Mobile QR Code QR CODE : Journal of the Korean Society of Civil Engineers

  1. 정회원 · 인하대학교 토목공학과 박사과정, 공학석사 (Inha University · con_hj311@naver.com)
  2. 종신회원 · 한국건설기술연구원 구조연구본부 선임연구원, 공학박사 (KICT · ktpark@kict.re.kr)
  3. 정회원 · 한국건설기술연구원 구조연구본부 수석연구원, 공학박사 (KICT · jaehwankim@kict.re.kr)
  4. 정회원 · 한국건설기술연구원 구조연구본부 박사후연구원 (KICT · kwonth@kict.re.kr)
  5. 종신회원 · 교신저자 · 인하대학교 토목공학과 부교수, 공학박사 (Corresponding Author · Inha University · jh.lee@inha.ac.kr)



랜덤포레스트, 바닥판, 이종손상, 손상예측, 손상원인
Random forest, Bridge deck, Heterogeneous damage, Damage prediction, Damage cause

1. 서 론

국내 교량의 국토교통부 통계자료(MOLIT, 2023)에 따르면 공용년수 30년 이상 교량이 전체 38,593개소 중 20.2%, 5년 후에는 35.1%, 10년 후에는 53.5%로 교량의 노후화가 급격하게 증가하고 있다. 현재 국내 교량의 유지관리는 ‘시설물의 안전관리에 관한 특별법’에 근거하여 이루어지고 있으며, 교량의 상태평가 및 구조적 안전성 평가는 ‘안전점검 및 정밀안전진단 세부지침’에 따라 이루어진다(MOLIT, 2021a; Jeong et al., 2021). 교량의 정밀안전진단 실시 주기는 직전 평가된 등급에 따라 4~6년에 1회 이상, 정밀안전점검의 경우 1~3년에 1회 이상 실시한다. 일반적으로 교량의 안전등급 분포가 대부분 B와 C등급인 점을 고려하면 대체로 2년마다 정밀안전점검을 수행하고, 5년마다 정말안전진단을 실시하게 된다.

실제 고속도로 교량에 대해 실시된 정밀안전진단보고서를 분석한 결과 결함, 열화, 물리력에 의한 손상 순으로 손상발생 빈도가 높은 것으로 나타났다(Jeon et al., 2017). 결함은 계획, 설계 및 시공단계에서 발생하는 손상으로 초기 점검 및 시공 중 점검 수준을 강화하거나 결함의 발생 원인에 대한 분석과 설계 및 시공관리의 피드백을 통해 발생 빈도를 낮출 수 있다. 반면 열화와 물리력에 의한 손상의 경우 공용 중인 교량에서 시간이 경과함에 따라 발생하는 필연적인 손상으로 다양한 환경 영향인자와 외부적 요인을 고려한 열화 발생 메커니즘과 현상 규명에 대한 연구가 필요한 실정이다.

효율적인 교량의 유지관리를 시행하기 위해서는 교량의 열화 원인을 예측하고 교량의 장기성능을 평가하는 것이 필요하다(Callow et al., 2013). 교량의 열화는 교량의 사용환경에 따라 진행속도가 달라진다(Jung et al., 2021). 특히 콘크리트 바닥판은 열화의 속도가 가장 빠른 부재 중 하나로 재료결함, 시공불량, 동결융해, 차량하중, 염화물 침투의 영향을 받는 것으로 추정되고 있다(Nowack and Szerszen, 2003). 이러한 복합적인 열화요인에 의해 대부분의 교량은 한 가지 유형의 단일손상이 아닌 서로 다른 2가지 유형 이상의 이종손상이 함께 발생한다. 하지만 대부분의 선행 연구에서는 교량에서 발생할 수 있는 다양한 유형의 이종손상을 분석하기 보다는 단일유형의 손상에 초점 맞추고 있다. 또한 손상의 경우 차량하중이나 충격 등의 외부적 요인이나 기온, 습도, 강수 등의 환경적인 열화 요인에 의해 손상이 가속화되지만, 이러한 이종손상과 열화요인 간의 관계를 분석하는 연구는 부재한 실정이다. 따라서 교량의 이종손상과 사용환경별 복합열화 상황을 고려하여 교량의 바닥판에 대한 요소들과의 상관관계를 분석하고 이를 통해 교량의 이종손상 발생 영향 요인을 밝히며, 이러한 원인에 대응하는 효과적인 유지관리 대책을 마련해야 한다.

본 논문에서는 랜덤포레스트를 활용하여 교량의 이종손상 발생에 영향을 미치는 원인을 추정하는 모델을 개발하였다. 이때 대상 교량은 대표 교량형식인 RC 슬래브교, PSC-I 거더교, 강박스 거더교, 라멘교를 선정하였으며, 정밀안전진단 및 점검을 통해 구축된 교량의 손상 데이터와 대상 교량들의 환경 데이터를 수집하였다. 수집된 데이터는 이종손상 시나리오에 따라 재구축하였으며, 데이터의 불균형을 고려하여 데이터 샘플링 과정을 거쳐 학습데이터를 생성하였다. 이후, 생성된 교량의 제원 정보를 포함한 학습데이터와 포함하지 않은 학습데이터를 구분하여 이종손상 시나리오별 손상 예측 모델을 개발하였다. 개발한 모델을 기반으로 이종손상 시나리오별 손상 발생의 영향인자를 도출하였다.

2. 바닥판 열화 및 이종손상

2.1 바닥판 열화 메커니즘

콘크리트 교량의 구조적 손상은 다양한 열화 메커니즘의 영향을 받아 발생하며, 일반적으로 두 가지 이상의 메커니즘이 작용하여 발생한다(Bien et al., 2020). 열화 메커니즘은 일반적으로 화학적, 물리적, 생물학적 메커니즘의 세 가지 유형으로 나눌 수 있으며, 화학적 메커니즘(Chemical mechanism)이란 탄산화, 부식 등 재료 구성요소 간의 화학적 반응의 결과로 발생하는 열화를 의미한다. 물리적 메커니즘(Physical mechanism)은 과부하, 극한 온도, 동결융해 작용 등의 물리적 현상의 결과로 열화가 발생하는 것을 말하며, 생물학적 메커니즘(Biological mechanism)은 미생물, 식물, 동물 등의 생물학적 유기체에 의해 발생하는 열화를 나타낸다. 이러한 열화 메커니즘에 의해 박리, 박락, 탈락 등의 재료파괴나 철근부식, 철근노출 등과 같은 재료의 손실, 균열, 파열 등의 부재 단면의 불연속성과 같은 손상을 유발한다(Bien et al., 2020).

