Development of Underground Hydrogen Pipeline Monitoring Algorithm based on Optical Fiber Sensing: Case Study on DAS, DTS Sensing

광섬유 기반 지하매설 수소배관망 이상상태 탐지 알고리즘 개발: DAS, DTS 센싱 데이터를 중심으로

Abstract

This study developed an anomaly detection algorithm for underground hydrogen pipelines using Distributed Acoustic Sensing (DAS) and Distributed Temperature Sensing (DTS) technologies. The LSTM-AE-based algorithm was tested in a real-world testbed, showing high performance in detecting third-party construction activities and gas leaks. The model achieved 99.86% accuracy, 100% precision, 99.74% recall, and a 99.87% F1 score for DAS data, and 99.95% accuracy, 100% precision, 95.24% recall, and a 97.44% F1 score for DTS data. These results demonstrate the algorithm's effectiveness in real-time monitoring and its potential to enhance the safety of hydrogen pipeline infrastructure. Future research will focus on optimizing the algorithm for broader applications.

1. 서론

1.1 연구의 배경 및 목적

최근, 수소 가스가 미래의 유망한 에너지원으로 주목받고 있으며, 정부에서는 수소 자동차의 활성화를 위한 시범 도시 운영 등 다양한 노력을 기울이고 있다. 이러한 수소 가스는 그 작은 분자 크기와 높은 폭발성을 고려할 때, 안전한 배관 수송을 위해 기존의 가연성 가스(CH₄, C₃H₃ 등)보다 더욱 철저한 관리가 요구된다[1].

이와 같은 배경에서, 최근 배관망 관리 분야에서는 분포형 광섬유 기반의 센싱 기술(DFOS; Distributed Fiber Optic Sensing)이 주목받고 있다[2]. DFOS 기술은 배관망과 함께 시공될 수 있으며, 높은 내구성과 1미터 내외의 인식 정확도를 확보할 수 있다. 또한, 진동과 온도 등의 데이터를 효과적으로 취득할 수 있어 배관망에서 발생할 수 있는 외부 요인의 간섭이나 배관망 파손에 따른 가스 누출 등 이상상태를 감지하는데 매우 유리하다. 초기에는 광섬유 기반 센서 신호의 처리 과정에서 발생하는 지속적인 변화로 인해 신호의 알고리즘적 처리가 어려웠으나, 최근 머신러닝 기법을 적용하여 노이즈 제거와 신호 증폭을 통해 검출 정확도를 크게 향상시키고 있다[3-12].

본 연구는 지하에 매설된 수소 배관망의 이상상태를 탐지하기 위해, 광섬유 센싱 방식 중 DAS(Distributed Acoustic Sensing), DTS (Distributed Temperature Sensing) 방식을 활용한 딥러닝 기반 지하매설 수소배관망 이상상태 탐지 알고리즘을 개발하는 것을 목표로 한다. 이 연구는 딥러닝 기반의 신호처리 기술의 활용을 통해 기존 시스템 대비 높은 정확도와 신뢰성을 확보할 수 있어, 도시 재난 재해 예방 및 대응 체계 강화에 중요한 역할을 할 것으로 기대된다.

2. 이론적 고찰

2.1 광섬유 기반 센싱 기술

광섬유 센싱 기술은 광섬유를 활용하여 온도, 변형, 압력, 진동 등 다양한 환경 조건을 감지하고 측정하는 기술이다. 이 기술은 정밀성과 민감도, 그리고 장거리 실시간 데이터 수집 성능으로 석유 및 가스, 인프라 모니터링, 보안 등 다양한 산업 분야에서 활용되고 있다[13].

광섬유 센싱 기술은 다음과 같은 주요 특성을 지닌다.

광섬유 센서는 전체 길이에 걸쳐 연속 데이터가 수집된다. 이는 특정 지점의 신호만 수집하는 기존 센서와 대조적인 특징으로, 이러한 특성 때문에 배관망, 터널, 교량과 같은 대규모 구조물의 세부적인 모니터링이 가능하다[14]. 또한, 미터 단위의 높은 공간 분해능을 지니므로 온도 변화나 구조의 미세한 변형과 같은 국소적인 이벤트나 변화를 감지할 수 있다. 이러한 특성 때문에 누출이나 구조적 변형과 같은 이상 현상의 정확한 위치 파악에 유용하게 활용된다. 다른 특징으로는 실시간으로 데이터를 취득할 수 있어 변화에 대한 즉시 대응이 가능하며, 온도, 변형, 진동 등의 여러 매개 변수를 동시에 측정할 수 있어 복잡한 모니터링 환경에서 다양한 데이터 수집이 필요한 경우 유용하게 활용된다.

