머신러닝 기반의 아스팔트 포장 역학적-통계적 설계 모형개발 = Development of the Mechanical-Statistical Design Model for Asphalt Pavement Based on Machine Learning

국문 초록 (Abstract)

실제 포장 설계과정 시 목표가 되는 도로의 교통분석에 의한 교통량을 토대로 포장 두께를 결정한다. 이 과정에서 포장의 형식은 공사 여건 및 주변 환경성을 고려하여 결정하게 되는데, 이에 대한 특정한 제한 없이 초기 포장 두께를 선정하여 한국형 포장설계법을 통해 해당 포장의 공용성을 평가하도록 하며, 이는 설계자 혹은 엔지니어의 판단에 따라 같은 조건일지라도 다른 포장 두께를 결정할 수 있다는 것을 의미한다. 이러한 방법으로 설계를 진행하는 경우, 우리나라에서는 표층과 중간층의 두께를 일반국도에서는 각각 5cm 및 6cm로 적용하고 있으며, 고속국도에서는 5cm와 7cm로 적용하고 있기 때문에 표층과 중간층 사이에서 설계적 오류가 발생되지 않으나, 기층과 보조기층의 경우 상대적으로 과설계될 가능성이 있으므로 목표 도로의 특성에 맞는 기층과 보조기층의 최소 두께를 결정할 필요가 있다. 또한, 설계자 혹은 엔지니어의 개략적인 판단하에 한국형포장설계프로그램을 구동시키는 경우, 한국형포장설계법의 반복적 수행에 의해 상당한 시간의 러닝타임이 발생하게 된다.
이뿐만 아니라, 일반적인 과업 외에 턴키 혹은 기술제안과 같은 최상설계를 요구하는 사업에서 유한요소해석을 통해 포장의 공용수명을 평가하는 방법을 채택하고 있으나, 우리나라 설계기준에 맞는 교통하중과 교통량을 적용하는 것이 아닌 단축등가하중(ESAL, Equivalent Single Axle Load)을 적용하는 방법을 적용하고 있다. 이러한 국외기준을 활용하는 경우를 포함하여 유한요소해석은 국내 기준에 부합하는 설계법을 적용하여 우리나라 환경에 맞는 공용수명 평가방법이 필요하다.
이와 관련하여 본 연구에서는 한국형포장설계법을 활용하는 경우, 같은 공사구간의 환경임에도 불구하고 포장두께를 엔지니어의 판단하에 다르게 결정하는 문제와 한국형포장설계프로그램의 반복적인 구동시간을 단축시키기 위해 초기 포장 두께 선정 모형, 포장 공용성 예측 모형, 포장 공용수명예측 모형을 개발했다. 이와 더불어, 유한요소해석법을 활용하는 경우, 한국형포장설계법과 우리나라 공사 환경을 적용하지 못한다는 점을 해소한 유한요소해석을 활용한 공용수명 예측 모형을 개발했다.
구체적으로 설계과정에서 교통량은 별도의 교통수요예측을 통해 연평균일교통량(AADT, Annual Average Daily Traffic)이 결정되며, 포장 형식을 결정하는 것을 가정하여 이러한 정보만으로 초기 포장 두께를 결정할 수 있도록하는 모형을 개발하고, 공용성 및 공용수명을 동시에 예측할 수 있는 모형을 개발했다. 또한, 우리나라의 설계 기준 교통하중차량을 적용한 유한요소해석을 수행한 결과를 활용하여 예측모형을 개발했다. 이 예측모형을 개발하기 위해 실제 우리나라 고속국도를 중심으로 포장 설계 사례 및 기준을 분석하였으며, 실제 적용된 포장 현황을 조사했다. 이 과정에서 중점적으로 활용된 기준은 한국형포장설계기준 및 도로교설계기준(한계상태설계법)이다. 예측모형을 개발하는 방안으로써 군집분석, 회귀분석, 경향성 분석 등의 통계적인 분석을 통해 종속변수에 대해 큰 영향을 미치는 최적의 독립변수를 선정하였으며, 머신러닝을 통해 최적화 알고리즘에 활용할 수 있는 모형을 선별했다. 그 후, 결정된 모형에 대한 미정계수를 산정하기 위해 RMSE(Root Mean Squared Error)가 최소가 되도록 하는 머신러닝 및 일반화된 경사하강 알고리즘(GRG Algorithm, Generalized Reduced Gradient Algorithm)을 활용했다.
이로부터, 초기 포장 두께 결정모형(총 포장 두께, 기층 두께, 보조기층 두께), 공용성 예측 모형(피로균열, 소성변형, 평탄성), 공용수명 예측 모형(피로균열, 소성변형, 평탄성, 최종 공용수명), 피로와 소성변형에 대한 유한요소해석을 이용한 공용수명 예측 모형을 개발했다.
개발된 모형은 모두 오차율이 10%이하로써, 이에 대한 실제 사례에 적용하여 설계모형에 대한 검증을 통해 그 활용성을 검토했다.

