수 있듯이(Kim and Shim, 2018) 구조적 대책 중 강성공법인 이안제, 돌제, 잠제 설치에 따른 침식저감 효과를 기대할 수 있다. 하지만 각각의 공법에 따라 파랑 저감률, 친환경성, 경제성, 시공성 등 장‧단점이 다르기 때문에 상황에 따라서 대책공법 적용 후에도 구조물 주변에서의 침‧퇴적 발생 등 2차적인 피해의 가능성이 존재한다. 이에 반해서 식생공법, 양빈공법으로 대변되는 연성공법은 환경친화적인 측면에서 주변 여건과 조화를 이룬다는 장점이 있으나 기능면에서는 강성공법에 비하여 효과가 다소 줄어든다. 특히, 양빈의 경우 과도한 모래유실이 발생되고 있는 지역에는 적용하기가 어려운 측면이 있지만 입경이 증가된 양빈은 기존 입자에 비하여 침강속도가 빠를 뿐만 아니라 부유력과 소류력이 감소되어 기존에 발생되던 극심한 지형변동을 야기하지 않는다(Cinelli et al., 2021). 자갈과 같이 입경이 증가된 양빈의 경우 해수욕장에 적용하기에는 미관상 어려움이 존재하지만 입경변화에 따라 적용성이 다양화 될 수 있으며 다른 강성공법에 비하여 유지보수가 용이한 장점이 있다. 하지만 양빈공법은 현지적용에 따른 모니터링, 시공전 수치 및 수리모형실험에 의한 예측 등 다양한 측면에서 그 적용성이 검토되고 있지만 양빈사의 이동범위에 대한 예측과 적정 입경의 결정에는 물리적인 현상 검토가 필수적이다. 비록 계산 프로그램의 발달로 인해 침식 및 퇴적 현상의 정도 높은 예측이 가능해지고 있지만 해빈단면모의의 경우 구조물 및 부분양빈 입경의 다양화는 계산 경계범위의 증가에 따라 어려움이 존재한다(Kim and Aoki, 2021). 2차원 단면모델의 경우 지형과 파랑변화에 대한 모의는 침·퇴적의 경향을 예측하는데 있어 효과적이라고 할 수 있으나 잠제와 같은 구조물의 설치, 파랑과 바람이 공존하는 조건과 비사(wind blown sand)의 이동에 대해서는 결과측면에서 볼 때 실제 현상 및 수리모형실험결과와 차이를 보인다. 최근에 많은 연구자들에 의해 자갈양빈 등 입경변화에 대한 연구가 진행되고 있으며 그 중 Phillips et al.(2020)은 폭풍내습으로 인한 자갈해변의 지형변화를 검토하고자 수치모델을 개선한 연구를 제시하였지만 동적인 지형변화에 대한 feedback을 통해 계산의 정확도를 향상해야 함을 언급하고 있으며 종래의 수치기법 방식을 적용할 경우 현상에 대한 해석에 지속적인 연구가 수반되어야 함을 시사하고 있다. 하지만, 본 연구에서 수행하고자 하는 머신러닝(machine learning)을 이용한 예측기법은 지도학습을 통해 여러가지 상황을 예상할 수 있다. 비록, 샘플링 자료의 차이에 따라 결과는 달라질 수 있으나, 머신러닝은 수리모형실험과 같이 상사의 영향 및 공간적인 제약이 없으며 수치모의에서 해석되지 않는 복잡한 조건도 예측이 가능하기 때문에 대안적인 예측 및 분석기법으로 활용될 수 있을 것으로 판단된다(Buchanies et al., 2021). 실제로 많은 분야에서 머신러닝 기법은 이용되고 있으나 지형변동의 경우 현재까지는 본 연구와 유사한 조건에서 수행된 소수의 연구 결과만이 존재한다. 머신러닝을 이용한 유사연구로서는 Ellenson et al.(2020)등이 수행한 Argus 이미지와 Convolutional Neural Networks (CNN)를 이용하여 해안상황을 검토한 연구와 머신러닝을 이용한 표사이동 및 지형변화에 대한 적용성 검토가 있다(Goldstein et al., 2019). 그 이외에는 기계학습을 이용하여 기존의 사용된 경험식을 개선한 평균 월파랑 산정결과(Bieman et al., 2020), 익스트림 머신러닝을 이용하여 사석마운드의 안정성을 평가한 결과(Wei et al., 2019), 지도학습을 통한 쇄파예측(Lee et al., 2020) 및 지표를 제시한 결과(Choi et al., 2020) 등 제한된 범위의 연구결과가 존재한다. 본 연구에서는 머신러닝 기법을 이용하여 해빈방호를 위한 대책공법들 중 양빈공법을 적용하였을때 입경변화에 따른 해빈단면변화를 검토함으로써 머신러닝의 적용성에 대한 실험적 연구를 수행하고자 하였다.

