ANFIS를 활용한 교량 교각 세굴 예측: 기계 학습으로 더 빠르고 정확한 안전성 평가

이 기술 요약은 Manousos Valyrakis와 Hanqing Zhang이 2014년 International Conference on Hydroinformatics에 발표한 “Prediction Of Scour Depth Around Bridge Piers Using Adaptive Neuro-Fuzzy Inference Systems (ANFIS)” 논문을 기반으로 하며, STI C&D의 기술 전문가에 의해 분석 및 요약되었습니다.

Keywords

• Primary Keyword: 교량 교각 세굴 예측
• Secondary Keywords: ANFIS, 적응형 뉴로-퍼지 추론 시스템, 기계 학습, 수리 공학, 교량 안전, 세굴 깊이

Executive Summary

• The Challenge: 교량 교각 주변의 세굴 깊이를 예측하는 기존 공식들은 제한된 데이터에 기반한 경험식으로, 종종 세굴 깊이를 과대평가하여 보수적이고 비용이 많이 드는 설계를 초래합니다.
• The Method: 본 연구는 USGS 데이터베이스에서 얻은 광범위한 현장 데이터를 사용하여 기계 학습 모델인 적응형 뉴로-퍼지 추론 시스템(ANFIS)을 개발, 훈련 및 검증했습니다.
• The Key Breakthrough: 개발된 ANFIS 모델은 특히 단일 원형 교각과 같은 특정 데이터 그룹으로 훈련했을 때, 적은 수의 입력 변수만으로도 세굴 깊이를 매우 정확하게 예측하는 뛰어난 일반화 능력을 보여주었습니다.
• The Bottom Line: ANFIS는 엔지니어에게 기존의 경험적 방법보다 더 정확하게 교각 세굴을 예측할 수 있는 강력하고 신뢰성 있는 도구를 제공하며, 이는 더 안전하고 경제적인 교량 설계로 이어질 수 있습니다.

The Challenge: Why This Research Matters for CFD Professionals

교량의 붕괴는 종종 홍수 시 교각 기초 주변의 토사가 유실되는 ‘세굴(scour)’ 현상 때문에 발생합니다. 실제로 1989년에서 2000년 사이 미국에서 발생한 500건 이상의 교량 붕괴 사고 중 절반 이상(약 53%)이 기초 세굴에 기인한 것으로 추정됩니다. 이러한 사고는 막대한 재정적 손실을 야기하며, 1993년 미시시피 상류 유역의 홍수는 23개의 교량 붕괴와 1,500만 달러의 피해를, 1994년 조지아의 “알베르토 폭풍”은 약 1억 5,000만 달러의 피해를 초래했습니다.

문제는 현재 사용되는 대부분의 교각 세굴 깊이 예측 공식이 제한된 실험실 데이터에 기반한 경험식이라는 점입니다. 이 공식들은 실제 현장 조건을 정확하게 모사하지 못하며, 대부분 보수적인 결과를 도출하여 세굴 깊이를 과대평가하는 경향이 있습니다. 이는 불필요하게 과도한 설계로 이어져 구조적 불확실성과 비용 증가를 야기합니다. 따라서 더 빠르고 신뢰할 수 있는 예측 도구의 필요성이 절실합니다.

The Approach: Unpacking the Methodology

본 연구는 이러한 문제를 해결하기 위해 강력한 기계 학습 접근법인 적응형 뉴로-퍼지 추론 시스템(ANFIS)을 활용했습니다. ANFIS는 인공 신경망(ANN)의 학습 능력과 퍼지 추론 시스템(FIS)의 규칙 기반 구조를 결합하여 복잡한 비선형 동역학을 효과적으로 모델링할 수 있습니다.

연구팀은 미국 지질조사국(USGS)의 국립 교량 세굴 데이터베이스에서 총 508개의 데이터 세트를 확보했으며, 불완전한 기록을 제거하여 486개의 데이터를 분석에 사용했습니다. 모델의 입력 변수로는 다음과 같은 5가지 핵심 매개변수가 선택되었습니다.

