System Reliability-based Framework of Disaster Resilience Analysis and Decision Support for Infrastructure Networks = 사회기반시설 네트워크의 재난 회복탄력성 분석 및 의사결정 지원을 위한 시스템 신뢰성 기반 프레임워크 개발

다국어 초록 (Multilingual Abstract)

Civil infrastructure networks, including transportation systems, power grids, and water supply systems, form the essential backbone of modern society. These networks support critical functions of the society by ensuring the continuous and reliable delivery of fundamental services. However, as infrastructure networks have become increasingly interconnected and complex, their vulnerability to natural hazards and extreme events has grown to pose significant risks to societal stability and safety. Disruptions in one part of a network can propagate across dependent components, leading to cascading failures that may result in disproportionate impacts on system-level performance. These cascading effects, combined with the challenges of prolonged recovery, pose serious threats to societal resilience. While the significance of this issue has been widely recognized, conventional risk assessment frameworks, which typically focus on individual component reliability, remain limited in capturing the systemic and dynamic nature of infrastructure resilience.
To address these challenges, this dissertation proposes a comprehensive system reliability-based disaster resilience analysis framework tailored for infrastructure networks. The framework integrates multiple dimensions of resilience, i.e., reliability, redundancy, and recoverability, into a unified domain of analyses. It systematically considers the component-level ability to withstand hazards without failure, the network’s capacity to absorb initial disruptions without systemic collapse, and the ability of the network and surrounding society to recover its performance through proper restoration processes. By introducing reliability and redundancy indices, the framework enables probabilistic scenario-based analysis and intuitive visualization of disruption scenarios, supporting comprehensive assessment of network-level resilience.
A distinctive feature of the proposed framework is the incorporation of causality-based analysis, which addresses the limitations of conventional importance measures based on correlation. Causal inference, employing causal diagrams and do-calculus, facilitates the quantification of the true causal effects of component failures on system performance. The proposed causality-based importance measures (CIMs) identify critical components whose disruption or restoration significantly influence overall resilience, thus providing rational guidance for pre-disaster mitigation and post-disaster recovery prioritization.
The framework further extends to the analysis of flow-based infrastructure networks, where the flow redistribution and sequential failures of the components produce highly nonlinear system responses. Cascading failure analysis captures how initial disruptions propagate through the network and interact with its topology and operational characteristics. This enables a realistic evaluation of performance degradation following disasters, including paradoxical phenomena such as Braess' paradox, where increased connectivity may unexpectedly reduce overall network functionality.
Beyond disruption analysis, the proposed framework encompasses a novel approach for modeling the post-disaster recovery process. Recovery simulations account for uncertainties in the recovery time, resource limitations, and recovery strategies, enabling probabilistic evaluation of performance restoration trajectories. The recoverability assessment provides a basis for quantifying the likelihood of the network’s recovery within specified timeframes, thereby extending resilience curve formulation into the recovery phase.
The proposed approaches are demonstrated through numerical case studies involving hypothetical networks, flow-based operational systems, and realistic infrastructure systems such as transportation networks and power grids, with a particular emphasis on seismic hazards. These applications, including earthquake-induced disruptions, show the framework’s capability to characterize disaster scenarios, identify critical components, and support resilience-informed decision making across disruption, cascading, and recovery phases.
By integrating scenario-based resilience analysis, causality-based component importance assessment, cascading failure modeling, and recovery process simulation, this dissertation presents an advanced and unified framework for disaster resilience assessment of infrastructure networks. The proposed framework enhances interpretability and flexibility in resilience analysis, offering valuable tools to support decision-making in both for pre-disaster risk reduction strategies and adaptive post-disaster recovery planning under extreme event conditions.

국문 초록 (Abstract)

최근 기후 변화로 인해 재해의 빈도와 강도가 전 세계적으로 증가하면서, 사회기반시설의 기능 상실은 사회·경제 전반에 심각한 영향을 미치고 있다. 특히 도시화의 가속화로 기반시설 간 상호연결성이 증가함에 따라, 단일 구성요소의 고장이 연쇄적으로 확산되는 잠재적 위험이 커지고 있으며, 이로 인해 사회기반시설은 점점 더 복잡하고 취약한 구조로 변화하고 있다. 이러한 배경 속에서, 지진 등 대규모 자연재해에 대응하기 위한 시스템 수준의 회복탄력성 분석 및 의사결정 체계의 정립이 중요해지고 있다.
