1. 서 론

어선의 해양 안전사고는 연평균 약 10 % 증가하는 추세이다(Choi et al., 2021). 특히 소형어선의 해양사고 척수는 전체 중 큰 비중을 차지하고 있으며, 이는 인명피해와 직결된다 (Korean Maritime Safety Tribunal, 2021). 어선의 해양 안전사고는 기관손상, 충돌, 기타사고 등 다양한 유형을 가지고 있으나, 전복, 침몰 및 운항저해에 의한 사고는 어선의 파랑 중 운동성능과 관련이 있다. 파랑 하중에 의한 어선의 해양 안전사고는 운동성능 경보 또는 예측 시스템을 이용해 예방할 수 있으므로 이에 관한 연구와 개발이 필요하다.

어선의 파랑 중 운동성능 특성을 평가하기 위한 선행연구는 다양한 어선의 크기, 환경조건 및 선속 등을 고려한 연구가 진행되었다(Hwang and Rhee, 1980;Kang et al., 2007;Park et al., 2011;Im and Lee, 2021). 특히 Yang and Kwon(2017)은 실험을 통해 얻은 시계열 횡동요 데이터를 바탕으로 전복 경보 시스템 알고리즘을 검증하였다. Abankwa et al.(2015)는 Inertial Measurement Unit(IMU)를 이용하여 어선의 roll, pitch와 heave 를 계측하였다.

선행연구에서 수행한 어선의 운동성능 특성 평가는 수치해석 시간 및 모델의 작성이 필요해 실시간 예측에 한계가 있으며 계측 시스템은 운용 및 설치나 시스템 구축에 부담이 발생한다. 이를 극복하고자, 최근 인공지능 모델을 활용하여 선박의 운동성능을 예측하는 연구가 수행되었다. Kim et al.(2018) 은 기계학습모델을 이용하여 선박의 횡동요를 예측하였으며, Guo et al.(2021)은 반잠수식 구조물의 heave와 surge 운동을 딥러닝 모델(deep learning)을 이용하여 예측하였다. Ferrandis et al.(2021)은 순환 신경망(Recurrent Neural Network, RNN)을 이용하여 극한 환경조건 시 쌍동선의 시계열 운동성능을 예측하였으며, Xu et al.(2021)은 합성곱 신경망(Convolutional Neural Network)과 장단기 메모리 기법(Long Short-Term Memory, LSTM)을 조합하여 선박의 운동성능을 예측하였다. Zhang et al.(2023)은 장단기 메모리 기법을 이용하여 선박의 운동성능을 예측하고 이를 전산유체역학(Computational Fluid Dynamics, CFD) 해석 결과와 비교하였다.

이러한 인공지능을 통한 선박의 운동성능 예측 선행 연구는 대부분 일반 상선 및 해양 구조물을 대상으로 수행됐으며, 해양 안전사고의 큰 비중을 차지하는 소형어선에 대한 시계열 운동성능의 예측은 수행된 바 없다. 이에 본 연구에서는 소형어선의 운동성능을 예측하기 위한 딥러닝 모델을 구축하고자 한다. 두 척의 어선에 대한 운동성능 해석을 수행하여 딥러닝 모델의 데이터베이스를 생성하고, 순환 신경망 기반의 딥러닝 모델을 학습한다. 학습된 모델을 이용하여 소형어선의 운동성능을 예측하고, 해석 결과를 비교하여 구축된 딥러닝 모델을 확립하고자 한다.

2. 운동성능 데이터세트 구축

2.1 대상선박

본 연구에 사용된 대상 선박은 9.77톤(FV1) 및 3톤(FV2) 크기의 소형어선으로서 주요 제원과 선형은 Table 1 및 Fig. 1 에 각각 나타나 있다.

2.2 운동성능 평가

소형어선의 운동성능 데이터세트를 구축하기 위해 3 차원 radiation-diffraction 기반의 유체동역학 해석을 수행하였다. 유체동역학 해석은 상용 프로그램인 Ansys AQWA를 사용하였다. 시간 영역을 바탕으로 한 선박의 6 자유도 운동방정식은 식(1)과 같다.

여기서 t, X, R 와 F 는 각각 시간, 운동 응답, 지연함수 및 외력을 나타낸다. 그리고 M, A , C와 K는 질량, 부가질량, 선형 감쇄 계수 및 강성계수를 나타낸다.

