Deep learning-based pavement performance modeling using multiple distress indicators and road work history

기술 요약: 여러 손상 지표와 도로 공사 이력을 활용한 딥러닝 기반 포장 성능 모델링

문제 제기
포장 열화는 설계, 환경, 재료 및 관측되지 않은 변수들에 의해 주도되는 복잡한 과정입니다. 포장 상태의 정확한 예측은 교통 기관이 유지보수 및 재건 예산을 최적화하는 데 필수적입니다. 마르코프 체인 접근법 및 다양한 통계적 회귀 방법과 같은 전통적인 성능 모델은 종종 전이 확률에 의존하거나 광범위한 수동 특징 추출 및 선택을 요구합니다. 인공 신경망 (ANN) 과 같은 기계 학습 모델이 포장 성능에 적용되어 왔지만, 여전히 공학적 특징 (engineered features) 이 필요합니다. 본 논문은 기존 특징 공학을 사용하지 않고 원시 다차원 시계열 데이터를 활용하여 포장 열화를 모델링하는 과제를 다루며, 딥러닝의 능력을 활용하여 복잡한 열화율과 유지보수 이력의 영향을 포착합니다.

방법론
본 연구는 18 년 (2000~2018 년) 간의 텍사스 주 교통국 (TxDOT) 포장 관리 정보 시스템 (PMIS) 데이터를 활용하여 포장 성능을 모델링하기 위해 세 가지 딥러닝 아키텍처를 적용했습니다.

• 데이터: 데이터셋은 약 0.5 마일 길이의 10 만 개 이상의 포장 구간으로 구성되며, 21 가지 유연 포장 상태 지표를 포함합니다. 이러한 지표는 소성 변형 (시각적 및 깊이), 균열 (블록, 알리가토, 종방향, 횡방향), 패치링, 파손, 박리, 유수, 그리고 거칠기 (IRI, 라이드 스코어, 손상 점수) 를 포괄합니다. additionally, 모델에는 실링 코트, 오버레이, 재건 등 20 가지 유형의 유지보수 및 재건 치료와 마지막 치료 후 경과 시간을 포함한 도로 공사 이력이 통합되었습니다.
• 입력 표현: 각 데이터 포인트는 행이 연도에 해당하고 열이 21 개 상태 지표와 유지보수 더미 변수 및 치료 후 경과 시간 변수를 나타내는 2 차원 행렬인 "시간 - 이미지"로 재구성됩니다.
• 모델:
  1. 합성곱 신경망 (CNN): 공유 매개변수와 희소 연결을 통해 국소 예측 인자를 포착하고 구조적 정보를 인코딩하는 능력을 활용합니다. 아키텍처는 32, 64, 128 개의 필터를 가진 세 개의 합성곱 층과 그 뒤를 이은 최대 풀링 및 완전 연결 층으로 구성됩니다.
  2. 장단기 메모리 (LSTM): 시계열 데이터를 처리하고 시간 단계 전반에 걸쳐 구조적 정보를 보존하도록 설계된 순환 신경망 변형입니다. 장기 의존성을 관리하기 위해 메모리 셀과 게이트 메커니즘 (망각, 입력, 출력 게이트) 을 활용합니다.
  3. 하이브리드 CNN-LSTM: 각 시간 단계에서 입력 데이터에 대한 특징 추출을 수행하는 CNN 층과, 생성된 특징을 시퀀스 모델링을 위해 처리하는 LSTM 층으로 구성된 프레임워크입니다.
• 평가: 모델은 데이터의 80% 로 훈련되고 20% 로 테스트되었습니다. 성능은 회귀 작업 (연속 변수) 의 경우 $R^2$ 점수로, 분류 작업 (박리 및 유수 코드와 같은 이산 변수) 의 경우 정확도로 평가되었습니다.

주요 결과
본 연구는 21 개 상태 지표에 대한 모델을 개발하고 테스트했습니다. 결과는 다음과 같은 관찰을 도출했습니다.

• 전체 성능: CNN 모델은 일반적으로 21 개 상태 지표 중 절반 이상에서 LSTM 및 CNN-LSTM 모델보다 우수한 성능을 발휘했습니다.
• 고성능 지표: 다섯 가지 지표가 0.70 보다 큰 $R^2$ 점수를 달성했습니다: 소성 파손, 라이드 스코어, 좌측 IRI, 우측 IRI, 평균 IRI입니다. 저자들은 이러한 성공을 다른 손상 유형에 비해 거칠성 데이터 수집의 일관성과 신뢰성에서 기인한다고 설명합니다.
• 저성능 지표: 심각한 소성 변형, 패치링, 파손, 블록 균열, 횡방향 균열을 포함한 여러 지표는 큰 음의 $R^2$ 점수를 발생시켰습니다. 논문은 이는 주로 데이터셋 내 목표 변수의 변동성이 매우 작아 $R^2$ 계산의 제곱합 분모가 0 에 가까워짐으로써, 이 지표가 작은 예측 오차에 민감해지기 때문이라고 지적합니다.
• 시각적 검증: 무작위로 선택된 구간의 실제 값과 예측 값의 플롯은 모델이 소성 파손, 소성 깊이, 종방향 균열, 박리, 유수, 그리고 라이드 품질 지표에 대해 합리적인 예측을 생성했음을 보여주었습니다. 그러나 역사적 데이터가 일정하게 유지된 지표 (예: 깊은 소성 변형, 심각한 소성 변형) 의 경우 예측은 실제 값과 크게 달라졌습니다.
• 훈련 역학: 훈련 이력에 대한 분석은 고성능 지표 (예: 라이드 스코어, IRI) 의 경우 100 번째 에포크에서도 $R^2$ 점수가 여전히 상승하고 있음을 나타냈으며, 이는 모델이 아직 과적합되지 않았으며 추가 훈련을 통해 더 높은 정확도를 달성할 수 있음을 시사합니다.

의의 및 주장
본 논문은 제안된 딥러닝 프레임워크가 특히 네트워크 수준의 거칠기 관련 지표에 대해 포장 성능을 예측하는 데 효과적이고 견고함을 입증한다고 주장합니다. 수동 특징 추출 없이 원시 데이터를 활용함으로써, 본 연구는 전통적 모델링에 내재된 특징 공학 과정을 자동화할 수 있는 딥러닝의 잠재력을 강조합니다.

저자들은 개발된 모델이 엔지니어와 관리자가 다음을 수행하는 데 도움을 줄 수 있다고 명시합니다:

1. 개선된 성능 예측을 통한 인프라 시스템의 보다 효과적인 관리.
2. 네트워크 수준에서의 예산 배분 및 수요 분석 최적화.
3. 포장 이상의 다른 인프라 시설의 성능을 특성화하기 위해 방법론 확장.

본 연구는 모델이 특정 지표 (거칠기) 에 대해 유망한 결과를 보이지만, 다른 손상 데이터 유형의 변동성은 낮은 예측 정확도로 이어지는 도전을 제기하며, 이는 모델의 적용 가능성이 모델링되는 포장 손상의 특정 유형에 따라 달라짐을 시사한다고 결론지었습니다.