1. 서 론

소형 어선의 안전사고는 전체 해양사고에서 큰 비중을 차 지하고 있다(Korean Maritime Safety Tribunal, 2021). 소형 어선 은 작업자 및 승객이 탑승하고 있어 사고가 발생할 시, 인명 의 피해로 이어진다.

소형 어선의 경우 대형 선박에 비해 선박의 크기가 작으 며, 수면 아래에 선형에 차이를 가진다. 이에 따라서 동일한 파랑 환경 조건에서 대형 선박에 비해 운동 응답이 크다. 이 러한 소형 어선의 운동 특성은 해양 사고와 연관되어 있으 며, 어선의 운동성능을 평가하기 위한 기존 연구가 진행되 어 왔다(Hwang and Lee, 1980;Kang et al., 2007;Park et al., 2011;Im and Lee, 2021).

기존 소형어선의 운동성능 연구는 어선의 설계 및 안전 성능을 향상에 도움을 주었으나, 실제 운동성능을 평가하기 위해서는 평가 조건과 방법에 대한 전문 기술이 필요하며 실험 및 해석을 위한 장비가 요구된다. 또한 어선의 선형, 크기 또는 주요 제원의 변화는 동일한 해석 또는 실험의 반 복이 필요하므로 운동성능을 평가하기 위한 시간이 수배로 증가할 수 있다.

이를 해결하고자 최근 인공지능 모델을 활용하여 선박의 운동성능을 예측하는 연구가 수행되었다. Kim et al.(2018)은 기계학습 근사모델을 이용하여 선박의 횡동요를 추정하였으 며, 근사모델의 학습기법을 변경하며 그 영향을 비교하였다. Zhang et al.(2023)은 극한 조건에서의 선박 횡동요를 예측하 기 위해 장단기 메모리 기법(Long Short Term Memory, LSTM) 과 합성곱 신경망(Convolutional Neural Network)이 조합된 합 성 신경망을 제안하였으며, 예측된 횡동요 응답을 전산유체 역학(Computational Fluid Dynamics) 해석 결과와 비교하였다. Xu et al.(2021)은 LSTM이 조합된 모델을 이용하여 시계열 파 고 및 2차원 형상 구조물의 운동 응답을 예측하였다. 이러한 선박의 운동성능 예측을 위한 인공지능 모델을 적용한 선행 연구에도 불구하고, 소형 어선의 경우 일반 대형 선박과는 다른 선형 및 운동 특성을 가지기 때문에 이에 대한 운동성 능을 예측하기 위한 인공지능 모델의 적용이 필요하다.

본 논문에서는 심층신경망(Deep Neural Network, DNN)을 이용한 어선의 운동응답(Response Amplitude Operator, RAO) 추정 방법을 제시한다. 2장에서는 실험에 사용한 대상 어선 과 시뮬레이션을 통한 운동응답 평가 방법에 대해 소개한 다. 3장에서는 심층학습을 위한 학습데이터와 추정을 위한 심층신경망 모델을 설명한다. 4장에서는 최적의 심층신경망 모델을 찾고, 최적의 모델로 어선의 운동 응답을 추정한 결 과를 보여준다.

2. 대상 선박 및 데이터

2.1 대상 선박

소형어선의 운동성능을 평가하기 위해 다양한 크기와 선 형을 고려하여 15개 어선의 선형 및 주요 제원을 사용하였 다. 어선의 크기는 1.99톤에서부터 9.77톤의 범위를 고려하였 으며 이 중 대표로서 T 형상 및 V 형상을 가진 2개의 어선 선형을 Fig. 1에 나타내었다. T 형상 및 V 형상 어선의 주요 제원인 선체 길이, 폭, 깊이 및 배수량의 범위를 Table 1에 각각 나타내었다.

2.2 운동 응답 데이터

소형어선 운동 응답 데이터세트 생성을 위해 3차원 radiation-diffraction 기반의 유체동역학 해석을 수행하였다. 유 체동역학 해석은 상용 프로그램인 Ansys AQWA를 사용하였 다. 주파수 영역을 바탕으로 한 선박의 6 자유도 운동방정식 은 식(1)과 같다.

여기서 ω, ζ_i와 F_i는 각각 각주파수, 운동응답 및 파랑하중 을 나타낸다. 그리고 M, A, B 와 C 는 질량, 부가질량, 감쇄 계수 및 복원계수를 나타낸다.

운동 응답을 도출하기 위한 해석의 좌표계 및 파랑 하중 방향의 정의는 Fig. 2과 같다. 환경 하중 방향은 선미(0^°)에 서 선수(180^°)까지 15^°간격으로 적용하였다. 운동해석을 통 해 각 환경하중의 방향 및 주파수에 따른 단위 파고별 운동 응답인 RAO를 도출하였으며, 이는 심층신경망 모델의 입출 력으로 사용한다.

총 15개 어선에 대한 6227개 운동응답 데이터 중에서 임 의로 선택한 4982개(80%) 데이터는 심층신경망 학습용으로 사용하였고 나머지 1245개(20%) 데이터는 검증용으로 사용 하였다.

3. 심층신경망 모델

3.1 심층신경망 구조

운동응답 추정을 위한 심층신경망의 전체적인 구조는 Fig. 3과 같다. 파 주기와 각도 및 주요 제원과 적재조건을 입력으로, 운동응답을 출력으로 한다.

(2)

심층신경망은 표준화된 입출력에서 더 원할히 학습되기 때문에, 모든 입출력 벡터의 각 요소 x_i 는 식(2)와 같이 전처 리하며, 𝔼_D [x_i]와 Var_D [x_i]는 학습용 데이터집합에서 x_i의 평 균과 분산을 의미한다.