해석에 사용되는 좌표계 및 환경조건 방향을 Fig. 2에 나타내었다. 환경조건의 방향은 선수(180°), 선측(90°) 및 선수와 선측 사이(135°)를 고려하였으며, 환경조건은 어선의 운용 조건인 유의파고 1.5 m와 피크 주기 8초를 반영하였다. 파 스펙트럼은 JONSWAP(JOint North Sea WAve Project)를 사용하였으며 피크 증폭 계수 γ는 3.3으로 선정하였다. 해석에 사용된 비선형 감쇄 계수는 자유 감쇄 모형실험 결과를 이용하였다. 딥러닝 모델에 사용되는 시계열 데이터의 길이는 총 10,800초이며, 0.1초 간격으로 구성되어 있다.

유체동역학 해석에 사용된 두 소형어선의 3차원 패널을 Fig. 3에 나타내었다. 수면 아래 소형어선의 3차원 패널 수는 약 2,500개를 사용하였다. 유체동역학 해석 결과로서 FV1과 FV2의 단위 파고 별 운동 응답인 RAO(Response Amplitude Operator)를 Fig. 4와 5에 각각 나타내었다.

3. 딥러닝 모델 구축

어선의 시계열 운동성능을 예측을 위한 딥러닝 모델은 LSTM 기법을 사용하였다. 이는 변형된 RNN 모델로서 장기 시계열 데이터를 예측하는 데 효과적으로 알려져 있다(Son et al., 2020). 장단기 메모리 기법의 내부는 Fig. 6과 같이 망각게이트(Forget gate), 입력 게이트(Input gate)와 출력 게이트 (Output gate)로 구성되어 있으며, 각 게이트는 sigmoid 함수 및 tanh 함수를 통해 이전 시점의 cell state (c), hidden state (h_t-1)와 현재 시점의 입력 데이터(x_t)를 이용하여 다음 시점 (h_t)의 예측을 수행한다. LSTM 모델 내부의 연산은 식(2)~(7) 에 나타냈다.

여기서 W, b, σ와 ⊙는 각각 weight, bias, sigmoid function과 element-wise product 나타낸다.

소형어선의 운동성능을 예측하기 위한 모델의 구조를 Fig. 7에 나타내었다. 입력 데이터는 6 자유도 시계열 운동 응답과 어선 위치에서의 파고 높이로 구성된다. 특정 t 시점에서의 운동 응답 및 파고 높이에서 창(window)의 길이 (t +Δt_I )만큼으로 나누어 입력 데이터를 구성한다. 출력 라벨은 입력 데이터 창의 길이 후 t +Δt_I +Δt_O 시간까지의 6 자유도 시계열 운동 응답이며 본 연구에서는 Δt_O를 10초로 선정하였다.

LSTM의 비선형 효과를 고려하기 위한 activation function은 ReLU(Rectified Linear Unit)을 사용하였다. 입력 데이터 및 출력 라벨은 0에서 1로 정규화(normalization) 되어 훈련 및 테스트에 사용되었다. 최적화 기법으로는 ADAM(ADAptive Moment estimation) 기법을 사용하였으며, 손실함수는 평균 제곱근 오차(Mean Squared Error, MSE)를 적용하였다.

4. 결과 및 고찰

4.1 LSTM 모델 훈련

최적의 LSTM 모델을 선정을 위한 hyperparamter 변수 및 window 길이의 영향을 확인하였다. 먼저 hyperparameter 변수의 영향을 확인하기 위해 FV1 선박을 이용하여 Table 2에 나타낸 바와 같이 LSTM 층의 개수를 1과 2로 주었으며, LSTM 층의 뉴런 수를 100, 200과 300개로 변경하며 예측 결과를 비교하였다. Hyperparameter 변화에 따른 예측 결과를 비교하기 위해 선수 환경하중 조건에서 FV1 선박의 손실함수 수렴도를 Fig. 8에 나타내었다. LSTM 층의 개수가 2인 경우, 모델의 복잡도가 상승함에 따라 동일한 epoch에서 손실함수의 수렴 정도가 크다. 뉴런 수가 증가할 시 훈련이 최종 진행 될 때 손실함수가 일정한 수렴에 도달하며 모델 간의 큰 차이를 보이지 않는다. 전반적으로 L2N100을 제외한 나머지 모델의 손실함수 수렴도가 마지막 epoch에서 큰 차이를 보이지 않는다. 이에 따라 L1N200을 최종 모델을 선정하였으며 향후 운동성능 예측에 사용하였다.

