1. 서 론
전 세계적으로 도로 시설물의 노후화로 인해서 다양한 붕괴사고가 발생하였다. 국내의 대표적인 사고로는 1994년 성수대교 붕괴사고이며, 이때 발생한 사고로 32명의 사망자와 17명의 부상자를 초래했다. 국외에는 대표적으로 2012년 일본 사사고 터널이 붕괴하여 9명의 사망자가 발생하였고, 2018년 이탈리아의 모란디교, 2019년 대만의 난팡아오대교가 붕괴하며 각각 43명의 사망자, 6명의 사망자와 10명의 부상자가 발생하였다. 사례와 같은 도로 시설물 붕괴사고들은 노후 시설물에 적절한 보수와 보강이 적절한 시기에 이루어지지 않았기 때문이며, 국내 또한 붕괴 가능성이 높은 노후 도로 시설물의 유지관리에 대해서 집중할 필요가 있다.
현재 국내 교량 및 터널의 수가 증가함과 동시에 노후된 도로 시설물의 수도 함께 증가하고 있다. 2022년 말을 기준으로 도로 시설물의 평균 공용연수는 교량 20.4년, 터널 14.4년으로 나타났다. 또한 공용연수가 30년 이상인 시설물의 비율은 교량은 17.7%, 터널은 7.8%로 조사되었다. 노후 도로 시설물의 증가로 인한 연도별 유지보수 비용은 Fig. 1과 같이 나타나며, 2014년 2.3조 원에서 2022년 4.5조 원으로 크게 성장하여 이후로도 유지보수비용의 큰 증가가 예상된다. 하지만 현재 국내에서는 단일 시설물에 대한 유지보수를 진행해 오고 있어 한정된 예산으로는 앞으로 증가할 유지보수 비용을 감당하기에 어려움이 따른다. 따라서 효율적인 유지관리전략을 세울 필요가 있으며 전략 수립을 위한 성능평가 지표 개발이 필수적이다.
과거 도로 시설물에 대한 유지관리전략을 수립하는데 다양한 성능평가 지표들이 사용되었다. Scott el al. (2006)은 교통량과 이동 시간과의 관계를 이용하여 여행 시간(Travel Time, TT)을 정의하였으며, 시설물의 상태가 변화함에 따라 발생하는 여행 시간에 의한 비용 차이를 성능평가 지표로 활용하였다. 또한, Qiang and Nagurney (2008)은 도로 시설물 네트워크가 이루고 있는 구성 형태(Topology)와 여행 수요(Travel Demand)를 고려한 성능을 정의하였으며, 시설물의 상태변화 시 발생하는 성능 효율 변화를 지표로 사용하였다. Kim and Lee (2017)에서는 도로 시설물에서 발생할 수 있는 위험 가능성과 영향력을 고려한 위험도를 작성하였고, 이를 기반으로 교량의 유지관리전략을 위한 모델을 개발하였다. Kim and Song (2016)에서는 서울시를 대상으로 중심성 특성을 지표로 하여 도로가 침수되었을 때 네트워크에 미치는 영향을 분석하고 도로의 상대적 중요성을 분석하는 연구를 수행하였다. 또한, Sim and Cho (2023)에서는 네트워크 중심성 지표를 활용하여 도로 복구 우선순위 지수를 개발하는 연구를 수행하였다. Wang et al. (2013)은 도로 네트워크의 구조를 다섯 가지 유형으로 정의하고, 유형별 중심성 특성 지표의 통계값을 산정하여 네트워크 구조에 따른 안전성능평가를 수행하고 결과를 비교하였다. Liu et al. (2020)에서는 네트워크 레벨에서 도로 포장 유지관리에 대해 화석 연료 소비를 최소화하는 방향에 대한 유지관리 의사결정 지원 기술을 개발하였고, 특정 지역을 노드와 링크를 사용한 네트워크로 구축하여 적용하였다.
