以大數據探討橋梁構件劣化之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：42

、訪客IP：3.145.94.251

姓名

莊友涵(Yu-Han Chuang) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

以大數據探討橋梁構件劣化之研究
(A Big Data Approach for Investigating Bridge Deterioration and Maintenance Strategies)

相關論文

★ 知識庫專家系統於橋梁目視檢測之應用	★ 政府採購法諮詢雛型知識庫專家系統之建立-以工程採購為例
★ BOT特許合約條款及相關法令查詢系統之研究	★ 以案例式推理建構建築工程成本估算系統
★ 應用WAP建置營建資訊網站之研究	★ 網路專家系統建置之研究--以震後橋梁快速檢測專家系統為例
★ 結合空間分析與專家系統技術在橋梁規劃自動化之應用	★ 公共工程專案管理廠商責任之探討-以建築工程為例
★ 建置網路專家庫之初步研究	★ 營建署代辦公共工程之探討-以代辦國防部軍眷村改建工程為例
★ 軍事工程糾紛處理之研究	★ 國軍營繕工程統包執行模式下採用專案管理制度之研究
★ 承包商因工期展延衍生工程成本之探討	★ 地方政府委託專案管理廠商工程人員工作壓力與工作滿意度之調查研究
★ 軍事統包工程發包作業流程之研究	★ 隧道工程契約型態與履約爭議之探討

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

台灣橋梁眾多，對交通與經濟發展具有極大之影響。目前台灣橋齡超過30年者已有10,246座，顯示台灣橋梁已進入老劣化時期，橋梁檢測與維修作業日見重要。因此，本研究旨在利用台灣地區橋梁管理資訊系統(Taiwan Bridge Management System, TBMS)之資料庫，利用大數據分析的研究方法，找出橋梁構件發生劣化與橋梁基本資料間之關聯性，以提升橋梁檢測之成效。
本研究分為兩階段，第一階段初步測試採R軟體之迴歸分析法，以省道上一個工務段之75座橋梁為樣本，分析橋梁構件劣化與橋梁基本資料欄位間之關聯性。因樣本數量相對少，此測試之分析結果並非理想，部分基本資料內容與構件劣化間之關聯性並無法解釋。因此，本研究第二階段，改以台灣中南部七縣市共2,849座跨中央管與縣市管河川之橋梁為樣本，將樣本分為單孔橋梁、2-3孔橋梁與4孔以上橋梁三大類。各類橋梁之橋梁基本資料與檢測資料皆須進行資料前處理，以確保資料內容之正確性與可用性，之後再以SPSS軟體進行分群與關聯性分析。研究成果可顯示橋梁構件劣化機率與橋梁基本資料內容間之關連性，例如：第一大類單孔橋梁之橋台、大梁及橋面板等構件，其劣化機率分別為25%、32.18%、38.96%、28.8%，視橋梁基本資料之內容而定。
本研究所找出橋梁構件劣化與橋梁基本資料間之關連性，可提供給檢測人員與橋梁維護管理單位之參考。如在執行橋梁定期檢測時、或在汛期前後及天災後執行特別巡查時，檢測人員可依橋梁基本資料之特性，特別注意可能發生劣化之橋梁構件。本研究之成果，對於提升橋梁檢測之正確性與效率有相當之助益。

摘要(英)

Taiwan has a large number of bridges that play a significant role in transportation and economic development. Currently, there are 10,246 bridges in Taiwan that are over 30 years old, indicating that Taiwan′s bridges have entered a period of serious deterioration, making bridge inspection and maintenance increasingly important. Therefore, this study aims to use the Taiwan Bridge Management System (TBMS) database and big data approaches to identify the correlation between deterioration of bridge component and bridge inventory data to improve the effectiveness of bridge inspection.
The study is divided into two stages. In the first stage, 75 bridges on some provincial roads were analyzed using the regression method in R software, but due to the relatively small sample size, some correlations between inventory fields and component deterioration could not be reasonably explained. Therefore, in the second stage, a total of 2,849 bridges across central and county rivers in seven counties and cities in central and southern Taiwan, were selected and divided into three categories based on span number. Both the bridge inventory data and inspection data of various types of bridges need to be preprocessed to ensure the accuracy and usability of the data. After preprocessing, data clustering and correlation analysis were conducted using SPSS software. Research results showed a correlation between the bridge inventory fields and the deterioration of bridge components. For instance, for the first category of single-span bridges, the probabilities of deterioration of the bridge piers, girders, and bridge deck were 25%, 32.18%, 38.96%, and 28.8%, respectively, depending on the contents of the bridge inventory data..
The correlation between deterioration of bridge component and bridge inventory data found in this study can provide references for inspection personnel and bridge management agencies. When conducting regular bridge inspections or special inspections before and after flood seasons and natural disasters, inspection personnel can pay special attention to bridge components that may deteriorate according to the characteristics of the bridge inventory data. The results of this study are of great help in improving the accuracy and efficiency of bridge inspection.

