1. 서 론
1.1 연구배경 및 필요성
1.2 연구동향
1.3 연구목적
2. 상수관로 노후도 평가 기법
2.1 점수평가법
2.2 ANN-Clustering (Self-Organizing Map, SOM)
3. 적용 및 결과
3.1 적용대상지역 현황
3.2 점수평가법 적용결과
3.3 ANN-Clustering기법 적용결과
3.4 점수평가법과 ANN-Clustering 모형의 결과 비교
3.5 대상지역의 유수율과 노후도 판정기법의 결과 비교
4. 결 론
1. 서 론
1.1 연구배경 및 필요성
상수도는 깨끗한 생활용수의 공급을 통해 국민의 공중 보건 및 생활환경 향상에 이바지하며, 공업용수 공급으로 경제발전에 기여한다. 정수장에서 최종 수요지점까지 안정적으로 상수가 공급되어야하지만, 상수관로의 노후화로 인한 누수 및 수질저하가 사회적인 문제로 대두되고 있다. 그러므로 안정적인 용수공급을 위해서는 상수관로의 유지관리가 중요하다. 상수관로는 대부분 지하에 매설되어 있으며 지형적 특성(매설토양, 수압 등)에 영향을 받기 때문에 정확한 부식 및 노후화 정도를 파악하고 예측하는 것이 매우 어렵다. 따라서 실측을 통한 평가보다는 간접적으로 상수관로의 노후도를 진단할 수 있는 평가방법이 필요하다. 현재 국내의 경우, 수도 사업자의 경험에 의하여 정비 대상 노후관로를 선정하던 기존의 방식을 탈피하기 위해 관망성능평가 결과를 이용하여 점수를 부여하는 방식으로 진행되는 점수평가법과 같은 노후도 평가 관련 연구가 진행되고 있다.
1.2 연구동향
국내외에서 관로 시설에 대한 상태평가 및 노후도 평가모델 개발을 위한 연구가 진행되고 있으며, 대표적인 연구동향을 정리하면 다음과 같다. Lee (1994)는 관로 내부 및 외부에서 발생하는 노후도 관련 인자를 이용하여 노후도 판정기법인 점수평가법을 제시하였으며, K-water (1995)에서는 노후도와 관련된 각 인자들의 상태에 따라 점수를 부여하고, 각 인자항목의 점수를 합산하여 우선적으로 정비해야할 관로를 판별하는 점수평가법으로 우리나라 실정에 맞는 모델을 제시하였다. 해당 연구는 노후화에 영향을 미치는 인자들의 노후도 정도에 따른 점수를 산정하여, 이를 합산한 총 점수를 기준으로 해당 관로의 보수 혹은 교체 여부를 판단하였다. 이후, 점수평가법 이외에도 인공신경망 등을 이용하여 관로의 노후도를 평가하는 연구가 진행되었다. Lee et al. (2000)은 확률적신경망(PNN) 알고리즘을 이용하여 노후도에 영향을 미치는 인자마다 현재 상태의 특성을 확률적 조건값을 사용하여 현 상태에 맞는 확률로 나타내었으며, 인자항목별 점수배분과 총점에 대한 기여도의 수정을 위해 가중치 행렬을 조정함으로써 상수관로 노후도 추정에 관한 연구를 진행하였다. Kim (2003)은 확률적신경망 알고리즘을 도입하여 매설된 관의 노후도 정도를 5등급으로 나누어 확률의 크기로 분류하는 모형을 제시하였다. 또한, 매설된 관의 노후도 정도를 파악한 후, 이를 기준으로 최대 잔존수명을 추정하여 개량 계획을 수립할 수 있는 모형을 제안하였다. Lee (2010)는 주성분분석과 인공신경망을 연계한 노후도 추정 모델을 개발하여, 간접평가에 의한 노후도와 직접평가에 의한 노후도 간의 패턴을 인공신경망으로 학습시켜 상수관로의 노후도를 추정하고, 그 결과에 따라 갱생 및 교체 우선순위를 결정하는 연구를 수행하였다. 이외에도, Park et al. (2011)은 상수관로의 개량 우선순위의 결정에 고려되어야 할 인자 또는 요소를 각 관로의 특성과 관로의 파손이 전체 관망에 미치는 영향으로 구분하여 체계적으로 고찰하였다. 이러한 요소들을 퍼지기법에 적용하여 정량적으로 우선순위를 산정할 수 있는 모형을 개발하였으며, 이를 소규모 예제 관망에 적용하여 개발된 모형과 방법론의 적용 예를 제공하였다. Yoo et al. (2010)은 관로의 노후도와 수리학적 중요도를 동시에 고려하여 관로 개량우선순위를 결정하는 기법을 제안하였으며, 최종적인 관로별 개량 우선순위 산정을 위하여 Utopian Approach를 사용하였다. Yoo et al. (2014) 은 다기준 의사결정방법을 이용하여 정상 및 재해 상황 그리고 단일 및 다중관로의 파괴 상황을 모두 고려하여 관로의 개량우선순위를 도출할 수 있는 모형을 개발하고 적용하였다.