2. 지형변동실험 결과 고찰

2.1 실험방법

본 연구에 적용된 해빈단면은 복수개의 경계층과 외력이 고려된 상황을 재현하고 그 현상을 예측하기 위해 기 수행된 결과(Shim et al., 2019)를 바탕으로 머신러닝 기법의 적정성을 검토하였다. Shim et al.(2019)이 수행한 연구는 2차원 단면수로(W:1.0 m, H:1.5 m, L:40 m)에서 양빈사의 입경, 외력의 변화 등 여러 가지 조건이 변화될 때 발생되는 해빈단면변화에 대해 검토하였다. 실험에 적용된 주요 변수는 파랑변화(Hs:0.08~0.12 m, Ts:1.13~1.70 sec)에 대해 풍속(0, 3, 6, 8 m/s), 해빈입경(0.1 mm), 양빈사입경(0.1 mm_Type-A; 1.0 mm_Type-B; 5.0 mm_Type-C), 구조물 설치(0.1 mm+잠제_Type-D)조건으로 설정하였다(Fig. 1). 실험결과는 공통적으로 풍속 및 양빈사 변화에 따라 제시하였으며 스펙트럼 분석에서도 알 수 있듯이 바람은 파랑의 처오름 변화를 검토하기 위해 수면과 평행하게 작용하도록 설정하였다. 실험에서 지형변화에 대한 계측은 서보모터식 자동사면경사 측정기(WHT-60)를 이용하였으며 이때 X축 간격은 2 cm로 하였다.

Fig. 1. Cross Section of Beach Profiles in Physical Model Test(Shim et al., 2019)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig1.png

