洪水造成風險影響程度

5.2.1 橋梁維護因子評估

本計畫同元件老化收集橋梁歷史維護經費資料，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。

本計畫參考臺灣地區橋梁管理資訊系統中，將公路總局所管理之 鋼筋混凝土橋梁之洪水沖刷指標(SSI)，將依據其橋梁屬性資料欄位(如 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 升模式預測準確率。

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 使橋梁壽齡彼此間可能有很大的差異。對於橋梁壽齡偏低的橋梁，如 能在適當的時機點維修，將有效的提升橋梁的壽齡。不過當要評估的 橋梁數量非常龐大時，所花費的時間與經費頗為驚人，因此本計畫希 望應用ESIM，建立橋梁元件老化維護成本評估模式，利用此模式對影 響橋梁維修經費的因子做出準確的判斷，降低成本及花費的時間。

本計畫參考臺灣地區橋梁管理資訊系統，將依據其橋梁屬性資料 欄位(如表 5-1)的各項因子以統計分析與專家訪談的方法，篩選最適當 的因子，作為本計畫模式顯著相關參數的因子。

5.2.2 橋梁維修因子篩選

本計畫依據公路總局 TBMS 橋梁屬性資料欄位共 107 欄位，由於

性。故將結合案例作統計分析，以 TBMS 系統中 228 筆(跨河)，利用

5.2.4 建立人工智慧洪水沖刷維護成本推估模式

此階段僅考量洪水對橋梁維護成本之影響，因此本計畫藉由AI 推 估橋梁洪水沖刷維護成本，找出橋梁日常巡檢目視調查(SSI)之表單資 料與對應橋梁案例維修經費之映射關係。其中模式推估步驟可參考本 章5.1.4 小節。

5.2.5 ESIM模式訓練與測試

洪水輸入影響因子如表5-6 中 7 項，將跨河橋梁案例資料輸入 ESIM 之Training File 案例資料庫中，應用 ESIM 進行模式訓練。本模式輸入 變數與輸出值設定與元件老化相同，如式5.1。

步驟二、模式訓練

此步驟設定跨河橋梁案例推論模式參數。相關設定與元件老化相 同。完成設定後，ESIM 系統即進行最佳模式搜尋。為求模式之準確性 及廣泛應用性，採取文獻中人工智慧常用之十組交叉驗證方式進行案 例訓練與測試。其概念為將案例資料集分成十組，輪流將其中 9 組當 作訓練集，1 組當作測試集，並將 10 次的結果平均驗證方法可行性。

其架構示意如5.3 所示。

步驟三、模式驗證

模式訓練完成後，ESIM 會將最後搜尋出之最佳染色體解碼為橋梁 洪水沖刷維護成本推論模式，經由模式測試可瞭解此推論模式之推論 誤差與學習精度。

1.訓練案例誤差

經由 ESIM 之推論，每筆案例可計算得維修成本輸出值，此評 估值又稱為模式預測值；實際橋梁維護成本為實際值，為了瞭解模

如式5.2 所示，來衡量模式學習精度。跨河橋梁模式預測值與案例實 際值之十組交叉驗證結果如表5-8 所示。

2.測試案例驗證

以第一組測試案例輸出結果為例，洪水21 筆測試案例模式預測 值與實際值之曲線比較如圖5-5。

圖 5.5 橋梁風險影響程度預測值與實際值比較-跨河橋梁(洪水)

5.2.6 計算洪水維護、重建風險成本 (P

*C

、P

*C

)

本步驟將各維護時間間隔△t 之 PMS及PS分別與CMS

及 C

即可分別求得洪水維護、重建風險成本。

表 5-8 橋梁風險衝擊影響程度預測模式搜尋結果-跨河橋梁(洪水) ESIM 模式執行結果

案例組別 1 2 3 4 5 6 7 8 9 10 平均值

執行迴圈(EPOCH*ERA) 100 (Iterations)

容錯參數C 200 185 120 126 192 16 0 0 189 192 122 核心函數參數γ 0.4001 0.8705 0.6001 0.8881 0.5221 0.9592 0.7057 0.4705 0.8141 0.9571 0.71875 模式訓練-模式均方根誤差

(RMSE) 0.09429 0.09550 0.09169 0.08754 0.09375 0.09929 0.10832 0.11578 0.09370 0.08981 0.09697 模式測試-模式均方根誤差

(RMSE) 0.09891 0.05421 0.10127 0.11600 0.08188 0.09094 0.14335 0.12138 0.06751 0.09815 0.09736

5-16