1.3 연구목적
상수관로의 노후도 평가를 위해서는 관로에 대한 정확한 정보가 우선적으로 확보되어야 하며, 진단 결과에 대한 후속 조치 및 평가 기준이 확립되어야 한다. 국내에서 일반적으로 활용하고 있는 점수평가법은 모델 적용이 간편하고 평가항목 수에 대한 제약이 없지만, 평가점수를 기준으로 한 선형분류이며 분류에 대한 기준이 명확하지 않은 단점이 있다. 본 연구에서는 ANN을 이용한 Clustering기법을 상수관로의 노후도 평가 및 분류를 위한 방법으로 제시하였으며, 국내에서 운영 중인 상수관망시스템을 대상으로 적용가능성을 분석하였다. 본 논문의 본론은 크게 방법론과 적용 및 결과분석으로 구성되며, 방법론에서는 기존의 점수평가법과 본 연구에서 진행한 ANN을 활용한 Clustering 이론에 대하여 설명하였다. 적용 및 결과분석에서는 대상 지역의 관로에 각 평가기법을 적용한 결과를 정리하였다. 또한, 노후도 평가 결과와 대상 지역의 유수율 진단 결과를 비교, 분석하여 제시한 모형의 적용가능성을 판단하였다. 결론에서는 분석 결과를 요약 및 정리하였으며, 추가적으로 필요한 향후 연구 방향에 대하여 소개하였다.
2. 상수관로 노후도 평가 기법
2.1 점수평가법
점수평가법(Numerical Weighting Method, NWM)은 노후도 인자 및 가중치에 의한 점수를 기준으로 노후도를 평가하는 방법이다. 국내에서 적용하고 있는 노후도 평가항목은 한국상하수도협회(Korea Water and Wastewater Association, KWWA)의 상수관로 개량매뉴얼을 포함하여 K-water 및 각 지자체별로 각각 상이하다. Table 1은 환경부(Ministry of Environment, MOE), K-water 및 한국상하수도협회에서 제시한 평가항목을 나타내며, 본 연구에서 적용한 9가지 평가항목을 함께 수록하였다.
Table 1. Water pipe deterioration assessment factors
본 연구에서 적용한 평가항목은 ‘관종’, ‘관 직경’, ‘매설년수’, ‘외면피복’, ‘내면피복’, ‘관 매설주변도로현황’, ‘연간 누수건수’, ‘연간 민원건수’, ‘최대정수압’ 등 총 9가지에 해당한다. 각각의 평가항목에 대하여 관로의 노후도에 따라 상, 중, 하 3가지 상태로 구분한 후 각각 1점, 0.5점, 0점의 조건값을 부여하였다. 각 평가항목의 중요도에 따라 가중치를 적용하며, 본 연구에서 사용한 가중치 설정값은 Table 2와 같다. 해당 값은 KWWA (2015)에서 제시한 가중치를 참고하였으며, 가중치의 합은 1.0이 되도록 하였다.
Table 2. Weighting factors for individual assessment factors (KWWA, 2015)
가중치 설정이 완료된 후, 각 평가항목별 조건값과 가중치를 함께 고려하여 Eq. (1)에 따라 관로별 평가점수를 산정한다. 이후 각각의 관로는 해당 평가점수에 따라 3가지 등급으로 분류된다.
| $$A=\sum_{i=1}^nx_i$$ | (1) |
여기서, x는 조건값과 가중치가 적용된 각 평가항목별 점수, n은 평가항목의 개수, A는 해당 관로의 총 평가점수이다.
2.2 ANN-Clustering (Self-Organizing Map, SOM)
인공신경망(ANN) 기법은 인간의 생물학적 뉴런 구조를 기반으로 한 머신러닝 기법으로 다양한 학문분야에서 지속적인 연구가 진행되어 왔다. 본 연구에서 적용한 인공신경망 알고리즘은 자기조직화지도(Self-Organizing Map, SOM)로서 다차원의 자료를 2차원으로 사상(mapping)시켜 가시화가 쉽고, 이에 따라 자료의 특성파악을 위한 분석도구로 활용될 수 있어 최근 패턴분류 방법에 적용이 활발하게 이루어지고 있다. 1984년 핀란드의 전기공학자 T. Kohonen에 의해 개발된 자기조직화지도는 비지도 학습(Unsupervised learning) 신경망 모델의 한 종류이다. 인공신경망을 기반으로 한 SOM 기법은 비선형적인 관계 분석과 쉽고 빠른 자료의 업데이트 등의 장점을 가지고 있다(Hong, 2001). 여기서, 비지도 학습이란 훈련과정에 목표값(Target value)을 갖지 않는 학습방법을 의미한다.