2.2 실험결과

0.1 mm의 모래로 구성된 단면(Type-A)에서는 시간 이력에 비례하여 해빈이 감소되었으며 해안선이 후퇴에 따라 파랑이 도달하는 후빈지역까지 모래유실이 발생되었다. 8 m/sec의 바람이 동반된 조건에서는 처오름 높이의 증가로 인해 침식의 범위는 증가되었으며 유실된 모래는 해측으로 이동되어 sand bar를 형성하였다(Fig. 2). 표사이동 저감을 위한 대책으로 모래가 유실된 구간에 1 mm 입경을 갖는 양빈사를 적용한 Type-B단면은 파랑내습에 따른 지형변화 양상이 Type-A에 비하여 저감된 것으로 나타났다. 특히 해안선 주변에서의 지형은 초기 해안선과의 차이가 크게 발생되지 않았으며, 파랑의 처오름과 처내림이 반복되는 구간(wet and dry zone)에 위치한 해빈은 후빈방향으로 이동되어 berm을 형성하였다. 전빈에서는 파랑의 처내림에 의해 세굴이 발생되었으나 그 정도는 Type-A에 비하여 감소되는 것으로 나타났으며, 바람이 동반된 조건에서는 쇄파대의 범위와 처오름 높이의 증가로 인해 표사이동, berm의 형성 및 세굴발생 범위가 확대되었다. Type-C는 침식발생 구간에 5 mm의 입경을 적용한 단면으로 파랑내습으로 인한 양빈사의 이동범위는 현상태에 비하여 완화되는 양상을 나타낸다. 하지만 입자가 파랑에 의해 부유되지 못하고 파랑의 충격에 의해 배후로 점진적으로 이동되는데 이때 입자간 마찰 등에 의해 일정거리 이동 후 퇴적되어 가파른 둔덕(berm)을 이루는 패턴을 보였다. Berm의 형성은 입자가 부유되는 수직성분보다 배후로 이동되는 수평성분이 강하기 때문이며 이동거리 또한 줄어드는데 이러한 현상은 기존입자(0.1 mm 및 1.0 mm)보다 증가된 무게와 마찰계수 증가에 기인된 것으로 분석된다(Fig. 2). 양빈사의 변화에 따른 지형변동 경향을 강성공법 중 하나인 잠제설치 조건과 비교하여 양빈이 침식저감방안으로서의 적정성을 검토하고자 Type-D와 같은 단면을 구성하였다. 여기서 잠제의 마루폭은 50 cm이며 마루수심은 2 cm로 설정하였다. 실험결과 Type-D단면에 대한 지형변동의 양상은 바람이 동반된 조건에서 증가되는 것으로 나타났으며 해안선에서 잠제방향으로 이동된 모래는 일부 잠제 내부로 이동되어 퇴적되는 것으로 나타났다. 이상에서 알 수 있듯이 양빈은 입경변화에 따라 그 현상이 변화되기 때문에 각각의 해안의 상황에 맞는 양빈사의 입경을 적용할 경우 해안을 유지하는 방안이 될 수 있을 것으로 판단된다. 한편, 실해역에서 발생되는 침·퇴적의 현상은 환경여건에 따라 다르기 때문에 여러가지 상황에 대한 실험이 수행되어야 하지만 공간적·시간적으로 제한되는 부분이 존재한다. 해빈단면모의의 경우 앞서 언급되었듯이 파랑과 바람이 공존하는 상황과 부분양빈과 같이 2개 이상의 경계층이나 입경이 다변화되는 조건에 대해 해석이 어렵기 때문에 정도 높은 예측을 위해서는 수리모형실험에 대한 의존도가 높아질 수밖에 없다. 하지만 기계학습을 통한 모델링을 수행할 경우 유사자료 및 선행 자료가 충분히 제공된다면 다양한 학습으로 인한 여러 가지 시나리오 설정에 따른 각각의 상황을 예측할 수 있을 것으로 판단된다.

본 연구에서는 이상의 수리모형실험결과 중 기계학습에 따른 해빈변화와 예측범위를 파악하기 위해 모래해안으로 구성된 Type-A의 조건과 부분양빈이 수행된 Type-C 단면에서 파랑 및 파랑과 바람이 고려된 조건을 대상으로 실험을 진행하였다.

Fig. 2. Result for Beach Profile Change under Uw: 0 m/s (top), 8 m/s (bottom),(Shim et al., 2019)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig2.png

3. 머신러닝을 이용한 해빈변화 예측

3.1 데이터 분석 및 정제

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.

Table 1. Input and Output Data for Machine Learning

Data

Description

Input

x

Length of target area

y

Height of initial profile

t

Time domain

m/s

Wind velocity

mm

Sand diameter of beach nourishment

Output

change

Height of predicted target section

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 머신러닝(Machine Learning)

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.

(1)
$y = f\left(\sum h\right)$

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

(2)
$h_{j}$ = $\sum_{i = 1}^{n}w_{ij}\times x_{i}+ b_{j}$ (j = 1, 2, ..., m)

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
../../Resources/KSCE/Ksce.2022.42.5.0639/fig3.png
Fig. 4. The Process of Deriving Output with Input, Weights of Nodes, Bias and Activation Function between Nodes
../../Resources/KSCE/Ksce.2022.42.5.0639/fig4.png

3.2.3 인공신경망 모델의 구성

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

Table 2. Parameters of ANN

Parameter

Input layer

n = 5

Hidden layer

h = 3, n = 11

Output layer

n = 1

Loss function

Root Mean Square Error

Epoch

1000

Activation function

ReLU

Batch size

32

Learning rate

0.001

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.