본 학위논문에서는 사회기반시설 네트워크의 신뢰성(reliability), 여용성(redundancy), 회복력(recoverability)의 세 요소를 통합적으로 반영한 시스템 신뢰성(system reliability) 기반 재난 회복탄력성(disaster resilience) 분석 프레임워크를 제안한다. 이 프레임워크는 재난 전 발생 가능성, 발생 중 시스템의 전파 특성, 그리고 재난 후 복구(post-disaster recovery) 특성을 모두 고려하여, 확률론적으로 해석 가능한 평가 체계를 제공하고, 정량적 시나리오 분석 및 직관적인 시각화를 통해 의사결정 지원(decision support)에 활용할 수 있도록 설계되었다.
우선, 공간적으로 상관된 재해 시나리오에 따라 구성요소의 파괴 확률과 그 상관관계를 반영하고, 다양한 초기 파괴 시나리오에 대한 시스템 성능 저하 확률을 시뮬레이션 기반으로 분석하였다. 이를 바탕으로 구성요소 차원의 신뢰성 지수(β)와 네트워크 차원의 여용성 지수(π)를 정의하고, 신뢰성–여용성(β–π) 다이어그램을 통해 시스템이 수용 가능한 위험 수준을 초과하는지를 시각적으로 진단할 수 있도록 하였다. 이 분석은 구조적 취약성과 시스템 복원력 간의 균형 관계를 효과적으로 해석하는 기준 틀의 역할을 한다.
또한, 기존 상관관계(correlation) 기반 구성요소 중요도 지표(component importance measure)가 동일한 재해에 노출된 구성요소 간의 실제 영향을 구분하지 못하는 한계를 극복하기 위해, 인과관계(causality)에 기반한 새로운 중요도를 제안하였다. 네트워크 연결성(network connectivity)에 대한 인과 구조를 유향 비순환 그래프(directed acyclic graph)로 모델링하고, 개입(intervention)에 따른 결과 차이를 활용하여 각 구성요소가 시스템 성능에 미치는 인과적 기여도를 정량화하였다. 이를 통해 실질적으로 중요한 구성요소를 식별하고, 재해 전 예방 및 재해 후 복구 전략의 우선순위 설정에 활용할 수 있도록 하였다.
흐름 기반 네트워크(flow-based network) 분석에서는 특히 지진 재해에 따른 전력망의 물리적 손상과 연쇄 고장(cascading failure)의 전파 과정을 수치적으로 구현하였다. 흐름 제약과 수요–공급 불균형을 반영한 최적화 기반 모델을 통해, 초기 파괴로 인한 흐름 재분배가 이차적인 고장을 유발하는 과정을 정량적으로 모사하였다. 분석 결과, 특정 구성요소를 의도적으로 비활성화함으로써 전체 시스템의 성능이 브라에스 역설(Braess’ paradox)이 재난 회복탄력성 확보에 효과적일 수 있음을 시사하였다.
또한, 재난 이후의 복구 과정에 대한 분석에서는, 구성요소의 상태, 물리적 특성, 자원 투입량에 따라 확률적으로 산정된 복구 시간을 기반으로 다양한 복구 전략과 자원 제약 조건 하에서 복구 시뮬레이션(recovery simulation)을 수행하였다. 이를 통해 회복탄력성 곡선(resilience curve)을 도출하고, 일정 시간 내에 시스템이 요구 성능 기준을 충족하지 못할 확률을 기반으로 회복력 지수(α)를 정의하였다. 신뢰성–회복력(β–α) 다이어그램은 복구 속도뿐 아니라 복구의 안정성과 예측 가능성을 반영하여 회복 가능성에 대한 정량적 의사결정을 가능하게 한다. 특히, 시스템 수준의 흐름 정보를 반영한 전략이 복구 효율성과 불확실성 저감 측면에서 가장 효과적인 것으로 나타났다.