關鍵字(中)

★ 台灣地區橋梁管理資訊系統
★ 橋梁檢測
★ 橋梁劣化
★ 大數據
★ 分群演算法
★ 關聯分析

關鍵字(英)

★ Taiwan Bridge Management System, Bridge Inspection
★ Bridge Deterioration
★ Big Data
★ Cluster Analysis
★ Association Analysis

論文目次

中文摘要 VI
ABSTRACT VII
謝誌 IX
目錄 X
圖目錄 XIII
表目錄 XIV
第一章緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 研究目的 3
1.4 研究範圍與限制 4
1.5 研究流程 4
1.6 章節架構 6
第二章文獻回顧 8
2.1台灣地區橋梁管理資訊系統 8
2.1.1 關聯式資料庫 8
2.1.2 台灣地區橋梁管理系統模組簡介 9
2.1.3 台灣地區橋梁管理資訊系統資料表 12
2.2 DER&U目視檢測與評估法 16
2.3 大數據資料分析 17
2.3.1 資料探勘 17
2.3.2資料預測 18
2.4 大數據資料常見分析軟體 19
2.5 橋梁維護優選排序相關研究 21
2.6 橋梁劣化相關研究 21
2.7 本章小結 22
第三章探討TBMS使用大數據分析方法之可行性 24
3.1初步測試之資料前處理 24
3.2初步測試軟體 25
3.3初步測試結果 25
3.4 初步測試結果不理想原因之探討 29
3.5 本章小結 30
第四章第二階段樣本橋梁集群分析成果 32
4.1第二階段標的橋梁及軟體 33
4.1.1 分析標的橋梁 33
4.1.2 集群分析及軟體 34
4.2 第二階段橋梁基本資料之前處理 35
4.3 第二階段橋梁檢測資料之前處理 45
4.3.1 匯出橋梁檢測資料 46
4.3.2 橋梁檢測資料之前處理 48
4.4 本章小結 52
第五章第二階段分析結果 53
5.1 構件劣化與基本資料欄位之關聯分析 53
5.2 第二階段分析結果 56
5.3 第二階段分析結果之討論 59
5.4 本章小結 60
第六章結論與建議 62
6-1 結論 62
6-2 研究貢獻 63
6-3 建議 64
參考文獻 65
附錄一台灣地區橋梁管理資訊系統基本資料表主表 69
附錄二台灣地區橋梁管理資訊系統基本資料表橋墩資料表 73
附錄三台灣地區橋梁管理資訊系統基本資料表橋孔資料表 75
附錄四台灣地區橋梁管理資訊系統基本資料表橋台資料表 77
附錄五台灣地區橋梁管理資訊系統整體檢測資料表 79
附錄六台灣地區橋梁管理資訊系統逐墩檢測資料表 81
附錄七台灣地區橋梁管理資訊系統逐孔檢測資料表 82

