Research Paper

Journal of the Computational Structural Engineering Institute of Korea. 30 April 2024. 77-84
https://doi.org/10.7734/COSEIK.2024.37.2.77

ABSTRACT


MAIN

  • 1. 서 론

  •   1.1 연구의 배경 및 목적

  • 2. 기술환경 분석

  •   2.1 현장 안전관리 현황 및 한계

  •   2.2 BIM 기술의 한계

  •   2.3 BuilderHub의 개발

  •   2.4 인공지능 기술의 현황 및 활용 가능성

  • 3. 안전관리 플랫폼 설계

  •   3.1 공종별 상세설계 BIM 모델

  •   3.2 상세설계 모델 기반 내역 및 공정표

  •   3.3 설계/자재/작업 객체 연계 안전관리 템플릿 설계

  •   3.4 선행 프로젝트 활용 빅데이터

  •   3.5 참여주체간 공유형 웹 기반 안전관리 플랫폼

  • 4. 안전관리 플랫폼 개발

  •   4.1 인공지능 학습을 위한 데이터 분석 프롬프트 생성

  •   4.2 건설공사 안전관리 종합정보망(CSI)

  •   4.3 BIM 모델 정보생성 프로세스

  •   4.4 BIM 모델과 안전사고 정보 병합

  • 5. 평 가

  •   5.1 기존 안전관리 정보 산출과 프로세스 비교

  • 6. 결론 및 시사점

1. 서 론

1.1 연구의 배경 및 목적

4차 산업혁명의 시대적 흐름 속에서 산업별로 디지털 전환(DT : Digital Transformation)이 가속화되고 있다. 건설산업도 현장에서 종이 도서를 취급하고 수기로 작업지시를 작성하는 등 고착화된 기존 업무방식을 쇄신하고자 디지털 프로세스를 도입하고 있다(Cao and Wang, 2021). 특히 건설산업은 다양한 공사 과정이 있고 많은 인력이 동시에 투입되는 특성이 있다. 따라서 한 번에 전 과정을 새로운 방식의 업무절차로 바꾸기에는 관행에 의해 정착된 작업 과정으로 인한 어려움이 발생한다. 또는 작업자 대상으로 작업 과정을 완전히 바꾸는 새로운 교육을 수행할 경우에도 기술 수용 측면에서 반발 작용이 거세지게 마련이다(Na et al., 2022). 따라서 건설현장은 점진적인 디지털 전환이 이루어지고 있으며, 다양한 시행착오를 거치고 있다(Sepasgozar et al., 2023).

건설현장 안전관리 분야도 이러한 흐름에 따라 점차 모든 데이터를 디지털화하고 전 과정을 자동화하고자 많은 연구와 다양한 시도를 하고 있다(Chen et al., 2022). 공기단축과 VE에 연구인력과 개발비용을 투입했던 과거에 비해 안전관리인력을 더 배치하고, 다양한 디지털 장비를 도입하여 사고 방지대책을 마련하고 있다(Lundberg et al., 2022).

하지만 현장안전관리의 노력과 중대재해 처벌 등에 관한 법률의 시행 이후에도 크고 작은 안전사고는 끊이지 않고 있다. 산업안전 재해자 수 중 건설업 종사자는 2022년 통계 874명 중 402명으로 매년 줄어들지 않고 있는 추세이다. 국토안전관리원의 건설공사 안전관리 사고사례 포털이 운용되고 있으나 사고정보의 전달에도 불구하고 해당 포털을 통해 건설사고예방은 이루어지지 않고 있으며 산업안전공단에 따르면 사고사망자는 건설업이 최다수준이다(Fig. 1).

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F1.jpg
Fig. 1.

Statistics on Types of Fatal Accidents in the Construction Industry in 2022

본 연구에서는 건설현장 안전관리 데이터의 디지털화를 통해 시설물의 안전과 근로자의 안전한 작업행위를 돕기 위해 플랫폼을 위한 알고리즘을 개발하고, 건설사고를 사전에 방지하기 위한 교육을 지시할 수 있는 빅데이터를 구축하였다.

2. 기술환경 분석

2.1 현장 안전관리 현황 및 한계

건설산업은 전 세계적으로 그 규모와 기술의 발전이 집약적으로 이루어지고 있으나, 이로 인해 작업 현장의 위험 요소도 다양화되고 있다. 최근 통계에 따르면 건설산업은 산업안전사고 중 여전히 가장 높은 비율을 차지하고 있으며, 이는 건설 현장의 안전관리 방안에 대해 개선의 여지가 있음을 시사한다.

