기술 요약: RoRo 선박의 서비스 시간 예측을 위한 디지털 트윈 충실도(Fidelity) 연구

문제 정의

로로(RoRo) 터미널 운영은 이질적인 화물과 인간 노동력(터그 드라이버)에 대한 높은 의존도로 인해 변동성이 크며, 이로 인해 처리 시간을 예측하기 어렵다는 특징이 있다. 이러한 불확실성은 선박의 예상 출항 시간(ETD) 예측을 복잡하게 만든다. 정확한 ETD 예측은 항만 내 배출가스 및 연료 비용을 최소-화하기 위해 선박 엔진 예열 타이밍과 육상 전력 사용을 조절하는 등 후속 운영을 조율하는 데 매우 중요하다.

디지털 트윈(DT)은 실시간 의사결정 지원을 위한 경로를 제시하지만, 로로 터미널의 DT 도입에는 세 가지 주요 장벽이 존재한다:

1. 경제적 측면: 모든 터그(Tug)와 화물 단위에 IoT 센서를 설치하고 실시간 데이터 처리를 위한 인프라를 구축하는 데 따르는 높은 비용.
2. 계산적 측면: 스케줄링 문제는 동적이고 확률적인 조건 하에서 최적해를 실시간으로 찾아내기에 계산적으로 매우 까다롭다(Intractable).
3. 인적 측면: 인간 작업자에 대한 의존도는 데이터만으로는 완벽하게 예측할 수 없는 행동적 변동성을 유발한다.

결과적으로, 터미널 운영자는 효과적인 의사결정에 필요한 충실도(정확도 및 데이터 세밀도)와 고충실도 시스템 개발 및 유지 관리 비용 사이에서 절충안을 찾아야 한다. 본 연구는 로로 스테베도링(Stevedoring)에서 의미 있는 운영 결정을 내리기 위해 필요한 디지털 트윈의 최소 충실도가 어느 정도인지 조사한다.

방법론

본 연구는 이산 사건 시뮬레이션(DES)과 규칙 기반 휴리스틱(RBH)을 기반으로 한 "실용적인(Pragmatic)" 디지털 트윈 아키텍처를 제안한다. 이 시스템은 독일 킬(Kiel) 항구의 실제 데이터를 사용하여 로로 터미널을 모델링한다.

시스템 아키텍처

프레임워크는 상호 작용하는 두 가지 구성 요소로 이루어진다:

• 아날로그 트윈 (Analog Twin, AT): 물리적 터미널(Ground Truth)을 나타내는 확률적 이산 사건 시뮬레이션이다. 터그의 이동, 화물 취급 및 선행 제약 조건을 시뮬레이션한다.
• 디지털 트윈 (Digital Twin, DT): "시뮬레이션 내부의 시뮬레이션(Simulation-in-simulation)"을 실행하는 시뮬레이션된 에이전트이다. AT로부터 상태 업데이트를 받아 운영을 계획하고 결과를 예측한다.

핵심 모듈

1. 계획 모듈 (Planning Module): DT는 규칙 기반 휴리스틱(예: 열 단위 또는 대각선 하역/적재)을 사용하여 실행 가능한 운영 순서를 생성한다. 작업 부하를 균형 있게 배분하기 위해 라운드 로빈 방식으로 화물을 터그에 할당한다. 불확실성을 고려하기 위해, DT는 몬테카를로 방법을 통해 처리 및 이동 시간을 변화시키며 각 스케줄당 $n=51$회의 확률적 시뮬레이션을 수행한다. 최적의 스케줄은 평균 메이크스팬(Makespan)과 최악의 경우(상위 5%) 평균 메이크스팬을 모두 최소화하는 가중 목적 함수를 기준으로 선택된다.
2. 예측 및 결정 모듈 (Prediction & Decision Module): DT는 시뮬레이션된 메이크스팬의 분포를 분석하여 ETD를 예측한다. 또한 $k$-분위수 대리 지표(k-quantile proxy)를 사용하여 출항 15분 전에 트리거되는 선박 엔진 전환의 최적 시점을 결정한다. 다음 계획 반복(Iteration)의 타이밍은 잔여 공정 시간을 기준으로 대기 시간을 동적으로 조정하는 $p$-of-$q$ 규칙에 의해 제어된다.

실험 설계

본 연구는 DT의 충실도를 체계적으로 저하시켜 다양한 시나리오에서의 강건성을 테스트한다:

• 유효성 감소 (Validity Reduction): 예상 처리 시간에 대한 계통적 오류(과대/과소 추정) 도입, 가정된 무작위성 수준(분산) 조작, 공정 로직 변경(터그가 차단된 작업을 건너뛰도록 허용).
• 세밀도 감소 (Granularity Reduction): 실시간 업데이트를 주기적인 스냅샷(25분마다)으로 대체하고, 재계획 지연의 영향을 분석.
• 구조적 교란 (Structural Disruptions): 프로세스 중 서로 다른 단계(80분 및 95분)에서 발생하는 터그 고장을 시뮬레이션하여 회복 능력을 테스트.

