Journal of Korean Tunnelling and Underground Space Association ISSN:2233-8292(Print) 2287-4747(Online) 한국터널지하공간학회 논문집

기존 터널 영상 유고 시스템은 터널 내 고압수 청소 등으로 인해 빈번히 CCTV가 틀어지면서 미리 설정된 관심영역과 실제 차량 주행방향과의 차이가 발생하면서 유고 상황을 제대로 감지하지 못하고 오탐지가 발생하는 문제가 빈번히 발생한다. 이러한 문제를 해결하기 위해, 본 논문에서는 터널 CCTV의 틀어짐에 대응하여 관심영역을 자동으로 재설정하는 관심영역 자동설정 알고리즘을 개발하였다. 이 알고리즘은 원본 터널 CCTV 영상에서 관심영역을 설정한 후, 역 원근변환(inverse perspective transform, IPT)을 적용하여 원근현상이 제거된 변환영상을 기본 영상으로 사용한다. 변환영상에서 차선 인식 알고리즘을 통해 각 차선의 기울기, 절편, 방향(좌/중앙/우)을 추출하고, 이를 바탕으로 원본영상에서 틀어진 CCTV에 맞추어 관심영역을 자동으로 재설정한다. 이에 대한 성능을 검증하기 위해 먼저 딥러닝 기반 차선 인식 모델에 대한 실험을 진행하였으며, 정지 영상의 하단 1/2 및 1/4 영역을 사용한 데이터셋을 제작하여 비교 실험을 수행하였다. 그 결과, 하단 1/2 영역을 활용한 모델이 노면이 젖은 경우나 차선이 흐릿한 경우에도 높은 차선인식 성능을 보였다. 이러한 결과를 바탕으로 개발된 알고리즘에 적용하였으며, CCTV 3개 채널을 선정한 다음, 본 알고리즘을 적용한 경우와 그렇지 않은 경우에 대한 비교 실험을 진행하였다. 그 결과, 본 알고리즘은 기존의 고정된 관심영역에 비해 차선 방향을 일관되게 유지할 수 있었으며, 최대 37도까지 틀어진 차선을 자동으로 보정하여 일관된 관심영역을 재설정할 수 있음을 확인하였다. 결과적으로 제안된 알고리즘은 터널 영상유고시스템의 정확도와 효율성을 크게 향상시킬 수 있음을 보였다.

본 연구는 건설 산업에서 Building Information Modeling (BIM) 기술의 도입 및 활성화를 위한 주요 인자를 분석하고 효과적인 전략을 제안하는 것을 목표로 한다. 건설 산업은 프로젝트 관리에서 다양한 도전 과제에 직면해 있으며, 특히 분산화와 통합 부족이 주요 문제로 지적된다. 이를 해결하기 위해 BIM이 도입되었으며, 이는 설계부터 시공에 이르는 모든 단계에서 디지털 표현을 제공하여 조정, 소통 및 데이터 관리를 개선한다. 그러나 BIM의 도입은 기술적, 조직적, 경제적, 정책적, 인적 요인 등 여러 복합적인 요인의 영향을 받는다. 본 연구에서는 델파이 기법을 활용하여 전문가의 의견을 수집하고 분석하였다. 델파이 기법은 전문가 집단의 합의를 도출하기 위해 여러 차례의 설문조사를 통해 체계적으로 의견을 수렴하는 방법이다. 연구 결과, BIM 활성화를 위해 정책 및 규제적 지원, 기술 혁신, 시스템 구축 및 인프라, 표준화, 교육 및 훈련, 파일럿 프로젝트, 인력 개발, 인식 개선, 경제적 요인, 협력 및 파트너십 등이 중요한 요인으로 나타났다. 이러한 요인들을 종합적으로 고려하고 관리함으로써 건설 산업에서 BIM의 성공적인 도입과 활용을 촉진할 수 있을 것이다. 연구 결과는 건설 분야에서 BIM 기술의 활성화를 위한 구체적인 방향성을 제공하며, 관련 정책 수립 및 실행에 유용한 기초자료로 활용될 수 있다.

본 연구는 국내 사회기반시설의 자산가치를 보다 정확하게 평가하기 위해 성능을 고려한 자산가치 평가 방법을 제안한다. 현재 사용되고 있는 정액법 기반의 상각후대체원가법(SLD)은 시설물의 실제 성능이나 상태를 충분히 반영하지 못해 자산가치가 상대적으로 낮게 추정되는 경향이 있다. 이에 본 연구에서는 공동구의 열화 추세와 상태등급을 반영한 비선형 상태 기반 감가상각 방법(CBD)을 제안하고 SLD 방법과 비교 ‧ 분석하였다. 연구 결과 CBD 방법은 공동구의 현재 상태와 열화 추세를 반영하여 자산가치를 평가할 수 있었으며 유지보수 계획 수립 및 의사결정 지원에 유용한 지표를 제공할 수 있었다. 본 연구의 제안된 방법은 공동구와 같은 구조물의 자산가치 평가에 적합하여 향후 지하시설물에 대한 자산관리체계 구축에 기여할 수 있을 것으로 기대된다.

