"4조"의 두 판 사이의 차이

2023년 6월 14일 (수) 19:48 기준 최신판

프로젝트 개요

기술개발 과제

국문 : AI를 이용한 도림천 유역 침수 위험 알림 시스템 설계

영문 : Design of Notification System of the risk of flooding in the Dorimcheon Area using AI

과제 팀명

너희는 전혀 SWMM하고 있지 않아

지도교수

문영일 교수님

개발기간

2023년 3월 ~ 2023년 6월 (총 4개월)

구성원 소개

서울시립대학교 토목공학부·과 20188600** 정*호(팀장)

서울시립대학교 토목공학부·과 20178600** 박*우

서울시립대학교 토목공학부·과 20178600** 양*현

서울시립대학교 토목공학부·과 20178600** 전*현

서울시립대학교 토목공학부·과 20188600** 이*주

서울시립대학교 토목공학부·과 20188600** 이*혁

서론

개발 과제의 개요

개발 과제의 배경

2022년 8월, 서울에 2일간 강수량이 515mm인 기록적인 폭우가 발생하며 강남역, 도림천 일대에 엄청난 침수 피해가 발생하였다. 행정안전부 중앙재난안전대책본부의 안전관리일일상황에 따르면 서울•경기북부 집중호우로 인한 인명 피해는 사망 14명(서울 8명, 경기 4명, 강원 2명), 실종 4명(경기 2명, 강원 2명), 부상 25명(서울 2명, 경기 23명)이 발생하였다. 재산 피해는, 대표적인 예시로 차량에 대한 피해는, 4대 보험사 기준, 차량 침수와 낙하물 피해 4072건 집계되었고, 추정 손해액 559억 8000만원이었다.

홍수 및 침수로 인해 가장 큰 인명 피해가 발생한 사례는 2011년 7월 27일과 28일이다. 69명의 사망자와 8명의 실종자가 발생했으며, 대부분의 피해는 수도권 지역에서 발생했다. 이 때 서울을 비롯한 수도권 지역에서도 대규모 침수와 토사유출, 산사태 등으로 인한 큰 피해가 발생했다. 특히 서울시 서초구의 우면산에서 발생한 산사태로 인해 우면동 형촌마을이 폐허가 되었다. 7월 27일의 폭우와 그로 인한 우면산 산사태로만 17명의 사망자와 50명의 부상자가 발생했으며 120여 가구 중 60여 가구가 고립되었다. 또한 관악구 도림천 일대는 범람하여 많은 재산 피해를 발생시켰다.

[그림 7 도림천 범람]

서울시는 도림천 둔치에서의 고립 및 실족사고를 방지하기 위하여 홍수주의, 경보 발령 전 단계인 둔치주의 및 대피 경보 발령을 하고 있다. 이러한 발령은 실제 수위가 상승하고 난 후 이루어진다. 하지만, 도림천의 수위 상승 속도가 최대 2.62cm/min일 정도로 빠르게 수위가 상승한다. 빠르게 상승하는 수위로 인해 사람들이 대피할 수 있는 시간이 충분하지 않아 고립 사고가 발생되어왔다. 따라서 현재의 둔치주의 및 대피 경보 시스템은 한계점이 존재한다.

이외에도 서울시에서는 근본적인 침수 피해를 예방하기 위해 침수 자체를 방지하는 대심도 빗물 터널 설치 공사를 진행하고 있다. 이 터널은 기존에 설치된 하수도와는 별도로 설치되어 지하 50~60m의 깊이에 위치하며, 수용량은 초당 30톤으로, 큰 비가 내리는 상황에서도 빠른 속도로 빗물을 수집해내는 기능을 갖추고 있다. 또한 대심도 빗물터널은 침수 방지뿐 아니라 수계관리, 지하수 보전 등 다양한 활용도가 있기 때문에, 서울시는 지속적으로 대심도 빗물터널의 설치와 확장을 추진하고 있다. 그러나 이는 학부 수준의 졸업 설계 과제로 다루기에는 복잡하고 규모가 큰 과업이다. 따라서 AI를 이용해 미래의 하천 수위를 예측하고 예보 기준을 설정하여 예측 수위에 따른 알림을 하는 시스템 설계를 과제로 결정하였다.

개발 과제의 목표 및 내용

도림천 유역의 강수량과 수위 데이터를 인공지능에 학습시켜 미래의 수위를 예측하게 할 것이다. 예측에 사용할 인공지능 모델은 LSTM이다. 현재 있는 경보 기준을 참고하여 새로이 예보 기준을 설정할 것이다. 그리고 예측 수위가 기준에 해당할 시 문자 메시지를 통해 사람들에게 알리는 시스템을 설계할 것이다.

개발과제의 기대효과

기술적 기대효과

◇ 기존의 경보 기반 대피 시스템은 수위가 도달한 후에 경보가 발령이 되므로, 비가 내리기 시작하고 30분 이내에 수위 변화가 발생하는 도림천 유역의 특성상 대피 시간 확보에 있어서 한계점이 존재한다. 경보가 발령되고 난 후에도 지시를 따르지 않는 사람들이 존재하고 하천 순찰단이 직접 돌아다니며 대피를 시키기 위해서는 추가적인 시간이 필요하다. 개발 과제인 시스템 설계가 완료 된다면 관측 데이터를 이용한 예보를 통해 사람들이 대피할 수 있는 추가적인 시간을 확보할 수 있을 것이다.

◇ 본 프로젝트에서는 대상 지역이 도림천 유역이다. 하지만 예를 들어 강남역 일대, 광화문 일대처럼 다른 지역의 데이터를 LSTM 모델에 학습시키고 예보 기준을 정한다면, 도림천 유역뿐만 아니라 다른 지역에도 시스템이 적용 가능할 것이다.

경제적, 사회적 기대 및 파급효과

◇ 2010년부터 2019년까지 27회의 고립사고가 발생하였고, 총 106명이 고립되었다. 2020년에는 80대 남성이 갑자기 불어난 하천에 휩쓸려 사망하였고, 대림역 인근 산책로에서 25명이 고립되었다. 2022년 서울ㆍ경기 북부 집중호우로 인한 14명의 사망자가 발생했고, 4대 보험사(삼성화재, 현대해상, KB손해보험, DB 손해보험) 기준 차량 침수, 낙하물 피해로 인한 추청 손해액이 약 560억에 달했다. 이러한 인명 및 재산 피해를 저감하는데 있어서 도움이 될 것이라고 예상된다.

◇ 피해에 대처할 수 있는 계획을 세우고 체계의 원활한 작동을 위한 시간을 확보해줄 것이다. 저지대, 반지하 등 취약 공간 비상대피 계획 수립에 도움이 되는 등 공익적인 효과를 가져다 줄 것으로 예상된다.

설계

개념설계안

시스템 구성도

[그림 13 시스템 구성도]

1) 30분 길이의 410, 509 관측소의 10분 단위 강수량과 신림3교 수위 데이터를 통해, 마지막 데이터의 시간으로부터 20분 뒤의 신림3교 수위를 예측한다.

2) 예보기준과 비교하여 예측수위에 해당하는 예보단계를 선정한다.

3) 문자를 발송하는 단계에 해당할 시, 해당 단계에 전달할 내용을 담은 문자 메시지를 발송한다.

기상청 문의 결과, 기상청 기상자료개방포털에서 얻을 수 있는 초단기 예측 자료는 1시간 단위 자료이다. 하지만 LSTM 학습 과정에서는 10분 단위 자료를 이용하였다. 즉, 예측 강수량 자료와 LSTM 입력 자료의 시간 단위가 다르다. 또한 1시간 단위의 강수량을 10분 단위 강수량 자료로 변환하는 것은 불가능하기에 예측 강수량 대신에 관측 강수량을 사용하여 침수를 예측하는 방식으로 결정하였다.

LSTM

LSTM(Long Short-Term Memory)은 일련의 데이터를 처리하도록 설계된 일종의 순환 신경망(RNN)이다. 일반적인 RNN과 달리, LSTM은 입력 시퀀스에서 장기적인 종속성을 모델링하는 기능이 추가되었다. 장기간에 걸쳐 정보를 저장하고 입력에 따라 선택적으로 업데이트할 수 있는 메모리 셀의 사용하여 장기적인 종속성을 판별한다. 이 메모리 셀은 시간이 지남에 따라 숨겨진 상태를 유지하고 업데이트한다. 메모리 셀에는 정보를 선택적으로 저장 및 업데이트하고 더 이상 관련이 없는 정보를 잊어버릴 수 있는 여러 게이팅 메커니즘이 있다.

LSTM의 게이팅 메커니즘은 입력 게이트, 망각 게이트 및 출력 게이트의 세 가지 구성 요소로 구성된다. 이러한 게이트는 0과 1 사이의 출력을 갖는 시그모이드 활성화 함수의 특성을 사용한다. 각 게이트는 시그모이드 활성화 함수로 인하여 얻어진 값을 토대로 정보의 양을 제어하여 처리한다. 입력 게이트는 각 시간 단계에서 메모리 셀에 허용되는 새로운 정보의 양을 제어한다. 망각 게이트는 메모리 셀에 남아 있는 오래된 정보의 양을 제어한다. 그리고 출력 게이트는 현재 메모리 셀 상태가 예측에 사용되는 정도를 제어한다. 이러한 방식으로 정보를 선택적으로 게이팅 함으로써 입력 시퀀스에서 장기적인 종속성을 파악한다.

[그림 14 LSTM 구조]

위와 같이 LSTM은 메모리 셀과 게이팅 메커니즘을 통해 장기간에 걸쳐 정보를 선택적으로 저장하고 업데이트할 수 있다. 불규칙한 종속성을 수치화를 통하여 파악할 수 있기에 정량적인 미래 데이터의 예측이 가능하다. 이렇듯 LSTM은 복잡한 장기 종속성이 있는 순차적 데이터를 모델링하는 데 적합하므로 불규칙한 종속성을 지닌 하천의 수위를 예측하는 데 적합한 모델이다.

