[논문]ANN-Clustering 기법을 이용한 상수관로 노후도 평가 및 분류

이슬민; 강두선

doi:10.3741/jkwra.2018.51.11.959

ANN-Clustering 기법을 이용한 상수관로 노후도 평가 및 분류
Water pipe deterioration assessment using ANN-Clustering 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.11, 2018년, pp.959 - 969

이슬민 (경희대학교 사회기반시스템공학과) , 강두선 (경희대학교 사회기반시스템공학과)

초록
AI-Helper

노후화된 상수관로는 단수유발, 수압부족 및 수질악화, 싱크홀 발생 피해와 누수로 인한 경제적 손실 등을 초래한다. 하지만 모든 노후관로를 일시에 보수 및 교체하는 것은 불가능하므로, 사용 중인 관로의 노후도를 정량적으로 판단하여 상수관로의 개량 우선순위를 결정해야 한다. 본 연구에서는 ANN(Artificial Neural Network)-Clustering 기법이 상수관로의 노후도 평가를 위한 새로운 평가방법이 될 수 있음을 제시하였다. 본 연구는 전라남도 YG지역의 배수관로를 적용대상으로 진행하였으며, 관망성능평가 항목을 이용하여 전체 관로를 세 개의 등급으로 분류하여 노후도를 평가하였다. 또한, 본 연구의 적용 가능성을 판단하기 위하여 실무에서 적용 중인 점수평가법 결과와 비교분석을 실시하였으며, 전체 대상관로의 노후도 정도를 직관적으로 파악할 수 있도록 산정된 노후도 등급을 관망도에 도시하였다. 본 연구에서 제안한 노후관로 평가기법은 관로의 다양한 특성값을 손쉽게 변경하여 적용할 수 있으며, 점수평가법과 더불어 상수관로의 유지관리를 위한 객관적이고 합리적인 관망성능평가법이 될 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

The aging water pipes induce various problems, such as water supply suspension due to breakage, insufficient water pressure, deterioration of water quality, damage by sink holes, and economic losses due to water leaks. However, it is impractical and almost impossible to repair and/or replace all deteriorated water pipes simultaneously. Hence, it is required to quantitatively evaluate the deterioration rate of individual pipes indirect way to determine the rehabilitation order of priority. In this study, ANN(Artificial Neural Network)-Clustering method is suggested as a new approach to assess and assort the water pipes. The proposed method has been applied to a water supply network of YG-county in Jeollanam-do. To assess the applicability of the model, the evaluation results were compared with the results of the Numerical Weighting Method (NWM), which is being currently utilized in practice. The assessment results are depicted in a water pipe map to intuitively grasp the degree of deterioration of the entire pipelines. The application results revealed that the proposed ANN-Clustering models can successfully assess the water pipe deterioration along with the conventional approach of NWM.

주제어

표/그림 (17)

표 Table 1. Water pipe deterioration assessment factors
표 Table 2. Weighting factors for individual assessment factors (KWWA, 2015)
그림 Fig. 1. General structure of a self-organizing map (SOM)
그림 Fig. 2. Self-organizing map (SOM) algorithm
그림 Fig. 3. SOM structure overview of current study
그림 Fig. 4. Water network overview of study area
표 Table 3. Simulation results of numerical weighting method
표 Table 4. Comparison of 9-Clustering model with the numerical weighting method
그림 Fig. 5. Spatial distribution of pipe deterioration assessment results
표 Table 5. Comparison of 4-Clustering model with the numericalweighting method
표 Table 6. Results comparison between the applied models
그림 Fig. 6. Water supply blocks of study area
그림 Fig. 7. Comparison between revenue water ratio and maximum static water pressure
표 Table 7. Average of maximum static water pressure and results of revenue water ratio
표 Table 8. Grade classification based on revenue water ratio (MOE,2007)
그림 Fig. 8. Spatial distribution of pipe assessment results
표 Table 9. Comparison of revenue water ratio and pipe deterioration assessment results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

