[논문]도로포장의 유지관리 계획 수립을 위한 딥러닝 기반 열화 예측 모델 개발

이용준; 선종완; 이민재

doi:10.6106/kjcem.2019.20.6.034

도로포장의 유지관리 계획 수립을 위한 딥러닝 기반 열화 예측 모델 개발
Development of Deep Learning Based Deterioration Prediction Model for the Maintenance Planning of Highway Pavement 원문보기

한국건설관리학회논문집 = Korean journal of construction engineering and management, v.20 no.6, 2019년, pp.34 - 43

이용준 (한국건설기술연구원 인프라안전연구본부) , 선종완 (한국건설기술연구원 인프라안전연구본부) , 이민재

초록
AI-Helper

도로연장의 지속적인 증가와 공용기간이 상당히 경과한 노후 노선이 늘어남에 따라 도로포장에 대한 유지관리비용은 점차 증가하고 있어, 예방적 유지관리를 통해 비용을 최소화 하는 방안에 대한 필요성이 제기되고 있다. 예방적 유지관리를 위해서는 도로포장의 정확한 열화 예측을 통한 전략적 유지관리 계획 수립이 필요하다. 이에 본 연구에서는 고속도로포장 열화예측 모델 개발을 위해 딥러닝 모델 중 가장 보편적으로 많이 사용하는 심층신경망(DNN)과 시계열 데이터 분석에 강점을 가진 순환신경망(RNN)을 사용하였으며, 두 개의 모델의 성능을 비교 분석하여 우수한 모델을 제안하였다. RNN의 Vanishing Gradient Problem을 해결하기 위해 좀 더 복잡한 형태의 RNN구조인 LSTM(Long short-term memory circuits)을 사용하였다. 학습 결과, RNN-LSTM 모델의 RMSE 값이 0.102로 DNN모델보다 낮아 성능이 더 우수하였다. 또한, 대상구간의 시간경과별 평균 도로포장 상태 예측치와 실제 도로포장 상태 실측치의 비교를 통해 RNN-LSTM 모델의 높은 정확도를 검증하였다. 따라서 향후 고속도로 콘크리트 포장의 유지관리 계획 수립시 유지보수 수요 추정을 위한 열화 예측 모델로는 DNN 모델보다 시계열 분석에 강한 RNN-LSTM의 모델을 제안한다.

Abstract ▼ AI-Helper

The maintenance cost for road pavement is gradually increasing due to the continuous increase in road extension as well as increase in the number of old routes that have passed the public period. As a result, there is a need for a method of minimizing costs through preventative grievance preventive maintenance requires the establishment of a strategic plan through accurate prediction of road pavement. Hence, In this study, the deep neural network(DNN) and the recurrent neural network(RNN) were used in order to develop the expressway pavement damage prediction model. A superior model among these two network models was then suggested by comparing and analyzing their performance. In order to solve the RNN's vanishing gradient problem, the LSTM (Long short-term memory) circuits which are a more complicated form of the RNN structure were used. The learning result showed that the RMSE value of the RNN-LSTM model was 0.102 which was lower than the RMSE value of the DNN model, indicating that the performance of the RNN-LSTM model was superior. In addition, high accuracy of the RNN-LSTM model was verified through the comparison between the estimated average road pavement condition and the actually measured road pavement condition of the target section over time.

주제어

표/그림 (22)