제안된 분석 프레임워크는 가상의 네트워크를 비롯해 도로시설망, 교량–터널 복합망, 변전소 네트워크, 전력 송전망, 액화천연가스 터미널, 원자력 발전소 등 다양한 실 사례에 적용되어 그 일반성과 실무 적용 가능성을 입증하였다. 본 연구는 시나리오 기반 회복탄력성 분석, 인과 기반 구성요소 중요도 평가, 연쇄 고장 시뮬레이션, 복구 과정 모델링을 통합함으로써, 사회기반시설 네트워크의 재해 대응 전략 수립을 위한 이론적·방법론적 기반을 제공하고, 정책 결정과 실무적 의사결정을 효과적으로 지원할 수 있는 기반을 마련하였다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Background and motivation 1
• 1.2 Objectives and scope 6
• 1.3 Organization and terminology 8
• Chapter 2. System Reliability-based Disaster Resilience for Infrastructure Networks 11
• 2.1 Introduction 11
• 2.2 Disaster resilience criteria 12
• 2.3 Reliability-redundancy analysis for infrastructure networks 15
• 2.3.1 Reliability of a component in infrastructure networks 16
• 2.3.2 Reliability index (β) for initial disruption scenario 17
• 2.3.3 Redundancy index (π) for initial disruption scenario 18
• 2.3.4 Reliability-redundancy (β–π) diagram 19
• 2.4 Numerical investigations 21
• 2.4.1 Demonstration of β–π analysis by a hypothetical network 22
• 2.4.2 β–π analysis of a bridge network in Sioux Falls 26
• 2.4.3 β–π analysis of a road facility network in Pohang 32
• 2.4.4 β–π analysis of an electric substation network 37
• 2.4.5 β–π analysis of plant systems 41
• 2.4.5.1 Limerick Generation Station: Nuclear power plant 42
• 2.4.5.2 Liquified natural gas terminal 47
• 2.5 Summary 52
• Chapter 3. Causality-Based Importance Measures for Infrastructure Network Decision Support 55
• 3.1 Introduction 55
• 3.1.1 Traditional importance measures and their limitations 56
• 3.1.2 Motivation for causal approach 60
• 3.2 Conceptual foundations of causal inference 63
• 3.2.1 Causal diagram representation 64
• 3.2.2 Answering causal query using do-calculus 65
• 3.3 New causality-based importance measure 68
• 3.3.1 Causal inference for an infrastructure network by hazards 68
• 3.3.2 Causal contribution of components in a disruption scenario 71
• 3.3.3 Proposed: causality-based importance measure 73
• 3.4 Numerical investigations 74
• 3.4.1 Hypothetical network 75
• 3.4.2 Bridge network in Sioux Falls 81
• 3.4.3 Road facility network in Pohang 86
• 3.4.4 Electrical substation network 92
• 3.5 Summary 96
• Chapter 4. Network Causality-Based Decision Support for Power Grid Resilience 98
• 4.1 Introduction 98
• 4.1.1 Disaster resilience of flow-based networks 98
• 4.1.2 Inherent vulnerability of power grids 99
• 4.2 Disaster resilience of power grids incorporating cascading failures 101
• 4.2.1 Alternating current and direct current power flow models 102
• 4.2.2 Cascading failure analysis 105
• 4.2.3 β–π analysis of a hypothetical power grid 106
• 4.3 Causal inference in power grids 110
• 4.3.1 Braess’ paradox in civil infrastructure systems 111
• 4.3.2 Causal diagram describing flow-based networks 113
• 4.3.3 Causality-based measures for the hypothetical power grid 116
• 4.3.4 Clarification on intervention-based causal interpretation 118
• 4.4 Numerical investigations 121
• 4.4.1 Hypothetical power grid 122
• 4.4.1.1 Operational decision with line interventions 124
• 4.4.1.2 NCIMs of lines for the intervened power grid 129
• 4.4.2 IEEE 39-bus system 131
• 4.4.2.1 Resilience indices for transmission lines 131
• 4.4.2.2 β–π diagram and NCIMs of transmission lines 135
• 4.4.2.3 Effects of operational decisions on disaster resilience 138
• 4.5 Summary 142
• Chapter 5. Recoverability of Flow Networks under Resource-Constrained Recovery Strategies 145
• 5.1 Introduction 145
• 5.2 Recoverabiltiy of infrastructure networks 147
• 5.2.1 Recoverability criterion in a flow-based network 148
• 5.2.2 Recoverability index (α) for initial disruption scenario 151
• 5.2.3 Recovery failure defined by system-level performances 153
• 5.3 Post-disaster recovery analysis 157
• 5.3.1 Necessity of recovery analysis for the recoverability index 158
• 5.3.2 Overview of recovery analysis procedures 160
• 5.3.3 Criteria for selecting components to be repaired 162
• 5.3.4 Recovery time modeling for network components 165
• 5.3.4.1 Probabilistic model of component recovery time 165
• 5.3.4.2 Optimal resource allocation for component set recovery 167
• 5.4 Numerical investigations 169
• 5.4.1 Illustrative network and flow allocation model 170
• 5.4.2 Cascading failure analysis and recovery simulation setting 173
• 5.4.3 Disaster resilience analysis of the illustratitve network 177
• 5.4.3.1 β–π analysis under seismic hazard scenario 177
• 5.4.3.2 Resilience curves derived from the recovery analysis 180
• 5.4.3.3 Recoverability index quantified from resilience curves 189
• 5.5 Summary 195
• Chapter 6. Conclusions, Limitations, and Future Directions 198
• 6.1 Major developments and findings 198
• 6.2 Limitations and recommendations for further study 203
• References 209
• Abstract in Korean 219