1. 서 론
2. 남해 서면-여수 신덕 국도 건설공사 사업
2.1 기본계획 사업개요
2.2 기본설계 사업개요
3. 3D 공간정보를 활용한 터널 설계 자동화 기술
3.1 Generative Design 기반 최적 선형 탐색
3.2 AI분석 3D Geo Modeling
3.3 BIM기반 3D 발파설계 자동화
4. 결 론
1. 서 론
최근 국토교통부는 건설산업의 생산성 혁신을 위해 설계부터 시공, 유지관리에 이르는 건설 전 단계에서 스마트 건설기술 도입을 적용토록 하고 있다. 스마트 건설기술은 기존의 경험적 지식에 첨단기술(BIM, 빅데이터, AI, 드론, 로봇 등)을 융합하여 인간의 한계를 극복하고 생산성 및 안전성을 획기적으로 개선하는 것을 목적으로 하고 있다. 특히, 건설산업의 생산성 혁신 및 안전성 강화를 위한 스마트 건설기술 로드맵은 단계별 분절된 2D 기반의 설계에서 전 단계가 융합된 3D 기반 설계로의 패러다임 변화를 추구한다. 로드맵에서 설계 핵심기술로 설정된 목표는 지형·지반 모델링 자동화, BIM 적용표준화, BIM 설계 자동화를 제시하고 있으며 각 기술이 추구하는 궁극적인 목표는 AI 기반 BIM을 연계한 자동 모델링, 축적된 BIM 빅데이터 활용, AI 기반 BIM 설계 최적화 및 자동화이다(MOLIT, 2018, 2020, 2022a, 2022b). 결국 스마트 건설 로드맵에서 제시한 설계 최적화 및 자동화를 실현하기 위해서는 BIM을 기준으로 표준화된 데이터를 축적해야 하며, BIM Data와 다른 첨단기술을 융합하여 설계 자동화와 최적화를 수행하여야 한다.
현재 토목 분야에서 BIM은 일반적으로 수량, 공정, 시공 상세 등을 검토하는 도구로의 활용에 국한되어 있다. 검토 도구로만 활용되는 BIM 모델은 위치, 면적, 부피 등 가시화된 단편적인 정보만을 활용해도 충분히 가능하다. 그러나 BIM 데이터를 설계 프로세스의 도구로 활용하기 위해서는 재료 강도, 설계기준 등 객체 자체에 가시화가 불가능한 속성정보를 포함해야 하고 연산할 수 있어야 한다. 이를 위해 BIM 데이터를 이용한 구조해석, 데이터분석 등이 가능하도록 소프트웨어 간의 상호 호환성을 위해 BIM의 국제 표준 파일 포맷인 IFC (Industry Foundation Classes)를 기반으로 공종 별 표준분류체계가 점차 제시되고 있으며(Lee and Hwang, 2019, Sharafat et al., 2020) BIM 소프트웨어 자체에 Dynamo, 제너레이티브 디자인(Generative Design, GD) 등과 같이 데이터 연산이 가능한 Add-in이 지속적으로 제공되고 있다.
스마트 건설기술 로드맵에서 제시한 설계단계의 핵심기술과 관련하여 BIM 기반 선형 설계 자동화(Lee et al., 2023a), 드론 촬영과 딥러닝 영상처리를 통한 비탈면 영역 자동 분류(Lee et al., 2019), X-ray 영상에서 딥러닝을 이용한 화강암 균열 검출(Hyun et al., 2019), 머신러닝을 이용한 발파진동 예측(Jung et al., 2021) 등의 연구가 개별적으로 진행되었다. 그러나 각 기술을 실제 도로나 터널의 설계 프로세스로서 융합하여 적용한 사례는 없다. 또한 각 연구의 입력/출력 데이터는 정보간 상호 연계를 위한 BIM의 속성정보 분류체계 표준화 또는 설계 프로세스의 연속성을 고려하지 않았기 때문에 데이터의 축적과 확장, 지속적 활용에는 한계가 있다.
본 연구에서는 이러한 한계점을 극복하고자 남해 서면-여수 신덕 건설공사 기본설계 단계에서 3D 공간정보를 활용한 터널 설계 자동화 체계를 구축하였다. GD를 활용하여 선형을 생성하고 설계조건의 가중치 평가로 최적 선형을 탐색함과 동시에 AI 기반 시추코어 이미지 딥러닝을 활용하여 3D Geo Model을 구축하여 최적 선형 탐색의 정밀도를 향상하였다. 마지막으로 BIM 모델과 GIS 데이터를 활용하여 최적 발파설계를 도출하였다. 해당 기술은 실제 터널 설계 프로세스에 따라 BIM 데이터를 연속적으로 활용한 융합설계 사례로 건설산업의 생산성 향상에 초점을 맞추어 소개하고자 한다.
