상수도 관망은 지하에 매설되어 있어 노후화로 인한 누수, 파손, 부식 등의 문제가 지속적으로 발생하고 있으며, 상수도 관망에서의 노후도 평가와 정비는 수돗물 안전성과 서비스 안정성을 확보하기 위한 중요한 과제 중 하나이다. 본 연구는 상수도 관망에서의 노후도를 효율적으로 평가하기 위해 모든 간접⋅직접평가 인자를 조사하지 않고도 최소한의 주요 평가 인자만으로 실제 직접평가 등급에 근접한 예측 결과를 효율적으로 도출할 수 있는 머신러닝 기반 상태평가 절차와 모델을 제안하였다. 상수관로 상태평가 모델은 랜덤 포레스트와 SHAP 해석기법을 결합한 머신러닝 기반 상태평가 절차를 제안하였으며, 28개 지자체의 강관과 주철관에 대한 간접⋅직접평가 데이터를 대상으로 SHAP-based feature importance 순위가 낮은 평가 인자부터 단계적으로 제거하여 주요 평가 인자를 도출하였다. 결과적으로 강관의 경우 내부 슬라임 분포면적 비율, 수질부식성, 매설연수, 최대 및 외면 부식깊이 비율, 내⋅외면 도장재 손상 비율, 외면 부식 면적 비율, 파손건수, 토양 산화환원전위 및 함수율로 11개의 평가 인자가 주요 인자로 선정되었고, F1 Score는 0.9273이었다. 주철관의 경우 CML 중성화도, 최대 부식깊이 비율, 내부압력, 외부 토압으로 4개의 평가 인자가 주요인자로 선정되었고, F1 Score는 0.6188이었다. 주요 평가 인자만으로도 직접평가 등급에 근접한 예측 결과를 도출할 수 있었으며, 이를 통해 효율적인 상수관로 상태평가를 위한 머신러닝 기법 적용 가능성을 확인할 수 있었다.

Water pipes are buried assets that, as they age, repeatedly suffer leakage, breakage, and corrosion. Condition assessment and rehabilitation planning are essential to ensure drinking water safety and service reliability. This study proposes a machine-learning condition-assessment framework that achieves predictions close to field direct-evaluation grades at the pipe level while surveying only a minimal set of main factors, rather than all indirect and direct items. The procedure combines Random Forest with SHAP and uses indirect- and direct-evaluation data for steel and cast-iron pipes from 28 municipalities. We iteratively removed factors with low SHAP-based feature importance to identify the main factors. For steel pipes, eleven factors were selected: internal slime distribution area ratio, water corrosivity index, years in service, maximum corrosion depth ratio, internal lining damage area ratio, external corrosion area ratio, number of breaks, external coating damage area ratio, soil oxidation–reduction potential, soil moisture content, and external corrosion depth. For cast-iron pipes, four factors were identified: CML degree of carbonation, maximum corrosion depth ratio, internal pressure, and external earth pressure. The F1 score was 0.9273 for the steel-pipe model with 11 main factors and 0.6188 for the cast-iron model with four main factors. Using only these main factors produced predictions close to the direct-evaluation grades, confirming the applicability of the proposed approach for efficient water pipe condition assessment.

요약문
ABSTRACT
1. 서 론
2. 연구방법
    2.1 연구 대상관로 및 평가 인자 선정
    2.2 머신러닝 모델 설계 및 평가
3. 연구결과 및 고찰
    3.1 강관
    3.2 주철관
4. 결 론
사 사
References

• 장민식(한국수자원공사 K-water 연구원) | Minsik Jang (K-water Research Institute, K-water)
• 정기문(한국수자원공사 K-water 연구원) | Gimoon Jeong (K-water Research Institute, K-water)
• 이두진(한국수자원공사 K-water 연구원) | Doojin Lee (K-water Research Institute, K-water)
• 최태호(한국수자원공사 K-water 연구원) | Taeho Choi (K-water Research Institute, K-water) Corresponding author