Machine Learning-Based Prediction of Time-Dependent Safety Grade of Road Facilities

Abstract

Aging road facilities experience a reduction in their service life. Without appropriate maintenance, the performance of aging structures can deteriorate, diminishing their utility. Predicting the safety performance of these structures with time characteristics is an effective strategy for maintenance planning and can appropriately pre-determine the duration and cost for their safety performance. This research predicts the safety grade of domestic road facilities including bridges, tunnels, and retaining walls. A database for each facility type was constructed to perform the safety performance evaluations, detailed safety inspections, and precision safety diagnostics. Ordinary bridges, NATM tunnels, and reinforced concrete retaining walls were selected since they are the most common structural types in the database. The safety grade prediction model was developed based on machine learning techniques considering the service life of the structures. Three regression-based machine learning algorithms were used to develop an optimal prediction model: decision tree, random forest, and extreme gradient boosting (XGBoost). The accuracy and confusion matrix for the three machine learning models were compared. In the comparative results, the XGBoost model resulted in the highest accuracy of 100 % for the road bridges, road tunnels, and retaining walls, effectively reflecting the time characteristics.

시간이 경과하여 노후화된 도로시설물은 내구수명이 감소한다. 이 시설물에 적절한 유지관리가 실시되지 않으면 부재 성능이 감소하고 시설물의 효용성을 감소시킬 수 있다. 시설물의 안전성능을 유지하여 재해 및 재난을 예방함에 있어 시설물의 안전등급 예측은 유지관리 계획 수립에 효과적인 방안이다. 본 연구는 국내 도로시설물의 효과적인 유지관리를 위하여 시간 특성을 고려한 대상 시설물의 안전등급 변화를 예측할 수 있는 모델을 제시한다. 도로시설물은 교량, 터널, 옹벽을 대상으로 한다. 각 시설물의 구조형식은 가장 많이 분포하는 일반 교량과 NATM 터널, 콘크리트 옹벽을 선택하였다. 시간특성은 시설물의 사용연수를 사용하였으며 안전등급 예측 모델은 머신러닝을 기반으로 개발하였다. 이 예측 모델의 데이터베이스는 시설물의 성능평가와 정밀안전진단, 정밀안전점검 결과를 수집하여 구축되었다. XGBoost 예측 모델을 통해 시간특성을 반영한 안전등급을 혼동행렬로 검토한 결과 전 도로시설물은 100 %의 정확도로 예측할 수 있었다.