확률분포예측 기반 기계학습을 이용한 교각 세굴 예측

Predicting Local Scour at Bridge Piers Using Probability-Distribution Machine Learning

하천 흐름이 교량의 교각과 접촉시 교각 주위로 구조물로 인해 교란되면서 발생하는 강력한 와류와 유속의 증가로 하상에서 세굴이 발생한다. 현재까지 세굴 깊이를 예측하기 위해 현장 데이터와 실험 결과를 바탕으로 한 경험식, 유체 역학을 직접 계산하는 수치해석, 그리고 데이터로부터 패턴을 학습하는 머신러닝 모델 등으로 발전해왔다. 본 연구는 기계학습 기법을 통해 단일 예측값이 아닌 확률 분포를 예측을 기반으로 불확실성을 정량화할 수 있는 NGBoost 모델을 이용하여 교각 세굴 발생 깊이 예측모델을 구축하였다. NGBoost는 결과의 신뢰 구간을 제공하여 보다 안전 중심적인 의사결정을 지원할 수 있다. 또한, SHAP를 적용하여 개발된 모델의 수리적, 지형적 특성을 중요하게 학습하는지 분석하고, 그 결과를 통해 모델의 예측 과정을 해석하였다. 여러 경험식과의 세굴 예측을 비교한 결과, NGBoost 모델이 우수한 예측력을 보여주었는데, 이는 NGBoost가 효과적인 교각 주위에 발생하는 수리학적 현상을 학습을 기반으로 세굴 발생을 보다 정확하게 예측할 수 있는 모델임을 시사한다.

The interactions of river flows with bridge piers generate strong vortices and locally accelerated velocities that disturb the bed and produce local scour. In this regard, approaches for predicting scour depth have evolved from empirical formulas derived from field and laboratory data to numerical models that solve the governing hydrodynamics and, more recently, machine-learning methods that learn patterns from data. Herein, we propose a model for predicting scour depth using NGBoost, which predicts full probability distributions rather than single values, thereby quantifying the predictive uncertainty and allowing for safety-oriented decisions through predictive intervals. To interpret the model, we apply Shapley additive explanations to identify the hydraulic and geomorphological variables that have the greatest influence on the predictions. When compared with representative empirical equations, the NGBoost model shows better accuracy, indicating enhanced performance for pier-scour prediction. Overall, NGBoost offers an uncertainty-aware interpretable framework to obtain a more reliable assessment of scour risk around bridge piers.