應用機器學習模型於輔助橋梁管理

Application of Machine Learning Model in Bridge Management

李佳逢(Chia-Feng Lee)

指導教授 ： 呂良正

國立臺灣大學/工學院/土木工程學研究所/碩士(2019年)

https://doi.org/10.6342/NTU201902849

摘要

本研究使用Python程式語言搭配機器學習模型，用來預測橋梁上部結構(Superstructure)的健康狀態，並藉以提供給橋梁管理者或擁有者管理上的幫助，例如維修經費的安排與橋梁檢測的時機等等。
資料使用美國聯邦公路總署(Federal Highway Administration, FHWA)所紀錄且公開於網路上的全國橋梁清冊(National Bridge Inventory, NBI)橋梁資料庫。
本研究主要分為兩部分，第一部分為找到適宜的機器學習模型以及其模型參數，和從大量資料集中汲取適合的特徵。第二部分則為建立在第一部份上，如何將機器學習預測的結果應用在管理上。
第一部分使用了決策樹(Decision Tree)與隨機森林(Random Forest)兩種機器學習模型，在NBI資料上預測，逐步調整建立較佳的學習模型，並由分類的過程中找到區分橋梁好壞的重要特徵。
第二部分在預測準確度有一定程度後，試用模型於輔助管理，將目標轉變為需不需要檢測，分成需要與不需要兩類，並測試在不同的檢測頻率下所節省的檢測資源，以供管理者做決策時之輔助。最後除了NBI本身所有之橋梁基本資料外再加上氣候環境資料探討氣候對預測精度的影響。

關鍵字

橋梁檢測 ； 橋梁管理 ； 機器學習 ； 決策樹 ； 隨機森林 ； 氣候資訊

並列摘要

無資料

並列關鍵字

Bridge inspection ； Bridge management ； Machine learning ； Decision tree ； Random forest ； Climate data

參考文獻

Bektas, B. A., Carriquiry, A., & Smadi, O. (2012). Using classification trees for predicting national bridge inventory condition ratings. Journal of Infrastructure Systems, 19(4), 425-433.

Blanco, J. L., Fuchs S., Parsons, M. and Ribeirinho, M. J. (2018). Artificial intelligence: Construction technology’s next frontier. Retrieved from website: https://goo.gl/jbDFXK.

Bowman, M. D., & Moran, L. M. (2015). Bridge Preservation Treatments and Best Practices.

Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.

Breiman, L. and Cutler, A. (2001). Random forests, Machine Learning Vol. 45, pp. 5-32.