연근해에서의 선박 전복사고는 소형 어선에서 많이 발생한다. 소형 어선의 전복사고를 예방하기 위해서는 초기설계 단계에서 부터 복원성을 평가하는 것이 매우 중요하다. 하지만 초기설계 단계에서 확보할 수 있는 정보는 제한적이어서 신뢰성 있는 복원성을 평 가하는 데 어려움이 있다. 이에 본 연구에서는 초기설계 단계에서 추정할 수 있는 KM, KG, 트림을 활용하여 소형 어선의 횡메타센터(GM) 를 추정하고, 표준어선형의 안전성 평가 기준에서 제시된 최소횡메타센터(GMmin)와의 차이를 비교하여 복원성을 평가하는 방안을 제안 하였다. 한국해양안전교통공단에서 제공하는 복원성 평가프로그램인 K-SHIP을 사용한 Hydrostatics 특성 계산에서 요구되는 트림을 도출하 기 위해 상용 CFD 프로그램인 STAR-CCM+를 이용하여 어선 선형에 따른 초기 상태 트림을 추정하였으며, K-SHIP을 사용하여 어선 선형 에 대한 Hydrostatics 특성을 계산하여 GM을 추정하였다. 그리고 GM과 GMmin의 비교를 통해 만재출항상태의 복원성을 비교하였다. 실적 선을 기준선으로 선정하여 본 연구에서 제안한 복원성 평가 방안을 적용해 복원성을 평가하고 그 타당성을 검증하였다. 결과적으로 4.99 톤 어선의 대표적인 선형과 이를 활용해 도출한 모듈 선형 9개의 복원성을 평가하였고, 이중 상대적으로 복원성이 우수한 선형을 선정하 였다.

본 논문에서는 소형어선의 운동 응답을 예측하기 위해 딥러닝 모델을 구축하였다. 크기가 다른 두 소형어선을 대상으로 유체 동역학 성능을 평가하여 데이터세트를 확보하였다. 딥러닝 모델은 순환 신경망 기법의 하나인 장단기 메모리 기법(LSTM, Long Short-Term Memory)을 사용하였다. 딥러닝 모델의 입력 데이터는 6 자유도 운동 및 파고의 시계열 데이터를 사용하였으며, 출력 라벨로는 6 자유도 운동의 시계열 데이터로 선정하였다. 최적 LSTM 모델 구축을 위해 hyperparameter 및 입력창 길이의 영향을 평가하였다. 구축된 LSTM 모 델을 통해 입사파 방향에 따른 시계열 운동 응답을 예측하였다. 예측된 시계열 운동 응답은 해석 결과와 전반적으로 잘 일치함을 확인 할 수 있었다. 시계열의 길이가 길어짐에 따라서 예측값과 해석 결과의 차이가 발생하는데, 이는 장기 데이터에 따른 훈련 영향도가 감 소 됨에 따라 나타난 것으로 확인할 수 있다. 전체 예측 데이터의 오차는 약 85% 이상의 데이터가 10% 이내의 오차를 보였으며, 소형어 선의 시계열 운동 응답을 잘 예측함을 확인하였다. 구축된 LSTM 모델은 소형어선의 모니터링 및 경보 시스템에 활용될 수 있을 것으로 기대한다.

The first step is to determine the principal dimensions of the design ship, such as length between perpendiculars, beam, draft and depth when accomplishing the design of a new vessel. To make this process easier, a database with a large amount of existing ship data and a regression analysis technique are needed. Recently, deep learning, a branch of artificial intelligence (AI) has been used in regression analysis. In this paper, deep learning neural networks are used for regression analysis to find the regression function between the input and output data. To find the neural network structure with the highest accuracy, the errors of neural network structures with varying the number of the layers and the nodes are compared. In this paper, Python TensorFlow Keras API and MATLAB Deep Learning Toolbox are used to build deep learning neural networks. Constructed DNN (deep neural networks) makes helpful in determining the principal dimension of the ship and saves much time in the ship design process.

해상에서 전복사고가 발생하면 선박이 복원성을 잃고 전복되는 과정에서 승선 하고 있던 선원의 사망․실종․부상 등 인명사고가 발생하는 동시에 전복에 따 른 선체 침수 및 침몰로 인해 선박 소유자는 엄청난 경제적 손실을 입게 된다. 따라서 동일한 전복사고가 발생하는 것을 방지하기 위해서는 현행 선박길이24미터 이상 어선에만 적용되는 복원성검사 및 만재흘수선 표시 규정에 대하 여, 허가받은 어업의 형태와 어구의 종류를 고려하여 총톤수 20톤 미만의 소형 어선으로 확대할 필요가 있다. 또한 기중기 등 조업에 사용하는 중량 어로설비 설치 유무에 따라 추가적인 복원성검사 및 만재흘수선을 표시하고, 사고선박에 대해서는 동일한 사고가 다시 발생하지 않도록 임시검사 규정을 강화하는 등 실질적이고 효과적인 검사 규정이 필요하다. 이에 따라 이 연구에서는 2017년부터 2021년까지 최근 5년간의 해양안전심판 원 재결서를 바탕으로, 자주 발생하고 있는 길이 24미터 미만의 소형어선 전복 사고 발생 원인과 소형어선 검사 규정의 문제점에 관한 연구를 통한 어선검사 규정 개선방안을 모색하였다.