현장 안전관리는 대체로 지금까지 사전예방도 중요하게 여겨 왔으나 사고의 유형 특성상 사고 후 조치로 관리되고 있다. 사전에 방지하기에는 워낙 다양한 요인이 작용하므로 예방보다는 대응에 중점을 두는 것이 비용적인 측면에서 유리하기 때문이다(Zhou et al., 2023). 또한 많은 건설 현장에서는 안전 교육프로그램이 교육 필요성에 의해 시행되는 것이 아니라 의무적으로 시행되는 경우가 대다수이며, 최신의 기술을 통합하지 못한 컨텐츠가 많다(Albert and Routh, 2021). 이런 경우에 작업자는 새로운 위험 요소나 당일 작업내용의 상황에 따른 긴급대처에 적절히 대응하지 못하는 경우가 빈번하다. 따라서 효과적인 위험 감지 및 통신 시스템 개발, 적절한 안전 장비 착용, 그리고 현장 내 다양한 작업 공정 사이의 현실적인 조정 등이 먼저 반영되어야 해당 사고가 현장 내에서 효과적으로 감소할 것으로 판단된다. 특히, 안전관리는 기존의 문서 기반 접근방식을 통해 안전 절차와 지침이 종이 문서에 의존하고 있으므로 실시간으로 업데이트하고 반영하기 어렵다. 사고 위험에 대한 정보전달의 지연이 초래되면 이로 인해 사고 위험성이 증가할 수 있다. 결론적으로 이를 극복하기 위한 안전 플랫폼을 개발하는 것이 해결책으로 제시되는 상황이다.

2.2 BIM 기술의 한계

현장 안전관리를 디지털화하기 위해서는 현장 상황을 실시간으로 반영한 BIM 모델이 필요하다. 그러나 아직도 현장에서 BIM을 활용한 작업지시는 예상보다 저조하게 이루어지고 있다. BIM이라는 용어가 학계에 등장한 지 이미 30여 년이 지났으나 아직 현업 적용이 힘들다. 이에 대해 원인을 찾고자 설문을 진행하기 위해 타 연구에서 정의한 BIM적용 방해요소를 정리하여 개방형 설문지를 작성하였다. 설문 대상 회사는 발주처의 요구에 의해 BIM 용역을 시행하는 회사이므로 BIM 도입에 대해 발주처의 의견 관련은 제외하고 실무적인 관점에서 BIM 도입에 대한 방해요소는 무엇이 있는지 질문하고, 요인 제거를 위한 방법에 대해 의견을 모았다.

2018년 4월 30일부터 5일간 BIM 엔지니어 112명 중 84명의 응답을 취합한 Table 1에 따르면 첫째로 현업에서는 2D CAD 기반으로 모든 발주가 이루어지고 있는 것이 BIM 도입의 가장 큰 방해요소로 거론되었으며, 두 번째로 BIM 모델이 정확하다고 하더라도 현장의 모든 상황을 실시간으로 BIM모델로 만드는 것에는 비용과 시간이 많이 드는 것을 추가적인 이유로 꼽고 있다. 또한 시공상세도면(shop-drawing)까지 커버하는 BIM 모델을 지속적으로 업데이트하며 관리하기 힘들다는 의견도 있었다.

Table 1.

Practical Barriers and Requirements for Flourishing BIM Adoption

Practical Barriers
(No. of comments)
Requirements on BIM
in Use
Most designs are delivered in 2D CAD (68) Convert existing 2D CAD models to 3D easily.
Even in the BIM design, there are a large amount of errors and
missing information, and as a result, the data integrity of the
BIM model is inferior (50)
Be able to implement BIM without errors and
missing information.
Poor usability of the built BIM model (42) Increase the BIM usability in practical uses
Property input is required to utilize BIM model, but it takes too
much time and resources to input property (33)
It should be easy to input the property of the
object after 3D conversion.
Even when designing using BIM tools, there are many
repetitive tasks (31)
Need a method to automate BIM design and
generate shop-drawings

건설현장의 안전관리를 사람이 수행하는 경우에는 문제가 생겼을 때의 관리방법, 혹은 시공 시에 접합부 철근 상세 시공방법까지 세세한 부분에 대해 어떻게 처리해야 하는지 알고 있으며 현장에 적용할 수 있다. 현장 전문가가 내리는 판단 알고리즘을 모사하여 BIM 모델을 생성할 때 해당 안전정보 맵핑 과정을 자동화할 수 있도록 프로세스를 구축해야 한다. 모델링 단계에서 엔지니어의 판단을 모사하여 반복작업 등을 자동화한 결과로 유의미한 데이터를 얻을 수 있다면 누구나 해당과정을 통해 현장을 관리하고자 할 것이다.