(3)
$RMSE({y}_{{predicted}},\: {y}_{{actual}})=\sqrt{{E}(({y}_{{predicted}}-{y}_{{actual}})^{2})}$ $=\sqrt{\dfrac{\Sigma(y_{i}-\hat{y}_{i})^{2}}{n}}$

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
../../Resources/KSCE/Ksce.2022.42.5.0639/fig5.png

3.3 연구방법

머신러닝을 이용한 연구는 수리모형실험에서 수행한 양빈이 적용되지 않은 조건인 Type-A와 양빈적용 조건중 침‧퇴적의 변화가 뚜렷이 발생되는 Type-C를 대상으로 진행하였다. Type-A의 경우 파랑에 대한 지형변화를 검토하는 것은 수치모의에서도 가능하며 이와 관련된 많은 연구들이 존재한다. 하지만 부분 양빈과 바람작용에 대한 지형변화는 수치모의에서 해석이 용이하지 않기 때문에 머신러닝 기법을 이용하여 그 현상을 예측할 필요가 있다.

수리모형실험에서는 지형변화 측정을 0.5 hr 간격으로 4.5 hr까지 측정하였으며 그 중 금회 연구에서는 0.5 hr 학습을 통한 0.5~6.0 hr예측, 0.5 hr 및 1.5 hr 학습을 통한 1.5~8.0 hr 예측, 0.5 hr, 1.5 hr, 4.5 hr 학습을 통한 4.5~10.0 hr후의 결과예측을 수행함으로써 학습내용에따른 예측정도를 비교·검토하고자 하였다(Table 3).

Table 3. Test Cases for Prediction Model

Test case

Beach Profile

Sand Diameter

Wave

Wind

Study History Data

Prediction Results

TypeA-01

Non Nourished beach

0.1 mm

Hs:0.1 m

Ts:1.41 sec

0 m/s

0.5 hr

0.5, 1.5, 4.5, 6.0 hr

TypeA-02

0.5, 1.5 hr

1.5, 4.5, 6.0, 8.0 hr

TypeA-03

0.5, 1.5, 4.5 hr

4.5, 6.0, 8.0, 10 hr

TypeA-04

8 m/s

0.5 hr

0.5, 1.5, 4.5, 6.0 hr

TypeA-05

0.5, 1.5 hr

1.5, 4.5, 6.0, 8.0 hr

TypeA-06

0.5, 1.5, 4.5 hr

4.5, 6.0, 8.0, 10 hr

TypeC-01

Nourished beach

0.1 mm

+5.0 mm

Hs:0.1 m

Ts:1.41 sec

0 m/s

0.5 hr

0.5, 1.5, 4.5, 6.0 hr

TypeC-02

0.5, 1.5 hr

1.5, 4.5, 6.0, 8.0 hr

TypeC-03

0.5, 1.5, 4.5 hr

4.5, 6.0, 8.0, 10 hr

TypeC-04

8 m/s

0.5 hr

0.5, 1.5, 4.5, 6.0 hr

TypeC-05

0.5, 1.5 hr

1.5, 4.5, 6.0, 8.0 hr

TypeC-06

0.5, 1.5, 4.5 hr

4.5, 6.0, 8.0, 10 hr

3.4 연구결과

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)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig6.png
Fig. 7. Calibration Result of Beach Profile Change_TypeC-3(up) & TypeC-6 (bottom)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig7.png

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)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig8.png
Fig. 9. Prediction Result of Beach Profile Change TypeA-04 (top), 05 (middle), 06 (bottom)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig9.png

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)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig10.png
Fig. 11. Prediction Result of Beach Profile Change TypeC-04 (top), 05 (middle), 06 (bottom)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig11.png

