A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보십시오. 하지만 당신은 지문 대신 오래된 건물에 남겨진 날씨의 '보이지 않는 지문'을 찾고 있습니다. 이 과학 분야는 문화유산 보존(오래되고 중요한 건물을 지키는 것)과 예측 기술(데이터를 사용하여 일이 일어나기 전에 무엇이 일어날지 추측하는 것)의 교차점에 위치합니다. 오랫동안 사람들은 덥고 습한 곳에 있는 오래된 건물들이 병에 걸린다는 사실을 알고 있었습니다. 이 "병"은 종종 색상의 변화, 즉 벽이 어둡고 축축한 색으로 변하거나 초록색 솜털 같은 점들이 생기는 것으로 시작됩니다. 이러한 색상 변화는 건물이 기침을 하는 방식입니다. 이는 벽이 실제로 무너지기 훨씬 전부터 나타납니다.

전통적으로 전문가들은 눈과 카메라를 가지고 돌아다니며 어디에 문제가 있는지 추측해야 했습니다. 이는 마치 천장에서 물이 이미 떨어지고 난 후에야 천장을 보고 지붕의 누수를 찾는 것과 같습니다. 하지만 만약 우리가 건물에 "스마트워치"를 채워줄 수 있다면 어떨까요? 그것이 바로 **IoT(사물인터넷)**가 등장하는 지점입니다. 날씨와 습도를 우리에게 끊임없이 속삭여 주는 아주 작은 센서들 말이죠. 그리고 만약 우리가 컴퓨터에게 그 속삭임을 듣고 동시에 건물의 색상을 관찰하도록 가르칠 수 있다면 어떨까요? 그것이 바로 **AI(인공지능)**의 힘입니다. 중요한 질문은 단순히 "건물이 아픈가?"가 아니라, "우리가 병이 시작되기 전에 예측하여 고칠 수 있는 충분한 시간을 벌 수 있는가?"입니다. 이 논문은 정확히 그 점을 파고들며, 열대 지역의 오래된 건물들을 위한 디지털 수정구슬을 만들 수 있는지 묻습니다.

---

오래된 건물을 위한 디지털 의사

인도네시아 세마랑의 습하고 비가 많이 오는 도시에서, 세 곳의 역사적 건물들이 소리 없는 적과 마주하고 있습니다. 이 건물들은 단순한 건물이 아닙니다. 라왕 세우(식민지 시대 행정 관청), 파사르 조하르(전통 시장), 그리고 타왕 기차역입니다. 이 건물들은 벽돌, 회반죽, 나무로 만들어졌으며, 지속적인 열기와 습기 때문에 서서히 색과 강도를 잃어가고 있습니다.

하산 그브란(Hassan Gbran)이 이끄는 연구진은 "하이브리드 AI-IoT 프레임워크"를 구축하기로 결정했습니다. 이것을 건물을 지키는 두 명의 탐정 팀이라고 생각하십시오. 한 명은 감지 팀(IoT)이고, 다른 한 명은 두뇌(AI)입니다.

감지 팀 (The IoT)
먼저, 그들은 세 건물에 16개의 작은 센서 노드를 배치했습니다. 이 센서들은 신경계처럼 작동하며 15분마다 끊임없이 공기를 체크했습니다. 이들은 온도와, 무엇보다 중요한 **상대 습도(RH)**를 측정했습니다. 이 열대 지역의 공기는 종종 스펀지처럼 느껴질 정도로 매우 축축합니다. 센서들은 습도가 재료에 '위험 구역'과 같은 수준인 85% 이상으로 얼마나 오래 머물렀는지를 추적했습니다. 그들은 심지어 **습도 스트레스 지수(HSF)**라는 특별한 점수를 만들었는데, 이는 단순히 현재 순간만을 보는 것이 아니라 지난 하루 동안 건물이 얼마나 많은 젖음(습기)을 견뎌냈는지를 합산하는 "스트레스 측정기"와 같습니다.

두-뇌 (The AI)
센서들이 날씨를 관찰하는 동안, 연구진은 건물의 벽을 찍은 수천 장의 고해 resolução 사진을 촬영했습니다. 그들은 **사진 측량법(photogrammetry)**이라는 기술을 사용하여 이 평면 사진들을 3D 디지털 트윈으로 변了시켰습니다. 그런 다음, 이 3D 모델을 수백만 개의 작은 타일로 나누고 색상을 분석했습니다.

그들은 두 종류의 AI 탐정을 사용했습니다:

1. 비지도 학습 탐정 (계층적 클러스터링): 이 AI는 색상을 보고 그것이 무엇인지 알려주지 않아도 스스로 그룹화했습니다. 이는 마치 색깔의 이름을 모르는 상태에서 섞여 있는 구슬 주머니를 색깔별로 분류하는 것과 같습니다. 이 AI는 "축축한 지점", "곰팡이가 핀 영역", "정상적인 벽돌" 등의 그룹을 찾아냈습니다.
2. 지도 학습 탐정 (랜덤 포레스트): 이 모델은 주인공입니다. 이 AI는 인간 전문가들이 수천 개의 타일을 "곰팡이", "염분 흔적", 또는 "건강함"으로 라벨을 붙여 훈련시킨 것입니다. AI는 이러한 패턴을 인식하는 법을 배웠습니다. 결정적으로, 이 AI는 색상만 보는 것이 아니라 센서로부터 온 습도 스트레스 지수도 함께 보았습니다. AI는 "스트레스 측정기"가 높으면 특정 색상 변화가 곧 일어날 가능성이 높다는 것을 학습했습니다.