SOM은 구조적으로 계산 단위체인 노드(Node 혹은 Neuron) 로 구성된 입력층과 출력층의 2개층으로 구성된다. 입력층(Input layer)은 자료를 입력받는 곳이고, 출력층(Output layer) 은 입력받은 자료를 계산한 후 결과를 표출하는 층이며, 입력층과 출력층에 분포하는 노드는 가중치(Weight)로 서로 연결되어있다. 가중치는 입력층과 출력층 사이의 연결강도를 의미하며, 반복적인 계산과정을 거쳐 가중치를 조절하게 되는데, 이러한 과정이 바로 인공신경망에서 학습과정(Learning process)에 해당한다. 따라서, 학습과정은 주어진 자료를 SOM 에 반복 입력하여 입력층과 출력층 사이의 연결강도가 입력자료의 정보특성을 반영하도록 하는 과정이다. 출력층은 가로와 세로 방향의 최적의 배열을 위해 일반적으로 육각형 혹은 사각형의 격자 형태를 사용하며(Kohonen, 2002), 출력 노드의 수는 규정된 원칙은 없으나 본 연구에서는 점수평가법과 동일하게 3개의 등급으로 분류하기 위하여 3개의 격자(3×1)를 지정하였다.
SOM의 개략적인 구조는 Fig. 1과 같다. Fig. 1의 경우, 3개의 입력노드와 9개의 출력노드로 구성되어 있으며 출력층의 경우 사각형 격자 배열의 형태이다. 입력노드와 출력노드는 화살표로 표시한 가중치로 연결되어 있다.
Fig. 2는 SOM 알고리즘의 계산순서를 나타낸 흐름도이며 요약하면 다음과 같다. 입력노드의 수는 n개 이며(평가대상 관로의 수), 각각의 입력노드는 m개의 특성값(평가항목)을 가지고, 출력노드는 k개(분류등급의 수)로 가정할 경우, 입력노드는 Eq. (2)와 같이 m×n 행렬로 표현할 수 있다.
| $$X_n:\left[x_1,\;x_2,\;x_3,\;\dots,\;x_m\right]^T$$ | (2) |
입력노드와 출력노드 사이의 가중치 또한 행렬의 형태로 구성되어 있으며, 하나의 입력노드에 대하여 모든 출력노드가 서로 가중치로 연결된다. 예를 들어, 1번 입력노드와 1번 출력노드 사이의 가중치 w11 은, 입력노드가 m개의 특성값을 가지게 되므로, 임의의 값으로 초기화 된 m개의 값을 가진 Eq. (3)의 열벡터로 구성된다.
| $$w_{11}=\left[W_1,\;W_2,\;W_3,\;\dots,\;W_m\right]^T$$ | (3) |
따라서 1번 입력노드와 연결된 1번부터 k번까지의 모든 출력노드가 각각의 가중치 열벡터를 가지게 되어, 하나의 큰 행렬이 Eq. (4)와 같이 m×k의 가중치 행렬이 1번 입력노드에 대해서 구성된다.
| $$w_1=\left[W_{11},\;W_{12},\;W_{13},\;\dots,\;W_{1k}\right]$$ | (4) |
가중치 행렬 초기화 후, Fig. 2의 알고리즘 (3)번 과정에서와 같이 각각의 입력노드에 대하여 모든 출력노드와의 거리를 Eq. (5)를 이용하여 계산한다.
| $$D=\overset n{\underset{i=1}{\sum\left(X_i-W_i\right)^2}}$$ | (5) |
여기서, D는 거리(distance), n은 입력노드의 총 개수를 의미한다. 예를 들어, 1번 입력노드 X1의 경우 k개의 출력노드와 연결된 W1의 가중치의 각각의 열벡터와의 거리를 계산하게 된다. 거리를 계산하였을 때 가장 가까운 거리에 속한 출력노드가 선택되는 것이 알고리즘 (4)번 과정에 해당한다. 거리가 가장 가깝게 선택된 출력노드와 그 주변의 이웃노드는 가중치를 조정하게 되며, 가중치는 Eq. (6)를 이용하여 조정한다. 이와 같이 거리가 가장 가까운 노드만이 가중치를 조정할 수 있으므로 이를 ‘승자독점(winner takes all)’ 개념이라 하며, 승자노드만이 최종적으로 입력노드를 포함할 수 있다.
| $$w_{nk(new)}=w_{nk(old)}+\alpha(X_n-w_{nk(old)})$$ | (6) |
wold는 조정하기 전의 가중치이며, wnew는 조정 후의 가중치를 의미한다. 이때, 𝛼는 가중치 조정을 위한 학습률을 의미하며, 학습 과정이 진행될수록 그 값은 작아지게 되어 입력노드와 출력노드 간의 유사성을 더 강하게 만드는 역할을 한다. 즉, 출력노드가 입력노드의 정보 특성을 잘 반영하는 Cluster를 구성할 수 있도록 하는 것이다.
알고리즘 (6)번 과정에서 지금까지의 과정을 n개의 입력노드에 대하여 모두 수행하였으면, 알고리즘 (8)번 단계로 이동한다. 그렇지 않은 경우에는 알고리즘 (7)번 단계로 이동하여, 남은 입력노드에 대하여 입력노드와 출력노드 사이의 거리를 계산하고, 가중치를 조정하는 과정을 다시 수행한다.
