대부분의 선진국에서 교량의 유지보수 및 보강(Maintenance Repair & Rehabilitation-MR&R)으로 인한 비용은 해마다 증가하고 있다. 전산화된 교량유지관리 및 의사결정시스템(Bridge Management System-BMS)은 가능한 최저의 생애주기비용(Life Cycle Cost - LCC)에 최적의 안정성를 확보하기 위해 개발되었다. 본 논문에서는 제한된 현존하는 교량진단기록을 이용하여 현존하지 않는 과거의 교량상태등급 데이타를 생성하기 위해 Backward PredictionModel(BPM)이라 불리는 인공신경망(Artificial Neural Network-ANN)에 기초한 예측모델을 제시한다. 제안된 BPM은 한정된 교량 정기점검기록으로부터 현존하는 교량진단기록과 연관성을 확립하기 위해 교통량과 인구, 그리고 기후 등과 같은 비구조적 요소를 이용하며, 제한된 교량진단기록과 비구조적 요소 사이에 맺어진 연관성을 통해 현존하지 않는 과거의 교량상태등급 데이타를 생성할 수 있다. BPM의 신뢰도를 측정하기 위하여 Maryland DOT로 부터 얻어진 National Bridge Inventory(NBI)와 BMS 교량진단자료를 이용하였다. 이중 NBI자료를 이용한 Backward comparison 에 있어서 실제 NBI기록과 BPM으로 생성된 교량상태등급과의 차이(상판: 6.68%, 상부구조부: 6.61%, 하부구조부: 7.52%)는 BPM으로 생성된 결과의 높은 신뢰도를 보여준다. 이 연구의 결과는 제한된 정기점검 기록으로 야기되는 BMS의 장기 교량손상 예측에 관련된 사용상의 문제를 최소화하고 전반적인 BMS 결과의 신뢰도를 높이는데 기여 할 수 있다.
대부분의 선진국에서 교량의 유지보수 및 보강(Maintenance Repair & Rehabilitation-MR&R)으로 인한 비용은 해마다 증가하고 있다. 전산화된 교량유지관리 및 의사결정시스템(Bridge Management System-BMS)은 가능한 최저의 생애주기비용(Life Cycle Cost - LCC)에 최적의 안정성를 확보하기 위해 개발되었다. 본 논문에서는 제한된 현존하는 교량진단기록을 이용하여 현존하지 않는 과거의 교량상태등급 데이타를 생성하기 위해 Backward Prediction Model(BPM)이라 불리는 인공신경망(Artificial Neural Network-ANN)에 기초한 예측모델을 제시한다. 제안된 BPM은 한정된 교량 정기점검기록으로부터 현존하는 교량진단기록과 연관성을 확립하기 위해 교통량과 인구, 그리고 기후 등과 같은 비구조적 요소를 이용하며, 제한된 교량진단기록과 비구조적 요소 사이에 맺어진 연관성을 통해 현존하지 않는 과거의 교량상태등급 데이타를 생성할 수 있다. BPM의 신뢰도를 측정하기 위하여 Maryland DOT로 부터 얻어진 National Bridge Inventory(NBI)와 BMS 교량진단자료를 이용하였다. 이중 NBI자료를 이용한 Backward comparison 에 있어서 실제 NBI기록과 BPM으로 생성된 교량상태등급과의 차이(상판: 6.68%, 상부구조부: 6.61%, 하부구조부: 7.52%)는 BPM으로 생성된 결과의 높은 신뢰도를 보여준다. 이 연구의 결과는 제한된 정기점검 기록으로 야기되는 BMS의 장기 교량손상 예측에 관련된 사용상의 문제를 최소화하고 전반적인 BMS 결과의 신뢰도를 높이는데 기여 할 수 있다.
It is increasing annually that the cost for bridge Maintenance Repair & Rehabilitation (MR&R) in developed countries. Based on Intelligent Technology, Bridge Management System (BMS) is developed for optimization of Life Cycle Cost (LCC) and reliability to predict long-term bridge deteriorations. How...
