ICT솔루션팀 박진영 수석

  1. 요약 (Abstract)

컨테이너 선박에서 최적의 적재 배치를 수립하는 일은 선박의 안전 운항과 경제성 측면에서 매우 중요합니다. 본 연구에서는 기존의 휴리스틱 접근법을 통한 전통적인 적재 계획 수립이 아닌, 딥러닝 기반의 인공지능(AI) 모델을 활용하여 이러한 컨테이너 최적 배치 문제를 해결하고자 합니다. 제안된 AI 모델은 적재 과정을 시계열 데이터로 간주하여 LSTM(Long Short-Term Memory) 신경망으로 학습하며, MTL(Multi-Task Learning) 기법을 통해 하나의 모델이 여러 구조 응답 값을 동시에 예측하도록 설계되었습니다. 또한 온디바이스 AI모델로 활용가능하도록 ONNX(Open Neural Network Exchange)을 이용하여, 배포 가능한 형태로 개발하였습니다.

그 결과 복잡한 해석 과정을 거치지 않고도 컨테이너 배치의 구조적 안정성을 신속하게 평가하고 최적안을 제시할 수 있게 되었습니다. 이 문서에서는 해당 기술의 개발 배경, 모델 구조, 학습 방법 및 실험 결과를 소개하고, 현 단계에서의 한계점과 향후 발전 방향을 논의하고자 합니다.

  2. 서론 (Introduction)

초대형 컨테이너선의 등장으로 갑판 위의 컨테이너 단수가 늘어나면서, 안전하고 효율적인 적재 배치의 중요성은 더욱 커지고 있습니다. 각 컨테이너의 적재 위치와 순서는 선박의 무게중심, 복원성, 그리고 컨테이너 및 체결장치에 걸리는 하중 분포에 큰 영향을 미치므로, 최적의 배치를 찾는 것은 선박 안전과 운항 효율을 좌우하는 핵심 요소입니다.

현재 컨테이너 적재 계획은 선사의 전문 플래너가 경험과 소프트웨어를 활용해 수립하고 있으며, 이 과정에서 선박의 안정성, 화물 중량 제한, 하역 순서 등 다양한 제약을 고려합니다. 그러나 이러한 전통적인 방법은 가능한 조합이 방대하여 부분적으로 경험과 규칙기반 휴리스틱에 의존하고, 모든 조건을 만족하는 배치안을 찾기 위해 컴퓨터를 이용한 반복 계산 기법을 사용해야 하는 경우가 많습니다. 더구나 적재 과정에서의 계획 변경이나 기상 악화 등 동적 상황에 실시간 대응하는 데 한계가 있어, 최근에는 인공지능 기법을 활용하여 변화에 따라 스스로 최적 적재 전략을 학습하는 연구도 시도되고 있습니다.

한편, 국제 해상운송 규정과 선급 규칙에 따라 선박에는 인증된 컨테이너 고박 강도 소프트웨어를 사용하여 각 적재 상태에서의 컨테이너 및 체결장치에 작용하는 힘을 계산하고 허용치를 초과하지 않음을 검증해야 합니다. 이를 위해 KR을 비롯한 선급단체들은 컨테이너 적재 및 고박 해석 소프트웨어를 개발해 왔으며, KR의 SeaTrust-LS와 같은 도구는 주어진 적재안에 대한 구조 안전성 평가와 제한 내 적재 용량 산정 기능을 제공하고 있습니다. 

그러나 여전히 최적의 배치를 찾기 위해서는 수많은 시나리오에 대한 반복 계산이 필요하여 상당한 시간이 소요될 수 있습니다. 이에 따라, 보다 지능적이고 자동화된 접근법으로서 기계학습을 활용한 컨테이너 최적 배치 기술 개발이 추진되었습니다.

3. 기존 연구 및 기술 배경 (Background)

컨테이너 최적 배치 문제는 오랫동안 운항 효율과 안전을 위한 최적화 연구 주제로 다루어져 왔습니다. 하지만, 대부분 반복계산을 통한 적절한 솔루션을 찾는 접근법이 활용되었습니다. 그리고, 이러한 최적화 기법은 초기 배치안을 가정하고 반복적으로 개선하는 형태가 많아, 적재 도중의 계획 변경 등 동적 상황에 실시간 대응하기 어렵다는 지적이 있습니다. 이러한 방법은 단일 베이(bay) 내 컨테이너 적치만을 대상으로 하여 실제 선박 전체에 적용하기 어렵다는 점도 발견되었으며, 컨테이너 적재의 구조 안전성을 보장하는 적재 배치안을 찾아야 합니다.