마지막 노드까지 본 과정을 수행 완료하였다면, 알고리즘 (8)번 단계에서 입력 노드에 대하여 최대 반복횟수까지 수행하였는지 검토하고, 최대 반복횟수까지 수행하지 않았을 경우 알고리즘 (9)번 단계에서 현재의 입력노드부터 최대반복횟수까지 수행하도록 하는 과정을 거친다. 최대 반복횟수까지 수행하기 위하여 알고리즘 (10)번 단계에서 학습률 𝛼를 조정한 후, (3)번 과정으로 돌아가 입력노드와 가중치를 계산하는 과정부터 다시 수행하여 최대 반복횟수까지 반복한다. 반면, 모든 입력노드에 대하여 최대 반복횟수까지 수행하였을 경우 알고리즘은 종료되며, 최종 출력노드에서 각기 다른 특성값을 가진 입력노드 중 패턴이 유사한 입력노드들이 하나의 클러스터를 구성하여 출력된다. 이상의 과정이 SOM의 학습과정에 해당한다.
Fig. 3은 본 연구에서 활용한 SOM을 간략하게 나타낸 것이다. 본 연구에서 이용하는 SOM의 입력층의 입력노드에는 조건값과 가중치가 적용된 관로들의 평가항목 값을 입력한다. 예를 들어, 각 관로마다 9개의 평가항목을 가진 300개의 관로라면, 9×300의 행렬이 구성되며 입력노드는 총 300개에 해당한다. 또한 입력노드의 행렬을 구성할 때 평가항목의 순서는 동일해야 한다. 출력층의 경우, 기존의 점수평가법과 동일하게 3개의 등급으로 표현하기 위해 3×1의 출력층을 구성하였다면, 최종 출력층에서 3개의 클러스터가 1개의 층으로 배열되어 출력된다. 알고리즘 흐름도에 설명한 것과 같이 학습이 진행되는 동안 각각의 관로가 가진 9개의 평가항목 값의 패턴에 따라 최종 출력층에서 유사한 특성을 가진 관로들이 하나의 클러스터를 구성하게 된다.
3. 적용 및 결과
3.1 적용대상지역 현황
Fig. 4에 표시된 바와 같이, YG군의 상수관망시스템은 정수장 5개소와 배수지 10개소를 통해 용수공급이 이루어지고 있다. 총 관로연장은 1,073 km이며, 그 중 송수관로는 8 km (0.70%), 배수관로 796 km (74.2%), 그리고 급수관로 269 km (25.1%)로 구성되어 있다. 배수관로 및 급수관로는 PE관이 각각 61.4%, 78.9%로 비금속관이 차지하는 비율이 높았으며, 관로의 매설년수 현황은 매설 후 10년 이상 20년 미만의 관로가 각각 65.4%, 60.9%로 가장 높은 비율을 차지하고 있다.
YG군의 상수도 보급률은 2014년을 기준으로 91.5%로 과거 5년간(2010-2014) 보급률이 증가하는 추세이다. 그러나, 누수율 또한 2013년을 제외하고 지속적으로 증가하고 있으며 과거 5년간의 누수율은 매년 전국 평균 누수율을 훨씬 넘는 수치를 기록하고 있다. 2016년 상수도 통계(MOE, 2018)에 따르면, YG군의 평균 유수율은 55.8%로 전국 평균 유수율 84.8%에 비하여 현저히 낮은 수치를 보이고 있어, 노후관 개량이 시급함을 알 수 있다. 따라서 대상지역의 상수관 노후화로 인한 피해를 예방하기 위해서는 노후관의 보수 및 개량이 이루어져야 하며 이를 위해서는 기존관로의 노후도 평가 및 분류작업이 선행되어야 한다.
3.2 점수평가법 적용결과
점수평가법을 적용하기에 앞서 YG군의 평가대상 관로(배수관로 6,325개)의 기초자료를 수집하였다. 평가 항목은 총 9개로 관종, 관직경, 매설년수, 외면피복, 내면피복, 관 매설주변도로현황, 연간 누수건수, 연간 민원건수, 최대정수압 등이 포함된다. 각 평가대상 관로 별로 9개 평가항목 당 조건값과 가중치를 적용하여 Eq. (1)을 이용하여 평가점수를 산정하였다. 평가등급은 총 3가지로 분류하였으며, 평가점수가 0.75점 이상이면 A등급, 0.5점 이상 0.75점 미만이면 B등급, 0.5점 미만이면 C등급에 해당한다. 즉 평가점수가 1점에 가까울수록 비교적 노후가 진행되지 않은 안전한 관이라고 평가하였다. Table 3은 평가점수에 따른 평가등급 기준과 점수평가법으로 진행한 대상 지역의 평가 결과 및 권장 사후 조치를 정리한 표이다.