최근 고속도로 콘크리트 구조물에서 동절기의 반복적인 동결·융해 작용으로 동해를 입게 되며 강설 시에는 차량의 안전한 주행을 유지하기 위한 다량의 염화물계 제설제에 노출되어 콘크리트의 조기 열화가 발생하는 것으로 나타났다(Aneta, 2013; Choi et al., 2014; Chung et al., 2014; Lee et al., 2016). 제설환경에서는 동해에 대한 내구성을 확보하여도 동해와 염해가 복합적으로 작용하게 되면 동결융해의 반복에 의한 물리적 손상뿐만 아니라 콘크리트의 강도 저하가 초래된다. 또한, 염화물에 의해 철근 부식의 발생 및 피복 콘크리트의 박리, 박락 등이 발생되어 콘크리트 부재 또는 구조물의 열화가 발생한다. 2014년에 제설염해의 실태조사를 위해 실시된 특별 점검 결과에 따르면, 교량 구조물에서 발생된 열화의 대부분은 제설제 직접 접촉에 의한 염화물의 침투와 이로 인한 철근부식으로 조사되었으며, 바닥판에서 발생한 열화가 전체 30.9%로 가장 높은 비중을 차지하였다(Kim et al., 2021).

교량의 구성요소 중 콘크리트 바닥판은 열화 속도가 가장 빠른 부재 중 하나로, 재료결함, 시공불량, 동결융해, 차량하중과 염화물 침투를 열화의 영향인자로 추정되고 있다(Lee et al., 2015). 또한, 최근 도로공사 연구(KEC, 2020)에 따르면 교량 바닥판의 균열은 열화현상의 원인이고, 교량 내구성과 사용수명 저하에 밀접한 관계가 있다. 특히, Fig. 1과 같이 균열부를 통한 염화물과 수분의 침투는 철근의 부식을 촉진하고, 부식이 진행되는 동안 부산물의 체적 증가로 인해 응력이 증가하여, 추가적인 균열이 발생한다(Grace et al., 2012). 새롭게 발생한 균열을 통해 다시 수분, 염화이온이 침투되어 부식의 과정을 가속화하고 이러한 연속적인 과정으로 인해 결국 콘크리트 표면의 균열이 발생하며, 표면의 박리, 박락 현상으로 이어진다(Cusson et al., 2011). 따라서 열화 메커니즘으로 인해 다양한 유형의 손상이 발생하는 것을 확인하였다.

Fig. 1. Deterioration Process of Deck in Service Life (Tuutti‘s Simplified Model, 1982)
../../Resources/KSCE/Ksce.2024.44.1.0019/fig1.png

2.2 이종손상 시나리오 정의

국내 교량의 상태평가 및 구조적 안전성 평가는 시설물의 안전 및 유지관리 실시 세부지침(안전점검·진단 편)-교량편(, 2022)에서 제시하고 있는 기준에 따라 수행된다. 콘크리트 바닥판의 경우 현장조사 시 점검사항으로는 균열, 박리, 박락, 철근노출, 누수 및 백태 등으로 정의하고 있으며, 상태평가 시에는 평가 대상을 균열과 열화 및 손상으로 구분하고 있다. 이때 열화 및 손상의 경우는 다시 누수 및 백태, 표면손상, 철근부식으로 나눌 수 있다. 누수는 바닥판의 균열이 상하면을 관통하여 물이 스며드는 현상을 의미하며, 누수가 지속되어 바닥판 표면의 색이 변화된 상태를 백태라고 한다. 표면손상의 경우 파손, 박락, 층분리, 재료분리 등과 같이 손상이 콘크리트 부분에 국한된 경우를 의미하며, 철근부식 손상은 철근노출 및 노출된 철근이 부식된 경우나, 탄산화 또는 콘크리트 내의 염화물로 인해 내부철근의 부식이 발생하고, 이로 인해 콘크리트의 팽창, 균열 및 박리가 발생한 경우를 말한다. 따라서 본 논문에서는 교량의 열화 메커니즘과 이에 따라 발생하는 개별 단일손상 간의 조합을 이종손상으로 정의하고, 이에 따라 다음의 4가지 손상 시나리오로 구분하였다. Level-0는 균열 단일손상이 발생한 경우, Level-1은 균열과 철근부식의 손상이 함께 발생한 이종손상으로 정의하였다. Level-2의 경우 균열과 표면손상의 이종손상이 발생한 경우이며, Level-3는 균열과 철근부식, 표면손상이 함께 발생한 경우로 정의하였다.

2.3 바닥판 손상 및 환경 데이터 구축

본 연구에서는 1998~2022년까지 시행된 점검 시기별 교량 바닥판의 점검 및 진단 데이터를 수집하였다. 이때 대상 교량의 형식은 국내 교량을 상부구조 형식별로 분류하였을 때 가장 높은 비중을 차지하는 RC 슬래브교, 라멘교, PSC-I 거더교, 강박스 거더교를 선정하였다. 국내 교량의 점검 및 진단은 분기별로 진행할지라도 매번 다른 기업이 점검을 수행하는 경우가 많아 노후화된 교량의 기존 이력 파악이 어렵고, 이력 데이터의 축적이 어려다. 따라서 대표 4가지 상부구조 형식에 대한 일회성 점검 결과와 연속적인 점검 결과를 모두 수집하였다. RC 슬래브 교량의 경우 248개소에 대해 695개의 데이터를, 라멘교는 160개소에 대해 453개의 데이터, PSC-I 거더교량은 300개소에 대해 1,118개의 데이터, 강박스 거더교는 259개소에서 982개의 데이터를 구축하였다. 손상은 균열, 표면손상, 철근부식 손상과 누수 및 백태로 구분하였으며, 균열의 경우 일방향 균열과 이방향 균열을 모두 포함하였다. 표면손상의 경우 박리 및 박락, 탈락, 파손 등 국내 유지관리 지침에서 정의하고 있는 유형을 기반으로 구축하였으며, 철근부식의 경우 철근 노출과, 철근부식을 함께 수집하였다. 점검 및 진단 데이터를 기반으로 다시 정의된 이종손상 시나리오별로 데이터를 재구축하였으며, 바닥판의 상태평가는 일반적으로 하부에서 이루어져, 실제로 누수가 상부에서부터 진전되더라도 점검 시에 계측되지 않는 경우가 많다. 따라서 누수를 손상 발생의 원인으로 가정하여, 누수 발생 유무를 함께 고려하여 개별 손상 시나리오 데이터를 구축하였다. 점검 및 진단 데이터의 대상 교량에 대한 정보는 2021년에 분석된 전국교량표준데이터(MOLIT, 2021b)와 시설물통합정보관리시스템(FMS)을 기반으로 구축하였다. 선행 연구에 따르면 교량 상판의 열화는 일반적으로 온도, 강수량, 습도의 영향을 받는 것으로 분석된다(Zhang et al., 2016; Agrawal et al., 2010). 따라서 교량에서 발생한 손상 시나리오별 작용한 환경적 요인의 영향 분석을 위하여 기상청 데이터를 활용하여 교량의 지역 위치별 기상 데이터를 수집하였다. 이때 온도와 습도는 여름철과 겨울철의 연평균 기온으로 구분하여 수집하였으며, 여름철은 6~8월, 겨울철은 12~2월로 정의하였다. 또한, 교량의 손상 및 열화의 주요한 요인으로 분석되는 통행 차량에 대한 정보는 국토교통부에서 제공하는 연도별 도로교량 및 터널 현황조서(2013~2022)와 도로교통량조사(2003~2022)의 데이터를 기반으로 교량의 교통량 데이터를 구축하였다. 이때 구축된 데이터 유형은 범주형 데이터(Categorical data)와 수치형 데이터(Numerical data)로 구분되며, 데이터 유형 간의 호환성을 확보하기 위하여 범주형 데이터는 수치형 데이터로 변환하였다. 변수 간의 순서나 순위가 존재하는 데이터의 경우 레이블 인코딩(Lebel encoding)을 사용하였으며, 변수 간의 순서가 무의미한 경우 이진변수로 변환해주는 원핫 인코딩(One-hot encoding) 기법을 통해 수치화하였다. 구축된 데이터를 기반으로 이상치와 결측치를 제거하여 Table 1에 나타낸 바와 같이 총 3,284개의 데이터를 구축하였다.

