Toward Climate-Resilient Road Infrastructure: A Machine Learning Approach for Predicting Moisture Damage in Asphalt Pavements

기술 요약: 기후 탄력적 도로 인프라를 향하여

문제 정의
수분 손상은 아스팔트 포장 내에서 아스팔트 시멘트(또는 마스틱)와 골재 사이의 결합이 상실되거나, 교통 하중 하에서 마스틱 자체가 약화되는 것으로 정의되는 결정적인 결함 메커в입니다. 이 현상은 포장층 하부에서 시작되어 상부로 전파되며, 러벨링(raveling) 및 포트홀(potholes)과 같은 표면 결함으로 나타납니다. 수분 손상은 포장의 내구성, 구조적 무결성 및 지속 가능성을 크게 저하시켜 서비스 수명을 최대 11년까지 단축시킬 수 있습니다.

현재의 탐지 방법은 주로 사후 대응적입니다. 기존의 코어 채취 방식은 파괴적이며, 비용이 많이 들고, 특정 지점에 국한됩니다. 지표 투과 레이더(GPR), 휴대용 탄성파 특성 분석기(PSPA), 열화상 카메라와 같은 비파괴 평가(NDE) 기술이 탐지 능력을 개선했으나, 이는 주로 손상이 발생한 후에 이를 식별하는 데 그칩니다. 프로젝트 수준의 특성을 기반으로 수분 손상의 발생과 진행을 시간에 따라 예측할 수 있는 능력에는 명확한 공백이 존재합니다. 이러한 예측 능력의 부재는 가속화되는 기후 변화 영향(예: 집중 호우, 동결-융해 반복)에 대응하는 선제적 포장 관리, 최적의 재료 선정 및 탄력적인 구조 설계의 걸림돌이 되고 있습니다.

연구 방법론
이 격차를 해소하기 위해, 본 연구는 머신러닝을 사용하여 수분 손상의 발생과 심도를 모두 예측하는 데이터 기반 프레임워크를 개발했습니다.

• 데이터 소스: 연구진은 48개 주에 걸친 497개의 아스팔트 포장 구간을 포함하는 장기 포장 성능(LTPP) 데이터베이스에서 8,094개의 기록을 추출했습니다. 데이터는 1985년부터 2024년까지의 기간을 다루며, "구간-연도 패널(section–year panel)" 구조를 갖습니다.
• 특성 공학(Feature Engineering):
  • 입력 변수: 모델은 포장 연령, 유지보수 및 보수(M&R) 처리, 기층/보조기층/노상 재료, 배수 특성, 교통 하중(AADTT), 환경 요인(연간 온도, 강수량, 습도)을 포함한 15가지 주요 변수를 활용했습니다.
  • 대상 변수 정의: 수분 손상은 포트홀 면적(PA)과 러벨링 면적(RA)을 사용하여 정량화되었습니다. 손상 심도는 백분위수 분석을 통해 네 단계(손상 없음, 낮음, 보통, 높음)로 분류되었습니다.
  • 전처리: 데이터 불균형 문제를 해결하기 위해 포장 연령은 5개 범주로 그룹화하였고, M&R 처리는 4개의 기능적 그룹으로 통합하였습니다. 범주형 변수는 원-핫 인코딩(one-hot encoding)을 적용하였고, 대상 변수는 레이블 인코딩(label-encoding)을 적용하였습니다.
• 모델 아키텍처: 랜덤 포레스트(RF) 알고리즘을 사용한 2단계 계층적 예측 프레임워크를 개발했습니다.
  1. 이진 분류 모델: 전체 데이터셋(8,094개 기록)을 사용하여 수분 손상의 발생 여부(존재 vs 부재)를 예측합니다.
  2. 다중 클래스 분류 모델: 손상이 존재하는 하위 집합(1,303개 기록)만을 사용하여 수분 손상의 심도(낮음, 보통, 높음)를 예측합니다.
• 훈련 프로토콜: 과도한 복잡성 없이 알고리즘 자체의 예측 능력을 평가하기 위해, 기본 하이퍼파라미터 설정을 사용하여 80/20 비율(훈련/테스트)로 두 모델을 훈련시켰습니다.

주요 결과

• 발생 이진 분류 모델: 모델은 **93%**의 전체 테스트 정확도를 달 осталось. "손상 없음" 사례를 식별하는 데는 97%의 정확도를 보였으나, 손상의 존재를 감지하는 데는 70%의 정확도를 보였습니다.
• 심도 다중 클래스 분류 모델: 모델은 **82%**의 전체 테스트 정확도를 달성했습니다. 클래스별 성능은 다음과 같습니다.
  • 낮은 심도: 약 86% 정확도.
  • 보통 심도: 약 60% 정확도 (인접 클래스와의 혼동으로 인해 가장 낮은 성능을 보임).
  • 높은 심도: 약 91% 정확도.
• 특성 중요도: 분석 결과, 환경 변수(특히 연간 강수량 및 온도)와 교통 하중(AADTT)이 수분 손상의 발생과 심도 모두에 영향을 미치는 지배적인 요인임이 밝혀졌습니다. 아스팔트 층 두께(구조적 용량) 또한 수분 유발 퇴화를 완화하는 데 매우 중요한 변수로 확인되었습니다.

주요 기여 및 의의
본 연구의 주요 기여는 포장 관리를 사후 대응에서 선제적 대응으로 전환하는 예측적이고 비침습적인 프레임워크를 개발한 것입니다. LTPP 데이터를 활용한 랜덤 포레스트 알고리즘을 통해, 본 연구는 프로젝트 수준의 특성과 수분 손상 진행 사이의 관계를 성공적으로 정량화했습니다.

저자들은 이 모델들을 PavStrip이라는 웹 기반 의사결정 지원 도구에 통합했습니다. 이 도구를 통해 교통 기관은 프로젝트별 매개변수(기후, 교통, 구조, 배수)를 입력하여 건설 후 20년 동안의 시간 경과에 따른 수분 손상 가능성 및 심도 예측치를 받을 수 있습니다.

본 연구의 의의는 사용자가 머신러닝 전문 지식을 갖추지 않고도 데이터 기반의 의사결정을 지원할 수 있다는 점에 있습니다. 손상이 언제 시작될 가능성이 높은지, 그리고 어떻게 진화할지를 예측함으로써, 이 도구는 기관이 재료 선택을 최적화하고, 구조 설계를 개선하며, 적시에 유지보수 전략을 실행할 수 있도록 돕습니다. 궁극적으로, 본 연구는 이러한 예측 능력이 도로 인프라의 지속 가능성과 기후 탄력성을 높이는 데 필수적이라고 주장합니다. 포장의 서비스 수명을 연장하는 것은 탄소 발자국을 줄이고 국가 예산을 보존하는 것과 직결되기 때문입니다.