Table 3. Simulation results of numerical weighting method
| Total score | Assessment grade | Criteria | No. of pipes |
| > 0.75 | Grade A | Good | 3,041 |
| 0.50~0.75 | Grade B | Rehabilitation, scrubbing, Direct investigation | 2,841 |
| < 0.50 | Grade C | Replacement | 443 |
| 6,325 |
분석결과, 총 6,325개의 평가대상 관로 중 A등급에 해당하는 관로는 3,041개(48%), B등급 관로는 2,841개(45%), C등급 관로는 443개(7%)로 각각 분류되었다. 점수평가법으로 평가를 진행한 결과, 대상지역의 경우 A등급과 B등급이 대부분을 차지하였으며(93%), 사후 조치를 토대로 A등급의 경우 그대로 유지, B등급의 경우 직접 조사하거나 관로 세척 또는 갱생의 후속 조치를, 443개의 C등급에 해당하는 관로는 교체대상 관로에 포함하였다.
3.3 ANN-Clustering기법 적용결과
ANN-Clustering 기법은 점수평가법의 9가지 평가항목을 모두 포함한 9-Clustering모형과 평가항목 중 비교적 정량적 자료로 분류할 수 있는 관 매설년수, 연간 누수건수, 연간 수압관련 민원건수, 최대정수압 등 4가지 항목만을 포함시킨 4-Clustering모형으로 구분하여 노후도 평가를 진행하였다. 9-Clustering모형의 경우 점수평가법과 동일하게 조건값과 가중치를 적용하였고, 4-Clustering모형의 경우 4가지 평가항목에 대하여 가중치를 0.25로 동일하게 적용하였다. Clustering 기법을 이용한 판정 등급은 점수평가법과 동일하게 A, B, C의 3가지 등급으로 분류하였다.
3.3.1 9-Clustering모형
9-Clustering모형을 이용한 분류 결과, A등급 4,466개(70%), B등급 688개(11%), 그리고 C등급 1,171개(19%)의 관로가 포함되어 A등급이 가장 많은 비율을 차지하였다. 각 등급에 포함된 관로에 대하여 점수평가법을 이용하여 평가점수를 계산하였다. 계산 결과를 점수평가법의 분류 방법대로 0.75점 이상(A등급), 0.5점 이상 0.75점 미만(B등급), 0.5점 미만(C등급)으로 분류하여 각 등급에 해당하는 비율을 계산한 후 Table 4에 정리하였다. 예를 들어, 9-Clustering모형의 분류에 의해 A등급으로 판정된 관로 중 63.6%는 점수평가법에서도 A등급으로 동일하게 분류되지만, 35%는 B등급, 1.4%는 C등급으로 각각 상이하게 분류됨을 의미한다. 따라서 두 가지 분류방법의 부합여부를 정량적으로 판단할 수 있으며, 각 열의 합은 100%가 됨을 알 수 있다. 특이한 점은 9-Clustering모형에서 C등급으로 판정된 관로 중 68.5%에 해당하는 관로가 점수평가법에서는 B등급으로 분류가 되어 매우 상이한 결과를 나타내고 있다는 것이다.
Table 4. Comparison of 9-Clustering model with the numerical weighting method
| 9-;Clustering model | ||||
| Grade A | Grade B | Grade C | ||
| Numerical Weighting Method | Grade A | 63.6% | 27.2% | 1.1% |
| Grade B | 35.0% | 69.2% | 68.5% | |
| Grade C | 1.4% | 3.6% | 30.4% | |
3.3.2 4-Clustering모형
4-Clustering모형의 분류 결과, 각각 A, B, C 등급에 2,307개(36.5%), 1,911개(30.2%), 2,107개(33.3%)의 관로가 포함되어 비교적 균등한 비율을 나타내었다. 점수평가법과 9-Clustering 모형의 경우, A등급이 많은 비율을 차지한 것과 비교하여 상이한 결과로 나타났다. Table 5에서 4-Clustering모형과 점수평가법의 분류 결과를 비교하였다. 4-Clustering모형에서 B등급으로 분류된 관로 중 61.5%가 점수평가법에서는 A등급으로 분류되며, 4-Clustering모형에서 C등급으로 분류된 관로 중 61.5%가 점수평가법에서 B등급으로 분류되는 등 두 가지 분류방법이 크게 상이한 결과를 나타내고 있음을 알 수 있다.
Table 5. Comparison of 4-Clustering model with the numerical weighting method
| 4-Clustering model | ||||
| Grade A | Grade B | Grade C | ||
| Numerical Weighting Method | Grade A | 54.5% | 61.5% | 28.8% |
| Grade B | 39.7% | 33.0% | 61.5% | |
| Grade C | 5.8% | 5.5% | 9.7% | |
3.4 점수평가법과 ANN-Clustering 모형의 결과 비교
대상 지역 평가관로의 노후도 분류를 점수평가법, 9-Clustering 및 4-Clustering모형으로 진행하여 등급별로 분류된 관로의 개수를 Table 6에 정리하였다. 점수평가법의 경우 대상관로 중 약 93%에 해당하는 관로가 A등급과 B등급으로 판정되었고, 9-Clustering모형의 경우 A등급으로 분류된 관로가 대다수인 70%를 차지하는 것을 확인할 수 있다. 그에 비해, 4-Clustering모형의 경우 유사한 비율로 세 가지 등급으로 분류되고 있음을 알 수 있으며, 점수평가법과 9-Clustering모형에 비하여 C등급 판정을 받은 관로의 개수가 눈에 띄게 증가한 것이 특징이다.
