⚠️ Research prototype / 연구용 프로토타입. Full pipeline + analytic PINN/FEM validation (error < 0.1%) demonstrated; field / commercial-FEM / real-failure-label validation not yet done. Outputs are pipeline results, not validated diagnoses — do not use for operational safety decisions. · 전 파이프라인·해석해 검증은 실증됨, 현장·상용FEM·실 붕괴라벨 검증은 미수행 — 실무 안전 판정용 아님.
위성 InSAR 관측 → 구조 역산 → 공진 지표 → 잔존수명, 그리고 각 단계를 독립 데이터로 검증하는 것이 이 플랫폼의 뼈대다. (SARvey 실처리는 WSL2/Linux, 나머지는 오프라인 데모/대시보드로 동작.)
flowchart TB
subgraph IN[" 입력 · Inputs "]
S1["🛰️ Sentinel-1 SLC<br/>ASF·Copernicus"]
DEM["⛰️ GLO-30 DEM"]
ERA["🌡️ ERA5 기온<br/>Open-Meteo"]
OSM["🗺️ OpenStreetMap<br/>교량 형상"]
end
subgraph PROC[" 처리 파이프라인 · Pipeline → project.h5 "]
CV["① CV<br/>부재분할·격자밀도"]
INS["② InSAR<br/>LOS 변위·속도<br/>(SARvey/MintPy)"]
PINN["③ PINN<br/>EI·고유진동수<br/>열팽창·하중·침하 분리"]
FRAM["④ FRAM<br/>공진 CRI·경보등급"]
CV --> INS --> PINN --> FRAM
end
RSL["⏳ 잔존수명 RSL<br/>사용성·강성 채널<br/>(LOS→연직 투영)"]
subgraph VAL[" 독립 검증 · Validation "]
GNSS["📡 GNSS 대조<br/>NGL 상시관측"]
LVL["📏 수준측량<br/>--validate-leveling"]
OS["🔬 OpenSees FE<br/>PINN 역산 교차검증"]
end
subgraph OUT[" 산출 · Outputs "]
DASH["📊 대시보드<br/>Streamlit"]
BIM["🏗️ BIM·IFC<br/>디지털트윈"]
REP["📄 리포트·VLM"]
end
S1 --> INS
DEM --> INS
OSM --> CV
ERA --> PINN
PINN --> RSL
INS -. 속도 검증 .-> GNSS
INS -. 연직 침하 검증 .-> LVL
PINN -. EI·진동수 검증 .-> OS
FRAM --> DASH
RSL --> DASH
PINN --> BIM
FRAM --> REP
한 줄 요약: 데이터(🛰️⛰️🌡️🗺️) → project.h5 파이프라인(①②③④) → 잔존수명, 그리고
GNSS·수준측량·OpenSees 로 각 단계를 독립 검증한다. 실행은 python -m inframon --demo
(오프라인 데모) 또는 streamlit run 대시보드로 시작한다(§ 아래).
Concept — points ON a bridge deck (synthetic demo) / 개념 — 교량 데크 위 점 (합성 데모):
Illustrative synthetic demo — monitoring points along a modeled bridge deck (deck·pier·abutment), CRI 🟢→🔴 over time. Not real InSAR. · 모델 교량 데크 위 점의 CRI 시간변화(합성, 실측 아님).
Real data (Jeongja Br., Sentinel-1) on OpenStreetMap / 실 데이터 (정자교) OSM 위:
Real SARvey result. Left: all 2,661 PS/DS points, with Jeongja Br. (OSM way 51473197, 139 m) marked in green. Right: zoomed on the bridge — only 12 of the 2,661 points fall within 50 m of the deck, while 449 sit on the surrounding blocks. A smooth deck over a river has few natural scatterers, so deck coverage needs corner reflectors or high-resolution SAR (see Status). Read the platform's bridge numbers with that in mind. · 실 결과. 좌: 전체 2,661점과 정자교 위치(초록). 우: 교량 확대 — 2,661점 중 데크 50m 이내는 12점뿐이고 449점은 주변 블록에 있다. 매끈한 데크엔 자연 산란체가 적어 코너리플렉터/고해상도 SAR 가 필요하다.
Real Jeongja Bridge Sentinel-1 result (2,661 pts × 201 epochs, 8.8 yr) with accuracy corrections,
DEM elevation and ERA5 thermal separation applied — dashboard FRAM / PINN / InSAR / remaining-life
tabs. The remaining-life tab shows every limit-state channel, including the ones that stay
inactive with a stated reason. · 정자교 실 Sentinel-1 결과(정확도 보정·DEM 고도·ERA5 열분리 적용)
— 대시보드 FRAM/PINN/InSAR/잔존수명 탭. 잔존수명 탭은 비활성 채널도 사유와 함께 보여준다.
