1. 서 론

현재 국내에서는 다수의 장대교량이 건설되어 운용되고 있다. 이러한 장대교량은 낮은 고유진동수와 감쇠비를 가지는 초유연구조물로 진동사용성 문제에 취약하다. 실제 다양한 케이블 교량에서 버페팅, 와류진동(Vortex-induced vibration)과 같은 예기치 못한 진동이 여러 차례 보고되었다(Fujino et al., 2002; Hwang et al., 2019; Kim et al., 2017; Larsen et al., 2000; Li et al., 2011). 유해진동으로 인해 발생하는 진동사용성 문제는 교량의 피로 문제를 유발할 수 있고 사용자에게는 불쾌감을 초래하기 때문에 적절한 관리가 필요하다.

현재 국내의 <케이블강교량설계지침>에 따르면 단순 풍속의 평균치 혹은 진폭의 임계값을 기준으로 장대교량의 유해진동 발생 여부를 평가한다(Korea Road Association, 2014). 예를 들어 10분 간의 평균 풍속 25m/s 이하일 경우 바람에 의한 차로의 수평 및 수직 최대 가속도는 0.5m/s²를 넘지 않아야 한다. 이러한 기준을 바탕으로 케이블 교량에 설치된 구조물 건전도 모니터링(Structural Health Monitoring: SHM) 시스템을 통해 계측한 동적 응답과 풍속의 통계 데이터를 이용하여 구조물의 진동사용성을 관리한다. 그러나 이와 같이 단순 통계값을 기반으로 하는 이러한 평가 기준들은 시간의 흐름에 따른 진동의 복잡성과 하중의 종류에 따른 진동의 특성을 고려하기 어렵다는 한계를 가진다.

이러한 유해진동을 보다 정교하게 식별하기 위해 최근에는 머신러닝, 딥러닝을 이용한 연구가 많이 진행되고 있다. Li 등(2018)은 Decision Tree를 이용하여 교량에서 발생하는 각 VIV 모드를 분류하고 Support Vector Machine(SVM)을 이용하여 이전 시점의 응답을 입력 값으로 현재 시점의 VIV 발생 여부를 예측하는 연구를 수행하였다. 한편 Li 등(2021)은 Recursive Neural Network(RNN)을 이용하여 초기 조건이 주어진 VIV 변위의 진폭 이력을 예측하는 연구를 수행하였다. 최근 Kim 등(2023)은 Bidirectional Long-Short-Term Memory(Bi-LSTM)을 이용하여 일정 시간의 통계 데이터가 아닌 시계열의 데이터 포인트 단위로 VIV 발생 여부를 판단하는 연구를 수행하였다. 그러나 이러한 방법론들은 기본적으로 교량의 SHM 시스템으로부터 얻은 실제로 계측된 데이터의 통계값을 기반으로 하여 국부적인 VIV이나 유해진동이 무시된다. 또한 정상상태 대비 유해진동에 해당하는 케이스의 데이터가 부족하다는 어려움 역시 존재한다. 무엇보다 실측 데이터들에 딥러닝 기반 신호분할 모델을 적용하기 위해서는 데이터 포인트 단위의 까다로운 라벨링 절차가 필수적으로 요구된다.

따라서 본 연구에서는 기존 지도학습 기반의 방법론에서 요구하는 라벨링 절차와 유해진동 케이스 수집을 생략하고도 유의미한 정확도를 확보하기 위하여 데이터 합성 기법을 활용한 비지도학습 기반의 실시간 VIV 탐지 모델을 제안한다. 대상 교량의 동적 특성을 반영한 유해진동 신호를 임의로 합성한 뒤 합성 데이터에 Fourier Synchrosqueezed Transform(FSST)를 적용하여 시간-주파수 정보를 추출, Bi-LSTM 모델의 입력값으로 사용하여 실시간으로 유해진동의 발생 여부를 확인하는 모델을 학습한다. 이후 합성한 VIV 훈련데이터만으로 학습된 모델과 숙련된 연구자가 라벨링한 실제 훈련 데이터로 학습된 지도학습 모델과 성능을 비교하여 합성 데이터가 실제 데이터를 대체할 수 있는지를 검토하였다. 최종적으로 실제 VIV과 일반적인 진동이 동시에 발생한 복잡한 조건의 데이터에 적용한 결과를 통해 실무 적용성을 검토하였다.

2. 방법론

이 장에서는 본 연구에서 사용한 방법론에 대해 소개한다. 먼저 VIV 훈련데이터 합성 방법에 대해 소개한 후, 딥러닝 모델로 사용한 Bi-LSTM의 구성 및 입력값 추출에 사용된 FSST에 대해 간단히 소개한다.

