선박 복원성 실시간 평가 및 횡동요 예측 기반의 선박 운항 안전성 모니터링 기법 연구 = A Study on Real-Time Ship Stability Assessment and Roll Motion Prediction-Based Monitoring Techniques for Navigational Safety

국문 초록 (Abstract)

4차 산업혁명 시대의 기술 발전은 해운·조선 산업에 자율운항선박(MASS: Maritime Autonomous Surface Ship)이라는 새로운 패러다임을 제시하고 있으며, 이는 해상 안전성 강화를 위한 실시간 상황 인식 및 의사결정 지원 기술을 필수적으로 요구한다. 그러나 현재의 복원성(Stability) 평가는 출항 전 정적 조건을 기반으로 수행되어 연료 소모, 화물 배치 변화, 기상·해양 환경 요인 등 운항 중 발생하는 동적 변화를 충분히 반영하지 못한다. 또한, 복원성 판단 과정에서의 인적 오류와 실시간 의사결정 지원 시스템의 부재는 선박 안전성 저해의 주요 원인으로 지적되고 있다.
이러한 한계를 극복하기 위해, 본 연구에서는 실시간 복원성 추정 기법, 불확실성을 고려한 운동 예측 알고리즘, 그리고 안전 운항을 위한 의사결정 지원 기반 마련을 세 가지 핵심 연구 목표로 설정하였다. 먼저, 선체 운동 데이터(횡동요 신호)에 대해 주파수 분석을 수행하여 횡동요 주기, 평균 횡경사각, 유의 횡동요각을 산출하고 이를 기반으로 복원성 상태를 정상, 주의, 위험으로 분류하는 실시간 복원성 추정 알고리즘을 제안하였다. 이를 통해 기존의 정적 복원성 평가가 가지는 한계를 보완하고, 운항 중 변화하는 해상 환경과 적재 조건을 반영할 수 있도록 하였다.
다음으로, 딥러닝 기반 시계열 예측 모델(LSTM, Transformer)을 적용하여 선박 횡동요의 예측을 수행하였다. 특히, MC Dropout을 활용하여 예측 결과의 불확실성을 정량화하고 신뢰 구간을 제시함으로써, 단일 예측값에 의존하지 않고 보다 신뢰성 있는 의사결정이 가능하도록 하였다. 이를 통해 복원성 악화 징후를 조기에 탐지하고 위험 상황을 사전에 경고할 수 있는 체계를 마련하였다.
마지막으로, 제안된 추정 및 예측 알고리즘을 실측 데이터와 운동 해석 데이터를 대상으로 검증하여, 자율운항선박 시스템에 통합 가능한 의사결정 지원 기반 기술로써 가능성을 확인하였다. 본 연구의 성과는 선박의 실시간 복원성 모니터링과 불확실성을 고려한 운동 예측을 가능하게 함으로써, 운항자가 합리적이고 선제적인 대응을 수행할 수 있도록 지원한다.
결론적으로, 본 연구는 기존의 정적·사전적 복원성 평가 체계가 가진 한계를 극복하고, 자율운항선박 시대에 요구되는 실시간 복원성 추정 및 예측 기반 안전 운항 기술을 제시함으로써 해상 안전성 제고와 자율운항 기술 발전에 기여할 수 있을 것으로 기대한다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 1
• 1.1.1. 자율운항선박 기술개발의 가속화 1
• 1.1.2. 운항 중 선박의 복원성 평가 한계 3
• 1.2. 관련 연구 현황 5
• 1.2.1. 복원성 추정 및 평가 관련 연구 5
• 1.2.2. 선박 운동 예측 관련 연구 7
• 1.3. 연구 목적 10
• 1.3.1. 실시간 복원성 추정 기법 개발 10
• 1.3.2. 불확실성 추정을 포함한 운동 예측 모델 구축 10
• 1.3.3. 복원성 관점의 안전 운항을 위한 의사결정 지원 기반 마련 10
• 2. 해상 데이터 수집 및 운동해석 데이터 생성 12
• 2.1. 실 운항 데이터 수집 12
• 2.2. 해양기상 데이터 16
• 2.2.1. 해양기상 데이터 수집 16
• 2.2.2. 해양기상 데이터 통계분석 19
• 2.3. DNV HydroD를 이용한 운동해석 28
• 2.3.1. DNV Sesam package 28
• 2.3.2. HydroD 29
• 2.3.3. PLN 모델 및 Panel 모델 생성 30
• 2.3.4. 운동해석 조건 설정 33
• 2.3.5. 시간 영역의 Wasim 운동해석 37
• 3. 실시간 선박 복원성 추정 알고리즘 개발 39
• 3.1. 선박의 복원성 평가 요소 39
• 3.1.1. 선박의 고유 횡동요 주기 40