네트워크 레벨에서의 유지관리전략을 수립하는 연구는 재난 상황에서도 유효하다. Yoon (2023)에서는 인공신경망을 기반으로 지진이 발생한 직후 최적의 의사결정을 내리기 위한 네트워크 성능평가 연구를 수행하였으며, Kim and Lee (2018)에서는 네트워크 분석을 위해 노드와 링크로 구성된 모델을 제작하여 풍수해에 대한 대피시설의 안전범위 분석 연구를 수행하였다. Kilanitis and Sextos (2019)에서는 네트워크를 이루는 일반 도로 및 고속도로, 교량 및 터널을 노드와 링크로 정의하여 지진에 의해 네트워크 구성 요소에 문제가 발생하였을 때, 구성 요소의 상태가 네트워크 전체에 미치는 영향을 분석하고 교통량과 유지관리 예산을 고려하여 네트워크의 기능이 회복되는 레질리언스를 평가하였다. Bocchini and Frangopol (2012), Merschman et al. (2020)에서는 지진 발생 이후 도로 네트워크에서의 교량 복구 우선순위를 결정하는 연구를 수행하였다. 두 연구에서는 평가지표로 교통에 대한 변동성과 영향을 반영하는 TTD (Total Travel Distance)와 TTT (Total Travel Time)을 사용하였다. 여기에 각 논문에서는 추가적으로 손상된 시설물의 복원 비용을 지표로 적용하기도 하였고, 네트워크의 연결성과 재난 상황 시 의료시설에 대한 접근성 등 사회적인 척도를 평가 기준으로 사용하였다.
본 연구에서는 다양한 도로 시설물이 포함된 네트워크에서 효율적인 유지관리 전략을 수립하기 위해 도로 시설물의 성능 및 중요도를 평가하는 기술을 개발하고자 하며, 이를 위해 선행연구들을 기반으로 하여 세 가지 성능 지표를 사용하였다. 네트워크 성능 지표들은 교통적인 영향과 네트워크의 기하학적 구조를 반영할 수 있는 지표들이며, 도로 시설물의 운영 상태를 세 가지 단계로 정의하여 운영 상태 변화에 따른 네트워크 성능 변화를 반영하였다. 운영 상태는 자연재해가 발생하여 도로 시설물에 손상이 발생하거나 유지보수 작업으로 인한 교통 통제를 고려하여 ‘정상 운영’, ‘부분 통제’, ‘완전 통제’ 세 가지 단계로 정의하였으며, 해당 시설물의 운영 상태로 인해 전체 네트워크에 미치는 영향을 고려하였다. 또한, 도로, 교량, 터널 등 시설물의 종류에 따라 다른 가중치를 부여하여 성능 지표에 차이를 주었다. 마지막으로 네트워크 성능 지표들을 적용하기 위한 지역을 선정하였으며 개발한 중요도 결정 기술을 적용하여 해당 네트워크 내 도로 시설물의 중요도 순위를 확인하였다.
2. 네트워크 성능 및 도로 시설물 중요도
2.1 도로 시설물 네트워크 구축
다양한 도로 시설물이 실제로 존재하는 네트워크의 성능 및 중요도를 분석하기 위해서는 분석 네트워크를 정의하는 단계가 필요하다. 본 연구에서는 도로 시설물을 노드와 링크라는 구성 요소로 정의하였다. 노드와 링크에 대한 정의는 지능형교통체계(Intelligent Transportation System, ITS)에서 제공하고 있으며, 노드의 경우 차량이 도로를 주행함에 있어서 속도 변화가 발생하는 곳을 의미하며, 링크의 경우 속도 변화 발생점인 노드와 노드를 연결하는 선을 의미한다. 노드에 대한 주요 유형으로는 교차로, 도로 시종점, 행정경계, IC/JC 뿐만 아니라 시설물을 반영할 수 있는 교량 시종점, 고가도로 시종점, 지하차도 시종점, 지하차도 시종점, 터널 시종점이 포함된다. 링크에 대한 주요 유형에는 도로 및 시설물의 시종점인 노드와 노드 사이를 연결하는 도로, 교량, 고가도로, 지하차도, 터널 등이 포함된다.