• 유효 교각 폭 (b)
• 접근 유속 (U)
• 접근 수심 (y)
• 평균 입경 (D50)
• 유동 방향에 대한 교각의 경사각 (skew to flow)

데이터는 훈련(training)과 검증(validation) 세트로 무작위 분할되었으며, 연구팀은 시행착오 접근법을 통해 최적의 ANFIS 구조(멤버십 함수의 종류 및 개수)를 결정했습니다. 또한, 입력 변수의 수를 점진적으로 줄여가며 모델을 테스트하여 어떤 변수가 예측에 가장 큰 영향을 미치는지, 그리고 제한된 데이터만으로도 신뢰성 있는 예측이 가능한지를 체계적으로 분석했습니다.

The Breakthrough: Key Findings & Data

연구 결과, ANFIS 모델은 교각 세굴 깊이를 예측하는 데 매우 높은 정확도와 잠재력을 보여주었습니다. 특히 주목할 만한 발견은 다음과 같습니다.

Finding 1: 특정 데이터에 대한 훈련으로 최적의 모델 성능 달성

가장 뛰어난 성능을 보인 모델은 5개의 모든 입력 변수를 사용하되, ‘단일 원형 교각(single round pier)’ 데이터 하위 그룹만으로 훈련된 모델이었습니다. 이 모델은 모든 데이터를 사용해 훈련된 모델보다 훨씬 높은 정확도를 보였습니다. Table 3에 따르면, 단일 원형 교각 데이터로 훈련된 모델의 검증 RMSE(평균 제곱근 오차)는 1.63으로, 전체 데이터로 훈련된 모델의 2.07보다 현저히 낮았습니다. 이는 데이터의 동질성이 모델의 학습 효율과 예측 정확도를 크게 향상시킬 수 있음을 시사합니다. Figure 2는 이 모델의 예측값이 실제 관측값과 매우 잘 일치함을 시각적으로 보여줍니다.

Finding 2: 입력 변수를 줄인 모델도 높은 정확도 유지

연구팀은 입력 변수의 수를 줄여도 모델이 만족스러운 성능을 유지한다는 사실을 발견했습니다. 특히 ‘교각 폭’과 ‘접근 수심’이 세굴 예측에 가장 중요한 변수임이 확인되었습니다. 흥미롭게도 ‘유동 방향에 대한 경사각(skew to flow)’ 변수를 제거했을 때, 모델의 검증 RMSE가 2.07에서 2.03으로 오히려 약간 개선되었습니다(Table 3 참조). 이는 해당 변수가 예측에 큰 기여를 하지 않거나 오히려 노이즈로 작용했을 수 있음을 의미합니다. 심지어 ‘교각 폭’ 단 하나의 변수만 사용한 모델도 검증 RMSE 2.54로 비교적 정확한 예측이 가능했습니다. 이는 현장에서 제한된 데이터만 확보할 수 있는 경우에도 ANFIS 모델이 유용한 예측 도구가 될 수 있음을 보여줍니다.

Practical Implications for R&D and Operations

본 연구 결과는 다양한 분야의 전문가들에게 실질적인 시사점을 제공합니다.

• For Hydraulic/Bridge Engineers: 이 연구는 교각 폭과 접근 수심 데이터에 집중하는 것만으로도 ANFIS를 통해 매우 정확한 세굴 예측이 가능함을 시사합니다. 하상 재료의 크기와 같은 다른 데이터가 부족하더라도 신뢰성 있는 결과를 얻을 수 있어, ANFIS는 실용적인 세굴 예측 도구로 활용될 수 있습니다.
• For Infrastructure Planners/Managers: 기존의 보수적인 공식보다 ANFIS 모델의 예측 정확도가 높아, 과잉 설계를 방지하고 더 경제적이며 효율적인 교량 설계 및 유지보수 계획을 수립할 수 있습니다. 이는 불필요한 비용 절감으로 이어질 수 있습니다.
• For Data Scientists in Engineering: 본 연구는 복잡한 수리학 문제에 기계 학습(ANFIS)을 성공적으로 적용한 사례입니다. 특히 ‘경사각’과 같이 관련 있어 보이는 변수를 제거했을 때 모델 성능이 향상될 수 있다는 발견은, 모델 개발 시 변수 선택의 중요성에 대한 귀중한 통찰을 제공합니다.