Table 6. Results comparison between the applied models
참고로, 9-Clustering모형의 경우 점수평가법과 분류결과가 일치하는 관로가 3,673개로 약 60%를 차지하였고, 4-Clustering모형의 경우 점수평가법의 분류결과와 일치하는 관로는 2,091개로 33%에 불과하였다. 점수평가법과 9- Clustering모형은 동일한 평가항목(9개 항목)을 사용하는 반면, 4-Clustering모형의 경우 4개의 평가항목을 선택하여 분류를 수행하기 때문에 점수평가법과의 부합도가 낮은 것으로 판단된다.
세 가지 적용방법으로 평가한 대상 관로의 분류결과를 공간적으로 비교하기 위하여 대상지역의 상수관망도에 각각의 분류결과를 적용하여 Fig. 5에 도시하였다.
A, B, C 등급에 해당하는 관로를 각각 초록색, 파란색, 빨간색으로 표시하였으며, 검정색 관로는 평가에서 제외된 관로이다. 점수평가법을 적용한 분류결과에서 C등급 관로가 443개로 A등급과 B등급에 비하여 현저히 적었기 때문에 Fig. 5(a)에서도 전반적으로 초록색(A등급)과 파란색(B등급) 관로들이 많은 것을 확인할 수 있다. Fig. 5(b)의 9-Clustering모형 적용결과는 A등급의 관로가 4,466개로 가장 많았으므로 초록색 관로들이 전체 지역에 다수 분포하는 모습을 확인할 수 있다. Fig. 5(C)의 4-Clustering모형 적용결과에서는 빨간색으로 표시된 C등급 관로들이 상당수 분포하는 것을 확인할 수 있다. 그림을 통해 공간적으로 분류 결과를 비교한 결과, 적용한 세 가지 평가방법이 모두 상이한 결과를 나타내고 있음을 알 수 있다. 따라서, 세 가지 적용 방법 중 적절한 평가방법을 선정할 필요가 있으며, 이를 위해 다음 절에서는 대상지역의 과거 유수율과 적용기법의 결과를 비교, 분석하였다.
3.5 대상지역의 유수율과 노후도 판정기법의 결과 비교
대상 지역 내 배수구역은 총 10곳으로 Fig. 6에 배수지의 위치를 포함한 배수구역을 도시하였다. 지방상수도에 포함된 6곳의 배수지와, 광역상수도에 포함된 4곳의 배수지로 구성되며, 각 배수지는 YG군의 여러 읍과 리에 용수를 공급한다.
3.5 대상지역의 유수율과 노후도 판정기법의 결과 비교
대상 지역 내 배수구역은 총 10곳으로 Fig. 6에 배수지의 위치를 포함한 배수구역을 도시하였다. 지방상수도에 포함된 6곳의 배수지와, 광역상수도에 포함된 4곳의 배수지로 구성되며, 각 배수지는 YG군의 여러 읍과 리에 용수를 공급한다.
10곳의 배수구역 별 최대정수압과 해당 구역의 유수율 평가 결과를 Table 7에 나타내었다. 유수율이란, 정수장에서 생산하여 공급한 용수 중에서 수용가에 도달하여 요금으로 징수된 용수의 비율을 의미하며, 경제성 평가 및 해당 지역의 관로 상태를 간접적으로 판단할 수 있는 지표이므로 본 연구에서 활용하였다. 유수율 등급 판정은 환경부(2007)에서 제시하고 있는 기준을 적용하였으며, Table 8에 정리한 바와 같이 우수, 양호, 보통, 불량, 심각 등 총 5가지 등급으로 분류할 수 있다.
Table 7. Average of maximum static water pressure and results of revenue water ratio
Table 8. Grade classification based on revenue water ratio (MOE,2007)
| Assessment grade | Excellent | Good | Normal | Poor | Serious |
| Revenue water ratio (%) | > 90 | 80~90 | 70~80 | 60~70 | < 60 |
대상 지역의 유수율 평가 결과, 가장 높은 등급을 받은 배수구역은 ‘보통(76%)’으로 1곳이고 (7번 배수구역), 그 외 9개 배수구역의 평가 결과는 ‘불량’ 또는 ‘심각’ 단계 판정을 받았다. 2번과 3번 배수구역은 유수율이 30% 수준으로 매우 낮은 수치를 보이며 ‘심각’ 단계의 판정을 받았다. 참고로, 본 연구에서는 2016년도에 대상지역에서 수행된 유수율 평가결과를 참고하였다(KEC, 2016).
Fig. 7은 배수구역 별로 평균 최대정수압과 유수율 간의 관계를 비교하여 나타낸 그래프이다. 10곳의 배수구역 중 유수율이 가장 낮은 (33.8%) 2번 배수구역의 경우 최대정수압이 81.2 m로 산정되었고, 3번 배수구역의 최대정수압은 69.3 m로 두 배수구역의 최대정수압은 다른 지역에 비해 높은 수치를 기록하였다. 56.1%의 유수율로 심각단계 판정을 받은 8번 배수구역 또한 최대정수압이 다른 지역보다 높은 것을 확인하였다. 관로 내 수압이 높을 경우, 관로 손상과 누수량의 증가로 인해 유수율이 낮은 것을 확인하였다.