4. 결과분석 및 고찰

학습에 따른 지형변화 정도에 대해 예측한 결과 학습의 정확도에 의해 침식과 퇴적 범위, 해안선의 이동과 전빈경사의 변화를 예상할 수 있었다. 또한, 이상의 결과로 부터 예측결과와 실험결과와의 정량적 분석을 통해 머신러닝을 이용한 지형변화의 신뢰성을 검토할 필요가 있기 때문에, 본 절에서는 학습량 증가에 따른 예측결과의 정확성을 검토하기 위해 0.5 hr 학습에 대한 1.5 hr 및 4.5 hr 예측결과와 1.5 hr 학습에 대한 4.5 hr 후의 결과를 비교·정리하였다.

4.1 양빈 미 적용조건(TypeA)

TypeA-01에 대한 1.5 hr 비교결과 실험결과 대비 예측결과는 전반적으로 상호 유사한 단면형상을 보였다. 침식이 발생되는 구간(X:50~200 cm)에서는 실험에서 나타나는 경향보다 다소 감소된 지형변화가 나타났으며 후빈(X:0~50 cm) 및 해측구간(X:200~ 400 cm)에서는 상대적으로 잘 일치하는 것으로 나타났다. 동일한 조건에서 4.5 hr후의 지형 비교결과 전반적인 지형의 형상은 유사하게 나타났으나 후빈에서의 지형변화, 침식 발생구간에서의 차이는 1.5 hr 학습조건에 비하여 다소 증가되었다(Fig. 12). 1.5 hr 학습후 4.5 hr 비교결과(TypeA-02) 0.5 hr 학습 후 4.5 hr의 예측결과에 비하여 침·퇴적 범위의 형성은 실험결과와 유사하게 나타나는 것으로 분석되었다(Fig. 13).

바람이 동반된 Type-04에서의 분석결과 X:0 cm부터 양빈구간 시작지점인 X:50 cm 까지의 지형은 학습대상인 실험결과와 동일하게 나타났다. 하지만 X:50~210 cm 구간에서는 지형변동량이 실험결과보다 다소 작게 나타났으며 X:210 cm 이후의 영역에서는 세부적인 사련의 변화는 재현되지 않았지만 전반적으로 유사한 형태의 지형이 나타났다. 예측시간이 증가된 4.5 hr 결과에서는 해빈의 침식이 크게 발생되지 않는 후빈지역(X:0~30 cm)의 경우 실험결과와 동일한 양상이 나타났으며, wet and dry zone (X: 30~150 cm) 및 쇄파(X:150~200 m)가 주로 발생되는 구간에서는 해빈지형의 경향이 유사하게 나타났으나 세굴의 깊이, 모래이동 정도에는 다소 차이가 발생되었다(Fig. 14). 1.5 hr 학습에 따른 4.5 hr 후의 지형 비교결과(TypeA-05). 쇄파 등의 영향이 발생되는 전빈지역에서는 실험결과에 비하여 침식 발생정도가 다소 작게 나타났으나 전체적인 단면형상은 실험결과와 유사하게 예측되었다(Fig. 15).

Fig. 12. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeA-01)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig12.png
Fig. 13. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeA-02)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig13.png
Fig. 14. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeA-04)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig14.png
Fig. 15. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeA-05)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig15.png

4.2 양빈 적용조건(Type-C)

양빈적용에 대한 TypeC-01의 1.5 hr 단면예측결과 후빈지역은 증감 없이 일정한 지형을 유지하였으며 사석둔덕 및 전빈지형은 다소 해측방향으로 이동되었다. 또한 X:180~300 cm 구간까지는 퇴적의 경향이 나타는 것으로 확인되었다. 4.5 hr 단면예측결과 사석둔덕은 해측방향으로 이동되었으며 세굴이 발생되는 TypeC-02의 4.5 hr 후의 지형변화는 실험에 비하여 사석둔덕의 규모가 증가되었으며 전빈에 위치한 세굴이 발생되는 X:160~250 cm 구간은 퇴적으로 인하여 세굴부분이 일부 메워지는 현상이 나타났다. 세굴이 발생되는 전빈구간은 퇴적으로 인하여 완만한 경사를 형성하였으며 X:250 cm 이후의 구간에서는 침식으로 인하여 지반고가 낮아지는 것으로 나타났다(Figs. 16 and 17).

