머신러닝이 측량 데이터에서 토공량 계산을 개선하는 방법

토공량 산출에는 불편한 진실이 있습니다. 대부분의 시공사가 사용하는 표준 방법인 격자 평균법과 횡단면 분석법은 실제 이동 토량 대비 10~15%의 오차를 일상적으로 발생시킵니다. 200만 달러 규모의 부지 공사에서 이는 20만~30만 달러의 잠재적 리스크에 해당합니다. 머신러닝 접근 방식은 이 격차를 상당히 줄이고 있습니다.

기존 방법이 빗나가는 이유

격자법은 현장을 정사각형으로 나누고, 각 정사각형의 평균 절토 또는 성토 깊이를 계산한 후 체적을 합산합니다. 문제는 격자점 사이의 지형 불규칙성을 평활화한다는 것입니다. 격자 정사각형을 대각선으로 가로지르는 6피트 깊이의 협곡이 완만한 경사로 평균화됩니다. 횡단면법은 선형 지형을 포착하는 데 더 우수하지만, 일반적으로 25~50피트 간격으로 배치된 단면 사이를 여전히 보간합니다.

두 방법 모두 불규칙한 부지 경계, 정지 작업을 제약하는 기존 지하 매설물, 그리고 균형선이 이동하는 절토와 성토 전환 구간에서 어려움을 겪습니다. 경험 많은 현장 소장은 이러한 구간이 토공량 추정이 틀어지는 곳이라는 것을 알고 있지만, 기존 물량 산출 방법의 수학적 계산은 이 구간을 현장의 다른 구역과 동일하게 처리합니다.

머신러닝이 다르게 하는 것

ML 기반 토공 도구는 드론 측량이나 LiDAR 스캔에서 얻은 전체 포인트 클라우드를 수집하며, 때로는 에이커당 수백만 개의 데이터 포인트를 처리합니다. 이를 격자나 횡단면 세트로 축소하는 대신, 연속 표면 모델을 구축하고 훨씬 높은 해상도로 설계면 대비 체적을 계산합니다.

더 중요한 것은, 완료된 프로젝트로 훈련된 ML 모델이 실제 토량 대 추정 토량에 영향을 미치는 패턴을 학습한다는 점입니다. 토질은 팽창 및 수축 계수에 영향을 줍니다. 경사도는 정지 작업 중 과다 절토 발생량에 영향을 줍니다. 기존 구조물과의 근접성은 장비 접근을 제약하고 자재가 실제로 이동되는 방식을 변화시킵니다. 모델은 충분한 프로젝트 데이터로 훈련되면 이러한 요소를 자동으로 반영합니다.

콜로라도 교통부(DOT) 시범 프로그램은 실제 토량이 확인된 8개 고속도로 프로젝트에서 ML 기반 체적 계산을 기존 방법과 비교 테스트했습니다. 기존 횡단면법은 실제 값 대비 평균 11.3%의 편차를 보였습니다. ML 접근법은 평균 3.7%의 편차를 보였습니다. 가장 큰 프로젝트인 4마일 도로 확장 공사에서 ML 추정치는 최종 측정 토량의 2.1% 이내였습니다.

이를 가능하게 하는 데이터 파이프라인

정확도 향상은 입력 데이터 품질에 크게 좌우됩니다. 200피트 고도에서 75% 중첩으로 비행한 드론 측량은 2~3cm 정확도의 포인트 클라우드를 생성하며, 이는 대부분의 상업용 토공에 충분합니다. 지상기준점(GCP)은 매우 중요합니다. 10에이커당 4개 이상의 GCP를 사용한 프로젝트는 ML 정확도가 3% 이내였습니다. GCP를 생략하거나 권장 수보다 적게 사용한 프로젝트는 정확도가 7~8%로 떨어져 기존 방법보다 거의 나을 것이 없었습니다.

측량에서 견적까지의 파이프라인은 일반적으로 다음과 같이 진행됩니다: 드론 비행으로 기존 현황을 촬영하고, 사진측량 소프트웨어가 포인트 클라우드를 생성하며, ML 소프트웨어가 토목 설계 도면의 설계면과 함께 포인트 클라우드를 가져온 후, 체적 계산이 몇 시간이 아닌 몇 분 만에 완료됩니다.