2.3 BuilderHub의 개발

이러한 상황을 해결해 줄 솔루션으로 본 연구진은 지난 연구에서 3D 상세설계모델러인 BuilderHub를 개발하였다(Joo et al., 2017). BuilderHub는 현장에서 필요한 철근상세설계 로직을 자동화하고 모델링 과정을 간소화하여 실시간으로 현장 상황이 반영될 수 있는 BIM 도구의 미래를 현실화하고자 개발하였다. 이와 같이 상용화할 수 있는 기술수준의 핵심요소 기술개발은 단 한 번의 과정으로 모두 개발되기는 어렵다. 본 연구진은 해당 솔루션을 개발하기 위해 다양한 기술수요 관계자의 피드백을 받아 지속적으로 기능을 개선하였다. 가장 처음 단계로 골조에 철근을 배치하는 과정부터 자동화하기 위해 이해관계자들과 함께 개발에 착수하였다. 철근배근 반복작업을 자동으로 수행하고 이음 및 정착부의 문제를 해결하는 등 다양한 의사결정을 몇 번의 클릭으로 해결하여 3D BIM이 자동으로 생성될 수 있도록 하였다. 또한, 모든 정보가 2D CAD로부터 시작되므로 현업에서 기술수용이 원활하게 가능하도록 2D CAD의 내용을 인식하여 3D BIM에 해당 내용이 전달되는 알고리즘을 개발하였다. 이렇게 하여 4주 정도의 배근 작업 분량을 6시간 이내로 줄일 수 있었다(Kim, 2023).그뿐 아니라 각 객체의 물량정보와 필요한 작업내역을 통해 공정표 생성을 자동화하고, 철근 및 거푸집 제작도 자동생성 기능을 추가하였다. 그 후에 현장의 다양한 공정을 반영하기 위해 거푸집, 토공 및 가설재, 건축마감 모듈까지 개발하여 현재는 BuilderHub라는 하나의 플랫폼으로 거듭나고 있다. 최근에는 해당 정보를 어디서든 접근할 수 있도록 웹 플랫폼을 개발하여 프로젝트에 연관된 다양한 이해관계자의 업무를 지원할 수 있는 기능을 추가하여 탑재하고 있다.

2.4 인공지능 기술의 현황 및 활용 가능성

기술적인 환경에는 인공지능 분야의 접목에 대한 언급도 빼놓을 수 없다. 현재 문서 생성을 위한 LLM(large-language model), 이미지 생성을 위한 인공지능, 코드를 생성하는 인공지능 등 다양한 분야에서 특화된 성능을 보이는 인공지능이 생겨나고 있다. 해당 분야의 발전이 점차 짧은 주기로 특이점을 생성하고 세대를 거듭하고 있기 때문에 앞으로 빠른 시일 내에 어떤 기술이 사장되고, 어떤 기술이 각광받을지 예측하기 힘들다(Dwivedi et al., 2023). 하지만 현재 시점에서 확실해진 것은 인공지능 기술의 도움을 받으면 사람이 반복하면서 수행해야 했던 작업을 단순화하여 도움을 받을 수 있다는 것이다. 인공지능을 통해 인간의 능력을 뛰어넘는 결과물을 내기에는 그 방향성이 정확하게 인간의 의도와 일치할 확률에 대해 확신하기 어렵다. 다만, 공학 분야에서 엔지니어의 판단하에 반복 작업을 획기적으로 줄여줄 수 있다면 한정적으로 AI를 도입하는 것은 뛰어난 결과를 가져올 수 있다. AI에게 인간이 의도한 방향에서 벗어나지 않는 확실한 능력을 요구하기 위해 프롬프트 엔지니어링(prompt engineering)이 최근 부상하고 있다.

프롬프트 엔지니어링은 인간이 언어모델 인공지능을 사용할 때, 원하는 특정 결과를 얻기 위해서 일정한 패턴으로 질문을 던지고 대답을 얻는 방식을 연구하는 분야이다. 인공지능으로부터 원하는 대답을 얻고 똑똑하게 이용하기 위해서는 질문자의 질문이 부정확하거나 불능의 대답을 요구하는 등의 패턴으로 예측불가능한 결과를 초래하는 경우를 피해야 한다. 또한 인공지능이 최근 고도화됨에 따라 허구의 잘못된 답변을 마치 실제 존재하는 것과 같이 답하는 경우가 존재한다. 이러한 효과를 할루시네이션(Hallucination)이라고 한다. AI의 부정확성과 가짜정보를 생성할 우려로 인해 모든 절차를 맡길 수 없다면 각 단계에서 짧은 과정으로 쪼개어서 AI가 충분히 확실한 판단을 할 수 있도록 엔지니어가 개입하는 것이 필요하다. 따라서 건설현장 안전관리 분야의 인공지능 도입과정에도 엔지니어의 역할을 돕는 인공지능을 개발하는 것이 현재 기술단계의 목표이다.

3. 안전관리 플랫폼 설계

3.1 공종별 상세설계 BIM 모델

건설 프로젝트는 골조, 마감, 설비 등 다양한 공종으로 구성된다. 각 공종별 특유의 위험 요소와 작업 조건이 있으며, 이에 대응하기 위해 상세한 BIM 모델이 필요하다. 따라서 앞서 개발한 BuilderHub의 정보를 이용하여 건설안전정보를 생성하고 안전 관리자가 실시간으로 위험 요소를 식별할 수 있도록 플랫폼을 구성해야 한다. 그 후에 적절한 후속 대응조치를 취할 수 있도록 기능을 개발하고자 한다. BuilderHub에서는 3D 형상에 물량정보와 연계된 4D, 작업 정보와 연계된 5D 모델을 제공할 수 있다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F2.jpg
Fig. 2.

Setting the procedure by experience-based big data

3.2 상세설계 모델 기반 내역 및 공정표

또한 상세모델을 기반으로 작성한 디지털 내역서는 프로젝트의 전반적인 비용을 정확하게 예측하고 관리하는 데 필수적이다. 산출된 내역서를 통해서 각 공정과 연계하여 공정표를 작성하는 기능까지 개발 내용에 포함하였다(Fig. 3). 잠재적인 지연요인을 사전에 식별하여 적절한 조치를 취할 수 있으며, 해당 과정에서 발생할 만한 안전관리 수칙을 당일 교육에 맞춰 작업자들에게 제공할 수 있게 된다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F3.jpg
Fig. 3.

Interconnection of safety informations in 3D BIM-based platform

3.3 설계/자재/작업 객체 연계 안전관리 템플릿 설계

안전관리 모듈은 안전한 작업자와 안전한 작업내역을 확보하는 것이 목표이다. 기존의 기술로는 안전관리 정보를 수동 생성하여 모델에 맵핑하는 기술이 있었으나(Shen, 2017) 현업에서는 BIM 모델도 준비되지 못하였고, 해당 정보도 매번 안전관리자의 입력에 의해 제공되어야 하므로 현실화되기 힘들었다. 또한 인가에 대한 기능도 현재는 다양한 건설회사의 PMIS(Project Management Information System)와 연계하여 관리되고 있지만, 해당 현장의 객체 형상정보와 공정정보, 그리고 사고발생 가능성에 대한 위험 등이 각각의 데이터로 묶여있지 않기 때문에 현장에 적용하기 힘든데다가 영세한 건설업체의 경우에는 해당 정보를 생성하는 것조차 쉽지 않다. 해당 문제를 해결하기 위해서 안전관리 플랫폼은 데이터 자동생성 및 서류작업을 BIM데이터를 기반으로 자동화하여 최종승인 상황에 대한 인가만 책임자를 통해 확인하는 기능을 탑재하여야 한다.

3.4 선행 프로젝트 활용 빅데이터

이렇게 수행되는 프로젝트가 쌓이면 현장상황에 대한 미가공 데이터(raw data)가 쌓이게 된다. 축적된 데이터는 Fig. 2의 과정1-②그림과 같이 정형화된 데이터와 비정형데이터로 나뉜다. 정형화된 데이터는 범주 내에 들어갈 수 있는 데이터를 뜻하며, 길이, 너비, 체적 등 수치화된 데이터나 몇 가지 선택사항으로 고를 수 있는 boolean 데이터를 예로 들 수 있다. 비정형 데이터는 줄 글로 된 string데이터나 상황에 따라 범주화할 수 없는 데이터를 의미한다. 이 두 가지가 합쳐져서 미가공된 빅데이터를 형성하면 프로젝트마다 특성을 분석할 수 있게 되며, 추후 안전사고를 예측할 때 엔지니어가 미처 발견하지 못한 확률을 계산해 낼 수 있다. 정형과 비정형으로 나눌 수 있는 것은 데이터뿐만 아니라 안전관리 업무에 대해서도 두 가지로 나눌 수 있다. 매일 수행하는 작업자대상 지시사항 전달회의(tool box meeting)에서 일상적인 사고예방을 위한 안전관리 교육 지침과 자주 요구되지 않는 비일상적인 작업에 대해 특별한 조치나 예방 교육이 필요한 경우를 전달할 수 있다. 플랫폼에서는 첫 번째인 일상적인 사고 예방을 위한 보고서 작성 및 지침 전달사항을 자동화하여 작성하거나, 혹은 두 번째 경우인 특수한 작업 및 장비를 이용한 공정에 대한 사고예방 교육내용을 자동으로 작성할 수 있도록 하여야 한다. 두 기능 모두 알고리즘 설계단계에서 고려하여 학습데이터를 구성하였다.

3.5 참여주체간 공유형 웹 기반 안전관리 플랫폼

이렇게 계획된 안전관리 플랫폼은 참여주체간 어디서든 스마트폰 단말기 등으로 프로젝트에 대한 사항을 공유할 수 있도록 웹 기반으로 작성되어야 한다. 모든 이해관계자가 소통할 수 있는 중앙집중식의 가상공간을 제공하면 의사결정 과정을 개선하고 프로젝트의 사고 위험성을 크게 줄일 수 있다.

4. 안전관리 플랫폼 개발

4.1 인공지능 학습을 위한 데이터 분석 프롬프트 생성

BIM 기반 안전관리 플랫폼에서 사고사례 예측을 위한 데이터베이스를 구축하기 위해 언어모델 인공지능을 도입하였다. 최근 각광받고 있는 OpenAI의 chatGPT는 BERT로부터 진화하여 지속적으로 주목할 만한 연구 결과를 보여준다. 본 연구에서는 대규모 언어모델 인공지능의 API를 이용하여 빅데이터를 분류할 수 있는 명령어(Prompt)를 구성하였다. 해당 명령어에 의한 결과는 Python을 통해 데이터베이스로 구축하였다. 사고사례 예시는 국내 현장에서 일어나는 건설사고사례 데이터베이스 중 건설공사 안전관리 종합정보망(CSI)의 데이터를 분석하였으며(Fig. 2의 1-①), 해당 빅데이터로부터 현장의 특성 등을 대규모 언어모델의 API를 이용하여 분류하고 학습시켰다. 위치정보와 작업정보는 BIM 모델링과 연동하기 위해 3D 상세모델에 맵핑하고 시각화하였으며 해당 위험요인에 대한 위험성 평가서 작성 및 웹 데이터베이스 구축도 자동화하고자 하였다.

4.2 건설공사 안전관리 종합정보망(CSI)

국토안전관리원(구 한국시설안전공단)은 지난 2019년부터 약 21,000여 개의 건설공사 안전사고의 데이터를 모아서 종합정보망을 운영하고 있다(https://csi.go.kr). 산업안전보건공단(KOSHA)의 데이터베이스와 비교하였을 때, 사고 발생의 원인 및 경위와 현장 사진 등 현장 특성의 데이터를 더 자세하게 구축하여 언어모델 인공지능이 학습하기 위한 데이터로 더 적합하다고 판단하였다. 또한, 데이터의 범주와 정형화에 더욱 용이한 구조로 되어 있어 본 연구의 학습 데이터로 선정하였다. 학습을 위한 건설안전 사고사례 데이터는 특이 사항을 크게 벗어나는 데이터를 제외하고 총 18,000여 건의 사고사례를 크롤링하여 구축하였다. 대규모 언어모델 API는 학습된 사례를 바탕으로 정답을 구현한다. 따라서 업데이트된 사이트의 데이터를 직접 가져올 수 없으므로 현재까지 작성된 데이터를 학습하기 위해 각 데이터를 크롤링하고 데이터의 특징을 범주별로 엮는 작업부터 시작하였다(Fig. 4).

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F4.jpg
Fig. 4.

Integration of GPT into excel for data analysis of CSI

사고가 일어난 위치정보, 발생환경의 특성, 사고사례 위험등급 정보, 사고사례 방지대책 정보, 그리고 작업 안전성 평가보고서의 내용을 토대로 인공지능 모델에게 사고상황을 학습시키고 이에 대해 얼마나 이해하고 있는지 평가를 시행하였다. 또한, 줄글로 이루어진 비정형 데이터에서 현장의 사고정황을 알 수 있는 단서 등을 통해 사건에 대해 개요 및 특징들을 이해할 수 있는지 언어모델 인공지능을 통해 단계적으로 실험을 진행하면서 언어모델의 특성에 대해 파악하였다.

우선 데이터를 선별하고 나면 대규모 언어모델 인공지능의 API를 이용한 대답의 문장에 유형을 부여한다. 보통 상황을 판단하기 위해 육하원칙의 각 대답 영역별로 대답형식을 정형화하였으며, 데이터가 없는 경우를 제외하고는 언어모델이 대답하는 문장을 틀에 맞게 대답하도록 제한하였다. 특히 해당 결과를 3D BIM 모델의 상황과 일치시키려면 특별한 대답의 유형을 설정하는 과정이 필요하다. 이는 대규모 언어모델 인공지능 분야 엔지니어 중 대부분이 사용하는 방식 중 하나이며, 객체지향언어의 표현 방식과 유사하다. 예를 들어 “A는 B와 같은 장소에서 일어날 확률이 C와 같다”로 대답을 유형화한 후에 A, B 그리고 C를 구하도록 학습시키는 절차를 수행한다. 그리하면 언어모델은 A, B, C의 답을 구하는 것에 집중할 수 있고 가짜 데이터의 생성(Hallucination)현상을 줄일 수 있다. 이는 해당 언어모델의 특징이기도 하며, 추후에 발전된 형태의 모델이 개발되면 좀 더 유연한 문장 구사를 통해 대답을 구하게 될 것이다.

Fig. 5는 실제 사고 데이터베이스를 이용하여 대규모 언어모델 API를 통해 자동으로 엑셀에 불러온 예시이다. 이 데이터에서 위치정보를 유형화하고 이후에 REVIT에 맵핑할 수 있도록 언어모델 인공지능에게 어느 필드의 데이터를 저장하고 학습시킬 것인지 결정하도록 한다. 이전의 언어모델은 필드의 데이터를 분석하는 방법으로 워드 클라우드의 형태 등을 통해 형태소 단위로 분절하여 문장의 의미를 파악하고 의사결정트리 등의 방법을 이용하여 최종 결론을 도출시켰다. 본 연구에서 개발한 기술은 이와 같은 과정을 자동화하여 대규모 언어모델 인공지능에게 분석을 의뢰하고 결과를 맵핑하고자 하였다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F5.jpg
Fig. 5.

Implement of large language model on Visual basic module macro

여기에 Fig. 6과 같이 언어모델이 필요하다고 고려한 정보만 추출하여 자동으로 C#코드로 변환하여 REVIT에 맵핑시키는 후속 절차를 수행한다. 이런 절차는 자동화할 수 있도록 프롬프트를 미세조정(fine tuning)하였다. 대규모 언어모델 코드는 특성에 따라 다양한 버전의 API를 제공하며 본 연구에서는 text-davinci-003 기반으로 API를 세팅하여 사용하였다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F6.jpg
Fig. 6.

Data mapping on REVIT learned from XML DB

4.3 BIM 모델 정보생성 프로세스

상세설계 BIM을 실시간으로 생성할 수 있는 BuilderHub는 2D CAD로부터 도면 및 설계정보를 인식하여 3D BIM을 생성해준다. 이 BIM에 안전관리 정보를 입력하여 플랫폼을 웹 기반으로 운영하기 위해서 본 연구에서는 REVIT 모델로 변환하여 Autodesk Forge 기능을 이용하였다. REVIT은 Autodesk사에서 개발한 범용 3D 모델링 프로그램이며 다양한 형상정보를 생성하고 특성을 맵핑할 수 있는 특징을 가지고 있다. 이전에 모델링 단계에서 BuilderHub를 거치는 이유는 REVIT으로만 상세모델을 생성하기에는 과정에서 필요한 시간과 인력이 많이 들기 때문이다. 전 과정이 자동화되어 있는 BuilderHub의 도면인식기능을 이용하여 프로세스를 구성하기 위해 한 번의 변환과정을 거쳤으며, 이는 숙련된 엔지니어의 기준으로 바로 REVIT에서 모델링하는 과정보다 동일한 환경 기준 시연 기준으로 3배 이상의 모델링 속도차이를 통해 생산성이 월등함을 보여주었다.

