KR20230085364A - 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 - Google Patents
인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20230085364A KR20230085364A KR1020210173451A KR20210173451A KR20230085364A KR 20230085364 A KR20230085364 A KR 20230085364A KR 1020210173451 A KR1020210173451 A KR 1020210173451A KR 20210173451 A KR20210173451 A KR 20210173451A KR 20230085364 A KR20230085364 A KR 20230085364A
- Authority
- KR
- South Korea
- Prior art keywords
- deterioration
- data
- degradation
- artificial intelligence
- bridge structure
- Prior art date
Links
- 230000006866 deterioration Effects 0.000 title claims abstract description 181
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 104
- 238000012423 maintenance Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000015556 catabolic process Effects 0.000 claims description 144
- 238000006731 degradation reaction Methods 0.000 claims description 144
- 238000013480 data collection Methods 0.000 claims description 13
- 230000008014 freezing Effects 0.000 claims description 11
- 238000007710 freezing Methods 0.000 claims description 11
- 238000010257 thawing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 7
- 238000003916 acid precipitation Methods 0.000 claims description 5
- 239000004568 cement Substances 0.000 claims description 5
- 239000003245 coal Substances 0.000 claims description 5
- 230000032683 aging Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
교량구조물 유지관리를 위해 다양한 열화환경을 고려하여 열화모델을 구현함으로써 교량구조물의 점검/진단과 같은 유지관리 비용을 줄이고, 유지관리 예산을 효율적으로 배정할 수 있고, 또한, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출함으로써 교량구조물을 용이하게 유지관리할 수 있는, 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법이 제공된다.
Description
본 발명은 교량구조물의 유지관리 시스템에 관한 것으로, 보다 구체적으로, 교량구조물의 유지관리를 위해서 인공지능-기반 열화모델(Deterioration Model)을 생성하여 활용하고, 교량구조물이 시공된 지역별로 노출된 열화환경을 고려하는, 열화모델을 활용한 인공지능-기반 교량구조물의 유지관리 시스템 및 그 방법에 관한 것이다.
일반적으로, 시설물은 건설공사를 통하여 만들어진 구조물과 그 부대시설로서 1종 시설물 및 2종 시설물로 구분되며, 예를 들면, 1종 시설물은 교량, 도로, 철도, 항만, 댐, 터널, 건축물 등 공중의 이용편의와 안전을 도모하기 위하여 특별히 관리할 필요가 있거나, 구조상 유지관리에 고도의 기술이 필요하다고 인정한 시설물을 말하며, 2종 시설물은 1종 시설물외의 시설물을 말한다.
이러한 시설물에 내재되어 있는 위험요인이나 시설물 기능 및 성능저하, 상태 등을 신속 정확하게 조사 및 평가하고, 그에 대한 적절한 안전조치를 취하여 재해 및 재난을 예방하며, 시설물의 안전성 및 기능성을 보완 및 보전하도록 함으로써 시설물의 효용성을 증진시킴과 더불어 과학적 유지관리를 체계화할 수 있도록 시설물 안전점검 및 정밀안전진단이 필요하다.
특히, 이러한 시설물 중에서, 2019년말 기준으로 준공이 후 30년 이상 경과한 국내의 교량구조물은 전체의 17.5%를 차지하고 있으며, 10년 후에는 전체 48% 이상을 차지할 것으로 예상되는 시점에서 교량구조물의 장기적인 유지관리 방안의 마련이 필요한 실정이다.
예를 들면, 기존의 교량구조물의 상태를 평가하기 위한 방안으로서, 인력에 의한 점검/진단이 주를 이루었지만, 최근 전문인력의 수급이 부족하고 노후교량 수의 급격한 증가에 따른 유지관리 예산이 부족한 실정이므로, 기존의 인력에 의한 점검/진단 방법으로는 교량구조물에 대한 유지관리가 어려운 것이 현실이다.
구체적으로, 동일한 교량 형식일지라도 교량의 설치된 환경에 따른 열화 진행도/열화유형이 다양하게 나타나지만, 기존의 인력에 의한 점검/진단 방식에서는 등급체계에 의해 교량 유지관리가 이루어지기 때문에 효율적 유지관리가 이루어지는데 분명한 한계가 있다는 문제점이 있다.
도 1은 인력에 의한 점검/진단을 이용하여 시설물의 노후화 수준을 평가하여 시설물을 유지관리하는 것을 개략적으로 나타내는 도면이다.
도 1에 도시된 바와 같이, 기존의 시설물의 노후화 수준 평가 방식은, 시설물의 노후화 정도를 단지 설계시 산정된 공용년수에 따라 평가함으로써 정확한 평가가 이루어지지 않고 있다.
한편, 전술한 문제점을 해결하기 위한 선행기술로서, 본 발명의 출원인에 의해 특허출원되어 등록된 대한민국 등록특허번호 제10-2124062호에는 "시설물의 노후화 수준 평가 시스템"이라는 명칭의 발명이 개시되어 있는데, 도 2 및 도 3을 참조하여 설명한다.
도 2는 종래의 기술에 따른 시설물의 노후화 수준 평가 방식을 설명하기 위한 도면이고, 도 3은 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템의 구성도이다.
