선박은 해양사고 발생 시 최악의 경우 퇴선을 해야 하나 특성상 협소하고 복잡하며 해상에서 운항하므로 퇴선이 쉽지 않다. 특히, 여객선의 경우 해상에서의 안전훈련을 이수하지 않은 불특정 다수의 승객들로 인해 더욱 퇴선이 어려운 상황이 된다. 이런 경우 승무원들의 피난 유도가 상당히 중요한 역할을 하게 된다. 그리고 구조자가 사고 선박에 진입하여 구조 활동을 하는 경우 어느 구역으로 진입해야 가장 효과적인지에 대한 검토가 필요하다. 일반적으로 승무원 및 구조자는 최단경로를 택하여 이동하는 것이 일반적이나 최단 경로에 사고 상황 등이 발생했을 경우 제2의 최적 경로 선택이 필요하다. 이러한 상황을 해결하기 위해 이 연구에서는 머신러닝(Machine learning)의 기법 중에 하나인 강화학습(Reinforcement Learning)의 Q-Learning 이용하여 퇴선 경로를 산출하고자 한다. 강화학습은 인공지능(Artificial Intelligence)의 가장 핵심적인 기능으로 현재 여러 분야에 사용되고 있다. 현재까지 개발된 대부분의 피난분석 프로그램은 최단경로를 탐색하는 기법을 사용하고 있다. 이 연구에서는 최단경로가 아닌 최적경로를 분석하기 위해 머신러닝의 강화학습 기법을 이용하였다. 향후 AI기법인 머신러닝은 자율운항선박의 최적항로 선정 및 위험요소 회피 등 다양한 해양관련 산업에 적용 가능할 것이다.

해양사고에 관한 많은 연구와 분석에 따르면 약 80%가 인적 오류에 의하여 발생되고 있는 것으로 파악되고 있다. 해양사고의 예방대책 수립을 수립하기 위하여 사고를 일으킨 배후 인적 요인을 파악하는 연구가 반드시 필요하다. 따라서 본 연구의 주목적은 m-SHEL 모델을 이용하여 해상교통 관련 사고의 배후 인적 요인을 파악하고 분석하는 것이다. 다른 분야에서 사용되는 m-SHEL 모델은 일반적인 인적 요인의 개념을 기반으로 되어 있기 때문에 본 연구에서는 선박운항시스템에 수용하기 위하여 이 모델을 확장하여 인적 요인 을 정의하였다. 또한, 이 확장된 모델의 타당성을 SPSSWIN의 신뢰성 분석을 통하여 검증하였다. 그리고 이 확장된 m-SHEL 모델의 분류표 사용하여 해양안전심판원의 재결서에서 추출한 자료로부터 해상교통 관련 사고의 배후 인적 요인을 분석하였다. 해상교통 관련 사고의 배후 인적 요인을 분석한 결과 조선자 자신에 관한 요인 L이 가장 많았으며 다음으로 L-E, L-m, L-H, L-S 및 L-L 순으로 나타났다. 이 연구는 해상교통 관련 사고의 예방 및 해상안전관리시스템 구축을 위한 유용한 분석 결과를 제시함으로써 인적 요인에 의한 해상교통 관련 사고 방지에 기여할 것으로 판단된다.

본 논문에서는 조타기 작동 신호에 대하여 AIS 통신을 이용하여 상호 교환함으로써 상대선의 선회정보를 보다 신속히 파악할 수 있는 선회조기감지시스템을 구축하였으며, 이를 실선에 적용하여 해당 시스템의 실효성을 검증하였다. 조타 신호가 조타기를 작동함과 동시에 AIS를 통하여 송신되어 상대선의 ECDIS에 사용된 타각만큼 유색으로 표시되는 것을 확인하였다. 선회조기감지시스템을 통하여 상대선의 변침 상황을 조기에 감지할 수 있었으며, 이를 통한 선박 상호간 충돌회피가 조기에 가능할 것으로 판단된다. 또한, 의심 선박에 대한 VTS의 적극적 관제가 가능하고, 해양안전종합정보시스템을 통한 해양사고 분석에도 활용 가능할 것이다.