[논문]케이슨식 안벽 항만시설의 성능저하패턴 연구

나용현; 박미연; 장신우

doi:10.15683/kosdi.2022.3.31.146

케이슨식 안벽 항만시설의 성능저하패턴 연구
A Study on the Performance Degradation Pattern of Caisson-type Quay Wall Port Facilities 원문보기

한국재난정보학회논문집 = Journal of the Society of Disaster Information, v.18 no.1 = no.55, 2022년, pp.146 - 153

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

초록
AI-Helper

연구목적: 국내 항만시설의 경우 사용년수가 오래된 항만구조물은 선박의 대형화 및 사용빈도 증가, 기후변화에 따른 자연재해의 영향 등으로 안전과 기능적 측면에서 상당히 많은 문제가 있다. 항만시설의 유지관리 이력 데이터를 기반으로 시설 노후화 패턴을 예측 할 수 있는 근사모델 개발을 위하여 빅데이터 분석 방법을 연구하였다. 연구방법: 본 연구에서는 케이슨식 안벽에 유지관리 데이터 수집하여 빅데이터를 바탕으로 시설물의 노후화 패턴 및 성능저하를 확인하기 위한 예측모델을 도출하였다. 가우시안 프로세스(GP)과 선형보간(SLPT) 기법을 통하여 생성된 상태기반 노후도 패턴 예측모델을 제안하고 유효성 검토를 통해 빅데이터 적용에 적합한 모델을 비교하고 제안하였다. 연구결과: 제안된 기법을 검토한 결과 SLPT기법은 RMSE 및 는 0.9215와 0.0648로 SLPT기법의 예측모델이 보다 더 적합한 것으로 검토 되었다. 결론: 이러한 연구를 통해 빅데이터 기반 시설물 성능저하 예측 연구는 유지관리를 위환 의사결정에서 중요한 체계가 될 것으로 기대된다.

Abstract ▼ AI-Helper

Purpose: In the case of domestic port facilities, port structures that have been in use for a long time have many problems in terms of safety performance and functionality due to the enlargement of ships, increased frequency of use, and the effects of natural disasters due to climate change. A big data analysis method was studied to develop an approximate model that can predict the aging pattern of a port facility based on the maintenance history data of the port facility. Method: In this study, member-level maintenance history data for caisson-type quay walls were collected, defined as big data, and based on the data, a predictive approximation model was derived to estimate the aging pattern and deterioration of the facility at the project level. A state-based aging pattern prediction model generated through Gaussian process (GP) and linear interpolation (SLPT) techniques was proposed, and models suitable for big data utilization were compared and proposed through validation. Result: As a result of examining the suitability of the proposed method, the SLPT method has RMSE of 0.9215 and 0.0648, and the predictive model applied with the SLPT method is considered suitable. Conclusion: Through this study, it is expected that the study of predicting performance degradation of big data-based facilities will become an important system in decision-making regarding maintenance.

주제어

표/그림 (6)

그림 Fig. 1. Correlation between the amount of facility history information and big data analysis
그림 Fig. 2. Factors influencing big data analysis of quay facilities
표 Table 1. Condition data by member damage type of caisson port facilities
그림 Fig. 3. Gaussian Process based prediction model
그림 Fig. 4. SLPT based prediction model
표 Table 2. Prediction accuracy of techniques

