고속도로 인프라 자산 관리를 위한 인공 지능의 적용

최근에는 다양한 고급 비파괴평가 (NDE)기술과 고급처리기술을 사용하여 숨겨진 고속도로 및 결함을 자동으로 식별할 수 있는 대규모 고속도로 인프라의 상태 평가에 대한 요구가 높아지고 있습니다. 현재까지, NDE의 해석은 일반적으로 포인트 단위 방식으로 수행되는데, 이는 각 데이터 포인트를 개별적으로 처리하고 해당 공간 컨텍스트를 무시합니다. 또한 NDE 기술을 사용하여 조건의 스냅 샷을 캡처하므로 모든 NDE 데이터 분석 및 해석 기술은 단일 기간에 수집된 데이터에만 집중합니다. 지난 10년 동안 몇몇 연구자들은 여러 상황에서 NDE를 구축하기 시작했습니다. 또한 열화 속도와 열화의 공간 패턴이 시간에 따라 어떻게 진화하는지 추적합니다. 데이터 수집에 대한이 새로운 접근 방식은 본질적으로 일련의 NDE 데이터를 생성합니다. 그러나 현재 데이터 분석 및 해석 방식은 NDE 데이터를 스냅 샷으로 만 처리 할 수 ​​있습니다.

 

인공지능(AI) 알고리즘 (예 : 기계 학습 (ML), 딥 러닝 (DL))도 NDE 데이터 분석 프로세스를 자동화할 수있는 큰 잠재력을 가지고 있습니다. ML은 일반적으로 특정 사용자 정의 기능을 통해 데이터를 파싱하고 학습한 다음 학습된 내용을 적용하여 정보에 근거한 결정을 내릴 수 있는 알고리즘 세트로 정의됩니다. ML이 실제로 작동하려면 분석가가 결과 결정이 정확한지 여부에 대한 피드백을 제공해야합니다. 반대로 ML의 하위 집합인 DL은 의사결정을 개선하기 위해 이 피드백이 필요하지 않으며 DL 모델에 의해 기능이 얻어지기 때문에보다 자율적으로 작동할 수 있습니다. 이러한 이점은 인상적이지만 몇 가지 추가요구사항, 즉 훨씬 더 큰 데이터 세트에 대한 액세스가 제공됩니다. 어느 쪽이든, 이러한 알고리즘의 목표는 빅데이터를 자동으로 처리하고 데이터 내에 암시적인 패턴과 관계를 식별하며 이러한 패턴과 관계를 활용하여 개선된 예측을 제공하는 것입니다. 

 

따라서 ML과 DL은 모두 NDE 데이터 분석과 매우 호환되는 것으로 보이며 이는 대규모 데이터 세트의 패턴과 관계를 식별하는 것을 목표로 합니다. 이러한 방법은 인프라 상태 평가를 자동화하기 위해 다중 NDE 데이터 처리에 사용될 수 있습니다. 일반적인 절차에는 데이터 수집 및 전처리가 포함됩니다. 라벨링/ 파싱데이터; 적절한 학습 모델을 정의하는 것; 모델 학습 및 새 데이터에 대한 모델 테스트 또는 평가 (교육 샘플 제외) 이러한 패턴과 관계를 활용하여 개선 된 예측을 제공합니다. 

 

따라서 ML과 DL은 모두 NDE 데이터 분석과 매우 호환되는 것으로 보이며 이는 대규모 데이터 세트의 패턴과 관계를 식별하는 것을 목표로합니다. 이러한 방법은 인프라 상태 평가를 자동화하기 위해 다중 NDE 데이터 처리에 사용될 수 있습니다. 일반적인 절차에는 데이터 수집 및 전처리가 포함됩니다. 라벨링 / 파싱 데이터; 적절한 학습 모델을 정의하는 것; 모델 학습 및 새 데이터에 대한 모델 테스트 또는 평가 (교육 샘플 제외) 이러한 패턴과 관계를 활용하여 개선 된 예측을 제공합니다. 따라서 ML과 DL은 모두 NDE 데이터 분석과 매우 호환되는 것으로 보이며 이는 대규모 데이터 세트의 패턴과 관계를 식별하는 것을 목표로합니다. 

 

이러한 방법은 인프라 상태 평가를 자동화하기 위해 다중 NDE 데이터 처리에 사용될 수 있습니다. 일반적인 절차에는 데이터 수집 및 전처리가 포함됩니다. 라벨링 / 파싱 데이터; 적절한 학습 모델을 정의하는 것; 모델 학습 및 새 데이터에 대한 모델 테스트 또는 평가 (교육 샘플 제외) 일반적인 절차에는 데이터 수집 및 전처리가 포함됩니다. 라벨링 / 파싱 데이터; 적절한 학습 모델을 정의하는 것; 모델 학습 및 새 데이터에 대한 모델 테스트 또는 평가 (교육 샘플 제외) 일반적인 절차에는 데이터 수집 및 전처리가 포함됩니다. 라벨링 / 파싱 데이터; 적절한 학습 모델을 정의하는 것; 모델 학습 및 새 데이터에 대한 모델 테스트 또는 평가 (교육 샘플 제외)

 

이 연구의 목표는 AI (ML 및 DL 알고리즘 모두 포함)가 고속도로 인프라의 상태 평가를 위해 NDE 데이터 분석 및 신호 처리의 신뢰성과 품질을 개선 할 수있는 방법을 확립하는 것입니다. NDE 데이터를 처리하고 신뢰할 수있는 데이터 해석을 지원하기 위해 이러한 기술의 구현을 안내하는 프레임 워크를 개발하기위한 가장 적합한 학습 모델 및 최적화 방법을 식별하는 것이 특히 중요합니다. 이 작업으로 향후 자산 관리 응용 프로그램이 만들어 질 수 있습니다 (유지 보수 및 재구성 계획을위한 예측 모델링 개선). 

 

이 연구에서는 과거의 현장 테스트 (LTBP 데이터 수집 및 SHRP2 활동 포함)의 데이터를 이용할 수 있습니다.