괴정천 & Physical AI — 기술 부속서

01 — STUDY DOMAIN

대상 하천: 괴정천

부산 사하구 · 시약산 발원 → 도심 복개 → 하단 하구 → 낙동강 하굿둑 담수호

제원 HIGH

공식 유로연장5.369 km

유역 면적9.6 km²

복개(암거) 연장4.735 km · 88%

하구 개거~0.65 km

발원 표고 / 하구522.7 m / ~0.8 m

하천 성격지방하천 · 천정천

오염·사회 맥락 HIGH

악취 주원인생활하수 직접유입(합류식)

준설 오염퇴적토28,000 t

하수관로 BTL829억 · 62 km

생태복원(2019 선정)1.2 km · 1차 490억

합류식 월류 임계≈ 10 mm/h

유입차단막사하구 요청(2025.8)·0개소

구간(reach) 분할과 수리 특성

**표 A1.** 종단 5구간 · 경사·조도·폭. 복개 여부는 GPS 음영·바람 차단(windage 0)에 반영.
구간	명칭	s (m)	경사 S	Manning n	폭 (m)	복개	근거
R0	복개 상부(산지 급구배)	0–800	0.15	0.014	4	지하	HS
R1	복개 중부(사리로)	800–3000	0.035	0.014	6	지하	Hn
R2	복개 하부(괴정로)	3000–4720	0.012	0.014	9	지하	Hn
R3	하구 개거(하단역~유수지)	4720–5370	0.002	0.035	16	개거	HSW
R4	하단유수지·담수호 접속	5370–6080	0.0005	0.030	46	개거	EST

하구 경계: 개방 조석이 아니다

괴정천 하구는 개방 해안이 아니라 낙동강 하굿둑이 만든 담수호로 배출된다. 이 경계조건이 퇴적 거동을 지배한다.

담수호 배수위 EL +0.78 m H 창조기 폐문 6–12 h 정체(유속≈0) 낙조 방류창 4–8 h 펄스 배출 하단2 펌프 25.7 ㎥/s 강제배수 H 조차 평균 ~1.0 m (소조차)

퇴적 함의. 평시 하구는 담수호 배수위에 눌려 유속이 0에 수렴한다. 부유쓰레기는 건기·평시에 하도(특히 복개 탈출점 하류)에 축적되고, 낙조 방류창과 홍수 펌프 배수 때 펄스로만 하구를 빠져나간다. 하구권 실측(홍수년 표착 ×4–5, 홍수기 집중 60–80%)과 정합적이다.

02 — DEPOSITION PARAMETERS

하천 쓰레기 퇴적 파라미터

부유물이 어디서·어떤 강우에 정체(좌초)하는가를 결정하는 트랩·물리계수 세트

퇴적 메커니즘: 강우-의존 시그모이드 포획

각 병목(트랩) j를 통과하는 입자의 포획확률은 그 순간의 시간강우 강도 i에 따라 변한다. 저강우에서는 유속이 낮아 잘 걸리고(p_hi), 강우가 트랩별 임계 flush를 넘으면 씻겨 통과한다(p_lo). 전이는 폭 6 mm/h의 시그모이드다.

p_j(i) = p_lo + (p_hi − p_lo) · σ( (flush_j − i) / 6 )　// σ = 로지스틱, i = 시간강우 mm/h

그림 A1. 트랩 포획확률의 강우-의존 전이. 이 규칙이 9개 트랩에 각기 다른 flush·p_hi·p_lo로 적용되어, "평시 전량 정체 → 극한 강우 시 이벤트성 유출"이라는 거동을 만든다.

**표 A2.** 병목 트랩 9개 — 위치·유형·강우 임계·포획확률·근거. 좌초의 55.9%가 T1–T2(복개 탈출점 직하류)에 집중.
ID	명칭	유형	s (m)	flush	p_hi	p_lo	근거
T0	복개 입구 스크린(대티고개)	복개입구	800	50	0.5	0.1	EST
T1	복개 출구 퇴적턱	복개출구	4740	35	0.5	0.1	EST
T2	당리천 합류 와류(하단동 90-1)	지류합류	4880	40	0.5	0.1	HIGH
T3	하단역 교각	교각	5010	40	0.4	0.1	HIGH
T4	수풀·사주(개거 정비구간)	수풀	5160	30	0.6	0.1	EST
T5	하구 사주(밀도 444 t/km²)	사주	5290	45	0.5	0.1	HIGH
T6	하단유수지 정체역	정체역	5480	50	0.5	0.1	HIGH
T7	하단2 펌프장 스크린	펌프스크린	5750	55	0.4	0.1	HIGH
T8	하굿둑 배수문 스크린	배수문	5880	45	0.3	0.1	Hp

