2.1 실험체 제작

교량 콘크리트 바닥판에서 발생하는 주요 열화 손상에는 층분리(delamination), 철근 부식(corrosion), 공극(void), 사질화(disintegration) 등이 포함된다^{(Njardardottir et al. 2005; KEC 2023; Jeong et al. 2024)}. 본 연구에서는 이 중 층분리와 사질화 손상을 모사한 실험체를 제작하였다(Fig. 1). 층분리 손상은 아크릴 판을 삽입하는 방식으로 구현하였다^{(Wu et al. 2024)}. 아크릴 판의 두께는 3 mm로 고정하고, 평면 크기는 300 mm×300 mm(대형)과 200 mm×200 mm(소형) 두 종류를 적용하였다. 아크릴은 콘크리트보다 밀도와 음속이 낮아 임피던스 차이가 존재하며, 상대 유전율 또한 콘크리트보다 낮아 공기층에 가까운 전자기적 특성을 나타낸다. 이러한 특성은 실제 공기층만큼 극단적인 대비를 형성하지는 않지만, 층분리 손상에서의 반사･투과 거동을 재현하기에 적합하다. 이에 따라 아크릴을 층분리 손상 모사용 매질로 선정하였다. Table 1은 공기, 아크릴, 콘크리트의 대표적 물성(밀도, 탄성계수, 유전율, 음속)을 정리한 것이다^{(Ginzel and Turnbull 2016; AZoM 2024)}. 사질화 손상은 콘크리트의 재료 분리 및 강도 저하 현상을 모사하기 위해 굵은 골재와 잔골재의 비율을 1:0.74로 조정하였다. 이를 통해 모르타르와 골재의 분리 상태를 재현하였다.

Fig. 1 Simulated delamination and disintegration

시험체는 층분리 시험체 1개와 사질화 시험체 2개로 총 3개를 제작하였다(Fig. 2). 결함 모사체를 배치한 후, 한국도로공사 고속도로 설계 실무자료집^{(KEC 2011)}에 제시된 배합비를 적용하여 콘크리트를 타설하였다. 해당 배합비(Table 2)는 주형교량 슬래브, PSC 빔교 바닥판, RC 슬래브, 강상자형(Steel Box) 거더교 바닥판, 교각, 중분대 기초 등 다양한 교량 부재에 적용되는 표준 배합으로 구성된다. 타설 후 28일간 현장 양생(field curing)을 통해 충분한 강도를 확보하였다. 이후 교량 바닥판의 교면 포장을 구현하기 위해 LMC(Latex Modified Concrete) 포장층을 시공하였다. 실교량 포장에 적용되는 VES-LMC 공법을 동일하게 적용하였으며, 전문 시공업체가 실제 교면포장 배합비(Table 3)에 따라 시공을 수행하였다(Fig. 3). 이 과정을 통해 본 연구에서는 일반 콘크리트 슬래브가 아닌, 교량 바닥판의 구조적･재료적 특성을 반영한 모사 시험체를 완성하였다.

Fig. 2 Layout of simulated deterioration in the specimens

Fig. 3 Specimen fabrication process

2.2 비파괴검사 기법별 데이터 전처리 및 구성

교량 바닥판 내부의 열화 상태를 정량적으로 평가하기 위해 본 연구에서는 충격–반향(Impact Echo, IE), 지표투과레이더(Ground Penetrating Radar, GPR), 위상배열 초음파 탐상(Phased Array Ultrasonic Testing, PAUT)의 세 가지 비파괴검사 기법을 적용하였다. IE 기법은 층분리나 공극과 같은 결함 검출에 유리하나, 손상의 수평적 위치나 범위를 정량적으로 평가하는 데에는 한계가 있다. PAUT 기법은 결함의 깊이를 비교적 정확히 추정할 수 있으나, 결함 상면에서의 반사 신호가 지배적이어서 열화 범위 산정에 어려움이 있다. 반면, GPR 기법은 깊이와 범위를 동시에 파악할 수 있는 장점이 있으나, 미세균열, 공극 등으로 이루어진 층분리 손상의 경우 유전율 차이가 작아 탐지 성능이 제한적이다. 각 기법의 장비 구성 및 사양은 Table 4에 제시하였다. 본 연구에서는 각 비파괴검사 장비에서 획득한 원시 데이터(raw data)를 활용하였으며, 각 기법의 원리와 데이터의 처리 과정은 다음과 같다(Fig. 4).