표준화된 파 입력과 조건 입력은 먼저 식(3)처럼 C 길이 의 특징 벡터 표현으로 각각 변환(Projection)되며, 매개변수 W는 선형 변환 행렬을, b는 bias 벡터를 의미한다. 그다음 입 력으로부터 변환된 파 특징과 조건 특징을 하나의 벡터로 결합하며, 최종적으로 MLP(Multi Layer Perceptron)를 사용하 여 결합 특징을 운동응답으로 변환한다. 식(4)의 은닉 (Hidden)층은 입력을 D 길이의 은닉 벡터로 변환하며, 비선 형 활성화 함수 σ를 적용한다. 식(5)의 MLP는 별도의 매개변 수를 가진 H개의 은닉층과 하나의 변환층으로 구성된다.

비선형 활성화 함수 σ는 식(6), (7)의 두 종류의 함수를 사 용하였다. ReLU(Rectified Linear Unit)는 입력값의 부호에 따 라 양수면 입력값을 그대로 출력하고, 아니라면 0으로 바꾸 는 비선형 함수다. GELU(Gaussian Error Linear Unit)는 표준 가우시안 누적분포함수를 적용한 가중치를 입력에 곱해주 는 방식의 비선형 함수다.

3.2 심층신경망 학습

학습과정에서 최소화해야하는 손실 함수는 예측값 와 목표값 y 사이의 거리로 설정하였고, 거리를 계산하기 위해 식 (8)(9)(10)과 같이 세 종류의 함수를 사용하였다. L1은 평 균절대오차, L2는 평균제곱오차이며, Smooth L1(Girshick, 2015)은 오차의 절대값이 1이 되는 부분에서 L1과 L2를 결합 한 함수다.

Table 2는 심층신경망 학습에 사용한 초매개변수를 보여 준다. 모델의 매개변수 최적화를 위한 알고리즘은 ADAM (ADAptive Moment estimation)을 사용하였고 학습률은 0.01로 설정하였다(Kingma and Ba, 2015). ADAM 알고리즘은 확률적 목적함수의 일차 기울기 기반 최적화를 위한 알고리즘으로, 다른 최적화 알고리즘에 비해 빠른 수렴도를 나타낸다. 배 치 크기는 학습용 데이터의 크기인 4982개를 사용하였고, 총 1000번의 에포크 동안 학습을 진행하였다. 파 특징과 조건 특징의 벡터 길이는 64로, 각 MLP의 은닉 벡터의 길이는 128로 사용하였다.

4. 결 과

4.1 최적의 심층신경망 모델 탐색

Table 3과 Fig. 4는 3종류의 손실 함수, 2종류의 활성화 함 수, 4가지의 은닉층 개수로 만들어진 24가지 심층신경망 모 델의 추정성능을 검증용 데이터집합에서 평균제곱오차로 비교한 표와 상자그림을 보여준다. 손실 함수의 경우는 Smooth L1이 L2보다 조금 더 좋은 성능을 보였으며, 활성화 함수의 경우는 GELU가 전체적으로 ReLU보다 좋은 결과를 보였다. 은닉층의 개수는 4개까지는 개수를 늘릴수록 성능 이 좋아지지만 8개를 사용하면 오히려 성능이 낮아지는 결 과를 보였다. 이는 심층신경망이 커질수록 더 복잡한 함수 를 근사할 수 있지만 학습용 데이터집합에 더 과적합될 수 있으므로, 본 논문이 다루는 운동응답 데이터집합에서 4개 를 초과하는 은닉층은 과도한 것으로 판단된다. 따라서 Smooth L1 / GELU / H =4인 모델을 최적의 모델로 선택하였다.

4.2 심층신경망 모델을 통한 운동응답 추정

전체 데이터집합에서 계산한 최적의 모델의 평균절대 오차는 surge / sway / heave에서 0.0034미터, roll / pitch / yaw에서 0.0507도이며, 전체는 0.027이다. Fig. 5는 한 어선의 실제 운 동응답과 최적의 모델로 추정한 운동응답을 비교하여 시각 화한 결과를 보여준다. 여기서 Simulation과 Estimation은 운동 해석 결과와 학습된 심층신경망 모델을 통해 예측된 결과를 각각 나타낸다. Fig. 5의 왼쪽은 파 방향을 30도 단위로 나누 어 파 주기별 운동응답을 선 그래프로, 오른쪽은 파 주기와 파 방향에서 운동응답을 등치선 그래프로 나타낸 것이다. 제안하는 모델이 전체적인 운동응답 함수를 낮은 오차로 근 사하고 있다.

Fig. 6을 보면 우측의 오차가 가장 높은 모델은 pitch 운동 응답에서 보이는 뾰족한 고주파 성분을 제대로 추정하지 못 하지만, Fig. 6 중앙 최적의 모델은 해당 성분을 잘 추정하는 것을 확인할 수 있다.

5. 결 론

본 논문에서는 심층신경망을 이용하여 파 주기와 각도 및 어선의 주요 제원과 적재조건을 입력으로 어선의 운동 응답을 추정하는 모델을 제안하였다. 최적의 초매개변수를 찾기 위해서 손실 함수와 활성 함수, MLP의 은닉층 개수를 변경한 실험결과를 비교하였으며, 최적의 심층신경망 모델 은 검증용 데이터집합에서 우수한 운동응답 추정성능을 보 여주었다.

제안하는 방식은 실험 어선에 대해서 좋은 성능을 보였 지만 어선의 세부적인 형태를 반영하지 못하기 때문에, 형 태가 다르지만 유사한 주요 제원을 가지는 어선들을 잘 구 분하지 못하는 단점을 가지고 있다. 따라서 어선의 형태 정 보까지 입력으로 사용할 수 있는 인공지능 모델에 대한 추 가연구가 필요하다고 생각된다.