다국어 초록 (Multilingual Abstract)

Pavement thickness can be determined as traffic volume from Traffic analysis of the design road in pavement design procedure. In this process, pavement type can be selected taking account of construction conditions and surrounding environments, and then its performance has to be evaluated on Korea Pavement Research Program without the specific standards for determining the initial thickness. And, the other special project like as T/K or technical proposal project can select the performance analysis based on Finite Element Method. However, Korea Pavement Standards for traffic load and classification method isn't not only applied but ESAL traffic load application is utilized to FEM. The pavement thickness of surface and intermediate course is normally applied as 5cm & 6cm on national road and 5cm & 7cm in Highway design, respectively. Therefore, the error isn't commonly generated in pavement design process, but the other thickness of base and sub-base can be excessively designed. To solve these problem, the optimal thickness of base and sub-base should be determined. Also, the performance analysis method using FEM has to be performed under Korea conditions and standards to predict the pavement performance life.
In the pavement design procedure, AADT(Annual Average Daily Traffic) is applied from Traffic Demand Prediction Analysis and the pavement type is selected before its performance evaluation step. It indicates that these information can be utilized to determine the pavement thickness and applied to develop the prediction models. In the development process of the prediction models using FEM, KL-510 which is the standard truck in Korea was applied to FEM modeling. These prediction models are developed from case investigation of Construction site and design, Standards based on Highway. The applied standards are based on Korea Pavement Design Guide and the Limit-State based Korea Bridge Design Specification.
The statical analysis like as Cluster analysis, Key-factor Analysis, Regression Analysis and the other methods were utilized to select the optimum independent variables affecting to the dependent variables. And the Machine Learning method is selected to determine the functional models for the optimizations. In this step, the undetermined coefficients is determined the minimization of Root Mean Squared Error from GRG(Generalized Reduced Gradient) Algorithm.
From this research, the initial thickness prediction models(Total Pavement, Base, Subbase), the pavement performance prediction models(Fatigue Cracking, Roughness, Rutting), the pavement performance life prediction models(Fatigue Cracking, Roughness, Rutting) and the performance prediction models using FEM(Fatigue Cracking, Rutting) was developed. The developed models have the error of under 10% and the utilization to real case was verified from the verification step.

목차 (Table of Contents)

• 요약 Ⅰ
• 표목차 Ⅲ
• 그림목차 Ⅶ
• I. 서 론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 수행 방법 4
• 1.3 연구 범위 6
• Ⅱ. 도로 포장설계 및 머신러닝 7
• 2.1 한국형포장설계법 7
• 2.1.1 한국형포장설계법 개요 8
• 2.1.2 한국형포장설계프로그램 9
• 2.1.3 역학적-경험적 설계 방법 10
• 2.1.4 포장설계 12
• 2.1.5 공용성 평가 27
• 2.1.6 한국형포장설계 고찰 33
• 2.2 유한요소해석 35
• 2.2.1 유한요소해석 이론 36
• 2.2.2 유한요소해석 적용 포장설계 이론 66
• 2.2.3 유한요소해석의 활용 70
• 2.2.4 유한요소해석을 이용한 포장설계에 대한 고찰 82
• 2.3 머신러닝 83
• 2.3.1 머신러닝 이론 84
• 2.3.2 최적화 모형 87
• 2.3.3 머신러닝을 이용한 최적화 104
• 2.4 고찰 105
• Ⅲ. 우리나라 고속국도 포장 설계 조사 107
• 3.1 개요 108
• 3.2 고속국도 포장설계 사례 조사 115
• 3.3 포장설계 사례의 특성 조사 116
• 3.4 결론 118
• Ⅳ. 고속국도 포장설계의 유한요소해석 적용 119
• 4.1 유한요소해석의 모형 구성 119
• 4.2 유한요소해석 결과 121
• Ⅴ. 역학적-통계적 포장 설계 모형 개발 123
• 5.1 독립변수와 종속변수의 판별을 위한 통계분석 125
• 5.2 공용성 결과를 이용한 머신러닝 학습 135
• 5.3 한국형 포장설계 사례를 통한 머신러닝 학습 137
• 5.4 유한요소해석을 이용한 역학적 모형 개발 139
• 5.5 역학적-통계적 모형 개발 142
• Ⅵ. 최적화 모형의 신뢰성 검증 145
• Ⅶ. 결 론 147
• 참고문헌 151
• 영문초록(Abstract) 159
• 감사의 글 163
• 부 록 167
• A. 표(Table) A
• B. 그림(Figure) B