1. 서 론
1.1 연구의 배경 및 목적
2. 문헌 고찰
3. 연구 방법
3.1 연구 프레임워크
3.2 데이터 수집 및 전처리
3.3 모델 학습
4. 연구 결과 및 논의
4.1 모델 학습 결과
4.2 결과 해석 및 논의
5. 결 론
1. 서 론
1.1 연구의 배경 및 목적
터널은 지형적 제약을 극복하며 물류와 인적 이동을 원활하게 하는 국가 교통망의 핵심 기반 시설이다. 이러한 역할로 인해 세계 각국은 급격한 경제 성장기에 교통 인프라 확충을 목적으로 대규모 터널 건설을 추진하였다(Chen et al., 2018; Kim, 2023). 그러나 당시 건설된 많은 터널이 설계 수명에 도달하여 구조적 노후화가 빠르게 진행되고 있고, 그에 따른 안전성 저하가 사회적 문제로 부각되고 있다. 특히 2012년 일본의 사사고 터널에서는 터널 노후화로 인한 상부 콘크리트 패널 붕괴로 9명이 사망하였으며, 이는 유지관리 미비가 대형 참사로 이어질 수 있음을 보여준 대표적 사례로 보고되었다.
이처럼 노후 터널에서 발생할 수 있는 사고 가능성은 국내에서도 예외가 아니다. 실제로 국내 도로터널의 약 9.5%, 철도터널의 약 25.4%가 준공 후 30년 이상 경과한 시설로 조사되었다(MOLIT, 2024; KALIS, 2024). 이는 국내에도 노후화된 시설물이 상당 비율 존재하며 지속적으로 증가하고 있음을 의미한다. 이런 상황임에도 불구하고 현재의 터널 유지보수 예산은 주로 단가집에 기반한 개략 단가를 활용하고 있어, 손상 수준이나 시설물별 구조적 특성과 같은 실제 현장의 조건을 충분히 반영하지 못하는 한계가 있다. 이로 인해 예산과 실제 소요되는 보수 비용 간의 차이가 발생하여 계획된 보수공사를 모두 수행하지 못하는 경우가 발생한다. 이는 유지관리의 효율성과 시설물 안전성 확보에 제약 요인이 되고 있다.
이에 본 연구는 터널의 보수 ∙ 보강 이력을 수집하고, 이를 기반으로 공법별 단위 보수 ∙ 보강 비용을 예측할 수 있는 모델을 개발하는 것을 목적으로 한다. 이를 통해 기존의 개략적 예산 산정 방식에서 벗어나, 실질 데이터를 기반으로 한 정밀 비용 예측이 가능해질 것으로 기대된다. 나아가 장기적으로는 사회기반시설의 안전성을 강화하고 유지보수 비용의 효율적 운용을 달성하는 데 기여할 수 있을 것이다.
2. 문헌 고찰
유지관리 비용의 정확한 산정은 터널과 같은 사회 기반 시설의 합리적인 예산 편성과 지속 가능한 운영을 위해 필수적이다(Wang et al., 2022). 그러나 유지관리 비용은 시설물 규모 및 위치, 공사 현장 조건, 손상 정도 등 다수의 복합적 요인에 의해 결정되기 때문에 예측이 어렵다(Mohamed et al., 2024). 최근에는 이러한 한계를 극복하기 위해 데이터 기반 접근을 통해 비용을 정량적으로 예측하려는 시도가 이루어지고 있으며, 특히 머신러닝 기법이 새로운 대안으로 주목받고 있다.
이러한 연구 흐름은 다양한 사회기반시설에 적용되고 있는데, 터널 분야에서도 통계적 기법과 머신러닝을 활용한 연구가 활발히 진행되고 있다. 예를 들어 통계적 접근으로는, 설계 단계에서 터널 시공 비용을 변수 분석을 통한 회귀식 추정을 통해 예측한 연구(Rostami et al., 2013)와 다변수 회귀 분석 및 몬테카를로 시뮬레이션을 통해 도로터널의 생애주기 비용을 예측한 연구(Petroutsatou et al., 2023)가 있다. 머신러닝을 활용한 연구로는, 터널 시공 기간과 비용을 예측하기 위해 머신러닝의 여러 알고리즘을 적용하고 성능을 비교한 연구(Mahmoodzadeh et al., 2022)와 도로터널 건설 공사비를 인공 신경망으로 예측한 연구(Petroutsatou et al., 2012)가 수행되었다. 유지관리 비용과 관련해서는 고속도로 터널의 연간 유지관리비를 회귀모델 기반으로 예측하고 주요 영향 요인을 분석한 연구가 수행되었다(Wu et al., 2022).