그림 1. 화물 적재시, 컨테이너에 작용하는 하중

컨테이너 최적 배치 문제는 오랫동안 운항 효율과 안전을 위한 최적화 연구 주제로 다루어져 왔습니다. 하지만, 대부분 반복계산을 통한 적절한 솔루션을 찾는 접근법이 활용되었습니다. 그리고, 이러한 최적화 기법은 초기 배치안을 가정하고 반복적으로 개선하는 형태가 많아, 적재 도중의 계획 변경 등 동적 상황에 실시간 대응하기 어렵다는 지적이 있습니다. 이러한 방법은 단일 베이(bay) 내 컨테이너 적치만을 대상으로 하여 실제 선박 전체에 적용하기 어렵다는 점도 발견되었으며, 컨테이너 적재의 구조 안전성을 보장하는 적재 배치안을 찾아야 합니다.

그림 2. 기존 반복 계산 방법(in SeaTrust-LS)

4. 개발 목표 및 적용 기술 (Methodology)

본 프로젝트에서는 다음과 같은 목표를 설정하고 기술 개발을 진행하였습니다.

• 머신러닝 알고리즘을 활용한 컨테이너 최적 배치 알고리즘 개발
• 개발 결과를 현업에 배포하여 활용할 수 있는 수준으로 구현
• 선급 규칙 기반 학습 모델 생성
• 개인 PC(온디바이스, Windows 환경)에서 실행 가능한 온디바이스 AI 에이전트 구현
• 다양한 설계 변수를 반영하는 최적 배치안 도출

이러한 목표를 달성하기 위한 핵심 기술적 아이디어는 컨테이너 적재 과정을 순차적 데이터(sequence)로 취급하여, 한 번에 하나의 컨테이너를 쌓아가는 과정을 시계열 예측 문제로 변환하는 것입니다. 이를 통해, 이전까지 쌓인 컨테이너들의 상태를 기억하면서 다음 컨테이너를 어떤 위치에 배치하는 것이 좋은지 판단할 수 있는 LSTM 기반 모델 구성이 가능하였습니다. LSTM(Long Short-Term Memory)은 순환신경망(RNN)의 일종으로 시계열 데이터의 장기 의존성을 학습할 수 있는 구조를 갖고 있습니다.

그림 3. LSTM 적용 방법

본 과제에서는 LSTM을 통해 컨테이너 적재 순서에 따른 누적 효과를 학습함과 동시에, Multi-Task Learning 기법을 적용하여 하나의 모델이 여러 목표 값을 한꺼번에 예측하도록 하였습니다. 즉, 컨테이너 적재와 관련한 여러 하중 케이스(예: Racking, Shear, Lifting, Compression 등)에 대한 등가 응답값을 단일 신경망이 출력하도록 모델을 설계하였습니다.

그림 4. LSTM + MTL 적용

모델 및 데이터 구현 측면에서는, 초기 실험 단계에서 결정트리, 랜덤 포레스트 같은 전통적 머신러닝 알고리즘을 적용해보았으며, 이후 심층신경망(DNN)으로 전환하고 Multi-Task 구조를 도입하여 예측 정확도를 향상시켰습니다. 하지만 컨테이너 적재 과정의 복잡한 상관관계를 학습하기 위해 LSTM 기반으로 모델을 재구축하였으며, 최종적으로 LSTM과 Multi-Task 학습을 결합한 모델을 GPU 환경에서 학습시켜 가장 우수한 성능을 얻었습니다. 학습에는 Python 기반의 TensorFlow 프레임워크를 활용하였으며, 학습 완료 후 모델은 ONNX(Open Neural Network Exchange) 형식으로 변환하여 C# 환경에서 배포가능한 형태로 개발하였습니다.

LSTM (Long Short-Term Memory)
LSTM은 시계열 데이터를 처리하는 데 강한 인공지능 모델입니다. 시간에 따라 변하는 데이터를 기억하고, 중요한 정보는 오래 기억하면서 불필요한 건 잊을 수 있는 구조를 가지고 있습니다. 

예: 기상 데이터, 주가, 초기 자연어 처리등.

MTL(Multi Task Learning)
Multi Task Learning은 말 그대로 하나의 모델이 여러 가지 일을 동시에 배우는 방식입니다. 예를 들어, 한 사람이 동시에 영어와 수학을 배우는 것처럼, 모델이 한 번에 여러 가지 작업을 배우는 방식입니다.

ONNX(Open Neural Network Exchange)
다양한 딥러닝 프레임워크(Pytorch, TensorFlow 등)에서 만든 모델을 공통된 형식으로 저장하고, 다른 플랫폼에서도 사용할 수 있게 해주는 형식

그림 5. ONNX 개념

그림 6. 개발 학습 모델(onnx 구조)

한편, AI 모델의 훈련에 필요한 대량의 학습 데이터는 한국선급 컨테이너 고박 강도 계산 모듈(SDK)을 활용하여 생성하였습니다. 선급 규칙에 기반한 해석 프로그램을 통해 다양한 적재 조합에 대한 구조 응답 값을 일괄 산출함으로써, 이론적으로 무수히 많은 컨테이너 배치 시나리오 중 의미있는 사례들을 데이터베이스화하였습니다.

