第五章 橋梁風險影響程度
5.1 橋梁元件老化維護風險成本
5.1.1 橋梁維護因子評估
本計畫收集歷史橋梁維護經費資料，藉由人工智慧推論模式找出 案例資料中(日常巡檢表單)，輸入值(D.E.R.&U.之調查結果)與輸出值 (維修案例經費)之映射關係，如此即可根據不同橋梁之 D.E.R.&U.調查 結果推論可能維護經費。
目前，人工智慧推論模式多採用類神經網路、支持向量機等學習 模式，但這些模式均有參數設定與初始化問題。考量尋優速度與推論 準確性，因此本計畫將應用快速混雜基因演算法融合支持向量機發展 一「人工智慧機械學習推論模式」，透過快速混雜基因演算法搜尋模式 最適參數值，應用支持向量機分析迴歸輸入(日常巡檢表單，D.E.R.&U.) 與輸出(維修案例經費)之映射關係，進而發展出一橋梁維護成本推論模 式。此推論模式之優點為可藉由案例資料庫之更新與新增案例數，提
每座橋梁之壽齡，因設計、施工及維護保養之條件有所不同，致
5.1.2 橋梁維護因子篩選
本計畫依據公路總局 TBMS 橋梁屬性資料欄位共 107 欄位，由於 原始資料庫欄位過多，無法明確表示出各因子與橋梁維護經費之相關 性。故將結合案例作統計分析，以TBMS 系統中 160(非跨河)筆橋梁維 護紀錄為資料庫，利用SPSS 分析評估因子與維護經費相關性，挑選顯 著相關參數作為模式因子。彙整後初擬影響元件老化維護經費的因子 如表5-2。
本計畫透過專家訪談的方式，將初擬的影響因子與公路總局兩位 副段長及港灣技術研究中心專員討論修正，修正處以*號表示(如表 5-2)。其中元件老化部分:新增竣工年欄位，主要考量橋梁使用時間與 材料可能產生老化的反應，而高程則考量山地與平地段之差異。
表 5-2 影響元件老化維護經費因子
評估流程 影響因子 關聯 單位
SPSS 關聯分析
CI 維修前CI 指標 數字
橋版投影面積 維修量體 M2
最低橋下淨高(M) 維修量體 M
結構型式 維修方式 文字
年平均每日車流量 反覆載重或使用量影響 車輛數
距海遠近 大氣腐蝕因素 公里
是否為跨河橋 跨河橋或陸橋案例 是/否
最近維修年 物價修正用 民國年
修正後 竣工年* 施工技術 民國年
高程* 山地與平地段考量 文字
5.1.3 建立橋梁維護案例資料庫
本計畫收集歷史維修紀錄，分別收集跨河橋維修案例228 筆(如表 5-3)，建置維護案例資料庫。再利用人工智慧 ESIM 推論模式，推論橋 梁遭遇風險下可能維護成本。
表 5-3 跨河橋維護案例(節錄)
No 新 CI 維修金額 (原始值)
維修金額
修正後 物價指數 最近維修年 橋版投影面積 (M2)(維修量體)
最低橋下淨高 (M)(維修量體)
結構型式
(維修方式) 距海遠近 每日平均
車流量 EV 山地 考量
開工年 (物價修正用)
1 99 600 600 100.00 2006 222.48 5 梁式橋 27676 2306 200.10 0 76 2 99 2000 2000 100.00 2006 187 3 梁式橋 30160 2306 142.84 0 76 3 88 3298681 3537839 93.24 2005 6072 5 箱型橋 20323 2834 23.26 0 81 4 83 4420146 3903343 113.24 2009 27730 4.6 梁式橋 22293 1537 37.00 0 85 5 86 3814037 4090559 93.24 2005 893.44 4 梁式橋 2487 2306 9.66 0 82 6 84 3560679 4388315 81.14 2003 480 8.6 梁式橋 26842 3634 36.08 0 63 7 85 3560679 4388315 81.14 2003 130 3.3 梁式橋 28884 3634 129.73 0 59
155 84 3560679 4388315 81.14 2003 40 2 梁式橋 27358 3664 162.32 0 53 156 83 5190000 4441212 116.86 2010 72682 4.8 梁式橋 17732 2306 154.82 0 85 157 81 5000000 5362505 93.24 2005 646.8 8.9 梁式橋 20709 2306 241.49 0 83 158 82 5917334 5917334 100.00 2006 132 3.89 梁式橋 350 842 16.30 0 63 119 82 5917334 5917334 100.00 2006 67.2 4.82 版橋 127 1684 17.52 0 63 160 80 6000000 6435006 93.24 2005 23322 5 梁式橋 14236 20919 4.69 0 75
….