Regenerate: scripts/{make_readme_media,capture_dashboard}.py <project.h5>.
inframon chains four engines into one pipeline to monitor bridge safety from satellite SAR: InSAR extracts displacement time series, PINN recovers structural meaning (physics), CV auto-delineates the measurement region, and FRAM diagnoses system safety via a Composite Resonance Index (CRI).
Data contracts (Pydantic + HDF5) and the skeleton are sacred; each engine is swapped stub→real
independently (hot-swap --engine X=real), protected by golden-regression tests.
CV → ROI / member segmentation / axis / georeference (cv/{engine,real_engine}.py) STUB + REAL
InSAR → Track H5 → CV registration · world xyz · series (insar/{engine,real_engine}.py) STUB + REAL
PINN → decomposition + Euler-Bernoulli PDE + absolute EI (pinn/{engine,real_engine}.py) STUB + REAL
FRAM → pointwise resonance · function net (N-K) · CRI (fram/{engine,real_engine}.py) STUB + REAL
inframon/
├── src/inframon/ # main package (installable: pip install -e .)
│ ├── contracts/ # Pydantic + HDF5 data contract — the "sacred" schema (schema, io, array_schema)
│ ├── cv/ # CV engine: ROI / segmentation / axis / georeference (engine + real_engine)
│ ├── insar/ # InSAR engine: Track H5 → world xyz series, DEM, ERA5 master, fusion (engine + real_engine)
│ ├── pinn/ # PINN engine: decomposition + Euler-Bernoulli PDE + absolute EI (engine + real_engine, pde)
│ ├── fram/ # FRAM engine: pointwise resonance · function net (N-K) · CRI (engine + real_engine, network)
│ ├── orchestrator/ # pipeline wiring · hot-swap engine registry · incremental resume
│ ├── api/ # FastAPI service (--serve) + engine registry / transform
│ ├── dashboard/ # Streamlit app (FRAM / PINN / InSAR tabs)
│ ├── __main__.py # CLI entry — --demo / --doctor / --check-track / --engine X=real
│ └── config.py · doctor.py · export.py · geotransform.py · schedule.py · weather.py · traffic.py …
├── tests/ # 80 test files (723 tests) — golden regression, contract validation, per-engine *_real
├── configs/ # 공유·수정 가능한 교량 입력 (레시피·BIM 부재표·좌표정합·한계값) — git 추적
├── docs/ # design & context docs (KR) + GitHub Pages landing (index.html)
├── scripts/ # SLC download, WSL2 SARvey runners, dashboard / media capture
├── examples/ # runnable examples (bmaps_tab)
├── .github/workflows/ # CI — tests.yml (pytest on Python 3.11)
├── CITATION.cff · LICENSE (GPLv3) · NOTICE.md · CONTRIBUTING.md
└── pyproject.toml · environment.yml
System overview — architecture, BMAPS synchronization, and originality vs. the underlying InSAR tools are summarized in
docs/시스템_개요.md.
pip install -e ".[dev]"
python -m inframon --doctor # environment / readiness check
python -m inframon --demo # full pipeline (stubs) → data/project.h5 + CRI
pytest -q # tests
pip install -e ".[dashboard]" && streamlit run src/inframon/dashboard/app.py # dashboardTrying it out? A step-by-step, copy-paste testing guide (run order, dashboard, CLI, your own IFC/SAR data) is in
docs/테스트_가이드.md.
Heavy SAR processing (ISCE2 / MiaplPy / SARvey) runs on WSL2/Linux; selection, ingest, analysis
and visualization run on Windows. See docs/실데이터_런북.md.
python -m inframon --check-track track.h5 # pre-ingest validation (exit 0 = ready)
python -m inframon --demo --insar-source track.h5 --out data/project.h5 \
--engine cv=real --engine insar=real --engine pinn=real --engine fram=realAccuracy corrections (opt-in). --insar-corrections runs three steps on the LOS series
before PINN/FRAM consume it, and stores the corrected rate at /insar/velocity_mm_yr:
python -m inframon --import-track-h5 track.h5 --out data/project.h5 \
--insar-corrections --insar-dem dem.tif \
--insar-thermal --insar-temp-csv temps.csv # or --insar-fetch-temp (ERA5, no key)The same flags apply to the full chain (--demo --engine insar=real --insar-source track.h5 …),
but that path registers Track coordinates against the CV frame, so it needs a geo-referenced CV
input (GeoTIFF / override) — without one the points fall outside the ROI. --import-track-h5
is the verified route for a bare SARvey/MintPy product.
| Step | What it removes | Requires | Notes |
|---|---|---|---|
| Common-mode (APS) | epoch-wise atmospheric phase, as the median of high-coherence stable points | coherence |
--ref-min-coherence (default 0.9). Benefit-guarded: kept only if temporal std actually drops — SARvey already APS-filters, so it self-skips there |
| Height-correlated | stratified troposphere ∝ elevation | point z (Track height, or --insar-dem GeoTIFF) |
skipped when the z spread < 1 m |
| Thermal | seasonal expansion via los = a + b·t + c·T |
--insar-thermal + a temperature source |
CSV (date,temp_C) is deterministic and preferred; --insar-fetch-temp pulls ERA5 (Open-Meteo, no API key) |
Every step is opt-in and logs what it applied/skipped into the insar_source attribute, so the
default and golden-regression paths are unchanged.
