철근콘크리트(RC)에서 부식 유발 열화로 인한 손상의 조기 발견은 노후 기반시설의 효과적인 유지관리와 직결된다. 본 연구는 전기화학, 전자기, 음향 등 다중 비파괴 평가(NDE) 기법을 통합하는 기계학습(ML) 기반 프레임워크를 제시하여 RC에서의 부식 유발 손상을 자동 분류한다. 세 가지 콘크리트 배합에 대해 가속 부식을 수행하였으며, 노출 주기 사이에서 NDE 데이터를 수집하였다. 손상 상태는 무손상, 내부 열화, 그리고 육안으로 관찰되는 표면 균열(≥ 0.1 mm)의 세 수준으로 범주화하였다. 융합된 다중 모달 입력을 사용하는 ML 모델은 단일 기법 기반 모델보다 우수했으며, 특히 초기 단계 손상 검출에서 성능이 두드러졌다. 최우수 모델은 Subspace KNN 분류기를 사용하여 다섯 가지 NDE 파라미터—반전지 전위(half-cell potential), 상대 유전율(relative permittivity), 전기 비저항(electrical resistivity), 임팩트-에코 피크 주파수(impact-echo peak frequency), 초음파 표면파 속도(ultrasonic surface wave velocity)—의 특징 수준(feature-level) 융합을 통해 정확도 0.936과 Cohen’s Kappa 0.783을 달성하였다. 또한 서로 다른 배합 특성을 갖는 독립 시편을 이용해 견고성을 검증하였다. 아울러 가중 소프트 보팅(weighted soft voting)을 사용하는 의사결정 수준(decision-level) 융합 모델을 개발하여 개별 NDE 파라미터의 상보적 민감도를 알고리즘적으로 활용함으로써 진단 성능의 시너지 향상을 구현하였다. 반전지 전위와 초음파 표면파 속도만을 사용하는 단순화된 구성은 정확도 0.832와 Kappa 0.607을 달성했으며, 초기 내부 열화에 대한 클래스별 Kappa는 0.674로 모든 모델 조합 중 가장 높았다. 전반적으로 제안된 프레임워크는 부식의 초기 단계 검출성을 향상시키고 노후 콘크리트 구조물에 대한 보다 신뢰할 수 있는 유지관리 의사결정을 지원한다. • 다중 모달 NDE와 함께하는 ML은 부식 손상을 정확히 분류한다. • 가중 투표를 통한 의사결정 수준 융합은 진단 성능을 향상시킨다. • 전기화학 및 음향 NDE의 시너지가 초기 단계 손상 검출을 강화한다. • 이 프레임워크는 노후 기반시설의 실시간, 상태 기반 유지관리를 지원한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.