[논문]인공지능 기반의 교량 보수공법 선정 기술 개발을 위한 선행 분석

김종협; 정인수; 윤원건; 김정렬; 박인석

doi:10.21289/ksic.2021.24.6.861

Abstract ▼ AI-Helper

An efficient cost management is important for the domestic social overhead capital(SOC) based on a long lifecycle after 30 years since completion. Maintenance in South Korea have had the restrictions of consistency and suitability of decision-making by the establishment of a budget plan based on the...

An efficient cost management is important for the domestic social overhead capital(SOC) based on a long lifecycle after 30 years since completion. Maintenance in South Korea have had the restrictions of consistency and suitability of decision-making by the establishment of a budget plan based on the company estimate and repair and reinforcement methods determined by the inspection and diagnosis engineers' subjective determination for each facility. To resolve this issue, the Korea Institute of Civil Engineering and Building Technology is currently in development of a methodology to propose an optimum maintenance method according to the damage of components by artificial intelligence. This study has deduced the primary factors by analyzing information generated during bridge maintenance and management as a prior step for the development of technologies, and conducted a preliminary analysis to select the optimum artificial intelligence technology.

주제어

표/그림 (9)

그림 Fig. 1 The process for deducting factors selecting repair and rehabilitation methods of bridges
표 Table 1. Basic statistics for data collected
표 Table 1. Continue
표 Table 2. The result of Pearson correlation analysis
표 Table 3. The result of chi square test and Cramer's v
표 Table 3. Continue
표 Table 4. The result of multicollinearity diagnostics
그림 Fig. 2. The results of applying AI algorithms
표 Table 4. Continue

AI 본문요약
AI-Helper

문제 정의

국내 유지관리 업무에서는 대상 시설별 점검·진단 엔지니어의 주관적 판단에 의한 보수·보강 방법 결정과 업체의 견적에 따른 관리 예산계획 수립으로 의사결정의 일관성 및 적정성에 한계를 가지고 있다. 따라서 본 연구에서는 교량 유지관리 업무 중 발생한 정보를 분석하여 주요 영향요인을 도출하고 최적의 인공지능 기술을 선정하기 위한 분석을 수행하였다.
따라서 본 연구에서는 위 연구의 기술 개발을 위한 선행 단계로서, 교량 유지관리 업무 중 발생한 정보를 분석하여 보수보강 공법 선정을 위한 주요 영향요인을 도출하고 최적의 인공지능 기술을 선정하기 위한 선행 분석을 수행하고자 한다.

제안 방법

연구에는 총 56개 변수로 이루어진 994개 데이터가 사용되었으며, 피어슨 상관분석, 카이제곱분 석, 다중공선성 분석을 통해 영향요인 13개가 도출되었다. 결과의 검증과 더불어 보수보강 공법 선정을 위한 최적 알고리즘 선정을 위한 선행 분 석으로써, 인공지능(AI) 알고리즘 2종에 대하여 분 석결과를 적용하였다. 분석 결과, 두 가지 알고리즘에서 모두 70% 이상으로, 비교적 높은 정확도가 나타났으며, 도출된 공법선정 영향요인은 비교적 적합한 것으로 판단할 수 있다.

대상 데이터

본 연구에서는 교량 유지관리 업무 중 발생한 정보를 분석하여 보수보강 공법선정의 주요 영향 요인을 도출하고 최적의 인공지능 기술을 선정하기 위한 선행 분석을 위하여, BMS에 축적된 보 수보강 관련 데이터 222,604건(2009-2021년) 중 RC슬라브(상부구조)-슬라브(부재)-균열(손상)에 해당하는 데이터 994개를 이용하였다. 데이터의 변수는 총 56개이며, 연속형 변수 19개, 명목형 변수 37개로 구성되어 있다. 연속형 변수는 입력값을 그대로 사용하였으며, 명목형 변수는 분석을 위하여 수치로 전환하여 적용하였다.
본 분석에서 다룬 교량 보수관련 변수는 총 56 개이며, 연속형 변수 19개, 명목형 변수 37개로 구성된다. 변수 별 기초 통계량은 Table 1과 같다.
본 연구에서는 교량 유지관리 업무 중 발생한 정보를 분석하여 보수보강 공법선정의 주요 영향 요인을 도출하고 최적의 인공지능 기술을 선정하기 위한 선행 분석을 위하여, BMS에 축적된 보 수보강 관련 데이터 222,604건(2009-2021년) 중 RC슬라브(상부구조)-슬라브(부재)-균열(손상)에 해당하는 데이터 994개를 이용하였다. 데이터의 변수는 총 56개이며, 연속형 변수 19개, 명목형 변수 37개로 구성되어 있다.

