1. 서 론

국토안전관리원에서 집계한 2023년도 사회기반시설물 현황통계에 따르면, 전국의 옹벽 시설물은 총 4,495개소이며, 이 중 사용연수가 20년 이상 30년 미만인 옹벽은 690개소로 15.4%, 30년 이상 경과한 옹벽은 617개소로 13.7%를 차지하고 있다^{(KALIS, 2024)}. 10년 후에는 준공 후 30년 이상의 노후화된 옹벽 시설물이 전체의 29.1%로, 시간이 경과함에 따라 옹벽의 노후화 비율은 기하급수적으로 증가하게 된다. 따라서, 노후 옹벽의 상태를 모니터링하고, 점검 데이터를 기반으로 유지보수를 수행할 수 있는 스마트 유지관리 기술 개발이 필요하다.

기존의 많은 시설물은 관리 부실로 인해 도면이 소실되거나, 시공 과정에서 발생하는 오차 등으로 설계 도면으로 유지관리가 어려운 경우가 많다^{(Kwon, 2009)}. 이때는 실측 도면을 작성할 필요가 있으나, 이러한 실측 작업은 많은 인력과 시간이 소요된다. 또한, 작성된 도면을 기반으로 인력 중심의 점검을 진행하는 과정에서도 추가적인 시간과 자원이 필요하다. 이와 같은 문제를 해결하기 위해, 시설물을 디지털화하여 기록하고, 점검 이력을 체계적으로 관리할 수 있는 유지관리 기술이 요구된다. 디지털화된 정보를 활용하면, 시설물의 변동 사항과 점검 이력을 일관되게 관리할 수 있으며, 이를 통해 적절한 보수보강 계획을 수립하여 유지관리의 효율성을 극대화할 수 있다.

현재 시설물의 현황을 효율적으로 반영하기 위해 국내외적으로 3차원 형상 데이터를 빠르고 정확하게 취득할 수 있는 비접촉 센서를 이용한 유지관리 기술이 개발되고 있다. 특히 LiDAR(Light Detection and Ranging)는 대상 시설물의 고밀도 PCD(Point Cloud Data)를 취득하는 데 매우 효과적이다^{(Kaartinen et al., 2022)}. 취득된 PCD는 시설물의 외관을 3차원 점군 데이터로 디지털화할 수 있으므로 유지관리 측면에서 높은 활용성을 제공한다.

정보 디지털화를 통한 유지관리 기술로서는 시설물 라이브러리를 구축하여 BIM 모델을 생성하는 방법이 제시되고 있다^{(Kim et al., 2015; Yang et al., 2020)}. 이러한 연구들은 주로 표준화된 도면과 설계 정보를 기반으로 파라메트릭 모델링을 통해 시설물 BIM 모델을 자동으로 생성하는 것을 목표로 한다. 예를 들어, 도로 및 암거, 옹벽 등 사회기반시설물에 대한 파라메트릭 기반 모델링을 통해 다양한 유형의 시설물을 효율적으로 생성하는 방법이 제시된 바 있다^{(Tang et al., 2020; Kim and Koo, 2014)}. 그러나 이러한 접근 방식은 초기 설계 도면이나 상세한 정보가 제공되지 않을 시 모델링이 어려워진다는 한계를 가지고 있다.

따라서, 본 연구에서는 옹벽의 현재 외관을 반영할 수 있는 PCD를 활용하여 파라메트릭 기반의 옹벽 BIM 모델을 생성하고자 한다. PCD는 기존의 도면이나 정보가 부족한 상황에서도 옹벽의 현재 외관을 3차원 데이터로 정밀하게 기록할 수 있는 장점이 있다^{(Lawani et al., 2024)}. 따라서 Fig. 1에서 나타낸 바와 같이, PCD로부터 옹벽의 현재 외관 정보를 확보하고, PCD로 취득하지 못하는 부분에 대해서는 파라미터 정의를 통해 옹벽 BIM 모델을 생성한다. 이러한 기술을 통해 기존의 정보 부족 문제를 극복하고 유지관리에 필요한 BIM 모델을 제공할 수 있을 것으로 기대된다.