쉴드 TBM을 활용한 터널 굴착 사례가 증가하면서, 공기 단축 및 경제성 향상을 위한 연구가 활발히 진행되고 있다. 정확한 디스크커터 교체(cutter head intervention, CHI) 주기 예측은 TBM 다운타임 감소와 디스크커터 사용 효율 증대를 통해 TBM을 활용한 터널 공사의 경제성을 높일 수 있다. 특히, 계획된 교체 주기와 실제 교체 횟수 또는 수량 간의 차이를 최소화함으로써 예상보다 잦은 교체로 인한 다운타임 증가와 비용 상승을 방지하는 데 기여한다. 본 연구에서는 쉴드TBM 막장면에 설치된 각 커터의 굴착 이동 거리를 고려하여 디스크 커터 마모량을 예측하는 머신러닝 모델을 개발하였다. 머신러닝 모델의 디스크커터 마모량 예측 정확도를 검증하기 위하여 국내 터널현장 경암지반 구간에서 수집된 TBM 운영데이터 및 CHI 기록을 활용하였으며, 디스크커터의 마모를 유발하는 9가지 영향인자의 마모 영향도를 평가하였다. 본 연구에서 제시된 디스크커터 마모 예측 모델은 교체 주기의 정확도를 높여 기존 예측 방법론을 개선하고, 과도한 교체로 인한 다운타임과 비용 상승을 줄여 국내 쉴드 TBM의 공사비용 저감에 기여할 것으로 기대된다.

노후된 공동구는 내부 수용시설의 성능이 매우 저하되어 도시의 에너지 공급(수도, 전기, 난방, 통신 등)에 큰 문제를 야기한다. 현재 공동구의 노후화는 급격하게 진행 중이며 수용시설이 파손될 경우 국가적 재난으로 이어질 수 있다. 이를 해결하기 위해 공동구의 성능개선이 필요하다. 먼저 노후화된 공동구를 분류하고 선별된 공동구의 자세한 정보를 알아야 한다. 이 과정에서 공동구는 국가보안시설로 분류되어 있기에 관련 정보 획득에 관리주체의 허가가 필요하다. 따라서 본 연구에서는 출입 공문 승인을 거쳐 관리주체의 허가를 통해 국내 노후화된 공동구를 실측하고 데이터를 획득하였다. 또한 공동구 내 작업 시 고려해야 할 특이사항에 대해 정리하였다. 이러한 데이터를 바탕으로 공동구 내 수용시설 교체 및 이송에 대한 작업 공간을 분석하였다.

노후 인프라 구조물을 안전하게 유지하기 위해서는 지속적인 관리가 필요하며, 이는 터널 내부의 콘크리트 구조물에도 동일하게 적용된다. 터널 구조물의 건전성 관리는 정기적인 점검과 정밀한 검사 기술을 통해 이루어진다. 기존의 검사 방법은 인력 기반으로, 작업자가 직접 현장을 방문하여 육안으로 상태를 확인하고 기록하는 방식이다. 이로 인해 구조물 상태는 경험적이고 주관적인 판단에 의해 결정될 수밖에 없는 상황이다. 이러한 문제를 개선하고 점검 결과의 객관성과 신뢰성을 높이기 위해 고해상도 카메라와 딥러닝을 활용한 방법이 활발히 연구되고 있다. 특히, 터널 구조물에 발생하는 균열을 탐지하는 신경망 모델 기반의 알고리즘은 높은 정확도를 보여주고 있다. 그러나 이러한 딥러닝 기술은 다수의 훈련 영상 데이터가 확보되었다는 전제가 필요하다. 현실적으로 균열과 같은 손상 영상은 주변에서 흔히 찾아볼 수 없고, 이를 확보하는 데 많은 비용과 시간이 소요된다. 이러한 문제를 해결하기 위해 본 연구에서는 생성형 AI를 이용해 균열 영상 데이터를 증강하는 방법을 제안하였다. 또한, 실제와 유사한 균열 영상을 생성하기 위한 파라미터 분석을 완료하였고, 그 결과 Fréchet Inception Distance가 31.73의 값을 나타내는 성능의 생성모델을 확보하였다. 이러한 방법은 향후 균열 탐지 훈련 방법과 연계하여 유지관리 점검의 정확성과 신뢰성을 높이는 기술로 활용될 것으로 기대된다.