또한, 노후도 평가 결과와 대상 지역의 유수율 진단 결과를 비교, 분석하여 제시한 모형의 적용가능성을 판단하였다. 결론에서는 분석 결과를 요약 및 정리하였으며, 추가적으로 필요한 향후 연구 방향에 대하여 소개하였다.
국내에서 일반적으로 활용하고 있는 점수평가법은 모델 적용이 간편하고 평가항목 수에 대한 제약이 없지만, 평가점수를 기준으로 한 선형분류이며 분류에 대한 기준이 명확하지 않은 단점이 있다. 본 연구에서는 ANN을 이용한 Clustering기법을 상수관로의 노후도 평가 및 분류를 위한 방법으로 제시하였으며, 국내에서 운영 중인 상수관망시스템을 대상으로 적용가능성을 분석하였다. 본 논문의 본론은 크게 방법론과 적용 및 결과분석으로 구성되며, 방법론에서는 기존의 점수평가법과 본 연구에서 진행한 ANN을 활용한 Clustering 이론에 대하여 설명하였다.
이때, α는 가중치 조정을 위한 학습률을 의미하며, 학습 과정이 진행될수록 그 값은 작아지게 되어 입력노드와 출력노드 간의 유사성을 더 강하게 만드는 역할을 한다. 즉, 출력노드가 입력노드의 정보 특성을 잘 반영하는 Cluster를 구성할 수 있도록 하는 것이다.