물리 표류계수

**표 A3.** 이송·바람·확산 계수. 전체 40개 요인은 features.md에 수식·근거와 함께 공개.
계수	기호·규칙	값	근거
표면유속 보정	U_s = v/0.85 × thalweg 1.15	×1.353	P
바람 표류(PET)	u += f·U₁₀	f = 0.03–0.05	P
공간 풍속 스케일	복개 / 도심개거 / 하구	×0 / ×0.2–0.5 / ×1.0–1.2	HIGH
하천축 채널링	풍향을 유로축 스냅 ±30°	along ×0.7 하한	H구현
Stokes drift	하천 / 하구	0 / 0.01·U₁₀	P
수평 확산 K_h	Δs=N(0,√(2K_h·dt))	하천 0.08–0.15 / 하구 2–8 ㎡/s	P
횡확산 K_lat	y 랜덤워크	하천 0.02 / 유수지 0.5 ㎡/s	EST
유량–강우 결합	선형저수지 C·i·A − S/K	C=0.75, K=45 min, A=9.6 km²	HC,K
건기 기저유량	Q_base	0.08 (0.03–0.3) ㎥/s	EST

실측 공백. 괴정천 자체 부유쓰레기 부하는 미계측이다(연 5–30 t로 추정). 트랩 포획확률·기저유량·일부 경사·폭은 EST 등급이며, 2026년 드리프터 실증이 이 값들의 최초 실측 보정을 제공한다.

03 — PHYSICAL AI · MODEL LEARNING

Physical AI 모델: goejeong-driftnet v0.1

50회 시뮬레이션 결과를 학습해 강우·수문·바람 → 좌초·핫스팟을 예측하는 지점별 퇴적 모델

이 모델의 "물리(Physical)"는 학습 데이터가 물리 시뮬레이션에서 나온다는 뜻이다 — 딥러닝 블랙박스가 아니라, 라그랑주 입자추적이 만든 거동을 소수의 해석적 서브모델(로지스틱·회귀)로 압축해 실시간 조회를 가능하게 한다. 이는 무거운 수리 시뮬레이션(CFD·HEC-RAS)을 사전 학습 도구로 쓰고 결과만 즉시 뽑는 대리 모델(surrogate) 구조다.

그림 A2. goejeong-driftnet 학습 파이프라인. 물리 시뮬레이션(교사)의 50회 앙상블을 소수 파라미터 서브모델(학생)로 증류(distill)한다.

입력 (features)

강우 총량rainfall_mm

하굿둑 위상gate_phase

하천축 바람wind_along_ms

출력 (targets)

좌초율beach_pct

하구 유출율sea_pct

핫스팟 중심hotspot_centroid_s

핫스팟 피크hotspot_peak_n

서브모델과 성능(교차검증)

좌초율: beach(R) = a·w + b·(1−w), w = σ(k(R−R₀)), R₀=101.6 k=0.105
핫스팟: s_hot = c₀ + c₁·lnR + c₂·ln²R + c₃·sin2πφ + c₄·cos2πφ + c₅·w_along

**표 A4.** 서브모델 성능. v2는 하굿둑 위상 항을 추가해 test R²를 0.283 → 0.601로 개선.
서브모델	형태	train R²	test R²	test RMSE
좌초율 v1	로지스틱(강우 단일)	0.781	0.283	11.5 %p
좌초율 v2	+ 하굿둑 위상	0.926	0.601	8.58 %p
핫스팟 위치	회귀(lnR·위상·바람 6항)	0.630	0.552	121 m

요인 민감도와 신뢰도 수렴

각 입력을 섭동했을 때 출력 변화(민감도)와, 반복 실험 수에 따른 예측 표준편차 축소(신뢰도)를 함께 본다. 강우가 지배 인자, 하굿둑 위상이 2위, 바람은 미미하다 — 운영상 "강우 예보 + 하굿둑 개폐 일정" 두 입력이 결정의 대부분을 설명한다.

그림 A3. (좌) 요인 민감도 — 강우 61.3 > 하굿둑 위상 36.1 > 바람 2.6. (우) 반복 실험에 따른 신뢰도 수렴(τ=18.6, 50회에서 93%). 예측 표준편차는 5회 ±10.1%p → 50회 ±2.0%p.

모델의 실체와 배포

모델은 계수 파일 model.json과 단독 추론 스크립트 predict.py(강우·위상·바람 입력 → 좌초·핫스팟 출력)로 존재하며, 의도된 사용과 금지된 사용(단정적 예보 금지·재난 판단 단독 근거 금지·실측 전 대외 인용 금지)은 model_card.md에 명시했다. TensorFlow 미설치 환경이라 실제 .tflite는 생성하지 않고 변환 경로(tf.lite.TFLiteConverter, 예상 수십 KB)만 문서화했다 — 서브모델이 계수 수십 개 규모라 경량 추론에 GPU가 불필요하다.

다음 단계: 활성 학습(active learning)

현재 모델은 시뮬레이션으로만 학습됐다. 2026년 드리프터 실증은 불확실성이 높은 지점만 골라 실측하는 활성 학습 루프를 연다: 시뮬레이션 사전 예측 → 신뢰구간이 넓은 구역(예: 좌초율 v1의 낮은 test R²를 유발한 극한 강우 표본)에 드리프터·시민과학 회수 집중 → 실측으로 flush·p 재보정 → 모델 갱신. 느린 실측을 최소화하면서 정확도를 끌어올리는 구조다.

괴정천 · 하천 쓰레기 퇴적 파라미터 · Physical AI 모델 학습