Fig. 1 Framework for generating a retaining wall BIM model

2. 옹벽 파라미터 정의

2.1 국내 옹벽의 표준도 분석

국토교통부에서는 설계 작업의 효율을 높이기 위해 일부 사회기반시설물에 대해 표준도면을 제공하고 있다. 특히 도로옹벽의 경우, 도로 계획 시 설계빈도가 높고 공법 및 설계기준 등이 동일한 경우가 많아 규격별로 구조를 표준화한 표준도가 제공된다^{(MOLIT, 2008)}. 이러한 표준도는 표준단면도, 설계조건, 일반도, 철근상세도, 재료표로 구성되며, 설계 과정의 일관성을 유지하고 시공 효율성을 높이는 데 기여한다.

지반 조건 및 지지력 등에 따라 옹벽은 중력식, 반중력식, 역T형, L형으로 분류된다. Fig. 2는 대표 옹벽 종류에 대한 일반도를 보여준다. 옹벽 및 성토 높이, 사면 경사에 따라 옹벽 종류별로 단면 형식이 상이하다. 옹벽 종류별 단면 형식은 저판 기울기 및 전단키 유무에 따라 구분되며, 각 형식에 대해 표준화된 제원이 제공된다. 동일한 단면 형식 내에서도 철근의 치수와 배근 간격은 차이가 있다. 이러한 철근의 상세 치수 및 배근 간격은 표준단면도에서 확인할 수 있으며, 철근 상세도에는 각 단면 형식에 대한 철근의 종류 및 개수, 치수가 명시되어 있다. Fig. 3은 L형 옹벽의 표준단면도와 철근 상세도를 보여준다.

Fig. 2 General drawings according to retaining wall types

Fig. 3 Standard profile and steel bar details of standard drawing

2.2 옹벽 파라미터 정의

옹벽 스캐닝 시 일반적으로 벽체에 대한 PCD만을 취득할 수 있으므로, PCD로부터 얻을 수 있는 정보는 옹벽 벽체의 높이, 길이, 경로에 한정된다. 이러한 제한을 고려하여, 본 연구에서는 표준도를 기준으로 옹벽 높이에 따른 옹벽 종류, 단면 형식, 철근 상세 치수를 파악할 수 있는 파라미터를 정의하였다.

파라미터 정의를 위해 옹벽 종류를 분류하고, 종류별로 단면 형식을 세분화하였다. Fig. 4는 단면 형식별 정의된 치수 파라미터를 보여준다. 단면 치수의 길이 방향은 L1, L2, 높이 방향은 H1, H2와 같은 파라미터로 정의하였다. 저판 기울기가 있는 경우에는 Figs. 4(a) & 4(c)와 같이 기울기에 대한 치수인 H3이 추가되고, 전단키가 있는 경우에는 Figs. 4(a) & 4(c)와 같이 전단키 치수인 H1, L2가 추가된다. 단면 형식별 철근 종류 및 개수, 상세 치수는 철근 상세도를 기준으로 정의하였다.

이와 같이 정의된 단면 형식별 치수 및 철근 상세 정보를 파라미터 테이블로 구성하였다. 사용자가 PCD로부터 취득한 옹벽 높이를 입력하면 해당 높이에 따른 단면 형식별 치수 및 철근 상세 정보를 제공받을 수 있도록 하였다. 이를 통해 PCD로 취득하지 못하는 부분에 대해서는 파라메트릭 기반으로 모델링이 가능하도록 하였다.

Fig. 4 Profiles for L-shaped retaining wall

3. PCD 전처리

본 연구에서는 인천에 위치한 아파트 단지 옹벽을 대상으로 TLS(Terrestrial Laser Scanning) 방식의 LiDAR를 이용하여 스캐닝을 수행하고 옹벽 PCD를 취득하였다. Trimble X7 장비를 이용하여 스캐닝을 진행하였으며, 취득한 PCD는 표면이 일치하는 부분을 식별하여 연결하는 방식을 이용하여 정합하였다.