2. 남해 서면-여수 신덕 국도 건설공사 사업
2.1 기본계획 사업개요
남해 서면-여수 신덕 국도 건설공사는 경남 남해군 서면 서상리와 전남 여수시 신덕동을 연결하는 사업으로서, 기존 남해~여수 간 약 90분이 소요되었던 이동시간을 10분으로 단축할 수 있다. 또한 남해군과 여수시가 연결됨으로써 남해안 관광벨트 등으로의 접근성을 향상시키고 물류이동을 활성화시킴으로써 국토 균형발전에 기여하는 사업이다. 남해와 여수 사이에 일 평균 약 103척(최대 통항 선박 40만 재화중량톤수 급)의 선박이 통과하여 약 2.5 km의 교통안전 특정해역이 지정되었으며, 2002년도 타당성 검토 시 현장 여건과 사업비 과다 등의 이유로 교량으로 연결하는 방안은 설계대안에서 제외되었다. 따라서 기본계획(concept design)에서는 남해와 여수를 터널로 횡단하도록 계획하였으며, 남해군과 접속하는 군도 6호선의 국도 77호 승격 및 남해군과 접속하는 시점부의 적정 종단경사 확보 등의 이유로 Fig. 1의 1안과 같은 선형설계안으로 최종 확정되었다. 최종 확정된 기본계획 사업개요는 Table 1과 같다.
Fig. 1
Concept design alignment of Namhae Seomyeon – Yeosu Shindeok national highway construction (Busan Regional Construction and Management Administration, 2022)
Table 1.
Summary of concept design of Namhae Seomyeon – Yeosu Shindeok national highway construction (Busan Regional Construction and Management Administration, 2022)
2.2 기본설계 사업개요
기본계획 시 지역발전 현황과 사업비 등의 한계, 종단경사 및 토피고 확보 등의 이유로 남해군의 남측으로 연결하는 노선을 설계했다. 기본설계로 최종 선정된 노선은 Fig. 2와 같이 국내 최초로 해저터널에 분기점을 설치하여 남해군 북측과의 연결로를 신설하였다. 연결로 신설은 남측의 산업 발전과 북측의 관광 발전, 교통정체 해소 등 통합 발전을 목적으로 기반을 조성했다. 시공 측면에서 연결로를 포함 8개의 막장을 동시에 운영하도록 하여 기본계획 대비 13개월 분의 여유 공기를 확보했으며, 터널 운영 시 안전 측면에서 연결로를 유사시 대피나 배연 통로로 활용하여 대피, 구난, 배연 성능을 기본계획 대비 2배 향상하였다.
이는 터널 설계 자동화 기술을 활용한 본선 터널(한려터널) 최적 안 도출로 전문가가 설계하는 기존방법 대비 설계 시간을 획기적으로 감소시킴과 동시에 설계자가 원하는 최적 노선을 생성하고 보수적으로 계산되는 발파시공비를 절감하여 연결로 신설에 투자함으로써 다음과 같은 기본설계 안이 가능했다. 최적 선형 도출 시 해저터널의 최소 안전토피고 기준을 만족하면서 양호한 암반조건을 통과하도록 하였고, 기본계획 노선 이하의 터널 연장, 기본계획 노선 이상의 곡선반경 등 추가 조건을 적용하였다. 이 과정에서 AI 암반 강도 분석을 통해 해상구간의 지반조건 불확실성을 보완한 3D Geo Model을 생성하였으며, 이를 통해 선형탐색이 가능한 넓은 범위의 해저지반 특성을 파악하였다. 본 결과를 바탕으로 도출된 선형과 GIS 데이터(보안물건, 양식장 등)를 활용하여 3D 상에서 최적 발파설계를 수행하였다.