제안 방법

점수평가법 및 ANN-Clustering기법을 이용한 관로의 노후도 판정결과와 대상지역의 유수율 평가결과를 비교 분석한 결과, 4-Clustering모형이 대상지역의 용수공급 상황과 노후화 정도를 가장 잘 반영하는 것으로 나타났다. 4-Clustering모형은 주관적인 판단이 포함될 수 있는 일부 평가항목을 배제하고 정량적 자료로 분류할 수 있는 평가항목(관 매설년수, 연간누수건수, 연간수압관련민원건수, 최대정수압 등)만을 포함하여 관로의 노후도를 진단하였다. 따라서, 4-Clustering모형이 대상 지역의 노후도 판정에 적용성이 높은 것으로 판단되며, 4-Clustering모형을 이용한 관로의 노후도 진단 결과와 대상지역의 유수율 평가결과를 공간적으로 도시하여 비교하였다(Fig.
ANN-Clustering 기법은 점수평가법의 9가지 평가항목을 모두 포함한 9-Clustering모형과 평가항목 중 비교적 정량적 자료로 분류할 수 있는 관 매설년수, 연간 누수건수, 연간수압관련 민원건수, 최대정수압 등 4가지 항목만을 포함시킨 4-Clustering모형으로 구분하여 노후도 평가를 진행하였다. 9-Clustering모형의 경우 점수평가법과 동일하게 조건값과 가중치를 적용하였고, 4-Clustering모형의 경우 4가지 평가항목에 대하여 가중치를 0.
25로 동일하게 적용하였다. Clustering 기법을 이용한 판정 등급은 점수평가법과 동일하게 A, B, C의 3가지 등급으로 분류하였다.
국내에서 적용하고 있는 노후도 평가항목은 한국상하수도협회(Korea Water and Wastewater Association, KWWA)의 상수관로 개량매뉴얼을 포함하여 K-water 및 각 지자체별로 각각 상이하다. Table 1은 환경부(Ministry of Environment, MOE), K-water 및 한국상하수도협회에서 제시한 평가항목을 나타내며, 본 연구에서 적용한 9가지 평가항목을 함께 수록하였다.
본 연구에서 적용한 평가항목은 ‘관종’, ‘관 직경’, ‘매설년수’, ‘외면피복’, ‘내면피복’, ‘관 매설주변도로현황’, ‘연간 누수건수’, ‘연간 민원건수’, ‘최대정수압’ 등 총 9가지에 해당한다. 각각의 평가항목에 대하여 관로의 노후도에 따라 상, 중, 하 3가지 상태로 구분한 후 각각 1점, 0.5점, 0점의 조건값을 부여하였다. 각 평가항목의 중요도에 따라 가중치를 적용하며, 본 연구에서 사용한 가중치 설정값은 Table 2와 같다.
대상지역의 배수관로 6,325개에 대한 노후도 평가 및 분류를 진행하였다. 점수평가법의 경우 A등급 3,041개(48%), B등급 2,841개(45%), C등급 443개(7%)로 분류되었다.
4-Clustering모형은 주관적인 판단이 포함될 수 있는 일부 평가항목을 배제하고 정량적 자료로 분류할 수 있는 평가항목(관 매설년수, 연간누수건수, 연간수압관련민원건수, 최대정수압 등)만을 포함하여 관로의 노후도를 진단하였다. 따라서, 4-Clustering모형이 대상 지역의 노후도 판정에 적용성이 높은 것으로 판단되며, 4-Clustering모형을 이용한 관로의 노후도 진단 결과와 대상지역의 유수율 평가결과를 공간적으로 도시하여 비교하였다(Fig. 8).
그림을 통해 공간적으로 분류 결과를 비교한 결과, 적용한 세 가지 평가방법이 모두 상이한 결과를 나타내고 있음을 알 수 있다. 따라서, 세 가지 적용 방법 중 적절한 평가방법을 선정할 필요가 있으며, 이를 위해 다음 절에서는 대상지역의 과거 유수율과 적용기법의 결과를 비교, 분석하였다.
적용 및 결과분석에서는 대상 지역의 관로에 각 평가기법을 적용한 결과를 정리하였다. 또한, 노후도 평가 결과와 대상 지역의 유수율 진단 결과를 비교, 분석하여 제시한 모형의 적용가능성을 판단하였다. 결론에서는 분석 결과를 요약 및 정리하였으며, 추가적으로 필요한 향후 연구 방향에 대하여 소개하였다.