종래의 기술에 따른 시설물의 노후화 수준 평가 시스템(10)은, 도 2에 도시된 바와 같이, 교량, 터널, 옹벽, 건축물을 포함하는 시설물의 노후화 정도를 기존의 공용년수 기준이 아닌 노후화 수준 평가 방식을 통해 산정함으로써 보다 정확하게 시설물의 노후화 정도를 평가할 수 있다.
구체적으로, 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템(10)은, 시설물 세부지표를 실측하여 세부지표 측정값을 수집한 후, 세부지표 가중치 및 노후화 가속지수(AAI)에 따라 부재별 노후도 및 종합 노후도를 산출한 후, 종합 노후도 산출값과 시설물의 실제 공용년수 상호간의 상대적인 비교를 통해 시설물의 노후화 수준을 평가할 수 있다. 예를 들면, 산출된 시설물의 종합 노후도를 설계수명과 비교하여 시설물의 노후화 연수로 나타내고, 노후화 연수와 평가 시점에서의 해당 시설물의 공용년수와 비교하여 시설물의 노후화 수준을 평가할 수 있다.
구체적으로, 도 3을 참조하면, 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템(10)은, 교량, 터널, 옹벽, 건축물을 포함하는 시설물(20)의 노후화 수준을 평가하는 시스템으로서, 노후화 관련 데이터 수집부(11), 노후화관련 데이터 분석부(12), 세부지표 가중치 설정부(13), 세부지표 노후화 가속지수 설정부(14), 부재별 노후도 산출부(15), 부재별 가중치 설정부(16), 종합 노후도 산출부(17), 노후화 연수 및 수준 평가부(18) 및 노후화 관련 DB(19)를 포함하여 구성된다.
노후화 관련 데이터 수집부(11)는 시설물(20)에 대해 시간이 경과함에 따라 열화 또는 손상과 관련된 부재들(21, 22, 23)의 세부지표 항목의 실측을 통해 시설물(20)의 세부지표 측정값을 수집한다.
노후화 관련 데이터 분석부(12)는 세부지표 측정값을 부재의 초기상태(설계값) 및 한계상태에 따라 세부지표 측정값의 노후화 수준을 분석한다.
세부지표 가중치 설정부(13)는 세부지표 가중치를 설정하고, 세부지표 노후화 가속지수 설정부(14)는 세부지표 노후화 가속지수(Aging Acceleration Index: AAI)를 설정하며, 이때, 세부지표 노후화 가속지수는 주기적으로 수집된 세부지표의 측정값을 해당 측정주기에 따라 산정할 수 있다.
부재별 노후도 산출부(15)는 분석된 세부지표 측정값에 대한 노후화 수준 평가 시설물(20)의 부재별 노후도를 세부지표 가중치 및 세부지표 노후화 가속지수(AAI)에 따라 산정한다. 여기서, 세부지표 항목은 콘크리트의 중성화 깊이, 콘크리트 표면강도, 콘크리트 균열 폭, 부재의 처짐 및 부재의 기울기를 포함하고, 노후화 가속지수(AAI)는 해당 세부지표의 시간 이력 데이터에 의한 노후화 진전 속도 변화를 나타낸다.
부재별 가중치 설정부(16)는 각 부재의 노후도와 관련된 세부지표의 측정값 분석에 의한 데이터를 조합하여 해당 부재의 노후도를 산정할 수 있도록 부재(21, 22, 23)에 대한 가중치를 설정한다.
종합 노후도 산출부(17)는 부재별 노후도를 종합하여 시설물 종합 노후도를 산출한다.
노후화 연수 및 수준 평가부(18)는 종합 노후도 산출값과 시설물의 실제 공용년수 상호간의 상대적인 비교를 통해 시설물의 노후화 수준을 평가한다. 이에 따라, 상기 산출된 시설물의 종합 노후도를 설계수명과 비교하여 노후화 연수로 나타내고, 노후화 연수와 평가 시점에서의 해당 시설물의 공용년수와 비교하여 노후화 연수 및 노후화 수준을 평가할 수 있다.
노후화 관련 DB(19)는 부재의 초기상태 및 한계상태를 저장하며, 상기 설정된 가중치 및 노후화 가속지수를 저장한다.
종래의 기술에 따른 시설물의 노후화 수준 평가 시스템에 따르면, 교량, 터널, 옹벽, 건축물을 포함하는 시설물의 노후화 정도를 공용년수 기준이 아닌 시설물의 측정 데이터에 따른 노후화 수준 평가 방식을 통해 산정함으로써 보다 정확하게 시설물의 노후화 정도를 평가할 수 있다. 또한, 시설물 세부지표 항목에 대한 가중치와 세부지표 노후화 가속지수를 설정하고, 부재별 노후도 및 종합 노후도를 산출함으로써 해당 시설물의 실제 공용년수 상호간의 상대적인 비교를 통해 시설물의 노후화 수준을 평가할 수 있다. 또한, 시설물의 노후화 수준에 따른 유지관리 계획을 수립할 수 있고, 시설물 노후화 원인 분석 및 대책 마련을 위한 기초자료로 활용할 수 있다.