Fig. 2
Basic design of Namhae Seomyeon – Yeosu Shindeok national highway construction (DL E&C Inc., 2023)
3. 3D 공간정보를 활용한 터널 설계 자동화 기술
일반적으로 터널 설계 프로세스는 Fig. 3과 같이 선형 계획, 현장 조사, 지반의 분류, 지보패턴의 선정, 발파패턴의 선정, 구조해석, 도면화 작업 순으로 이루어진다(KTUSA, 2009). 본 사업의 기본설계 시에는 설계에 필요한 정보수집, 수치해석 등을 수행하는 과정에서 전문가의 경험의존적 판단과 부분해석을 전체계 해석으로 추정하는 기존의 방법을 따르지 않고, 알고리즘을 통해 정보를 연계하고 최적화 해를 추적하며 모든 사례를 자동연산 하는 터널 설계 자동화 기술 개발을 통해 설계의 정확성과 생산성을 향상시켰다. 터널 설계 프로세스에 적용된 터널 설계 자동화 기술은 Table 2에 정리하였다. 첫 번째로 선형 설계 시 선형의 구성요소의 매개변수화를 통해 자동으로 생성하고 그 중 최적 선형을 탐색할 수 있는 GD 기반 최적 선형 탐색 기술을 적용하였다. 두 번째로 시추코어의 실내시험 추정치와 탄성파탐사 등의 결과를 추정하여 설계자의 경험에 의존하는 지반의 분류단계를 딥러닝을 통한 AI 암반분석과 렌더링을 통해 3D Geo Model를 생성하도록 자동화하였다. 세 번째로 선형정보, 지반정보, 추가 GIS 데이터를 활용하여 전체 노선의 발파 지점별 검토되어야 할 모든 보안물건에 대한 발파설계를 자동화 및 최적화하였다. 이후 터널 단면 라이브러리를 활용하여 BIM 모델링을 자동화하고 도면화 작업을 수행하였으나, 본 연구에서는 별도로 소개하지 않는다.
Table 2.
Application of tunnel design automation technology
3.1 Generative Design 기반 최적 선형 탐색
3.1.1 Generative Design 최적화
GD (Generative Design)이란 다양한 설계 탐색(design exploration) 방법론 중의 하나로서, 설계 형상(geometry)을 매개변수화하고 이를 변화시켜 새로운 설계안들을 생성하고 평가하는 방법(Kang et al., 2019)이다. GD를 이용한 최적화 기법은 일반적인 최적화 기법(traditional optimization)과 차이를 보인다(Savage et al., 2018). 일반적인 최적화 기술은 최초의 설계안(initial design)에서 조건을 분석하고 다듬는 개념을 기반으로 하기 때문에 최초 설계안에서 이미 매개변수화가 가능한 무수한 경우의 수를 배제한다. GD 기법의 경우 설계목표에 부합하는 경우라면 개수의 제한 없이 매개변수를 확률변수로 변화시켜 설계안을 도출하고, 설계자는 제약조건의 가중치를 고려하여 목적함수(objective function)의 최적해를 설계안으로 결정하는 과정을 통해 사각지대가 없는 범위에서 최적 결과를 선택할 수 있다. 이러한 GD 기법의 장점에 주목하여 최근 건축설계 분야에서는 그 수요가 증가하고 있으며 AI 기반의 설계 자동화 방식을 도입한 선행 연구를 비교한 결과 GD 기법이 창의적인 부분에서 가장 앞선 것으로 나타났다(Lee et al., 2023b).
남해 서면-여수 신덕 국도 건설공사와 같이 시·종점부 좌표가 고정되고 평면의 곡선반경과 종단경사를 변경할 수 있는 경우로 비교해보면 Fig. 4와 같은 결과가 나온다. 일반적인 최적화 기법에서 최초 설계를 1안과 같이 설정했다면 평면선형 상에 선형을 최적화하기 위해서는 IP점을 이동시켜 곡선반경을 최초 설계보다 증가시킬 수 있다. 최초 설계를 2안으로 설정했다면 평면선형 상에서 선형을 최적화할 조건이 극히 제한되므로 종단면에서 선형을 최적화해야 한다. 그러나 GD 기법을 이용해서 최적화를 하는 경우 선형과 관련한 경우의 수 검토를 위한 사각지대가 발생하지 않음으로써 일반적인 최적화 문제에서 국소최적해(local optimal solution)로 수렴하는 오류를 제거할 수 있다.
