기계학습 기법을 활용한 토목공사의 개략공사비 산정방안에 대한 연구 : 흙막이 가시설 공법을 중심으로 A Study on Estimating Construction Cost Using Machine Learning Techniques : Focusing on Temporary Retaining Wall Method원문보기
본 연구에서는 기획단계 및 기본설계 단계에서의 흙막이 가시설의 공사비 예측을 위한 모델을 구축하는 것을 목표로 하였다. 흙막이 가시설은 공사의 계획과 필수적인 관련이 있는 분야로, 기획단계 및 기본설계 단계에서 대안별 비교가 필수적이다. 그러나 현재 실무에서 흙막이 가시설 공사비를 예측하는데 기준이 없기 때문에 산출하는 사람에 따라 편차가 많이 발생한다. 따라서 이러한 문제를 해결하기 위해, 적정한 흙막이 가시설 공사비를 산출하기 위한 모델을 구성하였다. 흙막이 가시설을 수행한 실제 사례수가 부족하여, 이를 극복하기 위해 가상사례를 기반으로 한 데이터베이스(Case-base)를 구축하였다. 최대한 실제에 가까운 사례베이스를 구축하기 위하여 길이 12m의 가상구간을 대상으로 굴착심도, 굴착폭원, 암반출현심도, 지하수위 및 복공여부를 변화시키며 수량산출을 통한 공사비 산출방법을 활용하여, 총 739개의 데이터베이스를 구축하였다. 또한 ...
본 연구에서는 기획단계 및 기본설계 단계에서의 흙막이 가시설의 공사비 예측을 위한 모델을 구축하는 것을 목표로 하였다. 흙막이 가시설은 공사의 계획과 필수적인 관련이 있는 분야로, 기획단계 및 기본설계 단계에서 대안별 비교가 필수적이다. 그러나 현재 실무에서 흙막이 가시설 공사비를 예측하는데 기준이 없기 때문에 산출하는 사람에 따라 편차가 많이 발생한다. 따라서 이러한 문제를 해결하기 위해, 적정한 흙막이 가시설 공사비를 산출하기 위한 모델을 구성하였다. 흙막이 가시설을 수행한 실제 사례수가 부족하여, 이를 극복하기 위해 가상사례를 기반으로 한 데이터베이스(Case-base)를 구축하였다. 최대한 실제에 가까운 사례베이스를 구축하기 위하여 길이 12m의 가상구간을 대상으로 굴착심도, 굴착폭원, 암반출현심도, 지하수위 및 복공여부를 변화시키며 수량산출을 통한 공사비 산출방법을 활용하여, 총 739개의 데이터베이스를 구축하였다. 또한 모델 검증을 위해 J사업과 Y사업에 실제 적용된 사례를 분석하여 10개의 실제 데이터를 도출하였다. 다양한 모델을 검증하여 결론을 도출하기 위해 데이터를 통해 학습되는 다중회귀분석, 인공 신경망, 랜덤 포레스트 모델과 유전 알고리즘을 통해 학습시킨 사례기반추론 모델을 구축하였다. 사례기반추론을 제외한 모든 모델은 추정 정확도가 대부분 과소평가되었으며, 오차가 30% 이상 발생하는 경우가 많았다. 그러나 유전알고리즘을 활용한 사례기반추론 모델의 경우, 실제사례를 통해 가중치를 학습시킴으로써, 실제에 거의 가깝거나, 비교적 안정적인 예측결과를 보여주었다. 본 연구에서는, 실제 사례를 수집하지 못한 문제를 해결하기 위해, 사례기반추론 모델의 학습을 실제사례를 통해 학습하여 예측의 정확성을 높였다. 이러한 기법은 상대적으로 데이터 수집이 어려운 흙막이 가시설 분야에서, 신뢰할 수 있는 공사비 예측방안으로 적용될 수 있을 것으로 사료된다. 또한 본 연구를 통해, 향후 실제적인 데이터를 수집하여 H-Pile + 토류판 공법 이외에 다양한 공법에 대한 연구가 수행된다면, 공사비를 고려한 흙막이 가시설 선정을 지원하는데 큰 도움을 줄 수 있을 것이다.