댈러스의 한 토공 전문 하도급업체가 전환 과정을 기록했습니다. ML 도구 도입 전, 견적 담당자는 일반적인 20에이커 상업용 부지의 체적 계산에 12~16시간을 소요했습니다. ML 파이프라인 도입 후, 드론 비행에 45분, 처리에 대부분 무인으로 2시간이 소요되며, 견적 담당자는 결과물 검토 및 조정에 2시간을 사용합니다. 총 견적 담당자 소요 시간이 14시간에서 약 3시간으로 줄었고, 정확도는 과거 평균 9% 편차에서 4% 편차로 개선되었습니다.

까다로운 상황 처리

기존 지하 매설물은 여전히 과제입니다. ML 모델은 위치가 알려져 있고 제약 조건으로 제공되면 매설물 구간을 고려할 수 있지만, 미확인 매설물은 어떤 기술로도 완전히 해결할 수 없는 리스크로 남아 있습니다. 그러나 ML 도구는 일부 상황에서 기존 방법보다 더 잘 처리합니다. 다른 제거 방법이 필요한 상당한 암반이 있는 현장은 지반조사 시추 데이터로 지하 모델링이 가능하며, ML은 유사한 지질 조건에서 학습한 보간 패턴을 기반으로 암반 대 토사 체적을 별도로 추정할 수 있습니다.

단계별 토공, 즉 단계 사이에 적치를 하면서 정지 작업이 단계적으로 진행되는 경우는 ML이 정확도를 개선하는 또 다른 영역입니다. 모델은 단계 간 중간 표면을 추적하고 재처리, 다짐, 적치된 토사의 재료 열화를 고려할 수 있습니다. 기존 방법은 보통 총 체적만 계산하고 단일 보정 계수를 적용하는데, 이는 총 장비 투입 시간을 과소평가하는 경향이 있습니다.

입찰 준비와의 통합

체적 수치는 입찰 준비에 직접 반영되며, 이 부분에서 향상된 정확도의 가치가 복합적으로 작용합니다. 더 정밀한 체적 추정은 더 정밀한 운반 계산, 더 정확한 장비 투입 시간 예측, 그리고 더 나은 연료비 추정을 의미합니다. AI 기반 건설 분석 도구를 사용하는 한 종합건설사는 목표 마진을 유지하면서도 토공 입찰가가 평균 6% 더 경쟁력 있게 되었다고 보고했는데, 이는 단순히 더 높은 확신을 가지고 더 정밀한 수치로 입찰했기 때문입니다.

장비 배치 부분이 특히 가치가 있습니다. 기존 추정치는 불확실성이 높기 때문에 보수적인 장비 계획으로 이어집니다. ML로 도출된 체적이 구역, 토질, 운반 거리별로 세분화되면, 시공사는 더 적은 여유분으로 장비 배치를 계획할 수 있으며, 이는 동원 비용을 직접적으로 절감합니다.

실질적 한계

ML 토공 도구가 모든 상황에 대한 완벽한 솔루션은 아닙니다. 양질의 측량 데이터가 필요하며, 이는 드론 역량이나 측량 하도급업체에 대한 투자를 의미합니다. 드론 접근이 용이한 비교적 개방된 현장의 프로젝트에서 가장 잘 작동합니다. 항공 접근이 제한되고 기존 인프라가 많은 고밀도 도심 충전 개발 프로젝트는 여전히 기존 측량 및 추정 방법이 더 유리합니다.

모델은 또한 현지 조건에 대한 보정이 필요합니다. 주로 텍사스의 점토질 토양으로 훈련된 모델은 재훈련 없이 애리조나의 풍화 화강암에서 동일한 정확도를 내지 못합니다. 이러한 도구를 도입하는 시공사는 정확도 수치가 최적 수준에서 안정화되기까지 5~10개 프로젝트의 보정 기간을 계획해야 합니다.

그러나 데이터가 일관되게 보여주는 것은, 보정 기간 중에도 ML 기반 추정치가 기존 격자법과 횡단면법을 능가한다는 점입니다. ML 정확도의 하한선은 기존 방법의 상한선과 대략 동등하며, 이는 토공 비용 초과가 모든 부지 개발 프로젝트에서 상위 5대 예산 리스크 중 하나인 업계에서 의미 있는 변화입니다.