Kim (2003) 은 확률적신경망 알고리즘을 도입하여 매설된 관의 노후도 정도를 5등급으로 나누어 확률의 크기로 분류하는 모형을 제시하였다. 또한, 매설된 관의 노후도 정도를 파악한 후, 이를 기준으로 최대 잔존수명을 추정하여 개량 계획을 수립할 수 있는 모형을 제안하였다. Lee (2010)는 주성분분석과 인공신경망을 연계한 노후도 추정 모델을 개발하여, 간접평가에 의한 노후도와 직접평가에 의한 노후도 간의 패턴을 인공신경망으로 학습시켜 상수관로의 노후도를 추정하고, 그 결과에 따라 갱생 및 교체 우선순위를 결정하는 연구를 수행하였다.
본 연구에서는 ANN을 이용한 Clustering기법을 상수관로의 노후도 평가 및 분류를 위한 방법으로 제시하였으며, 국내에서 운영 중인 상수관망시스템을 대상으로 적용가능성을 분석하였다. 본 논문의 본론은 크게 방법론과 적용 및 결과분석으로 구성되며, 방법론에서는 기존의 점수평가법과 본 연구에서 진행한 ANN을 활용한 Clustering 이론에 대하여 설명하였다. 적용 및 결과분석에서는 대상 지역의 관로에 각 평가기법을 적용한 결과를 정리하였다.
현재 국내에서 일반적으로 활용되고 있는 노후도 판정 기법인 점수평가법은 평가점수를 기준으로 한 선형분류의 평가방법이며, 분류 기준이 명확하지 않은 단점이 존재한다. 본 연구에서 제시한 ANN-Clustering 기법은 반복학습 과정을 통해 비선형 관계분석이 가능하고, 개별 관로의 다양한 특성을 반영하여 유사한 관로들을 하나의 클러스터로 구성한다. 따라서, 새로운 평가 및 분류모형으로 기존 점수평가법과 함께 상수관로의 노후도 평가와 분류, 개량우선순위 선정 등에 적용이 가능할 것으로 판단된다.
세 가지 평가방법 중 적절한 평가방법을 선정하기 위하여, 대상지역 내 배수구역별 유수율과 각 평가방법에 의한 노후관 분류 결과를 비교, 분석하였다. 각 배수구역 별 최대정수압이 높을수록 유수율이 낮은 것을 확인하였으며, 유수율이 낮은 배수구역일수록 해당 관로의 노후도가 심각할 것으로 예상하였다.
(2011)은 상수관로의 개량 우선순위의 결정에 고려되어야 할 인자 또는 요소를 각 관로의 특성과 관로의 파손이 전체 관망에 미치는 영향으로 구분하여 체계적으로 고찰하였다. 이러한 요소들을 퍼지기법에 적용하여 정량적으로 우선순위를 산정할 수 있는 모형을 개발하였으며, 이를 소규모 예제 관망에 적용하여 개발된 모형과 방법론의 적용 예를 제공하였다. Yoo et al.
본 논문의 본론은 크게 방법론과 적용 및 결과분석으로 구성되며, 방법론에서는 기존의 점수평가법과 본 연구에서 진행한 ANN을 활용한 Clustering 이론에 대하여 설명하였다. 적용 및 결과분석에서는 대상 지역의 관로에 각 평가기법을 적용한 결과를 정리하였다. 또한, 노후도 평가 결과와 대상 지역의 유수율 진단 결과를 비교, 분석하여 제시한 모형의 적용가능성을 판단하였다.
따라서, 새로운 평가 및 분류모형으로 기존 점수평가법과 함께 상수관로의 노후도 평가와 분류, 개량우선순위 선정 등에 적용이 가능할 것으로 판단된다. 제시한 모형의 적용가능성을 판단하기 위하여 기존의 점수평가법 및 유수율 평가결과와의 비교, 분석을 실시하였으며, 이를 토대로 도출된 결론은 다음과 같다.
출력층은 가로와 세로 방향의 최적의 배열을 위해 일반적으로 육각형 혹은 사각형의 격자 형태를 사용하며(Kohonen, 2002), 출력 노드의 수는 규정된 원칙은 없으나 본 연구에서는 점수평가법과 동일하게 3개의 등급으로 분류하기 위하여 3개의 격자(3×1)를 지정하였다.
Lee (1994)는 관로 내부 및 외부에서 발생하는 노후도 관련 인자를 이용하여 노후도 판정기법인 점수평가법을 제시하였으며, K-water (1995)에서는 노후도와 관련된 각 인자들의 상태에 따라 점수를 부여하고, 각 인자 항목의 점수를 합산하여 우선적으로 정비해야할 관로를 판별하는 점수평가법으로 우리나라 실정에 맞는 모델을 제시하였다. 해당 연구는 노후화에 영향을 미치는 인자들의 노후도 정도에 따른 점수를 산정하여, 이를 합산한 총 점수를 기준으로 해당 관로의 보수 혹은 교체 여부를 판단하였다. 이후, 점수평가법 이외에도 인공신경망 등을 이용하여 관로의 노후도를 평가하는 연구가 진행되었다.