Paper Details

Prediction Of Scour Depth Around Bridge Piers Using Adaptive Neuro-Fuzzy Inference Systems (ANFIS)

1. Overview:

• Title: Prediction Of Scour Depth Around Bridge Piers Using Adaptive Neuro-Fuzzy Inference Systems (ANFIS)
• Author: Manousos Valyrakis, Hanqing Zhang
• Year of publication: 2014
• Journal/academic society of publication: International Conference on Hydroinformatics
• Keywords: ANFIS, scour depth, bridge piers, machine learning, neuro-fuzzy, prediction model

2. Abstract:

In this study, the application of a machine learning model, namely the adaptive neuro-fuzzy inference system (ANFIS) is proposed to estimate the scour depth around bridge piers. In particular, various complexity architectures are sequentially developed, trained and validated using appropriate training and validation subsets obtained from the USGS database. The raw data are pre-processed to remove incomplete records and randomly split into the training and validation data sets which are both representative of the same space. The model has five parameters, namely the effective pier width (b), the approach velocity (U), the approach depth (y), the mean grain diameter (D50) and the skew to flow. Simulations are conducted with data groups (bed material type, pier type and shape) and different number and combinations of input variables, to produce reduced complexity and easily interpretable models. Analysis and comparison of the results indicate that the developed ANFIS model has high accuracy and outstanding generalization ability for prediction of scour parameters. The optimal ANFIS models are identified utilizing appropriate error metrics. The effective pier width (as opposed to skew to flow) is amongst the most relevant input parameters for the estimation. The developed models can be used as a scour prediction tool performing satisfactorily even in the presence of scarce available data, while empirical rules can be also derived for the reduced order models.

3. Introduction:

지구 표면은 지구물리학적 흐름의 작용으로 끊임없이 변화합니다. 강물의 흐름으로 인한 침식은 생태 건강을 보존하는 데 핵심적인 문제일 뿐만 아니라, 전 세계적으로 우리의 건축 환경과 핵심 기반 시설에 대한 위협으로 인식되고 있습니다. 기후 변화가 하천의 침식과 유사 이송에 미치는 영향은 전 지구적 차원의 핵심 과제가 되었습니다. 교량 붕괴의 가장 흔한 원인은 심각한 홍수 동안 교각 기초의 세굴 때문인 것으로 추정됩니다. 1989년에서 2000년 사이 미국에서 발생한 500건 이상의 교량 붕괴 중 절반 이상(약 53%)이 기초 세굴에 기인합니다. 미국 연방 고속도로 관리국(FHWA)의 383건의 교량 붕괴에 대한 전국적인 연구에 따르면, 25%는 교각 손상, 75%는 교대 손상과 관련이 있으며, 이는 모두 치명적인 홍수로 인해 발생했습니다.

4. Summary of the study:

Background of the research topic:

교각 주변의 침식 및 세굴 현상은 교량의 안전성에 직접적인 위협이 되며, 이는 전 세계적인 문제입니다.

Status of previous research:

세굴 깊이를 예측하기 위해 수많은 실험실 연구를 통해 여러 경험식이 개발되었습니다. 그러나 이러한 공식들은 대부분 제한된 실험실 데이터에 기반하고 있어 실제 현장 조건을 정확하게 반영하지 못하며, 종종 과도하게 보수적인 예측 결과를 내놓아 비경제적인 설계를 초래합니다.

Purpose of the study:

본 연구는 광범위한 현장 데이터를 사용하여 강력한 기계 학습 접근법인 ANFIS의 유용성을 조사하고, 이를 통해 교각 세굴 깊이를 정확하게 예측하는 것을 목표로 합니다.