본 연구에서는 기획단계 및 기본설계 단계에서의 흙막이 가시설의 공사비 예측을 위한 모델을 구축하는 것을 목표로 하였다. 흙막이 가시설은 공사의 계획과 필수적인 관련이 있는 분야로, 기획단계 및 기본설계 단계에서 대안별 비교가 필수적이다. 그러나 현재 실무에서 흙막이 가시설 공사비를 예측하는데 기준이 없기 때문에 산출하는 사람에 따라 편차가 많이 발생한다. 따라서 이러한 문제를 해결하기 위해, 적정한 흙막이 가시설 공사비를 산출하기 위한 모델을 구성하였다. 흙막이 가시설을 수행한 실제 사례수가 부족하여, 이를 극복하기 위해 가상사례를 기반으로 한 데이터베이스(Case-base)를 구축하였다. 최대한 실제에 가까운 사례베이스를 구축하기 위하여 길이 12m의 가상구간을 대상으로 굴착심도, 굴착폭원, 암반출현심도, 지하수위 및 복공여부를 변화시키며 수량산출을 통한 공사비 산출방법을 활용하여, 총 739개의 데이터베이스를 구축하였다. 또한 모델 검증을 위해 J사업과 Y사업에 실제 적용된 사례를 분석하여 10개의 실제 데이터를 도출하였다. 다양한 모델을 검증하여 결론을 도출하기 위해 데이터를 통해 학습되는 다중회귀분석, 인공 신경망, 랜덤 포레스트 모델과 유전 알고리즘을 통해 학습시킨 사례기반추론 모델을 구축하였다. 사례기반추론을 제외한 모든 모델은 추정 정확도가 대부분 과소평가되었으며, 오차가 30% 이상 발생하는 경우가 많았다. 그러나 유전알고리즘을 활용한 사례기반추론 모델의 경우, 실제사례를 통해 가중치를 학습시킴으로써, 실제에 거의 가깝거나, 비교적 안정적인 예측결과를 보여주었다. 본 연구에서는, 실제 사례를 수집하지 못한 문제를 해결하기 위해, 사례기반추론 모델의 학습을 실제사례를 통해 학습하여 예측의 정확성을 높였다. 이러한 기법은 상대적으로 데이터 수집이 어려운 흙막이 가시설 분야에서, 신뢰할 수 있는 공사비 예측방안으로 적용될 수 있을 것으로 사료된다. 또한 본 연구를 통해, 향후 실제적인 데이터를 수집하여 H-Pile + 토류판 공법 이외에 다양한 공법에 대한 연구가 수행된다면, 공사비를 고려한 흙막이 가시설 선정을 지원하는데 큰 도움을 줄 수 있을 것이다.
The objective of this study is building cost estimation of construction for temporary retaining wall in planning and basic design phase. The temporary retaining wall is the key of construction planning, therefore a comparison with alternatives, especially in planning and basic design phase, is neces...
The objective of this study is building cost estimation of construction for temporary retaining wall in planning and basic design phase. The temporary retaining wall is the key of construction planning, therefore a comparison with alternatives, especially in planning and basic design phase, is necessary. However, it has been wide variations in cost estimation of construction for temporary retaining wall in that no exact standard exists in current condition. This study thus aims to build a model for cost estimation of construction for temporary retaining wall. The Case-base based on virtual cases was developed to overcome the lack of real data. The Case-base was created for 12m-long virtual section as an approximation to reality. In total, 739 cases were developed differentiated by excavation depth, width, depth of bedrock, underground water level, and Lining-Board System. Also, for the verification of the model, ten real cases of J and Y Project were analyzed. In this study, Multiple Regression Method, Neural Network, Random Forest, and Case-Based Reasoning which was learned by Genetic Algorithm were considered. Except for Case-Based Reasoning, all other models were concluded with an underestimation and in most cases variations were over thirty percent. By using real data for learning, however, Case-Based Reasoning model shows stable estimation and an approximation to reality. In this study, the limitation on the lack of the real data was overcome by Case-Based Reasoning, particularly, learning the model by real data. This method can be applied to cost estimation of construction for temporary retaining wall project which has been hard to collect historical data. In the future, additional consideration on diverse methods of temporary retaining wall such as sheet-pile, Slurry Wall and real data collection will be helpful in cost estimation of construction for temporary retaining wall.
The objective of this study is building cost estimation of construction for temporary retaining wall in planning and basic design phase. The temporary retaining wall is the key of construction planning, therefore a comparison with alternatives, especially in planning and basic design phase, is necessary. However, it has been wide variations in cost estimation of construction for temporary retaining wall in that no exact standard exists in current condition. This study thus aims to build a model for cost estimation of construction for temporary retaining wall. The Case-base based on virtual cases was developed to overcome the lack of real data. The Case-base was created for 12m-long virtual section as an approximation to reality. In total, 739 cases were developed differentiated by excavation depth, width, depth of bedrock, underground water level, and Lining-Board System. Also, for the verification of the model, ten real cases of J and Y Project were analyzed. In this study, Multiple Regression Method, Neural Network, Random Forest, and Case-Based Reasoning which was learned by Genetic Algorithm were considered. Except for Case-Based Reasoning, all other models were concluded with an underestimation and in most cases variations were over thirty percent. By using real data for learning, however, Case-Based Reasoning model shows stable estimation and an approximation to reality. In this study, the limitation on the lack of the real data was overcome by Case-Based Reasoning, particularly, learning the model by real data. This method can be applied to cost estimation of construction for temporary retaining wall project which has been hard to collect historical data. In the future, additional consideration on diverse methods of temporary retaining wall such as sheet-pile, Slurry Wall and real data collection will be helpful in cost estimation of construction for temporary retaining wall.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.