Table 1. List of Input Variables

Data

Variables

Type

Actual values

Structural information

Superstructure type

CD

RCS, RA, PSCI, STB

Construction year

ND

1940~2018

Facility type

CD

class 1, class 2, class 3, other

Total length

ND

5.2~5,962 (m)

Total width

ND

4.95~ 1,016.5 (m)

Number of spans

ND

1~98

Inspection information

Inspection year

ND

1998~2022

Condition rating

CD

A, B, C, D

Damage type

CD

4 types of damage

Damage size

ND

0~28,472 (m2)

Environmental information

Average annual temperature in summer

ND

21.7~27 (℃)

Average annual temperature in winter

ND

-5.4~9.9 (℃)

Average annual relative humidity in summer

ND

61.7~90.7 (%)

Average annual relative humidity in winter

ND

44~79.3 (%)

Average annual precipitation

ND

53.8~2,713.6 (mm)

Average annual daily traffic (AADT)

ND

80~173,785

Average annualtruck traffic (ADTT)

ND

26~33,700

Note: CD(Categorical data), ND(Numerical data)

3. 랜덤포레스트 모델 구축

3.1 랜덤포레스트

본 논문에서는 결정트리 기반의 랜덤포레스트(Random forest)를 사용하여 교량의 이종손상 발생을 예측하고, 손상 발생에 영향을 미치는 요인을 도출하였다. 랜덤포레스트 기법은 최근 머신러닝 방법을 이용한 분류 분석 중 가장 널리 사용되는 방법 중 하나로, 분류 및 예측 작업에 효과적인 중요한 변수를 확인할 수 있어 유용하다(Kazemitabar et al., 2017). 기존의 의사결정트리의 경우 단일 결정트리를 사용하여 트리의 깊이가 깊어지면 과적합(Overfitting)이 발생해 예측력이 저하될 수 있다. 랜덤포레스트는 이러한 의사결정트리의 단점을 보완하였으며, 앙상블 기법을 적용하여 Fig. 2와 같이 다수의 결정트리를 생성함으로써 다양성을 확보하고 과적합을 방지한다. 가장 잘 알려진 앙상블 기법은 부트스트랩 집계로 알려진 배깅(Bagging)으로, 훈련데이터에서 무작위로 데이터를 복원 추출하여 랜덤 샘플을 만드는 방법이다. 배깅을 이용하여 다수의 결정트리를 무작위로 생성하고, 다수결 또는 평균에 따라 분류하여 과적합을 방지함으로써 기존 의사결정트리보다 성능이 우수하다.

랜덤포레스트는 각 결정트리의 구성에서 무작위로 선택된 데이터 샘플과 특성을 사용하며, 각 노드에서 무작위로 선택한 특성을 기반으로 분할하여 불순도(Impurity)를 최소화한다(Hong and Jeon, 2023). 주로 사용되는 불순도 측정지표로는 지니불순도(Gini Impurity)와 엔트로피(Entropy)가 있다. 지니불순도는 확률분포가 어느 범주에 치우쳐 있는지를 측정하며, 엔트로피는 불순도를 나타내는 수치이다. 지니불순도는 이진분류에 적합하고 계산이 빠르지만 클래스 가중치를 고려하지 않는다. 반면, 엔트로피는 불순도를 더 정확히 측정하며 균형잡힌 트리를 생성하려는 경향이 있지만, 계산이 복잡하고 수렴이 느리다. 따라서 본 연구에서는 불순도를 최소화하기 위해 매개변수 간 조합의 교차검증을 통해 지니불순도와 엔트로피 중에서 더 적합한 알고리즘을 선택하였다. 본 논문에서는 Fig. 3과 같이 랜덤포레스트를 활용하여 교량의 이종손상 예측 모델을 개발하고, 예측 모델을 기반으로 이종손상의 발생 원인을 도출하였다.

Fig. 2. Overview of Random Forest
../../Resources/KSCE/Ksce.2024.44.1.0019/fig2.png
Fig. 3. Process for Development of Heterogeneous Prediction Models and Damage Cause Estimation Techniques
../../Resources/KSCE/Ksce.2024.44.1.0019/fig3.png

3.2 데이터 전처리

정제되지 않은 데이터는 변수 간의 높은 상관관계나 불균형한 데이터 분포로 인해 개발된 모델의 성능이 저하될 수 있다. 따라서 분류모델의 성능을 향상시키기 위해 구축된 데이터의 상관관계 분석을 통한 변수 제거, 불균형 데이터 샘플링을 통해 데이터 전처리를 수행하였다.

데이터 학습 시 변수 간의 상관관계가 거의 없는 독립변수를 사용해야 한다. 상관관계가 높은 변수들은 다중공선성(Multicollinearity)이 발생할 가능성이 높아져 서로 종속적일 수 있으며, 모델의 성능이 저하될 수 있다(Chan et al., 2022). 다중공선성은 모델에서 변수 간의 관계를 정확하게 추정하는데 어려움을 줄 수 있어, 상관관계가 높은 변수 중 하나를 제거하는 것이 일반적인 방법이다. 따라서 Fig. 4와 같이 피어슨 상관계수를 기반으로 연속변수들의 상관관계를 산출하였고, 상관계수가 0.6 이상인 경우 의미상 중첩된 변수로 판단하여 제거하였다. 상관계수가 0.6 이상인 변수쌍은 ‘준공년도-점검시기’, ‘경간수-총연장’, ‘여름철평균습도-겨울철평균습도’, ‘연평균일교통량-연평균일트럭통행량’의 총 4개의 쌍으로 분석되었다. 이때 ‘준공년도-점검시기’의 변수쌍은 두 변수간의 차를 ‘공용년수’라고 정의하여 하나의 변수로 나타냈으며, ‘여름철평균습도-겨울철평균습도’는 일반적으로 콘크리트 열화에 영향을 주는 것으로 알려진 ‘상대습도’로 대신하였다. ‘경간수-총연장’의 경우 ‘총연장’을 변수로 선택하였으며, ‘연평균일교통량-연평균일트럭통행량’의 변수쌍 중 바닥판 열화에 주요한 영향을 미치는 것으로 분석되는 ‘연평균일트럭통행량’을 선정하였다.