Core study:

다양한 복잡성을 가진 ANFIS 아키텍처를 순차적으로 개발, 훈련 및 검증했습니다. 입력 변수의 수와 조합을 달리하여 모델을 테스트하고, 각 모델의 성능을 오차 메트릭을 통해 평가하여 최적의 모델 구조를 식별했습니다. 이를 통해 복잡성을 줄이고 해석이 용이한 모델을 도출하고자 했습니다.

5. Research Methodology

Research Design:

적응형 뉴로-퍼지 추론 시스템(ANFIS) 기계 학습 모델을 적용하여 교각 세굴 깊이를 예측하는 연구를 설계했습니다.

Data Collection and Analysis Methods:

미국 지질조사국(USGS)의 국립 교량 세굴 데이터베이스에서 데이터를 수집했습니다. 불완전한 데이터를 제거하는 전처리 과정을 거쳐 총 486개의 데이터 세트를 사용했으며, 이를 훈련 및 검증 데이터로 무작위 분할했습니다. 모델 성능은 RMSE(평균 제곱근 오차)와 MAE(평균 절대 오차)와 같은 오차 지표를 사용하여 평가되었습니다.

Research Topics and Scope:

주요 연구 범위는 5개의 입력 변수(유효 교각 폭, 접근 유속, 접근 수심, 평균 입경, 유동 경사각)가 세굴 깊이에 미치는 영향을 분석하는 것입니다. 또한, 입력 변수의 수를 5개에서 1개로 점진적으로 줄여가며 모델을 테스트하여, 각 변수의 중요도와 최소한의 데이터로 가능한 예측의 정확도를 평가했습니다.

6. Key Results:

Key Results:

• 단일 원형 교각 데이터로만 훈련된 ANFIS 모델이 가장 높은 예측 정확도(검증 RMSE = 1.63)를 보였습니다.
• 교각 폭과 접근 수심이 세굴 깊이 예측에 가장 중요한 입력 변수임이 확인되었습니다.
• 입력 변수의 수를 줄인 모델도 만족스러운 성능을 보여, 제한된 데이터만으로도 신뢰성 있는 예측이 가능함을 입증했습니다.
• ‘유동 경사각’ 변수를 제거했을 때 모델 성능이 약간 향상되어, 이 변수가 예측에 미치는 영향이 미미하거나 노이즈로 작용할 수 있음을 시사했습니다.

Figure List:

• Figure 1. Generic example of an ANFIS architecture
• Figure 2. Plot of observed and predicted scour depth training the model with all input parameters with the subset of single round pier data: a) performance for the training subset (77 data points) and b) performance for the validation data set (74 data points). Note the line of perfect agreement is shown with the straight line (diagonal).

7. Conclusion:

본 연구에서는 ANFIS를 사용하여 교각 주변의 세굴 깊이 예측을 조사했습니다. 적절한 데이터를 사용하여 광범위한 모델을 개발, 훈련 및 검증했습니다. 이러한 모델 간의 비교를 통해 우수한 일반화 능력을 갖춘 최상의 성능 모델을 식별할 수 있었습니다. 결과는 축소된 차수의 아키텍처에 대해서도 만족스러웠으며, 문헌에 제안된 다른 모델과 기능적으로 일치했습니다.

