[논문 리뷰] Data-Driven Method for Enhanced Corrosion Assessment of Reinforced Concrete Structures

Woubishet Zewdu Taffese|arXiv (Cornell University)|2020. 07. 01.

Concrete Corrosion and Durability참고 문헌 148인용 수 7

한 줄 요약

이 논문은 기계학습 모델—특히 앙상블 결함 트리와 신경망을 사용하여 철근 콘크리트의 부식 평가를 향상시키는 데이터 기반 프레임워크를 제안한다. 이 모델들은 장기 현장 데이터를 기반으로 훈련되어, 탄소화 깊이, 염화물 농도 프로파일, 수열열 성능 예측에 있어 전통적 방법보다 정확도와 신뢰성이 뛰어나며, 내구성 평가 및 유지보수 계획 수립을 위한 향상된 예측 능력을 제공한다.

ABSTRACT

Corrosion is a major problem affecting the durability of reinforced concrete structures. Corrosion related maintenance and repair of reinforced concrete structures cost multibillion USD per annum globally. It is often triggered by the ingression of carbon dioxide and/or chloride into the pores of concrete. Estimation of these corrosion causing factors using the conventional models results in suboptimal assessment since they are incapable of capturing the complex interaction of parameters. Hygrothermal interaction also plays a role in aggravating the corrosion of reinforcement bar and this is usually counteracted by applying surface-protection systems. These systems have different degree of protection and they may even cause deterioration to the structure unintentionally. The overall objective of this dissertation is to provide a framework that enhances the assessment reliability of the corrosion controlling factors. The framework is realized through the development of data-driven carbonation depth, chloride profile and hygrothermal performance prediction models. The carbonation depth prediction model integrates neural network, decision tree, boosted and bagged ensemble decision trees. The ensemble tree based chloride profile prediction models evaluate the significance of chloride ingress controlling variables from various perspectives. The hygrothermal interaction prediction models are developed using neural networks to evaluate the status of corrosion and other unexpected deteriorations in surface-treated concrete elements. Long-term data for all models were obtained from three different field experiments. The performance comparison of the developed carbonation depth prediction model with the conventional one confirmed the prediction superiority of the data-driven model. The variable ...

연구 동기 및 목표

• 환경 및 재료 매개변수 간의 복잡한 비선형 상호작용을 포착하지 못하는 기존의 부식 평가 모델의 한계를 해결하기 위해.
• 철근 콘크리트 구조물에서 탄소화 깊이, 염화물 농도 프로파일, 수열열 거동에 대한 정확한 데이터 기반 예측 모델을 개발하기 위해.
• 실제 현장 데이터를 활용하여 기계학습 기법이 장기적인 부식 관련 악화 요인을 예측하는 데 얼마나 효과적인지 평가하기 위해.
• 예측 모델을 활용하여 표면 보호 시스템이 부식 진행과 예기치 않은 악화에 미치는 영향을 평가하기 위해.
• 철근 콘크리트 인프라의 내구성 평가 및 상태 모니터링을 위한 신뢰성 있는 통합 프레임워크를 제공하기 위해.

제안 방법

• 탄소화 깊이 예측을 위해 신경망, 결정 트리, 부스팅/배깅 앙상블을 조합한 앙상블 트리 기반 모델을 개발하였다.
• 다양한 시각에서 염화물 침투를 제어하는 변수의 중요도를 평가하기 위해 앙상블 결함 트리 모델을 구축하였다.
• 표면 처리된 콘크리트 요소의 수열열 성능 및 부식 상태 예측을 위해 전방향 신경망을 적용하였다.
• 세 개의 별도 현장 연구에서 수집한 장기적 현장 실험 데이터를 기반으로 모든 모델을 훈련시켰다.
• 예측 정확도와 강건성을 검증하기 위해 교차 검증을 실시하고 기존 모델과의 성능 비교를 수행하였다.
• 세 가지 예측 모델을 통합하여 철근 콘크리트 구조물의 종합적 부식 평가를 위한 유일한 프레임워크를 구축하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 철근 콘크리트의 탄소화 깊이를 예측하는 데 있어 기존의 경험적 모델을 능가할 수 있는가?
• RQ2 염화물 침투에 가장 크게 영향을 주는 변수는 무엇이며, 데이터 기반 방법을 통해 그 영향을 정량적으로 평가할 수 있는가?
• RQ3 표면 보호 시스템은 콘크리트 요소의 수열열 조건과 이후의 부식 진행에 어떤 영향을 미치는가?
• RQ4 신경망과 앙상블 모델이 부식 유도 요인 간의 복잡한 비선형 상호작용을 얼마나 잘 포착할 수 있는가?
• RQ5 통합된 데이터 기반 프레임워크가 철근 콘크리트 구조물의 장기 부식 평가 정확도와 신뢰성을 향상시킬 수 있는가?

주요 결과

• 현장 데이터에서 성능 지표를 통해 검증된 데이터 기반 탄소화 깊이 예측 모델은 기존 모델 대비 뛰어난 정확도를 보였다.
• 앙상블 결함 트리 모델은 염화물 침투에 영향을 주는 핵심 변수를 성공적으로 식별하고 순위를 매겨 그 상대적 중요도에 대한 통찰을 제공하였다.
• 신경망 기반 수열열 성능 모델은 표면 처리된 콘크리트 요소의 부식 상태와 예기치 않은 악화를 효과적으로 예측하였다.
• 다양한 예측 모델을 하나의 프레임워크에 통합함으로써 부식 평가의 종합성과 전반적인 신뢰성이 향상되었다.
• 현장 데이터는 표면 보호 시스템이 예상치 못한 부정적 영향을 미칠 수 있음을 확인하였으며, 이는 예측 모델을 통해 포착되고 정량화되었다.
• 본 연구는 데이터 기반 접근 방식이 철근 콘크리트 인프라의 장기 내구성 예측 정밀도를 크게 향상시킬 수 있음을 입증하였다.