Fig. 4. Correlation Analysis of Features
../../Resources/KSCE/Ksce.2024.44.1.0019/fig4.png

상관관계 분석을 통해 정제된 변수를 기반으로 학습데이터와 테스트데이터를 7:3의 비율로 분할하였다. 구축된 데이터를 Table 2와 같이 손상 시나리오별로 분류하였을 때, Level-0이 29.5%로 가장 높으며, Level-3가 22.6%, Level-1가 12.6%, Level-2가 9.0% 순으로 뒤를 이으며, 데이터가 불균*로, 데이터 샘플링 과정이 필요하다. 일반적으로 데이터 샘플링은 언더샘플링(Under sampling)과 오버샘플링(Over sampling)으로 구분할 수 있다. 언더샘플링의 경우 다수 클래스의 데이터를 임의로 선택하여 소수 클래스의 수에 맞도록 데이터를 정제하지만, 주요 정보 손실이 있을 수 있다. 오버샘플링은 소수 클래스를 증폭시켜 다수 클래스와 맞추는 방법으로 정보 손실은 방지되지만, 과적합 문제가 발생할 수 있다. 따라서 본 연구에서는 Fig. 5와 같이 TomekLinks의 언더샘플링 기법과 SMOTE(Synthetic Minority Over-Samping Technique)의 오버샘플링 기법을 결합한 SMOTETomek 샘플링을 사용하였다. SMOTETomek은 먼저 SMOTE를 사용하여 소수 클래스의 샘플을 합성후, Tomek Links를 사용하여 소수 클래스의 샘플을 늘리고, 동시에 데이터의 균형을 유지할 수 있다(Hairani, et al., 2023).

Fig. 5. Process of SMOTETomek Sampling
../../Resources/KSCE/Ksce.2024.44.1.0019/fig5.png
Table 2. Percentage of Data by Damage Scenario

Damage scenario

Number of damaged data

Percentage (%)

Level-0

958

29.5

Level-1

409

12.6

Level-2

293

9.0

Level-3

735

22.6

Other

889

27.4

Sum

3,248

100

3.3 하이퍼파라미터

머신러닝 모델에서 매개변수(Hyperparameters)는 모델의 동작을 제어하고 조정하는데 사용되는 설정값이다. 모델의 성능을 최대로 끌어올리기 위해 매개변수를 조정하는 것을 매개변수 최적화 또는 하이퍼파라미터 튜닝이라고 하며, 이를 통해 모델이 데이터의 패턴을 더 잘 파악하거나 더 빠르게 학습함으로써 모델의 성능을 향상시킬 수 있다.

랜덤포레스트의 주요 매개변수는 criterion, n_estimators, max_features, max_depth, min_samples_split, min_samples_ leaf 등이 있다. criterion이란 3.1절에서 언급한 불순도를 조절하는 방법으로써 gini와 entropy로 정의할 수 있으며, n_estimators는 생성할 수 있는 의사결정 트리의 개수를 의미한다. max_features란 각 의사결정 트리를 구성할 때 사용할 변수의 최대 개수를 의미하며, max_depth는 각 의사결정 트리의 최대 깊이 제한, min_samples_ split은 노드를 분할하기 위한 최소 샘플 수, min_samples_leaf은 리프 노드가 가져야 할 최소 샘플 수를 나타낸다. 본 연구에서는 GridSearchCV를 이용하여 미리 정의해준 개별 변수 간의 조합을 통해 교차검증을 수행하여, Fig. 6와 같이 모델의 성능을 평가함으로써 최적의 변수를 선정할 수 있다. 본 연구에서 선정된 손상 시나리오별 최적의 매개변수는 Table 3와 같다.

Fig. 6. Examples of Hyperparameters Cross-validation
../../Resources/KSCE/Ksce.2024.44.1.0019/fig6.png
Table 3. Optimum Hyperparameters for each Damage Scenario

Damage scenario

Hyperparameter

Criterion

(gini / entropy)

n_estimators

(50~300)

max_features

(auto / log)

max_depth

(2~10)

min_samples_split

(3~15)

min_samples_leaf

(3~15)

Level-0

entropy

300

auto

10

3

3

Level-1

entropy

200

auto

10

3

3

Level-2

entropy

100

auto

10

3

9

Level-3

entropy

100

auto

10

3

3

4. 교량 이종손상 예측 및 원인추정

4.1 교량 이종손상 예측 결과

본 연구에서는 랜덤포레스트를 활용하여 이종손상 시나리오 Level-0, Level-1, Level-2, Level-3에 대한 개별 손상 예측 모델을 개발하였으며. 이때, 총폭, 총연장과 같은 교량의 제원은 절대적인 수치로써 손상 발생의 지배적인 영향을 미칠 것으로 판단된다. 따라서 이종손상 예측 모델의 입력변수를 교량 제원에 대한 정보를 포함한 것과 포함하지 않은 것으로 구분하였으며, 개발된 모델의 평가 지표를 계산하기 위해 Fig. 7, 8과 같이 혼동행렬(Confusion matrix)을 사용하였다. 혼동행렬은 모델이 예측한 클래스 레이블과 실제 클래스 레이블 간의 관계를 의미하며, 두 개의 클래스를 기반으로 예측 결과를 시각적으로 나타낼 수 있다. 혼동행렬의 각 항목은 TP(True Positive), FP(False Positive), FN(False Negative), TN(True Negative)로 구성된다. TP는 실측값과 예측값이 모두 이종손상의 발생으로 일치한 경우를 의미하며, TN은 실측과 예측 모두가 이종손상 발생하지 않음으로 일치한 경우이다. FP는 실제로는 이종손상이 발생하지 않았지만, 이종손상의 발생으로 예측한 경우를 의미하며, TN은 반대로 이종손상이 발생하였지만, 발생하지 않음으로 예측한 경우를 나타낸다.

도출된 혼동행렬을 기반으로 산정 가능한 평가 지표는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 등이 있다. 일반적으로 전체적인 모델의 성능을 나타내는 지표로는 정확도가 사용되는데, 이는 전체 샘플 수 대비 모델이 올바르게 예측한 샘플의 수를 의미한다. 그러나 개발된 이종손상 예측 모델의 훈련데이터는 SMOTETomek을 통해 샘플링하여 데이터의 분포가 고르지만, 테스트데이터의 경우 따로 샘플링을 하지 않기 때문에 데이터의 분포가 불균형하다. 따라서 불균형한 클래스 분포를 가진 데이터셋의 경우 Eq. (1)을 통해 균형 정확도(Balanced Accuracy)를 통해 모델의 성능을 평가함으로써 편향된 평가를 보완할 수 있다. 재현율은 실제로 이종손상이 발생한 샘플들 중 손상의 발생을 예측한 샘플의 수를 의미하며 Eq. (2)를 통해 산정할 수 있다.