선정된 LSTM 모델을 이용하여 입력 데이터의 창(t_I )의 길이를 10초, 40초와 90초로 변화시켜가며 예측의 정확도를 확인하였다. 입력 데이터 창의 길이 변화에 따른 FV1 선박 의 선수 환경하중 조건에서 주요 예측 결과를 Fig. 9에 나타내었다. 입력 데이터 창의 길이가 짧은 경우, 예측의 정도가 감소함을 확인할 수 있으며, t_I가 40초와 90초인 경우 해석 결과와 유사한 값을 예측한다. 이에 따라 t_I는 40초로 선정 하여 모델을 구축하였다.

4.2 운동 응답 예측 결과

구축된 모델을 사용하여 FV1과 FV2 선박의 시계열에 따른 운동 응답을 예측하였다. FV1의 시계열 운동 응답 예측 결과를 Fig. 10에 나타내었다. 여기서 “True”는 해석을 통해 얻은 결과이며 “Prediction”은 구축된 LSTM 모델을 통해 예측 된 결과이다. 각 환경조건의 방향에 따른 예측된 운동 응답 인 Prediction 값은 True 값과 유사함을 확인할 수 있다. 예측 시작 시점부터 약 6초까지는 True 값과 매우 잘 일치하는 것을 확인할 수 있으나, 시계열의 길이가 길어짐에 따라 예측의 정도가 낮아짐을 확인할 수 있다. 병진운동에 해당하는 surge, sway 및 heave 운동은 예측의 정도가 회전운동에 해당 하는 roll 및 pitch에 비해 상대적으로 높다.

FV2 선박의 시계열 운동 응답 예측 결과는 FV1 선박과 유사함을 Fig. 11에서 확인할 수 있다. 전반적으로 True 값과 유사한 결과를 확인할 수 있으며, 시계열이 길이가 길어짐에 따라 True 값과 Prediction 값의 차이가 증가함을 확인할 수 있다.

구축된 모델의 예측 정도를 정량적으로 평가하기 위해 모전 환경조건 방향 및 시계열에서 해석 결과와 예측 결과의 절대 오차를 산정하였으며 이에 대한 누적 분포를 Fig. 12에 나타내었다. 약 3 %의 데이터는 100 % 이상의 오차를 가지고 있으며, 이는 이상치로 간주한다. 결과적으로 약 85 % 이상 의 데이터가 10 % 오차 이내에 분포하고 있음을 확인할 수 있으며, 상대적으로 높은 오차는 시계열의 길이가 긴 위치의 데이터에서 발생한다. 결과적으로 구축된 LSTM 모델은 어선의 운동 응답을 잘 예측함을 확인하였다.

5. 결 론

소형어선의 시계열 운동 응답을 예측하기 위해 딥러닝 기반 LSTM 모델을 구축하였다. 모델 구축을 위해 크기가 다른 두 어선을 고려하였으며, LSTM 모델의 데이터세트를 구축하기 위해 유체동역학 성능 평가를 수행하였다. 최적의 모델을 선정하기 위해서 LSTM 모델 층과 뉴런의 개수를 변경하며 그 영향을 확인하였다. 또한 입력 데이터의 길이에 대한 영향을 확인하였다. 구축된 모델을 통해 두 어선의 시계열 운동성능을 예측하였다. 전반적인 예측 결과는 해석 결과와 잘 일치하였으나, 시계열의 길이가 길어짐에 따라 해석 결과와 차이를 보였다. 해석 결과와 예측값의 오차를 정량적으로 평가하였다. LSTM 모델을 이용한 운동 응답 예측 시간은 유체 동역학 해석 시간에 비해 약 95 % 이상 감소하였다. 구축된 LSTM 모델은 향후 어선의 운동 응답 해석 시간을 절약시킬 수 있을 것으로 기대한다. 또한 복잡한 시스템 또는 고가의 계측 장비 구축 없이 비교적 단순한 운동 계측 장비와 결합 하여 미래의 운동 응답 예측이 가능함에 따라 향후 소형어선의 실시간 경보 시스템을 구축할 수 있을 것으로 기대한다. 본 연구에서는 2척의 소형어선만으로 LSTM 모델을 구축하였기 때문에 운동 응답 데이터의 확장 및 다른 어선의 적용 가능성에 관한 확인이 필요하다. 이에 향후 다양한 형상 및 크기를 가진 어선에 대한 운동 응답 데이터를 활용하여 구축 된 LSTM 모델의 정확도 및 활용도를 넓히고자 한다.