Bridge Damage Identification and Its Severity Estimation Using Artificial Intelligence

Abstract

교량 점검은 교량 유지관리를 위한 기반 정보를 얻는 중요한 단계이다. 근래에 들어 노후화된 교량의 수가 급증하고 있으나 점검 예산 및 시간과 전문 인력의 수가 부족하여 점검의 품질이 저하될 위험이 있다. 본 연구에서는 인공지능을 활용하여 교량 손상의 영향 인자를 규명하고 특정 시점에 점검 대상 교량에서 발생하는 손상의 유형, 위치, 등급, 심각도 등 점검자에게 유용한 정보를 추정하는 기법을 개발하였다. 연구 대상은 프리스트레스트 콘크리트 I형 (Pre-Stressed Concrete I type, PSCI) 교량의 바닥판이며, 발생 가능한 구조적 균열, 망상균열, 박리, 파손, 백태, 철근 노출 및 부식 등 총 7가지 손상유형을 고려하였다. 먼저 한국건설기술연구원에서 관리하고 있는 교량유지관리 시스템 (Korean Bridge Management System, KOBMS)의 제원, 구조, 교통량, 점검데이터와 기상청으로부터 수집된 기상데이터를 가공하여 59개의 독립변수와 2개의 종속변수로 구성된 투입 데이터를 구성하였다. 다음으로 상관분석기법을 활용하여 유사한 영향력을 가진 각 변수 쌍에서 의미적 중요도를 고려하여 11개 변수를 제거하였고, 인공지능기법 중 하나인 의사결정나무방법 3가지를 비교하였으며, 그 결과 가장 높은 성능을 보인 Extreme Gradient Boosting (XGBoost)를 이용하여 손상유형별 영향인자를 도출하였다. 바닥판에 발생하는 손상유형 전반에 대해 고정하중과 활하중, 공용년수, 상대습도, 거더강도가 주요 영향인자로 규명 되었다. 손상유형별로는 각 특성과 관련 있는 제원, 구조, 환경적 인자들이 도출되었다. 이러한 과정을 통해 도출한 7가지 손상유형별 영향인자를 투입하여 손상물량으로 정의된 심각도를 추정하는 인공지능 모델을 심층신경망 (Deep Neural Networks, DNN)기법과 XGBoost를 활용하여 개발하였다. 연구 결과, 더 높은 정확도를 보이는 22개의 세부모델로 구성된 XGBoost 모델을 최종 모델로 선정하였다. 개발한 모델을 활용하여 발생 가능한 손상을 위치별로 나타낸 손상 포트폴리오를 개별 및 지역별로 생성하는 시스템을 개발하였으며, 모델 확장 가능성 확인을 위해 PSCI 형식 교량의 거더 부재에 대해 동일한 방법론을 적용하여 손상 규명 및 심각도 추정 모델이 확장 가능함을 확인하였다. 본 연구는 산재되어 있었던 교량의 여러 손상유형별 영향인자에 대한 지식을 바닥판 점검 데이터를 활용하여 정량적으로 규명하였으며, 인공지능 기법을 활용하여 점검 지원 정보를 체계적으로 생산한 선구적인 시도이다. 본 연구에서 개발한 인공지능 기법을 활용하여 기존에 관리되고 있던 교량뿐만 아니라, 과거 점검 이력이 없는 교량에 대해서도 점검에 필요한 추정 정보를 사전에 제공함으로써 점검 시간과 점검 누락 위험을 감소시킬 수 있다. 또한 점검 대상 교량이 다수인 경우, 이에 대한 점검 우선 순위를 제공함으로써 점검 시간, 예산, 인력을 효율적으로 분배할 수 있도록 한다. 본 연구결과의 다양한 부재와 구조형식으로의 확장을 통해 교량의 생애주기 비용 감소와 교량 수명 연장에 기여할 수 있으며, 나아가 안전한 사회 구현에 기여할 수 있을 것으로 기대된다.

Bridge inspection is a fundamental step in obtaining infrastructure condition information for the bridge management cycle. In recent years, the number of aged bridges has increased rapidly, so the quality of inspection can be reduced due to the limits on the budget, time, and the number of qualified inspectors. Therefore, the aim of this research was to provide information to inspectors in advance of their inspections, such as the type, location, grade, and severity of the damage that has occurred on the bridge to be inspected at a specific time. To accomplish this goal, the factors that influence bridge damage was identified, and a model was developed to estimate damage using artificial intelligence. The research target was the deck of a pre-stressed concrete I-type (PSCI) bridge focusing on seven types of damage, i.e., cracking, map cracking, scaling, breakage, leakage, efflorescence, and corrosion of exposed rebar. First, the identification, structural, traffic, and inspection data were obtained from the Korean Bridge Management System (KOBMS), which is managed by the Korea Institute of Civil Engineering and Building Technology. Then, weather data were collected from the Korea Meteorological Administration. After preprocessing, the input data consisted of 59 independent variables and two dependent variables. Next, a correlation analysis was performed to remove 11 variables, taking into account the higher importance among the pairs with similar impact on the grade of the damage. Using the artificial intelligence approach, three kinds of decision tree methods were applied, and Extreme Gradient Boosting (XGBoost), which had the best performance, was used to derive the influencing factors for each type of damage. In general, dead load, live load, age, girder strength, and relative humidity were determined to be the most frequent influencing variables. Then, identification, structural and environmental factors associated with each type of damage were extracted. Using Deep Neural Networks (DNN) and XGBoost, artificial intelligence models were developed to estimate the severity levels of the various types of damage using the identified influencing variables. As a result, the XGBoost model, which was composed of 22 detailed models and showed the highest accuracy, was selected as the final model, and it was used to generate portfolios of damage individually and regionally that indicated the location-specific damage that may occur. The same methodology was used to assess the girders of PSCI bridges to confirm the possibility of expanding the model. In this dissertation, the scattered quantitative information about the factors that influence damage to bridges was assembled and clarified by using deck inspection data. This is a pioneering attempt to use artificial intelligence techniques to produce information in advance of inspections to support those inspections. The developed methodology can provide information about existing managed bridges as well as bridges that have no past inspection history. By providing this information about bridges before they are inspected, the time required for the inspections and the risk of the quality degradation of bridge inspections can be reduced. In addition, it will be possible to distribute inspection times, budgets, and human resources efficiently by providing inspection priorities among the number of bridges to be inspected. This research can contribute to the reduction of the lifecycle cost of the bridges and the extension of the life of the bridges through the expansion of this research with various components and structural forms, which shows the potential for leading a safer society.