이러한 시나리오들은 다음 두 가지 벤치마크와 비교되었다:

1. First ETD: 스테베도링 시작 전 작성된 정적 계획으로, 재계획이 없음.
2. 16 Cargo Units Left: 화물 16개가 남았을 때 엔진 예열을 트리거하는 규칙 기반 휴리스틱.

주요 결과

100개의 생성된 인스턴스를 바탕으로 한 계산 연구의 결과는 다음과 같다:

• 기초 성능 (Baseline Performance): DT는 정적 계획보다 성능이 월등히 뛰어났다. 예열 시간의 평균 절대 오차(MAE)는 DT가 56초였던 반의, First ETD 벤치마크는 5분 13초, "16개 화물 잔류" 규칙은 2분 8초였다. 또한 DT는 반복적인 재계획을 통해 평균 선박 서비스 시간(VST)을 약 4분 단축했다.
• 유효성 오류에 대한 강건성: DT는 처리 시간에 대한 가정이 계통적으로 잘못되었을 때도(예: 실제 시간의 150% 또는 70%로 가정) 강건함을 유지했다. 오차가 증가하더라도 반복적인 재계획 메커니즘이 대부분의 편차를 보완하여 최종 단계에 미치는 영향을 제한했다.
• 세밀도 손실에 대한 강건성: 실시간이 아닌 스냅샷을 통해 업데이트될 때, DT의 성능은 약간 저하되었으나(MAE가 약 1분 20초로 증가) 여전히 벤치마크보다 우수했다. 시스템은 누락된 데이터를 효과적으로 보간했으나, 빈번한 가정(Assumption)이 재계획의 범위를 제한했다.
• 교란 관리: 터그 고장 발생 시, DT는 남은 작업을 남은 터그들에게 재할당함으로써 성공적으로 적응했다. MAE는 기초 성능 대비 몇 초 정도만 미미하게 증가한 반면, 벤치마크들은 적응에 실패하여 10분이 넘는 오차를 기록했다.
• 결합 스트레스 테스트: 터그 고장과 스냅샷 업데이트를 결합한 상황에서도 DT는 벤치마크들이 이상적인 조건에서 작동할 때보다 낮은 MAE(1분 25초)를 유지했다.

의의 및 기여

본 논문은 로로 터미널의 디지털 트윈 도입 장벽이 흔히 생각하는 것보다 낮다는 점을 주장한다. 주요 기여는 다음과 같다:

1. 실용적 아키텍처: 단순한 규칙 기반 DT와 확률적 시뮬레이션을 결합하면 막대한 인프라 투자나 복잡한 최적화 알고리즘 없이도 상당한 가치를 제공할 수 있음을 입증했다.
2. 충실도 절충 분석: 효과적인 의사결정을 위해 반드시 고충실도(실시간, 완벽한 데이터)가 필수적인 것은 아니라는 경험적 근거를 제시했다. 감소된 유효성과 세밀도를 가진 시스템이라도 정적 계획이나 단순 휴리스틱보다 우수한 성능을 보인다.
3. 회복 탄력성: 제안된 DT 아키텍처는 구조적 교란(터그 고장)과 데이터 지연에 대해 회복 탄력성을 입증하였으며, 이는 불확별성이 큰 로로 운영 환경에 적합하다.

한계 및 향 향후 과제

저자는 다음과 같은 한계를 인정한다:

• 모델은 모든 화물이 터그에 의해 처리된다고 가정하며, 운전자가 직접 다루는 단위(트럭)는 제외한다.
• 적재(Stowage) 및 야드 계획은 정적인 것으로 간주되나, 실제 운영에서는 동적인 재배치가 발생한다.
• 인간의 행동은 순응적이라고 모델링되어, "알고리즘 혐오(Algorithm aversion)"를 간과한다.
• 강화 학습과 같은 정교한 최적화 방법과의 벤치마킹을 수행하지 않았다.

향-후 연구로는 역사적 데이터를 사용하여 매개변수를 스스로 보정함으로써 계통적 오류를 수정하는 **적응형 DT(Adaptive DT)**를 탐구하고, DT와 인간 운영자 간의 상호작용을 연구할 것을 제안한다. 또한, 속도를 위한 규칙 기반 휴리스틱과 후기 단계의 정교한 최적화를 결리한 하이브리드 접근 방식도 제안되었다.