바람이 작용할 경우 TypeC-04에 대한 0.5 hr 학습 후 1.5 hr 예측결과 전반적인 지형변동의 경향은 실험결과와 유사하게 나타났으나 해안선(X:115 cm) 배후에 위치한 berm의 첨두는 다소 작게 형성되었으며, 세굴이 발생되는 X:150 cm 부근에서의 지형은 재현성이 다소 감소되는 것으로 나타났다. 4.5 hr 예측결과 해안선 배후에서의 berm의 규모와 해안선 전면에서의 세굴정도가 증가될수록 예측된 지형과 차이는 증가하는 것으로 나타났다. 하지만 TypeC-05의 4.5 hr예측결과는 0.5 hr학습에 따른 결과에 비하여 berm의 규모 및 세굴 범위 등 그 정확도가 높아지는 것을 알 수 있다(Figs. 18 and 19).

Fig. 16. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeC-01)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig16.png
Fig. 17. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeC-02)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig17.png
Fig. 18. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeC-04)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig18.png
Fig. 19. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeC-05)
../../Resources/KSCE/Ksce.2022.42.5.0639/fig19.png

5. 결 론

본 연구에서는 침식이 발생되는 해안을 대상으로 외력으로서 파랑과 파랑 및 바람이 공존하는 조건에 대해 입경이 증가된 양빈입자가 전체해안에 부분적으로 적용될 때의 상황을 검토하였다. 또한, 지도학습을 통한 예측결과를 이용하여 머신러닝 기법의 적용성을 동시에 고찰하고자 하였다.

예측모델 분석결과 학습범위에 따라 각각의 결과는 상이하게 나타났다. Type-A 및 C의 경우 공통적으로 사련과 세굴, sand bar의 형성이 정확히 모의되지 않았으나 전반적인 경향은 유사하게 나타났다. 실험결과에서도 알 수 있듯이 단기 예측은 정도 높게 나타났지만 수리모형실험결과가 제한적이기 때문에 4.5 hr 이상의 결과를 정확하게 비교할 수는 없으나 4.5 hr 학습에 따른 10 hr 예측결과(Type-A-03 및 Type-C-03)는 실험결과와 다소 차이가 발생될 것으로 판단된다. 이상의 내용을 비추어 볼 때 본 연구에서 수행한 기계학습을 통한 단기지형변화 예측은 실제현상과 유사할 것으로 판단되나 예측기간이 길어질수록 정확도는 낮아지는 것으로 검토되었다. 이러한 이유는 지형이 변화되는 단면형상이 Type-A와 같이 단조로운 형태를 갖을 경우 예측된 지형의 단면 재현정도가 높아지지만 Type-A조건에서 바람이 동반되거나 Type-C와 같이 급격한 형태의 침·퇴적이 발생될 경우 그 현상은 학습(calibration)과정에서 발생되는 오차와 학습량 증가에 따른 누적된 오차의 증가로 인해 장기예측에서는 실제의 결과에 비해 다소 상이한 결과가 도출될 수 있다. 아울러, 표사이동실험은 파랑의 규모와 단면의 형태에 따라 변화되는 정도가 다르지만 일정시간이 경과할 경우 평형 또는 준평형상태에 도달하게 된다. 하지만 수치해석이 그렇듯이 변화율 및 패턴을 기반으로 지형변동을 예측할 경우 시간과 지형변화는 비례하여 계산되기 때문에 장기예측에 있어서는 샘플링 간격이 조밀한 지형데이터가 확보되어야 한다. 이상의 조건이 충족된 상태에서 예측이 수행되어야 하지만 본 논문에서는 머신러닝 기법의 적용성 검토에 대한 시험적 연구이며 연구결과로부터 해빈의 변화양상이 급격한 세굴 및 침·퇴적이 발생되지 않는 범위에서는 단기예측이 가능할 것으로 판단되며 향후 한층 면밀한 연구가 수반된다면 머신러닝기법을 활용한 지형변화예측의 정확도와 적용범위가 증가될 것으로 판단된다.