강우관측소 선정 근거

[그림 15 도림천 유역 기상관측소 티센비 (출처 서울기술연구원)]

[그림 16 Thiessen method로 도림천 유역면적을 나눈 사진 (출처 서울기술연구원)]

강우데이터를 취합하기에 앞서, 어느 관측소의 강수량을 이용할 것인지를 정하기 위해 도림천 유역의 강우관측소에 대해 조사했다. 그림 15와 같이 도림천 유역에 5개의 기상관측소가 존재한다. 각 관측소의 지배 면적과 티센비를 알 수 있었는데, 티센비가 가장 높은 두 관측소(관악, 기상청)를 이용하기로 결정하였다. 그림 15의 관측소 지배 면적(티센비)을 보면 관악과 기상청 관측소의 지배면적 합이 전체의 78.4%가 된다는 것을 알 수 있다.

강우사상 선택 근거 및 강수량-수위 데이터 취합 방식

[그림 17 기상청 기상자료개방포털]

[기상청 날씨누리를 통해 서울(유) 기준으로 2013~2020년, 8개년에서 해당년도 별 일 강수량이 높은 10일을 선별하였다. 기상청 기상자료개방포털에서 각 지점별 자동기상관측장비로 측정된 해당 일자의 1분 단위 강수량 데이터를 얻을 수 있다. 이러한 1분 단위 강수량 데이터를 LSTM에 학습시킬 데이터로 사용하기 위해 10분 단위 강수량 데이터로 가공하였다. 도시홍수연구소 자문을 통해 강우사상 선정 기준을 강우가 시작하는 시간으로부터 1시간 이전 시점, 강우가 끝나는 시간부터 3시간 이후 시점까지로 정할 수 있었다. 하천 수위 데이터는 서울기술연구원에서 2013~2020년의 신림3교의 10분 단위 수위 관측 데이터를 제공 받았다. 선정한 일자에 해당하는 10분 단위 강수량 데이터와 하천 수위 데이터를 엑셀에 그림 18과 같이 도시한다. 정한 기준에 따라 그림 19와 같이 강우 사상을 선정 및 데이터를 추출한다.]

[그림 18 2020.08.01.의 10분 단위 강수량, 수위 자료]

[그림 19 기준에 따라 추출한 강수량, 수위 데이터]

그림 19는 예시로써 2020년 8월 1일에서 추출한 것인데, 강우 패턴의 다양성에 의해 다른 일자에 대해서는 강우 시간이 그림 19의 시간과 다르다.

예보 기준 선정

[그림 20 2021~22년 도림천 둔치경보 기준 (출처 서울기술연구원)]

그림 20은 2021~22년에 시행된 도림천 유역 둔치경보이다. 이를 바탕으로 둔치예보 기준을 만들고자 한다.

그림 20의 둔치경보 기준과 매뉴얼을 참고하여 정한 둔치예보와 기준은 다음과 같다.

[표 9 둔치예보]

각 단계에 따른 조치 사항은 다음과 같다.

1) 둔치예보 1단계(관심)

강우에 따른 수위를 예의주시하고, 하천 순찰단을 편성 및 배치한다.

2) 둔치예보 2단계(둔치주의)

둔치예보를 발령하고 문자 메시지를 발송한다. 재난문자방송 기준 및 운영규정의 휴대폰 재난문자방송 표준 문안을 참고한 문자 양식은 다음과 같다.

[사용기관명]오늘 ○○시 서울특별시 도림천(관악구, 구로구, 동작구, 영등포구) 둔치예보 2단계(둔치주의). 둔치, 저지대 등 위험지역에서는 가족, 이웃과 정보를 공유하고 안전한 곳으로 대피하시기 바랍니다.」

3) 둔치예보 3단계(둔치대피)

둔치예보를 발령하고 문자 메시지를 발송한다. 재난문자방송 기준 및 운영규정의 휴대폰 재난문자방송 표준 문안을 참고한 문자 양식은 다음과 같다.

[사용기관명]오늘 ○○시 서울특별시 도림천(관악구, 구로구, 동작구, 영등포구) 둔치예보 3단계(둔치대피). 둔치, 저지대 등 위험지역에서는 가족, 이웃과 정보를 공유하고 안전한 곳으로 대피하시기 바랍니다.」

상세설계 내용

LSTM 학습 방법

1) 강우사상으로 사용할 일자를 선정한다.

2) 선정된 일자의 24시간 강수량, 수위 데이터에서 학습 데이터로 사용할 부분을 기준에 맞춰 추출한다.

3) 1), 2) 작업을 반복하여 총 80일의 강수, 수위 자료를 얻은 후 하나의 시계열 데이터로 만든다.

4) 30분의 강수량과 수위 데이터를 이용해 20분 뒤의 수위를 예측하게 하는 LSTM 모델을 구축한다.

4번에 대해 그림 21과 함께 설명하면, 예를 들어 00:10부터 00:30까지, 00:20부터 00:40 등 30분 동안의 자료를 이용하여 20분 뒤의 수위, 00:50, 01:00 등의 수위를 목표값으로 학습시킨다. 예측 진행시에도 동일한 방식으로 진행한다. 30분 길이의 강수량, 수위 자료를 입력값으로 넣고 마지막 데이터의 시간으로부터 20분 뒤의 수위를 예측한다. 서울기술연구원 자문에 따르면 도림천 유역은 일반적으로 강우가 시작되고 나서 2~30분 후에 수위 변화가 시작된다고 하였다. 따라서 20분 후의 수위를 예측하게 하였다.

[그림 21 학습 & 예측 방식에 대한 그림 설명]

총 80개의 강우-수위 세트 중 50개 사상은 훈련, 18개 사상은 검증, 9개 사상은 테스트 데이터로서 사용되었다. 나머지 3개 사상은 최종 발표 때 시연을 하기 위한 데이터로 선정하였다. 강우 사상마다 강우 시간이 달라서 데이터의 개수가 다르기 때문에 데이터의 개수로 설명하면 다음과 같다.

[표 11 훈련, 검증, 테스트 데이터 개수]

총 77개 강우사상의 강수량, 수위 데이터를 그림 22, 23, 24와 같이 하나의 시계열 데이터 형태로 합성되었다. 가로축은 시간, 세로축은 그림 22, 23의 경우 강수량(mm), 그림 24의 경우엔 수위(m)이다.

[그림 22 Sequence of 410 Rainfall Data]

[그림 23 Sequence of 509 Rainfall Data]

[그림 24 Sequence of Water level of 신림3교]

LSTM 모형과 로지스틱 회귀를 통한 도시 침수 범위의 예측(김현일 외 2명, 2020)과 서울기술연구원 자문을 통해 제공받은 LSTM 모델을 참고하여 표 12와 같이 매개변수에 따른 LSTM 모형을 구축하였다. 드롭아웃(Dropout) 기능을 사용하였으며, 드롭아웃은 신경망 모델이 복잡해지는 경우 가중치의 감소만으로 학습의 속도가 개선되지 않기에 학습 중에 임의의 뉴런을 삭제하는 것으로 시간에 따른 학습의 정확도를 개선하는 방법이다.

[표 12 LSTM 모델과 매개변수]

학습에 앞서 minmax_scaler를 통하여 입력할 숫자 데이터를 최소값 0, 최대값 1로 조정하여 모든 값이 비례적으로 조정되도록 하는 정규화 과정을 거친다. 이상값의 영향을 줄여 머신 러닝의 정확도와 성능을 개선하는 역할을 한다. 정규화로 변환시킨 데이터를 학습한 후, inverse_trasform을 통하여 정규화된 데이터를 실제의 데이터로 변환하여 원래 척도로 시각화한다.

[그림 25 LSTM 모델]

그림 25와 같이 LSTM 모델을 만들고 학습시킨다. 시험 데이터를 통해 테스트한 결과는 다음과 같다.

[그림 26 test set을 통한 예측]

파란색 실선이 관측 수위이고, 빨간색 점선은 예측 수위이다. 정규화 상태의 값이다. 유사한 모습을 보였으나 오른쪽으로 이동되어있는 것을 알 수 있다.

그림 25에서 loss가 MSE임을 알 수 있고, 학습 결과 MSE는 다음과 같았다.

[그림 27 MSE]

문자 메시지(SMS) 전송

[그림 28 문자 메시지 전송 코드]

예보 문자를 전송하기 위해 Twilio를 이용하였다. Twilio는 개발자가 애플리케이션에 메시징, 음성 및 비디오 기능을 추가할 수 있도록 API(Application Programming Interface)를 제공하는 클라우드 커뮤니케이션 플랫폼이다. 다운로드 받은 Twilio Library를 이용하여 지정된 전화번호로 SMS 메시지를 보낸다. 여기서 to는 받는 사람의 번호인데, 프로젝트에서 사용하는 Twilio는 Free ver이기 때문에 코드에 제공된 계정 SID 및 인증 토큰을 지닌 사람의 번호로만 문자를 보낼 수 있다. 코드를 진행시켰을 때 다음 그림과 같이 문자를 수신한다.

[그림 29 코드 진행을 통한 문자 수신]

이제 LSTM 모델과 SMS 문자 전송 코드를 결합하여 계획한 시스템을 설계한다. 다음 그림은 설계한 시스템의 일부 코드이다.

[그림 30 시스템 코드 일부]

결과 및 평가

완료 작품의 소개

포스터

[완성 포스터]

모델

[완성 모델]

완료작품의 평가

본 프로젝트에서는 도림천 유역에 대하여, 관측 강수와 수위를 이용하여 수위를 예측할 수 있는 기법을 제시하고자 하였다. 이를 위하여 LSTM 모형을 이용하였으며, 강우 사상은 기상청, 관악 AWS의 2013~2020년 강우사상을 적용하였다. 77개의 관측 강우 사상으로도 LSTM은 충분한 학습을 수행하였다. 그러나 앞서 얘기했듯이 오른쪽으로 이동된, 즉 대부분의 결과가 오른쪽으로 lagging된 것을 확인할 수 있다. 이미 수위가 오른 시점 이후에 수위가 오를 것이라고 예측하는 모습을 볼 수 있는데, 다음 수위가 현재 수위에 크게 의존하기에 이런 현상이 발생한다. 미래 수위는 현재 수위, 강수량, 노이즈로 구성되는데 노이즈가 강수량보다 크기 때문이다. 머신러닝 초기에 LSTM으로 주가를 예측하는 프로젝트들이 상당히 많았는데 이러한 현상을 많이 보였다고 한다. 노이즈를 줄이기 위해 디노이즈 과정이 필요하다. 학습 이전 데이터를 정제하는 방법으로 디노이즈의 대표적인 방법으로 이동평균과 Bilateral filter가 있고, 학습과정에서 자동으로 노이즈를 제거할 방법으로 Qraft는 CNN 기반 Autoencoder 기반 시계열을 디노이즈 모델로 선택하는 방법이 있다.