--remaining-life estimates how long until a serviceability limit is reached and writes /life.
It runs after FRAM as a post-processing stage — the four engines and the golden regression are
untouched, and without the flag the /life group is never created.
python -m inframon --demo --remaining-life --out data/project.h5
python -m inframon --import-track-h5 track.h5 --out data/project.h5 \
--remaining-life --life-settlement-mm 25 --life-consumed-mm 0Three properties make the number defensible rather than decorative:
- Censoring. A point whose trend confidence interval includes zero has no defined remaining
life, not a very long one. Reporting
margin / ratethere yields "500,000 years". Such points are censored and the bridge reads> horizon. - Lower bound first. The headline is
margin / rate_upper(Theil–Sen 95% bound), not the point estimate. Rates use Theil–Sen because InSAR series carry unwrapping outliers. - Spatial cohesion. The bridge value is not the per-point minimum — one noisy point would govern the whole structure. Only a connected cluster of ≥ k points counts, and the governing cluster's coordinates, extent and rate are reported so the result names an inspection target.
- LOS is projected to vertical. Settlement and angular-distortion limits are vertical
quantities; a single-orbit track measures only the line-of-sight component, so using LOS
directly is optimistic by 1/cos θ (29% at 39°). The incidence angle is carried through ingest
as
/insar/incidence_deg; when absent, a representative 39° is assumed and recorded. With ascending+descending fusion the assumption disappears entirely.
Two sub-limits are checked per point: absolute displacement (member-dependent) and differential
settlement (angular distortion vs 1/500), which often governs before the absolute limit. Channels
A second measured channel, stiffness degradation, regresses PINN's time-resolved EI(t) —
which comes free, since the absolute-EI identification already evaluates the PDE residual per
epoch and only the averaging discarded the time axis. It is implemented and gated but does not
activate on any dataset available so far: on both the synthetic demo and the real Jeongja track
the identified EI saturates at its physical clip bound, because neither point cloud carries
resolvable bending curvature (d4 ≈ 0). The gate says exactly that instead of reporting a
trend fitted to a numerical artefact. Fatigue and durability are likewise recorded as inactive
with a stated reason rather than silently omitted. Full design and data requirements:
docs/잔존수명_설계.md.
--gnss-validate compares the ingested InSAR rates against nearby NGL continuous-GNSS stations.
This is currently the only check of the InSAR velocities against ground truth — everything
else in the test suite is synthetic.
python -m inframon --gnss-validate project.h5 --gnss-incidence 41.5 --gnss-km 60The verdict is computed on the vertical component only. GNSS absolute velocities carry Korean plate motion (~30 mm/yr horizontal) while InSAR LOS is relative to a local reference, so subtracting them in LOS yields a difference that is mostly a reference-frame offset, not InSAR error — using it as a pass/fail turns a sound result into a false alarm. Plate motion is almost entirely horizontal, so the vertical axis is the one that can be compared like-for-like. LOS residuals are still shown, labelled as frame-affected. Stations whose vertical rate is a MAD outlier (residual equipment steps) are excluded from the verdict and listed.
Result on the real Jeongja ascending track (2,661 pts × 8.8 yr) against 3 stations at 11–17 km:
InSAR vertical −0.12 mm/yr vs SUWN −0.62 (29yr) · SON2 +0.03 (9yr) · SG26 −0.14 (8yr)
vertical residual RMS 0.30 mm/yr → consistent with the ground reference
(SWON excluded: −21.8 mm/yr over 3 yr — residual equipment step)
This validates the wide-area reference frame and atmospheric correction, not the bridge members: the GNSS stations are kilometres away on the ground, and the vertical comparison still assumes the InSAR reference point is stable.
The same network also feeds the SLC processing recipe before processing. --gnss-anchor LAT,LON scores nearby stations by record length, vertical stability, scatter and distance, and
--make-sarvey-config --gnss-anchor-km 60 carries the best one into processing_manifest.json
as gnss_reference, so reference-point selection rests on observation instead of a
per-bridge-type heuristic. An absolute tie is permitted only when a station falls inside the
InSAR footprint (≤2 km) — farther out there is no guarantee the ground between moves together,
so the tie is refused and the anchor serves as regional datum context. A lookup failure never
blocks bundle generation; GNSS strengthens the evidence, it is not a precondition.