실제 도로 네트워크를 구성하는 시설물들의 노드와 링크 데이터를 사용하여 네트워크 성능 및 도로 시설물의 중요도를 평가할 수 있는 분석 네트워크를 구축하였다. 이때 사용된 데이터는 국가교통정보센터에서 제공하는 표준노드링크 데이터와 국가교통DB (Korea Transport Data Base, KTDB)에서 제공하는 네트워크 상세 도로망 및 교통 데이터를 연계하여 데이터셋을 구축하였다. 네트워크 상세 도로망 및 교통 데이터는 용도에 따라 다양한 단계로 구성되어있으며, 고속도로 네트워크만을 다룬 가장 낮은 단계부터 도시고속도로, 일반국도, 주요도로, 기타 세부 도로를 모두 포함한 단계까지 존재한다. 본 연구에서는 표준노드링크에서 수집한 데이터와 연계하기 위하여 가장 높은 단계인 Level 6의 데이터를 사용하였다.
표준노드링크와 국가교통DB에서 수집한 데이터를 연계하여 분석 네트워크용 데이터셋을 구축하였고, 데이터셋에 포함되어 있는 정보들은 가장 기본적인 노드ID, 링크ID 정보와 링크를 정의하는데 필요한 시작노드, 도착노드, 링크 시설물의 종류, 길이, 차선 수, 도로 구분 정보 등이 있으며 교통정보에 대한 승용차, 버스, 트럭 교통량과 신호등 밀도 등으로 구성되어있다. 이때 Level 6에 존재하는 모든 도로 시설물에 대응되는 교통량 데이터가 존재하지 않기 때문에, 교통량 데이터가 없는 도로 시설물의 교통량을 보완할 필요가 있다. 이러한 누락 및 공란인 데이터를 보완하는 다양한 방법들이 존재하는데 대표적인 방법으로는 존재하는 다른 데이터들의 평균값이나 최빈도 값으로 대체하는 경우가 있다. 하지만 이러한 방식들은 분석 네트워크용 데이터셋이 가지고 있는 시설물의 종류, 차선 수, 길이에 따른 영향이 교통량에 미치는 영향을 반영하지 못한다. 따라서 본 연구에서는 다양한 영향인자가 교통량에 미치는 영향을 반영하기 위해 교통량 보완용 심층신경망(Deep Neural Networks, DNN) 모델을 개발하여 누락된 교통량 데이터를 보완하여 사용하였다. 최종적으로 분석 네트워크 개발에 사용된 데이터셋에 포함되어있는 정보는 Table 1과 같이 나타난다.
Table 1
Information of Dataset
데이터셋은 크게 도로 시설물 정보에 대한 데이터와 교통 정보 데이터 두 가지로 구분할 수 있다. 도로 시설물에 대한 데이터에서는 시설물의 제원과 시종점에 따른 노드정보, 이를 연결하는 링크 정보가 있으며, 도로가 일반국도나 고속국도 등으로 구분하는 정보, 시설물의 이름과 위치한 지역 등의 데이터를 포함하고 있다. 교통 정보 데이터에는 교통량에 대한 데이터인 승용차 교통량, 트럭 교통량, 버스 교통량, 총 교통량이 있으며 해당 교통량을 심층신경망을 사용하여 보완하였는지에 대한 여부를 포함하고 있다. 또한, 도로 구분과 VDF (Volume Delay Function)을 결정하는 데 필요한 요소들인 신호등 개수, 도로용량(c), 자유통행속도(t), 자유통행시간(T0), 환산교통량(v) 등으로 이루어져 있다. 최종적으로 이를 활용하여 TT (Travel Time)을 계산하는데 사용되는 통행시간(T)을 계산할 수 있다. Table 2는 도로 종류와 신호등 개수를 도로에 적용하여 Eq. (1)을 이용하여 구한 신호교차로 밀도, 차선 수를 이용하여 VDF를 구분하는 것을 나타낸다.
Table 2
VDF Values Based on Road Type
이때, 통행시간을 계산하는 식은 Eq. (2)와 같으며 이는 미공로국(Bureau of Public Road)에서 개발한 BPR식에 도로환경과 현실성을 반영하여 보정 파라미터 α, β를 추가하여 만들어진 계산 식이다.
