말뚝 시공 시 보다 경제적이고 최적화된 말뚝 설계를 지원할 수 있는 ‘AI 기반의 PHC말뚝 지지력 예측기술’이 선보여 이목을 집중시키고 있다.
특히, 매입말뚝의 지지력 추정을 위한 AI 활용 연구가 거의 이뤄지지 않은 상황에서 나온 성과로 더욱 주목받고 있다.
이 기술은 매입말뚝의 지지력 추정에 관한 기존 연구의 갭을 메우는 한편, 복잡한 지반 공학 시나리오에서 AI 기술을 적용해 예측 신뢰성과 운영 효율성을 개선할 수 있는 새로운 기준으로 자리할 것으로 기대를 모으고 있다.
’심층 신경망‘ 등 세 가지 ML 모델 사용 ’동재하시험‘ 분석
현장 실험 통해 성능까지 입증 ··· 품질관리 사각지대 없애
현재 국내에서 사용 중인 PHC말뚝과 같은 기성말뚝의 경우 초고강도, 복합 말뚝 등의 형태로 발전하며 활용도가 증가하고 있다.
하지만, 아직까지 말뚝의 시공관리는 동재하시험이나 정재하시험 횟수 등 제한된 관리 규정에 의해 진행되고 있는 상황으로, 전체 말뚝에 대한 시공관리방법은 명확하게 규정돼 있지 않은 것으로 알려져 있다.
실제로 국내 대부분의 기성말뚝 시공현장에서는 전체 물량의 1%에서 최대 3%의 말뚝에 대해 동재하시험을 수행하고, 지지력을 확인한 후 말뚝의 최종 관입량(Set value)을 측정, 관리기준값으로 설정하고 있다.
나머지 97∼99%에 해당하는 말뚝은 시공 직후의 최종 관입량을 측정, 관리기준값과 비교 후 적정성을 판단하고 있다.
즉, 동재하시험을 통해 결정한 최종 관입량 기준치를 통해 말뚝의 시공품질관리가 이뤄지고 있는 현실로, 현장에서 1~3% 정도의 말뚝 외에는 실제로 지지력 관점에서의 품질관리는 이뤄지지 않고 있는 상황이다.
이에 이 연구에서는 이 같은 품질관리 사각지대 해소를 위해 AI 기반의 PHC말뚝 지지력 예측 모델을 개발하고, 현장 실험을 통해 성능까지 입증했다.
|
▲ AI를 활용한 매입말뚝의 지지력 예측 및 타격 에너지효율에 따른 영향 분석
|
연구내용
이 연구에서는 매입말뚝의 말뚝 지지력 예측을 위해 머신 러닝(ML) 기술이 갖는 효용성 입증에 집중했다.
연구진은 세 가지 ML 모델인 ‘K-최근접 이웃 회귀(KNR)’, ‘XGB(eXtreme Gradient Boosting)’, ‘심층 신경망(DNN, Deep Neural Network)’을 사용해 초기항타(EOID)와 재항타(Restrike) 단계에서 지지력을 모델링하고, 총 217개의 동재하시험데이터를 분석했다.
분석 결과, 세 가지 AI 모델 모두 전통적인 동적 항타 공식보다 예측 정확도와 일반화 부분에서 우수한 성능을 보인 것으로 나타났다.
특히, DNN 모델은 EOID 단계에서 0.960, Restrike 단계에서 0.915의 R² 값을 기록하며 최고의 성능을 보였고, 다양한 테스트 시나리오에서 최소한의 예측 오류를 보인 것으로 알려졌다.
또한, SHAP 값을 사용해 모델 예측에 대한 개별 피처의 기여도를 분석한 결과, 말뚝 직경과 해머 무게 등의 변수들이 모델 예측에 상당한 영향을 미치는 것을 확인했다.
이 같은 인사이트는 실제 응용 프로그램에서 더 정교하고 타겟팅된 조정을 가능하게 만들어 예측 정확도를 향상시킬 수 있다.
반면, 기존의 항타 공식은 에너지 전달 비율(ETR)과 설정 값에 따라 과대평가되거나 과소평가되는 경향이 있어 경험적 추정 오류와 관련된 위험을 증가시킬 수 있다.
또한, AI를 활용하는 경우 실제 측정값 편차와 불확실성에 따른 지지력 예측 편차를 최소화 할 수 있는 것을 확인했다.
즉, 동재하시험을 통해 산정하는 지지력과 비슷한 수준으로 AI 기반의 지지력 산정이 가능한 점을 확인했고, 말뚝의 직경과 길이, 해머 무게, 관입량, 낙하고, 경과 시간 등 최소한의 현장 변수를 이용해 실무 활용성을 극대화했다.
특히, 연구진에서 개발한 항타 관입량 측정 장치(KPM, KICT Pile driving Monitor)를 활용할 경우 항타 관입량과 낙하고를 정밀하게 측정한 값을 통해 AI 기반 지지력 추정이 가능하다.
기존 항타공식을 이용하는 경우에는 공식의 신뢰성과 현장 특성 반영을 위해 현장마다 시험 항타 말뚝에 대한 동재하시험 결과를 이용, 켈리브레이션이 필요한 반면, AI를 활용하는 경우 말뚝의 기본 제원과 항타 시 측정되는 정보만으로 말뚝의 지지력을 추정하는 것이 가능하다.