반면, 광섬유 센서는 복잡한 신호 처리를 요구하므로, 수집된 원시데이터를 그대로 활용할 수 없다. 예컨대, DAS에서는 신호가 잡음의 영향을 받을 수 있어 정확한 데이터를 필터링하고 해석하기 위한 알고리즘적 처리가 필요하다[15]. 최근에는 머신러닝 기법이 이러한 신호 처리와 해석을 향상시키기 위해 사용되고 있다[3-12]. 또한, 광섬유 센싱 데이터는 복잡성을 지닌 대용량의 데이터이므로, 이 데이터를 효율적으로 관리하고 처리하기 위해서는 강력한 컴퓨팅 리소스와 정교한 데이터 관리 기술이 요구된다.

2.2 취득 데이터의 특성 분석

선행연구[16]에서는 광섬유 기반의 센싱 방식 중 DAS와 DTS, 그리고 백금/팔라듐 기반의 화학센서를 융합한 하이브리드 센싱의 개념 설계를 제안한 바 있다. 이 연구에서는 특히 지하매설 수소 배관망의 모니터링에 대한 필요성을 강조하며, 기존의 개별 센싱 방식의 한계를 극복하기 위해 두 가지 이상의 센서 기술을 융합하는 접근 방식을 제시하였다. 제안된 하이브리드 센싱 시스템은 배관망 전체에서 실시간으로 진동과 온도 데이터를 수집할 수 있으며, 이 데이터는 각각 1m의 높은 공간적 정확도를 제공한다. 또한, 수집된 시계열 데이터의 분석을 통해 타(他)공사에 의한 외부 요인의 접근이나 배관망 자체의 파손으로 인한 가스누출 위치를 정확하게 식별할 수 있다. 이때 수집되는 DAS 및 DTS 데이터의 형식은 Fig. 1에 정의되어 있다.

Fig. 1 Binary packet structure of DAS, DTS data

DAS 데이터는 배관망에 작용하는 진동의 강도와 위치를 나타내며, 이 데이터는 특정 단위 없이 상대적인 값으로 표현된다. 모니터링 과정에서는 WF(Water Fall) 이미지 형태로 데이터를 시각화하는데, 이 이미지에서 X축은 위치를, Y축은 시간을, 그리고 색상은 진동의 강도를 나타낸다. 이 WF 이미지를 통해 연구자들은 배관망에서 발생하는 진동의 변화를 한눈에 파악할 수 있으며, 특히 Fig. 1-(a)-⑦의 'Intensity' 값이 핵심적인 관심 대상이 된다.

DTS 데이터는 배관망의 온도 변화를 모니터링하는 데 사용된다. 이 데이터는 광케이블의 특정 위치를 통해 측정된 온도 정보로 구성되며, 단위는 섭씨(℃)로 표기된다. DTS 데이터는 배관망의 온도 변화를 정밀하게 추적할 수 있게 해 주며, 이 과정에서 가장 중요한 정보는 Fig. 1-(b)-④의 'Temperature' 값이다. 이러한 온도 데이터는 가스 누출 등 배관망 내 이상 상황을 조기에 감지하고, 정확한 위치를 파악하는 데 핵심적인 역할을 한다.

이처럼 DATS 하이브리드 센싱 시스템은 DAS와 DTS 데이터의 상호 보완적인 특성을 활용하여, 수소 배관망의 안전성을 극대화하고 잠재적인 위험 요소를 실시간으로 모니터링할 수 있는 접근 방법을 제공한다.

DAS와 DTS에서 수집된 RAW 데이터는 설정된 주기마다 새로운 계측 데이터 파일로 생성되며, 이러한 데이터는 ASCII 형식으로 저장된다. 이 데이터 파일에는 배관망의 전체 길이(m 단위)에 대한 계측값이 포함되어 있으며, 설정된 주기마다 지속적으로 누적된다. 계측 데이터 파일에서 유의미한 분석을 수행하기 위해서는 우선적으로 데이터를 시계열에 따라 정렬한 후, 정렬된 데이터 구조 내에서 분석이 이루어져야 한다. 본 연구에서 중점적으로 다루는 관심 데이터는 1)DAS를 활용하여 타공사가 발생한 위치와 그로 인한 진동의 강도 파악, 2) DTS를 활용하여 수소 배관망 내에서 가스 누출이 발생한 위치와 해당 위치의 온도를 정확히 검출하는 것이다.