AI 본문요약
AI-Helper

문제 정의

그러나 유지관리 활동을 통해 보수보강 실시 후 이로인한 성능 개선을 확인할 수 있는 진단 정보와 연계성을 확인하기는 어려운 실정이다. 본 연구에서는 수집된 국내 케이슨식 항만시설물의 정밀안전진단 결과 데이터를 바탕으로한 노후화 패턴 예측모델 제안하고 검토함으로써 시설물의 성능저하확률을 사용년수경과에 따른 변화추의를 분석하여 이를 바탕으로 보수보강 의사결정을 지원하는 기술로써 연구를 수행하였다.
시설정보를 기반으로 연구한 빅데이터 기반 성능저하 예측 분석은 성능저하에 영향을 주는 인자를 바탕으로 수집된 데이터가 많을수록 예측정확도가 좋은 추정모델을 제시한다. 본 연구에서는 취합 가능한 데이터를 기반으로 케이슨식 안벽시설에 대한 이력정보롸 영향인자를 기반으로 성능저하 모델을 생성하고 추세 그래프를 도출하였다. 본 논문에서 제안한 가우시안 프로세스(GP) 기법으로 도출된 노후화 패턴 예측모델에 선형보간방법을 적용하여 예측모델의 오차를 최소화하는 방법을 사용하여 생성된 근사모델에 대하여 유효성 검증을 통해 적합한 예측모델을 제안하였다.
본 연구에서는 항만시설의 유지관리 이력 데이터를 기반으로 시설 노후화 패턴을 예측 할 수 있는 분석기술 개발을 위하여 빅데이터 분석 방법을 통해 상태변화를 빅데이터 기반 이력 데이터를 통해 분석하여 항만 시설물의 유지관리 의사결정을 지원하여 계획수립과 재원을 확보할 수 있는 기반 마령에 기여하고자 한다. 유지관리 이력 정보를 수집과 데이터화에 그치지 않고 다양한 시설정보를 기반으로 구조형식별로 내재된 노후화 패턴을 찾아내고 분석하여 성능저하패턴을 도출하는 연구를 수행 하였다.
본 연구에서는 해역, 구조형식, 주변환경 등의 주요 특성들을 수집 정리한 빅데이터를 통해 정기적으로 수행되고 있는 상태진단 결과를 바탕으로 사용수명에 따라 노후화 패텅을 분석할 수 있는 예측모델을 제안하였다. 즉, 빅데이터 기반 정보를 바탕으로 머신러닝 분석 기법을 통해 시설의 상태기반 노후화 예측 모델로 성능저하 수준을 추정함으로서 이력 데이터가 부족하거나 신설된 시설에 대해서도 성능저하 추세 파악을 수행하였다.
정밀안전진단을 통해 평가된 시설의 상태등급 데이터를 기반으로 생성된 예측모델로써 본 논문에서 검토된 안벽타입의 케이슨식 시설과 동일한 시설에 대해 성능저하 추세를 검토하기 위한 방법으로 제안될 수 있다.

제안 방법

본 연구에서는 취합 가능한 데이터를 기반으로 케이슨식 안벽시설에 대한 이력정보롸 영향인자를 기반으로 성능저하 모델을 생성하고 추세 그래프를 도출하였다. 본 논문에서 제안한 가우시안 프로세스(GP) 기법으로 도출된 노후화 패턴 예측모델에 선형보간방법을 적용하여 예측모델의 오차를 최소화하는 방법을 사용하여 생성된 근사모델에 대하여 유효성 검증을 통해 적합한 예측모델을 제안하였다. 비교 검토 결과 SLPT기법은 RMSE 및 는 0.
본 연구는 케이슨식 항만시설의 구조형식별 유지관리 이력 정보를 기반으로 빅데이터 분석을 수행하였다. 시설정보를 기반으로 연구한 빅데이터 기반 성능저하 예측 분석은 성능저하에 영향을 주는 인자를 바탕으로 수집된 데이터가 많을수록 예측정확도가 좋은 추정모델을 제시한다.
위 그림과 같이 시설에 대한 기본정보와 상세 이력정보로 구분된다. 시설물의 성능변화 특성을 파악하기 위하여 주요인자를 도출하고 이를 바탕으로 빅데이터 기반 노후화 패턴 예측 모델을 개발하였다.
본 연구에서는 항만시설의 유지관리 이력 데이터를 기반으로 시설 노후화 패턴을 예측 할 수 있는 분석기술 개발을 위하여 빅데이터 분석 방법을 통해 상태변화를 빅데이터 기반 이력 데이터를 통해 분석하여 항만 시설물의 유지관리 의사결정을 지원하여 계획수립과 재원을 확보할 수 있는 기반 마령에 기여하고자 한다. 유지관리 이력 정보를 수집과 데이터화에 그치지 않고 다양한 시설정보를 기반으로 구조형식별로 내재된 노후화 패턴을 찾아내고 분석하여 성능저하패턴을 도출하는 연구를 수행 하였다.
본 연구에서는 해역, 구조형식, 주변환경 등의 주요 특성들을 수집 정리한 빅데이터를 통해 정기적으로 수행되고 있는 상태진단 결과를 바탕으로 사용수명에 따라 노후화 패텅을 분석할 수 있는 예측모델을 제안하였다. 즉, 빅데이터 기반 정보를 바탕으로 머신러닝 분석 기법을 통해 시설의 상태기반 노후화 예측 모델로 성능저하 수준을 추정함으로서 이력 데이터가 부족하거나 신설된 시설에 대해서도 성능저하 추세 파악을 수행하였다. 빅데이터를 활용한 상태기반 노후화 예측 모델에 활용된 주요인자들은 Fig.
케이슨식 항만 시설물의 상태특성을 파악하기 위해 정밀안전진단 보고서를 활용하였으며, 수집한 안벽의 상태등급 데이터 이력기반의 빅데이터를 통해 본 논문에서는 GP 및 SLPT기법을 활용하여 예측모델을 각각 생성하였다. 항만시설물 중 안벽타입의 케이슨식 시설의 빅데이터를 바탕으로 생성된 예측모델은 Fig.