생성된 데이터셋은 전처리 과정을 거쳐 모델 학습에 사용되었으며, 복잡한 연관성을 가지는 설계 변수를 충분히 반영할 수 있도록 데이터의 다양성을 확보하였습니다. 또한 개발된 AI 모델은 배포 가능한 형태로 개발하였으며, 최종적으로 SeaTrust-LS 소프트웨어의 내부 기능으로 통합되어 시험 가동될 수 있도록, 사용자가 쉽게 활용할 수 있는 형태(API)로 구현되었습니다.

그림 7. 프로세스 구조

5. AI 모델 구조 및 학습 과정 (Model Architecture & Training)

제안된 AI 모델의 입력은 각 적재 단계마다 새로 적재되는 컨테이너의 속성(예: 중량, 크기 등)과 해당 컨테이너의 적재 위치(행, 열, 층 등) 정보이며, 출력은 완전연결층(Fully-connected layer)을 통해 다차원 출력 벡터로 변환되며, 이 출력이 곧 여러 목표 응답 값들의 예측치가 됩니다. 본 모델에서는 최종적으로 18개의 출력 뉴런을 통해 18가지 주요 구조 응답을 예측하도록 설계되었습니다. 여기에 포함된 응답값으로는 컨테이너 적재에 따른 횡방향 래킹, 전단, 상/하부 압축, 인장력, 상/하부 래싱 장력등 선급 규칙에서 검토되는 모든 하중 항목이 활용되고, 규칙 기반의 학습 모델을 생성하였습니다.

모델 학습에는 규칙기반 Solver를 통하여, 각 출력 항목별 실제 해석 값을 설정하여 진행되었습니다. 손실 함수로는 평균제곱오차(MSE)를 사용하였고, 여러 출력의 오차를 동일 가중으로 합산하여 동시에 최적화하였다(Multi-Task Learning). 학습 데이터는 규칙 기반 해석으로 생성된 수백만 건의 시나리오로 구성되며, 이 중 80%는 학습(training), 10%는 검증(validation), 10%는 시험(test)에 활용하여 모델의 일반화 성능을 평가하였습니다. 데이터 전처리 단계에서는 입력 변수들을 정규화하여 학습의 안정성을 높였으며, 출력값 역시 각 항목별 최대허용치를 기준으로 스케일링하여 모델이 효율적으로 학습할 수 있도록 하였습니다.

학습은 NVIDIA GPU 가속 환경에서 TensorFlow를 사용하여 수행되었습니다. 초기에는 CPU만으로도 실행이 가능하도록 비교적 경량 모델로 시작하였으나, 최종 모델 학습 시에는 대량의 데이터를 처리하기 위해 GPU 메모리 최적화와 배치 학습 기법을 병행하였습니다. 그리고, 학습 도중 메모리 사용을 최적화하기 위해 데이터셋을 HDF5와 같은 포맷으로 변환하여 I/O 효율을 높였으며, 대용량 데이터로 인한 메모리 부족을 방지하기 위해 미니배치 단위로 데이터를 순차 공급하는 방식을 채택하였습니다. 또한, 일반적인 개발 및 배포 환경을 마련하는 게 중요하기 때문에 Python-TensorFlow 환경과 C# 기반 개발환경 간의 연동을 위하여 Socket 통신 기법을 활용한 디버깅을 수행하고, TensorFlow 및 CUDA 버전 호환성 문제를 해결하는 등 실무 환경에 적용하기 위한 기술적 대안들도 마련하였습니다.

그림 8. 온디바이스용 AI모델(ONNX)

6. 실험 결과 및 검증

학습된 모델의 예측 정확도를 평가하기 위해 독립된 테스트 데이터셋에 대해 각 출력 항목의 예측 결과를 실제 해석값과 비교하였습니다. 그 중 하나의 Load Case에 대한 주요 응답 항목들에 대한 평균 제곱 오차(loss) 및 평균절대오차(MAE)를 아래의 그림과 같이 얻어내었습니다. 대부분의 출력에서 MAE가 약 0.01~0.03 수준으로 매우 낮게 나타나, 모델이 잘 예측하고 있음을 알 수 있습니다. 

예를 들어, Unlashed Racking의 MAE는 약 0.0123에 불과하며, Lashed Racking도 Door Side의 경우 MAE 0.3175로 비교적 양호한 정확도를 보였습니다. 다만 일부 항목은 다른 출력에 비해 오차가 크게 나타났는데, 이는 해당 하중들이 다른 변수들에 비해 변화 폭이 크고 복잡한 양상을 보이기 때문으로 추정되며, 향후 데이터 확충 및 모델 구조 개선을 통해 예측 정확도를 높일 수 있을 것으로 기대됩니다.

그림 9. 학습 결과