AI 기반 관 파손 사고감지 시스템 운영성능 향상을 위한 계측설비 적정 간격에 관한 연구|RISS 상세보기

다국어 초록 (Multilingual Abstract)

This study aims to determine the optimal spacing of monitoring instruments to enhance the operational performance of the AI-based pipeline failure detection system currently operated by K-water.

Drinking water, an essential resource for daily life and a fundamental input for all industries, is supplied to consumers through pressurized pipeline network systems filled with water. The behavior of such pipeline networks follows the principle of energy conservation described by the Bernoulli equation, in which internal pressure and flow rate are key variables. Accordingly, pressure and flow rate are widely used as primary indicators for monitoring the operational status of water distribution systems.
Pipeline failure accidents that interrupt water supply can cause significant social disruption and substantial economic losses across various industries. Moreover, delayed responses may lead to secondary damages, such as flooding in surrounding areas. Although rapid detection and prompt initial response are critical, early identification of pipeline failures remains challenging with simple data monitoring alone. In practice, failure detection often relies on field inspections by operators or reports from external sources.
To address these limitations, K-water has developed and deployed an AI-based pipeline failure detection system across 6,125km of pipelines in 50 multi-regional water supply systems nationwide. The core mechanism of the system is a deep neural network algorithm based on multivariate correlations among monitoring data from the pipeline network. The system predicts pressure values and identifies failures when the residuals between predicted and measured pressures exceed predefined thresholds.

To achieve the objectives of this study, the theoretical background of the failure detection system was first reviewed. A single multi-regional water supply pipeline was then selected as the study area, and a detailed methodology was designed and implemented.
Virtual pressure gauges were assumed to be installed along the pipeline at regular intervals ranging from 500m to 5,000m, resulting in ten spacing scenarios. Historical flow rate and pump operation data were obtained from actual measurements, while pressure data at virtual gauge locations were generated through hydraulic network analysis. Using these datasets, separate learning models were trained for each pressure gauge under all spacing scenarios.
In the next stage, leakage events were virtually simulated at 86 locations spaced at 500m intervals, with four different leakage magnitudes considered to represent various accident scenarios. A total of 344 simulated failure cases were applied to the trained models for each spacing scenario. Failure detection was performed by analyzing whether the residuals between predicted and measured pressures exceeded allowable limits for three consecutive time steps, after which the detection performance for each spacing scenario was evaluated.

The results indicate that pressure gauge spacing of approximately 1,500–2,000m yields the highest failure detection performance while maintaining the lowest false alarm rate. Detection performance generally improved as spacing decreased, but beyond a certain point, further densification resulted in performance degradation.
Additionally, the study confirmed that increasing the density of pressure gauges leads to a sharp increase in model training time and model size.

The findings of this study provide practical guidelines for pressure gauge installation that can maximize the operational performance of AI-based pipeline failure detection systems, enabling more efficient budget allocation. Furthermore, the results are expected to contribute to minimizing damage by facilitating earlier detection of pipeline failure accidents.

번역하기

국문 초록 (Abstract)

본 연구는 K-water에서 운영 중인 「AI 기반 관 파손 사고감지 시스템」의 운영성능 향상을 위한 계측설비의 적정한 간격을 도출할 목적으로 진행한 연구이다.