본 연구에서는 터널 자동화 점검 시 영상 이미지의 정합 정밀도와 왜곡의 영향에 중점을 두고 이동식 터널 스캐닝 시스템의 성능을 평가하는 방안을 제안하였다. 도로 터널의 콘크리트 라이닝에 마커를 부착한 상태에서 80 km/h의 속도로 촬영한 영상 이미지의 왜곡을 평가하기 위해 현장 실험을 수행하였다. 수동으로 촬영한 참조 이미지에서 마커 위치에 대한 RMSE (root mean square error)는 9.78 mm로 나타났으며, 수평 거리 RMSE는 0.13%, 수직 거리 RMSE는 0.11%의 낮은 왜곡 성능을 보였다. 그러나 80 km/h의 속도로 촬영한 영상에서는 수평 거리 RMSE가 41.17%, 수직 거리 RMSE가 34.38%로 심한 왜곡이 발생한 것으로 나타났다. 이러한 이미지의 왜곡은 고속 촬영과 터널 곡률에 대한 부적절한 보정으로 기인된 것으로 추정된다. 제안된 현장 성능 평가 방법은 객관적인 성능 평가뿐만 아니라, 이동식 터널 스캐닝 시스템의 정밀도를 확보하기 위한 개선 사항들을 파악하는 것에도 큰 도움이 될 것으로 기대된다.

암석터널 굴착에서 절리는 터널 막장의 안정성을 판단하는데 중요한 요소중 하나이다. 본 연구에서는 지질 암석면의 경사각과 방향을 측정하기 위한 새로운 방법인 Roughness-CANUPO-Dip filtration (R-C-D)을 제시한 후 3개 현장 모델에 의해 평가했다. R-C-D 방법은 거칠기 분석, CANUPO 분석으로 구성된다. 또한 본 연구에서는 경사각 및 방향에 대한 네 가지 다른 측정 방법인 평면 피팅, 법선 벡터 변환, 면 세분화 및 나침반 측정을 평가한다. 결과는 모든 측정 방법에서 97~99.4% 범위의 정확도로 경사각을 정확하게 계산할 수 있음을 보여주었다. 면 세분화 방법은 수동적인 개입 없이 자동으로 정확한 결과를 제공할 수 있어 최적의 측정 방법으로 선택되었다. 법선 벡터를 계산하기 위해 사용되는 최적의 LNR (local neighbor radius)도 산출되었으며, LNR 값이 클수록 더 정확한 결과를 얻을 수 있지만 계산 시간도 증가하는 것으로 나타났다. 절리암대를 나타내는 추가 지점을 필터링하고 삭제하는 데 사용되는 경사각을 추정하기 위한 검증을 수행하였으며, 각 지점에 대해 최적 경사각은 각각 45°, 30°, 45°였다. R-C-D 방법은 절리면을 제거하고 절리 근입점을 유지하여 경사각과 방향을 얻기 위해 개발되었다. R-C-D 방법을 3개 현장 모델에 적용한 결과, 이 방법은 절리면을 감지하여 제거하는 데에 적합한 것으로 나타났으며, 경사각 필터링 방법은 절리대를 성공적으로 제거하였다. R-C-D 방법이 지질 구조를 정확히 구분하고 정밀한 경사각 및 방향 측정을 얻는 데 효과적이라는 것을 보여주었다.

본 연구대상 수직구 및 연결터널 확폭부는 폭 32 m의 대단면이며 연결통로가 3면 접속하는 3차원 접속구조물이므로 폐합에 의한 응력분배효과를 기대하기 어렵고 대심도 굴착으로 파쇄대 및 접속부 등에서 수치해석 등 설계 예상치보다 큰 응력이 발생할 수 있어 부분적 파쇄대 및 접속부 집중응력 예상구간에 대한 추가 보강대책 수립이 필요하다. 특히 중간슬래브와 라이닝 연결방법으로 고정접합은 힌지접합에 비해 축력이 다소 크게 발생하나 슬래브 구조 특성상 축력에서 여유치가 충분한 휨거동을 하므로 시공성 및 연결부 세부 철근구조가 용이한 고정접합 방식이 적정한 것으로 분석되었다.