대상 데이터

대상 지역 내 배수구역은 총 10곳으로 Fig. 6에 배수지의 위치를 포함한 배수구역을 도시하였다. 지방상수도에 포함된 6곳의 배수지와, 광역상수도에 포함된 4곳의 배수지로 구성되며, 각 배수지는 YG군의 여러 읍과 리에 용수를 공급한다.
점수평가법을 적용하기에 앞서 YG군의 평가대상 관로(배수관로 6,325개)의 기초자료를 수집하였다. 평가 항목은 총 9개로 관종, 관직경, 매설년수, 외면피복, 내면피복, 관 매설주변도로현황, 연간 누수건수, 연간 민원건수, 최대정수압 등이 포함된다.
6에 배수지의 위치를 포함한 배수구역을 도시하였다. 지방상수도에 포함된 6곳의 배수지와, 광역상수도에 포함된 4곳의 배수지로 구성되며, 각 배수지는 YG군의 여러 읍과 리에 용수를 공급한다.
4에 표시된 바와 같이, YG군의 상수관망시스템은 정수장 5개소와 배수지 10개소를 통해 용수공급이 이루어지고 있다. 총 관로연장은 1,073 km이며, 그 중 송수관로는 8 km(0.70%), 배수관로 796 km (74.2%), 그리고 급수관로 269 km(25.1%)로 구성되어 있다. 배수관로 및 급수관로는 PE관이 각각 61.

데이터처리

9-Clustering모형을 이용한 분류 결과, A등급 4,466개(70%), B등급 688개(11%), 그리고 C등급 1,171개(19%)의 관로가 포함되어 A등급이 가장 많은 비율을 차지하였다. 각 등급에 포함된 관로에 대하여 점수평가법을 이용하여 평가점수를 계산하였다. 계산 결과를 점수평가법의 분류 방법대로 0.

이론/모형

유수율이란, 정수장에서 생산하여 공급한 용수 중에서 수용가에 도달하여 요금으로 징수된 용수의 비율을 의미하며, 경제성 평가 및 해당 지역의 관로 상태를 간접적으로 판단할 수 있는 지표이므로 본 연구에서 활용하였다. 유수율 등급 판정은 환경부(2007)에서 제시하고 있는 기준을 적용하였으며, Table 8에 정리한 바와 같이 우수, 양호, 보통, 불량, 심각 등 총 5가지 등급으로 분류할 수 있다.
2번과 3번 배수구역은 유수율이 30% 수준으로 매우 낮은 수치를 보이며 ‘심각’ 단계의 판정을 받았다. 참고로, 본 연구에서는 2016년도에 대상지역에서 수행된 유수율 평가결과를 참고하였다(KEC, 2016).