Fig. 4 Working principles and data pre-processing of nondestructive test methods

2.2.1 충격–반향 기법(Impact Echo, IE)

IE 기법은 임팩터(impactor)와 가속도계(accelerometer)로 구성되며, Fig. 4(a)와 같이 콘크리트 표면에 임팩터로 충격을 가해 발생한 탄성파의 반사 신호를 가속도계로 수신하여 시간 영역(time-domain) 파형을 계측한다^{(Gucunski et al. 2008)}. 계측된 파형은 0.5~20 kHz 대역 통과 필터를 적용한 후 정규화 및 DC 성분 제거를 수행하였다. 이후 샘플링 주파수 400 kHz (dt=2.5 µs) 조건에서 단기 푸리에 변환(STFT)을 적용하여 스펙트로그램을 구성하였다. STFT 계산에는 3.5 ms 길이의 Hann window와 0.08 ms hop size를 사용하였다. 이때 window 길이는 IE 신호의 주요 주파수 대역을 분해하기 위한 주파수 해상도(df≈0.29 kHz)를 확보하기 위함이며, hop size가 작게 설정됨에 따라 window 간 overlap 비율은 약 97.7 %로 높게 나타난다. 높은 overlap은 계산량과 메모리 비용이 증가하지만 시간축 정보의 연속성을 유지하고 세부 패턴을 보존하는 데 유용하여 CNN 기반 분류 모델의 성능 향상에 기여한다^{(Liu et al. 2024)}.

기존 FFT 기반 분석은 지배 주파수 변화에 따라 손상 여부를 판단할 수 있으나, Fig. 5에서 보이듯 결함–건전부 경계 부근에서는 다중 모드가 동시에 나타나 복수의 주파수 피크가 형성되므로 단일 스펙트럼만으로 상태를 명확히 구분하기 어렵다. 이러한 한계를 보완하기 위해 본 연구에서는 시간–주파수 정보를 동시에 반영하는 스펙트로그램을 활용하여 반사파 성분 변화를 시각적으로 분석하였다.

Fig. 5 Solid–defect boundary data

2.3 데이터세트 구축

본 연구에서는 총 3개의 LMC 포장 시험체를 대상으로 GPR, PAUT, IE 기법을 각각 수행하여 데이터를 획득하였다. IE와 PAUT는 각 계측 지점의 신호 데이터를 사용하였으며, GPR은 라인 스캔 데이터를 300 mm 간격으로 분할하여 데이터를 구성하였다. 머신러닝 학습을 위한 데이터 라벨링은 총 4개 클래스(Class 0~3)로 구분하였다(Fig. 6). 바닥판 내부 열화 깊이에 따라 보수･보강 대상 및 상태 등급이 구분되므로, 이를 기반으로 열화 깊이 중심의 정량적 분류 체계를 설정하였다^{(KEC 2023)}. 해당 체계는 머신러닝 기반 열화 상태평가 모델의 라벨링 기준(labeling criteria)으로 활용되었다. 이 기준을 적용하여 IE, GPR, PAUT 데이터를 각각 Class 0~3으로 분류하였으며, 데이터세트 구성 결과는 Table 5에 제시하였다. 최종적으로 확보된 총 2,370개의 샘플은 무작위로 학습용(train), 검증용(validation), 시험용(test) 세트로 분할하였으며, 비율은 6:2:2(1,422개/474개/474개)로 구성되었다.

Fig. 6 Labeling criteria for deterioration classification

2.4 머신러닝 기법

각 기법의 열화 상태 평가 모델은 ResNet-50을 백본(backbone)으로 사용하였으며, ImageNet-22K로 사전 학습된 가중치를 이용해 전이 학습(transfer learning)을 수행하였다^{(He et al. 2016)}. 입력 데이터는 각 기법의 특성에 맞게 구성하였으며, IE는 스펙트로그램 이미지를, GPR과 PAUT는 B-scan 이미지를 사용하였다. 각 이미지는 기법별 측정 결과를 MAT 파일 형식의 2차원 배열로 저장한 것으로, 개별 픽셀은 해당 위치의 단일 채널 신호 강도값으로 구성된다. Fig. 6의 측정 데이터는 열화 손상 유형에 따라 Class 0~3으로 라벨링하였으며, 이를 머신러닝 모델의 입력 데이터로 활용하였다. 기법별 이미지의 픽셀 수는 Table 6에 제시하였다. 모델은 특징 추출부(feature extraction)와 분류기(classifier)로 구성된다(Fig. 7). 특징 추출부에서는 입력 이미지를 다단 합성곱 블록(convblock)을 거치며 계층적으로 특징을 추출하고, 분류기에서는 4개 열화 클래스(Class 0~3)에 대한 예측 확률을 산출한다. 학습 과정에서는 사전 학습된 가중치를 기반으로 분류기와 상위 합성곱 블록을 미세 조정(fine-tuning)하여 각 클래스에 대응하는 열화 상태를 정밀하게 분류하도록 모델을 최적화하였다^{(Nguyen et al. 2024)}.