향후계획

현재 2013년부터 2020년까지의 자료를 이용하고 있는데 2021~2023년, 2013년 이전의 강우사상을 선정하여 더 많은 데이터를 학습시킨다면 정확성이 향상될 것이다.

현재는 시연을 위해서 과거의 자료를 이용하고 코딩을 실행했을 때만 결과를 얻을 수 있지만, 한 번의 실행을 통해 계속해서 실시간 데이터를 수집하며 가동되게 한다면 처음에 설정하였던 목표를 완벽하게 달성할 수 있을 것으로 예상된다.

@@ 3번째 줄: / 3번째 줄: @@
 ==프로젝트 개요==
 === 기술개발 과제 ===
-''' 국문 : ''' 강원도 산불 발생 후 지오셀과 바이오폴리머를 활용한 취약해진 사면의 안정성 확보 방안
+''' 국문 : ''' AI를 이용한 도림천 유역 침수 위험 알림 시스템 설계
-''' 영문 : ''' A Study on Securing the Stability of Fragile Slopes Using Geocell and Biopolymer after Forest Fire in Gangwon-do
+''' 영문 : ''' Design of Notification System of the risk of flooding in the Dorimcheon Area using AI
 ===과제 팀명===
-사태 방지하조
+너희는 전혀 SWMM하고 있지 않아
 ===지도교수===
-강*훈 박사님
+문영일 교수님
 ===개발기간===
-년 3월 ~ 2022년 6월 (총 4개월)
+년 3월 ~ 2023년 6월 (총 4개월)
 ===구성원 소개===
-서울시립대학교 토목공학과 20168600** 육*혁(팀장)
+서울시립대학교 토목공학부·과 20188600** 정*호(팀장)
-서울시립대학교 토목공학과 20168600** 길*성
+서울시립대학교 토목공학부·과 20178600** 박*우
-서울시립대학교 토목공학과 20178600** 조*홍
+서울시립대학교 토목공학부·과 20178600** 양*현
-서울시립대학교 조경학과   20168750** 이*우
+서울시립대학교 토목공학부·과 20178600** 전*현
-서울시립대학교 조경학과   20178750** 김*수
+서울시립대학교 토목공학부·과 20188600** 이*주
-서울시립대학교 토목공학과 20158600** 박*석
+서울시립대학교 토목공학부·과 20188600** 이*혁
 ==서론==
 ===개발 과제의 개요===
-====개발 과제 요약====
-산불이 일어난 후 전단강도가 낮아지고 식물들이 화재로 없어지므로 척박해진 사면은 여름철 우기에 산사태 위험이 크므로 산불의 특수성을 고려한 공법 사용하여 대책 강구할 것이다.
 ====개발 과제의 배경====
-년 3월 4일 오전 11시 17분경 강원도 인근에서부터 대규모 산불이 발생했다. 이 산불은 역대 최장 기록인 총 213시간 동안 진행되었으며 이로 인해 20923ha의 임야가 소실되었고 이는 여의도 면적의 72배에 달하는 면적이다. 이로 인해 강원도의 산림은 파괴되어 산사태와 같은 2차 피해의 위험과 여름철의 우기에는 평상시보다 산사태의 위험 가능성이 더 크기 때문에 대책이 강구되어야 한다.
-====개발 과제의 목표 및 내용====
+년 8월, 서울에 2일간 강수량이 515mm인 기록적인 폭우가 발생하며 강남역, 도림천 일대에 엄청난 침수 피해가 발생하였다. 행정안전부 중앙재난안전대책본부의 안전관리일일상황에 따르면 서울•경기북부 집중호우로 인한 인명 피해는 사망 14명(서울 8명, 경기 4명, 강원 2명), 실종 4명(경기 2명, 강원 2명), 부상 25명(서울 2명, 경기 23명)이 발생하였다. 재산 피해는, 대표적인 예시로 차량에 대한 피해는, 4대 보험사 기준, 차량 침수와 낙하물 피해 4072건 집계되었고, 추정 손해액 559억 8000만원이었다.
- ◇ 본 설계는 아래 3가지를 목표로 한다.
-. 동해안 산불 발생지역 중 산사태 발생 위험이 가장 높은 곳을 예측한다.
+홍수 및 침수로 인해 가장 큰 인명 피해가 발생한 사례는 2011년 7월 27일과 28일이다. 69명의 사망자와 8명의 실종자가 발생했으며, 대부분의 피해는 수도권 지역에서 발생했다. 이 때 서울을 비롯한 수도권 지역에서도 대규모 침수와 토사유출, 산사태 등으로 인한 큰 피해가 발생했다. 특히 서울시 서초구의 우면산에서 발생한 산사태로 인해 우면동 형촌마을이 폐허가 되었다. 7월 27일의 폭우와 그로 인한 우면산 산사태로만 17명의 사망자와 50명의 부상자가 발생했으며 120여 가구 중 60여 가구가 고립되었다. 또한 관악구 도림천 일대는 범람하여 많은 재산 피해를 발생시켰다.
-. 산불 발생 후 나타나는 토양의 특수성을 고려한다.
+[[파일:1.png]]
-. 추후 복구될 산림을 고려하여 환경에 적합한 재료와 공법을 사용한다.
+[그림 7 도림천 범람]
- ◇ 위 목표를 수행하기 위한 설계 방향을 아래와 같이 설정하였다.
+서울시는 도림천 둔치에서의 고립 및 실족사고를 방지하기 위하여 홍수주의, 경보 발령 전 단계인 둔치주의 및 대피 경보 발령을 하고 있다. 이러한 발령은 실제 수위가 상승하고 난 후 이루어진다. 하지만, 도림천의 수위 상승 속도가 최대 2.62cm/min일 정도로 빠르게 수위가 상승한다. 빠르게 상승하는 수위로 인해 사람들이 대피할 수 있는 시간이 충분하지 않아 고립 사고가 발생되어왔다. 따라서 현재의 둔치주의 및 대피 경보 시스템은 한계점이 존재한다.
-. GIS 정보를 이용하여 실제 시나리오를 구성하고 산사태 발생위험이 가장 높은 곳을 선정한다.
+이외에도 서울시에서는 근본적인 침수 피해를 예방하기 위해 침수 자체를 방지하는 대심도 빗물 터널 설치 공사를 진행하고 있다. 이 터널은 기존에 설치된 하수도와는 별도로 설치되어 지하 50~60m의 깊이에 위치하며, 수용량은 초당 30톤으로, 큰 비가 내리는 상황에서도 빠른 속도로 빗물을 수집해내는 기능을 갖추고 있다. 또한 대심도 빗물터널은 침수 방지뿐 아니라 수계관리, 지하수 보전 등 다양한 활용도가 있기 때문에, 서울시는 지속적으로 대심도 빗물터널의 설치와 확장을 추진하고 있다. 그러나 이는 학부 수준의 졸업 설계 과제로 다루기에는 복잡하고 규모가 큰 과업이다. 따라서 AI를 이용해 미래의 하천 수위를 예측하고 예보 기준을 설정하여 예측 수위에 따른 알림을 하는 시스템 설계를 과제로 결정하였다.
-. 장소를 선정한 뒤 산불 발생 후 지반의 강도저하 및 소수성 발생 등을 고려하여 사면을 해석한다.
+====개발 과제의 목표 및 내용====
+도림천 유역의 강수량과 수위 데이터를 인공지능에 학습시켜 미래의 수위를 예측하게 할 것이다. 예측에 사용할 인공지능 모델은 LSTM이다. 현재 있는 경보 기준을 참고하여 새로이 예보 기준을 설정할 것이다. 그리고 예측 수위가 기준에 해당할 시 문자 메시지를 통해 사람들에게 알리는 시스템을 설계할 것이다.
-. 사면 해석이 완료되면 환경 친화적인 재료와 공법을 이용해 설계안에 반영한다.
-===관련 기술의 현황(State of Art)===
- ◇ 산림청 산사태 정보시스템
-. 산림청에서 제공하는 산사태 정보시스템은 산사태 예측정보와 산사태 위험지도 총 2가지로 나뉨
-. 산사태 예측정보는 기상청 강우자료를 토대로 권역별 산사태 토양함수지수를 KLES 모델을 사용하여 예측정보를 제공
-. 산사태 위험지도는 산사태의 발생인자 중 9개(임상, 경급, 사면경사, 사면방위, 사면길이, 사면곡률, 모암, 토심, 지형습윤지수)를 선정하여 제작
- ◇ 산사태 방지 대책
-. 안전율 유지법과 안전율 증가법의 두 가지 방법이 존재
-. 안전율 유지법에는 물리 역학적 방법과 생물 화학적 방법이 있으며 물리 역학적 방법으로는 배수공, 블록공이 있고, 생물화학적 방법으로는 피복공, 표층안정공이 있음
-. 안전율 증가법에는 활동력 감소법과 저항력 증가법이 있으며 활동력 감소법에는 절토공과 압성토공 저항력 증가법에는 억지말뚝공, 앵커공, 옹벽공과 고압분사주입공이 있음
- ◇ 사방사업의 설계 · 시공 기준
-. 시공 대상지의 토질을 토사/암반으로 구분하여 조사하고 지하암반은 지형 및 절토단면을 참고하여 추정 조사, 피해재발 우려지역은 필요시 지반조사를 병행하며 지황, 임황, 기상인자도 조사
-. 인근 주택 및 산업시설 등의 피해방지를 우선으로 하며, 2차적인 붕괴 · 침식, 토석류를 방지하기 위한  공법 적용
-. 산불이라는 특수성을 고려하여 산사태를 예방한 공법은 존재하지 않는 것으로 확인됨
-===시장상황에 대한 분석===
+===관련 기술의 현황===