국민 생활의 필수재이자, 모든 산업의 기초 자원 중 하나인 수돗물은 관 내부가 물로 채워진 관수로 형태의 관망 시스템을 통해 수요자에게 공급되고 있다. 이러한 관수로는 관 내부의 수압과 유량을 변수로 하는 ‘베르누이 방정식’이라는 에너지 보존법칙에 따라 거동하며, 이러한 이유로 관망 시스템의 운영 상태를 모니터링하기 위해 수압과 유량을 주요 지표로 관리하고 있다.
수돗물 공급 중단을 초래하는 관 파손 사고는 막대한 사회적 피해를 유발하고, 산업계 전반에 상당한 경제적 손실을 불러일으킬 뿐만 아니라, 사고 대응이 지연될 경우 인근 지역 침수 등 2차 피해가 발생하기도 한다. 이 때문에, 사고 발생 사실의 즉각적 인지 및 신속한 초동대응이 매우 중요하지만, 단순 데이터 모니터링만으로 사고를 조기 인지하는데 한계가 있으며, 관 파손 사고 발생 여부는 대체로 근무자의 관로 현장 점검이나, 외부인 신고전화 등에 의존하여 파악하는 실정이다.
K-water는 관 파손 사고의 조기 감지를 통해 사고 피해영향을 최소화하고 수돗물 공급 안정성을 제고하기 위해 「AI 기반 관 파손 사고감지 시스템」을 개발하여 전국 50개 광역상수도 6,125㎞의 관로시설에 적용, 운영 중이다. 해당 시스템은 관로 상 계측 데이터 간의 다중 상관관계에 기반한 심층신경망(deep learning) 알고리즘이 핵심 기작이며, 이를 통해 수압을 예측하여 실측값과의 잔차가 허용범위를 벗어나면 사고로 판별한다.

본 연구의 목적을 달성하기 위하여, 사고감지 시스템의 개발에 대한 이론적 배경을 살펴본 후, 전국 광역상수도 관로 중 1개소를 연구 대상시설로 선정하고, 세부 연구방법을 설계하여 연구를 수행하였다.
우선 연구 대상시설에 가상의 수압계가 일정한 간격으로 존재한다고 가정하였으며, 수압계 간격은 최소 500m부터 최대 5,000m까지 총 10가지 경우로 설정하였다. 모델 학습에 필요한 수압, 유량 및 펌프 운영 데이터 중 유량 및 펌프 운영 데이터는 실제 과거 계측 데이터를 취득하였고, 수압 데이터는 관망해석을 통해 가상 수압계에 대한 데이터를 추출하였다. 그리고 이렇게 추출한 데이터를 사용하여 10가지 수압계 간격별로 모델을 학습시켜 개별 수압계 단위로 학습모델을 생성하였다.
다음 단계로, 연구 대상시설에 500m 간격으로 86개소 지점에서 가상으로 누수가 발생하는 것을 가정하여 관망해석을 통해 사고 모의 데이터를 추출하였는데, 다양한 사고를 모의하기 위해 누수 규모도 4가지 경우를 설정하였다. 이렇게 4가지 누수 규모와 86개 누수지점을 조합한 344건의 사고 모의 데이터를 10가지 수압계 간격별 학습모델에 적용하여 사고감지를 수행하였고, 개별 수압계의 예측값과 계측값의 잔차가 허용범위를 연속 3회 이상 벗어나는지 분석하여 각각의 사고 건별로 사고감지 여부를 최종 판별한 이후, 가장 감지성능이 우수한 수압계 간격을 선정하였다.

상기 과정을 통해 연구를 수행한 결과, 수압계 간격이 1,500m～2,000m인 경우에 사고감지 성능이 가장 우수했으며, 오경보의 발생 또한 가장 낮은 수준을 보였는데, 이렇게 수압계 간격이 줄어들면서 사고감지 성능이 증가 추세를 보이다가 일정 단계부터 성능이 저하되는 양상을 보였다.
부가적으로, 수압계 설치 밀도가 증가함에 따라 모델 학습에 소요되는 시간과 학습모델의 용량이 급격히 늘어나는 것 또한 이번 연구를 통해 함께 확인할 수 있었다.

본 연구 성과를 통해 「AI 기반 관 파손 사고감지 시스템」의 운영성능을 극대화할 수 있는 관로 상 수압계 설치 기준을 마련함으로써 효율적 예산투자가 가능할 것으로 전망된다. 또한, 관 파손 사고를 조기에 감지함으로써, 사고 피해영향을 최소화할 수 있는 토대가 마련될 것으로 기대된다.

번역하기

본 연구는 K-water에서 운영 중인 「AI 기반 관 파손 사고감지 시스템」의 운영성능 향상을 위한 계측설비의 적정한 간격을 도출할 목적으로 진행한 연구이다. 국민 생활의 필수재이자, 모든...