Table 3에 작성되어있는 구분 기준들의 상세 사항과 링크 통행시간을 계산하는 자세한 방법은 한국교통연구원에서 작성한 교통분석용 네트워크 구축(Korea Transport Institute, 2022)에 상세히 기술되어 있다. 본 연구에서는 이렇게 구축된 데이터셋을 시각화하고 분석하기 위하여 Python 프로그래밍을 사용하였다. Fig. 2는 실제 대한민국의 서울특별시 도로 시설물을 Level 6 상세 도로망 수준으로 시각화한 분석 네트워크와 Python 프로그래밍을 통한 네트워크 성능 지표 계산 알고리즘 개발 및 테스트를 수행하기 위해 간략화된 Toy network를 나타낸다.
Table 3
Traffic Velocity and Volume Information Based on VDF
2.2 네트워크 성능 정의
네트워크 레벨에서 도로 시설물의 중요도를 결정하기 위해서는 먼저 네트워크의 성능을 정의할 필요가 있다. 네트워크의 성능을 정의하는 데에는 다양한 방법이 있는데 본 연구에서는 세 가지 네트워크 성능 지표를 네트워크 성능을 정의하는데 필요한 구성 요소로 정하였고, 이를 복합적으로 고려하여 네트워크 성능을 계산하였다. 각 네트워크 성능 지표에는 시설물의 종류나 네트워크가 위치한 지역에 따라 조정할 수 있는 가중치가 존재한다. 본 연구에서 정의한 네트워크 성능을 수식으로 나타내면 Eq. (3)과 같이 나타난다.
여기서, NP(i) 는 네트워크 내 특정 시설물(i)의 상태에 따른 네트워크 성능(Network Performance, NP), Wk 는 네트워크 성능 지표에 대한 가중치, Cik 는 네트워크 내 특정 시설물(i) 상태에 따른 성능 지표를 의미한다. 이때, 네트워크 성능 지표에는 교통적인 영향을 고려한 지표인 TTD (Total Travel Distance)와 TTT (Total Travel Time), 네트워크의 기하학적 구조를 고려한 중심성 지표중 하나인 BC (Betweenness Centrality)를 사용하였다.
2.3 네트워크 성능 구성 요소
2.3.1 Total Travel Distance, TTD
TTD에 대해 간략하게 정의하면, 해당 네트워크에서의 총이동 거리를 나타내며, 특정 경로나 네트워크의 모든 경로를 따라 이동한 거리의 총합을 나타내는 지표이다. 이는 교통 관련 분야에서 매우 중요한 개념 중 하나이며, 교통 엔지니어링 및 교통 계획에서 TTD는 도로 네트워크의 효율성과 이용자의 이동 패턴을 이해하는 데 핵심적으로 작용하는 개념이다. TTD는 네트워크 내 존재하는 시설물의 TD (Travel Distance)의 총합으로 이루어져 있으며, TD는 링크의 길이와 해당 링크를 이용하는 교통량을 곱하여 Eq. (4)와 같이 나타낼 수 있다. TTD는 네트워크 내 모든 TD들을 총합한 지표로 Eq. (5)와 같이 표현할 수 있다.
여기서, TDLink 는 노드 i 와 노드 j 를 연결하는 시설물의 TD값을 의미하고, fij 와 dij 는 노드 i 와 노드 j 를 연결하는 시설물을 통과하는 교통량과 시설물의 길이를 의미하며, TTD 는 네트워크 내 시설물의 TD값들의 합을 의미한다. 이를 활용하여 본 연구에서 네트워크 성능 지표로 사용된 TTD관련 성능 지표는 Eq. (6)과 같이 나타난다.
여기서, Ci1 는 시설물 i 의 운영 상태가 변화하였을 때의 TTD에 대한 성능 지표를 의미하고, γ 는 해당 시설물에 대한 가중치, TTDi 는 시설물 i 의 운영 상태가 변화하였을 때의 TTD값, TTD0 는 네트워크 내 모든 시설물이 정상적으로 운영되고 있을 때의 TTD값을 의미한다.
