[논문]빅데이터 분석을 통한 중력식 항만시설 수정프로젝트 레벨의 상태변화 특성 분석

나용현; 박미연; 장신우

doi:10.15683/kosdi.2021.6.30.254

[국내논문] 빅데이터 분석을 통한 중력식 항만시설 수정프로젝트 레벨의 상태변화 특성 분석
A Study on Condition Analysis of Revised Project Level of Gravity Port facility using Big Data 원문보기

한국재난정보학회논문집 = Journal of the Society of Disaster Information, v.17 no.2 = no.52, 2021년, pp.254 - 265

나용현 (SH Tech & Policy Institute Co.) , 박미연 (SH Tech & Policy Institute Co.) , 장신우 (RaonX Solutions Inc.)

초록
AI-Helper

연구목적: 국내 항만시설의 진단을 통한 성능 및 안전에 대한 점검과 진단을 20년 넘게 진행되었지만 그 진단 이력과 결과를 활용한 중장기적인 시설개선과 성능개선을 위한 발전전략이나 방향이 현실적으로 작동하지 않고 있다. 특히, 사용년수가 오래된 항만구조물의 경우, 선박의 대형화와 사용빈도 증가, 기후변화로 인한 자연재해의 영향 등으로 안전성능과 기능적 면에서 상당히 많은 문제점을 내포하고 있다. 연구방법: 본 연구에서는 중력식 안벽에 대한 부재수준의 유지관리 이력 데이터를 수집하여 이를 빅데이터로써 정의하고 해당 데이터를 바탕으로 프로젝트 수준의 시설물의 노후화 패턴 및 열화를 추정하기 위한 예측근사모델을 도출하였다. 특히 GP 및 SGP 기법의 머신러닝 알고리즘을 통하여 생성된 상태기반 노후도 패턴 및 열화 근사모델에 대한 유효성 검토를 통해 빅데이터 활용에 적합한 모델을 상호비교하고 제안하였다. 연구결과: 제안된 기법의 적합성을 검토한 결과 GP기법은 RMSE 및 R²는 0.9854와 0.0721, SGP기법은 0.7246과 0.2518로 GP기법을 적용한 예측모델이 적합한 것으로 검토 되었다. 결론: 머신러닝 기법을 통해 이러한 연구는 향후 항만시설 데이터취합이 지속적으로 이루어진다면 향후 항만시설 투자의사결정에 중요한 역할을 할 것으로 기대한다.

Abstract ▼ AI-Helper

Purpose: Inspection and diagnosis on the performance and safety through domestic port facilities have been conducted for over 20 years. However, the long-term development strategies and directions for facility renewal and performance improvement using the diagnosis history and results are not working in realistically. In particular, in the case of port structures with a long service life, there are many problems in terms of safety and functionality due to increasing of the large-sized ships, of port use frequency, and the effects of natural disasters due to climate change. Method: In this study, the maintenance history data of the gravity type quay in element level were collected, defined as big data, and a predictive approximation model was derived to estimate the pattern of deterioration and aging of the facility of project level based on the data. In particular, we compared and proposed models suitable for the use of big data by examining the validity of the state-based deterioration pattern and deterioration approximation model generated through machine learning algorithms of GP and SGP techniques. Result: As a result of reviewing the suitability of the proposed technique, it was considered that the RMSE and R2 in GP technique were 0.9854 and 0.0721, and the SGP technique was 0.7246 and 0.2518. Conclusion: This research through machine learning techniques is expected to play an important role in decision-making on investment in port facilities in the future if port facility data collection is continuously performed in the future.

주제어

표/그림 (10)

그림 Fig. 1. The trend of condition index in change of the time
그림 Fig. 2. Cases of deterioration model development by member unit
그림 Fig. 3. The amount of information available and the level of big data analysis
그림 Fig. 4. Factors influencing big data analysis of quay facilities
표 Table 1. Gravity-type quay port facility data
표 Table 2. Condition data by member damage type of gravity port facilities
그림 Fig. 5. Gaussian process based degradation prediction model
그림 Fig. 6. Sparse Gaussian process based degradation prediction model
그림 Fig. 7. Comparison of models (GP and SGP)
표 Table 3. Prediction accuracy of techniques

참고문헌 (11)

Belyaev, M., Burnaev, E., Kapushev, Y. (2015). "Gaussian process regression for structured data sets." Lecture Notes in Artificial Intelligence, International Symposium on Statistical Learning and Data Sciences, Vol. 9047, pp. 106-115.
Belyaev, M., Burnaev, E., Kapushev, Y. (2016). "Computationally efficient algorithm for Gaussian Process regression in case of structured samples." Computational Mathematics and Mathematical Physics, Vol. 56, No. 4, pp. 499-513.

상세보기
Burnaev, E., Panov, M.. Zaytsev, A. (2016). "Regression on the basis of non-stationary gaussian processes with bayesian regularization." Journal of Communications Technology and Electronics, Vol. 61, pp. 661-671.

상세보기
Burnaev, E., Zaytsev, A. (2015). "Surrogate modeling of mutlidelity data for large samples." Journal of Communications Technology & Electronics, Vol. 60, pp. 1348-1355.

상세보기
Cha, K.H., Kim, S.W., Kim, J.H., Park, M.Y., Kong, J.S. (2015). "Development of the deterioration models for the port structures by the multiple regression analysis and Markov chain." Computational Structural Engineering Institute of Korea, Vol. 28, No. 3, pp. 229-239.

원문보기 상세보기
Kim, H.J., Ju, G.N., Yun, C.H. (2012). "Science big data processing technology trend." The Korea Institute of Information and Commucation Engineering, Vol. 29, No. 11, pp. 11-23.
Kim, S.W., Cha, K.H., Kim, J.H., Park, M.Y., Kong, J.S. (2012). "Development of condition state model for open type wharf considering deterioration factors." Korean Society of Civil Engineers, Vol. 28, No.3, pp. 2138-2141.
Rasmussen, C.E. (2004). Gaussian Processes for Machine Learning. MIT Press, Massachusetts, USA, pp. 63-71.
Rasmussen, C.E., Williams, C.K.I. (2005). Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning), The MIT Press, Massachusetts, US.
Song, M.G., Kim, S.B. (2013). "A study of improving reliability on prediction model by analyzing method big data." The Journal of Digital Policy & Management, Vol. 11, pp. 103-112.
Port Association (2010). Unit Model Development for LCC Analysis Program at Port Facility Design Stage, p. 40.

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