Artificial Intelligence and Data-Driven Leakage Management for Sustainable and Resilient Water Distribution Systems: A Critical Review

물은 현대 도시의 생명선이며, 거대한 보이지 않는 파이프 네트워크를 통해 흐르며 가정, 학교, 기업에 전달됩니다. 그러나 이 시스템은 끊임없이 '조용한 도둑'인 누수로부터 공격을 받고 있습니다. 파이프가 균열되거나 연결 부위가 실패하면, 처리된 물은 수도꼭지에 도달하기도 전에 땅속으로 빠져나갑니다. 이러한 손실은 단순히 물이 낭비되는 문제에 그치지 않습니다. 이는 물을 펌프질하고 처리하는 데 사용되는 에너지의 막대한 소모를 의미하며, 서비스 비용을 증가시키고, 전체 네트워크의 구조적 무결성을 약화시킬 수 있습니다. 수십 년 동안 이러한 누수를 찾는 것은 운에 맡기는 어려운 게임이었으며, 종종 노동자들이 거리를 걸으며 새어 나오는 소리를 듣거나 파이프가 완전히 터질 때까지 기다리는 방식에 의존해 왔습니다. 문제는 누수가 매우 미세할 수 있고, 땅속 깊이 묻혀 있을 수 있으며, 그 신호가 일상적인 용수 사용의 일반적인 소음에 의해 쉽게 묻힐 수 있다는 점입니다.

이러한 지속적인 문제에 대응하여, 물 네트워크를 스마트하고 자가 인식 능력을 갖춘 시스템으로 바꾸겠다고 약속하는 새로운 기술의 물결이 등장했습니다. 이 접근 방식은 인공지능과 데이터 기반 모델을 활용하여 파이프의 소리를 듣고, 패턴을 분석하며, 물이 정확히 어디에서 새고 있는지 찾아내는 데 의존합니다. 연구자들은 이제 컴퓨터가 갑작스러운 파열인지, 아니면 느리고 꾸준한 낙수인지와 같은 누수의 미세한 지문을 인식하도록 가르치고 있습니다. 그러나 이러한 기술이 발전함에 따라 중요한 질문이 남습니다. 컴퓨터 시뮬레이션에서는 완벽하게 작동하는 정교한 알고리즘이, 복잡하고 소음이 많은 실제 도시의 현실에서도 과연 버텨낼 수 있을 것인가 하는 점입니다.

오타와 대학교와 캐나다 국립연구소(NRC) 연구진의 종합적인 검토는 이 질문에 답하기 위해 마련되었습니다. 연구팀은 새로운 기계를 만들거나 새로운 센서를 테스트한 것이 아닙니다. 대신, 그들은 연구 자체의 조사관 역할을 수행하며 2010년부터 2026년 사이에 발표된 수십 편의 연구를 수집하고 분석했습니다. 그들의 목표는 인공지능이 물 누수를 관리하는 데 어떻게 사용되고 있는지에 대한 전체적인 지형도를 그려서, 어떤 방법이 가장 효과적인지 확인하고, 이 분야가 여전히 부족한 부분이 어디인지를 식별하는 것이었습니다. 그들은 단순한 통계적 도구부터 인간의 뇌를 모방하여 소리와 진동 데이터를 처리하는 복잡한 신경망에 이르기까지 모든 것을 조사했습니다.

이 검토 결과, 모든 누수 문제를 해결하는 단 하나의 '마법의 탄환' 같은 알고리즘은 없다는 사실이 드러났습니다. 컴퓨터 모델의 효과는 전적으로 그것이 사용되는 맥락에 달려 있습니다. 예를 들어, 압력 센서를 사용하여 갑작스럽고 큰 파이프 파열을 탐지하는 데 탁월한 방법은 음향 센서를 사용하여 느리고 조용한 누수를 찾는 데는 완전히 실패할 수 있습니다. 연구진은 많은 연구가 매우 높은 성공률을 보고하고 있지만, 이러한 수치는 종종 통제된 환경에서 나온 것이라는 점을 발견했습니다. 데이터가 깨끗하고 규칙이 완벽한 컴퓨터 시뮬레이션에서는 알고리즘이 거의 완벽한 정확도에 도달할 수 있습니다. 하지만 이와 동일한 모델들이 실제 물 네트워크의 실제 데이터로 테스트될 때, 그 성능은 종종 떨어집니다. 현실 세계는 시뮬레이션이 포착하기 어려운 변수들을 도입합니다: 파이프의 다양한 재질, 교통 및 건설 현장의 배경 소음, 그리고 시간대에 따라 사람들이 물을 사용하는 방식의 예측 불가능한 변화 등이 그것입니다.

이 검토에서 가장 중요한 발견 중 하나는 실험실과 현장 사이의 간극입니다. 가장 유망한 연구 중 다수는 EPANET과 같이 널리 사용되는 물 네트워크 컴퓨터 모델에 의해 생성된 데이터에 의리하고 있습니다. 이러한 시뮬레이션은 아이디어를 테스트하는 데는 가치가 있지만, 실제 도시의 복잡성을 완전히 재현할 수는 없습니다. 연구진은 홍콩이나 싱가포르와 같은 실제 도시의 실제 음향 센서로부터 얻은 기록과 같은 실제 데이터를 사용한 연구들이 더 완만하지만 더 신뢰할 수 있는 결과를 보여준다는 점에 주목했습니다. 이러한 실제 세계의 테스트는 소음과 센서 배치가 결정적인 요소임을 보여줍니다. 즉, 토양이나 파이프 재질이 소리의 전달 방식을 변화시키기 때문에 어떤 모델은 한 동네에서는 잘 작동할 수 있지만, 다른 동네에서는 실패할 수 있다는 것입니다.

