인공신경망이론을 이용한 아스팔트 콘크리트 포장구조체의 동적물성추정에 관한 연구

사용중인 포장도로를 손상시키지 않고 직접 포장구조체의 구조평가를 하기 위해서는 Falling Weight Deflectometer (FWD) 시험과 같은 비파괴시험을 실시해야 한다. 그러나 FWD 시험 결과로 포장체의 물성을 역산하는 방법은 주로 포장체의 정적인 해석에 기초를 두고 있다. 이러한 가정과 실제 FWD 시험의 동적인 특정 사이와의 차이에 의해서 상당한 오차가 발생한다. 한편 포장체 응답에 대한 동적인 해석도 가능하지만 계산 및 해석의 복잡성에 의해서 기존의 프로그램을 사용하는 것보다 실용적이지 않기 때문에 실사용은 많이 이루어지지 않고 있다. 이려한 역해석 문제에 대해 본 연구에서는 인공신경망을 사용하여 FWD 비파괴 시험자료로부터 포장체 각 층의 물성추정시 동적 영향을 고려하며, 광범위한 탄성계수 데이터베이스를 통한 물성추정 역해석기법에 관하여 연구하였다. 본 연구에서는 아스팔트 콘크리트 포장구조체의 물성추정에 이용할 인공신경망의 훈련자료를 얻기 위해 FWD 시험을 동적 유한요소 해석프로그램인 ABAQUS를 이용하여 모델링하였다. 해석에 사용된 포장체의 단면과 물성값은 현재 국내에서 공용중인 포장체 전체를 대변할 수 있도록 하였으며, 실제 암반층의 깊이를 고려하기 위하여 암반층의 깊이가 각각 2, 4, 6, 8 m 인 경우로 분류하였다. 인공신경망을 훈련시키기 위한 자료는 ABAQUS를 수행하여 구한 표면처짐과 해석에 사용된 포장체의 단면과 물성값을 사용하였다. 그후 인공신경망증 토목분야에서 널리 사용되는 오차 역전파 알고리즘(Error Backpropagation Algorithm)을 사용한 다층퍼셉트론을 적용하여 신경망을 훈련시켰다. 훈련된 인공신경망의 타당성을 검토하기 위하여 훈련된 범위안의 포장체 수치모델에 대한 검증을 실시하였다. 또한 실제 FWD 현장시험자료의 역산결과를 검증하기 위하여 1997년 원주 동화폐도 구간에서 실시되었던 FWD 및 깊이별 처짐을 측정할 수 있는 Multi-Depth Deflectometer(MDD) 시험자료를 사용하였다. 한편 인공신경망으로 포장체 물성을 역해석한 결과, 동적특성을 반영하는 기존 의사정적역해석 프로그램에 비해서 실제 MDD 깊이별 처짐에 잘 부합하며 역해석 수행시간이 매우 짧음을 알 수 있었다. 따라서 본 연구에서 제안한 인공신경망 역해석기법은 현장에서 실시간 해석이 가능하고 FWD의 동적영향을 고려할 수 있으며 온도영향이 고려된 넓은 범위에서 탄성계수의 값을 추정할 수 있음을 알 수 있었다.

A pitfall of existing, widely used techniques for backcalculate pavement layer moduli from FWD results is that they are based on a static analysis of pavement responses. Significant errors in moduli can accrue from the discrepancy between this static assumption and the dynamic nature of the FWD test. This limitation can be overcome by applying artificial neural network technologies to the backcalculation procedure. Therefore artificial neural networks provide a fundamentally new approach to backcalculation of pavement layer moduli from Falling Weight Deflectometer(FWD) deflection basins. According to the bedrock depth (2, 4, 6, 8 m), four backpropagation neural networks are trained to backcalculate pavement moduli for three-layer flexible pavement. Deflection basins obtained by using a commercial FEM code, ABAQUS, are used to train networks in the context of backcalculation. A neural network can also be trained to approximate the inverse function by repeatedly showing it forward problem solutions. Based on the comparison with psudo-static back-analysis, it is found that the most important advantage of using neural networks for back-calculation is speed. Neural networks trained in this study are much faster than conventional gradient search algorithm. Such speed makes realtime backcalculation of moduli possible. Also trained networks can backcalculate a wide broad of moduli, because a wide variety of layer moduli and thicknesses are used to train networks. Validity and applicability of artificial neural network proposed in this study were verified from numerical model tests and field test data of FWD and MOD test.