2.1 Data Acquisition System 구성

EnBWIM 계측 시스템은 Fig. 1과 같이 공용 중인 교량의 주탑부 상판에 변형률 센서를 설치하여 구성하였다. 계측은 BRT 전용차로를 제외한 편도 2개 차로를 대상으로 수행하였다.

Entering Station에는 종방향으로 4개의 변형률 센서를 설치하였으며, Leaving Station에는 종·횡방향을 포함하여 총 8개의 변형률 센서를 설치하였다. 두 계측 지점 간 거리는 12.375 m이다. 차량 통과 시 발생하는 국부적 변형에너지 변화를 기반으로 하중을 산정하고, 전체 휨 거동의 영향을 최소화하기 위하여 변형률 센서를 상판 하부에 설치하였다. 계측 시스템은 Fig. 2와 같이 센서부와 데이터 취득부로 구성된다. 센서부에서 측정된 신호는 데이터 로거(Gantner)를 통해 수집되며, 전산 시스템에 저장된 후 LTE 라우터를 통해 이동하중 모니터링시스템으로 전송된다.

전송된 데이터는 현장 호스트 PC에서 통합 관리되며, Fig. 3과 같이 후속 데이터 처리 과정을 통해 차량 하중 정보와 차량 식별정보로 활용된다. 이러한 구조는 계측 데이터의 통합 관리 및 과중 차량 검지를 위한 기반을 제공한다.

2.2 EnBWIM 계측 시스템의 이동하중 측정원리

이동차량의 하중을 계측하는 BWIM 기법은 Fred Moses(1979)에 의해 최초로 제안되었다^{(Moses, 1979)}. BWIM 기법은 Fig. 4와 같이 교량의 모멘트 영향선을 기반으로 이동하중을 산정하는 방법이다.

단순지지 교량에서 특정 지점 S의 모멘트 영향선은 단위하중이 교량을 통과할 때 S점에서 발생하는 모멘트를 종거로 하여 정의된다. 이때, S점에서의 총 모멘트($M_S$)는 Eq. (1)과 같이 표현된다.

여기서, $W_i$는 교량의 각 위치 $i$에 작용하는 하중이며, $IL_i$는 해당 위치에서의 영향선 값이다. 기지의 차량하중($W_{(known)}$)을 이용하여 S점의 모멘트($M_{(meas)}$)를 계측할 경우, Eq. (2)를 통해 영향선 값을 산정할 수 있다.

또한, 도출된 영향선을 이용하면 미지의 차량하중($W_v$)이 통과할 때 계측된 모멘트를 기반으로 Eq. (3)과 같이 하중을 산정할 수 있다.

그러나 기존 BWIM 기법은 계측 노이즈 및 영향선 산정의 불확실성으로 인해 정확도에 한계를 가진다. 이러한 한계를 개선하기 위하여 Bang et al.(2025)은 변형에너지 기반 이동하중 계측 기법인 EnBWIM을 제안하였다^{(Bang et al., 2025)}. EnBWIM 기법은 Fig. 5와 같이 특정 구간(a, b, c, d)에서 계측된 변형에너지의 변화를 이용하여 하중을 산정하는 방법이다. 해당 구간에서의 모멘트 에너지 분포는 모멘트 영향선과 유사한 형태를 나타내며, 이를 활용하여 BWIM과 동일한 방식으로 이동 차량하중을 산정할 수 있다.

3.1 관리정보 추출을 위한 통합 데이터 처리 구조

본 연구에서는 EnBWIM 계측 시스템을 기반으로 차량 하중 정보와 차량 식별정보를 동시에 추출하기 위한 통합 데이터 처리 구조를 개발하였다. Fig. 6과 같이 통합 데이터 처리 구조는 관리정보와 식별정보를 실시간으로 분리·추출한 뒤 이를 통합하여 데이터베이스에 저장하도록 설계하였다.