-====기존/경쟁 기술/제품 조사 비교====
+====관련 기술의 현황 및 분석(State of art)====
- ◇ 산림청 산사태정보시스템
+◇ SWMM
-[[파일:사태방지하조그림1.png]]
-그림 1. 강원도 동해시의 산사태 위험지도 (적색(1등급) - 주황색(2등급) - 초록색(3등급) - 하늘색(4등급) - 청색(5등급))
-. 산사태의 위험도를 색깔별로 분류하여 위험도의 직관적인 예측 가능
+SWMM은 기상, 도심 상하수도 정보 등을 종합하여 침수 여부를 확인하는 시뮬레이션 프로그램으로 실제 침수 상황과 매우 유사하여 정부 관계부처에서 치수 정책 마련 시 사용하고 있다. 시가지/비 시가지의 단일 호우 사상부터 연속적인 장기 호우 사상까지 수질, 수문 모델링에 사용된다. 해당 지역의 실 강우사상에 대해 수리, 수문학적으로 분석이 가능하며, 침수지역 주변의 우수배제 계획과 노면배수 계획이 적절한지의 여부를 분석하는데 활용된다. SWMM을 활용해 유출 및 침수 모델 데이터를 얻을 수 있고, 이 데이터를 ArcGIS 프로그램과 연계시켜 강수량에 따른 침수지역 파악 및 피해규모 산출이 가능하다.
-. 위험도 예측을 통해서 피해를 예방하는 경우도 존재하고 있지만, 위험도가 표시되어있지 않는 지역에서 발생하는 산사태에 대한 피해를 예방하지 못한다는 한계점 존재
+◇ LSTM
-. 산불 등 대상지가 가지는 특수한 요인을 고려하지 못함
+LSTM은 자연어 처리, 음성 인식, 시계열 예측, 이미지 처리 등 다양한 분야에서 활용한다. 예를 들어, 자연어 처리에서는 기계 번역, 문장 생성, 감성 분석 등에 LSTM이 사용된다. 음성 인식에서는 음성 데이터를 처리하고 텍스트로 변환하는 데 활용된다. 시계열 예측에서는 주식 시장 예측, 날씨 예보, 트래픽 예측 등에 LSTM이 사용된다. 또한, 이미지 처리에서는 이미지 캡셔닝과 같은 작업에서 이미지와 텍스트 간의 관계를 학습하는 데 활용될 수 있다. LSTM을 이용한 한국어 이미지 캡션 생성(박성재, 2017)에서는 LSTM 모델을 한국어 이미지에 대한 캡션 생성 작업에 효과적으로 활용하였다. 이 연구에서는 LSTM이 이미지와 문장 간의 관계를 학습하여 이미지의 특징을 적절하게 설명하는 자연어 캡션을 생성하였다. LSTM은 이미지의 시각적 정보를 인식하고 문맥을 파악하여 적절한 단어를 예측하는 능력을 갖추고 있어, 한국어 이미지에 대한 캡션 생성 작업에 적합한 모델로 입증되었다. 이를 통해 한국어 이미지의 콘텐츠를 자연어로 자세하게 설명하는 것에 LSTM이 효과적으로 활용될 수 있음을 확인하였다.
- ◇ 비탈면 녹화공법
+하천분석에서 LSTM은 하천의 수위, 유속, 강수량 등과 같은 데이터를 분석하여 예측 및 모니터링에 활용될 수 있다. LSTM을 이용한 댐 유입량 예측 평가(2019, 한국수자원학회, 목지윤 외 4명)에서는 다목적댐의 유입유량 예측을 위해 구글에서 제공하는 딥러닝 오픈소스 라이브러리를 활용하여 LSTM 모형을 구축하고 댐 유입유량을 예측하였다.
-. 비탈면 표면을 장기적으로 안정화시키고 친환경적으로 복원시키기 위한 공법
+◇ 수위 예측 방식
-. 단기적으로는 비탈면의 세굴 및 유실을 방지하며 장기적으로는 비탈면 보호사면 주변의 경관 및 식생환경과 어울리게 조성되어 훼손된 환경이 복원하는데 도움을 주며 시각적 안정감을 줌
+LSTM 기반 딥러닝 기법을 이용한 섬진강 구례교 지점의 홍수위 예측(정재원 외 4명, 2021)에서는 LSTM 모형을 이용하여 섬진강 수계 구례 지점의 하천 수위를 1, 3, 6시간 선행 예측하였다. 또한 기존의 SVM 모형, MLP 모형을 적용한 결과들의 비교 분석을 통해 LSTM 모형이 다른 모형보다 우수한 예측 성능을 보이고 있음을 검증하였다. LSTM을 이용한 하천수위 예측기법(조우진 외 1명, 2020)에서는 수위*유량데이터를 이용하여 목표지점인 충북 영동 양강교의 수위를 예측하였다. 강우자료 학습에 따른 딥러닝 기반 LSTM모형의 수위예측(육지문 외 3명, 2019)에서는 강우자료에 따른 LSTM 모형의 수위예측을 실시하였다.
-. 녹화 공법의 적용은 비탈면 경사, 지반조건, 토양의 경도 및 산습도, 시비 여부, 녹화보조공법 필요 여부를 고려하여 선정
+====기술 로드맵====
-[[파일:사태방지하조그림2.png]]
+[[파일:기술로드 맵.png]]
-그림 2. 비탈면 녹화공법 선정도표
- ◇ 토목섬유
+[그림 8 기술 로드맵]
-. 토목섬유란 인공적으로 만들어진 토양구조물의 구성요소로 작용하는 고분자 섬유 재료를 일컫는 말
+년까지 CCTV와 SNS 등 실시간 데이터를 수집하고 AI 학습 데이터로 이용하여 정확도를 상승시키는 등 재난 감지 및 예측, 데이터 수집 기술을 발전시킬 것이다.
-. 대표적으로 벌집 형태의 지오셀, 지오웹이 있으며 토양의 안정성을 증가시키는 것 뿐만 아니라 필터 기능, 배수 기능, 부식 및 침식방지 기능을 수행함
+년까지 다양한 매체를 이용하여 사람들에게 위험을 알리는 재난 정보 알림 기술을 발전시킬 계획이고, 관할 소방서와 연계하여 인명 및 재산 피해를 저감할 것이다.
-====시장성 분석====
+년에는 사람들이 직접 홍수 및 침수의 전조증상을 플랫폼에 게시하면 실시간 CCTV 화면, SNS 분석 및 AI와 연계하여 침수 및 침수로 인한 피해를 예측하게 하여 지능형 통합관리 플랫폼을 만들 것이다.
- ◇ 산림청 산사태정보시스템
-. 극한강우에 의한 산사태는 전통적 개별 모니터링 센서를 이용한 방법으로는 측정의 정확성이나 신속성에 한계가 있음
+====시장상황에 대한 분석====
+*경쟁제품 조사 비교
+◇ 우리동네 침수알리미
-. 산사태정보시스템에서 제공하는 산사태 위험지도의 경우 임상, 경급, 사면경사 등 9개의 인자만을 한정하여 판단하기 때문에 지형이 가지고 있는 자체적 인자나 산불과 같은 외부환경의 변화로 인해 발생하는 변화를 고려하지 못하는 이용상의 한계가 존재
+기상청 동네 예보를 기반으로 하여 강원도 삼척시 읍/면/동 단위의 실시간 호우정보, 호우위험도, 예상침수지역, 수위정보를 제공한다. 예상침수지역은 실시간 및 3시간 침수예상 지역을 제공한다.
-. 개략적인 위험도의 파악하는 데에는 뛰어나지만 피해의 방지 및 외부요인의 변화로 인한 특정 지역의 위험도 파악에는 한계가 있음
+[[파일:10003.png]]
- ◇ 비탈면 녹화공법
+[그림 9 우리동네 침수알리미 & 그림 10 우리동네 침수알리미]
-. 일반 토사와 식생기반재를 혼합하여 뿜어치기하는 방식은 급경사지나 암반 노출사면에서의 부착성과 내구성이 결여되어 3-4년 뒤 탈착되거나 토사가 흘러내리거나 식생이 멈추는 문제점 발생
+◇ 환경 빅데이터 플랫폼 도시침수 예측서비스
-. 건조수축에 의한 표면 탈락으로 조기 부착력이 저조하게 발현되며, 우천 시 강우강도가 높을 경우 사면의 세굴 및 훼손으로 인한 내구성 감소가 발생하며 사면안정성이 떨어짐
+격자기반으로 대전광역시의 도시침수 위험도를 시각화하여 제공하고, 예측 침수량을 선형 차트로 제공한다. 더해서 과거 홍수정보까지 얻을 수 있다.
-. Seed Spary의 경우 설계비용으로 1,784원/㎡가 필요하여 저렴하지만 안정성 확보를 위해서는 추가적인 시공이 필요하고 유지관리 비용이 필요
+[[파일:10004.png]]
-[[파일:사태방지하조표1.png]]
+[그림 11 환경 빅데이터 플랫폼 도시침수 예측서비스]
-표1. (주)한국법면보호에서 제공하는 Seed Spray(KS 364)에 대한 일위대가 표
- ◇ 토목섬유 이용공법 – GEO WEB 공법
+◇ 재난문자
-. 토체의 전단강도와 강성을 증가시키므로 구조적 채움재의 강도를 증가시킴
+재난(태풍, 산사태, 홍수, 호우 등)  발생 시 신속한 대피를 위해 이동통신회사를 통해 휴대전화로 보내는 긴급 문자 메시지이다. 비교적 덜 위급한 일의 경우 이런 일이 있으니 유의하라는 것을 알려준다. 행정안전부와 송출 권한을 부여받은 지자체, 정부기관에서 “CBS(Cell Broadcasting Service)”란 휴대폰에 특정 수신ID(채널)를 입력시켜 기지국으로부터 전송되는 데이터 정보(문자)를 수신할 수 있도록 만든 이동통신시스템을 응용한 서비스를 이용해 전송한다. 전송 내용으로 재난 알림, 발생 지역 등을 포함한 짧은 문구(한글 90자)가 발송되며 간단한 국민 행동 요령이 포함되기도 한다.
-. 하중이 작용하면 횡방향 구속력과 흙과 셀 벽 사이에 상호 마찰력을 발생시키는데 이는 채움재가 연약지반으로 침투하는 것을 방지하며 구조적 가교를 형성하여 구조채의 두께와 무게를 약 50% 이상 절감시킴
