초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

천공 데이터를 확보하기 위해 선대구경 장비로부터 회전압, 추진압, 천공속도를 측정하였으며, 굴착 대상의 불연속면 특성을 반영할 수 있는 암반 특성 데이터를 확보하기 위해 천공 작업 이후 천공홀 내부 영상을 촬영하여 구간별 불연속면의 개수에 따른 불연속면 등급을 평가하였다.
획득한 회전압, 추진압, 천공속도와 같은 천공 데이터로부터 불연속면 등급으로 이루어진 암반 특성 데이터를 예측하기 위해 머신러닝 기법의 일종인 LSTM 방법을 사용하였다. ...

천공 데이터를 확보하기 위해 선대구경 장비로부터 회전압, 추진압, 천공속도를 측정하였으며, 굴착 대상의 불연속면 특성을 반영할 수 있는 암반 특성 데이터를 확보하기 위해 천공 작업 이후 천공홀 내부 영상을 촬영하여 구간별 불연속면의 개수에 따른 불연속면 등급을 평가하였다.
획득한 회전압, 추진압, 천공속도와 같은 천공 데이터로부터 불연속면 등급으로 이루어진 암반 특성 데이터를 예측하기 위해 머신러닝 기법의 일종인 LSTM 방법을 사용하였다. LSTM 학습을 진행하기 이전에 학습에 적합한 형태로 변환하기 위하여 사용할 데이터의 특성을 파악하였고, 최적의 학습 효율을 얻을수 있는 모델 구조를 얻기 위해 노드 개수, 레이어 개수 및 레이어 배치와 같은 모델 구조에 대한 연구를 수행한 결과, 노드 개수, 레이어 개수는 학습 시 검증오차와 비선형관계를 가진다는 것을 파악하였으며, 노드의 개수를 점차 늘려가면서 레이어를 배치할 경우 검증오차가 감소한다는 사실을 확인하였다.
상기 내용을 토대로 최적의 학습효과를 내는 LSTM 구조를 도출하였으며, 해당 구조를 활용하여 모델을 학습시킨 결과, 회전압, 추진압 및 천공속도와 같은 3가지 천공 데이터 중 회전압 및 추진압 데이터를 이용할 경우 각각 27.61% 및 27.62%의 검증오차를 보였으며, 천공속도 데이터를 이용할 경우 1.45%의 검증오차를 확인할 수 있었다. 이를 통해 전방 암반 특성 예측을 위해서는 천공속도 데이터가 가장 적합하다는 것을 파악하였으며, 학습된 모델의 타당성 또한 검증하였다.
본 연구에서는 전방 암반 특성을 평가하기 위해 불연속면의 개수에 기반한 등급을 사용하였지만, 향후 더욱 다양한 불연속면의 특성을 반영하여 등급을 평가한 데이터를 사용한다면 더욱 정밀한 예측이 가능할 것으로 기대된다.
주요어 : 암반특성 예측, 제어발파, 굴착, 선대구경, 천공데이터, 머신러닝, LSTM

주제어