2.3 DAS, DTS 기반 이상상태 탐지를 위한 최적 알고리즘 선정

최근 들어 광섬유 센싱 데이터의 신호가 지속적으로 변화하는 특성으로 인해, DFOS 데이터에 머신러닝 기법을 적용하여 검출 정확도를 향상시키는 연구가 활발히 이루어지고 있다[3-12]. 특히, Guo(2018), Sheng(2019), Yang(2019), Kong(2020)은 Bayesian network, TSVD-SCN, CNN, PNN 등의 머신러닝 기법을 활용해 광섬유 센싱의 정확성을 높이는 데 기여하고 있다. 그러나 본 연구의 알고리즘 개발 목표는 실시간으로 발생하는 센싱 데이터를 분석하여 이상상태의 강도 값과 위치를 정확히 도출할 수 있는 모니터링 기술이므로, DAS와 DTS 데이터의 축적 방식을 고려한 시계열 분석이 가능한 학습 알고리즘이 선정되어야 한다. 이 같은 관점에서 선행연구에서 제시된 머신러닝 기법은 시계열 데이터 분석에 적합하지 않아 선정 대상에서 제외하였다.

시계열 분석은 시간에 따른 데이터의 변화를 추적하고 예측하는 도구로, 특히 비정상적 상황의 발생을 조기에 탐지하는 데 유리하다. 대표적인 시계열 분석 알고리즘으로는 ARIMA(Autoregressive Integrated Moving Average), Prophet, 그리고 전통적인 머신러닝 알고리즘인 SVM(Support Vector Machine)과 랜덤 포레스트(Random Forest), LSTM-AE (Long Short Term Memory –Autoenc oders) 등이 사용된다. Table 1은 제시된 시계열 머신러닝 알고리즘의 특성을 분석한 것이다.

Table 1. Comparison of time series and machine learning algorithms

Table 1의 분석 결과에 따르면, LSTM-AE 알고리즘은 시간적 종속성을 효과적으로 포착할 수 있는 특징이 있어, 센싱 데이터에서 이상을 탐지하고 식별하는 패턴 인식 작업에서 우수한 성능을 보인다. 특히 시계열 데이터를 활용한 이상상태 탐지 및 예측 유지보수에 있어 활용 가능성이 높은 것으로 판단된다. 따라서, 본 연구에서는 LSTM-AE 알고리즘을 DAS, DTS 기반 이상상태 탐지를 위한 최적 알고리즘으로 선정하고, 이를 기반으로 테스트베드 데이터를 활용하여 개발 알고리즘에 대한 성능 평가를 수행하고자 한다.

3. 광섬유 기반 지하매설 수소배관망 이상상태 탐지 알고리즘 개발

3.1 DAS, DTS 기반 이상상태 탐지 알고리즘 설계

본 연구에서는 2장의 광섬유 기반 센싱 데이터의 분석 결과를 토대로, DAS, DTS 기반 지하매설 수소배관망의 이상상태 탐지를 위한 알고리즘을 설계하였다. 이상상태 탐지 알고리즘을 설계하기 위해서는 먼저 DAS, DTS로부터 수집된 원시데이터를 전처리해야 한다. DAS, DTS 데이터는 고해상도, 대량의 시계열로 구성되어 있으며, 이 데이터들은 배관망 전반에 걸친 진동과 온도 변화를 세밀하게 반영한다.

3.1.1 DAS 기반 타공사 위치 인식 알고리즘 설계

DAS 데이터는 시간과 위치에 따른 진동의 강도를 나타내며, 주로 타공사나 외부 충격으로 인해 발생하는 진동을 감지한다. 이 데이터는 Waterfall 이미지 형태로 표현할 수 있으며, 진동의 강도가 색상의 변화로 시각화된다. DAS 데이터 전처리 과정에서는 Fig. 2와 같은 개념으로 알고리즘을 설계하였다.

Fig. 2 Design of DAS-based third-party construction detection

3.1.2 DTS 기반 수소배관망 가스누출 위치 인식 알고리즘 설계

DTS 데이터는 시간과 위치에 따른 온도 변화를 기록하며, 배관망에서 발생하는 가스 누출을 감지하기 위해 사용된다. 이때, 온도 변동 필터링을 위해 정상적인 변동과 비정상적인 변동을 구분하기 위한 저주파 필터를 적용하였다. 또한 정상적인 온도 변화와 비교하여 비정상적인 급격한 온도 상승이나 하강을 감지하여 이를 가스누출의 징후로 해석하여 위치를 기록하도록 알고리즘을 Fig. 3과 같이 설계하였다.

Fig. 3 Design of DTS-based hydrogen gas leak detection

3.2 DAS, DTS 기반 이상상태 탐지 알고리즘 구축

본 연구에서 제안하는 이상상태 탐지 알고리즘은 LSTM-AE 모델을 기반으로 하고 있다. 이 알고리즘은 수소배관망의 광섬유 센싱 데이터를 실시간으로 분석하여, 비정상적인 변화를 빠르게 탐지하는 것을 목표로 한다.

LSTM-AE 모델은 기본적으로 인코더-디코더(Encoder-Decoder) 구조를 가지고 있으며, 이는 시계열 데이터의 특징을 잘 학습하고 복원할 수 있는 능력을 가지고 있다. 모델의 인코더 부분은 입력된 DAS, DTS 시계열 데이터를 저차원 공간으로 압축하고, 디코더는 이 압축된 데이터를 다시 원래의 시계열 형태로 복원한다. 모델이 정상적인 데이터를 학습한 후, 정상적인 패턴에서는 낮은 재구성 오차(Reconstruction Error)를 보이게 된다. 반면, 이상상태가 발생했을 때는 재구성 오차가 급격히 증가하게 되며, 이를 기반으로 이상상태를 탐지할 수 있다.

DAS와 DTS 데이터를 기반으로 타공사 및 가스누출 위치를 인식하기 위해 제안된 알고리즘은 다음과 같은 조건을 고려하여 구축되었다.

1) 재구성 오차 산정 :수소배관망에 설치된 광섬유 센서를 통해 수집된 DAS 및 DTS 데이터의 재구성 오차를 산정한다. 이 오차는 정상 상태와 비교하여 얼마나 큰 차이가 발생하는지 측정하는 중요한 지표가 된다.

2) 임계치와의 비교 : 사전에 설정된 임계치(threshold) 값을 기준으로, 계산된 재구성 오차를 비교한다. 이 임계치 값은 정상과 비정상을 구분하는 기준이 되며, 이를 통해 이상상태를 감지할 수 있다.

3) 정상/비정상 분류: 임계치와의 비교 결과를 바탕으로 입력 데이터가 정상인지 비정상인지를 판단하고, 해당 데이터를 분류한다.

이 알고리즘은 Python 3.6.15 환경에서 구현되었으며, 알고리즘의 구조는 Fig. 4에 시각적으로 나타나 있다. 이 구조는 데이터 입력에서부터 이상상태 탐지에 이르기까지의 과정을 설명하고 있으며, 각 단계에서의 주요 기능과 역할을 정의한다.

Fig. 4 DAS, DTS-based hydrogen Pipeline monitoring algorithm

상기의 LSTM-AE 학습 모델 개발을 위한 프로세스는 1)데이터 수집 및 전처리, 2)훈련, 검증, 테스트 데이터 구분, 3)LSTM-AE 훈련(Traning data), 4)임계치 설정(Validation data), 5)LSTM-AE 성능 평가(Test data)의 5단계로 Fig. 5와 같이 진행되었다.

Fig. 5 Process for LSTM-AE model development

4. 테스트베드 데이터를 활용한 이상상태 탐지 알고리즘 성능 검증

4.1 테스트베드 구축 및 원시데이터 수집

본 연구에서는 광섬유 기반의 DAS, DTS 시스템을 활용한 지하매설 수소 배관망의 이상상태 탐지 알고리즘을 검증하기 위해, 울산광역시 테크노 산업로 실증단지 내에 모사 시험 테스트베드를 구축하고 원시데이터 수집을 수행하였다(Fig. 6).

Fig. 6 Raw data acquisition in the test-bed

DAS 기반 이상상태 탐지 알고리즘 개발을 위한 원시데이터로는 5.048㎞ 길이의 광섬유에서 300ms 간격으로 취득된 ASCII 데이터가 사용되었다. 현재는 초기 알고리즘 구축 단계로, 타공사 종류별 라벨링 작업은 수행되지 않았다. 마찬가지로 DTS 기반 가스 누출 위치 인식 알고리즘 개발을 위한 원시데이터로는 2.432㎞ 길이의 광섬유에서 3,000ms 간격으로 취득된 ASCII 데이터가 사용되었으며, 이또한 초기 알고리즘 구축 단계로, 온도 변화 유형별 라벨링 작업은 수행되지 않았다.

이상상태 유발을 위한 방법으로는 DAS 원시 데이터 수집 시, 불규칙한 간격 및 강도의 충격을 배관망에 가하여 타공사를 모사하였으며, DTS 원시 데이터 수집 시에는 지하매설 배관 중 일부를 노출시켜 고온의 액체 등을 활용하여 해당 부분의 온도를 급격히 변화시키는 방식을 활용하였다.