It is increasing annually that the cost for bridge Maintenance Repair & Rehabilitation (MR&R) in developed countries. Based on Intelligent Technology, Bridge Management System (BMS) is developed for optimization of Life Cycle Cost (LCC) and reliability to predict long-term bridge deteriorations. However, such data are very limited amongst all the known bridge agencies, making it difficult to reliably predict future structural performances. To alleviate this problem, an Artificial Neural Network (ANN) based Backward Prediction Model (BPM) for generating missing historical condition ratings has been developed. Its reliability has been verified using existing condition ratings from the Maryland Department of Transportation, USA. The function of the BPM is to establish the correlations between the known condition ratings and such non-bridge factors as climate and traffic volumes, which can then be used to obtain the bridge condition ratings of the missing years. Since the non-bridge factors used in the BPM can influence the variation of the bridge condition ratings, well-selected non-bridge factors are critical for the BPM to function effectively based on the minimized discrepancy rate between the BPM prediction result and existing data (deck; 6.68%, superstructure; 6.61%, substructure; 7.52%). This research is on the generation of usable historical data using Artificial Intelligence techniques to reliably predict future bridge deterioration. The outcomes (Long-term Bridge deterioration Prediction) will help bridge authorities to effectively plan maintenance strategies for obtaining the maximum benefit with limited funds.
It is increasing annually that the cost for bridge Maintenance Repair & Rehabilitation (MR&R) in developed countries. Based on Intelligent Technology, Bridge Management System (BMS) is developed for optimization of Life Cycle Cost (LCC) and reliability to predict long-term bridge deteriorations. However, such data are very limited amongst all the known bridge agencies, making it difficult to reliably predict future structural performances. To alleviate this problem, an Artificial Neural Network (ANN) based Backward Prediction Model (BPM) for generating missing historical condition ratings has been developed. Its reliability has been verified using existing condition ratings from the Maryland Department of Transportation, USA. The function of the BPM is to establish the correlations between the known condition ratings and such non-bridge factors as climate and traffic volumes, which can then be used to obtain the bridge condition ratings of the missing years. Since the non-bridge factors used in the BPM can influence the variation of the bridge condition ratings, well-selected non-bridge factors are critical for the BPM to function effectively based on the minimized discrepancy rate between the BPM prediction result and existing data (deck; 6.68%, superstructure; 6.61%, substructure; 7.52%). This research is on the generation of usable historical data using Artificial Intelligence techniques to reliably predict future bridge deterioration. The outcomes (Long-term Bridge deterioration Prediction) will help bridge authorities to effectively plan maintenance strategies for obtaining the maximum benefit with limited funds.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
교량상태 평가법을 제시하였다. BPM의 목적은 기록된 BMS를 위한 교량 관련 기록이 충분치 못한 경우 이로 인한 부정확한 손상상태예측 모형 의 한계점을 극복하고자 함이다. BPM는 충분치 못한 BMS기록과 대상 교량의 상태등급에 영향을 주는 지역적 기후, 인구밀도와 교통량 등 교량의 구조 성능을 형성하는 요소와 관계없지만 유지관리와 LCC를 결정하는 중요 요소로서의 비구조적 요소를 적용하여 부족한 과거의 교량상태 등급 데이터를 생성하고 BPM 으로 활성화된 풍부한 과거 상태 등급 데이터가 교량의 손상상태를 예측한 모형 결과 값의 신뢰성을 높인다.
따라서 본 논문에서는 보다 개선된 교량손상 상태 예측모델을 구축하기 위한 ANN방법을 이용한 BPM으로 과거의교량상태등급 데이터를 생성하는 방법을 개발하였다.
이러한 문제점을 극복하기 위해 현재는 기록되지 못한 과거 교량상태 등급 데이터를 생성하는 인공신경망 기반의 BPM이 본 논문에서 방법론으로 제시된다.
가설 설정
(b) 교량손상상태는짧은시간 내에 크게 변동되지는 않는다. (c) 약 60%의 BMS 분석과정은 정기교량 점검 결과에크게 의존한다.