취득한 PCD로부터 기하학적 특징(Geometric Feature)을 이용하여 노이즈를 제거하였다. 기하학적 특징을 이용하여 고밀도 PCD를 처리할 때 가장 일반적으로 사용되는 것은 주성분 분석(Principal Component Analysis, PCA)으로, 고차원의 데이터를 저차원으로 변환하여 데이터의 주요 패턴을 추출하는 기법이다^{(Weinmann et al., 2015)}. 점들의 방향성을 나타내는 공분산 행렬의 고유값(Eigenvalues, $\lambda_{i}$)과 고유벡터(Eigenvectors, $e_{i}$)를 계산하여 분산이 최대로 보존되는 주성분(Principal Component, PC)을 생성한다. 이 과정에서 계산된 공분산 행렬의 고유값 을 통해 기하학적 특징인 평면성(Planarity, P), 표면 변동(Surface Variation, SV)을 추정할 수 있다. 평면성은 점군집이 얼마나 평면에 가까운지를 측정하는 지표로 Eq. (1)과 같이 계산할 수 있다. P 값이 클수록 평면성이 높으며, 작을수록 평면성이 낮다. 표변 변동성은 Eq. (2)과 같이 계산되며, SV 값이 클수록 변동성이 크고, 작을수록 변동성이 작은 것이다.

여기서 , $\lambda_{1}$, $\lambda_{2}$, $\lambda_{3}$는 공분산 행렬의 고유값이며, $\lambda_{1}$는 최대 분산 방향의 고유값, $\lambda_{2}$는 두 번째로 큰 분산 방향의 고유값, $\lambda_{3}$는 최소 분산 방향의 고유값이다($\lambda_{1}\ge\lambda_{2}\ge\lambda_{3}$).

기하학적 특징 중 PCD가 수직 방향과 일치하는 정도를 측정하는 수직성(Verticality, V)는 법선 벡터를 통해 추정할 수 있으며 Eq. (3)과 같다. V 값이 작을수록 수평에 근접하며, 클수록 수직에 근접한다.

여기서 $\left |{n}_{{z}}\right |$은 법선 벡터의 Z축 성분이다.

식생 및 지반, 옹벽 PCD의 기하학적 특징을 비교한 결과를 Table 1에 나타내었다. 식생은 P 값이 작고 SV 값이 큰 반면, V 값은 중앙값에 집중되는 경향을 보였다. 지반은 P 값이 크고 SV 및 V 값이 작은 특성을 나타냈다. 옹벽은 P 값이 크고 SV 값이 작으며, V 값이 큰 특성을 보였다. 이를 통해, 식생은 불규칙한 표면과 낮은 수직성을 가지는 반면, 지반과 옹벽은 평면성이 높고 수직성이 명확한 구조적 특성을 보임을 확인할 수 있다. 이러한 특성을 바탕으로 아파트 단지 옹벽 PCD로부터 식생 및 지반을 정제하였으며 그 결과를 Fig. 5에 나타내었다. P 값이 작은 영역과 SV 값이 큰 영역을 제거하여 식생을 제거하고, V 값이 작은 영역을 제거하여 지반을 제거하였다.

Fig. 5 PCD refined by geometric features

Table 1 Graph of each Geometric Features

4. 옹벽 BIM 모델 생성 알고리즘

4.1 옹벽 제원 추출

실제 시공된 옹벽과 설계 도면 간에는 차이가 발생할 수 있어, 옹벽의 현 외관을 반영한 제원 추출이 필요하다. 이를 위해 PCD를 이용하여 현 상태의 옹벽 외관을 측정하고 옹벽의 높이 및 경로와 같은 주요 제원을 추출하였다. 옹벽 스캔을 통해 취득한 PCD 데이터로부터 이상점(Outlier)을 처리하여 제원을 도출할 수 있는 알고리즘이 필요하다.

본 연구에서는 RANSAC을 기반으로 옹벽 제원 추출 알고리즘을 구축하였다. RANSAC은 대규모 데이터에서 이상점을 배제하고 데이터를 직선 모델에 피팅(Fitting)할 수 있는 알고리즘으로, PCD에서 발생하는 이상점의 영향을 최소화하는 데 효과적이다^{(Tang et al., 2020; Weinmann et al., 2015)}. RANSAC은 PCD 데이터셋에서 무작위로 소수의 샘플을 선택하여 직선의 가설 모델을 생성한다. 생성된 모델의 허용 오차 내 데이터를 내부점(Inlier)으로 분류하고, 반복(Iteration)을 통해 내부점이 가장 많은 모델을 최적 모델로 선택한다. 선택된 최적 모델을 통해 전체 데이터를 피팅하여 최종 모델을 도출한다.