성능/효과

7은 배수구역 별로 평균 최대정수압과 유수율 간의 관계를 비교하여 나타낸 그래프이다. 10곳의 배수구역 중 유수율이 가장 낮은 (33.8%) 2번 배수구역의 경우 최대정수압이 81.2 m로 산정되었고, 3번 배수구역의 최대정수압은 69.3 m 로 두 배수구역의 최대정수압은 다른 지역에 비해 높은 수치를 기록하였다. 56.
0%로 심각 단계임에도 불구하고, 점수평가법은 48%의 관로가 B등급, 9-Clustering모형은 71%의 관로가 A등급으로 평가되었음을 확인할 수 있다. 2번, 3번 배수구역은 유수율이 30%대로 매우 심각한 수준이므로 노후화된 관로의 비율이 높을 것으로 예상하였지만, 점수평가법과 9-Clustering모형의 결과 A등급 또는 B등급의 관로가 많은 것으로 평가되었다. 따라서 점수평가법과 9-Clustering모형은 해당 지역의 관로의 노후도를 평가하기에는 부적절한 평가 방법이라고 판단하였다.
Table 5에서 4-Clustering모형과 점수평가법의 분류 결과를 비교하였다. 4-Clustering모형에서 B등급으로 분류된 관로 중 61.5%가 점수평가법에서는 A등급으로 분류되며, 4-Clustering모형에서 C등급으로 분류된 관로 중 61.5%가 점수평가법에서 B등급으로 분류되는 등 두 가지 분류방법이 크게 상이한 결과를 나타내고 있음을 알 수 있다.
4-Clustering모형의 분류 결과, 각각 A, B, C 등급에 2,307개(36.5%), 1,911개(30.2%), 2,107개(33.3%)의 관로가 포함되어 비교적 균등한 비율을 나타내었다. 점수평가법과 9-Clustering 모형의 경우, A등급이 많은 비율을 차지한 것과 비교하여 상이한 결과로 나타났다.
3 m 로 두 배수구역의 최대정수압은 다른 지역에 비해 높은 수치를 기록하였다. 56.1%의 유수율로 심각단계 판정을 받은 8번 배수구역 또한 최대정수압이 다른 지역보다 높은 것을 확인하였다. 관로 내 수압이 높을 경우, 관로 손상과 누수량의 증가로 인해 유수율이 낮은 것을 확인하였다.
점수평가법의 경우 A등급 3,041개(48%), B등급 2,841개(45%), C등급 443개(7%)로 분류되었다. 9-Clustering 모형은 A등급 4,466개(70%), B등급 688개(11%), C등급 1,171개(19%)로 산정되었으며, 4-Clustering모형의 경우 A 등급 2,307개(37%), B등급 1,911개(30%), C등급 2,107개 (33%)로 분류되었다. 점수평가법 및 9-Clustering모형은 대상지역의 관로에 대하여 비교적 높은 점수를 부여한 반면, 4-Clustering모형의 경우 3가지 등급으로 비교적 균등하게 분류되었다.
9-Clustering모형을 이용한 분류 결과, A등급 4,466개(70%), B등급 688개(11%), 그리고 C등급 1,171개(19%)의 관로가 포함되어 A등급이 가장 많은 비율을 차지하였다. 각 등급에 포함된 관로에 대하여 점수평가법을 이용하여 평가점수를 계산하였다.
9-Clustering모형의 분류 결과는 점수평가법과 비교적 일치하지만, 4-Clustering모형의 결과는 점수평가법과 크게 상이한 것으로 나타났다. 9-Clustering모형의 경우 점수평가법과 동일한 9가지 평가항목을 모두 포함한 반면, 4-Clustering 모형은 4개의 정량적 평가항목을 선택하여 반영한 것이 점수 평가법과의 부합도가 낮은 원인으로 판단하였다.
유수율이 낮은 배수구역일수록 관로의 보수 및 교체가 우선적으로 이루어져야 하므로 C등급을 받은 관로의 비율이 높을 것으로 예상할 수 있다. 가장 낮은 유수율(33.8%)을 나타낸 2번 배수구역의 경우, 점수평가법 평가결과 B등급이 66%, 9-Clustering모형의 결과 A등급이 67%로, 예상과는 다르게 과반수이상의 관로들이 비교적 좋은 노후도 평가를 받은 것을 확인하였다. 또한, 3번 배수구역의 유수율도 36.
세 가지 평가방법 중 적절한 평가방법을 선정하기 위하여, 대상지역 내 배수구역별 유수율과 각 평가방법에 의한 노후관 분류 결과를 비교, 분석하였다. 각 배수구역 별 최대정수압이 높을수록 유수율이 낮은 것을 확인하였으며, 유수율이 낮은 배수구역일수록 해당 관로의 노후도가 심각할 것으로 예상하였다. 따라서 관리가 시급한 유수율 ‘심각’ 단계에 해당하는 배수구역의 노후도 평가결과를 비교하였고, 4-Clustering모형이 유수율 특성을 잘 반영하여 C등급으로 평가된 관로의 비율이 높은 것을 확인하였다.
대상 지역의 유수율 평가 결과, 가장 높은 등급을 받은 배수 구역은 ‘보통(76%)’으로 1곳이고 (7번 배수구역), 그 외 9개 배수구역의 평가 결과는 ‘불량’ 또는 ‘심각’ 단계 판정을 받았다.
따라서 관리가 시급한 유수율 ‘심각’ 단계에 해당하는 배수구역의 노후도 평가결과를 비교하였고, 4-Clustering모형이 유수율 특성을 잘 반영하여 C등급으로 평가된 관로의 비율이 높은 것을 확인하였다.
전반적으로, 유수율 평가결과 ‘심각’ 단계에 해당하는 관로 대부분이 4-Clustering모형의 평가결과에서 C등급으로 분류되는 것을 확인할 수 있으며, 유수율 ‘심각’ 단계에 해당하는 관로들 중 A등급의 판정을 받은 관로는 매우 적게 나타났다. 따라서 대상지역의 유수율 평가결과와 4-Clustering모형의 노후도 평가결과가 공간적으로도 유사한 분포를 나타내고 있음을 확인할 수 있다. 유수율 평가결과 및 노후도 평가결과에서 모두 심각한 결과를 보이는 중앙 관로들의 경우 시급한 교체 혹은 보강이 필요할 것으로 판단된다.