(1)
${Balacned}\; {Accuracy}=\dfrac{1}{2}\times\left[\left(\dfrac{{TP}}{{TP}+{FN}}\right)+\left(\dfrac{{TN}}{{TN}+{FP}}\right)\right]$
(2)
${Recall}=\dfrac{{TP}}{{TP}+{FN}}$

본 연구에서는 전반적인 모델의 성능평가와 이종손상의 발생을 정확히 식별하는 것이 중요하므로, Balanced accuracy와 Recall 값을 기반으로 Fig. 9과 같이 개발된 모델의 성능을 평가하였다. 교량의 제원 정보를 포함한 입력변수 기반으로 개발된 이종손상 예측 모델의 경우 모든 손상 시나리오에서 약 77.9~81.8%의 균형 정확도를 보이며, 재현율의 경우 73.5~85.4%로 나타났다. 교량 제원 정보를 제외한 입력변수를 기반으로 개발된 예측 모델은 모든 손상 시나리오에서 균형 정확도 74.0~79.8%를 보이며, 재현율은 71.5~81.9%로 나타났다. 제원 정보를 포함한 입력변수 기반의 이종손상 예측 모델 대비 약 2~3.9% 정도 낮은 평가 결과를 보이지만 두 모델 모두 준수한 성능을 보이는 것으로 판단된다.

Fig. 7. Confusion Matrix for Heterogeneous Damage Prediction Model Based on Input Variables with Bridge Specifications: (a) Level-0, (b) Level-1, (c) Level-2, (d) Level-3
../../Resources/KSCE/Ksce.2024.44.1.0019/fig7.png
Fig. 8. Confusion Matrix for Heterogeneous Damage Prediction Model Based on Input Variables without Bridge Specifications: (a) Level-0, (b) Level-1, (c) Level-2, (d) Level-3
../../Resources/KSCE/Ksce.2024.44.1.0019/fig8.png
Fig. 9. Evaluation of Prediction Performance for Heterogeneous Damage Scenarios
../../Resources/KSCE/Ksce.2024.44.1.0019/fig9.png

4.2 이종손상 발생 원인 추정

랜덤포레스트를 활용하여 개발한 이종손상 예측 모델을 기반으로 이종손상 시나리오별 교량형식과 제원, 점검인자, 환경 정보에 대한 손상 발생 중요도를 평가하였다. 이때 공용연수는 교량의 점검시기와 준공년도 간의 관계로 정해지며, 점검시기가 없는 경우 산정할 수 없는 값이다. 따라서 공용연수를 점검인자로 정의하였다. Fig. 10은 교량의 제원 정보를 포함하여 학습한 이종손상 예측 모델을 기반으로 도출한 영향인자의 중요도를 손상 시나리오별로 비교한 결과이다. 총 12개의 인자들 중 1~4는 하위 중요도, 5~ 7은 중간 중요도, 8~12는 상위 중요도로 정의하였다.

Fig. 10은 균열 단일손상인 Level-0, 균열과 철근부식이 함께 발생한 이종손상 Level-1, 균열과 표면손상이 함께 발생한 Level-2, 균열과 철근부식 및 표면손상이 함께 발생한 Level-3의 영향인자 중요도 분포를 보여준다. Level-0의 경우 공용연수, 상부구조 형식, 총연장과 총폭, 연평균일트럭통행량에서 상위 중요도를 보였다. 철근부식이 함께 발생한 Level-1에서는 총폭과 연평균일트럭통행량 대신 연평균강수량과 동결융해빈도가 상대적으로 높은 중요도를 보였다. 표면손상이 함께 발생한 Level-2의 경우는 상부구조 형식 대신 동결융해빈도가 높은 중요도를 나타냈다. 균열과 철근부식, 표면손상이 함께 발생한 Level-3에서도 Level-0과 비교하였을 때, 상부구조 형식 대신 동결융해빈도의 중요도가 증가하는 것으로 나타났다. 상태등급과 시설물형식은 모든 손상 시나리오에서 공통적으로 낮은 중요도를 보였다.

총폭과 총연장은 교량의 제원정보로 교량의 규모를 결정하는 요인이다. 일반적으로 교량의 규모가 클수록 더 큰 하중과 기하학적 변화에 노출되기 쉽다. 따라서, 총연장 또는 총폭은 모든 손상 시나리오에서 중요도가 높게 나타났으며, 환경적 요인이나 교통량도 손상과 밀접한 관련을 보이는 것으로 나타났다. 균열 단일손상 Level-0의 경우는 연평균일트럭통행량이 상위 중요도를 보였으며, 균열과 철근부식이 함께 발생한 Level-1의 경우는 연평균강수량과 동결융해빈도, 균열과 표면손상이 함께 발생한 Level-2는 연평균일트럭통행량과 동결융해빈도가 중요하게 작용하였다. 모든 손상 유형이 함께 발생하는 Level-3의 경우 연평균일트럭통행량, 연강수량, 동결융해빈도의 중요도가 모두 높게 나타났다. 특히 상태등급의 경우 교량의 손상 점검을 통해 도출되는 평가 결과로 일반적으로 손상 발생과 높은 상관관계를 가질 것으로 예상되지만, 모든 손상 시나리오에서 가장 낮은 영향도를 보였다. 전체 교량의 상태등급은 부재별 여러 손상 유형에 대한 평가를 수행한 후 합산되어 산정되는 결과로, 이에 따라 바닥판의 손상 정도와 상관없이 상대적으로 높은 상태등급이 산정될 수 있다. 또한 현재의 손상 예측 모델은 손상의 유무를 기준으로 판단하고 있어 손상의 크기를 통해 산정되는 상태등급과의 상관관계가 떨어지는 것으로 분석된다.

이종손상 시나리오별 중요도 평가 결과를 기반으로 손상 발생의 가장 높은 중요도를 보이는 상위 5개의 인자를 추출하여 Fig. 11과 같이 나타내었다. Level-0의 균열 단일손상의 경우 공용연수가 0.27로 가장 높으며, 연평균일트럭통행량, 총폭, 총연장, 상부구조 형식 순으로 0.08~0.11의 중요도를 보였다. 이에 따라 균열은 공용연수에 가장 지배적인 영향을 받으며, 연평균일트럭통행량도 주요한 영향을 미치는 것으로 판단된다. 이외에는 교량의 구조적 형식의 영향도 받는 것으로 분석된다. 균열과 철근부식 손상이 함께 발생한 Level-1은 상부구조 형식, 공용연수, 총연장, 연평균강수량과 동결융해빈도 순으로 이종손상 발생에 영향을 주는 것으로 나타났으나, 중요도는 0.09~0.12 범위로 인자별 큰 차이를 보이지는 않았다. 이는 균열과 철근부식이 함께 발생하는 경우는 상부구조 형식과 함께 연평균강수량, 동결융해빈도의 환경적 특성이 손상 발생에 주요하게 영향을 주기 때문이다. 즉, 열화 메커니즘을 고려하였을 때 강수와 제설제의 염분이 철근 부식을 유발하고 가속화할 수 있다. 또한 겨울철 동결과 해동의 사이클 동안 염화물이 포함된 수분이 바닥판을 침투하게 되며, 이에 따라 철근의 산화를 가속화할 것으로 분석된다. 균열과 표면손상이 함께 발생하는 Level-2의 경우 총폭이 0.19로 가장 높으며, 총연장, 연평균일트럭통행량, 동결융해빈도, 공용연수 순으로 0.09~0.11의 중요도를 보였다. 이는 Level-1과 유사하게 겨울철의 기온차로 인해 동결과 해동이 반복되면서 염화물을 포함한 수분의 침투로 철근 주변의 콘크리트 부피가 팽창될 수 있다. 이에 따라 콘크리트와 철근 간의 결합력은 약화되고, 바닥판 상부의 트럭 통행 등의 외부적인 요인으로 인해 박리 및 박락 등의 손상이 발생할 것으로 판단된다. 균열과 철근부식, 표면손상이 함께 발생한 Level-3의 경우는 공용연수가 0.27로 가장 높으며, 총연장이 0.15, 연평균일트럭통행량, 동결융해빈도, 총폭이 0.07~0.08의 범위로 영향을 미치는 것으로 분석되었다. Level-3의 이종손상 발생 상위 5개의 영향인자는 균열과 표면손상이 함께 발생하는 Level-2와 동일하였다. 이는 열화 메커니즘 상의 손상 발생 순서를 고려하였을 때, 표면손상의 경우 균열과 철근부식이 선행된 후 발생될 가능성이 높기 때문에 동일한 상위 영향인자가 선정된 것으로 판단된다. 다만, 총연장과 총폭의 중요도가 상대적은 높은 Level-2와 달리 Level-3은 열화와 밀접한 관련이 있는 공용연수가 상대적으로 높게 나타났다.