하지만, 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템의 경우, 공용년수 기준이 아닌 노후화 수준 평가 방식을 통해 시설물의 노후화 정도를 산정하는 방식으로서, 노후화 수준 평가를 위해서 가중치, 세부지표 노후화 가속지수, 부재별 노후도 및 종합 노후도를 산출해야만 하며, 특히, 교량구조물이 시공된 지역별 열화환경을 반영하지 못하고 있다. 이에 따라, 시설물, 특히, 교량구조물의 유지관리 시스템을 교량구조물이 시공된 지역별 열화환경을 반영하여 간편하게 구축할 필요성이 있다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 교량구조물 유지관리를 위해 다양한 열화환경을 고려하여 열화모델을 구현함으로써 교량구조물을 점검 및 진단할 수 있는, 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출하는, 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템은, 다수의 지역 내에 시공된 교량구조물 각각에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터를 수집하는 데이터 수집부; 상기 수집된 데이터에 따라 인공지능 학습 데이터를 생성하여 인공지능-기반 공용년수별 데이터를 학습함으로써 열화모델을 생성하는 인공지능-기반 열화모델 생성부; 상기 인공지능-기반 열화모델 생성부에서 생성된 열화모델에 따라 열화곡선을 생성하는 열화곡선 생성부; 교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭시키는 열화환경정보 매칭부; 및 입력된 대상지역에 따라 인공지능-기반 지역별 데이터를 학습하여 대상지역 열화지표별 열화곡선을 생성하는 대상지역 열화곡선 도출부를 포함하되, 상기 교량구조물 각각의 유지관리를 위한 예산을 배정할 수 있도록 상기 교량구조물 각각에 대한 다양한 열화환경을 고려하여 상기 열화모델을 구현하여 상기 교량구조물 각각을 점검 및 진단하는 것을 특징으로 한다.
본 발명에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템은, 상기 대상지역 열화곡선 도출부에서 도출된 열화곡선에 따라 교량구조물 각각의 유지관리를 위한 예산을 배정하도록 의사결정하는 유지관리 의사결정부를 추가로 포함할 수 있다.
여기서, 상기 데이터 수집부의 수집 데이터는 상기 교량구조물에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터를 포함할 수 있다.
여기서, 상기 열화환경정보 매칭부는 GPS를 바탕으로 2차원 등고선 맵핑작업을 실시하는 것을 특징으로 한다.
여기서, 상기 열화환경정보 매칭부의 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해질 수 있다.
여기서, 상기 동결융해 반복일수는 다수의 기상관측지점에서 제공되는 데이터를 활용하여 산정되고, 상기 제설제 사용일수는 다수의 기상관측지점에서 제공되는 최심신적설(하루동안 내린 눈이 최대로 깊었던 적설량)이 발생한 일수를 활용하여 산정되며, 상기 비래염분환경은 해안으로부터의 거리를 산정하여 결정되고, 상기 산업단지 유무는 중차량에 대한 영향을 고려하기 위하여 항만, 산업단지, 조선소, 자동차 공장 또는 석탄/시멘트 공장이 있는 지역을 산정하여 결정될 수 있다.
여기서, 상기 열화환경 데이터는 데이터 수집이 가능한 범위에서 산정되는 교통량 정보 및 산성비 정보를 추가로 포함할 수 있다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법은, a) 다수의 지역 내에 시공된 교량구조물 각각의 유지보수를 위해 상기 교량구조물 각각에 대한 데이터를 수집하는 단계; b) 상기 수집된 데이터에 따른 인공지능 학습용 데이터를 생성하는 단계; c) 상기 생성된 인공지능 학습용 데이터에 따라 인공지능-기반 공용년수별 데이터를 학습하여 열화모델을 생성하는 단계; d) 상기 열화모델에 따라 교량구조물에 대한 열화곡선을 생성하는 단계; e) 교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭하는 단계; 및 f) 입력되는 대상지역에 따라 인공지능-기반 지역별 데이터 학습을 수행하여 대상지역 열화지표별 열화곡선을 도출하는 단계를 포함하되, 상기 교량구조물 각각의 유지관리를 위한 예산을 배정할 수 있도록 상기 교량구조물 각각에 대한 다양한 열화환경을 고려하여 상기 열화모델을 구현하여 상기 교량구조물 각각을 점검 및 진단하는 것을 특징으로 한다.
본 발명에 따르면, 교량구조물 유지관리를 위해 다양한 열화환경을 고려하여 열화모델을 구현함으로써 교량구조물의 점검 및 진단할 수 있고, 이에 따라, 유지관리 비용을 줄이고, 유지관리 예산을 효율적으로 배정할 수 있다.
본 발명에 따르면, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출함으로써 교량구조물을 용이하게 유지관리할 수 있다.
도 1은 인력에 의한 점검/진단을 이용하여 시설물의 노후화 수준을 평가하여 시설물을 유지관리하는 것을 개략적으로 나타내는 도면이다.
도 2는 종래의 기술에 따른 시설물의 노후화 수준 평가 방식을 설명하기 위한 도면이다.
도 3은 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템의 구성도이다.
도 4는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 구성도이다.
도 5는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 의해 유사 공용연수의 상이하게 판정된 교량 안전등급을 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 따라 2차원 등고선을 맵핑한 것을 예시하는 도면이다.