3.1.2 GD 기반 최적 선형 판단
남해 서면-여수 신덕 건설공사의 선형 최적화는 Autodesk사의 Revit에 포함된 Dynamo 프로그램을 활용하여 Civil3D로 출력 데이터를 생성하였다. GD 기법의 문제를 정의하기 위한 방법론으로 임의 변경 금지사항인 시·종점부 좌표와 IP점을 입력값의 경계조건들(boundary conditions)으로 지정하고 본선 터널의 IP점의 범위를 Fig. 5와 같이 설정하였다. 선형의 기하 조건, 해저 구간의 최소 안전토피고, 지장물 저촉을 배제, 해저 구간 연장을 설계목표로 설정하였다. 또한 GD의 빠른 계산을 위해 출력값의 시각부는 Fig. 6과 같이 단순화하였다.
설계자가 설정한 조건 하에서 약 만 여개 이상의 선형을 도출가능함을 확인하였고, 도출된 선형에서 사업특성에 맞는 설계조건에 가중치를 부여하여 Table 3의 조건과 같이 정량적 평가를 수행하였다. Fig. 7과 같이 선형별 출력 데이터와 확률변수값을 확인하고 조건에 부합하는 선형 탐색을 위해 Dynamo내의 필터링 기능을 사용하여 최적 선형을 도출하였다. 본 사업은 해저터널로서 공사 또는 운영 중 붕락방지가 최우선 고려사항이다. 따라서 터널 진·출입부의 종단경사의 기하조건을 만족하는 선형 중 해저 구간의 터널 굴착 시 원지반 아칭효과 발현을 위해 노르웨이 경험식의(Shin et al., 2007, 2009) 최소 안전토피고 확보를 최우선으로 하였다. 추가로 지장물 저촉을 배제하고 해저터널 이용자의 주행 중 불안감 해소와 비상시 대피 등을 고려하여 해저구간의 최단거리 여부를 고려하였고, 기본계획 이상의 곡선반경을 확보하여 주행안정성을 개선하도록 하였다. 이러한 조건으로 인해 시·종점부를 직선으로 통과하는 노선의 경우 상대적으로 안전토피고 확보가 어렵고 해저터널의 연장이 최대가 되기 때문에 평면선형 상의 최대 곡선반경 확보에도 불구하고 배제되었다. 이렇게 수렴된 최적 터널의 초기 양상은 Fig. 8과 같다.
Table 3.
Quantitative evaluation of generative alignments
기존의 방법으로서, 전문가의 경험기반 설계 시에는 종평면을 2D로 각각 작도하고 토피고 만족 여부 등을 일일이 수작업을 확인해야 하는 번거로움 때문에 한 개의 선형을 도출해서 조건충족여부까지 검토하는 기간이 하루 이상의 시간이 필요한 점, 모든 케이스를 검토할 시간이 없기 때문에 가장 타당하게 보이는 선형을 중심으로 작도하고 역으로 조건을 충족하는지 여부를 확인하는 설계 절차는 지금까지 일반적이었다. 그러나 GD 기법을 이용한 최적 선형 설계 자동화 기술을 통해 설계자가 구성한 설계조건을 만족하는 남해 서면-여수 신덕 국도 건설공사의 본선 터널 선형을 12,280개 생성하였으며, 연산시간은 약 36시간이 소요되었다. 현황을 분석해서 도출 가능한 선형을 기계적으로 그려내고 검토하는 데 소요되는 연산시간을 선형 1개당 약 30분이라고 가정하면 12,280개의 선형을 쉬지 않고 도출하는 데에는 6,140시간이 소요된다. 12,280개의 선형을 도출하는 데 소요되는 시간을 비교하면 선형 설계 자동화를 통해 약 99.41%의 생산성을 향상한 것을 확인할 수 있다.
3.2 AI분석 3D Geo Modeling
3.2.1 지반 속성을 포함한 3D Geo model의 필요성
NATM (New Austrian Tunnelling Method) 공법의 특성상 암반등급이 우수한(단단한) 암을 통과할수록 보강 공사의 공기나 비용이 단축된다. 따라서 GD 기법으로 도출된 터널 선형이 얼마나 경제적이고 안전한지 판단하기 위해서는 GD로 생성된 선형 주변의 암반조건 확인이 필수적이다. 그러나 150일 정도의 설계 기간 동안 정확한 암반조건 확인을 위해 시추할 수 있는 시간은 매우 제한적이다. 일반적으로 암반등급은 암반 전문가가 시추코어 상태를 육안으로 확인하고 실내시험치를 근거로 판정하기 때문에 현황상 시추가 불가한 구간 등 암반조건에 대한 불확실성이 높아질수록 암강도를 보수적으로 판정한다. 보수적인 암판정은 과도한 보강설계로 이어지고 공정이나 비용의 낭비를 초래하기 때문에 정확한 암반강도 등의 속성정보를 가진 넓은 범위의 3D Geo model이 필요하였다.
