Machine learning-based strategy for operational intelligence of long-span bridges

Abstract

This study proposes general development frameworks for machine-learning (ML)-based operational intelligence to assist existing bridge operational systems of long-span bridges. The frameworks address two wind-induced problems currently occurring on bridges worldwide: 1) vortex-induced vibration (VIV), and 2) accidents of vehicles overturning during typhoons. The first part of the study introduces a developmental framework for data-driven automated VIV classification of long-span bridges. VIV is one of the most critical problems in the serviceability assessment of long-span bridges. This part proposes a structural health monitoring (SHM) data-driven framework for automated VIV classification by using a fully connected layer (FCL). VIV characteristics are analyzed using massive amounts of monitoring data of the investigated bridge, and then the appropriate features for developing the FCL are determined based on well-established wind engineering knowledge. A novel soft labeling method is suggested with pre-defined accuracy criteria for comprehensive parametric studies to build a customized classification model for each bridge. The second part presents a developmental framework for data-driven short-term forecasting of typhoon-induced strong winds. Wind-induced accidents have become a major issue related to potential safety problems for vehicles during typhoons. The proposed monitoring data-driven framework for short-term forecasting of typhoon-induced strong winds adopts an ML approach based on long short-term memory. The training and test data employed 17 years of monitoring data collected from both an SHM system and the Regional Specialized Meteorological Center (RSMC) in Japan. A novel grid search-based training optimization process was adopted for building a customized prediction model for each bridge. The prediction models were developed to forecast strong winds six hours in advance, which is sufficient time to prepare for the arrival of an anticipated wind disaster. For a numerical application, the developed frameworks were applied to the Gwangan and Cheonsa Bridges, both located in South Korea, to assess their field applicabilities. The validation results provided valuable insight into how potential wind hazards could be effectively monitored using an ML-based approach to ensure the operational integrity of long-span bridges.

본 연구는 장대교량에서 바람에 의해 발생할 수 있는 와류진동과 차량 전복사고를 모니터링 할 수 있는 머신러닝기반 지능운영전략 구축을 위한 프레임워크를 제시하였다. 이를 통해 현재 교량에서 발생하고 있는 와류진동을 자동으로 분류하고, 태풍에 의한 강풍발생 시간범위를 예측하여 신속하고 면밀한 제진 대책과 교통통제전략 수립에 기여하고자 하였다. 본 연구에서 구축된 두개의 프레임 워크는 실제 국내에서 운용되고 있는 장대교량에 적용하여 성능검토를 수행하였다. 데이터 기반 와류진동 자동분류 프레임워크는 기존의 풍공학적 지식을 토대로 와류진동 발생과 연관된 적절한 훈련특성들을 선정하고, 완전연결신경망을 도입하여 교량 거더의 진동 및 외부 환경조건들과 와류진동발현 사이의 다차원적인 관계의 효과적인 학습을 유도하였다. 본 연구에서는 교량마다 개별화된 모델을 구축할 수 있도록 하기 위하여 적절한 훈련데이터 생성을 위한 소프트라벨링 방법론을 제시하였다. 제안된 모델은 국내 장대교량에 적용하여 성능검토를 진행하였으며, 기계가 구조 건전성 모니터링 데이터를 기반으로 높은 정확도 수준에서 와류진동을 자동으로 학습하고 선별할 수 있음을 검증할 수 있었다. 데이터 기반 태풍에 의한 강풍예측 프레임워크는 기존의 풍공학적 지식을 토대로 강풍 발생과 연관된 적절한 훈련특성들을 선정하고, 시계열 학습이 가능한 장단기 메모리 신경망 모델을 도입하여, 태풍과 교량사이의 거리, 태풍의 압력, 중심최대풍속, 그리고 교량에서의 측정된 풍속과 강풍 발생시점 사이의 다차원적인 관계의 효과적인 학습을 유도하였다. 본 연구에서는 교량마다 개별화된 모델을 구축할 수 있도록 하기 위하여 태풍선별 기법과 적절한 훈련데이터 생성을 위한 그리드탐색 기반 파라메터 최적화기법을 제시하였다. 제안된 모델은 2020년 한반도를 통과한 태풍들에 대해 성능검토를 진행하였으며, 유의미한 수준에서 강풍 발생시점을 예측할 수 있음을 검증할 수 있었다. 상기 검토결과를 근거로 본 연구에서 제시한 데이터기반 프레임워크들은 바람에 의해서 발생할 수 있는 두가지 문제들을 모니터링하기 위해서 유용하게 활용가능한 근거자료를 제공할 수 있을 것으로 기대되는 바이다.