감사의 글

본 논문은 2021 CONVENTION 논문을 수정·보완하여 작성되었습니다.

References

1 
Abambres M., Ferreira A. (2017). "Application of ANN in pavement engineering: state-of-art", hal-02066889, Archives ouvertes HAL, pp. 1-61URL
2 
Bieman J. P., Wilms J. M., van den Boogaard H. F. P., van Gent M. R. A. (2020). "Prediction of mean wave overtopping discharge using gradient boosting decision trees.", Water, Vol. 12, No. 6, pp. 1-13DOI
3 
Buchanies S., Gantowski M., Brus G. (2021). "Integration of classical mathematical modeling with an artificial neural network for the problems with limited dataset.", Energies, Vol. 14, No. 16, pp. 5127DOI
4 
Choi B. J., Park C. W., Cho Y. H., Kim D. S., Lee K. H. (2020). "A proposal of new breaker index formula using supervised machine learning.", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 32, No. 6, pp. 384-395 (in Korean)DOI
5 
Cinelli I., Anfuso G., Bartoletti E., Rossi L., Pranzini E. (2021). "The making of a gravel beach (Cavo, Elba Island, Italy).", Journal of Marine Science and Engineering, Vol. 9, No. 10, pp. 1-17DOI
6 
De Veaux R. D., Ungar L. H. (1997). "A brief introduction to neural networks", Technical Report, Williams College, Williamstown, MA.Google Search
7 
Ellenson A. N., Simmons J. A., Wilson G. W., Hesser T. J., Splinter K. D. (2020). "Beach state recognition using argus imagery and convolutional neural networks.", Remote Sensing, Vol. 12, No. 23, pp. 1-20DOI
8 
Goldstein E. B., Coco G., Plant N. G. (2019). "A review of machine learning applications to coastal sediment transport and morphodynamics.", Earth-Science Reviews, Vol. 194, pp. 97-108DOI
9 
Huang W., Simon F. (2002). "Neural network modeling of salinity variation in apalachicola river.", Water Research, Vol. 36, No. 1, pp. 356-362DOI
10 
Kim H. D., Aoki S. I. (2021). "Artificial intelligence application on sediment transport.", Journal of Marine Science and Engineering, Vol. 9, No. 6, pp. 1-19DOI
11 
Kim K. H., Shim K. T. (2018). "A study on characteristics of current and sediment transport around permeability artificial reefs.", Proceedings of the Twenty-eighth International Ocean and Polar Engineering Conference, Sapporo, Japan, pp. 1314-1319URL
12 
Lee J. S., Suh K. D. (2016). "Calculation of stability number of tetrapods using weights and biases of ann model.", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 28, No. 5, pp. 277-283 (in Korean)DOI
13 
Lee K. H., Kim T. G., Kim D. S. (2020). "Prediction of wave breaking using machine learning open source platform.", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 32, No. 4, pp. 262-272 (in Korean)DOI
14 
Phillips B. T., Brown J. M., Plater A. J. (2020). "Modeling impact of intertidal foreshore evolution on gravel barrier erosion and wave runup with XBeach-X.", Journal of Marine Science and Engineering, Vol. 8, No. 11, pp. 1-22DOI
15 
Shim K. T., Kim K. H., Park J. H. (2019). "The effectiveness of adaptive beach protection methods under wind application.", Journal of Marine Science and Engineering, Vol. 7, No. 11, pp. 1-17DOI
16 
Wei X., Liu H., She X., Lu Y., Liu X., Mo S. (2019). "Stability assessment of rubble mound breakwaters using extreme learning machine models.", Journal of Marine Science and Engineering, Vol. 7, No. 9, pp. 1-17DOI