도 7은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 교량구조물 데이터로서 공용년수별 탄산화 깊이를 수집한 것을 나타내는 도면이다.
도 8은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 인공지능 학습을 통해 데이터를 생성한 것을 나타내는 도면이다.
도 9는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 열화곡선을 생성한 것을 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보되지 않은 경우 인공지능 학습을 통해 열화곡선을 생성하는 것을 나타내는 도면이다.
도 11은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 동작흐름도이다.
도 12는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 구체적인 동작흐름도이다.
도 2는 종래의 기술에 따른 시설물의 노후화 수준 평가 방식을 설명하기 위한 도면이다.
도 3은 종래의 기술에 따른 시설물의 노후화 수준 평가 시스템의 구성도이다.
도 4는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 구성도이다.
도 5는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 의해 유사 공용연수의 상이하게 판정된 교량 안전등급을 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 따라 2차원 등고선을 맵핑한 것을 예시하는 도면이다.
도 7은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 교량구조물 데이터로서 공용년수별 탄산화 깊이를 수집한 것을 나타내는 도면이다.
도 8은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 인공지능 학습을 통해 데이터를 생성한 것을 나타내는 도면이다.
도 9는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 열화곡선을 생성한 것을 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보되지 않은 경우 인공지능 학습을 통해 열화곡선을 생성하는 것을 나타내는 도면이다.
도 11은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 동작흐름도이다.
도 12는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 구체적인 동작흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
[인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템]
도 4는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 구성도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템(100)은, 데이터 수집부(110), 인공지능-기반 열화모델 생성부(120), 열화곡선 생성부(130), 열화환경정보 매칭부(140), 대상지역 열화곡선 도출부(150) 및 유지관리 의사결정부(160)를 포함하여 구성된다.
데이터 수집부(110)는 다수의 지역 내에 시공된 교량구조물(200) 각각에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터 등을 유선 또는 무선으로 수집하며, 예를 들면, 상기 열화 데이터는 공용년수 및 탄산화 깊이를 포함할 수 있다.
인공지능-기반 열화모델 생성부(120)는 상기 수집된 데이터에 따라 인공지능 학습 데이터를 생성하여 인공지능-기반 공용년수별 데이터를 학습함으로써 열화모델을 생성한다. 구체적으로, 상기 인공지능-기반 열화모델 생성부(120)는 인공지능 학습 데이터 생성부(121) 및 인공지능-기반 공용년수별 데이터 학습부(122)를 포함하며, 상기 인공지능 학습 데이터 생성부(121)는 인공지능 학습 데이터를 생성하고, 상기 인공지능-기반 공용년수별 데이터 학습부(122)는 상기 생성된 학습 데이터에 따라 공용년수별로 학습을 수행함으로써 인공지능-기반 열화모델을 생성한다.
또한, 열화곡선 생성부(130)는 상기 인공지능-기반 열화모델 생성부(120)에서 생성된 열화모델에 따라 시계열 데이터를 생성하여 열화곡선을 도출한다.
열화환경정보 매칭부(140)는 교량별 열화환경에 대한 정량값을 획득하도록 GPS를 바탕으로 2차원 등고선 맵핑작업을 실시한다. 이때, 열화환경은 단일환경이거나 복합환경일 수 있고, 상기 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해질 수 있지만, 이에 국한되는 것은 아니다.
대상지역 열화곡선 도출부(150)는 입력되는 대상지역에 따라 인공지능-기반 지역별 데이터 학습을 수행하여 대상지역 열화지표별 열화곡선을 생성한다.
유지관리 의사결정부(160)는 상기 대상지역 열화곡선 도출부(150)에서 도출된 열화곡선에 따라 교량구조물 각각의 유지관리를 위한 예산을 배정하도록 의사결정한다.
이에 따라, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에 따르면, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출할 수 있다. 특히, 교량구조물의 열화지표별 열화곡선을 생성하되, 열화 고려인자를 동결융해, 제설제 사용일수, 비래염분 등으로 설정하고, GPS를 바탕으로 2차원 등고선 맵핑작업으로 각각의 열화환경에 대한 정량값을 획득할 수 있다.
한편, 도 5는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 의해 유사 공용연수의 상이하게 판정된 교량 안전등급을 예시하는 도면이다.
본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 경우, 도 5에 도시된 바와 같이, 교량 유지관리에서 열화환경이 고려되어야 하는 것은 동일한 시기에 교량이 설치되어도, 교량이 노출된 열화환경에 따른 열화 진행도/열화 유형이 다양하게 나타나는 것을 확인할 수 있다.
예를 들면, 도 5의 a)는 교량구조물의 공용년수가 34인 B등급의 교량구조물을 나타내며, 이에 반해 도 5의 b)는 교량구조물의 공용년수가 33년인데 C등급인 경우를 나타낸다. 이에 따라, 열화환경이 고려된 적절한 교량 유지관리 방안이 도출될 필요가 있다.
본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 경우, 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해진다.
