도로 프로젝트의 지속가능한 복구를 위한 비용 예측 모델

 

요약

 

미국에는 포장된 도로가 약 3백만 마일, 고속도로가 약 5만 마일이 있음. 이러한 도로와 고속도로의 많은 부분이 그들의 설계수명(design life)의 끝에 다다르고 있고 불량한 상태에 있는 것으로 간주되고 있음. 이렇게 소중한 인프라 자산을 지속가능한 방법으로 업그레이드하기 위해서, 주와 연방 정부는 고무로 처리된 아스팔트(rubberized asphalt) 기술의 사용을 제안해왔음. 이러한 지속가능한 수선 기술(rehabilitation technique)의 사용은 미래의 세대가 그들의 자신의 요구사항들을 맞추는 능력을 타협함 없이 현재의 니즈를 맞추기 위해 제안되어 왔음.

 

이 연구는 고무로 처리된 아스팔트 도로 수선 프로젝트에 대한 비용 추정 시스템을 개발함. 제안된 시스템은 44개의 프로젝트로부터 수집된 정보를 사용하고 그 임무를 수행하는데 신경망(neural networks)을 적용함. 이는 정확한 예산 추정과 수명-비용 분석의 준비와 같이 많은 도로 프로젝트에 사용될 수 있는 유용한 도구로 여겨짐. 이는 또한 제한된 예산 환경에서 재정자원을 관리하기 위해 사용될 수 있는 효율적인 도구로 간주됨.

 

소개

 

도로와 고속도로는 미국에서 가장 중요한 인프라 시스템 중의 하나임. 이들은 이동성의 목적으 위해 미국인들 중 약 88%에 의해 사용됨. 이러한 도로와 고속도로의 대부분의 상태는 불량한 상태에 있는 것으로 간주됨. 간선도로와 주요 합류도로의 약 55%도 상태가 불량이거나 썩 좋지않은 것으로 보고되고 있음. 게다가, 연방고속도로청(Federal Highway Administration, FHA)의 보고에 의하면, 도로포장 상태의 측정기준인 받아들여질만한 수준의 승차감(“acceptable” ride quality)을 가진 도로의 비율이 지난 수년간 15% 가량 감소하였음. 불량 상태의 도로와 고속도로 네트워크는 매년 약 35천명의 사망과 버려진 시간과 추가 연료 소비로 인한 매년 약 800억 달러의 경제 비용을 야기함. 도로와 고속도로 네트워크의 상태를 개선하기 위해서 매년 약 2천억 달러가 필요한 것으로 추정됨.

 

도로 및 고속도로 수선 프로젝트를 미리 계획하고 예산을 배정하기 위해서 그들의 비용에 대한 추정이 필요함. 캘리포니아 주 공무원들과의 인터뷰 결과에 의하면, 현재의 프로젝트 비용 추정사례는 50%까지 과소 혹은 과대 예측을 만들어낼 수 있음. 분명히, 이러한 사례는 가용한 재정자원을 부적절하게 사용하게 하거나, 더 많은 자금이 차년도에 승인될 때까지 프로젝트의 진척을 방해할 수 있음. 인터뷰 결과는 또한 가장 많이 사용되는 비용 추정모델이 전통적인 포장재료 (아스팔트와 콘크리트) 가 사용되었던 수선 프로젝트로부터 추출된 정보를 사용하요 개발되었음을 밝혔음.

 

