건설 사양서로부터 계약상의 위험 정보를 탐지하는 것은 건설 프로젝트를 성공적으로 수행하는 데 매우 중요하다. 본 논문은 자연어 처리 분야에서 Bidirectional Encoder Representations from Transformers(BERT) 방법을 이용한 조항 분류(clause classification)를 기술한다. 문헌 검토를 통해 지불, 시간, 절차, 안전, 역할 및 책임, 정의, 참고(reference)를 포함한 7가지 위험 범주를 도출하였다. 56개의 건설 사양서에서 2807개의 조항을 사용하여, BERT 기반 조항 분류 모델은 검증(validation)에서 0.889의 정확도, 테스트(testing)에서 0.934의 F1 점수를 통해 주목할 만한 성능을 산출한다. 본 모델은 서포트 벡터 머신(support vector machine)과 단순한 딥 뉴럴 네트워크(simple deep neural network)를 포함한 다른 기계 학습 방법들과의 조항 분류 성능 비교를 통해 평가되었으며, 모든 위험 범주에서 우수한(dominant) 성능을 보인다. 건설 산업의 실무자들은 본 연구의 주요 수혜자이며, 본 모델은 건설 프로젝트 기간 동안의 건설 사양서 검토 프로세스와 위험 관리(risk management)를 개선하는 데 기여할 것으로 기대된다.

시각 기반 모니터링을 위한 최신 기술의 대부분은 기계 학습 또는 딥러닝 알고리즘에서 비롯되었으므로, 대규모이면서도 풍부한 학습 이미지 데이터베이스(DB)를 구축하는 것이 핵심이다. 이를 위해 본 논문은 건설 현장 모니터링을 위한 대규모의 고품질 학습 DB를 구축하는 자동화 프레임워크를 제안한다. 이 프레임워크는 (1) 웹 크롤링을 이용한 자동화된 건설 이미지 수집, (2) 이미지 분할 모델을 이용한 자동화된 이미지 라벨링, (3) 전경-배경 간 완전 무작위 교차 오버샘플링의 세 가지 주요 과정으로 구성된다. 개발된 프레임워크를 사용함으로써 53.5분 만에 건설 객체 탐지를 위한 5864장의 이미지로 구성된 학습 DB를 자동으로 구축할 수 있었다. 해당 DB로 학습된 딥러닝 모델은 평균 정밀도 92.71%, 재현율 88.14%로 건설 자원을 성공적으로 탐지하였다. 본 연구의 결과는 시각 기반 현장 모니터링 기술을 개발하는 데 필요한 시간과 노력을 줄일 수 있다.

건설 현장은 소음과 분진 등 여러 유해한 환경 요인에 작업자가 노출되는 역동적인 공간으로, 급성 스트레스 반응을 유발한다. 기존의 규제 지침은 장기 노출에 초점을 두고 있으며, 복합 환경 조건에서의 단기 스트레스를 평가할 수 있는 도구가 부족하다. 이러한 공백을 해소하기 위해 본 연구는 심박수 데이터만으로 건설 노동자의 스트레스 확률 분포를 추정하기 위한 프레임워크를 제안한다. 이 과정은 세 가지 주요 과업으로 구성된다: (1) 심박수 기반 스트레스 상태 분류 모델이 스트레스 확률을 추정한다; (2) 환경 요인과 추정 스트레스 확률 간의 관계를 Bayesian Ridge Regression을 사용하여 정량화한다; (3) 회귀로부터 도출된 계수로 가중된 Gaussian Process Network(GPN)가 개인의 스트레스 예측 불확실성을 모델링하고, 이를 Mixture of Gaussians로 통합한다. 제안된 모델은 상승(시너지) 효과를 보여주며, 소음이 80 dB를 초과하고 분진이 11 μg/m³를 초과할 때 스트레스 확률이 유의하게 증가하고, 소음이 80 dB를 초과하며 분진이 8.75 μg/m³를 초과하는 경우에는 중첩된 효과가 나타난다. 이러한 결과는 다중 환경 요인 하에서의 급성 스트레스에 대한 정량적 통찰을 제공하며, 건설 현장에서의 데이터 기반 안전 및 환경 관리에 기여한다.