4.4 BIM 모델과 안전사고 정보 병합

XML형식으로 작성된 데이터는 3D BIM모델에 맵핑되기 위한 안전관리 데이터로 학습되기 위해 정제 과정을 거친다. 데이터 정제는 인공지능학습의 단계 중 정확도를 높이고, 불필요한 정보 학습에 이용되는 리소스를 줄여준다. 궁극적으로 사고위험발생 가능성이 높은 위치와 BIM 모델 사이의 연결을 위해 REVIT API를 이용하여 개발에 필요한 프롬프트를 생성하여야 한다. 해당 3D 모델에 위치정보를 시각화하고 알림창을 띄우거나 아이콘을 생성하는 방식으로 안전 정보를 맵핑하였다. 이렇게 생성된 정보는 시각화뿐만 아니라 문서작업의 자동화까지 연결할 수 있다. 웹 플랫폼 UI를 구체화하여 안전정보가 업데이트될 수 있도록 추후 연구를 기획하였으며, 웹에서도 물론 해당 위치의 안전사고 위험등급이나 동일한 공정에서 일어났던 사고 DB를 연결해주는 등의 정보를 제공할 수 있다. 추후 개발을 통해 매번 작성해야 하는 안전보건 교육자료 및 계획을 자동으로 생성하는 기능을 Fig. 7과 같이 구현할 계획이다.

https://cdn.apub.kr/journalsite/sites/jcoseik/2024-037-02/N0040370201/images/Figure_jcoseik_37_02_01_F7.jpg
Fig. 7.

Mapping and utilization of safety information in a REVIT model

5. 평 가

5.1 기존 안전관리 정보 산출과 프로세스 비교

본 연구는 안전관리자가 수기로 작성해야 했거나 추가로 BIM 모델에 안전정보를 입력하는 과정을 자동화하는 알고리즘을 개발하였으며 본 고에서 그 과정을 소개하였다. 수기로 작성해야 하는 부분에 대해 해당 정보 입력을 자동화하였으므로 해당 절차에 대한 생산성 향상과 소요시간 단축 등을 장점으로 꼽을 수 있다.

기존의 업무 프로세스는 관리자나 작업자의 경험을 바탕으로 위험성을 평가하며 사고발생 위험도별 데이터를 엔지니어의 판단하에 해당 자료를 작성하고 공정에 전달하였다. 이와 같은 방법은 3D BIM으로부터 생성된 데이터베이스에 의한 자동생성 알고리즘에 비해 인적 오류를 일으킬 가능성이 높으며, 현장에서 직접 작성해야 하는 문서의 양도 많아지게 된다. 또한, 사고사례를 분석하여 추가적으로 활용하는 것도 전문인력에 의존하게 되므로 정보전달의 편차가 심하다.

반면, 개발기술은 학습된 빅데이터의 품질에 따라 지속적으로 개선이 가능하며 앞으로 더욱 정확한 안전정보를 해당 공정에 전달하는 것이 가능하다. 특히 위치, 작업, 사람, 환경 등 복합적인 데이터를 분석하여 과거 비슷한 공정에서 일어났던 사고사례에 대한 경각심을 효과적으로 일깨워 줄 수 있다. 현재 공정에서 일어날 수 있는 안전사고를 예방하기 위해 좀 더 밀접한 관계가 있는 사례를 예시로 들어 현장 작업자에게 좀 더 효과적인 교육을 제공할 수 있다. 또한 빅데이터의 장점은 다양한 사례분석을 통해 안전사고 예방에 대해 어느 부분을 중점적으로 고려할지 직접 선택할 수 있다는 점이다. 과거의 데이터를 충분히 학습한 언어모델 AI의 경우, 일상적으로 일어날 가능성이 많은 사고에 대한 위험도 등급평가와 특별히 주의가 필요한 사고에 대한 위험도를 판단하는 것도 경험기반의 숙련된 엔지니어와 비슷한 사고 알고리즘을 가진다는 점이다. 마치 많은 사례를 두고 정규분포화하여 확률을 조정하는 것과 같은 결과를 가져온다.

6. 결론 및 시사점

건설산업은 2D도면을 기반으로 한 프로세스와 기술환경이 유지되고 있으며, 앞서 언급했듯이 디지털 전환이 늦은 산업 중 하나이다. 그런데도 특이점이 빨리 찾아오고 있는 기술의 발전 덕분에 다양한 시도와 현장적용 가능성이 높은 요소기술 개발이 최근에 많이 이루어지고 있다. 건설안전분야도 인공지능 기술과 융합하여 다양한 연구를 거치고 있으며, 현장에서 실제로 적용할 수 있는 기술을 개발하고 있다.