데이터처리

보수공법과 상관관계가 존재하는 명목형 변수를 도출하기 위해 카이제곱 검정(Chi square Test)을 수행하였다. 일반적으로 수량적 특성을 반영하는 질적/ 양적 변수와 다르게 자료의 특성에 의해 구분되는 변수 중 이산형 변수를 범주형 변수라 한다.
상기 상관분석 및 카이제곱 검정으로 도출된 16개의 보수공법 상관변수간 다중공선성(Multicollinearity) 을 검증하였다. 선형 회귀분석은 다음과 같은 네 가지 기본가정(①선형성, ②독립성, ③등분산성, ④ 정규성)이 존재하며, 위 기본가정을 만족하지 않을시 제대로 된 선형 회귀모델이 생성될 수 없다.
앞서 설명된 데이터를 활용하여 교량 보수보강 공법 선정을 위한 영향요인을 도출하기 위하여 통계 분석을 수행하였다. 영향요인 도출을 위한 분석내용 은 총 네 가지이며, 교량 보수공법 등 56개 변수의 기초 통계량 분석, 연속형 변수와 명목형 변수간 연 관분석, 연속형 변수간 상관분석, 공선성 진단을 통한 교량 보수공법 및 보수단가 주요 영향요인 도출 을 실시하였으며 분석에는 PASW Statistics(SPSS) ver.
앞서 설명된 데이터를 활용하여 교량 보수보강 공법 선정을 위한 영향요인을 도출하기 위하여 통계 분석을 수행하였다. 영향요인 도출을 위한 분석내용 은 총 네 가지이며, 교량 보수공법 등 56개 변수의 기초 통계량 분석, 연속형 변수와 명목형 변수간 연 관분석, 연속형 변수간 상관분석, 공선성 진단을 통한 교량 보수공법 및 보수단가 주요 영향요인 도출 을 실시하였으며 분석에는 PASW Statistics(SPSS) ver. 18이 이용되었다.
보수공법 영향요인은 명목형 변수이므로 도출을 위한 분석 절차는 다음과 같이 수행되었다. 첫째, 피어슨 상관분석(Pearson correlation analysis)을 통한 보수공법과 연속형 변수간 상관변수를 도출하고, 둘째, 카이제곱 검정을 통한 보수공법과 범주형 변수간 연관변수 도출, 셋째, 도출된 변수간 다중공선성 진단을 통해 영향요인 도출을 실시하였다. 이를 정리하면 Fig.

이론/모형

모델의 구축은 BMS 데이터 994개 사용하여 수행되었으며, 10-fold Cross-validation 방법을 이용하여 훈련 및 테스트를 수행하였다. 공법분류 시험 결과 Fig.
영향요인 도출 결과의 검증과 더불어 보수보강 공법 선정을 위한 알고리즘 선정을 위하여 머신러닝 (Machine Learning) 알고리즘 2종에 대하여 선정된 변수들을 적용하여 공법 분류의 가능성을 시험하였다. 사용한 분석에 사용된 알고리즘은 규칙 기반의 JRip과 확률 기반의 Naïve Bayes이며, 논문 분량의 제한으로 인하여 알고리즘에 대한 상세한 고찰은 본 연구 범위에서 제외하고자 한다(Weka 사용).

성능/효과

결과의 검증과 더불어 보수보강 공법 선정을 위한 최적 알고리즘 선정을 위한 선행 분 석으로써, 인공지능(AI) 알고리즘 2종에 대하여 분 석결과를 적용하였다. 분석 결과, 두 가지 알고리즘에서 모두 70% 이상으로, 비교적 높은 정확도가 나타났으며, 도출된 공법선정 영향요인은 비교적 적합한 것으로 판단할 수 있다. 따라서 본 연구의 결과는 교량의 부재 손상에 따른 최적 유지관리 공법을 선정하고 현장 상황에 따른 비용산정을 머신 러닝 기반으로 자동화할 수 있는 방안에 대한 연구에 이론적 기여를 할 수 있을 것으로 기대한다.
연구에는 총 56개 변수로 이루어진 994개 데이터가 사용되었으며, 피어슨 상관분석, 카이제곱분 석, 다중공선성 분석을 통해 영향요인 13개가 도출되었다. 결과의 검증과 더불어 보수보강 공법 선정을 위한 최적 알고리즘 선정을 위한 선행 분 석으로써, 인공지능(AI) 알고리즘 2종에 대하여 분 석결과를 적용하였다.

