• 지질공학
• /
• 제28권2호
• /
• pp.217-246
• /
• 2018

포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업은 저장소 선정 및 저장소 특성화 연구 과정에서 $CO_2$ 지중저장 실증의 지진 유발 가능성과 누출 가능성에 대하여 진지하게 검토하고 $CO_2$ 지중저장 실증의 안정성을 확보하기 위한 많은 노력을 경주해 왔다. 그럼에도 불구하고 2017년 11월 15일 발생한 규모 5.4의 포항 지진으로 큰 피해를 입은 포항시와 시민들은 $CO_2$ 지중저장 실증의 지진 유발 가능성에 대하여 큰 우려를 가지고 있는 상황이다. 포항분지 해상 $CO_2$ 지중저장 실증 연구팀은 2017년 포항 지진 이후 포항 영일만 $CO_2$ 지중저장 실증의 안전성에 대하여 자체 조사를 수행하여, 2017년 포항 지진과 포항분지 영일만 해상 $CO_2$ 지중저장 실증의 관련성과 향후 본격적인 $CO_2$ 지중저장 실증이 수행될 경우 지진 유발 가능성이나 누출 가능성에 대하여 면밀하게 평가하였다. 자체 조사 결과, 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업은 2017년 포항지진의 진앙과 약 10 km 떨어진 영일만 해역에 저장소가 위치하며, $CO_2$ 저장층의 심도도 해저면 아래 약 750-800 m 정도로서 포항 지진의 심도와 큰 차이를 보인다. 또한 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업은 2017년 1월 12일부터 3월 12일까지 약 3개월간 $CO_2$ 시험 주입을 수행한 이후 수송체계 구축과 주입공 격상을 위해 $CO_2$ 주입 행위가 중지된 상황으로 2017년 11월 15일에 발생한 포항 지진과 직접적인 관련성을 찾기 어렵다. 무엇보다도 $CO_2$ 지중저장 기술의 개념이 지층을 파쇄하는 것이 아니라 염수와 같은 유체로 채워진 다공질 퇴적층에서 염수를 천천히 밀어내면서 초임계상의 $CO_2$를 주입한다는 측면에서 대용량의 $CO_2$를 장기간 주입하여 저장층의 압력이 크게 상승하는 경우를 제외하면 인간 사회에 피해를 가져오는 일정 규모 이상의 지진을 유발할 가능성이 크지 않은 것으로 분석되었다. 게다가 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업의 $CO_2$ 시험 주입 규모가 약 100톤 정도로서 규모 5.0 이상의 지진을 유발할 수 있는 대규모 주입 행위가 없었기 때문에 2017년 포항 지진과의 연관성을 가정하는 것이 무리가 있다. 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업의 연구팀은 자체 조사를 통해 향후 포항분지 해상 $CO_2$ 지중저장 실증 연구사업이 장기적으로 수행될 경우 지진 유발 가능성과 누출 가능성에 대하여도 평가를 수행하였다. 자체 평가 결과에 따르면, 저장층 상부의 덮개층이 파쇄되거나 주변 단층의 재활성화가 발생하지 않도록 정해진 범위에서 압력을 조절하면서 $CO_2$ 스트림을 주입할 경우 지진 유발이나 단층 재활성화를 초래할 가능성이 매우 희박한 것으로 분석되었다. 더불어, 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업은 $CO_2$ 지중저장 실증 과정에서 주입된 $CO_2$ 스트림의 누출을 최소화하기 위해 저장소 인근 지층의 파쇄 압력, 저장소 인근 단층의 재활성화 압력, 주입공 누출을 방지하기 위한 완결 공정, 주입된 $CO_2$ 스트림의 누출 경로 파악과 거동 및 누출 모니터링, 안전한 $CO_2$ 저장을 위한 저장소 운영과 관련된 연구를 충실하게 수행하고 있으며, 연구팀의 자체 조사 결과 주입된 $CO_2$ 스트림이 인간 사회에 영향을 미칠 정도의 규모로 누출될 가능성은 크지 않은 것으로 평가되었다. 결론적으로 포항분지 해상 중소규모 $CO_2$ 지중저장 실증 연구사업은 인간이 감지할 정도의 지진 유발 및 주입된 $CO_2$ 스트림의 누출을 발생시킬 가능성이 크지 않으며, 비록 적은 가능성이지만, 지진이나 누출이 발생하지 않도록 지속적으로 안전성 확보를 위한 연구개발을 최우선적으로 수행할 계획이다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.131-145
• /
• 2020

산업혁신의 흐름에 발맞추어 다양한 분야에서 활용되고 있는 IoT 기술은 빅데이터의 접목을 통한 새로운 비즈니스 모델의 창출 및 사용자 친화적 서비스 제공의 핵심적인 요소로 부각되고 있다. 사물인터넷이 적용된 디바이스에서 누적된 데이터는 사용자 환경 및 패턴 분석을 통해 맞춤형 지능 시스템을 제공해줄 수 있어 편의 기반 스마트 시스템 구축에 다방면으로 활용되고 있다. 최근에는 이를 공공영역 혁신에 확대 적용하여 CCTV를 활용한 교통 범죄 문제 해결 등 스마트시티, 스마트 교통 등에 활용하고 있다. 그러나 이미지 데이터를 활용하는 기존 연구에서는 개인에 대한 사생활 침해 문제 및 비(非)일반적 상황에서 객체 감지 성능이 저하되는 한계가 있다. 본 연구에 활용된 IoT 디바이스 기반의 센서 데이터는 개인에 대한 식별이 불필요해 사생활 이슈로부터 자유로운 데이터로, 불특정 다수를 위한 지능형 공공서비스 구축에 효과적으로 활용될 수 있다. 대다수의 국민들이 일상적으로 활용하는 도시철도에서의 지능형 보행자 트래킹 시스템에 IoT 기반의 적외선 센서 디바이스를 활용하고자 하였으며 센서로부터 측정된 온도 데이터를 실시간 송출하고, CNN-LSTM(Convolutional Neural Network-Long Short Term Memory) 알고리즘을 활용하여 구간 내 보행 인원의 수를 예측하고자 하였다. 실험 결과 MLP(Multi-Layer Perceptron) 및 LSTM(Long Short-Term Memory), RNN-LSTM(Recurrent Neural Network-Long Short Term Memory)에 비해 제안한 CNN-LSTM 하이브리드 모형이 가장 우수한 예측성능을 보임을 확인하였다. 본 논문에서 제안한 디바이스 및 모델을 활용하여 그간 개인정보와 관련된 법적 문제로 인해 서비스 제공이 미흡했던 대중교통 내 실시간 모니터링 및 혼잡도 기반의 위기상황 대응 서비스 등 종합적 메트로 서비스를 제공할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.