Fig. 7 Architecture of transfer learning–based 2D-CNN models for NDT techniques (GPR, PAUT, and IE)

3.1 비파괴검사 결과

비파괴검사 결과는 건전부, 층분리, 사질화로 구분하여 정리하였으며, 이는 Fig. 8에서 확인할 수 있다. IE 분석 결과, 건전부에서는 두께 모드(thickness mode)가 지배적으로 나타났으며, 주파수 영역에서 약 5~6 kHz 부근에 피크 주파수가 확인되었다. 층분리 구간에서는 휨 모드(flexural-mode)의 영향으로 지배 주파수가 건전부보다 저주파 영역으로 이동하는 경향을 보였다^{(Cheng and Sansalone 1995; Lin and Sansalone 1996)}. 사질화 구간 역시 저주파 영역에서 지배 주파수가 관찰되었으나, 층분리 구간과는 주파수 대역폭에 차이가 있었다. GPR 분석 결과, 건전부에서는 철근 반사 신호가 쌍곡선 형태로 나타났다. 층분리에서는 아크릴 판과 콘크리트 간 상대 유전율 차이가 작아 반사 강도가 낮게 나타났으며, 이에 따라 경계면 반사파의 식별이 어렵고 결함 검출 성능이 제한되는 것으로 확인되었다. 이 현상은 실제 층분리 손상의 반응과 유사하다^{(Sultan and Washer 2018)}. 반면, 사질화 영역에서는 골재로 인한 유전율 차이로 내부 반사파가 명확하게 관찰되었으며, GPR은 층분리보다 재료 분리형 손상에 대해 우수한 감지 성능을 보였다. PAUT 결과, 건전부에서는 철근 및 바닥판 하면에서 명확한 반사 신호가 관찰되었다. 층분리 구간에서는 결함 깊이에서 강한 반사파가 발생하였으며, 하부 영역에서는 다중 반사(multiple reflection) 현상이 나타났다. 이는 결함면에서 반사된 초음파가 상･하 경계면 사이를 반복 반사하며 누적된 결과로 해석된다. 사질화 구간에서는 골재의 영향으로 결함 상부에서 불연속 반사 신호가 나타났고, 결함 깊이는 확인 가능했으나 결함 상면에서의 반사로 인하여 열화 범위의 정량적 파악에는 한계가 있었다.

Fig. 8 Results obtained by each NDT method: (a) IE, (b) GPR, (c) PAUT

3.2 머신러닝 적용 결과

모델의 성능 평가는 테스트 세트(test set)를 대상으로 수행하였으며, 혼동 행렬(confusion matrix), 정밀도(precision), 재현율(recall), F1-score, 시험체별 오분류 분포 및 오분류 예시 데이터를 종합적으로 분석하였다. 정밀도, 재현율, F1-score는 각각 식 (1)~(3)에 따라 계산하였다.

이때, TP(True Positive)는 실제 양성을 양성으로 정확히 예측한 수, FP(False Positive)는 실제 음성을 양성으로 잘못 예측한 수, FN(False Negative)는 실제 양성을 음성으로 잘못 예측한 수를 의미한다.

3.2.1 충격-반향 기법 머신러닝 결과

IE 기반 열화 상태 평가 모델의 결과는 Table 7과 Fig. 9(a)에서 확인할 수 있다. IE 모델의 전체 테스트 정확도(test accuracy)는 80.17 %, weighted F1-score는 0.7998로 나타났다. 혼동 행렬 결과에서 확인되듯이, Class 0(건전부)와 Class 1~3(열화부) 간에 일부 오분류가 발생하였다. 시험체별 오분류 분포를 보면, 전반적으로 Class 0, 1, 2에서 오분류가 확인되었으며, 특히 1번 시험체의 Class 2와 3번 시험체의 Class 0에서 비율이 높았다. 이에 따라 Fig. 10(a)의 오분류 예시 데이터를 분석한 결과, 결함과 건전부의 경계 부근 또는 시험체 가장자리에서 계측된 데이터는 반사 신호의 시간 및 주파수 특성이 유사하게 나타나 모델이 두 클래스를 명확히 구분하지 못한 것으로 판단된다. 즉, 건전부 신호에 결함 주파수 성분이 일부 포함되거나, 결함부 신호가 건전부와 유사한 형태를 보인 경우이다. 이러한 경계부 신호 특성이 오분류의 주요 원인으로 해석된다.

Fig. 9 Confusion matrices and misclassification distributions of the tested specimens for IE, GPR, and PAUT

3.2.3 위상배열 초음파 탐상 기법 머신러닝 결과

PAUT 기반 열화 상태 평가 모델의 결과는 Table 7과 Fig. 9(c)에 제시되어 있다. 모델의 전체 테스트 정확도는 80.80 %, weighted F1-score는 0.8036으로 나타났다. 오분류 비율은 특정 클래스에 편중되지 않고 비교적 균일하게 분포하였다. 시험체별 오분류 분포를 보면, 2번 및 3번 시험체, 즉 사질화 데이터에서 오분류 비율이 높았다. 또한 Fig. 10(c)의 오분류 예시 데이터를 분석한 결과, Class 2의 사질화 데이터의 경우 결함 상면에서의 전반사로 인해 열화 범위 추적이 정확히 이루어지지 않았다. 또한, Class 3의 사질화 데이터에서는 다중 반사로 인해 모델이 반사 신호를 Class 2의 결함 반사로 오인한 것으로 나타났다. 이러한 결과는 PAUT의 전단파 기반 파동 전파 특성에 따라 결함 상면의 전반사, 다중 반사로 인한 신호 중첩이 모델의 분류 판단에 영향을 미친 것으로 해석된다.

Fig. 10 Examples of misclassified data for IE, GPR, and PAUT