공용연수와 총폭 또는 총연장의 경우 모든 이종손상 시나리오의 손상 발생에 영향을 미치는 상위 5개의 인자로 선정되었다. 특히, 교량의 총폭과 총연장은 교량의 크기와 관련성이 있어 손상 발생량에 지배적인 인자로 평가될 수 밖에 없다. 따라서, 교량의 제원 정보를 제외한 교량의 형식과 점검인자, 환경 정보를 기반으로 학습한 이종손상 예측 모델의 중요도를 평가하였다.

Fig. 12는 균열 단일손상 Level-0과 균열과 철근부식이 함께 발생한 Level-1, 균열과 표면손상이 함께 발생한 Level-2, 균열과 철근부식, 표면손상이 함께 발생한 Level-3의 영향인자별 중요도 분포를 보여준다. Level-0은 공용연수, 연평균일트럭통행량, 동결융해빈도, 상부구조 형식, 연평균여름철기온에서 상위 중요도를 보였다. 철근부식이 함께 발생한 Level-1은 연평균여름철기온 대신 연평균강수량이 상대적으로 높은 중요도를 보였다. 표면손상이 함께 발생한 Level-2는 연평균여름철기온 대신 연평균겨울철기온이 상대적으로 높은 중요도로 나타났다. 균열과 철근부식, 표면손상이 함께 발생한 Level-3에서도 균열 단일손상과 비교하였을 때, 상부구조 형식, 연평균여름철기온 대신 연평균겨울철기온, 연평균강수량의 중요도가 증가하는 것으로 나타났다. 시설물형식과 상태등급은 교량 제원을 제외한 경우에도 여전히 낮은 중요도를 보였다.

교량 제원정보를 제외한 데이터를 기반으로 생성된 모델의 이종손상 시나리오별 손상 발생의 높은 중요도를 보이는 상위 5개의 인자를 Fig. 13에 비교하였다. 균열 단일손상이 발생한 Level-0의 경우 공용연수가 0.31로 가장 높은 영향을 미쳤으며, 연평균일트럭통행량, 동결융해빈도, 상부구조 형식, 연평균여름철기온 순으로 0.08~0.11의 중요도로 나타났다. 앞서 교량 제원정보를 포함한 경우와 동일하게 공용연수가 지배적인 영향을 보이고, 연평균일트럭통행량, 상부구조 형식이 주요한 영향을 미치는 것으로 나타났다. 다만, 교량 제원 정보를 제거한 결과 동결융해빈도와 연평균여름철기온의 중요도가 높아졌다. 이는 연평균여름철기온과 일교차는 바닥판의 신축과 관련되어 균열 발생 가능성이 높은 것으로 판단된다. 균열과 철근부식 손상이 함께 발생한 Level-1의 경우도 교량 제원정보를 포함한 경우와 동일하게 상부구조 형식과 공용연수가 각각 0.16, 0.14로 높은 영향을 미치는 것으로 나타났고, 연평균강수량, 동결융해빈도, 연평균일트럭통행량이 동일하게 0.11의 중요도를 보였다. 교량 제원정보가 제거됨에 따라, 연평균일트럭통행량 인자가 주요 인자로 포함된 것 외에는 유사한 경향을 보였다. Level-0와 비교 시에는 철근부식 손상 발생은 연평균여름철기온보다는 연평균강수량의 영향이 큰 것으로 보인다. 균열과 표면손상이 함께 발생한 Level-2의 경우 연평균일트럭통행량이 0.25로 다른 상위 영향인자 대비 2배 이상 높은 중요도로 지배적인 영향을 미치는 것으로 분석된다. 이외 동결융해빈도, 연평균겨울철기온, 공용연수, 상부구조 형식이 0.10~0.12의 중요도를 보였다. 교량 제원이 제거됨에 따라 트럭 통행량의 영향이 높아지고, 연평균겨울철기온의 영향이 추가되었다. 즉, 연평균겨울철기온은 제설 염해와 동해 등의 영향을 유발할 수 있어, 박리 및 박락, 층분리 등의 표면손상을 발생시킬 수 있을 것으로 판단된다. 균열과 철근부식, 표면손상이 함께 발생한 Level-3의 경우에도 교량 제원정보를 포함한 경우와 동일하게 공용연수가 0.30으로 가장 지배적인 영향을 보였다. 이후 연평균일트럭통행량, 연평균겨울철기온, 동결융해빈도, 연평균강수량 순으로 0.09~0.10의 중요도를 보였다. 균열과 표면손상이 함께 발생하는 Level-2의 상위 영향인자와 비교 시, 상부구조 형식 대신 Level-1의 주요 영향인자인 연평균강수량이 추가된 것 외에 모두 동일하게 나타났다. 균열과 철근부식이 함께 발생한 Level-1의 상위 영향인자와도 상부구조 형식 대신 Level-2의 주요영향인자인 연평균겨울철기온이 추가되며, 이외에 영향인자는 동일하게 나타났다. 균열과 철근부식 및 표면손상이 함께 발생함에 따라 Level-3의 상위 영향인자는 선행되어 발생하는 Level-1과 Level-2의 주요 환경적 영향인자를 모두 포함하는 것으로 판단된다.