대상 데이터

케이슨식 항만시설의 유지관리 데이터는 정밀안전진단 보고서를 기반으로 수집한 유지관리 이력 데이터로 성능저하 예측모델을 생성하기 위한 데이터를 수집하였다. Table 1과 같이 시설에 대한 구조형식, 선석규모, 연장, 준공년도, 상태등급 등의 데이터를 수집하였다. 수집된 데이터의 분석을 위해 수치화 하였으며 성능저하 추세에 상반된 영향을 주는 인자를 범위에서 제외하였다.
수집된 데이터의 분석을 위해 수치화 하였으며 성능저하 추세에 상반된 영향을 주는 인자를 범위에서 제외하였다. 본 분석에서 사용한 케이슨식 안벽의 총 데이터의 개수는 230여개를 활용하였다.
일반적으로 빅데이터 분석에 활용되는 머신러닝 기법은 항목별로 수치화된 데이터를 기반으로 기계학습에 사용되며 예측모델 생성과 테스트의 종류는 크게 3가지로 분류된다. 첫 번째로 시설에 대해 수치화된 데이터로 노후화 패턴을 분석하여 성능저하확률을 예측하기 위한 근사모델을 생성하는 학습데이터와 학습된 모델의 오차를 감소 시키기 위한 검토 데이터가 있으며 제안된 기법에 대한 성능저하예측모델 검증을 위한 테스트 데이터가 있다.
케이슨식 항만시설의 유지관리 데이터는 정밀안전진단 보고서를 기반으로 수집한 유지관리 이력 데이터로 성능저하 예측모델을 생성하기 위한 데이터를 수집하였다. Table 1과 같이 시설에 대한 구조형식, 선석규모, 연장, 준공년도, 상태등급 등의 데이터를 수집하였다.

이론/모형

본연구에 제안된 분석 기법은 GP(Gaussian Process) 기법으로 성능예측모델을 생성하였으며 예측모델 오차범위를 줄이기 위한 선형보간방법(SPLT)을 적용하여 안벽타입의 케이슨식 시설을 대상으로 분석을 수행하였다.

성능/효과

본 연구는 케이슨식 항만시설의 구조형식별 유지관리 이력 정보를 기반으로 빅데이터 분석을 수행하였다. 시설정보를 기반으로 연구한 빅데이터 기반 성능저하 예측 분석은 성능저하에 영향을 주는 인자를 바탕으로 수집된 데이터가 많을수록 예측정확도가 좋은 추정모델을 제시한다. 본 연구에서는 취합 가능한 데이터를 기반으로 케이슨식 안벽시설에 대한 이력정보롸 영향인자를 기반으로 성능저하 모델을 생성하고 추세 그래프를 도출하였다.
항만 시설물에 대하여 지속적인 유지관리 활동은 성능을 유지하는데 실효성을 가지다는 것을 주기적인 점검결과를 통해 성능개성과 장수명화에 기여하고 있는 것을 확인할 수 있다. 그러나 유지관리 활동을 통해 보수보강 실시 후 이로인한 성능 개선을 확인할 수 있는 진단 정보와 연계성을 확인하기는 어려운 실정이다.

후속연구

본 논문에서 제안한 가우시안 프로세스(GP) 기법으로 도출된 노후화 패턴 예측모델에 선형보간방법을 적용하여 예측모델의 오차를 최소화하는 방법을 사용하여 생성된 근사모델에 대하여 유효성 검증을 통해 적합한 예측모델을 제안하였다. 비교 검토 결과 SLPT기법은 RMSE 및 는 0.9215와 0.0648로 SLPT기법을 적용하였을 때 보다 적합한 성능예측 결과가 검토되었으며 이러한 연구를 통해 빅데이터 기반 시설물 성능저하 예측 연구는 유지관리를 위환 의사결정에서 중요한 체계가 될 것으로 기대된다.

참고문헌 (8)

Port Association (2010). Unit Model Development for LCC Analysis Program at Port Facility Design Stage, p. 40.
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.
Kim, H.J., Ju, G.N., Yun, C.H. (2012). "Science big data processing technology trend." The Korea Institute of Information and Communication Engineering, Vol. 29, No. 11, pp. 11-23.
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.
Kim, D.H., Jo, B.W. (2021). "A study on the development of a fire site risk prediction model based on initial information using big data analysis." Journal of the Korea Society of Disaster Information, Vol. 17, No. 2, pp. 245-253.
Rasmussen, C.E. (2004). Gaussian Processes in Machine Learning. Advanced Lectures on Machine Learning, pp. 63-71.
Belyaev, M., Burnaev, E., Kapushev, Y. (2015). "Gaussian process regression for structured data sets." Lecture Notes in Artificial Intelligence, Proceedings of SLDS, Vol. 9047, pp. 106-115.
Tan, M.H.Y, Li, G. (2019). "Gaussian process modeling using the principle of superposition." Technometrics, Vol. 61, No. 2, pp. 202-218.

상세보기

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