1.1 연구 배경

국내 기반 시설물의 붕괴 사고는 2004년 이후로 시설의 노후화와 관리 부족으로 인하여 꾸준히 증가하고 있다. 이로 인한 재산 및 인명 피해도 늘어나는 상황이며 향후 10년 내에 공용연수가 30년을 초과하는 노후 시설물이 지금의 두 배 이상 증가할 것으로 예상하고 있다^{(Lee et al. 2023)}. 또한, 최근 교량 바닥판의 유지관리 부실로 인해 사고가 자주 발생하고 있기에 보다 체계적인 바닥판 유지관리 계획이 필수적이다^{(Jeong et al. 2024)}. 효율적인 유지관리 계획을 세우기 위해서는 교량의 보수 시점과 적절한 보수 공법을 결정할 수 있는 의사결정체계가 필요하며, 이 과정에서 교량의 열화 상태를 예측하는 것이 핵심이다^{(Lee et al. 2020)}.

교량 부재 단위나 전체를 대상으로 기계 학습을 이용하여 손상 및 상태를 예측하는 모델을 개발하는 연구들이 많이 진행되어 왔다. ANN(artificial neural network), LSTM(long-short term memory) 등의 기계 학습 알고리즘을 이용하여 콘크리트 교량을 대상으로 하여 교량 전체에 대한 열화 또는 바닥판, 교대, 벽 등의 교량 부재 열화를 예측하였다^{(Srikanth and Arockiasamy 2020; Lim and Chi 2021; Miao et al. 2023; Rashidi and Elzarka 2023)}. 하지만, 기존 연구들은 대체로 특정 상부형식, 예를 들어 콘크리트 교량에 치중되어 있었다. 또한, 일부 연구들은 하나의 알고리즘만 활용하여 예측 모델을 제시하였고, 특히 대부분의 연구가 바닥판의 상태등급 예측에 초점을 두었다.

1.2 연구 목적

본 연구에서는 이러한 제한점을 보완하여 특정 상부형식에 국한되지 않고, 다양한 방법의 기계 학습 알고리즘을 고려하여 바닥판의 상태등급과 결함도 지수를 예측할 수 있는 일반화된 모델을 개발하고자 하였다. 이를 통해 다양한 구조적 조건과 환경적 요인들을 종합적으로 고려하여 바닥판의 열화 상태를 더욱 정확하게 예측할 수 있는 범용적인 예측 도구를 제공하는 것을 목표로 한다.

2.1 예측 모델 알고리즘

교량 부재의 열화 상태를 예측하기 위해 다양한 머신 러닝 알고리즘이 연구되어 왔다. 이러한 알고리즘들은 교량 데이터의 특성과 구조적 요인들을 효과적으로 처리하여 열화 과정을 분석하고, 이를 바탕으로 교량의 상태를 예측하는 데 중점을 둔다. 본 연구에서는 일곱 가지 머신 러닝 알고리즘을 활용하여 교량 부재의 열화 상태를 예측하였다. 선택된 알고리즘은 Random Forest(RF), eXtreme Gradient Boosting(XGB), k-Nearest Neighbor(k-NN), Support Vector Machine(SVM), Neural Network(NN), Long Short-Term Memory(LSTM), 그리고 Gated Recurrent Unit(GRU)이다. 이 절에서는 각 알고리즘의 기본 이론과 장점, 그리고 다른 연구 사례를 참조하여 어떻게 적용하였는지를 설명한다. 알고리즘의 일곱 가지 특징은 Table 1에 나타내었다.

2.2 데이터 전처리

데이터 전처리는 기계 학습 모델의 성능을 극대화하기 위한 필수 단계로, 원시 데이터를 모델이 이해할 수 있는 형식으로 변환하고 불균형한 데이터를 처리하는 데 중요한 역할을 한다. 본 연구에서는 데이터의 품질을 개선하고 모델의 성능을 높이기 위한 데이터 전처리 과정 중 데이터 리샘플링, StandScaler와 One-Hot Encoding을 설명한다.

2.3 예측 모델 평가

본 연구에서는 교량 부재 결함도 지수와 상태평가 예측 모델을 각각 평가하기 위해 문헌을 참고하여 아래의 다양한 성능 지표를 사용하였다.

3.1 데이터 수집

본 연구에서 예측 모델을 만들기 위해 사용된 데이터는 시설물통합정보관리시스템(facility management system, FMS)을 통해 수집된 정밀점검 및 정밀안전진단 상태평가 보고서를 바탕으로 구성되었다. 1종 교량 1,205개와 2종 교량 1,224개를 포함하여 총 2,429개의 데이터를 수집하였다. 수집된 데이터 항목은 준공년도로부터 점검년도까지의 공용연수, 교량 길이(교장), 경간 수, 상부 형식, 교량 위치(지역), 전체 상태등급 등이다.