모든 손상 시나리오에서 공용연수, 연평균일트럭통행량과 동결융해빈도가 높은 중요도를 보이며 상위인자에 속했다. 즉, 교량 제원에 대한 정보가 학습 인자에서 제거됨에 따라 공용연수의 중요도가 더욱 증가하며, 환경적 인자에 대한 비중도 상당히 증가한 것을 알 수 있다. 공용년수는 교량의 점검시기와 준공년도를 기반으로 산정되는 값으로, 시간이 경과함에 따라 열화 작용과 외부적인 요인에 노출되는 빈도가 잦기 때문에 손상 발생에 높은 영향을 주는 것으로 판단된다. 그리고, 연평균일트럭통행량과 동결융해빈도는 선행 연구(Fujiu et al., 2022; Raffaniello et al., 2022)에서 교량의 주요 열화요인으로 분석되었으며, 본 연구에서도 이종손상 발생과 밀접한 관련이 있는 것으로 나타났다.

Fig. 10. Feature Importance for Heterogeneous Damage Scenarios with Bridge Specification: (a) Level-0, (b) Level-1, (c) Level-2, (d) Level-3
../../Resources/KSCE/Ksce.2024.44.1.0019/fig10.png
Fig. 11. Estimation the Cause of Damage for Heterogeneous Damage Scenarios with Bridge Specification
../../Resources/KSCE/Ksce.2024.44.1.0019/fig11.png
Fig. 12. Feature Importance for Heterogeneous Damage Scenarios without Bridge Specification: (a) Level-0, (b) Level-1, (c) Level-2, (d) Level-3
../../Resources/KSCE/Ksce.2024.44.1.0019/fig12.png
Fig. 13. Estimation the Cause of Damage for Heterogeneous Damage Scenarios without Bridge Specification
../../Resources/KSCE/Ksce.2024.44.1.0019/fig13.png

5. 결 론

본 연구에서는 국내 교량 중 높은 비중을 차지하는 상위 4가지 상부구조 형식을 대상으로 점검 및 진단 데이터와 환경 데이터, 교량 정보데이터를 기반으로 랜덤포레스트를 활용한 이종손상 예측 모델을 개발하였다. 이때 학습데이터는 교량의 제원 정보가 포함된 데이터와 포함되지 않은 데이터를 구분하였으며, 이에 따라 4가지 손상 시나리오에 대한 2가지 예측 모델로 총 8개의 이종손상 예측 모델을 개발하였다. 개발된 손상 예측 모델을 기반으로 이종손상 발생에 영향을 주는 상위 5가지의 영향인자를 선정하였으며, 다음과 같은 결론을 도출할 수 있었다.

(1) 교량의 총연장, 총폭의 제원 정보를 포함한 데이터를 기반으로 학습한 이종손상 예측 모델은 77.9~85.7%의 균형 정확도를 보이며, 재현율은 약 73.5~85.4%로 나타났다. 제원 정보를 제외한 데이터를 기반으로 학습한 예측 모델의 경우 균형 정확도는 74.0~79.8%, 재현율은 71.5~81.9%로 제원 정보를 포함했을 때보다 약 2~3.9% 정도 낮은 평가 결과를 보이지만, 이는 미미한 차이이며, 준수한 성능을 보이는 것으로 판단된다.

(2) 이종손상 예측 모델을 통해 개별 이종손상 시나리오에 대한 손상 발생 영향인자를 분석한 결과 교량 제원 정보를 포함한 경우 모든 손상 시나리오에서 공용연수, 총연장 또는 총폭이 주요한 영향인자로 도출되었다. 교량의 제원 정보를 포함하지 않은 경우는 공용연수와 동결융해빈도, 연평균일트럭통행량이 주요한 영향인자로 도출되었다. 총연장과 총폭의 경우 규모가 증가할수록 손상 발생 빈도가 증가하며, 공용연수 또한 시간이 경과함에 따라 외부적 요인의 노출이 잦아져 손상 발생에 영향을 미치는 것으로 판단된다.

(3) 교량의 제원 정보를 제외한 경우 모든 손상 시나리오에서 공용연수와 동결융해빈도, 연평균일트럭통행량이 주요 영향인자로 선정되었다. 균열 단일손상 Level-0는 추가적으로 연평균여름철기온이 주요 영향인자로 나타났다. 균열과 철근부식이 함께 발생한 Level-1의 이종손상은 연평균여름철기온 대신 연평균강수량, 균열과 표면손상이 함께 발생한 Level-2의 경우 연평균겨울철기온이 주요 영향인자로 선정되었다. 또한 균열과 철근부식, 표면손상이 함께 발생한 Level-3의 이종손상은 연평균강수량과 연평균겨울철기온 모두 주요한 영향인자로 선정되었다. 이는 열화 메커니즘에 따라 균열과 함께 철근부식, 표면손상이 함께 발생하여 이종손상 Level-1과 Level-2의 발생에 영향을 미치는 인자들이 상호적인 영향을 줌으로써 주요 영향인자로 선정된 것으로 판단된다.

본 연구를 통해 개발된 예측모델을 활용하여 점검 및 진단 결과를 기반으로 발생한 대상 교량의 이종손상 유형에 따른 손상 영향인자를 추정하였다. 본 연구의 결과는 교량의 유지관리 부분에서 활용할 수 있는 방안을 제시하는 연구의 기초자료가 될 수 있을 것이라 판단된다. 향후 연구에서 바닥판의 손상 발생 면적에 따른 다중분류 기법의 손상 예측 모델을 개발함으로써 교량의 손상 예측뿐만 아니라 상태를 정량적으로 평가할 방안을 제시할 계획이다.

Acknowledgements

Research for this paper was carried out under the KICT Research Program (project no. 20230073-001, Development of DNA-based smart maintenance platform and application technologies for aging bridges) funded by the Ministry of Science and ICT.