4.2 DAS 기반 타공사 위치 인식 알고리즘 성능 검증

DAS 기반 타공사 위치 인식 알고리즘 모델 구축을 위한 학습 데이터로는 총 4,000개의 샘플이 사용되었다. 검증 과정에서는 629개의 검증 데이터를 활용하여 모델의 초기 학습 결과를 확인하였으며, 이를 통해 모델의 과적합(overfitting) 문제를 방지하고 일반화 성능을 평가하였다. 모델은 5개의 타입 레이어로 구성되었으며, 총 15,952개의 파라미터를 학습하는 과정을 통해 최적의 상태를 도출하였다.

테스트 단계에서는 1,467개의 테스트 데이터에 대해 모델의 예측 성능을 검증하였다. 실험 결과, 테스트 데이터에 대한 예측 정확도 99.86%, 정밀도 100%, 재현율 99.74%, F1점수 99.87%로 모델이 매우 높은 성능을 보이며, 정상/비정상 상태를 정확하게 예측하는 것으로 확인되었다(Fig. 7).

Fig. 7 Performance metrics of the DAS-based LSTM-AE Model

4.3 DTS 기반 수소배관망 가스누출 위치 인식 알고리즘 성능 검증

DTS 기반 수소배관망 가스누출 위치 인식 알고리즘 모델 구축을 위한 학습 데이터로는 총 50,316개의 샘플이 사용되었다. 검증 과정에서는 21,564개의 검증 데이터를 활용하여 모델의 초기 학습 결과를 확인하였으며, 이를 통해 모델의 과적합 문제를 방지하고 일반화 성능을 평가하였다. 모델은 5개의 타입레이어로 구성되었으며, 총 12,630개의 파라미터를 학습하는 과정을 통해 최적의 상태를 도출하였다.

테스트 단계에서는 233,364개의 테스트 데이터에 대해 모델의 예측 성능을 검증하였다. 실험 결과, 테스트 데이터에 대한 예측 정확도 99.95%, 정밀도 100%, 재현율 95.24%, F1점수 97.44%로 모델이 매우 높은 성능을 보이는 것으로 확인되었다(Fig. 8).

Fig. 8 Performance metrics of the DTS-based LSTM-AE Model

5. 결론

본 연구에서는 지하매설 수소 배관망의 안전성을 확보하고자 광섬유 기반의 DAS, DTS 시스템을 활용한 이상상태 탐지 알고리즘을 개발하였으며, 이를 테스트베드에서 검증하였다. 본 연구를 통해 도출된 결론은 다음과 같다.

1) DAS 기반 타공사 위치 인식 알고리즘을 개발하고, 이를 통해 외부 충격이나 타공사를 높은 정확도로 탐지할 수 있음을 입증하였다. 실험 결과, DAS 데이터를 분석한 LSTM-AE 모델은 99.86%의 예측 정확도를 보였다. 이는 제안된 알고리즘이 타공사와 같은 외부 요인으로 인한 배관망 손상을 신속하고 정확하게 감지할 수 있음을 의미한다.

2) DTS 기반의 가스 누출 위치 인식 알고리즘을 개발하여 수소 누출을 실시간으로 탐지할 수 있도록 하였다. DTS 데이터를 활용한 모델은 99.95%의 예측 정확도를 보였다. 이는 개발된 알고리즘이 수소배관망의 가스 누출을 조기에 발견하고, 사고 예방에 적극적으로 활용할 수 있음을 의미한다.

3) LSTM-AE 모델을 기반으로 하는 이상상태 탐지 알고리즘을 통해 시간적 종속성을 가진 데이터를 효과적으로 분석하고, 비정상적인 패턴을 인식할 수 있음을 확인하였다. 본 연구에서 개발된 알고리즘은 높은 정확도와 신뢰성을 바탕으로 지하매설 수소 배관망의 실시간 모니터링에 적합한 것으로 판단된다.

본 연구는 수소배관망 모니터링 알고리즘 개발을 위한 초기 단계의 연구로서, 센싱 데이터에 대한 정상 상태와 이상상태만을 구분하고 있으며, 이에 따라 그 식별률이 높게 나타난 것으로 판단된다. 추후 연구를 통해 타공사 종류별, 온도 변화 유형별 라벨링을 통한 모델 학습을 수행할 경우, 수소배관망 모니터링 알고리즘의 고도화가 가능할 것으로 기대된다.

감사의 글

본 연구는 한국에너지기술평가원 신재생에너지 핵심기술개발사업(과제번호: 20213030040380)에 의해 수행되었습니다.