그림 Fig. 1. Research Methodology
그림 Fig. 2. Vanishing Gradient Problem
그림 Fig. 3. Structure of RNN and LSTM Cells
그림 Fig. 4. How Gradient Information is Stored in RNN-LSTM
표 Table 1. Predictability Model by Pavement Type
그림 Fig. 5. Ratio by Pavement Type (2017)
표 Table 2. Data Collection Status
표 Table 3. Grading Standard by Highway Pavement Condition Index
표 Table 4. Average HPCI of The Target Section
표 Table 6. Data Set
표 Table 5. Guidelines for Grading of Exposure Environments
그림 Fig. 6. Example of DNN Modelling Structure
표 Table 7. Example of DNN Hidden Layer Creation Source
표 Table 8. Example of RNN-LSTM Hidden Layer Creation Source
그림 Fig. 7. Example of RNN-LSTM Modelling Structure
그림 Fig. 8. Comparison by RNN-LSTM Hidden Layer
그림 Fig. 9. RMSE Comparison by DNN Hidden Layer
표 Table 9. Set of values for hyperparameters(RNN-LSTM)
표 Table 10. RMSE Result
그림 Fig. 10. Comparison between Actual and Predicted Values
표 Table 11. R-squared Result
표 Table 12. Comparison of Prediction Results of Pavement Deterioration by Deep Learning Model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 ESAL 및 환경변수에 따른 도로포장 열화예측 모델 개발을 위하여 [Table 6]과 같이 포장에 파손을 주는 인자인 폭염일수, 강수량, 평균기온 0도 이하일 수, 최저기온 –2도 이하 일수, 적설일수, ESAL과 HPCIt를 입력데이터로 하며, 출력은 HPCIt+1로 하는 DNN과 RNNLSTM 모델을 구축하였다.
따라서 본 연구에서는 딥러닝 기반 도로포장 열화 예측모델의 개발을 위해 심층신경망(Deep Neural Network; DNN)과 시계열 데이터 분석에 강점을 가진 순환신경망(Recurrent Neural Network; RNN)을 활용하여 고속도로포장의 시간경과별 열화량을 학습하고, 학습된 모델의 성능을 비교·분석하여 더 우수한 모델을 제안하였다.
(2018)은 포장관리시스템의 주요 구성 요소는 ANN과 같은 포장 성능 예측 모델이라 하였으며, 인공 신경망의 기존 분류 평가 가능성 및 국도 유지 전략 수립을 위한 적용 방안을 분석하였다. 또한, 인공 신경망을 사용하여 세계 공용 지수를 결정하고 적절한 포장 유지 관리 계획 시나리오 가능성을 검토하였다. 역전파 신경망을 Osijek-Baranja 주의 국도 481.
본 논문은 구글에서 제공하는 텐서플로우를 사용하여 모델을 개발하였다. 텐서플로우는 연구자의 입장에서 딥러닝 구동에 필요한 하드웨어적인 요소가 아닌 딥러닝의 구조에 집중할 수 있는 구조로 해당 분야에 최적화된 모델을 구축하는데 있어 생산성 등의 향상을 도모할 수 있는 장점이 있다(Abadi et al.
도로포장은 한순간에 파손되는 것이 아니라 여러 변수들에 의한 스트레스 누적으로 인하여 점차 열화가 진행되다가 파손된다. 이에 고속도로 포장의 열화 예측 모델 개발을 위해 도로파손에 영향을 주는 변수들을 기존문헌 고찰을 통해 선정하였다. 딥러닝 분석을 위해서는 데이터 셋을 구축해야 하므로 기존문헌 고찰을 통해 선정된 포장 열화에 영향을 주는 축하중 교통량(Equivalent Single Axle Load; ESAL) 및 환경 변수 총 6개의 데이터와 t년도 고속도로 포장상태지수(Highway Pavement Condition Index; HPCI)를 입력 데이터로 하고 t+n년 HPCI를 출력 데이터로 하는 데이터 셋을 구축하였다.