통합 데이터 처리 과정은 크게 데이터 수집, 데이터 전처리, 데이터 분석 및 데이터 저장의 네 단계로 구성된다. 먼저 데이터 수집 단계에서는 교량에 설치된 변형률 센서를 통해 차량 통과 시 발생하는 구조 응답 데이터를 계측하며, 동시에 카메라 시스템을 이용하여 차량 번호 및 통과 시간을 기록한다. 수집된 데이터는 시간 기반의 원시 데이터 형태로 저장된다. 데이터 전처리 단계에서는 계측 데이터의 노이즈를 제거하고 차량 통과 구간을 추출한다. 이후 데이터 분석 단계에서는 변형률 데이터를 기반으로 차량의 축수, 축하중, 총하중 및 속도 정보를 산정한다. 마지막으로 분석된 결과는 데이터베이스에 저장되며, 이를 통해 차량 통행 이력 및 과중 차량 정보를 관리할 수 있다.

3.2 관리정보 추출을 위한 데이터 마이닝

관리정보(차량 축수, 축하중, 총하중, 축간거리)는 Fig. 7과 같이 교량에 설치된 12개의 센서로부터 획득한 데이터를 기반으로 산정되도록 하였다.

계측 데이터는 데이터 로거를 통해 실시간으로 수집되며, 수집된 원시 데이터에는 과중 차량 검지 알고리즘이 적용된다. 이를 통해 차량 통과 구간을 식별한 후 변형률 데이터를 이용하여 차량의 축수, 축하중, 총하중 및 축간거리를 산정한다. 산정된 관리정보는 차량 식별정보와 연계되어 데이터베이스에 저장되며, 과중 차량 관리 및 분석을 위한 기초자료로 활용된다.

「도로법 시행령」에서는 축하중이 10톤을 초과하거나 총중량이 40톤을 초과하는 차량을 운행 제한 대상으로 규정하고 있다^{(Ministry of Land, Infrastructure and Transport, 2026)}. 본 연구에서는 이 중 총 중량 기준을 적용하여 과중 차량을 분류하였다. 예를 들어 법적 최대 총중량 40 tonf를 기준하면 계측 및 분석 과정의 안전 여유를 고려하여 39 tonf 이하를 정상 차량 범위로 설정하고, 40 tonf 초과 차량을 과중 차량으로 정의하였다. 과중 차량을 식별하기 위해서는 교량을 통과하는 다수 차량 중 대상 차량을 실시간으로 검지하는 과정이 필요하며, 이를 위해 Fig. 8(a)와 같이 차량 통과 시 발생하는 변형에너지(Strain Energy) 신호로부터 피크 값(Peak Value, P.V.)과 피크 발생 시점(Peak Time, P.T.)을 추출하여 차량 통과 이벤트를 정의하였다.

실험 데이터를 기반으로 Fig. 8(b)와 같이 과중차량 검출을 위한 상한값(Upper Limit, UL)을 설정하였으며, 차량 통과 시 발생하는 변형에너지 신호에 이를 적용하여 UL을 초과하는 피크를 과중 차량 후보 이벤트로 검출하였다. 해당 피크 값과 발생 시점은 차량 통행 시간, 하중 특성 및 차량 식별 정보를 구성하기 위한 주요 정보로 활용하였다. 과중 차량 검지 기준을 설정하기 위해 실제 교통 조건을 반영한 실험을 수행하였으며, 26 tonf(3축) 및 38 tonf(4축) 덤프트럭을 대상으로 30~60 km/h 조건에서 계측을 수행한 결과, 각각 약 33.4 μɛ 및 29.1 μɛ의 평균 피크 값이 도출되었다. 또한 차량 하중과 변형률의 관계를 분석하기 위해 선형 회귀분석을 수행한 결과, 차량 하중이 증가하더라도 축 수의 증가 시 계측되는 변형률이 감소하는 경향이 확인되었으며, 이는 축수 증가에 따른 하중 분산 효과에 기인한 것으로 판단된다. 이러한 결과를 바탕으로 약 50 tonf 차량에 해당하는 변형률을 24.8 μɛ로 예측하였고, 이를 근거로 과중 의심차량 후보 이벤트 검출 임계값을 24 μɛ로 설정하였다.