8%)을 나타낸 2번 배수구역의 경우, 점수평가법 평가결과 B등급이 66%, 9-Clustering모형의 결과 A등급이 67%로, 예상과는 다르게 과반수이상의 관로들이 비교적 좋은 노후도 평가를 받은 것을 확인하였다. 또한, 3번 배수구역의 유수율도 36.0%로 심각 단계임에도 불구하고, 점수평가법은 48%의 관로가 B등급, 9-Clustering모형은 71%의 관로가 A등급으로 평가되었음을 확인할 수 있다. 2번, 3번 배수구역은 유수율이 30%대로 매우 심각한 수준이므로 노후화된 관로의 비율이 높을 것으로 예상하였지만, 점수평가법과 9-Clustering모형의 결과 A등급 또는 B등급의 관로가 많은 것으로 평가되었다.
즉, 4-Clustering모형에서 C등급의 진단을 받은 관로의 대다수가 실제 유수율 평가에서 ‘심각’ 단계에 해당하는 배수구역에 포함되어 있음을 확인하였다. 또한, 세 가지 평가방법에서 모두 C등급 평가를 받은 168개의 관로에 대해서는 시급한 교체 및 보수작업이 필요할 것으로 판단하였다.
1%)로 구성되어 있다. 배수관로 및 급수관로는 PE관이 각각 61.4%, 78.9%로 비금속관이 차지하는 비율이 높았으며, 관로의 매설년수 현황은 매설 후 10년 이상 20년 미만의 관로가 각각 65.4%, 60.9%로 가장 높은 비율을 차지하고 있다.
분석결과, 총 6,325개의 평가대상 관로 중 A등급에 해당하는 관로는 3,041개(48%), B등급 관로는 2,841개(45%), C등급 관로는 443개(7%)로 각각 분류되었다. 점수평가법으로 평가를 진행한 결과, 대상지역의 경우 A등급과 B등급이 대부분을 차지하였으며(93%), 사후 조치를 토대로 A등급의 경우 그대로 유지, B등급의 경우 직접 조사하거나 관로 세척 또는 갱생의 후속 조치를, 443개의 C등급에 해당하는 관로는 교체 대상 관로에 포함하였다.
적용한 평가방법 및 대상지역의 유수율 평가결과와의 비교, 분석을 종합한 결과, 4-Clustering모형이 대상지역의 관로 노후도를 비교적 정확히 평가 및 분류하는 것으로 판단하였다. 따라서, 본 논문에서 제시한 ANN-Clustering기법은 기존의 점수 평가법과 더불어 관로의 노후도를 평가하고 분류하는 연구에 활용될 수 있을 것으로 기대한다.
전반적으로, 유수율 평가결과 ‘심각’ 단계에 해당하는 관로 대부분이 4-Clustering모형의 평가결과에서 C등급으로 분류되는 것을 확인할 수 있으며, 유수율 ‘심각’ 단계에 해당하는 관로들 중 A등급의 판정을 받은 관로는 매우 적게 나타났다.
점수평가법 및 ANN-Clustering기법을 이용한 관로의 노후도 판정결과와 대상지역의 유수율 평가결과를 비교 분석한 결과, 4-Clustering모형이 대상지역의 용수공급 상황과 노후화 정도를 가장 잘 반영하는 것으로 나타났다. 4-Clustering모형은 주관적인 판단이 포함될 수 있는 일부 평가항목을 배제하고 정량적 자료로 분류할 수 있는 평가항목(관 매설년수, 연간누수건수, 연간수압관련민원건수, 최대정수압 등)만을 포함하여 관로의 노후도를 진단하였다.
분석결과, 총 6,325개의 평가대상 관로 중 A등급에 해당하는 관로는 3,041개(48%), B등급 관로는 2,841개(45%), C등급 관로는 443개(7%)로 각각 분류되었다. 점수평가법으로 평가를 진행한 결과, 대상지역의 경우 A등급과 B등급이 대부분을 차지하였으며(93%), 사후 조치를 토대로 A등급의 경우 그대로 유지, B등급의 경우 직접 조사하거나 관로 세척 또는 갱생의 후속 조치를, 443개의 C등급에 해당하는 관로는 교체 대상 관로에 포함하였다.
즉, 4-Clustering모형에서 C등급의 진단을 받은 관로의 대다수가 실제 유수율 평가에서 ‘심각’ 단계에 해당하는 배수구역에 포함되어 있음을 확인하였다.
따라서 관리가 시급한 유수율 ‘심각’ 단계에 해당하는 배수구역의 노후도 평가결과를 비교하였고, 4-Clustering모형이 유수율 특성을 잘 반영하여 C등급으로 평가된 관로의 비율이 높은 것을 확인하였다. 직관적으로 대상지역의 유수율 및 노후관 평가등급을 비교하기 위하여 전체 관망도에 해당 결과를 도시하였으며, 유수율 평가결과와 4-Clustering모형의 분류결과의 공간적 분포 양상이 유사함을 확인하였다. 즉, 4-Clustering모형에서 C등급의 진단을 받은 관로의 대다수가 실제 유수율 평가에서 ‘심각’ 단계에 해당하는 배수구역에 포함되어 있음을 확인하였다.
참고로, 9-Clustering모형의 경우 점수평가법과 분류결과가 일치하는 관로가 3,673개로 약 60%를 차지하였고, 4-Clustering모형의 경우 점수평가법의 분류결과와 일치하는 관로는 2,091개로 33%에 불과하였다. 점수평가법과 9- Clustering모형은 동일한 평가항목(9개 항목)을 사용하는 반면, 4-Clustering모형의 경우 4개의 평가항목을 선택하여 분류를 수행하기 때문에 점수평가법과의 부합도가 낮은 것으로 판단된다.
따라서 두 가지 분류방법의 부합여부를 정량적으로 판단할 수 있으며,각 열의 합은 100%가 됨을 알 수 있다. 특이한 점은 9-Clustering 모형에서 C등급으로 판정된 관로 중 68.5%에 해당하는 관로가 점수평가법에서는 B등급으로 분류가 되어 매우 상이한 결과를 나타내고 있다는 것이다.