3.2.2 AI 분석을 통한 지반강도추정 배경이론
AI분석을 통한 지반강도 추정은 실내시험 결과와 물리탐사결과의 상관성을 이용하여 미시추 구간을 추정하는 기존 전통적 방식의 한계를 극복하기 위해 Fig. 9와 같이 시추코어의 이미지를 이용한 딥러닝 기법을 통해 암반강도를 평가하고, 미시추 구간은 지구통계기법(Geostatics)을 적용하여 지반 강도의 3차원 분포 특성을 평가하는 것을 목적으로 한다. 이와 관련하여 시추코어의 이미지 딥러닝을 이용한 시멘트로 보강된 지반의 압축파 속도 추정(Kim et al., 2023), 암석 일축압축강도 추정(Lee et al., 2022), 막장면 이미지 딥러닝을 이용한 암반 특성화 방안(Kim et al., 2021), 터널 막장면 일축압축강도 추청(Kim, 2021) 등 자세한 연구가 수행되었으며 그 신뢰성이 입증되었다. 본 사업에서는 이미 개발 된 디지털 이미지 기반 암반평점값 산출 방법 및 장치 등의 특허기술(Korea Maritime University Industry-Academic Cooperation Foundation, 2023)을 활용하여 지반강도 추정이 가능한 3D Geo Model을 구축하였다. 또한, 시추공의 깊이별 일축압축강도를 추정하기 위해 최신 합성곱신경망(Convolutional Neural Network, CNN) 기반 딥러닝 알고리즘을 이용하여 암석의 강도와 암석의 디지털 이미지 DB를 학습데이터로 활용하여 전체 프로젝트 구간의 암석강도의 3차원 분포를 분석하였다. CNN은 심층신경망의 한 종류로서 시각적 영상의 이미지를 활용하여 이미지 내의 특성을 추출하는 딥러닝 기법으로서, 이미지 증강기법을 이용하여 한정된 학습데이터를 비약적으로 증폭시켜 실제 암강도 측정 결과와 딥러닝을 통해 예측된 강도의 신뢰성을 높였다.
3.2.3 시추공 이미지와 UCS 데이터를 이용한 학습
남해 서면-여수 신덕 국도 건설공사의 경우 노선 검토를 위해 시·종점부의 육상구간은 선형에 따라 시추 조사를 46공 수행하고 해상구간의 경우 시추공 위치를 격자형으로 배치하여 26공을 수행하여 총 72공의 시추조사를 수행하였다. 이중 해상구간 전체와 육상구간에서 일부를 선별하여 총 41개의 시추공으로부터 회수된 암석 코어 시편에 대한 실내시험결과(일축압축강도)와 딥러닝 학습을 위해 기존 국내 암석 시험결과 중 본 사업 지역과 유사한 화성암 계열의 암석 시험결과를 추출하여 추가 학습데이터를 생성하였다. 강도를 추정하기 위해서는 시추코어 박스 이미지로부터 무결암 구간의 암석 이미지를 추출하게 되는데, 이 과정에서 발생하는 이미지상의 음영 부분은 추론 성능에 영향을 줄 수 있기 때문에 Fig. 10에서 보는 바와 같이 이미지 음영의 평활화 과정을 통해 지나치게 어두운 부분과 밝은 부분의 음영을 조정하는 과정을 거쳤다.
실제 암석강도 측정결과와 딥러닝을 통해 예측된 강도의 상관관계는 Fig. 11과 같이 높은 상관성(R2=0.90)을 확인하였으며, 이를 기초로 하여 나머지 시추코어 영역에서의 일축압축강도를 추정하였다. Fig. 12는 41개의 시추공에서 추출된 암석코어 이미지에 대한 일축압축강도 추정치를 심도별로 도시한 결과로 나머지 시추공 데이터의 표현은 생략하였다.
3.2.4 시추공 암석강도 추정 결과
앞 절에서 분석된 딥러닝 학습을 통해 추정된 시추공별 UCS (Uniaxial Compressive Strength) 분포 값과 RMR (Rock Mass Rating) 분포 값을 이용하여 남해 서면-여수 신덕 국도 건설공사 전체 구간에 대한 UCS 및 RMR 분포양상을 평가하기 위해, 수집된 자료로부터 미지 구간의 값을 예측하기 위한 역거리 가중치법(Inverse Distance Weighting Method, IDWM)을 적용하였다. 지구통계적으로 추정된 UCS와 RMR에 대해 렌더링을 실시한 결과는 Fig. 13과 같다. GD기법을 활용한 최적 선형을 렌더링된 3D Geo Model을 이용하여 분석한 결과 3등급 이상의 암질을 통과하는 구간이 전체 터널 노선의 약 98%임을 확인하였다. 터널구간을 따라 분포하는 UCS 및 RMR 변화 추이는 Fig. 14에 도시하였다.