교량의 공용연수가 지남에 따른 부재 열화를 반영하기 위해 시설물 안전 및 유지관리 세부지침(안전점검･진단_교량 편, 2022)을 바탕으로 바닥판, 하부, 거더, 신축이음, 포장, 배수, 난간연석, 교량받침, 기초, 염화물, 탄산화 등 11개 부재의 결함도 지수 및 상태등급 데이터를 수집하였다. 다만 기초, 염화물, 탄산화에 대한 데이터는 대부분 누락되어 분석에서 제외하였고 교량받침은 내진 보강 시 열화에 관계없이 탄성받침이나 면진받침으로 교체되는 경우가 많기에 데이터에서 제외하였다.

또한, 제설제에 의한 염화물이나 동결융해와 같은 환경적 요인을 고려하기 위해 기상 데이터를 수집하였다. 이를 위해 정밀점검 및 정밀안전진단이 실시된 연도의 기상 데이터를 포함하여 평균기온, 최저기온, 최고기온, 강수량, 평균 상대습도 등을 포함한 자료를 수집하였으며, 이 데이터는 Table 2에 정리하였다.

수집한 데이터 총 2,429개 중 교량 상부형식 분포는 강교, 콘크리트교, 라멘교, 슬래브교, 복합교로 총 5개 항목으로 분포하였다. 교량 구간별 상부형식이 다른 교량의 경우를 복합교로 정의하였다. 그 중 강교가 54.4 %(1,323개), 콘크리트교가 39.8 %(968개)로 전체 데이터의 약 94 %로 가장 큰 비율을 차지하였다.

또한, 공용연수의 분포는 평균 14.46년, 표준편차가 9.28년으로 나왔고 대부분의 공용연수가 30년 이내로 분포하는 것을 확인하였다. 부재 상태등급의 분포는 바닥판의 경우, a등급이 18.4 %(447개), b등급 60.5 %(1,471개), c등급 20.3 %(493개), d등급 0.7 %(18개)로 나타났다. 공용연수와 부재 상태등급에 대한 분포는 각각 Fig. 1과 Fig. 2에 나타내었다.

Fig. 1 Distribution of bridge year bridge classes 1 & 2

Fig. 2 Distribution of component condition ratings

교장, 지역 등 기타 상세 제원과 기온, 습도, 강수량과 같은 환경 데이터는 다양한 값을 포함하고 있어 시각적으로 명확히 제시하기 어려웠으며, 연구 목적에 비추어 특별한 분포상의 특성이 발견되지 않아 본문에서 생략하였다. 본 연구에 사용된 데이터는 FMS(facility management system)의 정밀점검 및 정밀안전진단 상태평가 보고서에서 수집되었으며, 공용연수에 따른 불균형한 분포를 보였다. 예를 들어, Fig. 2에서는 공용연수 55년~ 80년 구간의 데이터가 없고, 80년~85년 구간의 데이터만 포함된 것을 확인할 수 있었다. 이러한 데이터 분포는 원본 데이터에 따른 것으로, 연구자가 임의로 조정할 수 없었다. 따라서 데이터 전처리 과정에서는 누락된 데이터만 제거하고, 원본 데이터의 분포 특성을 그대로 유지하였다.

3.2 예측 모델 개발

본 연구에서는 ^{Python(3.13.0)}을 사용하여 예측 모델을 개발하였으며, Table 2에 제시된 데이터를 모두 입력 변수로, 바닥판 결함도 지수와 상태등급을 출력 변수로 설정하였다. 다양한 부재와 환경 데이터가 바닥판 열화에 영향을 미친다는 점^{(Lee et al. 2023)}을 고려하여 SMOTE-TomekLinks 기법으로 C, D등급 샘플을 보완하여 균형 있는 데이터 분포를 확보하였다. 결함도 지수는 연속형 데이터이고 시설물 안전 및 유지관리 세부지침 상태평가 보고서에 근거하여 결함도 지수가 상태등급과 연관된다는 점에 따라 상태등급을 기준으로 리샘플링을 진행하였다. C등급과 D등급 데이터가 적어 전체 데이터세트에 리샘플링을 적용하였으며, 트레이닝 세트만 리샘플링할 경우 One-Hot Encoding 시 트레이닝 세트에만 존재하는 범주가 테스트 세트에 없어 모델이 작동하지 않는 문제를 방지하고자 하였다.

리샘플링 방법으로 데이터 불균형을 해소한 결과는 Table 3에 나타내었고, 생성된 데이터를 프로그램에 업로드하여 전처리 과정을 수행하였다. 전처리 단계에서는 One-Hot Encoding으로 범주형 데이터를 숫자형으로 변환하고 StandardScaler로 스케일을 표준화하였다. 전처리된 데이터는 일곱 가지 알고리즘(RF, XGB, k-NN, SVM, NN, LSTM, GRU)으로 7:3 비율로 학습 및 테스트 데이터를 분할하여 기계 학습을 진행하였으며, 각 알고리즘의 하이퍼파라미터와 훈련 시간, 메모리 사용량은 Table 4에 정리하였다.