Tunnel Boring Machine (TBM)은 전면에 절삭 도구가 설치된 커터 헤드를 회전시키며 지반을 굴착하는 기계 장비로, TBM의 굴진 효율은 절삭 도구의 절삭 능력과 장비 운전(추진력, 커터 헤드 회전 등) 조작에 영향을 받는다. 일반적으로 암반에서 사용하는 절삭 도구인 디스크 커터의 거동은 실험적 모델을 통해 예측하며, 대표적으로 Norwegian University of Science and Technology (NTNU)모델과 Colorado School of Mines (CSM)모델이 사용된다. 이 두 모델의 결과로부터 디스크 커터 소모량과 굴착 속도를 산정하고, 경험적 모델에 적용하여 공사 기간을 예측한다. 이후 시공 단계에서는 계획에 따라 굴진이 운영되는데, TBM은 기계 장비이므로 추력, RPM 장비의 파워 등 다양한 요소를 고려하여 작업해야 하며, 조작은 작업자의 경험과 숙련도에 크게 의존하는 경우가 많다. 이러한 과정에서 객관적인 데이터보다 주관적인 판단에 의해 결정되는 요소들이 발생하여, 신뢰성 있는 결과를 도출하지 못할 가능성이 있다. 따라서 본 연구에서는 기존 NTNU, CSM 모델에 New Abrasion Test (NAT)모델, 공정 시뮬레이션, TBM Advanced Driving Assistance System (TADAS) 통합한 데이터 기반의 TBM 계획 및 관리 시스템을 고안하여 국내 터널 현장에 시범 적용하였으며, 그 결과를 비교 분석하였다.

콘크리트 터널과 같은 지하 구조물의 안전한 유지관리는 균열과 같은 열화 현상을 조기에 탐지하는 데 필수적이다. 노후 구조물이 증가함에 따라, 효율적인 안전 관리를 위해 다양한 컴퓨터비전 기술이 구조물 유지 관리에 활용되고 있다. 그러나 현장에서 수집된 영상은 여러 이유로 저해상도 및 저품질로 수집될 수 있으며, 이는 특히 딥러닝을 활용한 균열 탐지에서 정확도 저하로 이어질 수 있다. 따라서, 본 연구에서는 초해상화 알고리즘을 적용하여 저해상도 영상에서도 높은 탐지 성능을 유지할 수 있는 방법을 제안하였다. 다양한 비율의 저해상도 영상을 대상으로 초해상화 알고리즘을 적용하여 균열을 효과적으로 탐지하는 방안을 제시하고, 이를 통해 여러 초해상화 알고리즘의 효용성을 검토하였다. 실험을 통해 제안된 방법이 다양한 입력 데이터 조건에서도 안정적이고 향상된 균열 탐지 성능을 나타냄을 확인하였다. 본 연구는 터널 유지 관리 측면에서 초해상화 알고리즘의 활용 가능성을 보여주며, 향후 실제 터널 유지관리에서 정확한 관리에 기여할 것으로 기대된다.

쉴드 TBM (tunnel boring machine) 굴착 공법을 이용하여 터널을 굴착하는 경우 필연적으로 굴착된 지반과 콘크리트 라이닝 사이에 배면공동이 발생하게 된다. 이러한 배면공동에는 뒷채움재를 주입하여 충진시킴으로써 터널 내부로의 지하수 유입을 차단하고 콘크리트 라이닝 상부 지반을 지지하는 방법이 널리 활용되고 있다. 장기적으로 터널의 활용성을 증진시키기 위해서는 뒷채움재 주입 이후 경화된 뒷채움재의 내구성을 확보하는 것이 중요하다. 하지만 내구성 측면에서 최적화된 뒷채움재 주입설계를 위한 공학적 설계기준이나 이와 관련된 연구는 제한적인 상황이다. 추가적으로 배면공동의 경우 콘크리트 라이닝에 의하여 구조적으로 독립된 공간에 해당하기 때문에 뒷채움재 주입 후 내구성을 육안으로 평가하는 것 또한 한계가 있다. 본 연구에서는 터널 배면공동 내 뒷채움재의 내구성 평가를 위하여 뒷채움재의 종류, 뒷채움재 내구성 평가를 위한 기본물성 및 시공사례를 참고하여 지반 조건에 따른 뒷채움재 내구성 관련 기술현황 조사 및 분석을 수행하였다. 이를 통하여 본 연구에서 분석된 기술현황은 향후 쉴드 TBM을 이용한 터널 시공 현장에서 뒷채움재의 내구성을 증진시키고 설계 기준을 수립하는데 유용하게 활용될 수 있을 것으로 기대된다.