본 연구에서는 선행 연구의 결과물을 통해 BIM을 활용한 안전관리 플랫폼을 설계하고 프로토타입 알고리즘을 개발하였다. 안전관리 빅데이터를 학습데이터로 삼아 언어모델을 통해 각 사고에 관한 상세내용을 학습시키고, 이 정보를 BIM 모델에 맵핑하여 안전관리자의 전반적인 업무 자동화 프로세스를 계획하였다. 이러한 프로세스가 가능했던 이유는 역시 데이터를 실시간으로 현장과 연동할 수 있는 BIM생성기술 덕분이다. 당일마다 현장과 연동된 안전정보를 생성할 수 있는 기술이 뒷받침되기 때문에 이 정보를 맵핑하고 이를 받아볼 수 있는 것이다. 현재까지는 선행 연구로 개발된 BuilderHub를 4D, 5D로 확장하는 단계였다면 앞으로는 안전관리와 현장원격감리, 더 나아가서 건축현장에서 일어나는 전반적인 업무를 플랫폼 상에서 수행할 수 있게 될 것이다. 이와 같은 기술을 개발하기 위해서는 현재 수행한 연구를 바탕으로 부족한 부분을 개선하고 장단점을 확실히 구분하여 필요한 기능을 집중해서 개발해야 한다.

Acknowledgements

본 연구는 국토교통부/국토교통과학기술진흥원의 2024년도 지원으로 수행되었음(과제번호 : RS-2021-KA163269).

References

1

Albert, L., Routh, C. (2021) Designing Impactful Construction Safety Training Interventions, Safety, 7(2), p.42.

10.3390/safety7020042
2

Cao, Q., Wang, H. (2021) Research on Digital Transformation of Construction Industry, In ICCREM 2021, pp.398~405.

3

Chen, X., Chang-Richards, A.Y., Pelosi, A., Jia, Y., Shen, X., Siddiqui, M.K., Yang, N. (2022) Implementation of Technologies in the Construction Industry: a Systematic Review. Engineering, Constr. & Archit. Manag., 29(8), pp.3181~3209.

10.1108/ECAM-02-2021-0172
4

Dwivedi, Y.K., Sharma, A., Rana, N.P., Giannakis, M., Goel, P., Dutot, V. (2023) Evolution of Artificial Intelligence Research in Technological Forecasting and Social Change: Research Topics, Trends, and Future Directions, Technol. Forecast. & Soc. Chang., 192, p.122579.

10.1016/j.techfore.2023.122579
5

Joo, S.U., Kim, C.K., Kim, S.U., Noh, J.O. (2017) BIM-Based Quantity Takeoff and Cost Estimation Guidelines for Reinforced Concrete Structures, J. Comput. Struct. Eng. Inst. Korea, 30(6), pp.567~576.

10.7734/COSEIK.2017.30.6.567
6

Kim, C.K. (2023) Strategy and Technology for Digital Transformation of Design and Construction of RC Structures, J. Comput. Struct. Eng. Inst. Korea, 36(4), pp.265~272.

10.7734/COSEIK.2023.36.4.265
7

Lundberg, O., Nylén, D., Sandberg, J. (2022) Unpacking Construction Site Digitalization: The Role of Incongruence and Inconsistency in Technological Frames, Constr. Manag. & Econ., 40(11-12), pp.987~1002.

10.1080/01446193.2021.1980896
8

Na, S., Heo, S., Han, S., Shin, Y., Roh, Y. (2022) Acceptance Model of Artificial Intelligence (AI)-based Technologies in Construction Firms: Applying the Technology Acceptance Model (TAM) in Combination with the Technology-Organisation-Environment (TOE) Framework, Build., 12(2), p.90.

10.3390/buildings12020090
9

Sepasgozar, S.M., Khan, A.A., Smith, K., Romero, J.G., Shen, X., Shirowzhan, S., Tahmasebinia, F. (2023) BIM and Digital Twin for Developing Convergence Technologies as Future of Digital Construction, Build., 13(2), p.441.

10.3390/buildings13020441
10

Shen, X. (2017) Location-based Leading Indicators in BIM for Construction Safety, University of Alabama Libraries, p.108.

11

Zhou, Z., Wei, L., Yuan, J., Cui, J., Zhang, Z., Zhuo, W., Lin, D. (2023) Construction Safety Management in the Data-Rich era: A Hybrid Review based upon Three Perspectives of Nature of Dataset, Machine Learning Approach, and Research Topic, Adv. Eng. Inform., 58, p.102144.

10.1016/j.aei.2023.102144
페이지 상단으로 이동하기