References

1 
"Agrawal, A., Kawaguchi, A. and Chen, Z. (2010). “Deterioration rates of typical bridge elements in New York.” Journal of Bridge Engineering, ASCE, Vol. 15, No. 4, pp. 419-429, https://doi.org/10.1061/(ASCE)BE.1943-5592.0000123."DOI
2 
"Aneta, N. M. (2013). “Water-binder ratio influence on de-icing salt scaling of fly ash conceretes.” Procedia Engineering, Elsevier, Vol. 57, pp. 823-829, https://doi.org/10.1016/j.proeng.2013.04.104. "DOI
3 
"Bien, J., Kuzawa, M. and Laminski, T. (2020). “Strategies and tools for the monitoring of concrete bridges.” Structural Concrete, FIB, Vol. 21, No. 4, pp. 1227-1239, https://doi.org/10.1002/suco.201900410."DOI
4 
"Callow, D., Lee, J., Blumenstein, M., Guan, H. and Loo, Y. C. (2013). “Development of hybrid optimization method for artificial intelligence based bridge deterioration model feasibility study.” Automation in Construction, Elsevier, Vol. 31, pp. 83-91, https://doi.org/10.1016/j.autcon.2012.11.016."DOI
5 
"Chan, J. Y., Leow, S. M., Bea, K. T., Cheng, W. K., Phoong, S. W., Hong, Z. W. and Chen, Y. L. (2022). “Mitigating the multicollinearity problem and its machine learning approach: a review.” Mathematics, MDPI, Vol. 10, No. 8, 1283, https://doi.org/10.3390/math10081283."DOI
6 
"Choi, Y. S., Jang, P. S., Choi, J. S., Kim, Y. G. and Yang, E. I. (2014). “A comparative study of evaluation and test methods for effects of de-icing salts on concrete freeze-thaw resistance.” Proceedings of the Korea Institute for Structural Maintenance and Inspection Conference, KSMI, Jeju, Korea, Vol. 18, No. 2, pp. 308-310 (in Korean)."URL
7 
"Chung, J. S., Kim, B. H. and Kim, I. S. (2014). “A case study on chloride corrosion for the end zone of concrete deck subjected to de-icing salts added calcium chloride.” Journal of the Korean Society of Safety, KOSOS, Vol. 29, No. 6, pp. 87-93, https://doi.org/10.14346/JKOSOS.2014.29.6.087 (in Korean)."DOI
8 
"Cusson, D., Lounus, Z. and Daigle, L. (2011). “Durability monitoring for improved service life predictions of concrete bridge decks in corrosive environments.” Computer-Aided Civil and Infrastructure Engineering, Wiley, Vol. 26, No. 7, pp. 524-541, https://doi.org/10.1111/j.1467-8667.2010.00710.x."DOI
9 
"Fujiu, M., Minami, T. and Takayama, J. (2022). “Environmental influence on bridge deterioration based on periodic inspection data from ishikawa prefecture.” Infrastructures, MDPI, Vol. 7, No. 10, 130, https://doi.org/10.3390/infrastructures7100130."DOI
10 
"Grace, N., Jensen, E., Eamon, C. and Shi, X. (2012). “Life-cycle cost analysis of carbon fiber-reinforced polymer reinforced concrete bridges.” Structural Journal, ACI, Vol. 109, No. 5, pp. 697-704, https://doi.org/10.14359/51684047."DOI
11 
"Hairani, H., Anggrawan, A. and Priyanto, D. (2023). “Improvement performance of the random forest method on unbalanced diabetes data classification using Smote-Tomek Link.” JOIV International Journal on Informatics Visualization, Information Technology Department Politeknik Negeri Padang, Vol. 7, No. 1, pp. 258-264, http://dx.doi.org/10.30630/joiv.7.1.1069."DOI
12 
"Hong, J. and Jeon, S. J. (2023). “Prediction of safety grade of bridges using the classification models of decision tree and random forest.” KSCE Journal of Civil and Environmental Engineering Research, KSCE, Vol. 43, No. 3, pp. 397-411, https://doi.org/10.12652/Ksce.2023.43.3.0397 (in Korean)."DOI
13 
"Jeon, J. C., Lee, I. K., Park, C. H. and Lee, H. H. (2017). “A study on improvement of inspection activity based upon condition analysis of expressway bridges.” KSCE Journal of Civil and Environmental Engineering Research, KSCE, Vol. 37, No. 1, pp. 19-28, https://doi.org/10.12652/Ksce.2017.37.1.0019 (in Korean)."DOI
14 
"Jeong, Y. S., Min, G. H., Lee, I. K., Yoon, I. R. and Kim, W. S. (2021). “Comparative study of bridge maintenance: United States, United Kingdom, Japan, and Korea.” Journal of the Korea Institute for Structural Maintenance and Inspection, KSMI, Vol. 25, No. 5, pp. 114-126, https://doi.org/10.11112/jksmi.2021.25.5.114 (in Korean)."DOI
15 
"Jung, H. J., An, H. J., Park, K. T., Jung, K. S., Kim, Y. H. and Lee, J. H. (2021). “Correlation analysis between damage of expansion joints and response of deck in RC bridges.” Journal of the Korea Institute for Structural Maintenance and Inspection, KSMI, Vol. 25, No. 6, pp. 245-253, https://doi.org/10.11112/jksmi.2021.25.6.245 (in Korean)."DOI
16 
"Kazemitabar, J., Amini, A., Bloniarz, A. and Talwalker, A. (2017). “Variable importance using decision trees.” Proceedings of the 31st International Conference on Neural Information Processing Systems(NIPS 2017), NIPS, Long Beach, CA, pp. 425-434."URL
17 
"Kim, H. S., Lee, I. K. and Park, Y. H. (2021). “Deterioration patterns and chloride attacks of expressway bridges under de-icing slats environments.” Magazine of the Korea Concrete Institute, KCI, Vol. 33, No. 4, pp. 14-18 (in Korean)."URL
18 
"Korea Authority of Land and Infrastructure Safety (KALIS) (2022). Detailed Guidelines for the Safety and Maintenance of Facilities (Safety Inspection and Diagnosis) for Bridges (in Korean)."URL
19 
"Korea Expressway Corporation (KEC) (2020). A Study on Establishment of Maintenance Strategy to Extend the Service Life of Bridge Deck Slab, KECRI-2020-42-534.9607 (in Korean)."URL
20 
"Lee, B. D., Choi, Y. S., Kim, Y. G., Choi, J. S. and Kim, I. S. (2016). “A study on the durability improvement of highway-subsidiary concrete structure exposed to deicing salt and freeze-thaw.” Journal of the Korea Institute for Structural Maintenance and Inspection, KSMI, Vol. 20, No. 4, pp. 128-135, https://doi.org/10.11112/jksmi.2016.20.4.128 (in Korean)."DOI
21 
"Lee, I. K., Kim, W. S., Kang, H. T. and Seo, J. W. (2015). “Analysis and prediction of highway bridge deck slab deterioration.” Journal of the Korea Institute for Structural Maintenance and Inspection, KSMI, Vol. 19, No. 2, pp. 68-75, https://doi.org/10.11112/jksmi.2015.19.2.068 (in Korean)."DOI
22 
"Ministry of Land, Infrastructure and Transport (MOLIT) (2021a). Special act on the safety control and maintenance of establishments."URL
23 
"Ministry of Land, Infrastructure and Transport (MOLIT) (2021b). National bridge standard data (in Korean)."URL
24 
"Ministry of Land, Infrastructure and Transport (MOLIT) (2023). Road Bridge and Tunnel Status Report (in Korean)."URL
25 
"Nowak, A. and Szerszen, M. (2003). “Life-cycle deterioration models for concrete deck slabs.” Proceedings of Life-Cycle Performance of Deteriorating Structures, ASCE, Lausanne, Switzerland, pp. 133-140, https://doi.org/10.1061/40707(240)15."DOI
26 
"Raffaniello, A., Baur, M., Safiuddin, M. and El-Hakin, M. (2022). “Traffic and climate impacts on rutting and thermal cracking in flexible and composite pavements.” Infrastructures, MDPI, Vol. 7, No. 8, 100, https://doi.org/10.3390/infrastructures7080100."DOI
27 
"Zhang, Y., O’Connor, S. M., Linden, G. W., Parakash, A. and Lynch, J. (2016). “SenStore: A scalable cyberinfrastructure platform for implementation of data-to-decision frameworks for infrastructure health management.” Journal of Computing in Civil Engineering, ASCE, Vol. 30, No. 5, https://doi.org/10.1061/(ASCE)CP.1943-5487.0000560."DOI