전문가에 의한 시추공 분류시 평균 3종의 지반으로 분류하는 반면, AI 기반의 시추공 분류시 시추공별 평균 30종의 지반으로 분류하여 정밀도 및 세밀함의 측면에서 AI 기반의 시추공 분류가 약 10배정도 높은 것을 알 수 있었다. 또한 3D Geo Model의 경우 추후 물리탐사나 시공 중 막장면 암판정 등을 통해 지반분류 데이터가 점차 누적되면서 정확도가 증가함과 동시에 건설 전 과정(설계, 시공, 유지관리 단계)에서의 연속적인 데이터 활용을 기대할 수 있다.
3.3 BIM기반 3D 발파설계 자동화
3.3.1 발파진동추정식
NATM공법에서 지반조건에 따라 지보패턴이 정해지고 나면 발파설계를 수행하게 되는데, 이는 터널 공사의 공기와 공사비에 가장 큰 영향을 미친다. 발파 시공 중에는 필연적으로 수반되는 소음, 진동, 분진 등 환경피해 요인이 발생하는데 이 중 진동은 대표적인 환경피해 요인으로 꼽을 수 있다. 특히, 지속적인 진동은 인접 지역 건축물의 구조적 안정성에 영향을 주고 축사 및 어업권과 같이 진동에 예민한 생활 및 생산시설에 큰 영향을 미칠 수 있어 종종 심각한 분쟁이나 사회적 갈등을 유발하기도 한다. 이러한 문제로 발파진동의 전파특성을 수치적으로 해석하기 위해 발파지점과의 이격거리에 따른 진동 속도의 상관관계를 분석한 연구가 다수 수행되었다(Kim et al., 2017, Lee et al., 2017, Song et al., 2021). 일반적으로 발파진동을 예측할 수 있는 발파진동추정식은 식 (1)과 같다,
위 식 (1)에서 V는 지반의 최대진동속도(peak particle velocity, cm/sec=kine), K는 발파진동상수, n은 감쇠지수, W는 지발당 장약량(kg), D는 발파지점과 측정지점과의 거리(cm)이다. 여기서 K와 n은 발파 영향을 나타내는 값으로 지질조건, 발파방법, 화약 종류 등에 따라 상이하다. 미 광무국(U.S Department of Interior, Bureau of Mines, USBM) 고시 제656호(Nicholls et al., 1971)에서는 10여 년 간 채석장을 중심으로 발파진동에 관해 축적된 연구 결과를 분석하여 식 (2)를 제안하였으며, 본 식은 국내에서 신뢰도 75%의 식으로서 발파 설계에 다수의 적용 실적이 있다. 국토교통부에서는 국내 지반 특성을 반영하여 신뢰도 향상을 위해 ‘도로공사 노천발파 설계·시공 지침’에 신뢰도 84%의 식 (3)을 수록하였다. 결국 발파진동추정식은 거리와 지발당 최대 장약량에 대한 함수로 표현할 수 있어 산출 해의 목적에 따라 Fig. 15와 같이 목적함수를 변경할 수 있다.
3.3.2 Dynamo를 통한 발파설계 시각화
앞서 GD 기법으로 도출된 선형과 3D Geo Model에는 3차원의 선형 데이터와 지반특성 데이터가 포함되어 있으며, 이를 통해 지보패턴을 선형에 따라 배열할 수 있다. 또한 보안물건의 경우 ‘국토지리정보원, 국가공간정보포털’ 등을 통해 건물의 용도별 속성정보가 포함된 GIS 데이터를 활용하고 추가적인 현장조사를 통해 3차원의 물건정보를 구성할 수 있다. 이를 3D상에서 시각화 하면 Fig. 16과 같이 구성할 수 있다. 3D 상에서는 발파지점별 모든 보안물건에 대해서 검토가 가능하기 때문에 지배보안물건을 일부 선별하여 최적 장약량을 검토하는 기존 설계방법이 가지는 불확실성을 제거할 수 있다. 또한, 발파지점별 지배보안물건과 발파영향구를 직접 확인할 수 있고 지배보안물건에는 물건의 용도, 허용진동속도, 주소 등의 속성정보가 입력되어 있어 3D 공간에서의 위치와 함께 동시에 확인 가능하므로 시공 중 민원 관리 등에도 활용할 수 있다.