이 같은 연구를 통해 연구진은 AI 모델이 전통적인 공식 기반 접근 방식보다 지반 공학 데이터의 복잡한 특성을 더 잘 포착할 수 있는 것을 확인하고, 건설 품질관리와 운영 효율성을 향상시킬 수 있는 가능성을 입증했다.
한편, 얼마 전 연구진이 개발한 ‘비접촉식 말뚝 항타 관입량 측정 장치’는 최대 50m 거리 내에서 측정이 가능한 장치로, 말뚝 항타 전후 움직임에 따라 반사테이프를 통해 돌아오는 빛의 속도와 측정 거리를 통해 말뚝의 변위를 측정한다.
측정결과는 장치에 탑재된 디스플레이를 통해 실시간으로 확인할 수 있고, 특히, 측정 준비시간은 1분 내외에 불과하다.
실제로 측정 준비 과정에서 기존 장치의 경우 레이저 포인터를 사용함으로써 야외 측정 시 준비까지 5∼10분 이상 시간이 소요되는 반면, 개발 장치는 카메라를 통해 측정 위치에서 바로 교정하는 방식으로 1~2분 이내에 측정 준비를 마칠 수 있어 사용성이 매우 탁월하다.
인 / 터 / 뷰
최소 인자들만으로 항타 지지력 산정
최적 말뚝 설계 시공에 큰 도움 기대
한국건설기술연구원 서승환 수석연구원은 “최근 들어 초강도 PHC말뚝의 사용이 점차 증가하면서 PHC 말뚝의 설계지지력도 커지고 있다”며, “따라서 기성말뚝의 품질관리 방법에 대한 명확한 제도적 개선이 필요한 시점”이라고 말했다.
이어 “이 같은 필요성에 의해 선보인 이 기술은 기존 시공품질 관리 방식에서 최소한의 인자들만으로 AI를 통해 항타 지지력을 산정할 수 있다”고 밝혔다.
특히, 명확하고 철저한 말뚝의 품질관리 기법 확립에 크게 기여할 수 있는 기술로 평가받고 있는 만큼 그동안 설계 분야에서 관례적으로 진행해왔던 보수적인 설계법과 시공관리기법 개선을 유도할 수 있어 최적의 말뚝 설계와 시공에도 큰 도움을 줄 것으로 기대를 모으고 있다.
서 박사는 “연구를 통해 매입말뚝의 지지력을 동재하시험을 통한 지지력 결과와 비슷한 수준으로 추정하는 것이 가능해졌다”고 강조했다.
선행 연구개발 ‘관입량 측정 장치’ 큰 도움 받아
이 같은 추정은 선행 연구를 통해 개발한 말뚝 ‘관입량 측정 장치’를 이용해 말뚝의 관입량과 리바운드량을 정확하게 측정할 수 있기 때문에 가능했다.
이어 “말뚝 관입량과 리바운드량 값들은 지반의 저항력 평가와 밀접한 관련이 있고, 말뚝 지지력 계산에도 직접적인 영향을 주는 인자들”이라며, “항타공식으로 매입말뚝의 지지력을 평가하는 데 몇 가지 가정사항과 한계점이 있었지만, AI를 활용한 지지력 평가 방법은 편리하고, 현장 품질관리 효율성을 증대시킬 수 있는 방법이 될 것”이라고 전망했다.
실제로 AI는 기존 매입말뚝의 동재하시험 데이터를 통해 지지력을 예측할 수 있어 별도의 물리적 실험 없이도 시공 현장에서 즉각적인 지지력 평가가 가능하다.
따라서 시험 준비와 수행에 소요되는 시간과 비용 절감은 물론 기존 관입량 만으로 시공품질을 평가하는 수준을 지지력 관점으로 한 단계 향상시킬 수 있을 것으로 기대를 모으고 있다.
서 박사는 “AI 기반의 지지력 예측모델을 활용할 경우 동재하시험이 수행되지 않은 말뚝을 대상으로도 지지력 개념의 말뚝 시공관리가 가능할 것”이라고 판단했다.
이어 “따라서 다양한 건설현장에서 지지력 예측과 품질관리를 위한 유용한 도구로 활용될 수 있고, 특히, 시공 전단계에서 말뚝 설치의 최적화를 도모하고, 불필요한 재시공이나 지연을 줄이는 데 기여할 것”이라고 설명했다.
한편, 서 박사는 국내의 다양한 지반조건에 대한 재하시험 결과를 바탕으로 국내 말뚝 지지력 산정이 가능한 일반화된 지지력 추정 모델 구축에 나설 계획이다.
이를 위해 신뢰도 높은 재하시험 데이터 수집과 함께 도메인 특성에 따라 데이터 특성을 반영할 수 있도록 AI모델을 고도화해 나갈 예정이다.
서 박사는 “AI를 활용하는 방법은 데이터 기반 방법으로 학습 모델에 사용된 데이터에 의존하기 때문에 AI 예측모델에도 한계점은 존재한다”며, “하지만, 현재 사용 중인 학습데이터와 예측 모델의 성능을 고려했을 때 말뚝 시공 현장의 안전성 향상과 리스크 관리에는 크게 기여할 것”이라고 판단했다.
이어 “또한, 지속적인 데이터 수집과 관리 검증을 통해 다양한 지반조건, 말뚝 종류, 시공 방식 등을 고려해 맞춤형 예측을 진행하고, 설계단계에서부터 시공에 이르는 의사결정의 정확도를 높일 수 있도록 연구를 지속할 예정”이라고 덧붙였다.