거대한 발견: 재앙에 대한 선제 대응

결과는 인상적이었습니다. AI는 단순히 손상을 식별하는 데 그치지 않고, 그것을 예측했습니다.

• 정확도: AI는 매우 유능한 탐정이었습니다. AI는 벽의 손상 유형을 약 **87%**의 확률(F1 점수)로 정확하게 식별했습니다. AI의 손상 지도와 실제 손상을 비교했을 때, AI는 비지도 학습 탐정 혼자 작업했을 때보다 17%에서 51% 더 높은 정확도를 보였습니다. 이는 날씨의 이력을 아는 것이 AI가 색상을 더 잘 이해하도록 돕는다는 것을 입증합니다.
• 습도 스트레스 지수: 연구진은 날씨 데이터를 제거하면 어떤 일이 발생하는지 확인하기 위해 테스트를 진행했습니다. AI의 성능은 9.2% 하락했습니다. 이는 "스트레스 측정기"(HSF)가 가장 중요한 단서였음을 확인시켜 줍니다. 단순히 지금 얼마나 젖어 있느냐가 아니라, 지난 24시간 동안 얼마나 젖어 있었느냐가 핵심입니다.
• 수정구슬 (리드 타임): 이 부분이 가장 멋진 부분입니다. 시스템은 테스트 데이터에서 조건이 완전히 나타나기 전, 즉 4.8~16.7시간 전에 "고위험 이벤트"(예: 갑작스러운 곰팡이 증식)를 식별할 수 있었습니다. 그러나 논문은 이것이 기술적 리드 타임임을 주의 깊게 명시하고 있습니다. 이는 시스템이 경고 신호를 조기에 감지할 수 있음을 보여주지만, 건물 관리자가 그 시간 안에 실제로 조치를 취할 수 있는지는 테스트하지 않았음을 의미합니다. 인력 가용성, 예산 주기, 결정 절차와 같은 요소들은 평가되지 않았으므로, "손상이 시작되기 전에 고친다"는 것은 아직 실증된 운영 현실이라기보다는 이론적인 가능성으로 남아 있습니다.

무엇을 먼저 고칠지 결정하는 방법

연구진은 단순히 문제를 찾는 것에 그치지 않고, 어떤 문제가 가장 중요한지도 알고 싶어 했습니다. 그들은 우선순위 매트릭스를 만들었습니다. 그들은 위험 점수(벽이 썩을 가능성)와 문화유산 가치 지수(이 벽이 역사적으로 얼마나 중요한가)를 결합했습니다.

• 높은 위험 + 높은 가치: 이곳은 "레드 존(Red Zone)"입니다. 예를 들어, 라왕 세우의 정문은 높은 문화유산 가치와 중간 정도의 위험도를 가지고 있어 최우선 순위가 되었습니다.
• 높은 위험 + 낮은 가치: 이곳은 "기술 존(Technical Zone)"입니다. 라왕 세우의 지하실은 습도와 위험도가 매우 높았지만, 역사적 가치는 상대적으로 낮았습니다. 여전히 수리가 필요하지만, 메인 홀만큼 긴급하지는 않을 수 있습니다.
• 낮은 위험 + 높은 가치: 이곳은 "감시 존(Watch Zone)"입니다. 그냥 계속 지켜보기만 하면 됩니다.

한계와 미래

이 논문은 자신의 한계를 매우 솔직하게 밝히고 있습니다. 이 AI는 어디서나 즉시 작동하는 마법 지팡이가 아니라 하나의 "설계도"입니다.

• 현지 맞춤형 조정이 필요함: 습도 임계값(85%)은 세마랑에서는 작동할 수 있지만, 다른 열대 도시에는 다른 숫자가 필요할 수 있습니다. 모델은 새로운 장소에 맞춰 "재교정"되어야 합니다.
• 기술적 경고일 뿐, 마법의 해결책은 아님: AI는 "12시간 뒤에 위험합니다!"라고 말할 수 있지만, 건물 관리자가 그 시간 안에 실제로 고칠 수 있는 예산이나 인력이 있는지는 알지 못합니다. 그 부분은 여전히 인간의 몫이며, 연구에서는 운영상의 실행 가능성을 평가하지 않았습니다.
• 주관성: AI가 색상을 포착하는 데는 뛰어나지만, 색상 변화가 "곰팡이"인지 아니면 단순히 "먼지"인지 결정하는 데는 여전히 인간 전문가의 판단이 필요합니다. 연구진은 세 명의 전문가가 라벨링에 동의하도록 했지만, 여지간의 인간적인 추측이 개입될 여지는 남아 있습니다.

결론

이 연구는 우리가 오래된 건물을 이미 죽어가는 환자처럼 대하는 것을 멈출 수 있다는 것을 증명합니다. 날씨를 관찰하는 작은 센서와 색상을 관찰하는 스마트 AI를 결합함으로써, 우리는 열대 지역 문화유산 현장에서 고위험 조건을 감지하는 데 4~16시간의 기술적 우위를 점할 수 있습니다. 이는 "사후 대응적"(부서진 벽을 고치는 것)에서 "예측적"(위험을 조기에 식별하는 것)으로의 전환입니다. 비록 이 시스템이 다른 도시에서의 추가 테스트, 더 나은 센서, 그리고 관리자들이 경고에 따라 행동할 수 있는지 확인하기 위한 실제 운영 시험을 필요로 하지만, 이 연구는 변화하는 기후 속에서 우리의 역사가 당당히 서 있을 수 있도록 하는 희망적이고 데이터에 기반한 방법을 제시합니다.