3.3.3 지배보안물건 선정
3.3.2절에서 언급했듯이 BIM기반 3D 발파설계 자동화에서는 임의의 발파지점에서 노선상의 모든 보안물건을 한번에 검토하여 지배보안물건을 결정할 수 있지만, 시공 중 소음·진동 관리를 효과적으로 수행하기 위해서는 작업 위치에 따라 언제 지배보안물건이 바뀌는지를 정확히 알아야 한다. 임의의 발파지점 간의 간격을 작게 할수록 발파설계의 정밀도는 상승하고 그에 따라 지배보안물건의 변경 포인트를 찾을 수 도 있으나, 본 연구에서는 Dynamo의 외적 레이싱과 구(sphere)의 방정식을 이용하여 지배보안물건의 변경지점을 도출하였다. 이는 연산 속도 향상을 위해 임의의 발파지점간 간격을 조절할 경우 신뢰성 검토 측면에서 활용 가능하다.
Fig. 17과 같이 비교하는 두 개의 보안물건의 허용진동속도가 같고, 보안물건간의 거리를 L이라고 한다면 Table 4와 같이 Dynamo list 상에서 표현 가능하다. 즉, 비교하는 보안물건의 허용진동속도(V)가 같은 경우 최적장약량(W)이 같은 지점은 발파지점과 보안물건과의 거리(D)가 같은 지점으로 2개의 보안물건 연결선(L)의 2분의 1지점에서 연결선과 수직인 접평면(tangent plane)과 선형이 만나는 점이 지배보안물건의 변경 점이 된다.
Table 4.
Construction of a Dynamo list for determining critical security facility change points
두 개의 보안물건의 허용진동속도가 다른 경우에는 구의 특성을 활용하여 보안물건의 변경지점을 구할 수 있다. Fig. 18과 같이 보안물건이 변경되는 선형상의 임의 지점에서 보안물건 A, B 점까지의 거리를 각각 DA, DB라고 하고 , DA : DB = n : m 으로 표현 한다면, 보안물건의 두 점을 n : m 의 비로 나누는 모든 점의 집합은 구이다. 따라서, 이와 같은 구와 선형이 접하는 지점이 바로 지배보안물건의 변경 점이 된다.
3.3.4 본 사업 적용 결과
남해 서면-여수 신덕 국도 건설공사의 기본설계에서는 시험발파를 통해 발파진동추정식을 결정하였으며, 제어발파를 통한 진동속도 저감율을 고려하기 위해 발파패턴별 저감율을 Table 5와 같이 고려하였다. 또한, 환경부, 한국도로공사 등의 방침과 유사한 설계 및 시공사례 분석을 통해 본 사업의 발파공해 허용기준 적용 안을 Table 6과 같이 선정하였다.
Table 5.
Reduction rate of particle velocity according to blasting patterns
Table 6.
Blasting pollution tolerance criteria of Namhae Seomyeon – Yeosu Shindeok national highway construction
앞서 소개한 이론을 바탕으로 Revit S/W에 있는 Dynamo를 활용하여 로직을 작성하여 최적 발파패턴을 연산한 결과는 Fig. 19와 같다. 발파영향원의 분포상태를 보면 시·종점부에는 민가와 어업권 등으로 인해 상대적으로 정밀한 제어발파를 수행하여야 하므로 발파영향원이 해상에 비해 작은 것을 직관적으로 알 수 있다. 또한 최적화된 발파영향원과 보안물건의 최외각선이 서로 간섭되지 않는 조건에서 발파설계 값이 도출되었음을 확인하였다. 이렇게 가시화된 선형, 보안물건, 발파영향원, 발파지점과 지배보안물건의 연결선 등은 Revit 상에서 각각의 객체로 존재하기 때문에 설계자가 원하는 질감이나 색상 표현을 통해 보다 더 현실적인 표현이 가능하다. 또한 선형 상의 지배보안물건이 바뀌는 지점과 그 인근점에서도 발파설계 값을 도출하도록 하여 Fig. 20에서처럼 정확한 지배보안물건의 변경 지점과 보안물건 자체의 속성정보 또한 확인 가능하다.