제안 방법

rnn_cell.LSTMCell 코드를 이용해 LSTM Cell의 출력크기(노드수), Forget_bias(망각편향) 등의 파라미터를 입력하여 LSTM 셀을 구현하고, 이것을 MultiRNNCell 코드로 쌓아 은닉층이 여러개인 deep-RNN을 구현할 수 있다.
딥러닝 분석을 위해서는 데이터 셋을 구축해야 하므로 기존문헌 고찰을 통해 선정된 포장 열화에 영향을 주는 축하중 교통량(Equivalent Single Axle Load; ESAL) 및 환경 변수 총 6개의 데이터와 t년도 고속도로 포장상태지수(Highway Pavement Condition Index; HPCI)를 입력 데이터로 하고 t+n년 HPCI를 출력 데이터로 하는 데이터 셋을 구축하였다. 구축된 데이터 셋을 기반으로 텐서플로우를 활용하여 DNN과 RNN-LSTM (Long Short-Term Memory)알고리즘을 적용한 딥러닝 기반 열화예측 모델을 개발하였다. 마지막으로 트레이닝 셋과 테스트 셋의 제곱근 평균 오차(Root Mean Square Error; RMSE)와 정확도(Accuracy)를 고려하여 개발된 모델의 성능을 비교하고 성능이 우수한 모델을 제안하였다.
이에 고속도로 포장의 열화 예측 모델 개발을 위해 도로파손에 영향을 주는 변수들을 기존문헌 고찰을 통해 선정하였다. 딥러닝 분석을 위해서는 데이터 셋을 구축해야 하므로 기존문헌 고찰을 통해 선정된 포장 열화에 영향을 주는 축하중 교통량(Equivalent Single Axle Load; ESAL) 및 환경 변수 총 6개의 데이터와 t년도 고속도로 포장상태지수(Highway Pavement Condition Index; HPCI)를 입력 데이터로 하고 t+n년 HPCI를 출력 데이터로 하는 데이터 셋을 구축하였다. 구축된 데이터 셋을 기반으로 텐서플로우를 활용하여 DNN과 RNN-LSTM (Long Short-Term Memory)알고리즘을 적용한 딥러닝 기반 열화예측 모델을 개발하였다.
도로포장의 전략적 유지보수 계획 수립을 위해서는 포장의 유지보수 시기 및 공법 결정을 위한 의사결정체계가 필요하며, 이 과정에서 해당 도로구간의 열화 예측이 매우 중요하다. 따라서 본 연구에서는 고속도로 포장 열화예측 모델 개발을 위해 2008년~2016년까지의 HPCI 데이터와 도로포장 열화에 영향을 주는 ESAL 및 환경변수 총 6개의 데이터를 활용하여 딥러닝 방법론을 통해 고속도로 콘크리트 포장의 시간경과별 열화량을 예측하고 모델의 성능을 비교하였다.
따라서, 향후 고속도로 콘크리트 포장의 유지관리 계획 수립시 유지보수 수요 추정을 위한 열화 예측 모델로는 DNN 모델보다 시계열 분석에 강한 RNN-LSTM의 모델을 제안한다.
또한 DNN과 RNN-LSTM 모델 모두 최적화 함수로는 최적화 수렴속도가 빠르며 안정적인 Adam Optimizer를 사용하였으며, 0.001의 학습률로 10,000번의 반복 학습을 하였다.
130보다 낮아 모델의 성능이 더 우수하였다. 또한, 두 모델의 대상구간 시간경과별 평균 HPCI 예측치와 실제 HPCI 실측치의 비교를 통해 RNN-LSTM 모델의 높은 정확도를 검증하였다. 이는 고속도로 포장은 시간이 경과됨에 따라 파손이 되는 시계열 데이터의 특성을 가지고 있어 RNN-LSTM이 보다 좋은 결과를 도출한 것으로 판단된다.
구축된 데이터 셋을 기반으로 텐서플로우를 활용하여 DNN과 RNN-LSTM (Long Short-Term Memory)알고리즘을 적용한 딥러닝 기반 열화예측 모델을 개발하였다. 마지막으로 트레이닝 셋과 테스트 셋의 제곱근 평균 오차(Root Mean Square Error; RMSE)와 정확도(Accuracy)를 고려하여 개발된 모델의 성능을 비교하고 성능이 우수한 모델을 제안하였다.
먼저, ESAL 및 환경 변수 총 6개의 데이터와 t년도 HPCI를 입력변수로 하며, 입력변수를 통해 t+n년 HPCI를 출력하는 데이터 셋을 구축하고 텐서플로우를 활용하여 딥러닝 기반 열화예측 모델을 개발하였다. 모델의 검증으로는 실제 값과 추정 값의 차이가 클수록 더 큰 오차를 나타내는 RMSE 값을 통해 확인하였다.
모델 구축과 학습 수행은 학습 시간과 정확도를 고려하여 시행착오를 거쳐 설정하였다.
모델의 성능(오차)를 측정하는 척도로 비용함수(Cost Function)를 많이 사용한다. 모델의 비용함수는 일반적으로 많이 적용되는 RMSE를 통해 확인하였다. RMSE는 실제값(P_i)과 추정값(y_i)의 차이가 클수록 더 큰 오차를 나타내는 값으로 작을수록 정밀도가 높은 모델이다.
본 연구에서는 LSTM Cell의 출력크기(노드수)는 DNN과 마찬가지로 20개인 LSTM 셀을 구현하였으며, 은닉층의 수는 DNN과 마찬가지로 1, 2, 4, 8개로 구분하여 학습하였다.