2.3.2 Total Travel Time, TTT
TTT는 TTD와 유사하지만 이동하는데 걸리는 시간에 대한 개념을 가지고 있다. TTT는 특정 경로나 네트워크에서 모든 경로를 따라 이동한 시간의 총합을 나타내는 개념이다. 주로 교통 및 이동성 분야에서 사용되며 네트워크의 혼잡도, 교통흐름, 이동 수단의 속도 등을 고려하여 계산된다. 따라서 TTT는 교통 계획 및 관리에서 이용자들의 이동 시간을 예측하고 최적 경로를 찾는데 사용되는 중요한 지표이다. TTT는 TTD와 유사하게 TT (Travel Time)의 총합으로 이루어져 있다. 여기서 TT는 Eq. (2)에서 다룬 링크통행시간을 의미하게 되며, 네트워크 내 시설물들 TT의 총합으로 TTT를 계산할 수 있다. 이를 활용하여 본 연구에서는 네트워크에서 발생하는 교통적인 영향에 의한 시간적 비용을 고려하기 위해 Eq. (7)과 같은 성능 지표를 사용하였다.
여기서, Ci2는 시설물 i 의 운영 상태가 변화하였을 때의 TTT에 대한 성능 지표를 의미하고, γ 는 TTD와 동일하게 해당 시설물에 대한 가중치, TTTi 는 시설물 i 의 운영 상태가 변화하였을 때의 TTT값, TTT0 는 네트워크 내 모든 시설물이 정상적으로 운영되고 있을 때의 TTT값을 의미한다.
2.3.3 Total Betweenness Centrality, TBC
Betweenness Centrality (BC)는 그래프 이론에서 사용되는 중심성 지표 중 하나이다. 이는 앞서 언급하였던 교통적인 영향을 고려한 지표인 TTD, TTT와 다르게 네트워크가 이루고 있는 구조와 기하학적 특성에 의해 결정되는 지표이다. 이는 네트워크 내에서 어떤 노드 및 링크가 중요한 역할을 하는지 평가하는 데 사용된다. 해당 노드 및 링크가 네트워크 전체의 최단 경로에 얼마나 많이 포함되어있는지를 측정하여 BC를 계산할 수 있다. 각 시설물에 개별에 대한 BC는 Eq. (8)을 이용하여 계산할 수 있다.
여기서, σij 는 네트워크 내 전체에서 노드 i 와 노드 j 를 연결하는 전체 최단 거리의 수를 의미하고, σij(v) 는 노드 i 와 노드 j 를 연결하는 최단 거리 중 시설물 v 가 포함되어있는 수를 의미한다. 이를 활용하여 BC를 계산하는 방법은 먼저 네트워크 내에 존재하는 모든 서로 다른 두 노드를 연결하는 최단 경로 개수의 총합을 구한다. 이후 최단 경로에 포함되는 각 링크들의 개수를 구한다. 앞서 구해둔 전체 최단 경로 개수로 나누어 각 링크의 BC를 계산한다. 이를 활용하여 각 링크별 BC 총합을 TBC (Total Betweenness Centrality)로 정의하고, 앞서 언급하였던 성능 지표들과 유사하게 Eq. (9)와 같은 방식으로 네트워크의 구조와 기하학적 특성을 나타내는 지표를 표현할 수 있다.
여기서, Ci3 는 시설물 i 의 운영 상태가 변화하였을 때의 TBC에 대한 성능 지표를 의미하고, γ 는 TTD, TTT와 동일하게 해당 시설물에 대한 가중치, TBCi 는 시설물 i 의 운영 상태가 변화하였을 때의 TBC값, TBC0 는 네트워크 내 모든 시설물이 정상적으로 운영되고 있을 때의 TBC값을 의미한다.
