프리스트레스트(Prestressed) 교량의 위험성 평가, 인공지능 예측과 선제적 대응

 

 

조태준 Chojus@gmail.com

 

 

시간이 지남에 따라서 부식과 미세균열의 진전으로 사고로 발전
딥러닝기법으로 균열진전 및 파단의 불확실성에 대하여 확률론적으로 개선된 베이지안 추론방법을 이용하여 평가하는 것이 가능

 

 

 

 

 

우리가 늘 이용하고 있는 교량들은 내부나 외부에 강선을 설치하어 팽팽하게 당겨줌으로서 교량 바닥이 장기적으로 처지는 것을 막아주고 있다. 이러한 강선은 작은 다발이 여러 개에서 수십 개까지 모여 하나의 다발을 이루고 있어 쉽게 끊어지거나 늘어나지 않는 특징이 있다. 그러나 시간이 지나면 강선들의 당김력(인장력)이 점점 줄어들거나 일부 강선안에 있는 작은 선들이 끊어지는 일이 발생하게 되어 최악의 경우 교량이 붕괴되는 현상이 발생할 수 있다.

구체적인 예를 들면 12.7mm의 직경을 가지는 강연선 wire는 개당 20톤의 하중에 저항할 수 있어서 지상 및 지하 토목건축구조물의 저항구조에 많이 사용되고 있다. 그러나 초기에 문제가 전혀 없는 강연선이 시간이 지남에 따라서 부식과 미세균열의 진전으로 점차 약해지는데 그 결과는 끔찍한 사고로 나타날 수 있다 (그림 1, 2, 3, 4).

 

그림 1. 텐던의 응력부식균열-파단과 교량 붕괴사건 (2000년, 미국 North Carolina 주)

 

그림 2. 포스트텐션 텐던의 응력부식균열-파단과 조치 (2000년, 미국 Florida 주)

 

그림 3. 2016년 2월에 발생한 PSC박스거더교량의 텐던파단 (서울 정릉천)

 

 

그림 4. 2016년 2월 발생한 PSC박스거더교량의 텐던 파단면과 발견된 손상형태

 

이러한 내부강선은 간혹 부식에 의해 파단이 발생하는 경우가 상당히 많다. 부식의 주요원인은 수분침투와 지속적인 관리부족 등이 그 원인이 될 수 있다. 그러나 응력부식(응력 부식 균열은 순금속에서는 거의 발생하지 않고 합금에 발생하며, 합금 조성이 균열의 감수성에 크게 영향을 준다)은 좀 다른 차원으로 금속재료가 특유의 환경속에서 인장 응력과 부식의 공동 작용의 결과 일정의 잠복기간 뒤에 균열이 생겨 파괴하는 현상이다.

이러한 파괴의 예측과 제어를 위하여, 유해한 환경의 영향을 받는 케이블 교량구조물의 응력부식균열을 사전에 예측하고, 신뢰성 해석기법과 실시간 계측 데이터를 기반으로 구조물을 구성하는 각종 시스템의 응력부식균열 위험도를 분류하며, 딥러닝기법으로 균열진전 및 파단의 불확실성에 대하여 확률론적으로 개선된 베이지안 추론방법을 이용하여 평가하는 것이 가능하다.

 

교량부재는 수분, 염해 등 물리적, 화학적 요인에 의한 유해한 해양환경에 노출됨에 따라 고강도 강재를 사용함에도 불구하고 설계수명 이전에 부식에 의한 균열과 응력부식균열이 발생한다. 이러한 응력부식균열을 최소화하기 위해 내부식성 합금인 오스테나이트계 스테인레스 강재(CRAs)를 사용하고 있으나 50℃이상 온도의 해수(seawater) 환경에서 성능이 크게 저하되는 단점이 보고되고 있다.

따라서, 고온의 매체를 운반시키는 심층해양 구조물의 각종 파이프 시스템 또는 과다한 응력이 작용하는 케이블구조물 등은 응력부식균열에 취약하게 되고, 예측하지 못한 국부적, 전반적인 파손으로 인해 안정적인 시스템 운영의 심각한 문제점으로 대두되고 있다.

케이블 교량구조물의 응력부식균열에 의한 손상을 합리적으로 예측하고 선제적으로 대응할 수 있는 방안이 요구됨에 따라, 신뢰성 해석기법과 실시간 계측 데이터를 기반으로 구조물을 구성하는 케이블 및 연결부의 응력부식균열 위험도를 평가하는 확정론적 합성곱모델 (Convolution Neural Network)과 확률론적 Deep Learning 평가기법이 적용될 수 있다.

Deep Learning 추론방법에서는 근사화 Dropout기법을 사용하고, 예측결과의 불확실성의 평가는 베이지안기법을 사용하여 대상이 되는 교량구조물의 응력부식균열과 균열위험 판정위치를 사전에 합리적으로 예측함으로써 설계단계에서 확률적으로 안전한 제어로 구조물의 선재적인 파괴방지 보강설계가 가능하도록 개발하는 데 그 목표가 있다.

RNN(Recurrent Neural Network) 알고리즘은 Back Propagation 과정에서 Vanishing Gradients 문제가 발생하여 긴 시계열의 데이터를 분석할 때 정확도가 감소하는 단점이 존재하였다. 학습이 계속 진행됨에 따라 Input의 데이터가 학습에 미치는 영향이 점점 감소하다가 사라져 버리는 Vanishing Gradients 문제를 해결하기 위해 제안된 알고리즘이 LSTM 알고리즘으로 오차의 Gradient가 긴 시계열의 back propagation 에서도 잘 유지될 수 있도록 하며 결과적으로 오래전의 데이터를 기억할 수 있게 된다.

 

그림 활성함수로 ReLu unit을 사용하고, RMS Prop과 LSTM을 최적화 알고리즘으로 사용.

 

RNN의 변형된 알고리즘으로, RNN을 구성하는 Hidden Layer를 Memory 블록구조로 변형한 구조를 채택하고 있다. Memory 블록은 입력게이트, 출력게이트, 망각게이트 세 가지로 구성되어 있다. 또한 기존의 인공신경망(Convolution Neural Network)에서 고려되지 못하는 불확실성의 모델링을 위하여 Deep Leaning으로 균열진전 및 파단의 불확실성에 대하여 확률론적으로 추론방법을 이용하여 평가하는 인공지능기반 통합평가기법을 개발하고 있다.

 

이미지 제공 - 박미애 사진가

 

다음 기고에서는 이러한 손상이나 균열을 탐지하는 기법들에 대해 설명하면서 교량 유지관리와 안전관리 중요성을 언급하고자 한다.