대상 데이터

고속도로 데이터의 포장형식은 총 6개의 형식으로 AP교면, AP복합단면, AP토공, CP교면, CRCP, JCP로 나뉘어져 있으며 그 중 많은 비중을 차지하고 있는 콘크리트 JCP를 대상으로 분석하였다[Fig. 5].
따라서 본 연구에서는 2008년을 기준년도로 선정하고 그해 HPCI가 4이상이며, SD 값 0㎡, IRI 값 1.18m/km 이하인 포장상태 값이 초기 값인 구간만을 대상으로 수집하였다. IRI의 값의 경우, 도로포장 구조 설계 요령에서 초기 IRI의 값을 1.
, 2016; Choi, 2018). 본 연구에서 구현한 도로포장 열화 예측 모델의 성능을 평가하기 위하여 HPMS 데이터를 txt 파일로 변환시켜 이 중 80%는 학습 데이터로 사용하고, 20%는 테스트 데이터로 사용하였다.
DNN을 통한 분석 결과는 학습률, 은닉층의 개수, 층별 노드 등과 같은 설정에 크게 영향을 받는다. 본 연구에서 활용한 DNN모델의 노드수는 컴퓨터 사양을 고려하여 20개로 설정하였으며, 은닉층의 개수는 최적의 성능이 나타나는 모델을 구성하기 위해, 1개, 2개, 4개, 8개로 구분하여 학습하였다. [Fig.
본 연구에서는 고속도로 포장 열화 예측 모델 개발을 위해 2008년~2016년까지의 HPCI 데이터를 고속도로 포장관리시스템에서 수집하였다.
이러한 데이터 가공 과정을 거쳐 [Table 2]와 같이 약 48,625개 구간에서 총 11,552개 구간을 선정하였다.

데이터처리

먼저, ESAL 및 환경 변수 총 6개의 데이터와 t년도 HPCI를 입력변수로 하며, 입력변수를 통해 t+n년 HPCI를 출력하는 데이터 셋을 구축하고 텐서플로우를 활용하여 딥러닝 기반 열화예측 모델을 개발하였다. 모델의 검증으로는 실제 값과 추정 값의 차이가 클수록 더 큰 오차를 나타내는 RMSE 값을 통해 확인하였다.

성능/효과

102로 가장 낮은 것으로 분석되었다. DNN 모델의 경우, 은닉층의 개수가 많아질수록 RMSE 값은 감소하다가 다시 증가하였으며, 은닉층이 2개일 때 RMSE 값이 0.130로 가장 낮은 것으로 분석되었다.
18m/km 이하인 포장상태 값이 초기 값인 구간만을 대상으로 수집하였다. IRI의 값의 경우, 도로포장 구조 설계 요령에서 초기 IRI의 값을 1.18m/km~1.41m/km로 제시하고 있어, 본 연구에서는 데이터의 신뢰성 확보를 위하여 1.18m/km 값을 기준으로 하였다.
10]은 두 모델의 대상구간 시간경과별 평균 HPCI 예측치와 실제 평균 HPCI 실측치의 비교결과이다. RNN-LSTM 모델은 실제 HPCI 실측치와 매우 유사하였으나, DNN 모델의 경우 시간이 경과될수록 실측치와 예측치의 오차범위가 점점 커지는 것으로 분석되었다.
RNN-LSTM 모델의 경우, 은닉층의 개수가 많아질수록 RMSE 값이 커지는 것을 알 수 있었으며, DNN 모델의 경우, 은닉층의 개수가 많아질수록 RMSE 값은 감소하다가 다시 증가하였다.
RNN-LSTM 모델의 경우, 은닉층의 개수가 많아질수록 RMSE 값이 커지는 것을 알 수 있었으며, 은닉층의 개수가 1개일 때 테스트 RMSE 값이 0.102로 가장 낮은 것으로 분석되었다. DNN 모델의 경우, 은닉층의 개수가 많아질수록 RMSE 값은 감소하다가 다시 증가하였으며, 은닉층이 2개일 때 RMSE 값이 0.
[Table 4]와 같이 선정된 구간의 최초 평균 HPCI는 4.21 이며 8년 경과 후 평균 HPCI는 3.5로 다소 우수한 상태를 유지하고 있는 것으로 분석되었다. 이는 교통량이 많고 통행속도가 빠른 고속도로의 특성상 안전사고 예방을 위한 상시보수로 인한 것으로 판단된다.
8~9]는 딥러닝 모델별 은닉층 개수에 따른 RMSE 결과이다. 두 모델 모두 학습 RMSE와 테스트 RMSE 값의 차이가 크지 않아 과적합은 발생하지 않은 것으로 분석되었다.
Choi (2018)는 세 개의 머신러닝(Logistic Regression; LR, Decision Tree; DT, Random Forest; RF) 알고리즘과 1개의 DNN 알고리즘을 사용하여 아스팔트 포장의 공용수명 예측모델 및 균열률의 연간 파손량을 예측하였다. 분석 결과를 살펴보면, 공용수명예측 및 균열률 연간 파손량 예측 시 DNN의 모델이 RMSE 측면에서 가장 우수한 성능을 보이는 것으로 나타났다.
분석결과, 최적 RNN-LSTM 모델의 경우 결정계수가 0.915로 매우 높은 예측력을 보였으나, DNN 모델의 경우 0.365로 해당 모델의 예측력은 매우 낮았다.
또한, 인공 신경망을 사용하여 세계 공용 지수를 결정하고 적절한 포장 유지 관리 계획 시나리오 가능성을 검토하였다. 역전파 신경망을 Osijek-Baranja 주의 국도 481.3km 구간에 적용하고, 그 결과를 토대로 ANN이 프로젝트 및 네트워크 수준에서의 포장상태 평가에 사용될 수 있음을 도출했다.
(2003)은 전반적인 포장상태는 개별 상태 지수와 상호의존적이라고 하였으며, 이에 세 가지 핵심지표인 균열, 러팅, IRI의 개별적인 열화예측 모델을 ANN을 사용하여 개발하였다. 연구 결과, 각각의 ANN모델은 과거 데이터베이스에 포함된 기본 정보를 바탕으로 향후 도로포장 열화에 대한 합리적인 예측이 가능하게 되었다.
이에 최적 RNN-LSTM 모델(은닉층 1개)과 최적 DNN 모델(은닉층 2개)을 비교해보면, 모델의 성능은 RNN-LSTM이 DNN 모델보다 RMSE 값이 작아 더 우수한 것으로 분석되었다.
이에 최적 RNN-LSTM 모델(은닉층 1개)과 최적 DNN 모델(은닉층 2개)의 성능을 비교해보면, RNN-LSTM 모델의 RMSE 값이 0.102로 DNN모델 RMSE 값 0.130보다 낮아 모델의 성능이 더 우수하였다. 또한, 두 모델의 대상구간 시간경과별 평균 HPCI 예측치와 실제 HPCI 실측치의 비교를 통해 RNN-LSTM 모델의 높은 정확도를 검증하였다.
(2012)은 포장 표면 상태(Pavement Condition Index; PCI)에 대한 ANN 접근방식을 제시하며, 삼층 후방 전파 알고리즘을 사용하였다. 제안한 ANN모델은 관측된 PCI와 거의 동일하게 예측하는 것으로 분석되었으며, 이에 향후 15년 이상 PCI를 예측하여 장기적으로 유지보수 및 수리 작업 계획 시 관리자가 의사결정을 할 수 있도록 제안하였다.