과중 차량이 검지된 이후에는 차량의 축수, 속도, 하중, 축간거리와 같은 관리정보를 추출하는 데이터 마이닝 과정이 수행된다. 차량 축수는 Fig. 9에서 나타난 바와 같이 차량의 차축(Axle)이 교량 계측 지점을 통과할 때 발생하는 변형에너지 피크와 대응되며, 각 차축은 독립적인 피크를 형성한다.

변형률 데이터가 총 m개의 샘플로 구성될 때 전체 데이터는 Eq. (4)와 같이 정의되며, 피크는 특정 시점에서 인접한 값보다 크면서 시간에 대한 기울기가 0이 되는 조건을 만족하는 경우로 정의된다.

Fig. 10은 피크 검출과 축수 산정 절차를 나타내며, 국부 최대값 조건과 기울기 조건을 동시에 만족하는 지점을 피크로 정의하고 이를 기반으로 축수를 계산하는 과정을 보여준다. 차량 축수는 Eq. (5)와 같이 표현된다.

여기서, $n_i$는 i번째 데이터가 피크 조건을 만족할 경우 1, 그렇지 않을 경우 0인 지시 함수이며, $N_{axle}$는 차량의 총 차축 수를 의미한다. 또한 동일 차량에 의해 발생한 피크만 고려하기 위해 차량 영향 구간(Vehicle Influence Range)을 설정하고, 해당 구간 내 유효 피크만을 분석 대상으로 하여 노이즈에 의한 오검지를 방지한다. 차량 속도는 Fig. 11에 나타난 바와 같이 Entering Station과 Leaving Station에서 발생하는 변형률 피크 시점 차이를 이용하여 산정하였으며, 두 센서 간 거리($S$)는 12.375 m로 설정하였다. 이동시간은 Eq. (6)과 같이 정의할 수 있다.

여기서, $t_{Ent}$는 진입 시점, $t_{Lea}$는 이탈 시점을 의미한다. 차량 속도($V$)는 Eq. (7)과 같이 계산하였다. Fig. 11의 예시에서는 이동시간이 0.66 sec로 계산되며, 이에 따라 차량 속도는 18.75 m/s로 산정하였다.

차량 하중 산정은 Fig. 12와 같이 변형률 신호에서 검출된 피크를 기반으로 수행되며, 각 피크는 개별 차축 하중과 대응한다. EnBWIM 기법에 따라 계측 응답과 영향선 간 관계는 Eq. (8)과 같이 표현할 수 있다.

여기서, $W_{v(unknown)}$는 차량 하중 벡터, $M_{(meas)}$는 계측 모멘트, $IL_{(known)}$은 영향선 행렬이다. 영향선 행렬은 정방행렬이 아니므로 최소자승법을 적용하여 Eq. (9)와 같이 하중을 산정하였다.

산정된 축하중은 Eq. (10)과 같다.

여기서 $W_i$는 i번째 차축 하중이며, $k$는 총 차축 수이다. Fig. 12는 이러한 축하중 및 총하중 산정 과정을 단계별로 나타낸다. 총하중($W_{gross}$)은 Eq. (11)과 같이 정의하였다.

이와 같은 식으로 산정된 차량의 총하중은 선행연구를 통해 실제 하중 대비 약 0.1 %의 오차율을 나타낸 것으로 보고되었다^{(Bang et al., 2024)}. 마지막으로 차량 축간거리는 Fig. 13에서 나타난 바와 같이 변형률 신호에서 검출된 피크 간 시간 간격을 이용하여 산정하였으며, 각 피크는 차축 통과 시점을 의미한다. 축간거리($WB$)는 Eq. (12)와 같이 계산하였다.

여기서, V는 차량 속도, $\Delta t_{peak}$는 인접 피크 간 시간 간격을 의미한다. Fig. 13은 피크 검출, 시간 차 계산 및 거리 환산 과정을 통해 차량 축 배열을 추정하는 절차를 시각적으로 나타낸다. 이러한 축간거리 정보는 차량 유형 분석과 차량 하중 추정 과정에서 중요한 입력 변수로 활용된다.