5-5
5.1.4 建置人工智慧元件老化維護成本推估模式
基於橋梁細部檢測與評估分析，所需耗費之人力、物力經費與時 間相當龐大，分析成果之橋梁數有限且時效性不足，無法滿足公路管 理單位轄下橋梁安全評估之需求，因此本計畫藉由AI 推估橋梁風險(可 能風險成本)，找出橋梁日常巡檢目視調查(D.E.R.&U.)之表單資料與對 應橋梁案例維護經費之映射關係，再針對其餘未進行日常巡檢目視調 查之橋梁，利用ESIM 模式訓練結果預測橋梁風險維護成本。
5.1.4.1 模式參數設定
本計畫使用學者吳育偉等(2008)之研究，以 ESIM 為架構發展而成 的Evolutionary Support Vector Machine Inference System「演化式支持向 量機推論系統，ESIS」作為訓練與測試軟體。首先將橋梁風險維護成 本推論模式所需之參數設定值輸入軟體中，利用 ESIM 執行自我調適 程序，系統會將最後搜尋出之最佳染色體，以便使用者利用此一模式 進行橋梁的風險影響程度預測。其模式分析流程如圖5.2。
圖 5.2 人工智慧橋梁耐震能力推論模式
5.1.4.2 ESIM可行性分析
本節依據 ESIM 之架構與特性，針對本計畫預測橋梁風險衝擊影
1.ESIM 可以經由快速混雜基因演算法案例學習中，擷取最佳化容錯值 參數 C 及核心函數(Kernl Fuction)中(gamma)值，決定支持向量機最佳 化重要參數。
2.ESIM 以演化式支持向量機為架構妥善的處理不確定的資訊，以解決 不確定性的問題(uncertainty)，所以對於預測橋梁風險衝擊影響程度 的不確定性已經被考慮在其中。
3.ESIM 係以為支持向量機(SVM)為推論引擎，以處理複雜的輸入與輸 出變數之間映射關係，能夠有效地描述出橋梁影響因子與橋梁維護經 費之映射關係。
5.1.4.3 ESIM架構
ESIM 系統模組架構包含三個部分分別為：
1.資料庫管理(Database Management)：將訓練案例與測試案例輸入資料 庫。
2.模式訓練(Model Training)：於「模式訓練」模組中執行自動參數設定 (Automate Parameters)並鍵入終止執行條件，繼而執行模式訓練。
3.模式表現評估(Model Performance Evaluation)：利用「模式表現評估」
模組，以訓練案例與測試案例對訓練出之模式架構進行誤差測試。
5.1.5 ESIM模式訓練與測試
步驟一、案例輸入元件老化輸入影響因子如表5-2 中 10 項重要影響因子，洪水輸入 影響因子如表5-3 中 7 項，將非跨河橋梁與跨河橋梁兩類案例資料分別 輸入ESIM 之 Training File 案例資料庫中，應用 ESIM 進行模式訓練。
本模式輸入變數與輸出皆經由線性調整（Linear Scaling）進行正規 化，使輸出值介於0～1 之間，參數正規化之過程如式 5.1。
Xn o r m＝ （X－ XM i n）/（ XM a x－XM i n） ... (5.1) 其中
Xnorm：X 正規化後的值 X ：實際值
XMax ：訓練案例中，變數最大值 XMin ：訓練案例中，變數最小值
步驟二、模式訓練
此步驟將設定非跨河橋梁與跨河橋梁案例推論模式參數。搜尋世 代設定為100，時間上限為 30 分，容錯值參數範圍：C=0~100 及核心 函數中γ=0.0001~1，如表 5-4 所示。完成設定後，ESIM 系統即進行最 佳模式搜尋。
表 5-4 ESIM 模式參數設定