2.1 합성 VIV 생성

VIV은 유동 흐름에 따라 구조물의 후류에서 발생하는 와류 방출 주파수와 구조물의 고유 진동수가 일치할 때 발생하는 공진 현상으로(Lee et al., 2016), 일반적으로 단일모드 사인파의 시간-주파수 특성을 보인다. 그에 따라 본 연구에서는 대상 교량의 고유진동수를 가지는 사인파를 생성하고 이를 합성 VIV 신호로 활용하였다. 이때 환경적 요인에 의한 구조물 고유진동수의 변화를 고려하기 위하여 최초 설정한 목표 주파수의 95%~105% 범위의 주파수를 이용하여 사인파를 생성하였으며, 시간에 따른 와류진동 진폭의 변화를 고려하기 위한 포락선을 곱하는 방법으로 합성 VIV 데이터를 생성하였다.

구체적인 VIV 합성 과정을 Fig. 1에 간략하게 나타내었다. 먼저 실측 데이터 중 진동이 거의 발생하지 않은 새벽 시간대의 데이터를 선별하여 이를 VIV를 합성할 배경데이터로 사용하였다. 이를 통해 차량에 의한 진동 영역과 합성 VIV 영역이 섞이지 않도록 하여 시간-주파수 영역의 특징을 학습하는 Bi- LSTM 모델의 학습 효율성을 높였다. 이후 해당 배경데이터 중 임의의 두 지점(t1,t2)을 각각 VIV가 발생하는 시작점과 종료점으로 선택하고, 해당 영역에 반주기 사인파를 포락선으로 가지는 사인파를 중첩한다. 이때 Fig. 1(b)에 나타낸 바와 같이 합성된 시간대인 t1부터 t2까지의 모든 영역을 전부 VIV로 라벨링하지 않고, 시점과 종점 부분에 대하여 사용자가 지정한 특정 비율 (pneg) 만큼을 제외한 나머지 부분만을 VIV로 라벨링하여 낮은 진폭의 자유진동을 와류진동으로 오탐지하는 현상을 방지하였다. 나머지 시간대에는 자동적으로 비와류진동(Non-VIV) 라벨을 부여한다.

Fig. 1.

The schematic diagram of synthesizing a VIV response

2.2 Fourier Synchrosqueezed Transform (FSST)

VIV의 주파수 특성을 효과적으로 학습하기 위하여 시간-주파수 분석 기법 중 하나인 FSST를 사용하여 가속도 신호로부터 시간-주파수 정보를 추출하였다. 시간-주파수 분석에 주로 활용되는 Short Time Fourier Transform(STFT)나 Wavelet Transform의 경우 시간창이나 Wavelet 선택에 따라 시간-주파수 분해능에 제한이 발생하는 반면, FSST는 시간창의 크기에 관계없이 원시 데이터와 동일한 시간 분해능을 유지할 수 있다는 장점을 지닌다. 또한 FSST는 재할당(reassignment) 방법론을 통하여 능선(ridge) 주변의 에너지를 선명하게 표현함으로써 시간-주파수 정보의 가독성(readability)을 높여준다(Meignen et al., 2019). 이러한 방식을 통해 FSST는 고밀도의 시간-주파수 정보를 추출하면서도 VIV와 Non-VIV 사이의 주파수별 에너지 차이를 보다 선명하게 표현할 수 있다. 따라서 본 연구에서는 FSST를 이용하여 진동 신호의 시간-주파수 정보를 추출하고 이를 딥러닝 모델의 입력값으로 활용하였다.

Fig. 2에 VIV와 Non-VIV에 대한 FSST 적용 결과를 비교하였다. 그림에서 확인할 수 있듯이 VIV의 경우 단일 모드에 에너지가 집중된 반면 Non-VIV에는 전체 주파수 범위에서 발생하며 고주파를 포함한다. 이는 FSST를 이용한 시간-주파수 특징 추출이 VIV와 Non-VIV를 분류하는 모델 학습에 있어 중요한 과정임을 의미한다.

Fig. 2.

The examples of FSST for Non-VIV and VIV

2.3 BI-LSTM (Bidirectional Long-Short-Term Model)

본 연구에서는 대표적인 시퀀스 분류/회귀 딥러닝 모델 중 하나인 Bi-LSTM을 사용하여 VIV 탐지를 수행하였다. LSTM은 입력값의 길이가 길어도 과거의 데이터를 적절히 학습할 수 있으며, Gradient가 더 잘 회귀된다는 장점을 지닌다. 또한 Bi-LSTM은 기존 LSTM에서 훈련을 반대 방향으로 한 번 더 진행함으로써 데이터의 전후 시점을 보다 효율적으로 학습할 수 있다.