8. References:

• [1] Wardhana K. and Hadipriono F., “Study of Recent Building Failures in the United States”, J. Perform. Constr. Facil., Vol. 17, No 3, (2003), pp 151-158.
• [2] Chang, F.F.M., “A Statistical Summary of the Cause and Cost of Bridge Failures”, Federal Highway Administration, U.S. Department of Transportation, Washington, D.C., (1973).
• [3] Brice J.C. and Blodgett J.C., “Countermeasures for Hydraulic Problems at Bridges”, Vol. 1 and 2, FHWA/RD-78-162&163, Federal Highway Administration, U.S. Department of Transportation, Washington, D.C. (1978).
• [4] Shen H.W., “Scour Near Piers. River Mechanics”, Vol. 2, Ft. Collins, Colorado, (1971).
• [5] Dey S. and Raikar R.V., “Clear-water scour at piers in sand beds with an armor layer of gravels.” Journal of Hydraulic Engineering, Vol. 133, No. 6, (2007), pp 703-711.
• [6] Raudkivi A.J. and Ettema R., “Clear water scour at cylindrical piers”, Journal of Hydraulic Engineering, Vol. 109, No. 3, (1983), pp 338-350.
• [7] Raudkivi A.J., “Functional trends of scour at bridge piers”, Journal of Hydraulic Engineering, Vol. 112, No. 1, (1986), pp 1-13.
• [8] Melville B.W., “Live-bed scour at bridge piers”, Journal of Hydraulic Engineering, Vol.110, No. 9, (1984), pp 1234-1247.
• [9] Melville B.W. and Sutherland, A.J., “Design method for local scour at bridge piers”, Journal of Hydraulic Engineering, Vol. 114, No. 10, (1988), pp 1210-1226.
• [10] Valyrakis M., Diplas P. and Dancey C.L., “Prediction of coarse particle movement with adaptive neuro-fuzzy inference systems”, Hydrological Processes, Vol. 25, No. 22, pp 3513-3524. ISSN 0885-6087, doi:10.1002/hyp.8228.
• [11] Valyrakis M., Diplas P., Dancey C.L., Akar T. and Celik A.O., “Development of a hybrid adaptive Neuro-Fuzzy system for the prediction of sediment transport”, River Flow 2006, Lisbon, Portugal, (2006), pp 877-886, doi: 10.1201/9781439833865.ch92.
• [12] Valyrakis M., Diplas P. and Dancey C.L., “Prediction of particle entrainment using Neural Networks”, Protection and Restoration of the Environment, Chania, Greece, (2006), pp 137-138.
• [13] Valyrakis M., Diplas P. and Dancey C.L., “Short time prediction of chaotic time series using ANFIS, Lecture Series on Computer and Computational Sciences, Vol. 7, Brill Academic Publishers, Leiden, The Netherlands (2006), pp 729-733.
• [14] Bateni S.M., Borghei S.M. and Jeng D., “Neural network and neuro-fuzzy assessments for scour depth around bridge piers”, Engineering Applications of Artificial Intelligence, Vol. 20, No. 3, (2007), pp 401-414.
• [15] Neill C.R., “Guide to Bridge Hydraulics” Roads and Transportation Association of Canada, University of Toronto Press, 191 p., (1973).
• [16] Breusers H.N.C., Nicollet G. and Shen H.W., “Local scour around cylindrical piers” Journal of Hydraulic Research, Vol. 15, No. 3, (1977), pp 211-252.
• [17] Valyrakis M., Diplas P. and Dancey C.L., “Entrainment of coarse particles in turbulent flows: An energy approach”, J. Geophys. Res. Earth Surf., Vol. 118, No. 1., (2013), pp 42-53. ISSN 2169-9003, doi:10.1029/2012JF002354.

Expert Q&A: Your Top Questions Answered

Q1: 왜 일반적인 인공 신경망(ANN) 대신 ANFIS 모델을 선택했나요?

A1: 논문에 따르면 ANFIS는 인공 신경망(ANN)과 퍼지 추론 시스템(FIS)의 장점을 모두 결합한 모델입니다. 신경망 구성 요소로부터 내재된 학습 능력을 가지며, 퍼지 논리 구성 요소로부터 규칙 기반 구조를 가져 퍼지 추론을 수행하고 비선형 동역학을 추출하는 데 유리합니다. 이는 저자들의 이전 연구[10, 11, 12, 13]에서 보여주었듯이 종종 ANN 단독 모델보다 우수한 성능을 나타냅니다.

Q2: 입력 변수의 수를 줄여가며 모델을 테스트한 과정에서 가장 놀라운 발견은 무엇이었나요?

A2: 가장 흥미로운 결과는 ‘유동 경사각(skew to flow)’ 입력 변수를 제거했을 때 모델의 예측 능력이 오히려 약간 향상되었다는 점입니다. Table 3에서 볼 수 있듯이, 검증 RMSE가 2.07에서 2.03으로 감소했습니다. 이는 이 데이터셋에서 해당 변수가 예측에 유의미한 정보를 제공하지 않거나 오히려 노이즈로 작용했을 수 있음을 시사하며, 때로는 더 단순한 구조의 모델이 더 복잡한 모델보다 우수한 성능을 보일 수 있음을 보여줍니다.