--gnss-extend-aoi goes one step further: it widens the processing AOI to enclose the station so
InSAR points exist at it. That turns validation from "bridge-area median vs a station 11 km
away" into a co-located, point-to-point comparison, and lets the reference point sit on the
station so relative displacement is tied to an absolute datum. The extra processing area is
reported before you commit (for Jeongja: 57.5 km², ~144k pixels at 20 m multilook), and stations
are skipped rather than silently blowing past an area budget.
--bim-align maps monitoring results onto IFC elements. Most of "merging with BIM" is
coordinate alignment: InSAR lives in a geographic/projected CRS, IFC in a local engineering
frame with its own origin, rotation and height datum.
python -m inframon --bim-inspect model.ifc # IfcMapConversion? element types?
python -m inframon --bim-align project.h5,elements.json,out/bridge \
--bim-control-points control.json --bim-max-rms 0.3- Two georeferencing paths.
IfcMapConversion(IFC4) when the model has it; otherwise a Helmert fit from surveyed control-point pairs. Scale is fixed to 1 by default — leaving it free lets control-point error be absorbed into the scale, so the residual looks small while the alignment is wrong. The fit fails loudly above an RMS threshold: a silently wrong alignment produces a normal-looking, entirely incorrect result, which is the worst failure mode here. - Height is not used by default. IFC
OrthogonalHeightis datum-based, InSAR z comes from a DEM; Korea's geoid undulation is ~25 m, which would invert deck-vs-pier. 3D association is only permitted once a height offset has actually been fitted. - Overlap is ambiguous, and named as such. In plan view a deck bounding box contains the piers.
Ties are broken by the InSAR member label (independent evidence) then by element specificity, and
the ambiguity is counted rather than hidden. Points beyond
--bim-max-diststay unassigned. - Time series stay out of IFC. Psets carry current state plus
SourceProject/SourceGroupskeys back intoproject.h5; pushing thousands of epochs intoIfcPropertySingleValuemakes the IFC unopenable. Association quality is injected alongside the values so a BIM-side reader can judge how much to trust them.
The alignment core needs no IFC file or ifcopenshell — an element table (JSON/CSV, UTF-8 or
cp949) is enough; install .[bim] to read and write real IFC. The IFC path is verified by a
round-trip test that builds a bridge IFC with ifcopenshell, reads its georeferencing and element
bounding boxes back, and injects Psets. Details: docs/BIM_정합.md.
| Aspect | Detail |
|---|---|
| Language / runtime | Python ≥ 3.11 (CI runs on 3.11) |
| Core deps | numpy≥1.26 · h5py≥3.10 · pydantic≥2.6 — the stub demo runs on these alone |
| Heavy deps (optional) | torch≥2.2 (PINN/CV) · transformers≥4.40 (CV) · mintpy/rasterio/gdal (InSAR) · streamlit/plotly/folium (dashboard) — see pyproject.toml extras |
| InSAR toolchain | SARvey (default) · MiaplPy · MintPy · ISCE2 — run on WSL2/Linux, invoked via CLI (docs/F_SARvey_WSL2.md) |
| Data sources | Sentinel-1 SLC (ESA/Copernicus via ASF) · Copernicus GLO-30 DEM · ERA5 (Open-Meteo) · OpenStreetMap (ODbL) — see NOTICE.md |
| Deterministic demo | python -m inframon --demo → data/project.h5 + CRI, no network/GPU, fixed seeds; numerics locked by golden-regression tests |
| Real case study | Jeongja Bridge, Sentinel-1 — 1,072 points × 201 epochs |
| Analytic validation | PINN/FEM vs closed-form Euler-Bernoulli: error < 0.1% (tests/test_pinn_real.py, tests/test_benchmark.py) |
| Independent FE cross-check | PINN inverse vs OpenSees (Timoshenko) ground truth — extends validation past closed-form into shear / continuity (scripts/bench/pinn_opensees_*.py, [fem] extra, run on WSL/Linux). Surfaced that the NN 4th-derivative inflated absolute EI ~2.5×; fixed by identifying EI from the deflection shape's degree-4 polynomial x⁴-coefficient (no differentiation) → EI scale ~1.0×, noise-robust, epoch-insensitive, per-span for continuity — see docs/OpenSees_검증.md |
| Environment capture | python -m inframon --doctor reports versions/readiness; environment.yml pins the conda env |
Reproduce the demo end-to-end:
pip install -e ".[dev]"
python -m inframon --doctor # environment / readiness report
python -m inframon --demo --out data/project.h5
pytest -q # golden regression confirms numerics are unchangedNot yet reproducible/validated: field measurements, commercial-FEM cross-check, and real failure-label evaluation are not done — outputs are pipeline results, not diagnoses (see the Status banner at the top).
inframon invokes these tools as its InSAR engine (installed separately, WSL2/Linux) via CLI — it does not embed their source.