BIM기반의 3D발파설계 기법을 남해 서면-여수 신덕 건설공사의 기본설계에 적용한 결과를 정리하면, 발파설계 전문가 2인이 약 250건의 보안물건을 임의로 선정하고 최단거리를 산출하여 일일이 연산하는 데 약 5일이 소요되던 기존의 설계방법과 비교하여 터널 발파로 인해 영향을 받을 수 있는 모든 보안물건의 영향을 반영하여 최적 장약량을 도출하는 연산시간은 약 5분(기존 대비 1/2,880 수준)이 소요되었다. 기존 설계방법이 갖는 보안물건의 임의선정에 따른 불확실성, 노선변경 시 과도한 반복작업 소요를 모두 해결할 수 있다는 설계적인 이익 뿐만 아니라 국가공간정보포털과 같은 개방된 DB를 설계에서 연계 활용하는 실제 사례를 제시했다는 성과까지 달성할 수 있었다.
4. 결 론
국토교통부에서 건설산업 생산성 향상을 위한 설계단계 스마트 건설기술 적용 방안으로 설계, 시공, 유지관리까지 이르는 건설산업 전 단계를 융합한 BIM 기반의 설계 최적화와 자동화를 제시하고 있다. 남해 서면-여수 신덕 국도 건설공사에서 수행한 3D 공간정보를 활용한 터널 설계 자동화 기술은 정부가 지향하는 방향의 구체적 사례가 될 수 있을 것이다. 본 사업에서 터널 설계 자동화 기술을 적용한 결과는 다음과 같다.
GD 기반 최적 선형 탐색을 통해 주어진 조건 안에서 가능한 모든 선형을 자동 도출하고 설계자가 정량 평가를 수행하여 설계의도에 가장 적합한 선형을 선택할 수 있음을 확인하였다. 이는 일반적인 최적화 시 국소최적해에 빠질 오류 가능성을 배제하고 36시간만에 12,880개의 선형을 도출했다는 점에서 설계 생산성의 혁신적인 향상을 증명하였다.
AI분석 3D Geo Modeling에서는 해당 사업의 시추코어와 국내 암석시험결과를 이용한 딥러닝으로 GD 기반 선형 도출범위의 지반조건을 예측 및 분석하였다. 딥러닝을 통해 예측된 강도와 실제 시험치의 상관관계는 R2=0.90으로 높은 신뢰성을 보였다. 최적 노선 통과구간의 암반강도를 분석한 결과, 3등급 이상의 암질을 통과하는 구간이 98%의 비율을 차지함으로서 NATM공법의 타당성을 확인하였다. 또한 AI 분석을 통한 시추코어 분석은 시추공별 약 30종의 지반을 분류하였고 시공 중 추가 지반조사나 막장면 암판정 등의 데이터를 점차 누적하여 그 신뢰도는 점차 증가할 것으로 판단된다.
BIM 기반 3D 발파설계 자동화의 경우 일부 보안물건 중심 발파설계를 전체계로 추정하여 적용하는 기존 발파설계와 비교하여 발파지점별 사업 내 모든 보안물건을 검토하여 최적 장약량을 도출한다는 점에서 설계 정확성에서 큰 차이를 보인다. 설계결과를 3D 공간에서 구의 크기나 색깔, 지배물건과의 연결선 등을 활용하여 시각적으로 표현함으로써 보다 직관적인 이해를 돕기 때문에 발파 시공 중 다양한 형태로 활용이 가능하다. 설계 초기에 사업지의 현황조건을 알고리즘화 하고 난 후에는 선형이나 지반조건이 바뀌더라도 새로운 발파설계를 5분 정도의 연산 소요시간 만에 정확하게 해 낼 수 있게 되었다는 점에서 기존 설계 대비 큰 경쟁력이 있다고 판단된다.
앞서 수행된 GD 기반 최적 선형 탐색, AI분석 3D Geo Modeling, BIM기반 3D 발파설계 자동화는 남해 서면-여수 신덕 국도 건설공사의 터널 설계 시 3D Data를 활용하여 단계별 터널 설계를 융합한 사례로 소개할 수 있으며, 추후 지보패턴의 선정 로직을 추가한다면 터널 설계 전 과정을 자동화하여 스마트 건설기술 로드맵에서 제시하고 있는 설계단계의 최종 목표인 AI 기반 BIM 설계 최적화 및 자동화의 핵심 기능으로 역할을 할 수 있을 것이다.