Q3: ANFIS 모델의 최적 구조(예: 멤버십 함수의 수)는 어떻게 결정되었나요?

A3: 최적의 구조는 시행착오 접근법을 통해 결정되었습니다. 연구팀은 다양한 유형과 수의 멤버십 함수를 가진 모델들을 테스트했습니다. 그 결과, 3개 이상의 멤버십 함수를 사용하면 과적합(overtraining)이 발생하고 계산 비용이 기하급수적으로 증가하는 것을 발견했습니다. 정확도와 일반화 능력 사이의 최상의 균형은 입력당 2개의 가우시안(Gaussian) 멤버십 함수를 사용했을 때 달성되었습니다.

Q4: ‘단일 원형 교각’ 데이터만 사용했을 때 최고의 성능을 보인 이유는 무엇인가요?

A4: 논문은 모든 유형의 데이터를 사용하여 모델을 훈련했을 때 정확도가 감소한 이유로, 해당 데이터가 기저의 동역학을 잘 설명하지 못하거나 다른 유형의 데이터를 얻는 과정에서 더 큰 오차가 발생했을 가능성을 제시합니다. ‘단일 원형 교각’ 데이터와 같이 더 동질적이고 잠재적으로 품질이 높은 하위 집합에 집중함으로써, 모델이 특정 동역학을 더 효과적으로 학습하여 해당 범주에 대해 더 정확한 예측을 할 수 있었습니다.

Q5: 논문은 축소된 모델이 기존 경험식과 기능적으로 유사하다고 결론 내렸습니다. 그렇다면 ANFIS 모델의 장점은 무엇인가요?

A5: 가장 단순한 모델(예: 세굴 깊이가 교각 폭의 함수)의 기능적 형태가 Neil의 공식[15]과 유사할 수 있지만, ANFIS 접근법은 중요한 장점을 제공합니다. ANFIS는 제한된 실험실 실험에 의존하는 대신, 방대한 현장 데이터로부터 직접 관련 매개변수와 그 관계를 결정합니다. 이러한 데이터 기반 접근법은 선험적 가정을 피하고 복잡한 비선형 관계를 포착할 수 있어, 더 넓은 범위의 조건에 걸쳐 더 견고하고 정확한 예측을 가능하게 합니다.

Conclusion: Paving the Way for Higher Quality and Productivity

이 연구는 기존의 부정확한 교량 교각 세굴 예측 문제를 해결하기 위해 ANFIS라는 강력한 기계 학습 도구를 제시합니다. 핵심적인 돌파구는 방대한 현장 데이터를 기반으로 높은 정확도를 달성했으며, 교각 폭이나 유동 수심과 같은 제한된 데이터만으로도 신뢰성 있는 예측이 가능하다는 점을 입증한 것입니다. 이는 엔지니어링 실무에서 더 안전하고 경제적인 교량 설계 및 유지보수를 위한 새로운 가능성을 열어줍니다.

(주)에스티아이씨앤디에서는 고객이 수치해석을 직접 수행하고 싶지만 경험이 없거나, 시간이 없어서 용역을 통해 수치해석 결과를 얻고자 하는 경우 전문 엔지니어를 통해 CFD consulting services를 제공합니다. 귀하께서 당면하고 있는 연구프로젝트를 최소의 비용으로, 최적의 해결방안을 찾을 수 있도록 지원합니다.

• 연락처 : 02-2026-0442
• 이메일 : flow3d@stikorea.co.kr

Copyright Information

• This content is a summary and analysis based on the paper “Prediction Of Scour Depth Around Bridge Piers Using Adaptive Neuro-Fuzzy Inference Systems (ANFIS)” by “Manousos Valyrakis, Hanqing Zhang”.
• Source: https://academicworks.cuny.edu/cc_conf_hic/109

This material is for informational purposes only. Unauthorized commercial use is prohibited. Copyright © 2025 STI C&D. All rights reserved.