교량의 케이블-정착교(cable-stayed bridge)와 같은 토목 기반시설의 적절한 유지관리는 안전하고 효율적인 물류 및 교통을 보장하는 데 필수적이다. 이러한 교량에서 프리스트레스트 콘크리트(Prestressed concrete, PSC) 박스 거더(box girder)는 부식에 의한 스트랜드(strand) 열화에 특히 취약하다. 기존 방법은 종종 시스템 수준의 거동을 간과하거나 계산적으로 부담이 큰 시뮬레이션에 의존한다. 본 연구는 부식된 PSC 박스 거더를 갖는 케이블-정착교의 시간 의존적 신뢰도(time-dependent reliability)를 평가하기 위한 딥러닝 기반 프레임워크를 제안한다. 우리는 시간 경과에 따른 점진적 구조 열화를 시뮬레이션하기 위해 Hwayang-Jobal Bridge의 유한요소 모델(finite element model)을 개발한다. 이어서 부식 수준과 단면 특성이 서로 다른 조건에서 PSC 박스 거더의 휨 특성(flexural characteristics)을 예측하도록 딥 신경망(deep neural network, DNN)을 학습한다. 이후 DNN의 출력값을 전역 교량 모델(global bridge model)에 통합하여 효율적인 몬테카를로(Monte-Carlo) 기반 시스템 신뢰도 분석을 가능하게 한다. 제안된 프레임워크는 부식성 환경 요인, 교량 형상, 구조 시스템 내 하중 재분배(load redistribution) 등 다양한 불확실성의 원천을 반영한다. 수치적 고찰을 통해 부식이 구조 성능과 하중 재분배 메커니즘에 미치는 영향을 확인하였다. 본 포괄적이고 효율적인 접근법은 노후 교량 시스템의 시간에 따라 변하는 신뢰도를 평가하기 위한 견고한 도구를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.