Fig. 3에 본 연구에서 사용된 Bi-LSTM의 아키텍처를 도식화하였다. 합성된 가속도 신호에 FSST를 적용하여 시간에 따른 주파수의 특성을 추출한 뒤 입력계층의 입력값으로 사용한다. 입력계층을 통과하면 Bi-LSTM 계층에서 학습이 진행되고 완전 연결계층(Fully Connected Layer)과 소프트맥스 계층(SoftMax Layer)을 거쳐 각 데이터 포인트 별로 VIV, Non-VIV에 대한 확률을 결정한다. 최종적으로 분류 계층(Classification Layer)에서 확률이 높은 것을 각 데이터 포인트의 클래스로 지정한다. 학습에는 Adam(Adaptive Moment Estimation) optimizer, Epoch는 50, Hold out은 0.2, Minibatch size는 20 그리고 학습률(Learning rate)은 0.01을 사용하였다.

Fig. 3.

The model architecture

3. 데이터

3장에서는 본 연구에서 사용된 데이터를 소개한다. 본 논문에서 사용하는 약어의 정의는 다음과 같다.

∙Dreal: 선행 연구에서 사용한 매뉴얼 라벨 정보가 포함된 실측 데이터셋(Kim et al., 2023)

∙Dsyn: 본 연구의 제안 방법으로 생성한 합성데이터

∙Mreal: Dreal으로 학습한 와류진동 식별 모델(Kim et al., 2023)

∙Msyn: Dsyn으로 학습한 와류진동 모델

∙pneg: 합성 VIV 데이터 중 VIV 라벨이 부여되지 않은 비율(%)

3.1 대상 교량

연구 대상은 쌍둥이 사장교 중 하나인 제2진도대교이다. 대상교량에서는 과거 매우 큰 VIV가 관측되었고(Seo et al., 2013) 이후 질량동조감쇠기(Tuned Mass Damper: TMD)를 설치하여 유해진동 발생을 효과적으로 제어하고 있다(Kim et al., 2017). 그럼에도 불구하고 낮은 진폭의 VIV는 지속적으로 발생하고 있어 다른 교량에 비해 VIV 데이터를 획득하기 용이하다. 교량의 중앙에 설치된 가속도계와 풍향계로부터 계측된 진동/풍속 데이터를 활용하였으며, Weigh-In-Motion(WIM) 데이터를 통해 차량 통행 기록을 확보하였다.

3.2 선행 연구를 통한 비교군 확보

본 연구는 선행연구를 통해 확보한 라벨 데이터 및 딥러닝 기반 점별 멀티클래스 진동 분류 모델을 비교 / 검증군으로 활용한다(Kim et al., 2023). 선행 연구에서는 숙련된 연구자에 의해 수동으로 라벨을 부여한 실제 SHM 데이터 Dreal을 이용하여 VIV, TIV(Traffic-induced vibration), 그리고 진동이 없는 상태를 분류하는 3진 분류모델 Mreal을 개발하였다.

Fig. 4에 Mreal의 VIV 식별 성능을 나타내었다. Fig. 4(a)에서 원시 가속도 신호는 회색으로, Ground Truth는 빨간색 영역으로, 모델이 VIV로 식별한 영역은 파란색 실선으로 나타내었다. VIV의 시작 및 종료 부분에서의 국부적인 오류들을 제외하고는 매우 우수한 식별 성능을 보였다. Fig. 4(b)의 Confusion matrix에서 확인할 수 있듯이 F1-score 역시 94.55%로 매우 우수한 식별 성능을 보였다. 이를 본 연구와 같은 이진분류(VIV 및 Non-VIV) 모델로 고려할 경우의 F1-score는 98.24%이다.

Fig. 4.

Performance of Mreal

4. 결 과

4.1 M_syn을 이용한 모델 검증

합성 데이터로 훈련된 모델 Msyn의 합성데이터 에 대한 식별 성능을 확인하였다. Fig. 5(a)에 합성 데이터 원본을 회색으로 나타낸 뒤 Dsyn 중 VIV 라벨이 자동으로 부여된 영역을 빨간색 영역으로, 모델이 VIV로 식별한 영역은 파란색으로 나타내었다. 그림을 통해 확인할 수 있듯이 Msyn은 VIV와 Non- VIV의 영역을 완벽하게 식별하였다. Fig. 5(b)에 나타낸 전체 학습데이터에 대한 Confusion matrix 및 F1-score는 99.67%로 Msyn의 완벽한 식별 성능을 확인할 수 있다.

Fig. 5.