• 3.1.2. FFT(Fast Fourier Transform) 분석 기반의 횡동요 주기 추정 43
• 3.1.3. FFT 분석 기반 실 운항 데이터 횡동요 주기 추정 결과 47
• 3.1.4. Welch PSD(Power Spectral Density) 분석 기반의 횡동요 주기 추정 68
• 3.1.5. Welch PSD 분석 기반 실 운항 데이터 횡동요 주기 추정 결과 73
• 3.1.6. FFT 분석 및 Welch PSD 분석 비교 결과 및 고찰 89
• 3.1.7. 평균 횡경사각(Averaged Listing Angle) 추정 91
• 3.1.8. 유의 횡동요각(Significant rolling angle) 추정 94
• 3.2. 운항 중 선박의 복원성 평가 기준 97
• 3.2.1. 횡동요 주기 평가 기준 97
• 3.2.2. 평균 횡경사각 & 유의 횡동요각 평가 기준 99
• 3.2.3. 최종 위험 기준 산출 100
• 3.2.4. 최종 알람의 표출에 관한 분석 103
• 3.3. 선박 복원성 추정 알고리즘 및 복원성 평가 결과 분석 106
• 3.3.1. 실 운항 데이터 기반 추정 결과 106
• 3.3.2. 운동해석 데이터 기반 추정 결과 110
• 3.4. 고찰 116
• 4. 횡동요 예측 알고리즘 개발 118
• 4.1. 선박 횡동요 예측을 위한 데이터셋 구성 118
• 4.1.1. HydroD 운동해석 데이터 118
• 4.1.2. 실 운항 데이터 122
• 4.2. 불확실성 분석(Uncertainty analysis) 123
• 4.2.1. 불확실성의 정의 123
• 4.2.2. 데이터 불확실성(Aleatoric Uncertainty) 125
• 4.2.3. 모델 불확실성(Epistemic Uncertainty) 127
• 4.2.4. MC(Monte Carlo) Dropout 129
• 4.2.5. MC Dropout을 적용한 신뢰구간(Confidence Interval) 추정 131
• 4.3. 딥러닝 기반 예측 모델 133
• 4.3.1. RNN(Recurrent Neural Network) 모델 133
• 4.3.2. LSTM(Long-Short Term Memory) 모델 134
• 4.3.3. Transformer 모델 135
• 4.4. 손실함수 정의 140
• 4.4.1. 손실함수(Loss function) 140
• 4.4.2. 평균제곱오차(Mean Squared Error) 140
• 4.4.3. 예측구간 포함확률(Prediction Interval Coverage Probability) 141
• 4.4.4. 예측구간 정규화 평균폭(Prediction Interval Normalized Average Width) 141
• 5. 인공지능 모델 기반 횡동요 운동 예측 결과 142
• 5.1. 운동 해석조건 별 평가지표 분석 142
• 5.1.1. Car ferry A 유의파고 및 파주기 별 평가지표 분석 142
• 5.1.2. Car ferry A 파향 별 평가지표 분석 145
• 5.1.3. Car ferry A 선속 별 평가지표 분석 147
• 5.1.4. Car ferry A 적재 및 손상 상태 별 평가지표 분석 149
• 5.1.5. Car ferry B 유의파고 및 파주기 별 평가지표 분석 151
• 5.1.6. Car ferry B 파향 별 평가지표 분석 154
• 5.1.7. Car ferry B 선속 별 평가지표 분석 156
• 5.1.8. Car ferry B 적재 및 손상 상태 별 평가지표 분석 158
• 5.2. 운동 해석 데이터의 예측 모델 별 평가지표 분석 160
• 5.2.1. 운동해석 데이터 모델 별 예측 결과(Car ferry A) 162
• 5.2.2. 운동해석 데이터 모델 별 예측 결과(Car ferry B) 169
• 5.3. 실 운항 데이터의 예측 모델 별 평가지표 분석 176
• 5.3.1. 운항 구간 별 평가지표 분석 176
• 5.3.2. Car Ferry A 예측 결과 분석 176
• 5.3.3. Car Ferry B 예측 결과 분석 177
• 5.3.4. 실 운항 데이터 예측 결과 시각화 178
• 5.4. 고찰 185
• 6. 결론 187
• 7. 참고문헌 189