후속연구

다만, 본 연구는 YG지역에 한해서 적용한 결과만을 정리한 것이므로, 평가항목의 선정 및 모형 선정에 대한 추가적인 연구가 필요할 것으로 사료된다. 또한, 본 논문에서 제시한 모형을 이용하여 상수관로의 블록단위 개량조치와 단, 중, 장기 개량 계획 수립을 위한 개량우선순위를 산정하는 연구도 추후 진행되어야 할 것이다.
적용한 평가방법 및 대상지역의 유수율 평가결과와의 비교, 분석을 종합한 결과, 4-Clustering모형이 대상지역의 관로 노후도를 비교적 정확히 평가 및 분류하는 것으로 판단하였다. 따라서, 본 논문에서 제시한 ANN-Clustering기법은 기존의 점수 평가법과 더불어 관로의 노후도를 평가하고 분류하는 연구에 활용될 수 있을 것으로 기대한다. 또한, ANN-Clustering 기법은 가용한 데이터의 수가 많을수록 보다 정확한 평가결과를 제시할 수 있을 것으로 판단되며, 평가항목 수 및 평가항목 간의 관계가 복잡한 경우, 더욱 적합한 평가방법이라고 할 수 있다.
본 연구에서 제시한 ANN-Clustering 기법은 반복학습 과정을 통해 비선형 관계분석이 가능하고, 개별 관로의 다양한 특성을 반영하여 유사한 관로들을 하나의 클러스터로 구성한다. 따라서, 새로운 평가 및 분류모형으로 기존 점수평가법과 함께 상수관로의 노후도 평가와 분류, 개량우선순위 선정 등에 적용이 가능할 것으로 판단된다. 제시한 모형의 적용가능성을 판단하기 위하여 기존의 점수평가법 및 유수율 평가결과와의 비교, 분석을 실시하였으며, 이를 토대로 도출된 결론은 다음과 같다.
다만, 본 연구는 YG지역에 한해서 적용한 결과만을 정리한 것이므로, 평가항목의 선정 및 모형 선정에 대한 추가적인 연구가 필요할 것으로 사료된다. 또한, 본 논문에서 제시한 모형을 이용하여 상수관로의 블록단위 개량조치와 단, 중, 장기 개량 계획 수립을 위한 개량우선순위를 산정하는 연구도 추후 진행되어야 할 것이다.
인공신경망(ANN) 기법은 인간의 생물학적 뉴런 구조를 기반으로 한 머신러닝 기법으로 다양한 학문분야에서 지속적인 연구가 진행되어 왔다. 본 연구에서 적용한 인공신경망 알고리즘은 자기조직화지도(Self-Organizing Map, SOM)로서 다차원의 자료를 2차원으로 사상(mapping)시켜 가시화가 쉽고, 이에 따라 자료의 특성파악을 위한 분석도구로 활용될수 있어 최근 패턴분류 방법에 적용이 활발하게 이루어지고 있다. 1984년 핀란드의 전기공학자 T.

질의응답

핵심어	질문	논문에서 추출한 답변
	점수평가법이란 무엇인가?	점수평가법(Numerical Weighting Method, NWM)은 노후도 인자 및 가중치에 의한 점수를 기준으로 노후도를 평가하는 방법이다. 국내에서 적용하고 있는 노후도 평가항목은 한국상하수도협회(Korea Water and Wastewater Association, KWWA)의 상수관로 개량매뉴얼을 포함하여 K-water 및 각 지자체별로 각각 상이하다.
	자기조직화지도 기법의 장점은 무엇인가?	Kohonen에 의해 개발된 자기조직화지도는 비지도 학습(Unsupervised learning) 신경망 모델의 한 종류이다. 인공신경망을 기반으로 한 SOM 기법은 비선형적인 관계 분석과 쉽고 빠른 자료의 업데이트 등의 장점을 가지고 있다(Hong, 2001). 여기서, 비지도 학습이란 훈련과정에 목표값(Target value)을 갖지 않는 학습방법을 의미한다.
	상수관로의 노후화 정도를 파악하고 예측하는 것이 어려운 이유는 무엇인가?	그러므로 안정적인 용수공급을 위해서는 상수관로의 유지관리가 중요하다. 상수관로는 대부분 지하에 매설되어 있으며 지형적 특성(매설토양, 수압 등)에 영향을 받기 때문에 정확한 부식 및 노후화 정도를 파악하고 예측하는 것이 매우 어렵다. 따라서 실측을 통한 평가보다는 간접적으로 상수관로의 노후도를 진단할 수 있는 평가방법이 필요하다.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증