Table 9는 유수율 평가 결과가 ‘심각’ 단계에 해당하는 2, 3, 8번 배수구역의 유수율 평가결과와 점수평가법 및 ANN- Clustering기법을 이용하여 해당 배수구역 내 관로의 노후도 등급 평가결과를 함께 나타낸 표이다. 유수율이 낮은 배수구역일수록 관로의 보수 및 교체가 우선적으로 이루어져야 하므로 C등급을 받은 관로의 비율이 높을 것으로 예상할 수 있다. 가장 낮은 유수율(33.8%)을 나타낸 2번 배수구역의 경우, 점수평가법 평가결과 B등급이 66%, 9-Clustering모형의 결과 A등급이 67%로, 예상과는 다르게 과반수이상의 관로들이 비교적 좋은 노후도 평가를 받은 것을 확인하였다. 또한, 3번 배수구역의 유수율도 36.0%로 심각 단계임에도 불구하고, 점수평가법은 48%의 관로가 B등급, 9-Clustering모형은 71%의 관로가 A등급으로 평가되었음을 확인할 수 있다. 2번, 3번 배수구역은 유수율이 30%대로 매우 심각한 수준이므로 노후화된 관로의 비율이 높을 것으로 예상하였지만, 점수평가법과 9-Clustering모형의 결과 A등급 또는 B등급의 관로가 많은 것으로 평가되었다. 따라서 점수평가법과 9-Clustering모형은 해당 지역의 관로의 노후도를 평가하기에는 부적절한 평가방법이라고 판단하였다. 반면, 4-Clustering모형은 2번 배수구역의 관로 중 84%를 C등급으로 평가하였으며, 3번 배수구역의 경우 69%의 관로를 C등급으로 평가하였다. 8번 배수구역은 유수율 평가결과 심각단계의 판정을 받았지만, 2번과 3번 배수구역에 비하여 상대적으로 높은 56.1%의 유수율을 보였다. 실제로 4-Clustering모형의 평가결과, B등급은 57%, C등급은 32%로 각각 산정되어, C등급 관로의 비율은 감소하고, B등급 관로의 비율이 다소 증가하였다.
Table 9. Comparison of revenue water ratio and pipe deterioration assessment results
점수평가법 및 ANN-Clustering기법을 이용한 관로의 노후도 판정결과와 대상지역의 유수율 평가결과를 비교 분석한 결과, 4-Clustering모형이 대상지역의 용수공급 상황과 노후화 정도를 가장 잘 반영하는 것으로 나타났다. 4-Clustering모형은 주관적인 판단이 포함될 수 있는 일부 평가항목을 배제하고 정량적 자료로 분류할 수 있는 평가항목(관 매설년수, 연간누수건수, 연간수압관련민원건수, 최대정수압 등)만을 포함하여 관로의 노후도를 진단하였다. 따라서, 4-Clustering모형이 대상 지역의 노후도 판정에 적용성이 높은 것으로 판단되며, 4-Clustering모형을 이용한 관로의 노후도 진단 결과와 대상지역의 유수율 평가결과를 공간적으로 도시하여 비교하였다(Fig. 8).
Fig. 8(a)는 유수율 평가결과를 나타낸 것으로, 초록색 관로는 유수율 평가결과 ‘보통’ 단계, 파란색 관로는 ‘불량’ 단계, 빨간색 관로는 ‘심각’ 단계의 판정을 받은 관로에 해당한다. Fig. 8(b)는 4-Clustering모형의 평가결과로 초록색 관로는 A등급, 파란색 관로는 B등급, 빨간색 관로는 C등급에 해당한다. Fig. 8(a)에서 유수율 ‘심각’ 단계에 해당하는 빨간색 관로는 중앙 지역 전반에 분포하였고, 가장 상단의 관로가 ‘보통 ’단계에 해당하였으며 ‘불량 ’단계의 관로들은 중앙 밀집구역 및 좌측 하단에 분포하고 있다. Fig. 8(b)의 4-Clustering모형 결과에서 Fig. 8(a)의 유수율 평가결과와 유사한 공간적 분포 형태를 확인하였다. C등급에 해당하는 관로가 중앙 지역 전반에 분포하고 있으며, 상단과 하단 지역에 각각 B등급 관로와 A등급 관로가 분포하였다. 전반적으로, 유수율 평가결과 ‘심각’ 단계에 해당하는 관로 대부분이 4-Clustering모형의 평가결과에서 C등급으로 분류되는 것을 확인할 수 있으며, 유수율 ‘심각’ 단계에 해당하는 관로들 중 A등급의 판정을 받은 관로는 매우 적게 나타났다. 따라서 대상지역의 유수율 평가결과와 4-Clustering모형의 노후도 평가결과가 공간적으로도 유사한 분포를 나타내고 있음을 확인할 수 있다. 유수율 평가결과 및 노후도 평가결과에서 모두 심각한 결과를 보이는 중앙 관로들의 경우 시급한 교체 혹은 보강이 필요할 것으로 판단된다.
