Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble

이 논문은 다양한 시간 해상도의 입력을 활용하여 다중 해상도 ConvLSTM 앙상블 프레임워크를 제안함으로써, 단계별 굴착 중 옹벽 변형의 장기 예측 시 오류 누적을 완화하고 예측 정확도와 안정성을 향상시켰음을 보여줍니다.

핵심

🏗️ 핵심 주제: "벽이 휘어지는 것을 미리 알 수 있을까?"

지하철이나 고층 빌딩을 지을 때 땅을 파면, 그 옆에 있는 지지벽 (Retaining Wall) 이 옆으로 밀려나면서 휘어집니다. 이걸 미리 예측하지 못하면 주변 건물이 무너지거나 도로가 꺼질 수 있어 매우 위험합니다.

기존에는 컴퓨터 시뮬레이션이나 수학적 공식을 썼는데, 땅의 상태 (흙의 성질 등) 가 제각각이라 예측이 어렵고, 시간이 지날수록 오차가 커지는 문제가 있었습니다.

이 연구팀은 "여러 가지 시야를 가진 인공지능 전문가 팀을 꾸려서, 오차가 쌓이는 것을 막고 더 정확하게 예측하자!" 라고 제안했습니다.

---

🧠 이 연구의 핵심 아이디어: "세 명의 요리사와 한 명의 셰프"

이 연구에서 사용한 방법은 **'다중 해상도 컨볼루션 LSTM 스태킹 앙상블 (Multi-Resolution ConvLSTM Stacking Ensemble)'**이라는 긴 이름이 붙어 있습니다. 이를 쉽게 풀면 다음과 같습니다.

1. 세 명의 요리사 (세 가지 다른 AI 모델)

연구팀은 벽의 변형을 예측하는 AI 모델을 3 개 만들었습니다. 이 세 모델은 과거 데이터를 보는 '시간의 깊이'가 다릅니다.

• 모델 A (빠른 요리사): 최근 3 단계 (약 1.5m 파낸 깊이) 만 봅니다. 최근 변화에 매우 민감하지만, 전체 흐름을 놓칠 수 있습니다. (예: "아까 갑자기 흙이 많이 빠졌네? 지금 바로 휘어질 거야!")
• 모델 B (중간 요리사): 최근 6 단계 (약 3m) 를 봅니다.
• 모델 C (느린 요리사): 최근 10 단계 (약 5m) 를 봅니다. 장기적인 흐름을 잘 파악하지만, 최근의 급격한 변화에는 둔감할 수 있습니다. (예: "요즘은 계속 파고 있으니, 전체적으로 서서히 휘어지겠지.")

2. 한 명의 셰프 (메타 러너, Ensemble Model)

세 요리사가 각자 만든 예측 결과를 한 셰프 (메타 모델) 가 받습니다. 이 셰프는 세 요리사의 말을 듣고 **"지금 상황에서는 누구의 의견이 더 믿을 만한가?"**를 판단하여 최종 답을 냅니다.

• 상황이 급변할 때: 셰프는 '빠른 요리사 (모델 A)'의 말을 더 귀 기울여 듣습니다.
• 안정적인 흐름일 때: 셰프는 '느린 요리사 (모델 C)'의 장기적인 흐름을 더 신뢰합니다.

이렇게 서로 다른 시야를 가진 전문가들을 한 팀으로 묶어주니, 한 사람이 실수해도 다른 사람이 잡아주고, 오차가 시간이 지날수록 커지는 것 (오차 누적) 을 막을 수 있게 됩니다.

---

📊 실험 결과: "실제 현장에서도 통했다!"

연구팀은 먼저 컴퓨터 시뮬레이션 (PLAXIS2D) 으로 2,000 가지의 가상 공사 데이터를 만들어 AI 를 훈련시켰습니다. 그리고 실제 서울의 공사 현장 데이터로 검증했습니다.

• 기존 방법 (혼자서 하는 AI): 처음에는 잘 맞지만, 몇 단계 뒤로 갈수록 예측이 빗나갑니다. 마치 "내일 비가 올 것 같아"라고 말하다가, 일주일 뒤에는 "내일 눈이 올 거야"라고 엉뚱한 말을 하는 것과 같습니다.
• 이 연구의 방법 (팀워크 AI): 10 단계 뒤 (약 5 주 뒤) 까지 예측해도 정확도가 매우 높게 유지되었습니다.
  • 단독 모델: 10 단계 뒤 예측 정확도가 65% 미만으로 떨어졌습니다.
  • 팀워크 모델: 10 단계 뒤에도 90% 이상의 정확도를 유지했습니다.

💡 왜 이 방법이 좋은가요? (핵심 교훈)

1. 오차의 전염을 막는다: 혼자 예측하면 작은 실수가 다음 단계로 넘어가면서 커집니다. 하지만 여러 모델을 섞으면 서로의 실수를 상쇄시켜 줍니다.
2. 유연한 대응: 공사 현장의 흙 상태나 날씨, 공사 방식은 매일 다릅니다. '빠른 시야'와 '느린 시야'를 모두 가진 팀은 이런 변수에 훨씬 잘 적응합니다.
3. 현실 적용 가능: 컴퓨터로 만든 이상적인 데이터로만 훈련했는데도, 실제 messy( messy = 지저분하고 복잡한) 한 현장 데이터에서도 잘 작동했습니다.

🎯 결론

이 논문은 **"하나의 정답을 찾기보다, 다양한 관점 (시간의 깊이) 을 가진 AI 들을 팀으로 묶으면, 복잡한 지반 공사의 미래를 훨씬 더 오래, 정확하게 예측할 수 있다"**는 것을 증명했습니다.

마치 날씨 예보를 할 때, "단순히 어제 날씨만 보는 것"보다 "최근 3 일, 1 주일, 10 일의 데이터를 종합하고 전문가들이 서로 의견을 조율하는 것"이 더 정확한 예보를 해주는 것과 같은 원리입니다. 이 기술이 발전하면 앞으로 공사 현장의 안전 사고를 미리 막는 데 큰 도움이 될 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 굴착 공사로 인한 지지벽의 변형은 인접 구조물의 침하를 유발하고 안정성에 치명적인 영향을 미치므로, 시공 중 정밀한 모니터링과 예측이 필수적입니다.
• 기존 방법의 한계: 수치해석 (Numerical) 및 역해석 (Back analysis) 방법은 시간과 노력이 많이 소요되며, 지반의 불확실성으로 인해 정확한 변형 예측이 어렵습니다.
• AI 기반 예측의 과제: 최근 LSTM, ConvLSTM 등 딥러닝 기법이 도입되었으나, 다단계 (Multi-step) 시간序列 예측 시 발생하는 오차 누적 (Error Accumulation) 문제가 여전히 해결되지 않았습니다.
  • 재귀적 (Recursive) 예측 방식은 한 단계의 작은 오차가 다음 단계로 전파되어 장기 예측 시 신뢰도가 급격히 떨어집니다.
  • 기존 연구들은 주로 단일 모델이나 단기 예측에 집중하여 장기적인 굴착 과정의 변형 예측에는 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

이 연구는 다중 해상도 (Multi-Resolution) ConvLSTM 스택킹 앙상블 프레임워크를 제안하여 오차 누적을 완화하고 장기 예측 정확도를 향상시켰습니다.

• 데이터 생성:
  • PLAXIS2D 를 이용한 수치 시뮬레이션으로 2,000 개의 지지벽 변위 시계열 데이터를 생성했습니다.
  • 5 층 지반 구성, 2 가지 굴착 깊이 (14m, 20m), 지반 및 구조물 파라미터의 확률적 변동을 반영하여 다양한工况을 모사했습니다.
  • 데이터는 벽 높이를 따라 100 개의 공간 점으로 보간하여 정규화했습니다.
• 모델 아키텍처:
  • 기저 모델 (Base Models): 서로 다른 시간 해상도 (Resolution) 를 가진 3 개의 ConvLSTM 모델을 독립적으로 학습시켰습니다.
    • 해상도 3 (1.5m 굴착 깊이), 6 (3.0m), 10 (5.0m) 단위의 과거 데이터를 입력으로 사용하여 단기 및 장기 패턴을 각각 포착하도록 설계했습니다.
  • 메타 러너 (Meta-learner): 3 개의 ConvLSTM 모델의 예측 결과를 입력받아, 완전 연결 신경망 (Fully Connected DNN) 을 통해 최종 예측값을 도출하는 스택킹 앙상블 (Stacking Ensemble) 구조를 구축했습니다.
  • 예측 전략: 재귀적 (Recursive) 다단계 예측 방식을 사용하되, 앙상블을 통해 초기 단계의 오차가 후속 단계로 전파되는 것을 억제합니다.

3. 주요 기여 (Key Contributions)

1. 오차 누적 완화 전략: 단일 해상도 모델의 한계를 극복하기 위해, 서로 다른 시간 해상도 (Short-term vs. Long-term) 를 가진 모델들을 앙상블하여 예측의 안정성을 높였습니다.
2. 공간 - 시간 (Spatio-Temporal) 특성 동시 고려: ConvLSTM 을 사용하여 지지벽의 수평 변위 분포 (공간적 특성) 와 굴착 단계별 변화 (시간적 특성) 를 동시에 학습했습니다.
3. 실제 현장 데이터 검증: 수치 시뮬레이션 데이터뿐만 아니라, 한국 내 두 개의 실제 굴착 현장 (Site A, Site B) 의 계측 데이터를 활용하여 모델의 일반화 성능을 입증했습니다.
4. 해석 가능성 제공: SHAP (SHapley Additive exPlanations) 분석을 통해 앙상블 모델이 예측 단계에 따라 각 기저 모델 (고해상도 vs 저해상도) 의 기여도를 어떻게 동적으로 조절하는지 규명했습니다.

4. 실험 결과 (Results)

• 수치 시뮬레이션 결과:
  • 단일 ConvLSTM 모델은 예측 단계가 늘어남에 따라 MAE(평균 절대 오차) 가 급증하고 $R^2$ 및 IoA(일치 지수) 가 급격히 하락했습니다.
  • 반면, 제안된 앙상블 모델은 10 단계 예측에서도 IoA 0.94 이상을 유지하며 오차 전파를 효과적으로 억제했습니다.
• 현장 데이터 검증 (Site A & B):
  • 실제 현장 데이터에서도 앙상블 모델이 단일 모델보다 월등히 우수한 성능을 보였습니다.
  • 특히 10 단계 (약 5 주 ahead) 예측 시, 단일 모델은 IoA 가 0.65 미만으로 떨어졌으나, 앙상블 모델은 평균 IoA 약 0.90을 기록하여 장기 예측의 신뢰성을 입증했습니다.
• SHAP 분석 통찰:
  • 초기 예측 단계에서는 장기적인 추세를 반영하는 저해상도 모델 (Resolution 10) 의 기여도가 높았으나, 예측이 진행됨에 따라 현장의 비선형적이고 급격한 변화에 민감하게 반응하는 고해상도 모델 (Resolution 3) 의 기여도가 증가하는 것을 확인했습니다. 이는 앙상블이 상황 (Context) 에 따라 각 모델의 강점을 동적으로 활용함을 의미합니다.

5. 의의 및 결론 (Significance)

• 기술적 의의: 지반공학 분야에서 AI 기반 예측 모델의 가장 큰 난제인 '장기 다단계 예측 시 오차 누적' 문제를 다중 해상도 앙상블 기법으로 성공적으로 해결했습니다.
• 실무적 가치: 제안된 프레임워크는 이상적인 수치 데이터로 학습되었음에도 불구하고, 실제 현장의 불규칙한 지반 조건과 굴착 공법 변화에도 높은 일반화 성능을 보여, **굴착 공사의 안전 관리 및 위험 완화 (Risk Mitigation)**를 위한 실시간 예측 도구로서의 활용 가능성이 큽니다.
• 향후 전망: 다양한 지반 조건과 추가적인 현장 계측 데이터를 통해 모델의 강건성을 더욱 검증한다면, AI 기반 지반공학 예측의 표준적인 접근법으로 자리 잡을 것으로 기대됩니다.