2.3.4 도로 시설물의 운영 상태
시설물의 운영 상태의 경우 다양한 방법으로 정의할 수 있다. Bocchini and Frangopol (2012)에서는 도로 시설물 중 하나인 교량에 대해서, 재난 상황에서의 운영 상태를 기능을 수행하지 못하는 ‘Out of service’, 부분적으로 기능이 수행할 수 있는 ‘Partially in service’, 모든 기능이 수행할 수 있는 ‘In service’ 세 단계로 정의하고, 교량의 구조적 안전성을 ‘Dangerous or collapsed’, ‘Not dangerous, but works require restrictions’, ‘Not dangerous’ 세 단계로 정의하여 이 둘을 복합적으로 고려하여 손상 단계를 정의하였다. 본 연구에서는 유지관리나 재난 상황에서의 구조물의 상태보다는 교통적인 흐름에 의해 네트워크의 성능이 어떻게 변화하고, 네트워크 내 어떠한 구조물이 중요도가 높은지 확인하기 위하여 운영 상태 부분만 사용하여 네트워크 내 시설물의 상태를 세 단계로 구분하였다. 첫 번째 단계는 정상 운영 상태로 시설물의 교통적인 기능을 온전히 수행하는 상황을 의미한다. 두 번째 단계는 부분 통제 상태로 재난으로 인해 시설물 일부가 이용 불가하거나 유지관리의 보수보강 작업으로 인하여 시설물의 차선을 일부 통제하고 있는 상황을 의미한다. 세 번째 단계는 완전 통제 상황으로 시설물의 차선이 모두 통제되어 해당 경로로 교통량이 이동하지 못하는 상태를 의미한다. 본 논문에서는 네트워크 내 시설물의 운영 상태를 주로 정상 운영 상태와 완전 통제 상황으로 변화시켜 가면서 전체 네트워크의 성능 저하가 얼마나 발생하는지. 이에 따라 어떠한 시설물의 중요도가 높은지 비교 및 분석을 수행하였다.
3. Toy network 적용 및 분석
본 연구에서는 네트워크의 성능 및 도로 시설물의 중요도를 평가하기 위해 개발한 기술을 실제 도로 네트워크를 간략화한 Toy network에 먼저 적용하였다. Toy network를 사용한 예시를 통해 각 네트워크 평가지표가 어떠한 방식으로 작동되는지 표현하였다. 따라서 본 장에서는 Toy network에 네트워크 성능 평가 지표 중 하나인 TTD를 기준으로 네트워크 성능 및 중요도를 평가하는 예시를 나타내었다. Toy network를 구성하는 정보들은 Table 4와 같이 나타나며, 링크를 이루는 시작노드, 도착노드와 시설물의 길이 및 교통량으로 구성되어있다.
Table 4
Information of the Toy Network
Toy network를 구성하는 노드의 수는 총 6개로 구성하였으며, 각 노드를 연결하는 도로 시설물 역할의 링크는 왕복을 고려하여 총 16개로 이루어져 있다. 이러한 Toy network 정보를 시각화하여 나타내면 Fig. 3(a)과 같이 표현할 수 있다.
네트워크의 성능 및 중요도를 평가하기 위해서는, 첫 번째로 네트워크 내 모든 시설물의 운영 상태가 정상 상태일 때의 네트워크 성능 지표를 계산해야 한다. 본 장에서 다루는 Toy network의 경우 TTD에 적용하는 예시이기 때문에, 개별 시설물에 대한 TD와 TTD를 Eqs. (4), (5)를 통해 계산하였다. 그 결과 네트워크 내 모든 시설물이 정상 상태일 때의 TTD값인 TTD0 는 508,000의 값을 가지게 된다. 두 번째 단계는 특정 시설물 i 의 운영 상태가 완전 통제일 때의 TTDi 를 계산하는 것이다. 예시를 위해 가장 첫 번째 링크인 Link12 가 완전 통제일 경우를 시각화하여 나타내면 Fig. 3(b)와 같이 표현할 수 있다.
기존 Link12 를 통해 노드 1에서 노드 2로 이동하던 교통량은 통제 상태인 시설물에 따라 다른 도로로 우회하게 된다. 이에 기존 Link12 에 있던 교통량을 다른 시설물에 배분할 필요가 있다. Park et al. (2007)에 따르면 교통흐름해석 프로그램을 통해 분석을 한 결과 우회로의 길이가 상대적으로 긴 경우 해당 경로에 대한 우회율이 현저하게 낮아지며 다수의 우회로가 있더라도 대부분 가장 짧은 거리의 우회로로 교통량이 배분되는 결과를 도출하였다. 본 연구에서도 이러한 분석 결과를 이용하여 기존 교통량을 우회로 길이에 반비례하게 배분하여 수정 교통량을 계산하였다. 본 장에서 다루는 Link12 가 완전 통제 상황인 예시의 경우 노드 1에서 노드 2로 이동하는 우회로의 경우 세 가지가 존재하며 이는 Table 5처럼 나타낼 수 있다.