본 연구는 장대 도로터널의 시각적 환경이 운전자 경험에 미치는 영향을 정량적으로 분석하였으며, 색채, 패턴, 조명의 세 가지 주요 요소에 초점을 맞췄다. 연구 결과, 이러한 요소들이 운전자의 심리적 상태, 안전성, 그리고 전반적인 주행 경험에 중대한 영향을 미치는 것으로 나타났다. 도심 터널과 장대 터널에서 각각 다른 문제점이 발견되었으며, 이는 터널별 특성을 고려한 맞춤형 설계의 필요성을 시사한다. 색채 환경에서는 명도, 채도, 색의 톤, 그리고 입출구와 내부의 연계성이 주요 이슈로 부각되었다. 패턴 디자인에서는 복잡성, 시설물과의 조화, 시각적 속도감이 중요한 요소로 나타났으며, 조명 설계에서는 조도, 색온도, 조명의 배치에 대한 불만족이 확인되었다. 이러한 연구 결과를 바탕으로 장대 도로터널의 시각적 환경 개선을 위해 다음과 같은 접근이 제안되었다: 1) 터널별 특성을 고려한 맞춤형 설계, 2) 색채, 패턴, 조명의 통합적 접근, 3) 운전자의 심리적, 생리적 반응을 고려한 인간 중심 설계, 4) 시간대별, 교통량별 최적화가 가능한 동적 관리 시스템 도입, 5) 지속적인 모니터링과 개선. 이러한 전략들은 운전자의 안전성과 편의성을 높이는 동시에 도로 인프라의 전반적인 질적 향상을 도모할 수 있을 것이다. 향후 연구에서는 이러한 개선 방안을 실제 터널 환경에 적용하고, 시각적 패턴 변화가 운전자의 주의력에 미치는 영향을 실시간으로 측정할 수 있는 심박수 모니터링 및 아이 트래킹 같은 생리적 데이터 수집 방법을 활용한 실증적 연구가 필요할 것이다.

본 연구에서는 터널 붕괴 위험도를 체계적으로 평가하고 관리할 수 있는 새로운 평가 모델을 제안 하였다. 터널 공사는 도로, 철도, 지하철 등의 인프라 구축에 필수적이지만, 붕괴 위험 관리가 중요하다. 이를 위해 14개의 주요 영향 인자를 선정하고, AHP (analytic hierarchy process) 기법을 활용하여 각 인자의 상대적 중요도를 평가하고 가중치를 산정하였다. 몬테카를로 시뮬레이션(Monte Carlo method)을 통해 각 인자의 확률분포를 반영한 위험도 평가를 수행하여 터널 붕괴 위험도 지수를 도출하였다. 연구 결과, 절리면 상태, 지하수 유입량, 보조공법, 절리면 간격, 지보패턴수준, 지반 등급 등이 터널 붕괴 위험도에 큰 영향을 미치는 것으로 나타났다. ◯◯ 터널에서 발생한 붕괴 사고 데이터를 활용하여 제안된 모델의 유효성을 평가한 결과, 사례 데이터의 위험도 지수와 실제 붕괴 현황이 잘 부합하는 것으로 나타나 본 평가 모델의 적용 가능성을 확인하였다. 본 연구의 결과는 터널 공사의 안전성을 높이고, 인명 피해와 경제적 손실을 최소화하는 데 기여할 수 있을 것으로 기대된다. 향후 다양한 터널 공사 현장에서 본 모델을 적용하여 추가적인 평가와 개선을 통해 보다 정교한 위험도 평가 모델을 개발하는 것이 필요하다.

본 연구에서는 터널 콘크리트 라이닝에 발생하는 균열을 검출하는데 활용되는 이미지에 발생하는 모션블러가 CNN 모델들의 성능에 미치는 영향을 분석하였다. Kaggle과 KICT 데이터셋에 10~50 범위의 강도를 갖는 모션블러 이미지를 생성하고, U-Net 아키텍처에 사전 학습된 ResNet 18, ResNet 34, VGG 11 및 AlexNet를 특징추출을 위한 백본으로 사용한 의미론적 분할 모델을 활용하여 균열 검출 성능을 분석하였다. 각각의 데이터셋에 모션블러가 증가함에 따라 모든 모델에서 검출 정확도가 감소하는 것으로 나타났다. 동일한 학습 모델에서 KICT 데이터셋의 F1-score가 Kaggle 데이터셋보다 20% 이상 높은 성능을 갖는 것으로 평가되었다. 본 연구의 결과로, CNN기반 균열 검출 성능은 이미지 데이터의 품질에 따라 차이가 발생하며, 기 구축된 학습 데이터셋의 품질에 따라서도 CNN 모델의 균열 검출 성능이 상이할 수 있는 것으로 판단된다.