또한 이 검토는 연구자들이 문제에 접근하는 방식이 변화하고 있음을 강조합니다. 초기 노력은 누수와 누수가 아닌 것을 구별하는 단순한 '탐지'에 집중되었습니다. 오늘날의 초점은 정확한 '위치 특정(localization)', 즉 누수가 발생하는 정확한 파이프나 구간을 찾는 것과, 누수의 규모를 결정하는 '심각도 추정(severity estimation)'으로 확장되고 있습니다. 디지털 트윈(digital own), 즉 센서 데이터와 함께 실시간으로 업데이트되는 물리적 물 네트워크의 가상 복제본을 사용하는 것과 같은 새로운 기술들도 등장하고 있습니다. 이러한 디지털 트윈을 통해 엔지니어들은 시나리오를 테스트하고 누수가 발생하기 전에 예측할 수 있습니다. 또한 물리 법칙과 머신러닝을 결합한 하이브리드 접근 방식도 부상하고 있는데, 이는 컴퓨터의 예측이 알려진 물의 흐름 법칙에 따라 타당한지를 보장합니다.

이러한 발전에도 불구하고, 연구진은 기술이 물 유틸리티 기업들에 의해 널리 채택되는 것을 방해하는 몇 가지 지속적인 격차를 확인했습니다. 주요 이슈는 표준화된 테스트의 부재입니다. 각 연구가 서로 다른 데이터, 서로 다른 센서, 서로 다른 성공 측정 방식을 사용하기 때문에, 한 방법과 다른 방법을 비교하기가 어렵습니다. 더욱이, 많은 연구가 데이터를 어떻게 준비했는지 또는 모델을 어떻게 튜닝했는지에 대한 세부 정보를 충분히 보고하지 않아, 다른 과학자들이 연구를 재현하기 어렵게 만듭니다. 또 다른 결정적인 과제는 '클래스 불균형(class imbalance)' 문제입니다. 일반적인 물 네트워크에서 누수는 정상적인 물 흐름에 비해 드문 사건입니다. 이는 컴퓨터가 매번 "누수 없음"이라고 단순히 추측하도록 훈련받아도 여전히 99%의 정확도를 보이는 것처럼 보일 수 있지만, 실제 누수는 모두 놓칠 수 있음을 의미합니다. 연구진은 성공 여부를 단순한 전체 정확도 점수가 아니라, 희귀한 누수를 얼마나 잘 찾아내고 얼마나 적은 오보를 발생시키느냐로 측정해야 한다고 주장합니다.

저자들은 또한 생성형 인공지능과 거대 언어 모델이 운영자의 의사결정을 도울 수 있는 잠재력에 주목하며 미래를 전망합니다. 이러한 도구들은 센서, 과거 기록, 유지보수 로그로부터 데이터를 수집하여 최선의 조치를 제안하는 지능형 비서 역할을 할 수 있습니다. 그러나 연구진은 이러한 고급 시스템을 주의 깊게 사용해야 한다고 경고합니다. 단순히 경보를 울리는 단순한 탐지기와 달리, 의사결정 시스템은 존재하지 않는 문제를 '환각(hallucinating)'하거나 네트워크에 손상을 줄 수 있는 행동을 제안하는 것을 피하기 위해 물리적 현실에 근거해야 합니다. 궁극적인 목표는 단순히 더 똑똑한 알고리즘을 만드는 것이 아니라, 유틸리티 기업들이 믿고 사용할 수 있는 신뢰할 수 있는 시스템을 구축하여 물을 절약하고, 에너지 비용을 줄이며, 인프라의 회복력을 유지하는 것입니다.

결론적으로, 이 검토는 인공지능이 물 누수를 관리하기 위한 강력한 새로운 도구를 제공하고 있지만, 이 기술이 아직 완성된 제품은 아니라고 결론짓습니다. 앞으로 나아가기 위해서는 시뮬레이션 환경에서의 고립된 실험에서 벗어나 실제 도시에서의 엄격한 테스트로 나아가야 합니다. 이는 연구자들이 자신의 모델이 어려운 조건에서 어떻게 작동하는지, 그리고 불가피한 현실의 소음을 어떻게 처리하는지를 명확하게 보고하는 투명성에 초점을 맞출 것을 요구합니다. 이러한 고급 분석 방법들을 물 유틸리티의 실질적인 필요와 연결함으로써, 이 분야는 효율적일 뿐만 아니라 진정으로 지속 가능하고 회복력 있는 물 분배 시스템의 미래로 나아갈 수 있습니다. 기술은 학습할 준비가 되어 있지만, 엔지니어들이 물리적인 파이프 자체에 적용하는 것과 동일한 주의와 현실감을 가지고 교육되어야 합니다.