다목적 IoT 센서와 머신러닝을 연계한 상수관망 실시간 누수 위치 추적 모델 개발 = Development of a Real-time Leak Localization Model for Water Pipe Networks Integrated with Multi-purpose IoT Sensors and Machine Learning

다국어 초록 (Multilingual Abstract)

Water supply networks, a critical infrastructure of modern cities, were intensively installed during the 1970s and 1980s. Their rapid deterioration has led to severe social and economic costs caused by pipeline leakage and corrosion. As of 2020, the average leakage rate in South Korea reached 10.4%, resulting in an economic loss of approximately 658.6 billion KRW. While conventional leak detection methods, such as acoustic and correlation techniques, are widely used, they possess distinct limitations as reactive and discontinuous management approaches that respond only after a leakage incident has occurred. Consequently, the ultimate objective of this study was to develop the AIoT-based Buried Pipelines Integrated Management System (ATIMS). By converging Internet of Things (IoT) and machine learning technologies, this system aims to detect and predict hazardous precursors—specifically leakage, corrosion, and breakage—in underground water supply networks prior to the occurrence of actual incidents.
To achieve this objective, the entire research process was systematized into three core components. These components were not developed in isolation but were designed to establish a feedback loop system where they continuously interact with one another. First, for fundamental data acquisition, four key soil factors determining the corrosion environment of water networks were selected: soil resistivity, water content, pH, and Oxidation Reduction Potential (ORP). Subsequently, a multi-purpose IoT sensor capable of measuring these soil factors in real time was developed. This sensor was designed with durability to withstand underground conditions and equipped with an LTE communication module to enable the remote transmission of collected data.
Second, to construct a high-quality training dataset essential for algorithm development, a hybrid dataset construction strategy was adopted. Raw data collected from the field underwent preprocessing, including Box–Cox transformation, to eliminate sensor-specific bias and skewness and to ensure statistical significance for future predictions. Based on this refined hybrid dataset, a Deep Multi-Layer Perceptron (DMLP) model was applied to learn the complex non-linear relationships between the four soil factors and pipeline risks. Finally, the ATIMS software (S/W) was constructed to implement and apply the developed sensors and algorithms in the field.
As a result of verification, the leak status prediction model achieved optimal accuracy with a coefficient of determination (R²) of 0.99. Furthermore, the system achieved excellent performance indicators: 82% (R² = 0.82) for leak location prediction, 92% (R² = 0.92) for corrosion thickness prediction, and 93% (R² = 0.93) for corrosion rate prediction. These results confirm that the proposed algorithms possess sufficient effectiveness as tools for diagnosing and managing anomalies in water supply networks.
In the final phase of the study, an integrated platform system (S/W) encompassing the entire process—from sensor data collection to the visualization of machine learning analysis results—was established, and its completeness was demonstrated through copyright registration. This study presents an end-to-end integrated solution where hardware and software are seamlessly connected in water supply network management. As one of the pioneering studies verified with actual field data, it proposes a practical approach to shift the existing paradigm of qualitative and reactive management toward a quantitative and predictive management system.

국문 초록 (Abstract)