후속연구

이에 본 연구의 결과를 바탕으로 보다 정확한 유지보수 필요 구간의 예측이 가능함에 따라 향후 고속도로 포장 유지보수 계획 수립시 유지보수 예산 추정에 중요한 기초정보로 활용될 수 있을 것이라 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	딥러닝이란 무엇인가?	최근 컴퓨터 사양의 급격한 발전과 함께 오픈 소스로 공개된 기계학습 라이브러리 개발로 인하여 딥러닝 기법을 활용한 예측 모델 개발이 여러 분야에서 연구가 활발하게 진행되고 있다. 딥러닝은 인공신경망(Artificial Neural Network; ANN)에 기반하여 설계된 개념으로 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습 알고리즘의 집합으로 정의되며, 기존의 통계적인 방법보다 예측모델의 추정력이 크게 개선되어진다는 연구 결과가 있다(Han et al., 2017a).
	RNN의 문제점은?	RNN은 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 인공신경망이다. 그러나 RNN은 기억에 사용되는 내부 상태 값이 시간 step의 이동에 따라 점점 기억하지 못하고 사라지게 만드는 Vanishing Gradient Problem을 가지고 있다.
	RNN-LSTM이 기존문제인 Vanishing Gradient Problem을 해결한 방법은?	LSTM은 [Fig. 3]과 같이 전체 체인을 지나가는 셀 스테이트를 가진 구조를 이용하여 과거의 학습결과를 현재 학습에 그대로 전달하여 RNN의 장기 의존성 문제를 해결하였다.