4. 결 론
최근 노후관에 의한 누수 및 파손사고, 싱크홀과 같은 문제가 심각해짐에 따라 전국적으로 노후관 개량에 대한 관심이 높아졌다. 현재 국내에서 일반적으로 활용되고 있는 노후도 판정 기법인 점수평가법은 평가점수를 기준으로 한 선형분류의 평가방법이며, 분류 기준이 명확하지 않은 단점이 존재한다. 본 연구에서 제시한 ANN-Clustering 기법은 반복학습 과정을 통해 비선형 관계분석이 가능하고, 개별 관로의 다양한 특성을 반영하여 유사한 관로들을 하나의 클러스터로 구성한다. 따라서, 새로운 평가 및 분류모형으로 기존 점수평가법과 함께 상수관로의 노후도 평가와 분류, 개량우선순위 선정 등에 적용이 가능할 것으로 판단된다. 제시한 모형의 적용가능성을 판단하기 위하여 기존의 점수평가법 및 유수율 평가결과와의 비교, 분석을 실시하였으며, 이를 토대로 도출된 결론은 다음과 같다.
대상지역의 배수관로 6,325개에 대한 노후도 평가 및 분류를 진행하였다. 점수평가법의 경우 A등급 3,041개(48%), B등급 2,841개(45%), C등급 443개(7%)로 분류되었다. 9-Clustering모형은 A등급 4,466개(70%), B등급 688개(11%), C등급 1,171개(19%)로 산정되었으며, 4-Clustering모형의 경우 A등급 2,307개(37%), B등급 1,911개(30%), C등급 2,107개(33%)로 분류되었다. 점수평가법 및 9-Clustering모형은 대상지역의 관로에 대하여 비교적 높은 점수를 부여한 반면, 4-Clustering모형의 경우 3가지 등급으로 비교적 균등하게 분류되었다.
9-Clustering모형의 분류 결과는 점수평가법과 비교적 일치하지만, 4-Clustering모형의 결과는 점수평가법과 크게 상이한 것으로 나타났다. 9-Clustering모형의 경우 점수평가법과 동일한 9가지 평가항목을 모두 포함한 반면, 4-Clustering모형은 4개의 정량적 평가항목을 선택하여 반영한 것이 점수평가법과의 부합도가 낮은 원인으로 판단하였다.
세 가지 평가방법 중 적절한 평가방법을 선정하기 위하여, 대상지역 내 배수구역별 유수율과 각 평가방법에 의한 노후관 분류 결과를 비교, 분석하였다. 각 배수구역 별 최대정수압이 높을수록 유수율이 낮은 것을 확인하였으며, 유수율이 낮은 배수구역일수록 해당 관로의 노후도가 심각할 것으로 예상하였다. 따라서 관리가 시급한 유수율 ‘심각’ 단계에 해당하는 배수구역의 노후도 평가결과를 비교하였고, 4-Clustering모형이 유수율 특성을 잘 반영하여 C등급으로 평가된 관로의 비율이 높은 것을 확인하였다. 직관적으로 대상지역의 유수율 및 노후관 평가등급을 비교하기 위하여 전체 관망도에 해당 결과를 도시하였으며, 유수율 평가결과와 4-Clustering모형의 분류결과의 공간적 분포 양상이 유사함을 확인하였다. 즉, 4-Clustering모형에서 C등급의 진단을 받은 관로의 대다수가 실제 유수율 평가에서 ‘심각’ 단계에 해당하는 배수구역에 포함되어 있음을 확인하였다. 또한, 세 가지 평가방법에서 모두 C등급 평가를 받은 168개의 관로에 대해서는 시급한 교체 및 보수작업이 필요할 것으로 판단하였다.
적용한 평가방법 및 대상지역의 유수율 평가결과와의 비교, 분석을 종합한 결과, 4-Clustering모형이 대상지역의 관로 노후도를 비교적 정확히 평가 및 분류하는 것으로 판단하였다. 따라서, 본 논문에서 제시한 ANN-Clustering기법은 기존의 점수평가법과 더불어 관로의 노후도를 평가하고 분류하는 연구에 활용될 수 있을 것으로 기대한다. 또한, ANN-Clustering 기법은 가용한 데이터의 수가 많을수록 보다 정확한 평가결과를 제시할 수 있을 것으로 판단되며, 평가항목 수 및 평가항목 간의 관계가 복잡한 경우, 더욱 적합한 평가방법이라고 할 수 있다.
다만, 본 연구는 YG지역에 한해서 적용한 결과만을 정리한 것이므로, 평가항목의 선정 및 모형 선정에 대한 추가적인 연구가 필요할 것으로 사료된다. 또한, 본 논문에서 제시한 모형을 이용하여 상수관로의 블록단위 개량조치와 단, 중, 장기 개량계획 수립을 위한 개량우선순위를 산정하는 연구도 추후 진행되어야 할 것이다.