參考文獻

1.交通部運輸研究所：<台灣地區橋梁管理資訊系統>，2022年05月03日，取自https://bms.iot.gov.tw
2.交通部技監室：<公路橋梁檢測及補強規範>，2020年01月03日，取自https://www.motc.gov.tw/ch/app/divpubreg_list/view?module=divpubreg&id=740&serno=425
3.陳俊仲：<臺灣地區橋梁管理系統維護管理決策支援模組之建立-以公路總局為例>。碩士論文，國立中央大學，民國96年6月。
4.翁愷翔：<橋梁維修與整建效益評估比較之研究>。碩士論文，國立中央大學，民國98年6月。
5.賴鈺蒨：<系統性橋梁維修評選之研究>。碩士論文，國立中央大學，民國89年6月。
6.黃薰毅：<橋梁構件共同維護模式之建構>。碩士論文，國立中央大學，民國95年6月。
7.Jinsong Zhu and Boqi Liu,” Performance Life Cost-Based Maintenance Strategy Optimization for Reinforced Concrete Girder Bridges,” Journal of Bridge Engineering, Vol 18, February 2013.
8.Mohammed Safi; Håkan Sundquist; and Raid Karoumi,” Cost-Efficient Procurement of Bridge Infrastructures by Incorporating Life-Cycle Cost Analysis with Bridge Management Systems,” Journal of Bridge Engineering, Vol 20, June 2015.
9.Radovic, M.; Ghonima, O.; Schumacher, T. Data Mining of Bridge Concrete Deck Parameters in the National Bridge Inventory by Two-Step Cluster Analysis. ASCE-ASME J. Risk Uncertain. Eng. Syst. Part A: Civ. Eng. 2017, 3, F4016004. https://doi.org/10.1061/ajrua6.0000889.
10.Chang, K.; Chi, S. Bridge Clustering for Systematic Recognition of Damage Patterns on Bridge Elements. J. Comput. Civ. Eng. 2019, 33, 04019028. https://doi.org/10.1061/(asce)cp.1943-5487.0000846.
11.Diaz Arancibia, M.; Rugar, L.; Okumus, P. Role of Skew on Bridge Performance. Transp. Res. Rec. J. Transp. Res. Board 2020, 2674, 282–292. https://doi.org/10.1177/0361198120914617.
12.Kim, Y.J.; Queiroz, L.B. Big Data for condition evaluation of constructed bridges. Eng. Struct. 2017, 141, 217–227. https://doi.org/10.1016/j.engstruct.2017.03.028.
13.Kim, Y.J.; Yoon, D.K. Identifying Critical Sources of Bridge Deterioration in Cold Regions through the Constructed Bridges in North Dakota. J. Bridg. Eng. 2010, 15, 542–552. https://doi.org/10.1061/(asce)be.1943-5592.0000087.
14.Li, T.; Alipour, M.; Harris, D.K. Mapping textual descriptions to condition ratings to assist bridge inspection and condition assessment using hierarchical attention. Autom. Constr. 2021, 129, 103801. https://doi.org/10.1016/j.autcon.2021.103801.
15.Martinez, P.; Mohamed, E.; Mohsen, O.; Mohamed, Y. Comparative Study of Data Mining Models for Prediction of Bridge Future Conditions. J. Perform. Constr. Facil. 2020, 34, 04019108. https://doi.org/10.1061/(asce)cf.1943-5509.0001395.
16.Kim, H.; Soibelman, L.; Grobler, F. Factor selection for delay analysis using Knowledge Discovery in Databases. Autom. Constr. 2008, 17, 550–560. https://doi.org/10.1016/j.autcon.2007.10.001.
17.Fayyad, U.; Stolorz, P. Data mining and KDD: Promise and challenges. Futur. Gener. Comput. Syst. 1997, 13, 99–115. https://doi.org/10.1016/s0167-739x(97)00015-0.
18.Li, T.; Alipour, M.; Harris, D.K. Mapping textual descriptions to condition ratings to assist bridge inspection and condition assessment using hierarchical attention. Autom. Constr. 2021, 129, 103801. https://doi.org/10.1016/j.autcon.2021.103801.
19.Lei, X.; Xia, Y.; Deng, L.; Sun, L. A deep reinforcement learning framework for life-cycle maintenance planning of regional deteriorating bridges using inspection data. Struct. Multidiscip. Optim. 2022, 65, 149. https://doi.org/10.1007/s00158-022-03210-3.
20.Lei, X.; Xia, Y.; Deng, L.; Sun, L. A deep reinforcement learning framework for life-cycle maintenance planning of regional deteriorating bridges using inspection data. Struct. Multidiscip. Optim. 2022, 65, 149. https://doi.org/10.1007/s00158-022-03210-3.
21.Radovic, M.; Ghonima, O.; Schumacher, T. Data Mining of Bridge Concrete Deck Parameters in the National Bridge Inventory by Two-Step Cluster Analysis. ASCE-ASME J. Risk Uncertain. Eng. Syst. Part A: Civ. Eng. 2017, 3, F4016004. https://doi.org/10.1061/ajrua6.0000889.
22.Kim, Y.J.; Yoon, D.K. Identifying Critical Sources of Bridge Deterioration in Cold Regions through the Constructed Bridges in North Dakota. J. Bridg. Eng. 2010, 15, 542–552. https://doi.org/10.1061/(asce)be.1943-5592.0000087.
23.Diaz Arancibia, M.; Rugar, L.; Okumus, P. Role of Skew on Bridge Performance. Transp. Res. Rec. J. Transp. Res. Board 2020, 2674, 282–292. https://doi.org/10.1177/0361198120914617.
24.Alogdianakis, F.; Charmpis, D.C.; Balafas, I. Macroscopic effect of distance from seacoast on bridge deterioration—Statistical data assessment of structural condition recordings. Structures 2020, 27, 319–329. https://doi.org/10.1016/j.istruc.2020.05.052.s
25.Kim, Y.J.; Queiroz, L.B. Big Data for condition evaluation of constructed bridges. Eng. Struct. 2017, 141, 217–227. https://doi.org/10.1016/j.engstruct.2017.03.028.

指導教授

姚乃嘉(Nie-Jia Yau)

審核日期

2023-8-16

推文