국내 교량 시설물의 안전점검은 안전 등급에 맞게 주기적으로 실시하고 있다. 최근 교량 시설물의 안전에 대한 관련법의 개정으로 관리 대상이 제3종시설물까지 확대되면서 각 기관마다 소관하는 시설물의 수가 대폭 증가하였다. 향후에는 사용연수 30년 이상인 교량의 수가 급격하게 증가할 것으로 통계 집계가 되고 있어, 이에 대한 대비도 필요한 상황이다. 또한 교량의 안전점검과 유지 및 보수·보강에는 막대한 예산이 소요될 수 있다. 따라서 교량 시설물을 일일이 점검하는 기존의 방식보다는 다수의 교량 시설물을 종합적으로 모니터링 할 수 있는 경제적이면서도 효율적인 스마트한 교량 안전진단 기술이 필요하다. 이러한 기술이 개발된다면, 향후 관리해야할 교량의 수가 증가하더라도 관할 구역에 대한 종합적인 모니터링을 통해 지속적이고 신속한 상태 파악이 가능할 것이다. 본 연구에서는 이런 스마트한 기술의 일원으로, 교량에서 계측되는 응답을 통해 교량의 손상을 탐지할 수 있는 기술을 개발하였다.
실제 교량에서 손상을 가한 응답을 계측할 수 없기 때문에 본 연구에서는 실제 교량과 거동이 유사한 유한요소모델을 구현한다. 실제 교량의 계측 응답을 기반으로 Real-Coded Genetic Algorithm(RCGA) 최적화 기법을 사용한 모델업데이팅 기법을 통해 교량의 바닥판과 각 거더, 지점부 조건을 매개변수로 교량의 계측 응답과 유사한 개선된 유한요소모델을 구축하였다. 개선된 유한요소모델은 실제 교량의 계측 응답과 고유진동수로 검증하였다.
본 연구에서 선정한 교량은 폐교로 확정되어 실제 손상을 가한 계측 응답을 얻을 수 있었다. 계측 응답은 모든 손상 경우에 대하여 의사정적재하시험을 통해 측정되었다. 따라서 개선된 유한요소모델에도 동일한 상황으로 손상 시뮬레이션을 진행하였고, 교량에 가한 손상을 바탕으로 손상 시나리오를 구성하였다. 개선된 유한요소모델을 통한 해석 응답은 계측과 동일하게 수직 가속도, 수직 변위, 축방향 변형률을 추출하였다.
개선된 유한요소모델을 통한 해석 응답마다 손상 특성을 분석하기 위해 시간을 주파수 영역으로 치환하는 spectrogram 기법을 사용한다. Spectrogram은 Short-Time Fourier Transform(STFT) 기법을 사용하여 시간, 주파수, power spectral density(PSD)를 하나의 그래프에 나타낸 것으로, 시간과 주파수 영역을 사용자가 직접 분해할 수 있어 정밀한 분석이 가능하다. 본 연구에서는 MATLAB에서 제공하는 신호분석 코드를 사용하여 개선된 유한요소모델의 손상 시뮬레이션을 통한 각각의 해석 응답을 spectrogram 그래프로 변환하고, 손상 특성이 잘 드러나는 경우의 시간과 주파수 영역을 분석하였다.
손상 경우별 해석 응답을 통한 spectrogram을 손상 탐지를 위한 학습 데이터로 사용하였다. 각각의 spectrogram을 이미지 데이터로 구성하고, 이미지와 같은 Matrix 형식의 데이터를 학습하는 것에 특화된 Convolutional Neural Networks(CNN) 학습 모델을 설계하여 이미지 데이터를 입력하였다. 본 연구에서는 손상에 대한 이미지 데이터를 학습하는 방법으로, 손상 시나리오에 따른 모든 데이터를 하나의 모델로 학습하는 Global 방법과, 각 응답 추출 위치마다 해당 위치의 응답만 학습하는 Local 학습 방법 2가지를 제시한다. 손상 경우별 해석 응답 간의 손상 특성이 매우 유사한 것으로 분석되어, Global 방법은 손상 예측 정확도가 상당히 저조하였지만, Local 학습 방법은 응답이 추출되는 위치의 데이터로만 학습을 진행하여, 각 학습 모델마다 예측하는 결과의 정확도가 매우 높게 나타났다. Local 학습 방법을 통한 최종 교량 손상 탐지 결과는 응답 위치별 각 학습 모델의 예측한 결과를 종합하여 다수의 공통된 결과로 선정하였다.
해석 응답을 통한 Global-Local 학습 방법 중 교량 손상 탐지에 적합한 방법으로 Local 학습 방법을 선정하고, 이를 현장 계측 응답에 적용하였다. 계측 응답도 해석 응답과 동일하게 spectrogram 이미지 데이터로 변환하였고, Local 학습 모델의 각 응답 위치별 학습 모델에 입력한 다음, 각각의 손상 예측 결과를 종합 분석하였다. 수직 가속도와 수직 변위, 축방향 변형률에 대하여 각각의 손상 예측 결과를 실제 손상과 비교하면서, 본 연구에서 제안하는 교량 손상 탐지 기법의 적용가능성과 향후 보완해야할 사항을 검토하였다.