많은 전통적인 포장 수선 방법이 오랫동안 산업계에서 사용되어 왔을지라도, 다른 지속가능한 방법들이 지역 및 연방정부에 의해 사용되도록 점점 더 선호되고 장려되고 있음. 지속가능한 수선방법을 사용하도록 장려하는 것은 미래 세대가 그들의 경제적, 환경적 그리고 사회적 교통 니즈를 최선으로 맞출 수 있도록 하기 위함임. 이러한 지속가능한 기법은 고무로 처리된 아스팔트 기술의 사용을 포함한다는 것을 알아둘 필요가 있음. 이러한 기법의 사용은 환경을 보호할 뿐만 아니라 도로와 고속도로의 내구성, 균열 전파, 피로 및 미끄럼 저항성을 개선시킴. 고무로 치리된 아스팔트의 또다른 혜택 ？ 높은 내구성과 성능 기준으로 인한 바퀴자국(rutting)에 대한 높은 저항성과 더 낮은 유지관리 비용 ？ 이 문헌에 기록되어 있음. 고무로 처리된 아스팔트의 환경적 혜택은 열섬 현상(heat island effects)의 감소와, 최종적으로 매립지로 향하게 되는 모든 타이어 폐기물의 ¾에 대한 전환을 포함함. 평균적으로, 2인치의 두께로 고무로 처리된 아스팔트 콘크리트 표면재처리(resurfacing) 프로젝트는 차선 마일 당 약 2천개의 타이어 폐기물을 사용함.

 

고무로 처리된 아스팔트 수선 기술이 1930년대 말에 개발되어 1980년대 초에 캘리포니아 주에서 제한적으로 사용되었지만, 2005년에 이르러서야 비로소 완전한 오버레이(overlay)로 사용되었음. 고무로 처리된 아스팔트를 완전한 오버레이 도로 수선 프로젝트에서 이용함에 따라 이를 더 잘 관리할 수 있도록 하는 프로젝트 비용 예측모델의 개발에 대한 필요성이 제기되었음.

 

고무로 처리된 아스팔트 배합은 세 가지의 주요 절차를 사용하여 생산될 수 있음: (1) 습윤 절차(wet process); (2) 건조 절차(dry process); 그리고 (3) 최종 혼합(terminal blend). 캘리포니아 주에서 가장 많이 사용되는 것은 습윤 절차임. 이 절차에 의하면, 고무로 처리된 아스팔트는 아스팔트, 재생된 타이어 고무와 특정 첨가제의 혼합으로 정의됨. 고무 요소는 배합 무게 기준으로 적어도 15%는 되어야 함. 이러한 형태의 아스팔트 배합은 고무 입자들이 아스팔트 배합에서 계속해서 부유하도록 높은 온도과 높은 교반하에서 생산됨. 건조 배합은 전통적인 아스팔트 배합에서의 표준 골재 요소를 재생 타이어 고무로 부분적으로 대체하지만, 최종 혼합 배합은 고무만을 포함하지만 아스팔트 바인더와 교반되지 않음.

 

완전한 오버레이의 고무로 처리된 아스팔트 도로 수선 프로젝트를 더 잘 관리하기 위해서, 정확한 예산 예측 시스템이 제안됨. 이 정확한 시스템은 프로젝트 비용의 과다 또는 과소 예측을 예방해서 재정자원의 적절한 사용을 담보할 것임. 재정자원의 적절한 사용은 수행되는 수선 프로젝트와 개선되는 도로 마일 수를 최대화할 뿐만 아니라 수선 프로젝트의 연속성을 담보하고 차년도에 더 많은 자금이 배정되는 것을 기다릴 필요가 없도록 할 것임. 게다가, 제안된 시스템은 고무로 처리된 아스팔트 도로 수선 프로젝트에만 집중된 비용 예측모델의 개발에 대한 산업계의 요구를 만족시킴. 이는 또한 전통적인 아스팔트 및 콘크리트 포장 수선 프로젝트에만 적용가능한 현재의 모델을 강화함. 제안된 모델의 사용이 습윤 고무처리 아스팔트 배합이 사용되는 프로젝트에 제한되는 것을 알아둘 필요가 있음.

 

모델 개발 방법

 

세 단계를 통해 모델이 개발되었음. 첫째, 2005년에서 2008년 사이에 캘리포니아 주에서 건설된 44개의 프로젝트로부터 데이타가 수집되었음. 둘째, 수집된 데이타는 프로젝트 비용의 80%에 기여하는 입찰 항목(bid items)을 결정하기 위해 파레토 기법(Pareto technique)을 이용하여 분석되었음. 셋째, 이러한 입찰 항목에 관련된 정보는 제안된 비용 예측 모델을 개발하고 시험하기 위해서 신경망을 이용하여 더욱 처리되었음. 다음은 이러한 절차들을 자세히 묘사함.