3. 연구 방법
3.1 연구 프레임워크
본 연구는 머신러닝 기법을 활용하여 터널 보수 공법별 단위 보수 ∙ 보강 비용을 예측하는 것을 목적으로 한다. 이를 위해 실제 보수 ∙ 보강 내역서를 수집하고 전처리를 거쳐 학습 데이터를 구성한 후, 모델을 학습시켜 비용을 예측하였다. 이후 학습된 모델에 대한 성능 평가를 진행하였다. 전체 연구 절차는 Fig. 1과 같다.
3.2 데이터 수집 및 전처리
터널 보수 ∙ 보강 내역을 확보하기 위해 3개 관리주체를 대상으로 2019년부터 2023년까지 5년간의 준공 내역서를 수집하였다. 수집된 내역서는 정제 과정을 거쳐 모델 학습에 활용할 수 있도록 공법별 보수 ∙ 보강 비용 데이터로 구조화하였다. 그 결과 터널의 36개 보수 ∙ 보강 공법에 대한 6,611개의 데이터를 확보하였다. 또한, 시설물통합정보시스템(Facility Management System, FMS)을 통해 시설물의 제원 정보를 추가적으로 확보하였으며, 수집된 제원 중 결측치 비율이 50% 이상인 변수는 분석에서 제외하였다.
확보된 제원과 보수 ∙ 보강 내역을 결합하여 데이터셋을 구축하였다. 또한 준공연도와 보수 ∙ 보강 공사연도의 차이를 이용하여 공용연수 변수를 생성하였다. 이후 수치형 변수 간 상관관계를 분석하여 다중공선성을 확인한 후 통계적으로 중복적 의미를 지니는 변수를 제거하였다. 마지막으로 공사 시점별 비용의 가치 차이를 보정하기 위해 건설공사비지수(Construction Cost Index, CCI)를 활용하여 모든 비용을 2024년 1월 기준의 가치로 환산하였다. 이러한 일련의 과정을 통해 최종 학습 데이터셋을 구축하였으며, 학습 데이터셋의 변수는 Table 1에 정리하였다.
Table 1.
Variables of training data
3.3 모델 학습
비용 예측 알고리즘으로는 이상치에 강건하고, 건설 분야의 다양한 연구에서 활용되어 우수한 성능을 보인 Extreme Gradient Boosting(XGBoost) 알고리즘을 적용하였다(Chen and Guestrin, 2016; Lim and Chi, 2019; Lee et al., 2023). 일반적으로 비용과 같은 연속형 변수를 예측하는 문제에는 회귀 모델이 사용되지만, 회귀 모델은 극단치와 데이터 분포의 불균형에 민감하게 반응하여 예측의 안정성이 저하되는 문제가 있다(Avelino et al., 2024). 본 연구에서는 이를 해결하기 위해 비용을 균등 간격 5개 구간으로 분할한 뒤, 해당 구간을 예측하는 분류 문제로 접근하였다. 분류 기반 접근은 회귀에서 나타나는 극단치 민감성을 완화할 수 있으며, 각 공법별 비용을 설정된 구간 범위 내에서 안정적으로 예측할 수 있다는 장점이 있다. 이후 예측된 구간의 중앙값을 대표 비용으로 설정함으로써, 비용 분포의 다양성을 반영하면서도 안정적인 단위 보수 ∙ 보강 비용을 산정하도록 하였다.
모델 학습 과정에서는 전처리된 공법별 데이터를 학습용 데이터(80%)와 평가용 데이터(20%)로 분할하여, 학습 데이터로 모델을 훈련하고 평가 데이터로 성능을 검증하였다. 모델 학습 시 learning rate, n_estimators, max_depth, colsample_bytree 등 XGBoost의 주요 하이퍼파라미터에 대해 Grid Search를 수행하여 최적의 조합을 탐색하였다.
모델 성능 평가는 분류 성능과 실제 비용 예측 성능의 두 측면에서 이루어졌다. 분류 성능은 정확도(Accuracy)와 Weighted F1-score를 활용하여 검증하였다. 공법별 데이터 규모가 제한적이라는 점을 고려하여, 10겹 교차 검증(10-fold cross validation)을 적용하여 성능 평가의 신뢰성을 높이고자 하였다. 이를 통해 데이터 분할에 따른 편향을 최소화하고 모델의 일반화 성능을 평가하였다. 또한 최종적으로는 실제 단위 보수 ∙ 보강 비용을 정확히 추정하는 것이 목표이므로, 예측된 구간의 대표 비용과 실제 비용 간의 차이를 평가하기 위해 평균 절대 오차(Mean Absolute Error, MAE)와 평균 절대 비율 오차(Mean Absolute Percentage Error, MAPE)를 산출하였다. 이를 통해 모델의 비용 예측 성능을 정량적으로 검증하였다.