일반적인 BMS 소프트웨어 구조는 Fig. 2에서와 같이 (a) data storage; (b) cost (c) deterioration; 그리고(d) optimization 모듈과 같다.
완성하였다. 즉, 19개의 실제 NBI 데이터가 존재하지만 BPM방법론 입증을 위해 최근 5개 데이터만이 존재한다고 가정하였다.
제안 방법
5개의 최근NBI 교량진단 기록이 BPM 입력자료로 사용하였으며 (1996년부터 2년 단위로 2004년까지) 또한 최상등급의 교량상태로 가정한 총 5개의 데이터를 ANN을 적용하여 14개의 과거 교량상태등급 기록을 생성하여 손상예측모형을 완성하였다. 즉, 19개의 실제 NBI 데이터가 존재하지만 BPM방법론 입증을 위해 최근 5개 데이터만이 존재한다고 가정하였다.
ANN을 이용한 BPM으로 교량의 손상예측 모형을 활성화하는 교량상태 평가법을 제시하였다. BPM의 목적은 기록된 BMS를 위한 교량 관련 기록이 충분치 못한 경우 이로 인한 부정확한 손상상태예측 모형 의 한계점을 극복하고자 함이다.
이 연구에서는 총 9개소의교량요소와 3가지 다른 진단 등급(3CSs, 4CSs, 5CSs)이 적용되었다. BPM을 이용한 손상 모형의 추정손상 등급과 진단기록을 비교하여 등급별 오차를 계산하여 Tabel 2에 요약하였다. 적용된 각 진단 등급별 최대 허용오차는 3CSs, 4CSs, 5CSs에 대해 33%, 25%, 그리고 20%이다.
6은 NBI의 교량상태 등급과 대응되는 BPM 입 력상태등급을 도식적으로 표현하였다. NBI에서 교량 상태에 관련된정보는 상판부(NBI#58), 상부구조부(NBI#59), 하부구조부 (NBI#60)이고, 상태지수(Condition Index; CI)는 10단계 등급으로 최하 등급 0부터 최상등급 9까지 구분된 NBI 등급을 0부터 1.0으로 할당되는 인공신경망 등급으로 변환하였다. 비구조적 요소와 관련해서 과거의 교통량, 인구조사, 기후자료는 각각 Federal Highway Administration, U.
대상 교량의 사용 가능한 19회의 NBI 데이터 중 최근 5회만 기록된 것으로 가정한 후 BPM로 14회분과거 데이터를생성하고 기록된 14회분의 데이터와 비교 분석하였다. 이비교에서 상판, 상부구조부, 하부구조부의 평균 예측 오 차는각각 6.
NBI는 Element-level(상부바닥판, 교대, 교좌장치 등)의 분류방식으로 기록되어 BMS 에 적용하기 위하여 Componentlevel (상부구조, 하부 구조, 배수거 등)의 분류방식으로 변환이 요구된다. 따라서, 수집된 NBI 데이터를 BPM으로 적용하기 위한 5회분의 BMS 교량진단 기록으로 변환하였다.
제안한 BPM의 신뢰성을 확보하기 위해서 Mayland주교량관리국으로부터 National Bridge Inventory(NBI)와 BMS에 사용되는 교량진단 기록을 적용하여 손상예측모형을 생성하였다. 일반적으로 교량관리국의 BMS용 교량진단기록 보유량은 앞에서 언급한 바와 같이 10~16년도(5~8 개)정도이고, 이에 반해 NBI는 같은 성격의 진단평가이면서도 약 30년 이상 누적된 기록을 확보하고 있다.
대상 데이터
BMS 교량진단 기록을 이용한 손상예측 모형의 생성을 위하여 교량(#3210xxxl) 상부 구조부 요소(#234: reinforced concrete pier cap)의 BMS 기록을 이용하였다. 1996년부터 2004년까지의 5단계 상태등급(Condition State; CS) 중 CS1, CS2 그리고 CS3에 대하여 각각 80%, 16.