후속연구

그러나 최적 유지관리 공법을 선정하기 위한 알고리즘을 개발 및 적용하기 위해서는 영향요인의 정확도를 현재보다 더 높일 필요성이 있으며, 또한 BMS에서 관리되고 있는 56개 변수가 아닌 외부 변수가 공법선정에 영향을 줄 수 있는 가능성에 대한 검토가 이루어져야 한다. 이를 위해서는 전문가 면담을 통한 변수 검토, 아웃라이어 제거를 통한 데이터 신뢰도 향상 등의 추가 연구가 필요할 것으로 판단한다.
따라서 알고리즘 적용 결과를 바탕으로 본 연구에서 도출된 공법선정 영향요인은 비교적 적합한 것으로 판단할 수 있다. 그러나 최적 유지관리 공법을 선정하기 위한 알고리즘을 개발 및 적용하기 위해서는 영향요인의 정확도를 현재보다 더 높일 필요성이 있으며, 이를 위해서는 전문가 면담을 통한 변수 검토, 아웃라이어 제거를 통한 데이터 신뢰도 향상 등의 추가 연구가 필요할 것으로 판단한다.
분석 결과, 두 가지 알고리즘에서 모두 70% 이상으로, 비교적 높은 정확도가 나타났으며, 도출된 공법선정 영향요인은 비교적 적합한 것으로 판단할 수 있다. 따라서 본 연구의 결과는 교량의 부재 손상에 따른 최적 유지관리 공법을 선정하고 현장 상황에 따른 비용산정을 머신 러닝 기반으로 자동화할 수 있는 방안에 대한 연구에 이론적 기여를 할 수 있을 것으로 기대한다.
이를 위해서는 전문가 면담을 통한 변수 검토, 아웃라이어 제거를 통한 데이터 신뢰도 향상 등의 추가 연구가 필요할 것으로 판단한다. 아울러 보다 다양한 머신러닝 알고리즘의 적용 및 분석을 통해 최적의 알고리즘을 선정할 필요가 있다.
따라서 알고리즘 적용 결과를 바탕으로 본 연구에서 도출된 공법선정 영향요인은 비교적 적합한 것으로 판단할 수 있다. 그러나 최적 유지관리 공법을 선정하기 위한 알고리즘을 개발 및 적용하기 위해서는 영향요인의 정확도를 현재보다 더 높일 필요성이 있으며, 이를 위해서는 전문가 면담을 통한 변수 검토, 아웃라이어 제거를 통한 데이터 신뢰도 향상 등의 추가 연구가 필요할 것으로 판단한다.

참고문헌 (15)

J. Kim, Strategy and Utilization of Local Development Fund for promoting investment of Aging Infrastructure, Construction Issue Focus, Construction Economy Research Institute of Korea, (2020).
Ministry of Land, Infrastructure and Transport, Schematic Planning for Safety and Maintenance of Facilities, (2018)
IPWEA ( Institute of Public Works Engineering Australia), International Infrastructure Management Manual, (2015).
J. Kim, W. Yun, I. Jung, Y. Cha, and T. Park, "Development of an Optimal Maintenance Cost Estimation Framework for Bridge Damage", Proc. of KSCE 2021 CONVENTION, (2021)
Korea Expressway Corporation Research Institute, Prediction model for long-term maintenance costs of highway bridges, Korea Expressway Corporation, (2015).
Ministry of Land, Infrastructure and Transport, Guideline on information management of Bridge Management System, (2018).
S. Cho, B. Kim, and Y. Lee, "Image-Based Concrete Crack and Spalling Detection using Deep Learning." Journal of the Korean Society of Civil Engineers, vol. 66, no. 8, pp. 92-97, (2018).
V. Hoskere, Y. Narazaki, T.A. Hoang, B.F. Spencer Jr., "Vision-based Structural Inspection using Multiscale Deep Conventional Neural Networks.", Proc. of 3rd Huixian International Forum on Earthquake Engineering for Young Researchers, arXiv preprint arXiv:1805.01055, (2017).
Y. Cha, W. Choi, and O. Buyukozturk, "Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks", Computer-Aided Civil and Infrastructure Engineering, vol. 32, no. 5, pp. 361-378, (2017).

상세보기
Y. Bengio, A. Courville, and P. Vincent, Representation Learning: A Review and New Perspectives, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1798-1828, (2014).

상세보기
K. Lee, C. Jeon, M. Zan, E. Lee, and D. Shin, "Conceptual Approach of Preventive Maintenance for Bridge Using Deep Learning-based Damage Sensitive Feature". Proc. of KSCE(KOREAN SOCIETY OF CIVIL ENGINEERS) Convention 2020, pp. 1799-1800, (2020).
S. Lim, Bridge Damage Identification and Its Severity Estimation Using Artificial Intelligence, Ph.D Thesis, The Graduate School of Seoul National University, (2019).
Korea Institute of Civil Engineering and Building Technology, Study on establishing Bridge Management System considering life cycle cost, Ministry of Land, Infrastructure and Transport, (2008)
J. Sun, K. Park, and J. Song, Introduction on Bridge Management System based on Maintenance Information Analysis of Bridges, Journal of the Computational Structural Engineering Institute of Korea, vol. 29, no. 1, pp.16-23, (2016).
H. Akoglu, "User's guide to correlation coefficients." Turkish journal of emergency medicine, vol. 18, no. 3, pp. 91-93, (2018).

상세보기

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

인공지능 기반의 교량 보수공법 선정 기술 개발을 위한 선행 분석
Preliminary Analysis on Artificial Intelligence-based Methodology for Selecting Repair and Rehabilitation Methods of Bridges 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공지능 기반의 교량 보수공법 선정 기술 개발을 위한 선행 분석 Preliminary Analysis on Artificial Intelligence-based Methodology for Selecting Repair and Rehabilitation Methods of Bridges 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

정인수 (17)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공지능 기반의 교량 보수공법 선정 기술 개발을 위한 선행 분석
Preliminary Analysis on Artificial Intelligence-based Methodology for Selecting Repair and Rehabilitation Methods of Bridges 원문보기

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper