Estimating scour depth downstream of ski-jump spillways using the electric eel foraging optimization algorithm

기술 요약: 전기뱀장어 먹이 탐색 최적화 알고리즘(Electric Eel Foraging Optimization Algorithm)을 이용한 스키점프형 수문 하류의 세굴 깊이 추정

문제 제인
스키점프형 수문은 높은 댐에서 에너지 소산을 위해 필수적이지만, 수리 제트가 하류 하상에 미치는 영향은 상당한 국부 세굴을 유발합니다. 이러한 세굴 현상은 수리 구조물의 안정성을 위협하고 하천 지형을 변화시킵니다. 다양한 경험식(예: Veronese, 1937; Mason and Arumugam, 1985; Azmathullah et al., 2006)이 세굴 깊이를 예측하기 위해 제안되어 왔으나, 본 논문은 이러한 방법들이 세굴 과정의 비선형적이고 확률적인 특성으로 인해 정확도가 제한적일 수 있음을 지적합니다. 또한, 전통적인 회귀 모델은 충분한 정밀도가 부족하며, "블랙박스" 형태의 머신러닝 모델은 신뢰할 수 있는 외삽에 필요한 투명한 수학적 정식화가 결여되는 경우가 많습니다. 본 연구의 목적은 이러한 한계를 해결하기 위해 높은 정확도와 명확한 수학적 표현을 모두 제공하는 예측 모델을 개발하는 것입니다.

연구 방법론
본 연구는 차원 해석과 새로운 메타휴리스틱 최적화 알고리즘을 결합한 하이브리드 접근 방식을 활용합니다.

1. 데이터 및 매개변수: 모델은 Azmathullah 등(2005)의 실험 측정값과 다리안 저수지 댐(이란 수자원 연구 센터, 2011)의 물리적 모형 시험에서 도출된 104개의 데이터 포인트를 사용하여 교정되었습니다. 주요 입력 변수로는 단위 유량($q$), 총 낙차 높이($H$), 버킷 반경($R$), 스키점프 각도($\Phi$), 후류 수심($d_w$), 그리고 중간 입경($d_{50}$)이 포함됩니다.
2. 차원 해석: 버킹엄 $\pi$ 정리를 사용하여 저자는 세굴 깊이($d_s$)에 대한 무차원 거듭제곱 법칙 관계식을 도출했습니다. 이 관계식은 무차원 그룹인 프루드 수($F$), 상대적 낙차 높이($H/d_w$), 상대적 버킷 반경($R/d_w$), 상대적 입경($d_{50}/d_w$), 그리고 버킷 각도($\Phi$)의 함수로 표현됩니다.
3. 프루드 기반 구역화(Froude-Based Zoning): 새로운 구역화 기법이 구현되어 프루드 수 영역을 세 개의 별도 하위 영역으로 나눕니다. 각 구역 내에서 모델은 거듭제곱 법칙 방정식에 대해 고유하게 교정된 계수 세트를 사용합니다. 이 구역의 경계는 미리 정의되지 않으며, 최적화 과정 중 결정 변수로 결정됩니다.
4. 최적화 알고리즘: 전기뱀장어의 집단 사냥 행동(상호작용, 휴식, 사냥, 이동)에서 영감을 얻은 메타휴리스틱 알고리즘인 전기뱀장어 먹이 탐색 최적화(EEFO) 알고리즘이 모델 교정에 사용되었습니다. EEFO는 다음을 동시에 최적화합니다:
   • 각 구역의 거듭제곱 법칙 방정식에 대한 계수($a_i, b_i, c_i, d_i, e_i, f_i$).
   • 구역 사이의 프루드 수 경계를 정의하는 분할 변수($k_i$).
   • 목적 함수는 양(+)의 세굴 깊이 값을 보장하는 제약 조건 하에서 관측된 세굴 깊이와 예측된 세굴 깊이 사이의 제곱 오차 합(SSds)을 최소화합니다.

주요 기여

• 새로운 알고리즘 적용: 본 연구는 전기뱀장어 먹이 탐색 최적화(EEFO) 알고리즘을 세굴 깊이 예측을 위해 수리 공학 분야에 처음으로 도입했습니다.
• 구역화 전략: 프루드 수 기반의 구역화 기법의 구현은 모델이 다양한 흐름 체계에 따라 수학적 거동을 적응할 수 있게 하여, 단일 방정식 경험식보다 세굴 과정의 비선형성을 더 효과적으로 다룹니다.
• 투명한 수학적 정식화: ANN, SVM과 같은 블랙박스 머신러닝 모델과 달리, 결과물은 엔지니어가 직접 적용할 수 있는 명시적이고 해석 가능한 수학적 방정식(식 42)을 제공합니다.

결과
제안된 EEFO 기반 모델은 통계적 지표인 표준 편차에 대한 제곱 평균 제곱근 오차의 비율(RSR), 결정 계수($R^2$), 나시-서클리프 효율(NSE), 그리고 백분율 편향(PBIAS)을 사용하여 평가되었습니다.

• 성능 지표: 모델은 RSR 0.167, $R^2$ 0.972, NSE 0.972, PBIAS 0.336을 달성했습니다. 논문에서 인용한 평정 척도(예: Haiati et al., 2025; Afaridegan et al., 2025)에 따르면, 이 값들은 "매우 우수한(Very Good)" 성능을 나타냅니다.
• 경험적 방법과의 비교: 제안된 모델은 15개의 확립된 경험식(Veronese, Mason and Arumugam, Azmathullah et al. 등의 식 포함)과 비교되었습니다. EEFO 모델은 모든 경험적 방법을 유의미하게 능가했습니다. 예를 들어, 가장 성능이 좋았던 경험적 방법(Azmathullah et al., 2005)은 RSR 0.390, NSE 0.847을 기록한 반면, 제안된 모델은 RSR 0.167, NSE 0.972를 달성했습니다.
• 교정된 방정식: 최종 출력물은 세 개의 프루드 수 범위($F \le 1.171$, $1.171 < F \le 2.774$, $F > 2.774$)에 대한 특정 계수를 가진 구간별 거듭제곱 법칙 방정식(식 42)입니다.

의의 및 주장
본 논문은 개발된 EEFO 기반 최적화 방법이 스키점프형 수문 하류의 세굴 깊이를 예측하는 데 있어 매우 정확하고 신뢰할 수 있는 도구를 제공한다고 주장합니다. 전통적인 경험식을 능가하는 투명한 수학적 표현을 제공함으로써, 모델은 정밀도와 해석 가능성이라는 두 가지 요구를 모두 충족합니다. 저자들은 이러한 연구 결과가 세굴 관련 위험을 완화하고 수리 구조물 설계를 최적화하기 위한 실질적인 솔루션을 제공하여, 구조물의 장기적인 안전성과 안정성을 높일 수 있다고 밝히고 있습니다. 본 연구는 프루드 수, 상대적 낙차 높이, 상대적 버킷 반경, 상대적 입경, 그리고 버킷 립 각도가 주요 지배 매개변수임을 결론지었으며, 모델은 교정된 구역 내에서 이러한 매개변수들과 세굴 깊 사이의 구체적인 정비례 및 반비례 관계를 밝혀냈습니다.