구체적으로, 상기 열화환경 데이터는 동결융해 반복일수, 제설제 사용일수, 비래염분환경, 산업단지 유무 등을 포함할 수 있다. 예를 들면, 상기 동결융해 반복일수는95개 기상관측지점(ASOS)에서 제공된 데이터를 활용하여 산정될 수 있다. 또한, 상기 제설제 사용일수는 95개 기상관측지점(ASOS)에서 제공되는 최심신적설, 즉, 하루동안 내린 눈이 최대로 깊었던 적설량이 발생한 일수를 활용하여 산정될 수 있다. 또한, 상기 비래염분환경은 해안으로부터의 거리로 산정될 수 있다. 또한, 상기 산업단지 유무는 중차량에 대한 영향을 고려하기 위하여 항만, 산업단지, 조선소, 자동차 공장, 석탄/시멘트 공장이 있는 지역을 산정하여 결정될 수 있다. 추가적인 열화환경 고려인자들로서, 예를 들면, 교통량 정보, 산성비 정보 등은 데이터 수집이 가능한 범위에서 산정될 수 있다.
한편, 도 6은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 열화환경에 따라 2차원 등고선을 맵핑한 것을 예시하는 도면이다.
본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 경우, 도 6에 도시된 바와 같이, 열화환경에 따라 2차원 등고선을 맵핑할 수 있다. 구체적으로, 열화환경정보들은 특정 지점에 대한 것으로, 시/군 단위의 국내 모든 지역에 대한 열화환경정보를 나타내기 위해서 GPS를 바탕으로 2차원 등고선 맵핑 작업을 통해 각각의 열화환경에 대한 정량값을 국내 시/군구 단위로 획득하는 것이 바람직하다.
다시 말하면, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 경우, 일부 교량의 열화 데이터를 활용하여 국내 교량에 대한 열화곡선을 예측할 수 있는 알고리즘을 구축할 수 있다. 이때, 교량의 열화정보는 시/군 단위에서 분류하는 것이 바람직하며, 만일 시/군 단위보다 세분화할 경우, 해당되는 교량의 수가 적어지게 되고, 이것은 인공지능 학습에 있어서 오류가 발생할 확률을 높일 수 있다.
한편, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템은, 교량구조물(200)의 열화 데이터가 확보된 경우, 인공지능 학습을 통해 예측 데이터 생성하고 그에 따른 열화곡선을 확보할 수 있다. 도 7 내지 도 9에 도시된 바와 같이 결과를 나타낸다.
도 7은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 교량구조물 데이터로서 공용년수별 탄산화 깊이를 수집한 것을 나타내는 도면이고, 도 8은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 인공지능 학습을 통해 데이터를 생성한 것을 나타내는 도면이며, 도 9는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보된 경우 열화곡선을 생성한 것을 나타내는 도면이다.
본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템의 경우, 도 7에 도시된 바와 같이, 교량 열화 데이터가 확보된 경우, 서울시 및 경상남도 각각에 소재하는 교량들의 데이터를 수집하여 공용년수별 탄산화 깊이를 나타낼 수 있다.
또한, 도 8에 도시된 바와 같이, 교량 열화 데이터가 확보된 경우 인공지능 학습을 통해 데이터를 생성할 수 있으며, 도 9에 도시된 바와 같이, 교량 열화 데이터가 확보된 경우 열화곡선을 생성할 수 있다.
한편, 도 10은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템에서 교량 열화 데이터가 확보되지 않은 경우 인공지능 학습을 통해 열화곡선을 생성하는 것을 나타내는 도면이다.
교량구조물의 열화 데이터가 확보되지 않은 지역의 경우, 기존에 확보된 지역의 열화곡선 데이터 및 열화환경정보를 활용하여 데이터가 존재하지 않는 지역의 열화환경정보만으로 열화곡선을 예측하게 되고, 도 10에 도시된 바와 같이 결과를 나타낼 수 있다.
결국, 본 발명의 실시예에 따르면, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출함으로써 교량구조물을 용이하게 유지관리할 수 있다.
[인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법]
도 11은 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 동작흐름도이다.
도 11을 참조하면, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법은, 먼저, 교량구조물(200)의 유지관리를 위해 상기 교량구조물(200)에 대한 데이터를 수집한다(S110). 예를 들면, 상기 데이터는 상기 교량구조물(200)에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터 등을 포함할 수 있지만, 이에 국한되는 것은 아니다.
다음으로, 상기 수집된 데이터에 따른 인공지능 학습용 데이터를 생성하고(S120), 이후, 상기 생성된 인공지능 학습용 데이터에 따라 인공지능-기반 공용년수별 데이터를 학습하여 열화모델을 생성한다(S130).
다음으로, 상기 열화모델에 따라 교량구조물에 대한 열화곡선을 생성한다(S140).
다음으로, 교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭한다(S150). 예를 들면, GPS를 바탕으로 2차원 등고선 맵핑작업을 실시할 수 있다.
다음으로, 입력되는 대상지역에 따라 인공지능-기반 지역별 데이터 학습을 수행하여 대상지역 열화지표별 열화곡선을 도출한다(S160).
후속적으로, 도출된 열화곡선에 따라 교량구조물 각각의 유지관리를 위한 예산을 배정하도록 의사결정을 수행한다(S170). 이에 따라, 상기 교량구조물(200) 각각의 유지관리를 위한 예산을 배정할 수 있도록 상기 교량구조물(200) 각각에 대한 다양한 열화환경을 고려하여 상기 열화모델을 구현하여 상기 교량구조물(200) 각각을 점검 및 진단할 수 있다.
