스마트폰 기반 현장 데이터 수집을 전제로, 지하가설공사 공정의 불확실성 분석, 예측, 시각 인식을 하나의 체계로 연결한 설명형 HTML 보고서입니다.
통합 공정 반복 시뮬레이션을 통해 최적의 공정, 공기, 원가 모델을 도출하는 것이 본 시스템의 핵심입니다.
불확실한 조건을 확률적으로 흔들어가며 수천~수만 번 반복 계산하는 시뮬레이션 엔진입니다.
과거 공정·원가·생산성 데이터를 학습하여 새로운 현장의 공기, 원가, 병목, 위험도를 예측합니다.
사진, 영상, 도면 같은 비정형 데이터를 해석하여 공정 단계, 장비 상태, 작업 밀집도를 자동 인식합니다.
아래 다이어그램은 세 기술이 각각 독립적으로 존재하는 것이 아니라, 현장 인식 → 예측 → 반복 최적화의 순서로 연결된다는 점을 보여줍니다.
지하가설공사에서는 흙막이 시공 속도, 파일 공정 생산성, 복공 간섭, 토사 반출량, 우천 영향, 야간 작업 제약 등 다양한 요소가 매일 변동합니다. Monte Carlo는 이런 불확실한 값을 하나의 고정값으로 보지 않고, 범위와 분포를 가진 변수로 두고 반복 계산합니다.
즉, Monte Carlo는 “며칠 걸린다”가 아니라 “대체로 며칠쯤 걸리고 늦어질 가능성은 얼마나 되는가”를 보여주는 도구입니다.
Machine Learning은 과거 프로젝트 데이터를 학습해 새로운 현장의 결과를 빠르게 예측하는 역할을 합니다. 흙막이 종류, 굴착 깊이, 토질, 장비 수, 반출 거리, 탑다운 여부 같은 입력값을 기반으로 공정 결과를 추정합니다.
즉, Machine Learning은 정리된 표 형태의 데이터를 바탕으로 “이 조건이면 어떤 결과가 나올까”를 예측하는 엔진입니다.
현장에서는 숫자 데이터보다 사진, 영상, 도면, PDF, 작업일보 같은 비정형 데이터가 훨씬 많습니다. Deep Learning은 이 데이터를 읽어, 공정 상태를 사람이 보듯 자동 판단하게 해줍니다.
초기 단계에서는 고가 장비보다 스마트폰 사진과 현장 동영상을 활용한 경량형 인식 체계부터 구축하는 것이 현실적입니다.
| 구분 | 주 역할 | 주요 출력 |
|---|---|---|
| Deep Learning | 사진·영상·도면 인식 | 공정 단계, 장비 종류, 혼잡도 |
| Machine Learning | 표형 데이터 예측 | 공기, 원가, 병목, 리스크 |
| Monte Carlo | 불확실성 반복 반영 | 분포, 확률, 최적 시나리오 |
| 영역 | 추천 소프트웨어 | 용도 |
|---|---|---|
| 기본 개발 | Python | 데이터 처리, 학습, 자동화 |
| 딥러닝 | PyTorch / YOLO | 장비·공정 상태 인식 |
| 라벨링 | Label Studio | 사진 정답 데이터 생성 |
| 실험 관리 | MLflow | 모델 성능 및 버전 기록 |
| 시뮬레이션 | Python 기반 Monte Carlo 모듈 | 불확실성 반복 계산 |
실무적으로는 딥러닝만 먼저 시작하는 것보다, 공정 로직과 데이터 구조를 먼저 잡고 그 위에 예측과 인식 모델을 올리는 방식이 더 안전합니다.
본 시스템은 세 기술을 분리해서 쓰는 구조가 아니라, 하나의 현장 의사결정 체계로 결합하는 구조입니다. Deep Learning은 현장을 읽고, Machine Learning은 결과를 예측하며, Monte Carlo는 여러 불확실성을 반영해 최적안을 찾습니다.
따라서 지하가설공사 AI 모델의 핵심은 단순한 이미지 인식이 아니라, 현장 데이터 해석 → 공정 결과 예측 → 반복 시뮬레이션 기반 최적화까지 이어지는 통합 설계에 있습니다.