8% 로 분포되었다. 따라서 BPMe Fig. 9에서 볼 수 있듯이 각 3단계 등급별로 1968년부터 1994년까지 대상교량의추정 과거 상태 등급 데이터를 생성하였다. 매년 예측된 BPM의 결과는 각각 66개이며 이수는 ANN 구성에 있어서 학습 적용수와 momentum coefficients 수의 조합으로얻어졌다.
0으로 할당되는 인공신경망 등급으로 변환하였다. 비구조적 요소와 관련해서 과거의 교통량, 인구조사, 기후자료는 각각 Federal Highway Administration, U.S. Census Bureau, and the U.S. Department of Commerce, National Oceanic & Atmospheric Admit瓦stration에서 인용하였다.
사례연구를 시행하였다 [12]. 이 연구에서는 총 9개소의교량요소와 3가지 다른 진단 등급(3CSs, 4CSs, 5CSs)이 적용되었다. BPM을 이용한 손상 모형의 추정손상 등급과 진단기록을 비교하여 등급별 오차를 계산하여 Tabel 2에 요약하였다.
인공신경망을 이용한 BPM의 신뢰성을 확보하기 위해 Road and Traffic Authority of New South Wales(RTA NSW), Australia로 부터 획득한 BMS 교량진단 기록을 이용한 사례연구를 시행하였다 [12]. 이 연구에서는 총 9개소의교량요소와 3가지 다른 진단 등급(3CSs, 4CSs, 5CSs)이 적용되었다.
데이터처리
Forward 예측 결과와 NBI기록과의 비교를 위한 입 력자료는 Backward Prediction으로 생성된 결과 데이터(1968- 1994)를 이용하여 Forward로 예측하여 최근 5개의 상태 등급을 생성하여 기존의 NBI 데이터(1996-2004)와 구조부위별로 비교분석하였다.
성능/효과
52%로 허용 범위를 만족하였다. 14개의 활성화된 과거교량상태 등급을 다시 인공신경망을 이용하여 최근의 5회분 예측 등급을 추정하고 기존의 진단자료와 비교하여 평균예측 오차는 각 구조부별로 각각 3.20%, 3.10% 그리고 3.20%로 허용오차를 만족하였다. 또한 BMS 진단 기록을 이용한 BPM에서 동일한 방법을 이용한 예측 교량상태 등급과 실제 진단 자료와 비교하여 연간평균오차가 허용 범위 안에 있음을 증명하였다.
BPM으로 생성된 교량상태 등급 데이터는 기록된 BMS 데이터세 트와 비교 분석 하였으며 해당 연도별 평균예측 오차는 최소 1.12%에서 최대 4.87%로 5단계 등급 구분의 최대 허용오차(±20%) 이내로 계산되어 BMS의 예측 신뢰도를 재 입증할 수 있다.
Fig. 8에 표현된 인공신경망으로 생성된 14개의 추정 교량상태등급은 확보된 NBI 교량점검 결과와 비교하여 오차값을 산출하고 그 평균값을 구조부분별로 상판, 상부구조, 하부구조부에서 각각 6.68%, 6.61% 그리고 7.52%로 계산되었다. 이 결과는 10단계 등급 구분인 경우 최대허용오차 (±10%) 이내에 포함되어 그 안정성을 증명하였다.
Table 1에서 상판, 상부구조, 하부구조부에서 비교된 결과들의 평균 오차 모두 최대 허용오차 ±10% 범위에 포함되며, Backward Prediction으로 생성된 결과보다도 우수한 신뢰도를 입증하였다.
적용된 각 진단 등급별 최대 허용오차는 3CSs, 4CSs, 5CSs에 대해 33%, 25%, 그리고 20%이다. 각 진단등급별 최대평균 오차는 각각 10.21%, 9, 26%, 4.40%으로 최대허용오차 이내로 계산되었다.