한편, 도 12는 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법의 구체적인 동작흐름도로서, 전반적인 인공지능을 활용한 열화모델 알고리즘을 나타낸다.
도 12에 도시된 바와 같이, 본 발명의 실시예에 따른 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법은, 교량 열화 데이터 및 열화환경 데이터를 수집한다(S201). 예를 들면, 교량 각각에 대한 공용년수별 탄산화 깊이를 수집할 수 있지만, 이에 국한되는 것은 아니다.
다음으로, 상기 수집된 데이터에 따라 인공지능 학습용 데이터를 생성하고(S202), 이후, 상기 생성된 인공지능 학습용 데이터에 따라 인공지능-기반 공용년수별 데이터를 학습하여 열화모델을 생성한다(S203).
다음으로, 상기 교량별로 수집된 공용년수가 기준값, 예를 들면 100보다 큰지 확인한다(S204). 즉, 상기 공용년수가 기준값에 도달할 때까지 상기 생성된 인공지능 학습용 데이터에 다라 인공지능-기반 공용년수별 데이터 학습을 반복하여 수행한다.
다음으로, 상기 생성된 열화모델에 따라 교량구조물 열화곡선을 생성하고(S205), 이후, 지역 수가 설정값 N보다 큰지 확인한다(S206). 이때, 상기 지역 수가 설정값인 N에 도달할 때까지 전술한 S203 단계 내지 S205 단계를 반복하여 수행한다.
다음으로, 지역별 열화곡선을 생성한다(S207). 즉, 전술한 S203 내지 S205 단계의 다수의 지역 중에서 어느 한 지역에 대한 열화곡선을 생성한 것이므로, 다수의 지역 모두에 대해 열화곡선을 누적 생성한다.
다음으로, 교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭한다(S208). 예를 들면, 상기 열화환경정보의 매칭을 위해 GPS를 바탕으로 2차원 등고선 맵핑작업을 실시할 수 있다. 이때, 상기 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해지며, 구체적으로, 상기 동결융해 반복일수는 다수의 기상관측지점(ASOS)에서 제공되는 데이터를 활용하여 산정되고, 상기 제설제 사용일수는 다수의 기상관측지점(ASOS)에서 제공되는 최심신적설(하루동안 내린 눈이 최대로 깊었던 적설량)이 발생한 일수를 활용하여 산정되며, 상기 비래염분환경은 해안으로부터의 거리를 산정하여 결정되고, 상기 산업단지 유무는 중차량에 대한 영향을 고려하기 위하여 항만, 산업단지, 조선소, 자동차 공장 또는 석탄/시멘트 공장이 있는 지역을 산정하여 결정될 수 있다. 또한, 상기 열화환경 데이터는 데이터 수집이 가능한 범위에서 산정되는 교통량 정보 및 산성비 정보를 추가로 포함할 수 있다.
다음으로, 대상지역을 입력하고(S209), 이후, 인공지능-기반 지역별 데이터를 학습하며(S210), 이후, 공용년수가 기준값, 예를 들면 100보다 큰지 확인한다(S211). 즉, 공용년수가 기준값에 해당할 때까지 인공지능-기반 지역별 데이터 학습을 반복하여 수행한다.
이에 따라, 공용년수가 기준값보다 큰 경우, 대상지역 열화지표별 열화곡선을 생성한다(S212).
결국, 본 발명의 실시예에 따르면, 교량구조물 유지관리를 위해 다양한 열화환경을 고려하여 열화모델을 구현함으로써 교량구조물의 점검 및 진단할 수 있고, 이에 따라, 유지관리 비용을 줄이고, 유지관리 예산을 효율적으로 배정할 수 있다. 또한, 교량구조물의 열화지표별 시계열에 따른 열화곡선을 생성함에 있어서, 인공지능 기술을 적용하여 열화지표별 시계열 데이터, 열화환경 데이터 등을 학습하여 예측 데이터를 생성하고, 열화환경을 고려한 열화지표별 열화곡선을 도출함으로써 교량구조물을 용이하게 유지관리할 수 있다.