RANSAC 기반 옹벽 제원 추출 알고리즘을 적용하여 PCD를 직선 방정식에 피팅함으로써 옹벽의 높이 및 경로를 도출하였다. 옹벽 높이의 경우, PCD에 대해 평면 상의 직선 방정식으로 피팅하여 이상점이 가장 적은 방정식을 결정한다. 이후 결정된 직선을 기반으로 PCD의 양 끝점을 추출함으로써 Fig. 6와 같이 옹벽의 높이를 추출할 수 있다. 산출된 옹벽 높이에 표준도를 기반으로 정의한 매설 깊이를 더하여 옹벽 전체 높이를 계산한다. 계산된 옹벽 높이를 파라미터 테이블에 입력하면, 해당 높이에 따른 단면 형식별 치수와 철근 정보를 제공받아 단면 파라미터를 정의할 수 있다.

Fig. 6 Retaining wall height extraction

Fig. 7 Retaining wall coordinate extraction along the path

옹벽 경로의 경우, 직선 또는 꺾인 직선 형태를 보이므로 단면의 방향이 변화하는 지점을 기준으로 옹벽의 구간을 분할한다. 이후 높이 추출과 동일하게 각 구간의 PCD에 대해 직선 방정식을 피팅하여 최적의 방정식을 결정한다. 결정된 직선을 기반으로 옹벽 방향 변화 지점의 좌표를 추출하는 과정을 Fig. 7에 나타내었다. 추출된 경로 좌표는 옹벽 외측에 대한 경로이며, BIM 모델링 시 옹벽의 외측 경로 좌표로 입력된다.

실제 취득한 아파트 단지 옹벽 PCD에 대해 옹벽 제원 추출 알고리즘을 적용하여 높이 및 경로 정보를 추출하였다. 시설물통합정보관리시스템(FMS)을 통해 해당 옹벽이 L형 옹벽임을 확인하고, 추출된 옹벽 높이를 표준도 L형 옹벽 높이와 비교하였다. 또한, 추출된 옹벽 경로는 PCD와 비교하여 오차를 확인하였으며, 그 결과를 Table 2와 3에 나타내었다. 옹벽 높이의 경우 최소 0.07%, 최대 1.77%의 오차가 발생하였고, 경로의 경우 최소 0.04%, 최대 0.88%의 오차가 발생하였다. 이러한 결과를 바탕으로 옹벽 제원 추출 알고리즘이 우수한 성능을 보임을 확인하였다.

Table 2 Retaining wall height extracted from points

Points	B2	C	D1	D2	E	F	G1
Extracted height(m)	7.071	6.876	7.069	8.477	8.565	8.526	8.506
Drawing height(m)	7.000	7.000	7.000	8.500	8.500	8.500	8.500
Error(%)	1.01	1.77	0.99	0.27	0.76	0.31	0.07

Table 3 Retaining wall path coordinates extracted from points

Points	Manual extraction (m)		Automatic extraction(m)		Error(%)
	x	y	x	y	x	y
B2	-31.835	-61.202	-31.883	-61.263	0.15	0.10
C	-15.250	-51.638	-15.233	-51.697	0.11	0.11
D1, D2	-14.922	-46.338	-14.895	-46.369	0.19	0.08
E	-14.503	-33.467	-14.483	-33.481	0.14	0.04
F	-3.529	-34.243	-3.560	-34.273	0.88	0.09
G1	-3.234	-8.344	-3.258	-8.367	0.74	0.28