 

데이타 수집

 

데이타는 오피스 엔지니어 데이타베이스(Office Engineer Database)를 사용하여 수집되었는데, 이 데이타베이스는 캘리포니아 교통부(California Department of Transportation, Caltrans)에 의해 개발되었고 웹사이트에 게시되었음. 이 데이타베이스는 캘리포니아 교통부의 프로젝트 정보가 저장되는 신속한 참조 데이타베이스임. 이 데이타베이스는 2000년과 현재 사이에 입찰을 위해 광고된 프로젝트들을 포함하고 있음. 특정 형태의 프로젝트를 찾기 위해서 키워드가 온라인 검색창에 입력되어 프로젝트 목록이 생성됨.

 

비용 예측 모델 개발

 

비용 예측 모델을 개발하기 위해 여섯개의 선택된 입찰 항목 관련 정보가 모든 프로젝트 표본에 걸쳐 더욱 처리될 필요가 있음. 이러한 정보를 처리하기 위해, 두 가지의 모델 개발기법이 고려되었음: (1) 회귀(regression); 그리고 (2) 신경망. 회귀기법과 비교했을 때 많은 토목공항 사례에서 신경망의 예측 성능과 그 증명된 능력때문에 신경망이 제안된 시스템의 개발을 위해 선택되었음. 신경망의 우수한 성능은 신뢰할만한 회귀분석을 수행하기 위해 필요한 데이타가 충분하지 않기 때문임.

 

신경망의 여러 형태 중에서, 후방전파 패러다임(back-propagation paradigm)이 많은 공학 사례에서 가장 일반적으로 사용되는 것으로 간주됨. 후방전파 신경망은 입력 레이어(input layer), 하나 또는 그 이상의 숨김 레이어(hidden layers) 그리고 하나의 결과 레이어(output layer)로 구성됨 (<그림 1> 참조). 각 레이어는 다른 레이어들과 서로 연결된 수많은 신경으로 구성됨.

 

<표 1> 후방전파 신경망

 

제안된 후방전파 비용 예측 신경망을 훈련하기 위해서, 입력 레이어는 여섯개의 신경으로 만들어졌음. 각 신경은 파레토 분석을 사용하여 결정된 가장 중요한 프로젝트 입찰 항목 중 하나와 관련되어 있음 (즉, 고무 처리 아스팔트의 양, 냉각면 아스팔트의 양, 열가소성 교통차선의 양, 열가소성 포장 마킹의 양, 역반사 포장 마커의 양, 그리고 유도 루프 대체의 양). 결과 레이어는 프로젝트이 예측 비용을 보고하는 하나의 신경으로 구성되고, 숨김 레이어는 21개의 신경으로 구성됨. 신뢰할만한 추정치를 제공하는 숨김 레이어의 최적 수량은 시행 착오 절차(trial and error process)를 사용하여 결정됨.

 

결론

 

완전한 오버레이의 고무처리 아스팔트 포장 프로젝트를 위한 인공 지능(artificial intelligence)의 비용예측 시스템이 개발되었음. 이 시스템은 그 임무 수행을 위해 여섯개의 입찰 항목과 후방전파 신경망을 사용함. 이는 전통적인 아스팔트 포장, 콘크리트 포장과 고무처리 아스팔트 땜질 보수에만 적용되는 현재의 비용예측 시스템을 개선함. 이 시스템은 2005년과 2008년 사이에 캘리포니아에서 건설된 44개의 프로젝트를 사용하여 개발되었음. 시험 결과에 의하면, 시스템이 프로젝트 비용을 낮게 추정하는 경향이 있지만 그 정확성은 -24%와 24% 사이임. 시험 프로젝트의 75%만이 2.5%에서 24% 정도로 낮게 추정되었고 시험 프로젝트의 25%는 약 24% 정도로 높게 추정되었음. 개발된 시스템의 과소 및 과대 추정 성능은 주로 파레토 가정과 신경망이 훈련되는 유사한 프로젝트가 가용하지 않았기 때문임. 50%까지 부정확한 결과를 제공하는 현재의 비용 예측절차와 비교했을 때 이 시스템은 커다란 개선을 보여줌.