+[[파일:10005.png]]
-. 구조체 두께와 무게의 절감 및 성토재를 구매하지 않고 현장 유용토를 사용할 수 있어 경제적인 공법임
+[그림 12 재난문자]
-[[파일:사태방지하조그림3.png]]
+*시장성 및 사회성 분석
+년대 이후로만 해도 2011년, 2020년, 2022년에 도림천 유역에 침수로 인한 안전사고가 발생하였다. 서울기술연구원 자문에 따르면, 도림천 유역은 상류부 급경사 지형으로 여름철 돌발강우 발생 시 홍수유출 도달시간이 짧고 수위가 급격히 상승하여 하천 내 안전사고가 빈번히 발생한다. 또한, 최근 기후변화에 따른 국지성 폭우 발생 등 하천 홍수피해가 증가하는 추세이다. 따라서 강우 발생 시 도시하천의 한발 빠른 홍수 예측을 위해 인공지능을 이용한 도림천 홍수 예.경보 시스템 구축이 필요하다.
-====사회성 분석====
+시스템 구축에 필요한 인공지능을 이용하여 수위를 예측하는 기술은 앞선 관련 기술의 현황과 기존/경쟁 기술/제품 조사 비료에서 볼 수 있듯이 연구되어 있다. 또한, 예측 침수심을 알려주는 기술 및 제품도 있다. 그러나 이를 이용하여 위험이 예상되는 사람들에게 직접적으로 알려주는 것은 많지 않다고 할 수 있다. 어플리케이션 시스템과 인터넷 사이트의 경우 침수심을 예측해서 알려주긴 하지만, 직접 인터넷 사이트를 검색하여 들어가거나 어플리케이션을 설치하지 않는다면 사람들이 알 수 없다는 단점이 있다. 재난문자의 경우에는 주의보와 경보에 대해서 재난문자를 발송하지만 도림천 유역에서 시행 중인 둔치경보에 대해서는 경보 문자를 발송하지 않는다. 그러므로 개발하고자 하는 과제는 기존 시스템의 단점을 보완할 수 있기에 필요성을 가진다.
- ◇ 산림청 산사태정보시스템 : 올해 초 발생한 동해안 산불로 인해 발생한 국지적 특수성(화재로 인한 토양의 발수성 증가, 수목의 토양 지지력 감소 등)을 고려하지 못하여 해당 지역에 대한 산사태 위험도 평가는 유의미하지 못함
- ◇ 비탈면 녹화공법 : 비용이 저렴하고 기존 자연 식생과의 연계성을 통하여 시각적 안정감을 주고 환경 복원에 긍정적인 영향을 끼치지만, 부착성 보완을 위한 부수적 재료비와 시공비가 발생하여 경제성이 떨어지며 생애주기비용(Life Cycle Cost)이 높아 효율적이지 못할 것으로 예상됨
+환경부와 한국수자원공사에 따르면 AI와 과거 도시침수 피해 자료, 관련 CCTV 자료 등을 바탕으로 침수 예보 플랫폼 개발 사업을 진행 중이라고 한다. 이처럼 국가적인 사업도 진행 중이기 때문에 관련된 기술이나 제품 개발이 더욱 진행될 것이라고 예측된다.
- ◇ 토목섬유 이용공법 : 구조체의 두께와 무게가 적어 시공 비용이 비교적 저렴하며 비탈면 녹화공법과 같은 다른 공법과 동시에 적용이 가능하여 구조적 안정성을 확보한 상태에서 친환경적 산지복원에 도움을 줄 수 있을 것으로 예상됨
 ===개발과제의 기대효과===
 ====기술적 기대효과====
- ◇ GIS와 GEO SLOPE을 이용하여 현재 화재 피해 발생 대상지 중 구체적 지역에 대한 위험도 및 사면안정공법 제안
+◇ 기존의 경보 기반 대피 시스템은 수위가 도달한 후에 경보가 발령이 되므로, 비가 내리기 시작하고 30분 이내에 수위 변화가 발생하는 도림천 유역의 특성상 대피 시간 확보에 있어서 한계점이 존재한다. 경보가 발령되고 난 후에도 지시를 따르지 않는 사람들이 존재하고 하천 순찰단이 직접 돌아다니며 대피를 시키기 위해서는 추가적인 시간이 필요하다. 개발 과제인 시스템 설계가 완료 된다면 관측 데이터를 이용한 예보를 통해 사람들이 대피할 수 있는 추가적인 시간을 확보할 수 있을 것이다.
- ◇ 토목섬유와 바이오폴리머, 비탈면 녹화공법을 조합하여 경제적이고 친환경적인 사면안정공법 제안
+◇ 본 프로젝트에서는 대상 지역이 도림천 유역이다. 하지만 예를 들어 강남역 일대, 광화문 일대처럼 다른 지역의 데이터를 LSTM 모델에 학습시키고 예보 기준을 정한다면, 도림천 유역뿐만 아니라 다른 지역에도 시스템이 적용 가능할 것이다.
 ====경제적, 사회적 기대 및 파급효과====
-[[파일:사태방지하조그림4.png]]
+◇ 2010년부터 2019년까지 27회의 고립사고가 발생하였고, 총 106명이 고립되었다. 2020년에는 80대 남성이 갑자기 불어난 하천에 휩쓸려 사망하였고, 대림역 인근 산책로에서 25명이 고립되었다. 2022년 서울ㆍ경기 북부 집중호우로 인한 14명의 사망자가 발생했고, 4대 보험사(삼성화재, 현대해상, KB손해보험, DB 손해보험) 기준 차량 침수, 낙하물 피해로 인한 추청 손해액이 약 560억에 달했다. 이러한 인명 및 재산 피해를 저감하는데 있어서 도움이 될 것이라고 예상된다.
- ◇ 최근 2019년 태풍의 직 · 간접적 영향의 증가로 피해면적이 156ha에 해당하여 2013년 이후 피해면적이 최대가 되었으며, 2020년 역대 최장기간 기록적 폭우로 인해 산사태 피해면적이 1343ha로 급격히 증가
-[[파일:사태방지하조그림5.png]]
-그림5
-◇ 그림 5을  보면 올해 5월과 6월 경우 강수량이 평년보다 크거나 같을 확률이 80%인데, 지난 3월 4일 발생한 울진-삼척 산불로 인해 해당 지역의 경우 산사태 피해 발생 가능성이 높아져 2021년의 피해액인 14,999,000,000원 보다 피해액과 복구비용이 더 커질 수 있는데, 제안한 공법을 통하여 이러한 피해액과 복구비용을 더 감소할 수 있어 불필요한 예산의 지출을 감소시킬 수 있을 것으로 예상함.
-===기술개발 일정 및 추진체계===
-====개발 일정====
-[[파일:사태방지하조추진체계표.png]]
-====구성원 및 추진체계====
-D 설계도 제작 : 김*수, 이*우
-보고서 제작 : 김*수, 길*성, 육*혁, 이*우, 조*홍
-피피티 제작 : 길*성, 육*혁
-GIS 프로그램 : 이*우
-GEO SLOPE 프로그램 : 육*혁, 조*홍
-발표 : 조*홍
-예산 책정 및 집행 : 길*성, 이*우, 육*혁
-보고서 및 아이디어, 경제성 피드백 : 박*석
+◇ 피해에 대처할 수 있는 계획을 세우고 체계의 원활한 작동을 위한 시간을 확보해줄 것이다. 저지대, 반지하 등 취약 공간 비상대피 계획 수립에 도움이 되는 등 공익적인 효과를 가져다 줄 것으로 예상된다.
 ==설계==
-===설계사양===
-====제품의 요구사항====
-[[파일:사태방지하조설계요구사항.png]]
-====설계 사양====
-=====공법의 적용=====
-[[파일:사태방지하조설계사양.png]]
-=====공법 별 요구사항=====
-  (1) 바이오폴리머
-      ◇ 산불로 취약해진 흙의 전단 강도를 충분히 높일 수 있어야 한다.
-      ◇ 산불로 인해 척박해진 흙에 바이오폴리머를 적용했을 때 식물이 잘 자랄 수 있어야한다.
-  (2) 지오셀
-      ◇ 지오셀 설치 후 셀 안에 흙을 다져서 넣어야한다.
-      ◇ 셀 안에 식생 공법 적용 시, 셀의 직경보다 작은 식물을 써야한다.
 ===개념설계안===
-====GIS 정보를 활용한 산사태 위험 지역 예측====
+====시스템 구성도====
-[[파일:사태방지하조그림6.png]]
- ◇ Qgis프로그램을 사용하여 경사도가 31˚~40˚이며 동시에 화재 심각도가 약함 이상인 지역을 추출한다. 유효 토심 정보까지 연산하여 강원도 내의 산사태 위험구역 대상지 후보를 선정.
+[[파일:10006.png]]
- 그 후 기반암의 유형, 경사도, 표고, 사면의 길이 등에 대한 데이터를 gis로 추출.
-====GEO SLOPE 프로그램을 이용한 사면안정해석====
+[그림 13 시스템 구성도]
-[[파일:사태방지하조그림7.png]]
- ◇ 위 그림은 GEO SLOPE 의 활용 예시이다. GEO SLOPE은 여러 파괴면을 나타내어 각 파괴면들의 안전율을 구하는 프로그램이다. 선정한 산사태 위험구역 대상지 후보에 대해 GEO SLOPE를 이용하여 사면 안정 해석을 실시한다.
+) 30분 길이의 410, 509 관측소의 10분 단위 강수량과 신림3교 수위 데이터를 통해, 마지막 데이터의 시간으로부터 20분 뒤의 신림3교 수위를 예측한다.
-====지오셀과 바이오폴리머를 활용한 사면 안정방안====
+) 예보기준과 비교하여 예측수위에 해당하는 예보단계를 선정한다.
-[[파일:사태방지하조그림8.png]]
-지오셀의 구조