20%로 허용오차를 만족하였다. 또한 BMS 진단 기록을 이용한 BPM에서 동일한 방법을 이용한 예측 교량상태 등급과 실제 진단 자료와 비교하여 연간평균오차가 허용 범위 안에 있음을 증명하였다. 더불어 RTA NSW로 부터의 9개의 전형적인 교량 요소를 이용한 BPM 사례연구도 수행되어졌다.
더불어 RTA NSW로 부터의 9개의 전형적인 교량 요소를 이용한 BPM 사례연구도 수행되어졌다. 세 가지 다른 상태평가등급(3CSs, 4CSs, 5CSs)의 평균 오차는 각각 10.21%, 9.26% 그리고 4.40%이며 각각의 최대 허용가능오차 범위를 만족했다.
52%로 계산되었다. 이 결과는 10단계 등급 구분인 경우 최대허용오차 (±10%) 이내에 포함되어 그 안정성을 증명하였다.
이비교에서 상판, 상부구조부, 하부구조부의 평균 예측 오 차는각각 6.68%, 6.61% 그리고 7.52%로 허용 범위를 만족하였다. 14개의 활성화된 과거교량상태 등급을 다시 인공신경망을 이용하여 최근의 5회분 예측 등급을 추정하고 기존의 진단자료와 비교하여 평균예측 오차는 각 구조부별로 각각 3.
BPM을 이용한 손상 모형의 추정손상 등급과 진단기록을 비교하여 등급별 오차를 계산하여 Tabel 2에 요약하였다. 적용된 각 진단 등급별 최대 허용오차는 3CSs, 4CSs, 5CSs에 대해 33%, 25%, 그리고 20%이다. 각 진단등급별 최대평균 오차는 각각 10.
후속연구
도로교의 검증된 BMS 진단 자료와 비구조적 요소를 고려 한 인공신경망 손상상태 모형을 의사결정 시스템에 적용한 방법은 모든 구조물의 유지보수 및 보강을 위한 활용이 가능하리라고 판단되며, 특히 초기 단계인 고속철 또는 경전철을 위한 교량의 상태평가에도 적용이 가증할 것으로 사료된다.
참고문헌 (12)
R. Hudson, R. Haas, and W. Uddin (1997), "Infrastructure management: I.D., C. M. R & R," McGraw-Hill, NewYork, pp. 18-20.
P. Steel, G. Cole, R. Parke, B. Clarke, and E. Harding (2000), "Bridge maintenance strategy and sustainability," Bridge management, E&FNSpon, London: Thomas Telford, pp. 361- 369.
B. Godart and R. Vassie (1999), "Review of existing BMS and definition of inputs for the proposed BMS," BRIME Report Project PL97-2220, pp. 18-22.
C. Das (1996), "Bridge maintenance management objectives and methodologies," Bridge Management, Thomas Telford, pp. 1-7.
G. Morcous, H. Rivard, and M. Hanna (2002), "Modeling bridge deterioration using case based reasoning." J. of Infrastructure System, Vol. 8, No. 3, pp. 86-95.
J. Kleywegt and C. Sinha (1993), "Tools for bridge management data analysis," 7th Conference on Bridge Management, pp. 16-26.
J. H. Lee, K. Sanrnugarasa, and M. Blumenstein (2005), "An artificial neural network model for the condition rating of bridges," ICCEM2005, Seoul, Korea. CD-ROM Proceedings.
J. H. Lee, K. Sanrnugarasa, K. Le, and M. Blumenstein (2005), "Use of non-bridge element-level inspection data in the implementation of BMS," ISEC-03, Japan, pp. 705-712.
G. Tabachinick and S. Fidell (2001), "Using multivariate statistics," Allyn and Bacon.
T. Karna, F. Rossi, and A. Lendasse (2006), "LS-SVM functional network for time series prediction," ESANN 2006, Bruges, Belgium, pp. 473-478.
J. H. Lee, K. Sanrnugarasa, M. Blumenstein, and Y. C. Loo (2008), "Improving the Reliability of a BMS using an ANNbased BPM," J. of Automation in Construction, Vol. 17, No. 6, pp. 758-772.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.