Table 5
Detour Information
| Detour (Lk) | Node Route | Length |
|---|---|---|
| L1 | 1-4-5-2 | 1,100 |
| L2 | 1-4-5-6-2 | 1,500 |
| L3 | 1-4-5-6-3-2 | 1,700 |
이에 우회로에 포함되는 링크 시설물 교통량의 변동은 ΔfLk 로 나타나며 Eq. (10)과 같은 수식으로 계산할 수 있다.
여기서, L 은 우회로 전체 길이의 총합을 의미하며 예시를 기준으로 4,300의 값을 가지게 된다. Lk 는 각 우회로의 길이를 의미하며, n 은 우회로의 수, fij 는 완전 통제 상태인 시설물을 통과하던 기존 교통량을 의미한다. 이를 통해 각 우회로에 속한 시설물에 기존 시설물의 교통량을 배분한다. 이후 시설물 Link12 가 완전 통제 상태일 때의 전체 네트워크의 TTD인 TTDi 를 계산하면 619,162.791 값을 가지게 된다. 이를 TTD에 대한 네트워크 성능 지표 계산 식인 Eq. (6)에 대입하여 계산하면 C1 Link12는 1.219 값을 가진다는 결론을 도출할 수 있다. 해당 네트워크 지표 값을 사용하여 네트워크 성능을 계산하는 Eq. (3)에 대입하면 Link12 가 완전 통제 상태일 때의 네트워크 성능이 기존 100%에서 82.03%로 변화한다는 것을 확인할 수 있다. 즉, 시설물Link12 가 완전 통제 상황이 된다면 전체 네트워크 성능이 17.97%만큼 감소한다는 것을 의미한다. 예시로 진행한 Link12 외에 Toy network에 존재하는 다른 모든 시설물 링크에 대해 같은 계산을 수행하였고, 예시로 먼저 계산하는 방식을 보여준 TTD와 같은 방식으로 TTT 및 TBC를 모두 적용하여 나타낸 네트워크 성능 변화 그래프는 Fig. 4와 같이 나타난다. 이때, 시설물의 운영 상태는 완전 통제 상황을 가정하였으며, 각 지표에 대한 가중치와 시설물에 대한 가중치는 동일한 값을 적용하였다. 이를 통해 Toy network 상에서 어떠한 시설물이 중요도가 높은지 확인할 수 있었다.
Toy network 분석 결과를 통해 Link25, Link52시설물의 경우 완전 통제 상황이 되었을 때 전체 네트워크의 성능을 가장 많이 감소시키기에 가장 높은 중요도를 가지며 Link12, Link21 시설물의 경우는 두 번째로 중요도가 높은 시설물이라고 판단할 수 있다. 실제 Toy network를 이루는 데이터와 네트워크의 모양을 확인하였을 때, 노드 2와 노드 5 사이를 이동하는 교통량이 가장 많을 뿐 아니라, 해당 노드를 연결하는 링크가 네트워크 전체의 중심부에 위치하고 있다. 따라서 네트워크 분석 이전에 해당 링크 시설물이 높은 중요도를 가질 것으로 예상하였는데 Toy network 분석 및 중요도 평가를 수행하여 예상 결과와 적합한 결론을 도출할 수 있었다.
4. 국내 도로 시설물 네트워크 적용 및 분석
본 연구에서는 네트워크 성능을 정의하고 네트워크 성능을 이루는 다양한 평가지표를 선정하였다. 또한 시설물의 운영 상태에 따라 변화하는 네트워크 전체 성능을 통해 어떠한 시설물이 네트워크 내에서 중요도가 높은지를 확인하는 방법을 정의하였으며, 이를 간략화한 Toy network에 적용하였다. 이러한 네트워크 성능 및 중요도 평가 기술을 간단한 Toy network에서 확장하여 복잡도가 높은 실제 네트워크에 실적용 하고자 한다. 실제로 국내에 존재하는 도로 시설물 네트워크는 서울특별시 성북구 중 일부 지역을 선정하였으며, 해당 네트워크에 존재하는 시설물은 도로 138개소, 교량 4개소, 터널 2개소로 이루어져 있다. 선정한 실제 네트워크에 대해 Python 프로그래밍을 이용하여 시각화하여 나타내면 Fig. 5와 같이 나타난다. Fig. 5에서 빨간색 점으로 표현되어있는 부분은 실제 노드를 나타내고, 파란색 선으로 노드를 연결하는 링크 하나하나가 각 도로 시설물을 의미한다.