참고문헌 (25)

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., and Ghemawat, S. (2016). "Tensorflow: Large-scale machine learning on heterogeneous distributed systems."arXiv preprint arXiv:1603.04467.
Choi, S. (2018). "Development of Road Asset Management System based on Artificial Intelligence using Visual Information." Doctoral Thesis.
Do, M. (2011). "Comparative analysis on mean life reliability with functionally classified pavement sections." International Journal of Highway Engineering, 14(5), pp. 11-19.
Do, M., Lee, Y., Lim, K., and Kwon, S. (2011). "Estimation of Performance and Pavement Life using National Highway Pavement Condition Index." KSCE Journal of Civil Engineering, 15(2), pp. 261-270.

상세보기
DOMITROVIC, J., DRAGOVAN, H., RUKAVINA, T., and DIMTER, S. (2018). "Application of an Artificial Neural Network in Pavement Management System." Tehnicki vjesnik, 25(2), pp. 466-473.

상세보기
Gharaibeh, N., and Darter, M. (2003). "Probabilistic analysis of highway pavement life for Illinois." Transportation Research Record 1823, No.03-4294, pp. 111-120.

상세보기
Kobayashi, K., and Do, M. (2010). "Estimation of Markovian transition probabilities for pavement deterioration forecasting." KSCE Journal of Civil Engineering, 14(3), pp. 343-351.

상세보기
Korea Expressway Corporation (2010). "Guideline for Exposure to Environment."
Korea Expressway Corporation (2018). "2017 Investigation and analysis of highway pavement condition."
Kwon, S., Jeong, K., and Sun, Y. (2012). "A Study on Decision Criteria of traffic volumes for Choosing of Modified Asphalt Pavement in Korea National Highway." International journal of highway engineering, 4(3), pp. 25-33.
Han, D., Yoo, I., and Lee, S. (2017a). "Improvement of Multivariable, Nonlinear, and Overdispersion Modeling with Deep Learning: A Case Study on Prediction of Vehicle Fuel Consumption Rate." Intl. Journal of the Highway Engineers, 19(4), pp. 1-7.
Han, D., Do, M., and Kim, B. (2017b). "Internal Property and Stochastic Deterioration Modeling of Total Pavement Condition Index for Transportation Asset Management." International journal of highway engineering, 19(5), pp. 1-11.
Hochreiter, S., and Schmidhuber, J. (1997). "Long Short-Term Memory." Neural Computation archive, 9(8), pp. 1735-1780.

상세보기
Lee, I., Lee, Y., Park, S., Cho, H., and Lee, M. (2018). "A Study on Utilization of Private Capital for Efficient Highway Pavement Management." Korean Journal of Construction Engineering and Management, KICEM 19(1), pp. 3-11.
Lee, Y. (2013). "A Study on the Method of Establishing Road Maintenance Strategy Considering the Forecasting Traffic Demand." Master Thesis.
Lee, Y., and Lee, M. (2016). "A Study on Estimating of Probability Distribution and Mean Life of Bridge Member for Effective Maintenance of the Bridge." Korean Journal of Construction Engineering and Management, 17(4), pp. 57-65.

원문보기 상세보기
Lee, Y. (2019). "A Study on Construction of Highway Pavement Asset Management System based on Big Data." Doctoral Thesis.
Loizos, A., and Karlaftis, M.G. (2005). "Prediction of pavement crack initiation from in-service pavements: A duration model approach." Journal of the Transportation Research Board, 1940, TRB, pp. 38-42.

상세보기
MOLIT (2011). "Road Pavement Structure Design Manual."
Park, J. (2013). "A Study on the Improvement of Business Process Efficient for Expressway Pavement Management." Master Thesis.
Park, J. (2018). "Estimation of Electrical Loads Patterns by Usage in the Urban Railway Station by RNN." The Transactions of the Korean Institute of Electrical Engineers, 67(11), pp. 1536-1541.
Suman, S., and Sinha, S. (2012). "Pavement Condition Forecasting Through Artificial Neural Network Modelling." International Journal of Emerging Technology and Advanced Engineering, 2(11), pp. 474-478.
Yang, J., Gunaratne, M., Lu, J.J., and Dietrich, B. (2003). "Application of Neural Network Models For Forecating of Pavement Crack Index and Pavement Condition Rating." Florida Department of Transportation.
Yang, J., Gunaratne, M., Lu, J.J., and Dietrich, B. (2005). "Use of recurrent Markov chains for modeling the crack performance of flexible pavements." Journal of Transportation Engineering, 131(11), pp. 861-872.

상세보기
You, P., and Lee, D. (2002). "Methodology of a Probabilistic Pavement Performance Prediction Model Based on the Markov Process." International Journal of Highway Engineering, 4(4), pp. 1-12.

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증