한편, 교량에 한정하여 인공지능-기반 열화모델을 만드는 것이지만, 다른 구조물에도 열화환경 정보 및 열화데이터가 있을 경우 확대 적용할 수 있다는 점은 당업자에게 자명하다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 교량구조물 유지관리 시스템
200: 교량구조물
110: 데이터 수집부 120: 인공지능-기반 열화모델 생성부
130: 열화곡선 생성부 140: 열화환경정보 매칭부
150: 대상지역 열화곡선 도출부 160: 유지관리 의사결정부
121: 인공지능 학습 데이터 생성부
122: 인공지능-기반 공용년수별 데이터 학습부
110: 데이터 수집부 120: 인공지능-기반 열화모델 생성부
130: 열화곡선 생성부 140: 열화환경정보 매칭부
150: 대상지역 열화곡선 도출부 160: 유지관리 의사결정부
121: 인공지능 학습 데이터 생성부
122: 인공지능-기반 공용년수별 데이터 학습부
Claims (14)
- 교량구조물의 유지관리 시스템에 있어서,
다수의 지역 내에 시공된 교량구조물(200) 각각에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터를 수집하는 데이터 수집부(110);
상기 수집된 데이터에 따라 인공지능 학습 데이터를 생성하여 인공지능-기반 공용년수별 데이터를 학습함으로써 열화모델을 생성하는 인공지능-기반 열화모델 생성부(120);
상기 인공지능-기반 열화모델 생성부(120)에서 생성된 열화모델에 따라 열화곡선을 생성하는 열화곡선 생성부(130);
교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭시키는 열화환경정보 매칭부(140); 및
입력된 대상지역에 따라 인공지능-기반 지역별 데이터를 학습하여 대상지역 열화지표별 열화곡선을 생성하는 대상지역 열화곡선 도출부(150)를 포함하되,
상기 교량구조물(200) 각각의 유지관리를 위한 예산을 배정할 수 있도록 상기 교량구조물(200) 각각에 대한 다양한 열화환경을 고려하여 상기 열화모델을 구현하여 상기 교량구조물(200) 각각을 점검 및 진단하는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제1항에 있어서,
상기 대상지역 열화곡선 도출부(150)에서 도출된 열화곡선에 따라 교량구조물 각각의 유지관리를 위한 예산을 배정하도록 의사결정하는 유지관리 의사결정부(160)를 추가로 포함하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제1항에 있어서,
상기 데이터 수집부(110)의 수집 데이터는 상기 교량구조물(200)에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터를 포함하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제1항에 있어서,
상기 열화환경정보 매칭부(140)는 GPS를 바탕으로 2차원 등고선 맵핑작업을 실시하는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제1항에 있어서,
상기 열화환경정보 매칭부(140)의 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해지는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제5항에 있어서,
상기 동결융해 반복일수는 다수의 기상관측지점(ASOS)에서 제공되는 데이터를 활용하여 산정되고, 상기 제설제 사용일수는 다수의 기상관측지점(ASOS)에서 제공되는 최심신적설(하루동안 내린 눈이 최대로 깊었던 적설량)이 발생한 일수를 활용하여 산정되며, 상기 비래염분환경은 해안으로부터의 거리를 산정하여 결정되고, 상기 산업단지 유무는 중차량에 대한 영향을 고려하기 위하여 항만, 산업단지, 조선소, 자동차 공장 또는 석탄/시멘트 공장이 있는 지역을 산정하여 결정되는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 제5항에 있어서,
상기 열화환경 데이터는 데이터 수집이 가능한 범위에서 산정되는 교통량 정보 및 산성비 정보를 추가로 포함하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템. - 교량구조물의 유지관리 방법에 있어서,
a) 다수의 지역 내에 시공된 교량구조물(200) 각각의 유지보수를 위해 상기 교량구조물(200) 각각에 대한 데이터를 수집하는 단계;
b) 상기 수집된 데이터에 따른 인공지능 학습용 데이터를 생성하는 단계;
c) 상기 생성된 인공지능 학습용 데이터에 따라 인공지능-기반 공용년수별 데이터를 학습하여 열화모델을 생성하는 단계;
d) 상기 열화모델에 따라 교량구조물에 대한 열화곡선을 생성하는 단계;
e) 교량별 열화환경에 대한 정량값을 획득하도록 열화환경정보를 매칭하는 단계; 및
f) 입력되는 대상지역에 따라 인공지능-기반 지역별 데이터 학습을 수행하여 대상지역 열화지표별 열화곡선을 도출하는 단계를 포함하되,
상기 교량구조물(200) 각각의 유지관리를 위한 예산을 배정할 수 있도록 상기 교량구조물(200) 각각에 대한 다양한 열화환경을 고려하여 상기 열화모델을 구현하여 상기 교량구조물(200) 각각을 점검 및 진단하는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제8항에 있어서,
g) 상기 도출된 열화곡선에 따라 교량구조물 각각의 유지관리를 위한 예산을 배정하도록 의사결정을 수행하는 단계를 추가로 포함하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제8항에 있어서,
상기 a) 단계의 수집 데이터는 상기 교량구조물(200)에 대한 점검/진단 데이터, 실험 데이터 및 열화 데이터 및 열화환경 데이터를 포함하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제8항에 있어서,
상기 e) 단계에서 GPS를 바탕으로 2차원 등고선 맵핑작업을 실시하는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제8항에 있어서,
상기 e) 단계의 열화환경정보는 동결융해 반복일수, 제설제 사용일수, 비래염분환경 및 산업단지 유무에 대한 열화환경 데이터에 의해 정해지는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제12항에 있어서,
상기 동결융해 반복일수는 다수의 기상관측지점(ASOS)에서 제공되는 데이터를 활용하여 산정되고, 상기 제설제 사용일수는 다수의 기상관측지점(ASOS)에서 제공되는 최심신적설(하루동안 내린 눈이 최대로 깊었던 적설량)이 발생한 일수를 활용하여 산정되며, 상기 비래염분환경은 해안으로부터의 거리를 산정하여 결정되고, 상기 산업단지 유무는 중차량에 대한 영향을 고려하기 위하여 항만, 산업단지, 조선소, 자동차 공장 또는 석탄/시멘트 공장이 있는 지역을 산정하여 결정되는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법. - 제12항에 있어서,
상기 열화환경 데이터는 데이터 수집이 가능한 범위에서 산정되는 교통량 정보 및 산성비 정보를 추가로 포함하는 것을 특징으로 하는 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173451A KR20230085364A (ko) | 2021-12-07 | 2021-12-07 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173451A KR20230085364A (ko) | 2021-12-07 | 2021-12-07 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230085364A true KR20230085364A (ko) | 2023-06-14 |
Family