4.2 파라메트릭 기반 옹벽 BIM 모델 생성

추출한 옹벽 제원 정보를 기반으로 단면 파라미터를 정의하고 옹벽 BIM 모델을 자동 생성하는 알고리즘 구축이 필요하다. Fig. 8에 나타낸 바와 같이, 옹벽 BIM 모델 생성 과정은 두 단계(Step)로 구성된다. Step 1은 PCD로부터 추출한 옹벽 높이를 기반으로 사용자가 단면 치수를 입력하여 단면 파라미터를 정의한다. 정의된 파라미터로부터 옹벽의 종류 및 단면 형식이 자동으로 분류된다. 분류된 해당 단면 형식과 정의된 치수 정보를 기반으로 옹벽 BIM 단면을 생성한다. Step 2는 Step 1에서 생성된 BIM 단면을 PCD로부터 추출된 옹벽 외측 경로에 따라 스윕(Sweep)하여 3D BIM 모델을 생성한다. 즉, 단면이 경로를 따라 회전하고 이동하는 스윕 과정을 통해 현 외관을 반영한 옹벽 BIM 모델을 구축한다. 생성된 BIM 모델에 대하여 콘크리트 압축강도, 탄성계수 등의 물성치를 정의함으로써 재료 정보를 포함한 옹벽 BIM 모델을 제공할 수 있다. 철근을 배근하는 과정은 Step 1에서 생성된 옹벽 단면에서 피복 두께를 고려하여 철근 종류별 단면 중점 좌표를 생성한다. 배근 간격에 따라 중점 좌표를 배치하고, 각 중점 좌표를 기준으로 철근 직경을 고려하여 철근 단면을 생성한다. 생성된 철근 단면을 길이 방향으로 배근하여 최종적으로 철근이 배근된 옹벽 BIM 모델을 생성한다. Fig. 9은 생성된 BIM 모델에 철근을 배근하는 과정을 보여준다.

제시된 옹벽 BIM 모델 자동 생성 알고리즘을 실제 아파트 단지 옹벽에 적용하였다. 옹벽 PCD로부터 추출한 옹벽 높이에 따른 단면 형식 및 철근 정보를 확인하고, 이를 알고리즘에 입력하여 옹벽 BIM 모델을 생성하였다. 최종적으로 경로별 단면 형식을 반영한 아파트 단지 옹벽 BIM 모델을 완성하였으며, 이를 Fig. 10에 나타내었다.

Fig. 8 Framework for generation of retaining wall BIM model

Fig. 9 Framework for placement of steel bars

Fig. 10 Retaining wall BIM model generated from PCD

5. 결 론

본 연구에서는 PCD로부터 옹벽 외관 정보를 추출하고, PCD 기반으로 추출할 수 없는 정보에 대해서는 파라미터 정의를 통해 옹벽 BIM 모델을 생성할 수 있는 기술을 개발하였다. 국토교통부에서 제시하고 있는 국내 옹벽의 표준도를 분석하여 옹벽 종류와 단면 형식, 철근 상세 정보를 파라미터로 정의하였다. 또한, RANSAC 기반의 옹벽 제원 추출 알고리즘을 기반으로 옹벽의 경로와 높이를 추출하였다. 이러한 제원 정보를 바탕으로 파라메트릭 기반 BIM 모델을 생성하는 알고리즘을 구성하였다.

개발한 알고리즘을 실제 옹벽에 적용하여 그 실효성을 입증하였다. 아파트 단지 옹벽 PCD를 대상으로 옹벽 제원 추출 알고리즘을 적용한 결과, 옹벽 높이 및 경로에 대한 최대 오차는 각각 1.77%와 0.88%로 우수한 성능을 보였다. 추출된 제원 정보를 입력하여 생성된 BIM 모델은 옹벽의 실제 외관을 반영하며, PCD로 취득되지 않은 영역은 표준도 기반 파라미터를 활용하여 생성된다. 이와 같이 시공 후 실제 취득된 PCD와 표준도을 결합함으로써 기존 방식보다 정밀한 옹벽 BIM 모델을 생성할 수 있음을 확인하였다. 제안 기술은 직선 및 꺾인 직선 경로를 가지는 옹벽에 기술을 적용하여 높은 정밀도를 보였다. 곡선 경로를 포함한 옹벽에 대한 연구를 진행 중에 있으며, 이러한 연구를 통해 다양한 형태의 구조물에 적용 가능한 기술로 확장할 계획이다.

본 연구에서 제안하는 PCD를 활용한 파라메트릭 기반 BIM 모델 생성 기술은 유지관리에 필요한 BIM 모델을 제공함으로써 이력데이터를 구축하여 기존의 이력 관리 및 기초 자료 부족 문제를 극복할 수 있을 것으로 판단된다. BIM 모델에 포함된 철근 배근 정보는 비파괴 검사 또는 상태 점검 과정에서 구조물의 손상 구역을 평가하는 데 활용될 수 있다. 이와 같이 PCD 기반 파라메트릭 BIM 모델은 디지털 트윈을 통한 실시간 점검 및 유지보수 계획 수립을 지원하는 기술로 확장 가능할 것이다.