4. 연구 결과 및 논의
4.1 모델 학습 결과
학습 데이터 구성에 따라 100건 이상의 데이터를 확보하고 있는 13개 공법에 대해 공법별 단위 보수 ∙ 보강 비용 예측 모델을 생성하였고, 결과는 다음 Table 2와 같다. 13개 모델의 구간 분류 성능은 평균 정확도 95.1%, 평균 Weighted F1-score 0.945로 높은 성능을 보였다. 실제 비용 예측 성능 평가는 평균 MAE 22,822원, 평균 MAPE 35.5%로 나타났다. 이를 기존의 개략 단가 방식과 비교하기 위해, 한국도로공사에서 발표한 2024년 한국도로공사 유지보수 단가집을 활용하여 MAE와 MAPE 지표를 통해 비교하였다(Table 3). 이때 개략 단가는 한국도로공사에서 발표한 2024년 한국도로공사 유지보수 단가집을 활용하여 비교하였다. 개략 단가 방식의 경우 평균 MAE 104,217원, 평균 MAPE 136.2%로 나타났으며, 본 연구에서 제안한 방법이 비용 예측 오차를 유의미하게 감소시키는 것을 확인할 수 있었다.
Table 2.
Performance of prediction models by repair method
Table 3.
Comparison of Conventional Methods and Model Results
4.2 결과 해석 및 논의
본 연구의 머신러닝 모델은 대부분의 터널 보수 공법에서 높은 예측 성능을 보였다. 구간 예측 정확도와 Weighted F1-score는 대다수 공법에서 0.9 이상으로 나타났고, MAE와 MAPE 또한 합리적인 수준을 유지하였다. 특히 배수시설 보수 공법과 포장 방수 공법의 경우 MAE가 각각 342원과 32원, MAPE가 1.0%와 0.3%로 매우 낮아 비용 예측의 안정성을 확보한 것으로 나타났다. 이와 같은 결과는 구간화를 통한 분류 기반 접근이 회귀 방식에서 발생할 수 있는 극단치에 대한 민감성을 효과적으로 완화할 수 있음을 보여준다.
또한 기존 개략 단가 방식과 모델 결과를 비교한 결과, 모든 공법에서 제안한 모델의 결과가 MAE와 MAPE 모두 더 우수한 성능을 보였다. 평균 MAE는 81,395원, 평균 MAPE는 100.7% 감소하였으며, 이는 머신러닝 기반 접근이 기존 방식보다 비용 예측의 정확성을 향상시킬 수 있음을 보여준다.
다만 공법별로 예측 성능의 차이도 확인되었다. 옹벽의 타일 교체 공법의 경우 F1-score가 0.542로 낮고 MAPE가 176.8%에 달하여 다른 공법에 비해 예측이 불안정하게 이뤄졌다. 이는 데이터 수가 상대적으로 적고, 현재 수집된 변수만으로는 해당 공법의 비용 차이를 설명하기 어렵기 때문으로 해석된다. 또한 포장의 아스팔트 절삭 후 오버레이 공법은 정확도와 F1-score가 모두 1.0으로 높았으나, MAE가 171,708원으로 나타나 절대적 예측 오차가 크게 산출되었다. 이는 비용 규모가 큰 공법의 특성상 오차 절댓값이 크게 나타난 것으로, MAPE가 33.7%인 것을 고려하면 상대적 예측 정확성은 확보된 것으로 평가할 수 있다. 이처럼 공법별 데이터 규모와 비용 분포의 특성은 모델 성능에 직접적인 영향을 미치며, 모델의 성능 평가 결과에 대한 절대적 오차와 상대적 오차를 병행하여 해석할 필요가 있음을 시사한다.
5. 결 론
본 연구는 터널 보수 ∙ 보강 공사비를 정확하게 예측하기 위해 실제 내역을 기반으로 머신러닝 기법을 적용하는 방법론을 제시하였다. 구체적으로 13개의 공법에 대해 XGBoost 알고리즘을 활용하여 단위 보수 ∙ 보강 비용 예측 모델을 생성하였다. 이는 기존의 개략 단가 방식에 비해 높은 정확도를 보였으며, 공법별 단위 보수 ∙ 보강 비용을 정량적으로 산정할 수 있음을 확인하였다. 이를 통해 터널 유지관리 계획 수립 시 신뢰할 수 있는 비용 산정 체계를 마련하는 데 기여할 수 있다.
다만 본 연구에는 몇 가지 한계가 존재한다. 첫째, 학습 데이터의 규모가 충분하지 않아 특정 공법에 대한 예측 안정성이 다소 낮았다. 따라서 향후에는 데이터 수집 범위를 넓혀 예측 안정성을 확보함과 동시에 적용 공법도 넓힐 필요가 있다. 둘째, 관리주체별로 예산 수립 및 비용 집행의 성격이 상이할 수 있는데 이를 예측 과정에 반영하지 못했다. 따라서 향후 관리주체를 구분하여 개별 모델을 개발한다면, 각 관리주체의 보수·보강 패턴을 학습하여 예측 정확도를 향상시킬 수 있을 것이다.