터널 기반시설의 가속화된 열화는 효과적인 유지관리의 중요성이 점차 커지고 있음을 부각시켰다.유지관리 비용을 예측하는 것은 예산 배분 및 계획에서 핵심적인 구성요소이다.본 연구는 실제 수리 기록을 활용하는 기계 학습 모델을 제안함으로써 대략적인 단가에 기반한 기존 방법의 한계를 다룬다.2019년부터 2023년까지 36가지 수리 방법을 포괄하는 6,611건의 데이터셋을 수집하였다.비용 산정을 위한 모델을 개발하기 위해 XGBoost 알고리즘을 적용하였다.그 결과 13가지 방법에 대한 모델이 개발되었으며 평균 정확도 95.1%, 가중 F1-score 0.945를 달성하였다.또한 모델들은 평균 MAE 22,822 KRW, 평균 MAPE 35.5%를 나타냈다.이러한 결과는 제안된 접근법이 전통적인 단가 기반 방법에 비해 유의하게 우수함을 보여준다.본 연구 결과는 기계 학습이 비용 산정의 정확도를 향상시키고 터널 유지관리를 위한 보다 합리적이고 지속가능한 예산 계획을 지원할 수 있는 잠재력을 입증한다.

다양한 비전 센서 기반 플랫폼은 건설 현장을 실시간으로 모니터링하기 위한 핵심 정보를 생성하지만, 이들의 독립적인 적용은 해당 데이터의 효과적 활용을 제한한다. 본 연구는 세 가지 대표적인 비전 플랫폼—무인항공기(Unmanned Aerial Vehicle, UAV), 지상 레이저 스캐너(Terrestrial Laser Scanner, TLS), 폐쇄회로 텔레비전(Closed-Circuit Television, CCTV)—를 통합하여 단일한 디지털 지도를 구축하는 프레임워크를 제안한다. 프레임워크는 다음과 같이 동작한다. UAV는 전반적인 3D 디지털 지도 재구성을 위해 항공 영상을 캡처하고, TLS는 지도 정렬을 통해 수직 표면과 구조적 세부를 정밀화하며, CCTV 카메라는 레이 마칭(ray marching)과 다중 시점 융합(multi-view fusion)을 활용하여 견고한 실시간 3D 객체 추적을 가능하게 함으로써 동적 디지털 지도를 생성한다. 실험 결과, 본 프레임워크는 개별 플랫폼을 단독으로 사용할 때보다 디지털 지도의 해상도를 향상시키고 동적 객체 추적 성능을 개선하는 것으로 나타났다.

토공 작업 생산성 분석은 성공적인 건설 프로젝트에 필수적이다. 생산성 분석 결과를 언제 어디서든 접근할 수 있다면, 프로젝트 관리는 보다 효율적으로 수행될 수 있다. 이를 위해 본 논문은 실시간 장면 갱신 multi-vision 플랫폼을 통해 토공 작업 생산성 모니터링 프레임워크를 제안한다. 해당 프레임워크는 네 가지 주요 과정으로 구성된다: 1) 현장 최적화 데이터베이스 개발; 2) 실시간 모니터링 모델 업데이트; 3) multi-vision 생산성 모니터링; 4) 인터넷 연결 장치를 위한 웹 기반 모니터링 플랫폼. 실험 결과는 만족스러운 성능을 보였으며, 연속적인 현장 특화 모니터링에서 평균 macro F1-score 87.3%, 활동 인식에서 평균 정확도 86.2%를 나타냈고, 웹 기반 플랫폼을 통해 multi-vision 생산성 모니터링을 실시간으로 성공적으로 수행하였다. 본 연구 결과는 건설 프로젝트 및 정보 관리를 보다 효율적으로 달성하는 동시에, 현장 관리자가 실시간 토공 작업(earthmoving operations)을 이해하는 데 기여할 수 있다.

건설 사양서로부터 계약상의 위험 정보를 탐지하는 것은 건설 프로젝트를 성공적으로 수행하는 데 매우 중요하다. 본 논문은 자연어 처리 분야에서 Bidirectional Encoder Representations from Transformers(BERT) 방법을 이용한 조항 분류(clause classification)를 기술한다. 문헌 검토를 통해 지불, 시간, 절차, 안전, 역할 및 책임, 정의, 참고(reference)를 포함한 7가지 위험 범주를 도출하였다. 56개의 건설 사양서에서 2807개의 조항을 사용하여, BERT 기반 조항 분류 모델은 검증(validation)에서 0.889의 정확도, 테스트(testing)에서 0.934의 F1 점수를 통해 주목할 만한 성능을 산출한다. 본 모델은 서포트 벡터 머신(support vector machine)과 단순한 딥 뉴럴 네트워크(simple deep neural network)를 포함한 다른 기계 학습 방법들과의 조항 분류 성능 비교를 통해 평가되었으며, 모든 위험 범주에서 우수한(dominant) 성능을 보인다. 건설 산업의 실무자들은 본 연구의 주요 수혜자이며, 본 모델은 건설 프로젝트 기간 동안의 건설 사양서 검토 프로세스와 위험 관리(risk management)를 개선하는 데 기여할 것으로 기대된다.