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.

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