- ◇ 지오셀의 입체구조는 바이오 폴리머 재료를 이용하여 셀을 형성하기 때문에 사면에 작용하는 하중을 지지하는 효과와 안정성을 향상시킬 수 있다. 또한 표층에서 우수로 인한 표토들은 위 그림과 같이 지오셀의 노출된 패널 모서리로 의하여 추가 유실을 방지하고 여과성 구멍으로 인하여 사면 안정 뿐만 아니라 녹화 이용까지 가능하다.
+) 문자를 발송하는 단계에 해당할 시, 해당 단계에 전달할 내용을 담은 문자 메시지를 발송한다.
-[[파일:사태방지하조그림9.png]]
+기상청 문의 결과, 기상청 기상자료개방포털에서 얻을 수 있는 초단기 예측 자료는 1시간 단위 자료이다. 하지만 LSTM 학습 과정에서는 10분 단위 자료를 이용하였다. 즉, 예측 강수량 자료와 LSTM 입력 자료의 시간 단위가 다르다. 또한 1시간 단위의 강수량을 10분 단위 강수량 자료로 변환하는 것은 불가능하기에 예측 강수량 대신에 관측 강수량을 사용하여 침수를 예측하는 방식으로 결정하였다.
-바이오 폴리머로 인한 식생 성장 촉진
- ◇ 바이오 폴리머 재료는 위 그림과 같이 식생 성장을 촉진할 뿐 아니라 사면 토양 고결화로 침식으로 인한 손상이 적기 때문에 사면 피복을 빠르게 회복하고 우수로 인한 피해를 최소화할 수 있다. 기존 고결제인 벤토나이트 용액과 달리 바이오 폴리머 재료는 식생과 함께 적용할 수 있기 때문에 기존 사면 고결 재료에 비해 환경친화적으로 미관개선까지 기대할 수 있다.
+====LSTM====
- ◇ 지오셀, 바이오 폴리머 공법을 산사태 발생 위험 후보지에 적용했을 때의 사면 안정 해석을 GEO SLOPE를 이용하여 실시한다.
+LSTM(Long Short-Term Memory)은 일련의 데이터를 처리하도록 설계된 일종의 순환 신경망(RNN)이다. 일반적인 RNN과 달리, LSTM은 입력 시퀀스에서 장기적인 종속성을 모델링하는 기능이 추가되었다. 장기간에 걸쳐 정보를 저장하고 입력에 따라 선택적으로 업데이트할 수 있는 메모리 셀의 사용하여 장기적인 종속성을 판별한다. 이 메모리 셀은 시간이 지남에 따라 숨겨진 상태를 유지하고 업데이트한다. 메모리 셀에는 정보를 선택적으로 저장 및 업데이트하고 더 이상 관련이 없는 정보를 잊어버릴 수 있는 여러 게이팅 메커니즘이 있다.
-===이론적 계산 및 시뮬레이션===
+LSTM의 게이팅 메커니즘은 입력 게이트, 망각 게이트 및 출력 게이트의 세 가지 구성 요소로 구성된다. 이러한 게이트는 0과 1 사이의 출력을 갖는 시그모이드 활성화 함수의 특성을 사용한다. 각 게이트는 시그모이드 활성화 함수로 인하여 얻어진 값을 토대로 정보의 양을 제어하여 처리한다. 입력 게이트는 각 시간 단계에서 메모리 셀에 허용되는 새로운 정보의 양을 제어한다. 망각 게이트는 메모리 셀에 남아 있는 오래된 정보의 양을 제어한다. 그리고 출력 게이트는 현재 메모리 셀 상태가 예측에 사용되는 정도를 제어한다. 이러한 방식으로 정보를 선택적으로 게이팅 함으로써 입력 시퀀스에서 장기적인 종속성을 파악한다.
-====산사태 위험지역 선정과정====
-[[파일:사태방지하조그림10.png]]
-그림A.화재발생 이전 NBR(정규산불피해비율)값
-[[파일:사태방지하조그림11.png]]
-그림B.화재발생 이후 NBR(정규산불피해비율)값
- ◇ 위 그림과 같이 LANDSAT 데이터를 이용하여 강원도 부근의 산불 발생지역을 산출한다.
+[[파일:10007.png]]
-[[파일:사태방지하조그림12.png]]
+[그림 14 LSTM 구조]
-그림C.dNBR값
-[[파일:사태방지하조그림13.png]]
-그림D.dNBR값을 이용한 맵핑
- ◇ [그림 C]는 [그림 A]과 [그림 B]의 화재발생이전 NBR값과 화재발생 이후 NBR값의 차인 dNBR값을 이용해 화재 발생 심각도 계산한 것이고 [그림 D]는 [그림 C]의 결과값을 색상별로 맵핑한 것이다. 화재 심각도가 0~0.269인 곳은 산불피해가 없는 곳이며 표시는 되어있지않다. 화재 심각도가 0.269~1.3인 곳은 산불피해가 낮은 곳이며 노랑색으로 표시되어있다. 화재 심각도가 0.269~0.439인 곳은 산불피해가 보통 수준인 곳이며 주황색으로 표시되어있다. 마지막으로 화재 심각도가 0.659 이상인 곳은 산불피해가 높은 수준인 곳이며 붉은색으로 표시되어있다.
+위와 같이 LSTM은 메모리 셀과 게이팅 메커니즘을 통해 장기간에 걸쳐 정보를 선택적으로 저장하고 업데이트할 수 있다. 불규칙한 종속성을 수치화를 통하여 파악할 수 있기에 정량적인 미래 데이터의 예측이 가능하다. 이렇듯 LSTM은 복잡한 장기 종속성이 있는 순차적 데이터를 모델링하는 데 적합하므로 불규칙한 종속성을 지닌 하천의 수위를 예측하는 데 적합한 모델이다.
-[[파일:사태방지하조그림14.png]]
+====강우관측소 선정 근거====
-DEM 데이터를 이용한1m-1m 경사도
-[[파일:사태방지하조그림15.png]]
-경사도가 31도~40도임과 동시에 화재심각도가 약함 이상인 지역 추출
-[[파일:사태방지하조그림16.png]]
+[[파일:10008.png]]
-대상지의 유효토심 정보
-[[파일:사태방지하조그림17.png]]
-앞의 세 그림을 종합한 대상지 후보
- ◇ 첫번째 그림은 DEM 데이터를 이용한 1m-1m 경사도이다. 이성재 외(2019)에 의하면 경사도가 31˚~40˚이고, 토심이 15cm 이하인 곳에서 산사태 발생확률이 높아진다고 한다. 따라서 첫번째 그림]를 이용하여 두번째 그림과 같이 경사도가 31˚~40˚이며 동시에 화재 심각도가 약함 이상인 지역을 추출한다. 또한 세번째 그림의 유효토심 정보까지 연산하여 네번째 그림과 같이 강원도 내의 산사태 위험구역 대상지 후보를 선정한다. 그 후 기반암의 유형, 경사도, 표고, 사면의 길이 등에 대한 데이터를 gis로 추출하여 산사태 예상 지역을 선정하고 그 사면에 대한 사면 안정 해석을 실시한다.
+[그림 15 도림천 유역 기상관측소 티센비 (출처 서울기술연구원)]
-[[파일:사태방지하조그림18.png]]
+[[파일:10009.png]]
-곳의 산사태 예상 지역
-[[파일:사태방지하조그림19.png]]
-곳의 산사태 예상 지역(토심도)
- ◇ 아래의 3가지 조건을 이용하여 위의 그림과 같이 13곳의 잠재적 산사태 발생 구역을 선별한다.
+[그림 16 Thiessen method로 도림천 유역면적을 나눈 사진 (출처 서울기술연구원)]
-    (1) 산불의 피해가 약함 이상인 지역
+강우데이터를 취합하기에 앞서, 어느 관측소의 강수량을 이용할 것인지를 정하기 위해 도림천 유역의 강우관측소에 대해 조사했다. 그림 15와 같이 도림천 유역에 5개의 기상관측소가 존재한다. 각 관측소의 지배 면적과 티센비를 알 수 있었는데, 티센비가 가장 높은 두 관측소(관악, 기상청)를 이용하기로 결정하였다. 그림 15의 관측소 지배 면적(티센비)을 보면 관악과 기상청 관측소의 지배면적 합이 전체의 78.4%가 된다는 것을 알 수 있다.
-    (2) 대상지 중 경사도가 31~40도 인 지역
-    (3) 대상지 중 인적 피해가 있을 지역이나 민가 도로 등이 있는 곳
-[[파일:사태방지하조그림20.png]]
+====강우사상 선택 근거 및 강수량-수위 데이터 취합 방식====
-동해시의 유효토심 자료
- ◇ 위 그림은 동해시의 유효토심이다. 대상지가 붉을수록 유효토심이 얕다는 것을 의미하고 밝을수록 유효토심이 깊다는 것을 의미한다. 앞선 과정에서 도출된 13개의 대상지 중 유효토심이 가장 얕은 빨간색 부분인 1번, 6번, 8번 구역의 시뮬레이션을 진행한다.
+[[파일:10010.png]]
-====GEO SLOPE의 결정인자====
+[그림 17 기상청 기상자료개방포털]
- ◇2차원 사면 해석 프로그램인 GEO SLOPE는 총 6개의 결정인자에 의해 시뮬레이팅된다. 그 6개의 인자는 아래와 같다.
-	(1) 흙의 단위중량
+[기상청 날씨누리를 통해 서울(유) 기준으로 2013~2020년, 8개년에서 해당년도 별 일 강수량이 높은 10일을 선별하였다. 기상청 기상자료개방포털에서 각 지점별 자동기상관측장비로 측정된 해당 일자의 1분 단위 강수량 데이터를 얻을 수 있다. 이러한 1분 단위 강수량 데이터를 LSTM에 학습시킬 데이터로 사용하기 위해 10분 단위 강수량 데이터로 가공하였다. 도시홍수연구소 자문을 통해 강우사상 선정 기준을 강우가 시작하는 시간으로부터 1시간 이전 시점, 강우가 끝나는 시간부터 3시간 이후 시점까지로 정할 수 있었다. 하천 수위 데이터는 서울기술연구원에서 2013~2020년의 신림3교의 10분 단위 수위 관측 데이터를 제공 받았다. 선정한 일자에 해당하는 10분 단위 강수량 데이터와 하천 수위 데이터를 엑셀에 그림 18과 같이 도시한다. 정한 기준에 따라 그림 19와 같이 강우 사상을 선정 및 데이터를 추출한다.]