기계 학습 후, 부재 결함도 지수 예측 모델은 MSE, RMSE, MAE, MAPE 지표로, 상태등급 예측 모델은 Confusion Matrix, Accuracy, F1-Score, Recall, Precision 지표로 성능을 평가하였고, 과적합 여부는 훈련 데이터와 테스트 데이터의 MSE와 MAE 값을 비교하여 교차 검증으로 확인하였다. 예측 모델 생성 과정의 전체 흐름도는 Fig. 3에 나타내었다.

Fig. 3 Flow chart of predictive model development

4.1 바닥판 결함도 지수 예측 결과

앞서 제시한 방법을 적용하여 부재 결함도 지수를 예측하는 모델을 구축하고, 각 알고리즘의 다섯 가지 평가 지표를 분석하였다. 결정계수(R²)의 평균은 0.879로 나타났으며, LSTM, RF, XGB 모델이 각각 0.940, 0.932, 0.926으로 높은 성능을 보였다. MSE와 RMSE의 평균은 각각 0.005와 0.068이며, LSTM, RF, XGB는 MSE 0.002, 0.003, 0.003, RMSE 0.050, 0.052, 0.056으로 우수한 결과를 기록하였다. 또한, MAE와 MAPE에서도 LSTM, RF, XGB가 일곱 가지 알고리즘 평균보다 높은 성능을 보였다.

이러한 평가 지표를 종합한 결과, 성능 순위는 LSTM, RF, XGB, k-NN, SVM, NN, GRU 순으로 나타났으며, 각 알고리즘의 성능 평가 지표 값은 Table 5에 정리하였다. 또한, 예측 모델의 결함도 지수와 실제 수집한 FMS의 정밀점검과 정밀안전진단 보고서의 값을 비교한 결과를 Fig. 4에 나타내었다.

비교 결과를 시각적으로 나타내기 위해, 예측 값과 실제 값이 일치할 경우 해당 값들이 선 위에 분포하도록 그래프를 작성하였다. 등급 구간은 a등급부터 e등급까지 각각 녹색, 파란색, 노란색, 주황색, 빨간색으로 표시하여 등급별 비교가 가능하게 하였다. 이를 통해 예측 모델이 실제 데이터를 얼마나 정확히 추정하는지 시각적으로 평가할 수 있었다. 각 알고리즘의 예측 결과와 실제 데이터를 비교한 결과, 예측 값이 선상에 가깝게 분포하여 모델이 바닥판 결함도 지수를 비교적 정확하게 추정함을 확인하였다. 다만 일부 데이터 포인트는 선에서 다소 벗어나 있어 각 알고리즘 간 예측 성능 차이가 있을 수 있음을 시사한다.

Fig. 4 Comparison results between actual and predicted values of the deck defect index (from top left : RF, XGB, k-NN, SVM, NN, LSTM, GRU)

4.2 바닥판 상태등급 예측 결과

앞서 제시한 방법을 적용하여 부재 상태등급을 예측하는 모델을 생성하고, 각 알고리즘에 대해 다섯 가지 평가 지표인 Accuracy, Recall, Precision, F1-Score의 결과와 Confusion Matrix를 분석하였다. 7개의 알고리즘에 대해 Accuracy, Recall, Precision, F1-Score의 평균값은 각각 0.789, 0.786, 0.789, 0.775로 나타났다. 또한 7개의 알고리즘 중 가장 높은 성능을 보인 알고리즘은 XGB로, 각각의 평가 지표 값이 0.882, 0.882, 0.882, 0.881으로 가장 높았다. 7개의 알고리즘에 대한 각 지표의 값은 Table 6에 나타내었다.

각 알고리즘에 대한 Confusion Matrix는 Fig. 5에 나타내었다. 결과에서 XGB가 7개의 알고리즘 중 가장 높은 성능을 보였고, GRU, LSTM, RF 순으로 높은 성능을 나타냈다. 이는 앞서 부재 결함도 지수를 예측할 때 LSTM, RF, XGB의 우수한 성능과 차이를 보이며, 상태등급 예측에서는 XGB가 더 강력한 일반화 성능을 보였고, GRU와 LSTM은 시계열 데이터에 강점을 보여 높은 성능을 기록한 것으로 판단된다.

Fig. 5 Comparison results between actual and predicted values of the deck condition rating (from top left : RF, XGB, k-NN, SVM, NN, LSTM, GRU)

4.3 예측 모델 교차 검증 결과

모델의 과적합 여부를 판단하기 위해 k-fold 교차 검증 방법을 활용하였다. 바닥판 결함도 지수 예측 모델에서는 k=5로 설정하여 다섯 번 반복한 평균 교차 검증 MSE와 실제 모델의 MSE를 비교하였고, 상태등급 예측 모델에서는 평균 교차 검증 Accuracy와 실제 Accuracy를 비교하였다. 결과는 각각 Table 7과 Table 8에 나타내었다. 결함도 지수 예측 모델에서는 대부분의 알고리즘이 MSE가 고르게 분포하여 과적합이 발생하지 않았으나, SVM과 NN은 각 폴드별 값 차이가 두드러져 과적합으로 판단되었다. 반면, 상태등급 예측 모델에서는 7개의 알고리즘 모두 고르게 분포하는 것을 확인하였다.