현대 도시의 핵심 기반시설인 상수관망은 과거 70~80년대에 집중적으로 설치되었으며, 노후화가 급격히 진행되어 관로의 누수 및 부식 문제가 심각한 사회·경제적 비용을 유발하고 있다. 2020년 기준의 우리나라 평균 누수율은 10.4%에 달하며 이는 약 6,586억 원의 경제적 손실을 초래하였다. 누수 탐지 기술 중 기존의 청음식, 상관식 등이 일반적으로 활용되나, 상기 기술은 이미 누수 사고가 발생한 이후 대응하는 사후적·비연속적 관리 방식이라는 명확한 한계를 가진다. 이에 본 연구는 사물인터넷과 머신러닝을 융합하여 누수 사고가 발생하기 이전에 지하 매설 상수관망의 위험 징후인 누수 및 부식, 파손을 감지하고 예측할 수 있는 통합 관리 모니터 시스템(ATIMS; AIoT based buried pipelines Integrated Management System)을 개발하는 것을 최종 목적으로 하였다.
본 연구의 최종 목적을 달성하기 위해 전체 연구 과정을 세 가지 핵심 구성요소로 체계화하였으며, 각 구성요소는 독립적인 개발에 그치지 않고, 상호 간 피드백을 주고받는 환류체계를 구축하였다. 먼저, 연구의 근간이 되는 데이터 수집을 위하여 상수관망의 부식 환경을 결정하는 4대 핵심 토양 인자인 토양 비저항, 함수율, pH, 산화환원전위(ORP; Oxidation Reduction Potential)를 선정하고, 실시간으로 토양 인자를 측정할 수 있는 다목적 IoT 센서를 개발하였다. 다목적 IoT 센서는 지하 매설 환경을 고려하여 내구성을 확보하였으며, LTE 통신 모듈을 탑재하여 수집한 데이터를 원격 전송이 가능하도록 설계·적용하였다.
다음으로 알고리즘 개발에 필수적인 고품질 학습 데이터셋을 구축하기 위해, 본 연구는 하이브리드 데이터셋 구축 전략을 채택하였다. 현장에서 수집된 원본 데이터는 센서 특유의 편향과 왜도를 제거하고, 향후 예측의 통계적 유의성을 확보하도록 Box–Cox 변환 등 전처리 과정을 거쳐 정제하였다. 이렇게 정제된 하이브리드 데이터셋을 기반으로 4대 토양 인자와 관망 위험 간의 복잡한 비선형 관계를 학습하기 위해 심층다층신경망(DMLP; Deep Multi-Layer Perceptron) 모델을 적용하였다. 마지막으로 개발한 센서와 알고리즘을 현장에 적용하고 구현하기 위해 통합 관리 모니터링 시스템(ATIMS) 소프트웨어(S/W)를 구축하였다.
검증 결과, 누수 여부 예측 모델은 결정계수(R²) 0.99로 최적의 예측 정확도를 기록하였으며, 누수 위치 예측은 82%(R²=0.82), 부식 모델의 부식 두께 예측은 92%(R²=0.92), 부식 속도 예측은 93%(R²=0.93)라는 우수한 성능 지표를 달성함으로써, 제안한 알고리즘이 상수관망의 이상 진단 및 관리 도구로서 충분한 신뢰성을 갖추었음을 확인하였다.
연구 최종 단계로, 센서 데이터의 수집부터 머신러닝 분석 결과의 시각화 등 전 과정을 아우르는 통합 플랫폼 시스템(S/W)을 구축하고, 저작권 등록을 통해 그 완성도를 입증하였다.
본 연구는 상수관망 관리에서 하드웨어와 소프트웨어가 단절 없이 연결되는 end-to-end 통합 솔루션으로서 실제 현장 데이터로 검증한 최초의 연구 중 하나로서, 기존의 정성적·사후적 상수관망 관리 패러다임을 정량적·예측적 관리 체계로 전환하는 실질적인 방안을 제시하였다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구 목적 1
• 1.2 연구 동향 4
• 1.3 연구 방법 9
• 제 2 장 이론적 배경 15
• 2.1 상수관망의 누수 발생 원인 및 기존 누수 탐지 기술 15
• 2.1.1 누수 발생의 복합적 원인 15
• 2.1.2 기존 누수 탐지 기술의 원리 및 한계 20
• 2.2 상수관망의 부식 메커니즘 및 주요 인자 25
• 2.2.1 상수관망의 부식 메커니즘 25
• 2.2.2 상수관망의 기존 부식성 평가법 32
• 2.2.3 상수관망의 부식 주요 인자 선정 36
• 2.3 주요 인자별 측정 방법 41
• 제 3 장 다목적 IoT 센서 데이터 수집 및 전처리 47
• 3.1 다목적 IoT 센서 개발 및 성능 목표 47
• 3.1.1 개발 필요성 및 목표 47
• 3.1.2 센서 하드웨어 설계 및 제작 47
• 3.1.3 센서의 측정부 구성49
• 3.1.4 센서의 본체 및 내부 PCB 통신 모듈 49
• 3.1.5 센서의 주변장치 55
• 3.2 측정 인자별 설계 원리 및 성능 목표 57
• 3.2.1 측정 인자별 설계 원리 57
• 3.2.2 측정 인자별 성능 목표 59
• 3.3 센서 성능 검ㆍ보정 60
• 3.3.1 다목적 IoT 센서의 측정 정확도 검ㆍ보정 60
• 3.3.2 통신 기능 검ㆍ보정 73
• 3.4 부식 가속화 실험 개요 77
• 3.4.1 부식 가속화 실험 설계 및 수행 77
• 3.4.2 부식 가속화 실험 결과 및 유효성 검증 85
• 3.5 현장 테스트베드 개요 88
• 3.5.1 테스트베드 설계 및 설치 위치 선정 88
• 3.5.2 테스트베드 다목적 IoT센서 설치 92
• 3.5.3 현장 토양 기초 데이터 수집 96
• 3.6 머신러닝 학습 데이터셋 전처리 99
• 3.6.1 결측치 및 이상치 분석 99
• 3.6.2 데이터 정규성 검정 및 변환 112
• 제 4 장 머신러닝 모델 및 통합 시스템 개발 121
• 4.1 머신러닝 모델의 이론적 배경 121
• 4.1.1 머신러닝의 개요 121
• 4.1.2 머신러닝 기법의 분류 123
• 4.1.3 딥러닝 모델의 개요 125
• 4.2 머신러닝 예측 모델 개발 133
• 4.2.1 누수 예측 모델 설계 135
• 4.2.2 부식 속도/두께 예측 모델 설계 153
• 4.3 통합 모니터링 시스템 개발 (ATIMS) 155
• 4.3.1 시스템 아키텍처 설계 155
• 4.3.2 배관 누수/부식 빅데이터 베이스 구축 157
• 4.3.3 ATIMS 주요 기능 구현 (UI/UX) 159
• 제 5 장 성능 평가 163
• 5.1 다목적 IoT 센서 성능 평가 163
• 5.2 머신러닝 예측 모델 성능 평가 164
• 5.2.1 누수 예측 모델 정확도 164
• 5.2.2 부식 속도/두께 예측 모델 정확도 167
• 5.2.3 공인 성능 시험 결과 요약 170
• 제 6 장 결론 171
• 참 고 문 헌 173
• ABSTRACT 183