실제 도로 시설물 네트워크를 대상으로 중요도 평가를 수행하기 위해서 각 시설물에 대한 가중치를 결정할 필요가 있다. 본 연구에서 다루는 실적용 예시에서는 도로의 경우 가중치를 1로 설정하였고, 교량 및 터널의 경우 가중치를 3으로 가정하여 개발한 중요도 평가 기술을 적용하였다. 또한, 각 성능 지표 간의 가중치의 경우 모두 동일한 영향을 준다고 가정하였다.
네트워크 성능 및 중요도 평가를 적용한 결과 해당 네트워크에서는 터널 시설물이 가장 중요도가 높은 결과가 나타났다. 일반 도로 외에 다른 시설물의 가중치를 높게 설정하였기 때문에 터널과 교량이 중요도가 높게 산정되었으며, 중요도가 높은 10개의 시설물에 대한 정보, 성능 지표, 네트워크 성능을 Table 6과 같이 나타난다. Link ID는 국가교통정보센터의 표준노드링크 데이터나 국가교통DB 조회를 통해 상세한 시설물의 정보를 확인할 수 있다.
Table 6
Road Facility Information and Network Performance of the Actual Application Area
네트워크의 성능 및 중요도를 평가하는 실적용 예시에서도 시설물을 통과하는 교통량이 많을수록 해당 시설물의 상태가 통제 상태로 변화할 때, 전체 네트워크의 성능 저하에 큰 영향을 미치는 것을 확인할 수 있다. 또한, 실제 도로 네트워크에서 교량 및 터널과 같은 시설물이 일반적인 도로보다 중요한 시설물로 판단되기 때문에, 이를 고려한 가중치가 네트워크 내 중요한 시설물을 평가 및 결정하는 데 많은 영향을 미치는 것을 확인할 수 있다.
5. 결 론
본 연구에서는 도로 시설물을 네트워크 레벨에서의 성능 및 중요도를 평가하기 위하여, 국내 시설물과 교통 데이터를 수집하여 데이터셋을 구축하였다. 해당 데이터셋을 이용하여 분석 네트워크를 개발하였고, 다양한 성능 지표들을 정의하고 이를 복합적으로 고려하여 네트워크의 성능을 정의하였다. 또한, 네트워크 내 시설물의 운영 상태가 변화하였을 때, 가장 많은 네트워크 성능 저하를 발생시키는 시설물이 중요도가 높은 시설물이라고 정의하였다. 이렇게 도로 시설물 네트워크의 성능 및 중요도를 평가하는 기술을 개발하였고, 실제 도로 시설물 네트워크를 간략화한 Toy network를 구축하여 개발한 기술을 적용 및 테스트하였다. Toy network에 개발한 기술을 적용하고, 예상한 결과가 잘 도출되는 것을 확인하여 노드와 링크의 수가 많고 복잡도가 높은 실제 도로 네트워크를 선정하고 적용하였다. 일반적으로 중요도가 높은 교량과 터널에 높은 가중치를 설정하였으며, 해당 시설물들의 중요도가 높게 선정되는 것을 확인할 수 있었다. 또한, 같은 종류의 시설물이더라도 네트워크 중심부에 있거나 시설물을 통과하는 교통량이 많은 시설물일수록 중요도가 높게 결정되는 것을 확인할 수 있었다.
본 연구에서 개발한 네트워크 성능 및 중요도 평가 기술을 활용하면 정기적인 유지보수 의사결정 및 자연재해 상황에 대비할 수 있고, 자연재해 상황에서 시설물에 손상이 발생하였을 때 손상된 시설물의 복구 우선순위를 결정하는 데 기여가 가능하다. 또한, 네트워크의 성능과 중요도를 평가하기 위해서 교통적인 지표와 구조적인 지표를 적용하였는데, 시설물의 성능 평가 지표를 추가한다면 같은 종류의 유사한 조건의 시설물이더라도, 현재의 성능 평가 지표를 통해 상태가 좋지 않은 시설물에 유지보수에 대한 중요도가 높다는 결론을 도출할 수 있을 것이라 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