최근 5년간 발생한 해양사고를 분석한 결과, 소형선박은 전체 좌초사고의 77.0 %를 차지하고, 인명사상도 66.1%로서 매우 높았 다. 목포지방해양안전심판원은 2021년 72건을 재결하였고, 이중 좌초사건은 10건이었다. 그리고 좌초사건 중 8건은 소형어선에서 발생하 였다. 본 논문은 2021년 목포지방해양안전심판원에서 재결하였던 소형어선에서 발생한 8건의 좌초사고에 대해 분석하였다. 이 소형어선 의 좌초사고는 맑은 날씨에 시정이 2~4마일로 양호하고, 파고 1미터 이내로 양호한 해상상태에서 발생한 것을 파악되었다. 그리고 좌초사 고의 주요 원인은 피로에 따른 졸음 운항, 경계 소홀, 선위확인 소홀, GPS Plotter 과신, 해도도식 및 조석간만의 차에 대한 이해부족 등인 것으로 나타났다. 이에 소형어선의 좌초사고 저감을 위해 다음의 방안을 제시하였다. 첫째, 갑판부 항해당직 부원교육을 이수한 선원이 선장을 보좌하도록 하여야 한다. 둘째, 졸음 방지용 경보장치는 조타실에 설치하여야 한다. 셋째, GPS Plotter의 성능기준과 최신화를 위해 제도는 마련되어야 한다. 마지막으로, 소형어선 선장은 주기적으로 해도도식과 기초 지문항법을 숙지할 수 있도록 교육을 받아야 한다.

최근 10년간 국내에서 발생한 해양사고현황에 따르면, 총톤수 10톤 미만의 소형어선이 차지하는 비중은 전체 해양사고 중 47.51%로 높게 확인되었다. 또한 해양사고의 증가추세 역시 다른 선종/크기(총톤수)에 비해 매우 가파르게 증가하고 있어 이에 대한 대책마련이 시급한 실정이다. 한국해양교통안전공단에서는 소형어선의 선박검사제도 개선방안으로 자체검사제도의 도입을 제안한 바 있으며, 해양수산부에서는 최근 비대면 검사방법의 도입을 위해 ‘원격방식에 의한 선박검사 지침’을 마련하여 시행하였다. 본 연구에 서는 소형어선의 해양사고 감소 방안으로서 자체검사승인제도를 제시하고, 원격방식의 선박검사제도의 정형화 방안마련을 위해 모바 일 애플리케이션을 개발하여 실효성을 분석하였다. 그 결과 어선소유자의 자발적인 안전관리를 유도하기 위한 자체검사승인제도의 도 입과 함께 모바일 애플리케이션 기반 선박검사제도 도입의 필요성이 확인되었으며, 자체검사승인제도는 선박소유자의 안전의식을 고 취시켜 해양사고 감소에 대한 실효성이 있음을 확인하였다.

연안통발 어민에 대한 설문조사 결과, 통발 투하 및 인양 중 로프 걸림에 따른 전도사고가 42.1 %로 가장 높았고, 갑판에서 미 끄러짐과 통발 권양장치의 신체 협착사고가 각각 21.1 %를 차지하였다. 또한 가장 위험한 작업은 전체 조사대상의 53.2 %가 통발 인양과 정을 들었고, 어종선별 33.8 %, 통발 투하 9.1 % 순으로 응답하였다. 어민들은 통발 권양장치의 주요 개선 요구사항으로 응답자의 36.8 %와 31.6 %가 통발을 수중에서 작업갑판까지 수월하게 인양하는 방안과 통발 인양 시 로프 장력 극복과 슬립 방지 등 사고저감 방안을 언급하 였다. 본 연구에서 소형 통발어선 권양장치는 구동롤러와 로프 간의 적정한 접촉각을 통해 로프의 접촉면적과 마찰계수를 증가시킴으로 써 권양력을 높이는 것이다. 구동롤러와 로프 간의 접촉각이 1°, 5°, 9°, 14° 및 19°일 때 로프 장력은 각각의 접촉각에 따라 차이를 보였으 며, 9°일 때 가장 높은 392.62 kgf까지 측정되었다. 이러한 실험결과를 반영하여 시제품 권양장치를 제작하고 총 길이가 100 m인 로프에 4 m 간격으로 총 25개의 통발을 해상에 설치한 후 인양에 따른 로프 장력을 측정하였다. 그 결과, 로프 장력은 통발 인양작업 초기에 급격히 증가하여 가장 높은 31.89 kgf로 측정되었으며, 이후에는 크게 낮아졌다. 따라서 소형 통발어선 권양장치의 권양력은 인양작업 초기에 부 여되는 최대 로프 장력 값을 기준으로 설계하는 것이 타당하다.