ID=86745131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210173451A KR20230085364A (ko) | 2021-12-07 | 2021-12-07 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230085364A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421816A (zh) * | 2023-12-19 | 2024-01-19 | 西南交通大学 | 一种构筑物的长期变形智能预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101188903B1 (ko) | 2010-12-24 | 2012-10-08 | 한국건설기술연구원 | 교량의 위험도와 가치를 고려한 교량 관리정보 분석 시스템 |
| KR101652099B1 (ko) | 2015-12-15 | 2016-08-29 | 한국가스안전공사 | 위험지도 기반 사고대응 및 사고예방 시스템 |
| KR101677358B1 (ko) | 2015-01-28 | 2016-11-18 | 주식회사 엑센솔루션 | 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 |
| KR102124062B1 (ko) | 2018-11-23 | 2020-06-17 | 한국건설기술연구원 | 시설물의 노후화 수준 평가 시스템 |
| KR20210085168A (ko) | 2019-12-30 | 2021-07-08 | 달리웍스 주식회사 | 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법 |
-
2021
- 2021-12-07 KR KR1020210173451A patent/KR20230085364A/ko unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101188903B1 (ko) | 2010-12-24 | 2012-10-08 | 한국건설기술연구원 | 교량의 위험도와 가치를 고려한 교량 관리정보 분석 시스템 |
| KR101677358B1 (ko) | 2015-01-28 | 2016-11-18 | 주식회사 엑센솔루션 | 인공 신경망 알고리즘을 이용한 주조 설비에 대한 고장 예지 시스템 및 방법 |
| KR101652099B1 (ko) | 2015-12-15 | 2016-08-29 | 한국가스안전공사 | 위험지도 기반 사고대응 및 사고예방 시스템 |
| KR102124062B1 (ko) | 2018-11-23 | 2020-06-17 | 한국건설기술연구원 | 시설물의 노후화 수준 평가 시스템 |
| KR20210085168A (ko) | 2019-12-30 | 2021-07-08 | 달리웍스 주식회사 | 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421816A (zh) * | 2023-12-19 | 2024-01-19 | 西南交通大学 | 一种构筑物的长期变形智能预测方法及装置 |
| CN117421816B (zh) * | 2023-12-19 | 2024-03-12 | 西南交通大学 | 一种构筑物的长期变形智能预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akiyama et al. | Reliability-based durability design and service life assessment of reinforced concrete deck slab of jetty structures | |
| Eyoh et al. | Modelling and predicting future urban expansion of Lagos, Nigeria from remote sensing data using logistic regression and GIS | |
| Mills et al. | Developing pavement performance models for Delaware | |
| Pereira et al. | Probabilistic analysis of the durability of architectural concrete surfaces | |
| KR20230085364A (ko) | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 | |
| Medina et al. | Data-driven prediction of long-term deterioration of RC bridges | |
| Do | Comparative analysis on mean life reliability with functionally classified pavement sections | |
| Filizadeh et al. | Risk-based framework for post-earthquake monitoring and evaluation of reinforced concrete bridges subject to multiple hazards | |
| Inomata et al. | Quantification of the risks on dam preliminary release based on ensemble rainfall forecasts and determination of operation | |
| Sati et al. | Pavement deterioration model using Markov chain and international roughness index | |
| Meihaus | Understanding the effects of climate on airfield pavement deterioration rates | |
| Mahmood et al. | Distress based pavement performance prediction models | |
| Frangopol | Life-cycle performance, management, and optimisation of structural systems under uncertainty: accomplishments and challenges 1 | |
| Martani et al. | Determining optimal intervention strategies for bridges considering both gradual deterioration and sudden events | |
| Marsili et al. | Bayesian approaches to lifetime prediction | |
| Collins | A Multiple Model Approach To Bridge Deterioration Modeling | |
| Landi et al. | Prediction of RC bridge deterioration under changing environmental conditions | |
| Kamenchukov | Application graphoanalytical method for assessing the change in the speed of movement of vehicles means after repair of highways | |
| KR102102957B1 (ko) | 시설물의 노후화 수준 평가를 위한 데이터 확보 시스템 및 그 방법 | |
| Alogdianakis et al. | Using advanced data analysis to learn from infrastructure databases: The case of the US National Bridge Inventory | |
| Ishida et al. | Data driven maintenance cycle focusing on deterioration mechanism of road bridge RC decks | |
| Seina et al. | RC bridge management optimisation considering condition assessment uncertainties. | |
| Hwang et al. | Proactive project control using productivity data and time series analysis | |
| Dawson et al. | Defining benefits from pavement rehabilitation and preservation | |
| MIYAKAWA et al. | Identification of influencing factors on bridge damages using Bayesian network |