Performance of Msyn on Dsyn

다른 포락선에 대해서도 Msyn이 유사한 성능을 발휘할 수 있는지를 확인하기 위하여 Fig. 6(a)과 같이 스윕 주파수 코사인(Chirp)을 포락선으로 이용한 합성 VIV 데이터를 생성하고, 이에 대한 Msyn의 적용성을 검토하였다. 그 결과 Chirp 포락선을 이용한 합성 VIV 데이터에 대해서도 VIV를 잘 식별하였으며, Fig. 6(b)에 나타낸 바와 같이 F1-score 역시 95.52%로 매우 높은 식별 성능을 보였다. 이를 통해 합성 VIV 데이터 생성에 사용한 포락선과 다른 진폭 양상을 보인다 하더라도 학습된 모델은 VIV를 식별해 낼 수 있음을 확인하였다.

Fig. 6.

Performance of Msyn on Dsyn with different envelop function

4.2. VIV 자동 라벨링 최적화

합성 VIV 데이터 생성 및 자동 라벨링 과정 중 시작점과 종료점에서 VIV에 포함되지 않는 영역의 범위(pneg)를 1%에서 10%까지 바꿔가면서 총 10개의 데이터 셋을 구성한 뒤 모델을 학습하여 F1-score 값을 비교하였다. Fig. 7(a)에서 확인할 수 있듯이 pneg가 아주 낮을 경우, 즉 시작점과 종료점 부근의 매우 낮은 진폭 데이터까지 전부 VIV로 라벨링 한 경우에는 VIV가 아닌 낮은 진폭의 신호조차도 VIV로 오탐지 하였다. 반면 Fig. 7(b)과 같이 pneg가 지나치게 높을 경우에는 어느 정도 유의미한 VIV 케이스조차 Non-VIV로 라벨링하여 실제 발생한 VIV 중 진폭이 낮은 경우는 VIV로 탐지하지 못하는 것을 확인할 수 있다. P에 따른 F1-score를 Fig. 8에 나타내었으며, 가장 좋은 성능을 보이는 5%를 라벨링 파라미터로 사용하였다.

Fig. 7.

False positive of Msyn on Dreal

Fig. 8.

F1-score according to the different pneg

4.3. M_real을 이용한 현장 적용성 검토

최종적으로 pneg = 5%를 적용하여 학습된 모델을 실측 데이터 Dreal에 적용한 결과를 Fig. 9에 나타내었다. 앞서 작은 진폭의 Non-VIV 진동에 대한 오탐지가 해결되었으며, F1-score의 값 역시 91.6%에서 95.25%으로 개선되었다. 이는 이전 선행 연구에서 실제 계측 데이터를 사용하여 학습한 모델의 결과인 98.24%와 비교하였을 때에는 비교적 낮지만, 지도학습 모델 구축을 위한 데이터 확보 및 라벨링에 소요되는 시간을 고려하였을 때에는 충분히 유의미한 결과값을 도출하였다고 볼 수 있다.

Fig. 9.

Msyn on Dreal (pneg = 5%)

5. 결 론

본 연구에서는 합성데이터를 이용한 비지도학습 기반의 실시간 와류진동 식별 프레임워크를 제안하였다. 제안한 프레임워크는 주파수의 영역에서 와류진동(VIV)과 비와류진동(Non- VIV) 신호를 구분하고자 FSST를 사용하여 데크 진동 가속도의 시간-주파수 특징을 추출하였다. 또한 유해진동 케이스의 데이터를 자동으로 생성하고 라벨을 부여하기 위하여 사인파를 이용한 데이터 합성 기법을 제안하였다. 특정 주파수를 가지는 사인파에 포락선을 곱해 합성 VIV 신호를 만들고, 이를 진동이 거의 없는 실측 데이터의 임의의 시간대에 중첩하였다. 이때 저진폭 정현파에 대한 오탐지를 방지하기 위하여 시작점과 종료점에서 각각 5%를 제외한 부분만을 VIV로 라벨링하였다.

제안한 합성 데이터 기반 모델은 타당성을 검토하기 위해 선행 연구의 실측 데이터 기반 모델과 비교하였다. 제안한 모델은 데이터 수집과정이나 라벨링 과정이 없는 비지도학습 기반의 방법론임에도 불구하고 95.25%에 달하는 정확도로 VIV와 Non-VIV를 분류해 내었다. 이는 비지도학습의 특성을 고려하였을 때 기존 지도학습 모델의 98.24%과 비교하여도 준수한 결과이며, 제안된 VIV 데이터 합성 기법이 기존의 사용자의 주관적인 라벨링 과정과 데이터 수집에 따르는 한계를 극복하는데 효과적임을 확인할 수 있다. 추후 타 교량에 대한 적용성을 추가적으로 검증하여 일괄적인 임계값 기반의 현행 설계 기준을 개선하고 진동 사용성 관리를 고도화 하는데 기여하고자 한다.