- SARvey (default InSAR engine, PS/DS) — https://github.com/luhipi/sarvey · GPLv3
- MiaplPy (phase linking / SLC stack) — https://github.com/insarlab/MiaplPy · GPLv3
- MintPy (InSAR time series) — https://github.com/insarlab/MintPy · GPLv3
- ISCE2 (Sentinel-1 topsStack coregistration) — https://github.com/isce-framework/isce2
The InSAR engine is pluggable (SARvey default; MiaplPy/MintPy/StaMPS adapters provided).
inframon's own contribution is the selection (OSM·ASF·ERA5), PINN structural analysis, FRAM
resonance, and dashboard/validation/accuracy layers. Data: Sentinel-1 (ASF) · GLO-30 DEM · ERA5
(Open-Meteo) · OpenStreetMap (ODbL). See NOTICE.md.
If you use inframon in academic work, please cite it and the underlying tools (especially
SARvey). GitHub's "Cite this repository" button (built from CITATION.cff)
exports APA/BibTeX automatically. Ready-to-paste BibTeX:
@software{inframon_2026,
title = {inframon: Bridge Infrastructure Monitoring Platform (Sentinel-1 InSAR $\to$ PINN $\to$ FRAM CRI)},
author = {{inframon contributors}},
year = {2026},
version = {0.1.0},
url = {https://github.com/tjddnr8334-sudo/inframon},
note = {Software}
}GPLv3 (LICENSE); contributing: CONTRIBUTING.md.
Data sources & terms: NOTICE.md. Version history: CHANGELOG.md.
inframon 은 InSAR · PINN · CV · FRAM 네 엔진을 하나의 파이프라인으로 묶어 위성 SAR 로 교량을 모니터링한다: InSAR(변위 시계열) → PINN(구조 물리 해석) → CV(측정 영역 자동 산정) → FRAM(공명 위험 지수 CRI 로 시스템 안전 진단).
설계/맥락 문서: docs/개발_맥락_맵.md · docs/맥락/
데이터 계약(Pydantic + HDF5)과 골격은 성역이고, 각 엔진을 stub→real 로 독립 교체(핫스왑
--engine X=real)하며 골든 회귀가 계약·수치를 보호한다.
CV → ROI/부재 분할·축선·지오레퍼런스 (cv/{engine,real_engine}.py) STUB + REAL
InSAR → Track H5 → CV 정합·world xyz·변위 시계열 (insar/{engine,real_engine}.py) STUB + REAL
PINN → 성분분해 + Euler-Bernoulli PDE + 절대 EI (pinn/{engine,real_engine}.py) STUB + REAL
FRAM → 점별 공명·함수망(N-K)·CRI + 경보·보정확률 (fram/{engine,real_engine}.py) STUB + REAL
inframon/
├── src/inframon/ # 메인 패키지 (설치: pip install -e .)
│ ├── contracts/ # Pydantic + HDF5 데이터 계약 — "성역" 스키마 (schema, io, array_schema)
│ ├── cv/ # CV 엔진: ROI/분할/축선/지오레퍼런스 (engine + real_engine)
│ ├── insar/ # InSAR 엔진: Track H5 → world xyz 시계열, DEM, ERA5 master, 융합 (engine + real_engine)
│ ├── pinn/ # PINN 엔진: 성분분해 + Euler-Bernoulli PDE + 절대 EI (engine + real_engine, pde)
│ ├── fram/ # FRAM 엔진: 점별 공명 · 함수망(N-K) · CRI (engine + real_engine, network)
│ ├── orchestrator/ # 파이프라인 배선 · 핫스왑 엔진 레지스트리 · 증분 재개
│ ├── api/ # FastAPI 서비스(--serve) + 엔진 레지스트리/변환
│ ├── dashboard/ # Streamlit 앱 (FRAM / PINN / InSAR 탭)
│ ├── __main__.py # CLI 진입점 — --demo / --doctor / --check-track / --engine X=real
│ └── config.py · doctor.py · export.py · geotransform.py · schedule.py · weather.py · traffic.py …
├── tests/ # 테스트 파일 80개 (테스트 723개) — 골든 회귀, 계약 검증, 엔진별 *_real
├── configs/ # 공유·수정 가능한 교량 입력 — 협업자가 여기를 고친다 (configs/README.md)
├── docs/ # 설계·맥락 문서(한글) + GitHub Pages 랜딩(index.html)
├── scripts/ # SLC 다운로드, WSL2 SARvey 러너, 대시보드/미디어 캡처
├── examples/ # 실행 예제 (bmaps_tab)
├── .github/workflows/ # CI — tests.yml (Python 3.11 pytest)
├── CITATION.cff · LICENSE (GPLv3) · NOTICE.md · CONTRIBUTING.md
└── pyproject.toml · environment.yml
시스템 개요 — 체계 구조 · BMAPS 동기화 · 기반 도구 대비 독자성을
docs/시스템_개요.md에 정리.
pip install -e ".[dev]"
python -m inframon --doctor # 환경·준비도 진단
python -m inframon --demo # 전체 파이프라인(stub) → data/project.h5 + CRI
pytest -q # 테스트
pip install -e ".[dashboard]" && streamlit run src/inframon/dashboard/app.py # 대시보드직접 돌려 보려면 — 실행 순서부터 대시보드·CLI·내 IFC/SAR 데이터까지 복붙 가능한 단계별 가이드:
docs/테스트_가이드.md.
무거운 SAR 처리(ISCE2/MiaplPy/SARvey)는 WSL2/Linux, 선별·인제스트·해석·시각화는 Windows.
절차는 docs/실데이터_런북.md.
python -m inframon --check-track track.h5 # 투입 전 사전검증 (exit 0 = 가능)
python -m inframon --demo --insar-source track.h5 --out data/project.h5 \
--engine cv=real --engine insar=real --engine pinn=real --engine fram=real정확도 보정(opt-in). --insar-corrections 는 PINN/FRAM 이 소비하기 전에 LOS 시계열에
3단계 보정을 적용하고, 보정된 속도를 /insar/velocity_mm_yr 에 저장한다.
python -m inframon --import-track-h5 track.h5 --out data/project.h5 \
--insar-corrections --insar-dem dem.tif \
--insar-thermal --insar-temp-csv temps.csv # 또는 --insar-fetch-temp (ERA5, 키 불필요)같은 플래그가 전체 체인(--demo --engine insar=real --insar-source track.h5 …)에도 적용되지만,
그 경로는 Track 좌표를 CV 프레임에 정합하므로 지오참조된 CV 입력(GeoTIFF/override)이 필요하다
— 없으면 점이 ROI 밖으로 떨어진다. 맨 SARvey/MintPy 산출물은 --import-track-h5 가 검증된 경로다.
| 단계 | 제거 대상 | 필요 | 비고 |
|---|---|---|---|
| 공통성분(APS) | 에폭별 대기위상 — 고결맞음 안정점의 중앙값 | coherence |
--ref-min-coherence(기본 0.9). 이득 가드: 시간변동이 실제로 줄 때만 채택 — SARvey 출력은 이미 APS 필터링돼 자동 skip |
| 고도상관 | 고도에 비례하는 성층 대류권 | 점별 z (Track height 또는 --insar-dem GeoTIFF) |
z 스프레드 < 1 m 이면 skip |
| 열팽창 | los = a + b·t + c·T 회귀로 계절 열변형 분리 |
--insar-thermal + 온도원 |
CSV(date,temp_C)가 결정론적이라 우선, 없으면 --insar-fetch-temp 로 ERA5(Open-Meteo) 조회 |
모두 opt-in 이고 적용/skip 내역을 insar_source attr 에 남긴다 — 기본 경로와 골든 회귀는 불변.
--remaining-life 는 사용성 한계까지 남은 시간을 추정해 /life 에 기록한다. FRAM 뒤에
붙는 후처리 스테이지라 4엔진과 골든 회귀는 불변이고, 플래그를 안 쓰면 /life 그룹 자체가
생기지 않는다.
python -m inframon --demo --remaining-life --out data/project.h5
python -m inframon --import-track-h5 track.h5 --out data/project.h5 \
--remaining-life --life-settlement-mm 25 --life-consumed-mm 0이 숫자가 장식이 아니게 만드는 세 가지:
- 검열(censoring) — 추세 신뢰구간이 0 을 포함하는 점은 잔존수명이 정의되지 않는다.
거기서
여유/속도를 계산하면 "50만년"이 나온다. 그런 점은 검열하고 교량은> horizon으로 읽는다. - 하한 우선 — 헤드라인은 점추정이 아니라
여유/속도상한(Theil–Sen 95% 경계)이다. 속도 추정에 Theil–Sen 을 쓰는 이유는 InSAR 시계열에 unwrapping 이상치가 섞이기 때문이다. - 공간 응집 — 교량 값은 점별 최솟값이 아니다(노이즈 한 점이 교량 전체를 지배한다). 반경 안에 연결된 k점 이상 군집만 인정하고, 지배 군집의 좌표·범위·속도를 함께 기록해 결과가 점검 대상을 지목하게 한다.
- LOS 를 연직으로 되돌린다 — 침하·각변위 한계는 연직량 규정인데 단일 궤도는 시선 성분만
잰다. LOS 를 그대로 쓰면 1/cos θ 만큼(39°에서 29%) 낙관적이다. 입사각은 인제스트에서
/insar/incidence_deg로 보존되고, 없으면 대표값 39°를 가정하고 그 사실을 기록한다. asc+desc 융합이면 이 가정 자체가 사라진다.
점별로 두 하위 한계를 본다: 절대 변위(부재별)와 부등침하(각변위 vs 1/500) — 실제로는 부등침하가 절대 한계보다 먼저 걸리는 경우가 많다.
두 번째 측정기반 채널인 강성열화는 PINN 의 시간분해 EI(t) 를 회귀한다. 절대 EI 식별이
원래 시점별로 PDE 잔차를 구한 뒤 평균만 취하므로, 그 평균을 걷어내면 재학습 없이 얻어진다.
구현·게이팅은 끝났지만 지금까지 가진 어떤 데이터로도 활성화되지 않는다 — 합성 데모와
정자교 실 트랙 모두 식별 EI 가 물리 클립 상한에 포화한다. 두 점군 다 분해 가능한 휨 곡률이
없기 때문이다(d4≈0). 게이트는 수치 인공물에 맞춘 추세를 내놓는 대신 그 사실을 그대로
말한다. 피로·내구성도 조용히 빼지 않고 비활성 + 사유로 남긴다.
설계·필요 데이터: docs/잔존수명_설계.md.
--gnss-validate 는 인제스트된 InSAR 속도를 인근 NGL 상시 GNSS 와 대조한다. 현재
InSAR 속도를 지상 실측과 맞대보는 유일한 검증이다 — 나머지 테스트는 전부 합성이다.
python -m inframon --gnss-validate project.h5 --gnss-incidence 41.5 --gnss-km 60판정은 수직 성분으로만 한다. GNSS 절대속도는 한반도 플레이트 운동(수평 ~30mm/yr)을 포함하고 InSAR LOS 는 국소 기준점에 대한 상대값이라, LOS 에서 직접 빼면 차이의 대부분이 기준프레임 차이지 InSAR 오차가 아니다 — 그걸 합격/불합격으로 쓰면 멀쩡한 결과가 경보가 된다. 플레이트 운동은 거의 수평이므로 같은 물리량끼리 비교할 수 있는 축은 수직뿐이다. LOS 잔차도 계속 보여주되 "기준프레임 차 포함"으로 명시한다. 수직속도가 MAD 이상치인 관측소(장비 스텝 잔재)는 판정에서 제외하고 사유를 남긴다.
정자교 실 상승 트랙(2,661점 × 8.8년) × 11~17km 관측소 3개 결과:
InSAR 연직 −0.12 mm/yr vs SUWN −0.62 (29yr) · SON2 +0.03 (9yr) · SG26 −0.14 (8yr)
수직 잔차 RMS 0.30 mm/yr → 지상기준과 정합
(SWON 제외: 3년에 −21.8 mm/yr — 장비 스텝 잔재)
이것이 검증하는 것은 광역 기준프레임과 대기보정이지 교량 부재가 아니다. GNSS 관측소는 수 km 떨어진 지반에 있고, 수직 대조도 InSAR 기준점이 안정하다는 가정 위에 있다.
같은 GNSS 망은 SLC 처리 전 레시피에도 들어간다. --gnss-anchor LAT,LON 이 인근 관측소를
관측기간·연직 안정성·산포·거리로 점수 매기고, --make-sarvey-config --gnss-anchor-km 60 이
최적 관측소를 processing_manifest.json 의 gnss_reference 로 실어 기준점 선정이 휴리스틱이
아니라 관측에 근거하게 한다. 절대 타이는 관측소가 InSAR 발자국 안(≤2km)일 때만 허용한다 —
그보다 멀면 사이 지반이 같이 움직인다는 보장이 없으므로 타이를 거부하고 지역 연직 기준계
참고로만 쓴다. 조회 실패가 번들 생성을 막지는 않는다(근거를 더하는 것이지 전제조건이 아니다).
--gnss-extend-aoi 는 한 걸음 더 간다 — AOI 를 관측소까지 넓혀 그 지점에도 InSAR 점이
생기게 한다. 그러면 검증이 "교량 일대 중앙값 vs 11km 밖 관측소"가 아니라 같은 지점
점 대 점 대조가 되고, 기준점을 관측소에 두어 상대 변위를 절대 기준에 묶을 수 있다.
늘어나는 처리 면적은 결정 전에 보여준다(정자교: 57.5 km², 멀티룩 20m 기준 약 14만 화소).
면적 상한을 넘으면 조용히 넘기지 않고 그 관측소를 제외하고 사유를 남긴다.
--bim-align 이 모니터링 결과를 IFC 부재에 붙인다. "BIM 과 합친다"의 대부분은 좌표계
정합이다 — InSAR 는 지리/투영 좌표에, IFC 는 원점·회전·표고기준이 제각각인 로컬
엔지니어링 좌표계에 있다.
python -m inframon --bim-inspect model.ifc # IfcMapConversion 유무·부재 타입 확인
python -m inframon --bim-align project.h5,elements.json,out/bridge \
--bim-control-points control.json --bim-max-rms 0.3- 정합 경로 둘. 모델에
IfcMapConversion(IFC4)이 있으면 그대로, 없으면 측량 기준점 쌍으로 Helmert 적합. 축척은 기본 1 고정 — 자유롭게 두면 기준점 오차를 축척이 흡수해 잔차는 작아지면서 정합은 틀어진다. RMS 임계를 넘으면 값을 내지 않고 실패한다. 조용히 틀린 정합은 정상처럼 보이는 완전히 잘못된 결과를 만들고, 이게 여기서 최악의 실패 방식이다. - 표고는 기본적으로 안 쓴다. IFC
OrthogonalHeight는 수직기준면 기준이고 InSAR z 는 DEM 에서 온다. 한국 지오이드고 ~25m 면 상판/교각 구분이 뒤집힌다. 3D 연결은 표고 오프셋이 실제로 적합된 뒤에만 허용한다. - 겹침은 모호하고, 모호하다고 말한다. 평면에서 상판 bbox 는 교각을 포함한다. 동률은
InSAR 부재 라벨(독립 증거) → 부재 구체성 순으로 깨고, 모호했다는 사실을 숨기지 않고 센다.
--bim-max-dist를 넘는 점은 억지로 붙이지 않고 미연결로 남긴다. - 시계열은 IFC 에 안 넣는다. Pset 에는 현재 상태와
SourceProject/SourceGroups키만 넣어project.h5로 되짚게 한다 — 수천 시점을IfcPropertySingleValue에 밀어 넣으면 IFC 가 열리지 않는다. 정합 품질도 값 옆에 함께 주입해, BIM 쪽에서 값만 보는 사람도 신뢰도를 판단할 수 있게 한다.
정합 코어는 IFC 파일도 ifcopenshell 도 필요 없다 — 부재 테이블(JSON/CSV, UTF-8·cp949 자동)만
있으면 되고, 실 IFC 를 읽고 쓰려면 .[bim] 를 설치한다. IFC 경로는 ifcopenshell 로 교량 IFC 를
만들어 지오레퍼런싱·부재 AABB 를 되읽고 Pset 을 주입하는 왕복 테스트로 검증된다.
자세히: docs/BIM_정합.md.
| 항목 | 내용 |
|---|---|
| 언어/런타임 | Python ≥ 3.11 (CI 3.11) |
| 코어 의존성 | numpy≥1.26 · h5py≥3.10 · pydantic≥2.6 — stub 데모는 이것만으로 실행 |
| 무거운 의존성(선택) | torch≥2.2(PINN/CV) · transformers≥4.40(CV) · mintpy/rasterio/gdal(InSAR) · streamlit/plotly/folium(대시보드) — pyproject.toml extras |
| InSAR 툴체인 | SARvey(기본) · MiaplPy · MintPy · ISCE2 — WSL2/Linux에서 CLI 호출 (docs/F_SARvey_WSL2.md) |
| 데이터 출처 | Sentinel-1 SLC(ESA/Copernicus, ASF) · Copernicus GLO-30 DEM · ERA5(Open-Meteo) · OpenStreetMap(ODbL) — NOTICE.md |
| 결정론적 데모 | python -m inframon --demo → data/project.h5 + CRI, 네트워크/GPU 불필요·고정 시드, 골든 회귀로 수치 고정 |
| 실 사례 | 정자교, Sentinel-1 — 1,072점 × 201에폭 |
| 해석해 검증 | PINN/FEM vs Euler-Bernoulli 해석해: 오차 < 0.1% (tests/test_pinn_real.py, tests/test_benchmark.py) |
| 환경 기록 | python -m inframon --doctor 로 버전·준비도 출력, environment.yml 로 conda 환경 고정 |
데모 전체 재현:
pip install -e ".[dev]"
python -m inframon --doctor # 환경·준비도 리포트
python -m inframon --demo --out data/project.h5
pytest -q # 골든 회귀로 수치 불변 확인아직 재현·검증 안 됨: 현장 실측 · 상용 FEM 교차검증 · 실 붕괴라벨 평가는 미수행 — 출력은 파이프라인 결과이지 진단이 아니다(상단 Status 배너 참조).
inframon 은 아래 도구를 엔진으로 CLI 호출한다(별도 설치, 소스 미포함): SARvey(기본,
GPLv3)·MiaplPy·MintPy·ISCE2. InSAR 엔진은 플러그블(SARvey 기본, 어댑터 제공)이고,
inframon 고유 기여는 선별(OSM·ASF·ERA5)·PINN·FRAM·대시보드/검증/정확도 계층이다.
데이터 출처·약관은 NOTICE.md.
논문·학술 자료에 inframon 을 사용하면 inframon 과 기반 도구(특히 SARvey)를 함께 인용한다.
GitHub 저장소 페이지의 "Cite this repository" 버튼(CITATION.cff 기반)이
APA/BibTeX 를 자동 생성한다. 바로 붙여넣는 BibTeX 는 English › How to cite 참조.
GPLv3 (LICENSE) · 기여: CONTRIBUTING.md ·
데이터 출처·약관: NOTICE.md · 변경 이력: CHANGELOG.md.