-	(2) 내부마찰각
+[[파일:10011.png]]
-	(3) 점착력
+[그림 18 2020.08.01.의 10분 단위 강수량, 수위 자료]
-	(4) 표층의 두께
+[[파일:10012.png]]
-	(5) 풍화토의 두께
+[그림 19 기준에 따라 추출한 강수량, 수위 데이터]
-	(6) 지반의 지하수위
+그림 19는 예시로써 2020년 8월 1일에서 추출한 것인데, 강우 패턴의 다양성에 의해 다른 일자에 대해서는 강우 시간이 그림 19의 시간과 다르다.
- ◇본 항목에서는 위에서 언급한 1,6,8번 사면에 대한 6개의 지반 물성치 산출과정에 대해 서술하고자 한다.
+====예보 기준 선정====
-  (1) 흙의 단위중량
+[[파일:10013.png]]
-[[파일:사태방지하조그림21.png]]
+[그림 20 2021~22년 도림천 둔치경보 기준 (출처 서울기술연구원)]
-[[파일:사태방지하조그림22.png]]
+그림 20은 2021~22년에 시행된 도림천 유역 둔치경보이다. 이를 바탕으로 둔치예보 기준을 만들고자 한다.
- ◇ 위 그림은 사면 1, 6, 8의 인접한 시추 주상도이다. 이를 통하여 사면 1, 6, 8의 표토, 풍화토, 풍화암 층의 N값을 구하였다.
+그림 20의 둔치경보 기준과 매뉴얼을 참고하여 정한 둔치예보와 기준은 다음과 같다.
-[[파일:사태방지하조그림23.png]]
+[[파일:100014.png]]
-N값과 내부마찰각, 상대밀도, 습윤단위중량 사이의 관계
-[[파일:사태방지하조그림24.png]]
+[표 9 둔치예보]
-MATLAB을 통한 다항 회귀식
-[[파일:사태방지하조그림25.png]]
+각 단계에 따른 조치 사항은 다음과 같다.
-다항회귀식을 통해 추출된 흙의 단위중량값
+) 둔치예보 1단계(관심)
- ◇ 위 과정에서 도출된 사면 1,6,8번의 N값을 첫번째 그림의 표에 기재되어있는 N값과 습윤단위중량의 관계를 통해 두번째 그림과 같이 MATLAB을 통해 다항 회귀식을 추출할 수 있었다. 그 후 N값을 대입하여 시추주상도 위치의 단위중량 값을 얻을 수 있었고 세번째 그림과 같이 그 지점들의 단위 중량값을 GIS 보간시스템을 이용하여 대상지의 단위 중량값을 추출할 수 있었다.
+강우에 따른 수위를 예의주시하고, 하천 순찰단을 편성 및 배치한다.
-  (2) 내부마찰각
+) 둔치예보 2단계(둔치주의)
-[[파일:사태방지하조그림26.png]
+둔치예보를 발령하고 문자 메시지를 발송한다. 재난문자방송 기준 및 운영규정의 휴대폰 재난문자방송 표준 문안을 참고한 문자 양식은 다음과 같다.
-도로교 시방서의 경험식
- ◇ 내부마찰각의 경우는 도로교 시방서의 경험식을 이용하여 시추주상도 위치의 내부마찰각을 얻고 그 지점의 내부마찰각을 마찬가지로 GIS 보간시스템을 이용하여 대상지의 내부마찰각 값을 얻을 수 있었다.
+[사용기관명]오늘 ○○시 서울특별시 도림천(관악구, 구로구, 동작구, 영등포구) 둔치예보 2단계(둔치주의). 둔치, 저지대 등 위험지역에서는 가족, 이웃과 정보를 공유하고 안전한 곳으로 대피하시기 바랍니다.」
-  (3) 점착력
+) 둔치예보 3단계(둔치대피)
-[[파일:사태방지하조그림27.png]
+둔치예보를 발령하고 문자 메시지를 발송한다. 재난문자방송 기준 및 운영규정의 휴대폰 재난문자방송 표준 문안을 참고한 문자 양식은 다음과 같다.
-N값에 따른 일축압축강도(출처: 기초공학, 권호진 외 3인)
- ◇ 점착력의 경우는 실측에 기반한 범위를 제시한 논문(공내 전단시험을 이용한 암종별 풍화대의 전단강도 특성에 관한 연구(손인환))을 참고하였습니다. 그림 20는 암종별 풍화토 풍화암의 물성치가 나오는데 대상지는 사암, 셰일을 기반으로 하고 있으므로 퇴적암 풍화토, 풍화암의 점착력 범위의 평균값을 사용하였다. 표층의 경우는 구할 수 없어 기초공학(권호진 외 3인)의 표에서 점착력을 추출하였다.
+[사용기관명]오늘 ○○시 서울특별시 도림천(관악구, 구로구, 동작구, 영등포구) 둔치예보 3단계(둔치대피). 둔치, 저지대 등 위험지역에서는 가족, 이웃과 정보를 공유하고 안전한 곳으로 대피하시기 바랍니다.」
-  (4) 표층의 두께
+===상세설계 내용===
+====LSTM 학습 방법====
- ◇ 표층의 두께의 경우는 대상지에 가장 인접하고 산지를 대상으로 한 위의 시추 주상도를 이용하여 6m로 설정하였다.
+) 강우사상으로 사용할 일자를 선정한다.
-  (5) 풍화토의 두께
+) 선정된 일자의 24시간 강수량, 수위 데이터에서 학습 데이터로 사용할 부분을 기준에 맞춰 추출한다.
- ◇ 풍화토의 두께의 경우는 대상지에 가장 인접하고 산지를 대상으로 한 위의 시추 주상도를 이용하여 9m, 15m의 평균인 12m로 설정하였다.
+) 1), 2) 작업을 반복하여 총 80일의 강수, 수위 자료를 얻은 후 하나의 시계열 데이터로 만든다.
-(6) 지반의 지하수위
+) 30분의 강수량과 수위 데이터를 이용해 20분 뒤의 수위를 예측하게 하는 LSTM 모델을 구축한다.
-[[파일:사태방지하조그림28.png]]
+번에 대해 그림 21과 함께 설명하면, 예를 들어 00:10부터 00:30까지, 00:20부터 00:40 등 30분 동안의 자료를 이용하여 20분 뒤의 수위, 00:50, 01:00 등의 수위를 목표값으로 학습시킨다. 예측 진행시에도 동일한 방식으로 진행한다. 30분 길이의 강수량, 수위 자료를 입력값으로 넣고 마지막 데이터의 시간으로부터 20분 뒤의 수위를 예측한다. 서울기술연구원 자문에 따르면 도림천 유역은 일반적으로 강우가 시작되고 나서 2~30분 후에 수위 변화가 시작된다고 하였다. 따라서 20분 후의 수위를 예측하게 하였다.
- ◇ GEO SLOPE 해석에서 지하수위의 입력값은 동해시의 지하수위 관측 자료가 없어 바로 윗 지역인 초구동의 데이터를 사용했다. 본래는 30년, 50년, 100년 등의 자료로 선정해야하나 지하수위 자료가 2011년부터 2021년까지의 11년치의 자료 밖에 없어서 과거 11년치의 지하수위 자료만을 사용하였다. 지하수위 평수위의 자료 계산 결과값은 2.88m임을 알 수 있었다. GEO SLOPE의 단위는 1m 단위로 계산되므로 지반의 지하수위를 3m로 산정하였다.
+[[파일:10015.png]]
- ◇ 이를 통해 산출된 1, 6, 8번 사면의 물성치는 아래와 같이 정리할 수 있었다. 사면 안정 해석 방법은 Spencer법을 사용하였다.
+[그림 21 학습 & 예측 방식에 대한 그림 설명]
+총 80개의 강우-수위 세트 중 50개 사상은 훈련, 18개 사상은 검증, 9개 사상은 테스트 데이터로서 사용되었다. 나머지 3개 사상은 최종 발표 때 시연을 하기 위한 데이터로 선정하였다. 강우 사상마다 강우 시간이 달라서 데이터의 개수가 다르기 때문에 데이터의 개수로 설명하면 다음과 같다.
-slope 1
+[[파일:100016.png]]
-[[파일:사태방지하조그림29.png]]
+[표 11 훈련, 검증, 테스트 데이터 개수]
-slope 6
+총 77개 강우사상의 강수량, 수위 데이터를 그림 22, 23, 24와 같이 하나의 시계열 데이터 형태로 합성되었다. 가로축은 시간, 세로축은 그림 22, 23의 경우 강수량(mm), 그림 24의 경우엔 수위(m)이다.
-[[파일:사태방지하조그림30.png]]
+[[파일:10017.png]]
-slope 8
+[그림 22 Sequence of 410 Rainfall Data]
-[[파일:사태방지하조그림31.png]]
+[[파일:10018.png]]
-====산불로 인한 물성치 변화====
+[그림 23 Sequence of 509 Rainfall Data]
- ◇ 본 대상지는 일반적인 대상지와 다르게 산불이 발생한 지역이기 때문에 일반적으로 산출된 지반의 물성치가 아니라 산불로 인해 교란되었다는 사실을 반영해야 한다. 따라서 ‘’산불 발생지역에서 상부토층의 공학적 특성 변화(송영석 외 2인)’을 통해 산불이 발생한 이후에 지반의 물성치가 변화한다는 것을 반영하여 사면 1, 6, 8번의 물성치를 수정하였다. 산불 발생 이후 지반 물성치에 대한 변화값과 그를 통해 산출된 사면 1, 6, 8번의 물성치는 아래와 같다.
+[[파일:10019.png]]
- ◇ 논문(‘산불 발생지역에서 상부토층의 공학적 특성 변화(송영석 외 2인)’)에서의 산불 발생 전후 물성치 변화값
+[그림 24 Sequence of Water level of 신림3교]
-) 단위중량 1.25 > 1.1
-) 내부마찰각 35 > 33.5
-) 점착력 0.56 > 0.39
-  이 값을 사용하여 산불에 영향을 받은 상부 토층의 단위중량, 내부마찰각, 점착력 값을 비율을 맞추어 감소시켰다. 그리고 표층은 6m로 설정하였는데, 산불이 표층 두께 전체에 영향을 끼쳤다고 가정하였다.
- ◇slope 1
+LSTM 모형과 로지스틱 회귀를 통한 도시 침수 범위의 예측(김현일 외 2명, 2020)과 서울기술연구원 자문을 통해 제공받은 LSTM 모델을 참고하여 표 12와 같이 매개변수에 따른 LSTM 모형을 구축하였다. 드롭아웃(Dropout) 기능을 사용하였으며, 드롭아웃은 신경망 모델이 복잡해지는 경우 가중치의 감소만으로 학습의 속도가 개선되지 않기에 학습 중에 임의의 뉴런을 삭제하는 것으로 시간에 따른 학습의 정확도를 개선하는 방법이다.
-[[파일:사태방지하조그림32.png]]
+[[파일:100020.png]]
-단위중량 : 17 -> 17*1.1/1.25=14.96
+[표 12 LSTM 모델과 매개변수]
-내부마찰각 : 33 -> 33*33.5/35=31.59
+학습에 앞서 minmax_scaler를 통하여 입력할 숫자 데이터를 최소값 0, 최대값 1로 조정하여 모든 값이 비례적으로 조정되도록 하는 정규화 과정을 거친다. 이상값의 영향을 줄여 머신 러닝의 정확도와 성능을 개선하는 역할을 한다. 정규화로 변환시킨 데이터를 학습한 후, inverse_trasform을 통하여 정규화된 데이터를 실제의 데이터로 변환하여 원래 척도로 시각화한다.
-점착력 : 18kPa -> 18kPa*0.39/0.56=12.54kPa
+[[파일:10021.png]]
+[그림 25 LSTM 모델]
- ◇slope 6
+그림 25와 같이 LSTM 모델을 만들고 학습시킨다. 시험 데이터를 통해 테스트한 결과는 다음과 같다.
-[[파일:사태방지하조그림33.png]]
+[[파일:10022.png]]
-단위중량 : 18 -> 18*1.1/1.25=15.84
+[그림 26 test set을 통한 예측]
-내부마찰각 : 32 -> 32*33.5/35=30.63
+파란색 실선이 관측 수위이고, 빨간색 점선은 예측 수위이다. 정규화 상태의 값이다. 유사한 모습을 보였으나 오른쪽으로 이동되어있는 것을 알 수 있다.
-점착력 : 18kPa -> 18kPa*0.39/0.56=12.54kPa
+그림 25에서 loss가 MSE임을 알 수 있고, 학습 결과 MSE는 다음과 같았다.
-◇slope 8
+[[파일:10023.png]]
-[[파일:사태방지하조그림34.png]]
+[그림 27 MSE]
-단위중량 : 17 -> 17*1.1/1.25=14.96
+====문자 메시지(SMS) 전송====
-내부마찰각 : 29 -> 29*33.5/35=27.76
+[[파일:10024.png]]
-점착력 : 18kPa -> 18kPa*0.39/0.56=12.54kPa
+[그림 28 문자 메시지 전송 코드]
-====GEO SLOPE을 통한 시뮬레이션 결과====
+예보 문자를 전송하기 위해 Twilio를 이용하였다. Twilio는 개발자가 애플리케이션에 메시징, 음성 및 비디오 기능을 추가할 수 있도록 API(Application Programming Interface)를 제공하는 클라우드 커뮤니케이션 플랫폼이다. 다운로드 받은 Twilio Library를 이용하여 지정된 전화번호로 SMS 메시지를 보낸다. 여기서 to는 받는 사람의 번호인데, 프로젝트에서 사용하는 Twilio는 Free ver이기 때문에 코드에 제공된 계정 SID 및 인증 토큰을 지닌 사람의 번호로만 문자를 보낼 수 있다. 코드를 진행시켰을 때 다음 그림과 같이 문자를 수신한다.
-[[파일:사태방지하조그림35.png]]
-번 사면 시뮬레이션 결과
- ◇ GEO SLOPE을 통해 6번 사면 시뮬레이션을 진행해본 결과 산불의 영향을 고려했음에도 안전율이 1.3을 상회하는 결과가 도출되어 보강처리가 불필요하다 판단하였다.
+[[파일:10025.png]]
-[[파일:사태방지하조그림36.png]]
+[그림 29 코드 진행을 통한 문자 수신]
-번 사면 시뮬레이션 결과
- ◇ GEO SLOPE을 통해 8번사면 시뮬레이션을 진행해본 결과 6번 사면과 같이 산불의 영향을 고려했음에도 안전율이 1.3을 상회하는 결과가 도출되어 보강처리가 불필요하다 판단하였다.
+이제 LSTM 모델과 SMS 문자 전송 코드를 결합하여 계획한 시스템을 설계한다.
+다음 그림은 설계한 시스템의 일부 코드이다.
-[[파일:사태방지하조그림37.png]]
+[[파일:10026.png]]
-번 사면 시뮬레이션 결과
- ◇ GEO SLOPE을 통해 1번사면 시뮬레이션을 진행해본 결과 산불의 영향을 고려했을 때 목표 안전율인 1.3보다 낮은 안전율인 1.229가 도출되었다. 이를 통해 1, 6, 8번 사면 중 1번 사면이 공법 적용이 필요함을 알 수 있었다.
+[그림 30 시스템 코드 일부]
-====공법 적용====
+==결과 및 평가==
+===완료 작품의 소개===
+====포스터====
- ※ GEO SLOPE 해석에서 바이오 폴리머와 지오셀을 1m 깊이로 놓고 해석을 했다. 이유는 지오셀은 최대 높이가 30cm로 1m에 미치지 못하나 GEO SLOPE 해석에서는 1m 단위로 밖에 해석이 되지 않아 프로그램 상의 한계 때문에 1m로 했다. 따라서 후술하겠지만 모델링에서는 30cm 깊이로 하였고, GEO SLOPE에서는 1m로 설정했다.
+[[파일:catcat.png]]
-  바이오 폴리머는 사용자가 원하는 깊이까지 주입 시킬 수 있으나 과한 보강 방지 및 경제성을 위하여 1m만 주입하는 것으로 가정했다.
-slope 1
+[완성 포스터]
- ◇ 공법을 적용하기 전의 1번 사면의 물성치는 위와 같다. 본 구간에서는 바이오폴리머 그리고 지오셀 을 통한 사면안정화 공법을 사용하였을 때의 물성치 변화를 살펴보고 그를 통해 목표 안전율인 1.3을 달성할 수 있을지에 대해 서술하였다.
+====모델====
-===상세설계 내용===
+[[파일:dogdog.jpg|1000픽셀|]]
-====조립도====
+[완성 모델]
+===관련사업비 내역서===
-====부품도====
+[[파일:123456789c.png|1000픽셀|]]
+[물품수령서]
-====소프트웨어 설계====
+[[파일:123456789e.jpeg|800픽셀|]]
+[도서견적서]
+===완료작품의 평가===
+본 프로젝트에서는 도림천 유역에 대하여, 관측 강수와 수위를 이용하여 수위를 예측할 수 있는 기법을 제시하고자 하였다. 이를 위하여 LSTM 모형을 이용하였으며, 강우 사상은 기상청, 관악 AWS의 2013~2020년 강우사상을 적용하였다. 77개의 관측 강우 사상으로도 LSTM은 충분한 학습을 수행하였다. 그러나 앞서 얘기했듯이 오른쪽으로 이동된, 즉 대부분의 결과가 오른쪽으로 lagging된 것을 확인할 수 있다. 이미 수위가 오른 시점 이후에 수위가 오를 것이라고 예측하는 모습을 볼 수 있는데, 다음 수위가 현재 수위에 크게 의존하기에 이런 현상이 발생한다. 미래 수위는 현재 수위, 강수량, 노이즈로 구성되는데 노이즈가 강수량보다 크기 때문이다. 머신러닝 초기에 LSTM으로 주가를 예측하는 프로젝트들이 상당히 많았는데 이러한 현상을 많이 보였다고 한다. 노이즈를 줄이기 위해 디노이즈 과정이 필요하다. 학습 이전 데이터를 정제하는 방법으로 디노이즈의 대표적인 방법으로 이동평균과 Bilateral filter가 있고, 학습과정에서 자동으로 노이즈를 제거할 방법으로 Qraft는 CNN 기반 Autoencoder 기반 시계열을 디노이즈 모델로 선택하는 방법이 있다.
-====자재소요서====
+===향후계획===
+현재 2013년부터 2020년까지의 자료를 이용하고 있는데 2021~2023년, 2013년 이전의 강우사상을 선정하여 더 많은 데이터를 학습시킨다면 정확성이 향상될 것이다.
-==결과 및 평가==
-===완료 작품의 소개===
-====프로토타입 사진 혹은 작동 장면====
-====포스터====
-===관련사업비 내역서===
-===완료작품의 평가===
+현재는 시연을 위해서 과거의 자료를 이용하고 코딩을 실행했을 때만 결과를 얻을 수 있지만, 한 번의 실행을 통해 계속해서 실시간 데이터를 수집하며 가동되게 한다면 처음에 설정하였던 목표를 완벽하게 달성할 수 있을 것으로 예상된다.
-내용