선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 앞에서 논술한 바와 같이 국내외 터널 붕락 자료를 지반특성별로 분석하고 이를 데이터베이스화하였다.구축된 데이터베이스는 인공신경망을통하여 학습을 하고 현장 자료를 제공하면 터널 붕락 형태 및 규모를 추론할 수 있는 전문가시스템을 개발하였다.
- 본 연구에서는 인공신경망을 이용한 터널 븡락 형태와 규모 추론을 위한 전문가 시스템을 구축하고 이를 지하철 및 고속철도 현장에 적용시켜 보았다. 그리고 전문 가시스템의 데이터베이스를 구축하기 위하여 국내외 터널 붕락 사례를 조사하고 지반조건빌로 발생하는 터널 붕락 형태 및 붕락 규모를 조사 분석하였다.
- 본 연구에서는 터널 굴착 시 불합리한 지반조건하에서 발생하는 터널붕락 형 태나 규모 위험 구간을 예측하기 위하여 국내외 터널붕락자료를수집하여 지반조건별로 발생히는 터널붕락 형태를 분석하며 보았다. 분석된 자료는 데이터베이스를 구축, 인공신경망을 이용하여 터널 붕락 형태와 규모를 추론 할 수 있는 Geo-Predict를 개발하고 이를 지하철 현장 및 고속철도 현장에 적용시켜 보았으며 본 연구를 통하여 다음과 같은 결론을 얻었다.
제안 방법
- (3) 본 연구에서는 국내외 터널 붕락자료를 데이터베이스화하고 인공신경망을 이용하여 지반 조건에 따른 터널 붕락 형태와 붕락 규모를 추론할 수 있는 전문 가시스템인 Geo-Predict를 개발하였다.
- 분석결과 평균 오차율이 가장 작은 모델은 C-30 번 모델로서 평균 21%의 오차율을 보였으며 C-26 번 모델이 평균 47%로 가장 큰오차를 보였다. 각 모델별 조사 값과 추론 값에 대한 평균 오차율과 학습 시 간, 학습능력 등을 분석하여 C-4 번 모델을 터널붕락 추론 모듈의 표준모델로 결정하였다. 이 모델의 신뢰성 검증은 Geo-Predict내의 데이터베이스를 이용하여 1 ~84번 현장 자료중 1 ~69번 현장의 69개 현장 자료만 데이터베이스화하고 최적 모델로 설정된 C시번 모델 구조에 오차율 0.
- 구축된 데이터베이스는 인공신경망을통하여 학습을 하고 현장 자료를 제공하면 터널 붕락 형태 및 규모를 추론할 수 있는 전문가시스템을 개발하였다. 개발된 시스템은 현장 적용성 연구를 위하여 지하철 1개소, 고속철도터널 2개소에 현장 적용성 평가를 실시하였다. 현장 적용성 평가는 먼저 최적의 인공신경망 모델로 지반조건을 입력하여 터널 붕락 형태와 터널 붕락 규모를 추론하고 이를 조사자가 현장에서 조사한 곁과와 상호 비교분석하였다.
- 결과 항목중 터널 붕락 형태는 굴착단계에 따라서 무지보 상태에서의 붕락, 1차 숏크리트 타설 후 붕락, 하반굴착 도중 발생하는 붕락, 마지막으로터널 라이닝 타설 후인 링 폐합을 한후 발셍히는붕락으로 나눌 수 있는데(HSE, 1996, 박광준, 1993), 본인 구에서는 무지 보상 테에서 불리한 지반 조건에 의해 밭생하는 붕락을 대상으로 붕락 자료를 수집 및 분석하여 발생 과정과 위치 등을 고려하여 그림 15와 같이 5가지 의 붕락 형태로 분류하였다. 그리고, 추론 결과 항목 중 붕락 규모는 사고 발생 시 현장에서 추정된 주변 지반층의 붕락 또는 붕괴 체적량이다.
- 구축된 데이터베이스는 인공신경망을통하여 학습을 하고 현장 자료를 제공하면 터널 붕락 형태 및 규모를 추론할 수 있는 전문가시스템을 개발하였다. 개발된 시스템은 현장 적용성 연구를 위하여 지하철 1개소, 고속철도터널 2개소에 현장 적용성 평가를 실시하였다.
- 국내외 터널 붕락 분석 자료는 조사의 시간적 차이 등으로 인해서 지반분류 방법, 조사내용 등이 상이 하므로 국외 터널과 국내 터널의 지반조사 항목이 같은 부분은 동일하게 분석하였으나 대부분의 조사항목 및 분류기준 등이 상이 함으로 별도로 분석하였다. 아래 그림 1 ~4는 국내외 터널 붕락 현장에서 공통적 으로 지반조사가 실시되 었던 항목들에 대한 분석 결과이다.
- 고속철도 현장에 적용시켜 보았다. 그리고 전문 가시스템의 데이터베이스를 구축하기 위하여 국내외 터널 붕락 사례를 조사하고 지반조건빌로 발생하는 터널 붕락 형태 및 붕락 규모를 조사 분석하였다.
- 그림 12의 개념도에서 보듯이 터널 붕락 규모 추론 모듈은 국내에서 발생되었던 터널 붕락 자료를 기본자료로 이용하여 그림 15와같이 분류한 터널 붕락 형태와 터널 붕락 규모를 추론하였다. 표 1에서 인공신경망을 이용한 터널 붕락 혐 태 추론은 조사 값과 추론 값이 큰 오차를 보이지 않고 비슷한 붕락 페턴을 보였으나 붕락 규모 추론은 사례 1, 사례2, 사래3 현장에서 모두 조사 값보다 추론 값이 크게 분석 되었다.
- 본연구에서는 인공신경망 학습자료를 위하여 Cecil의 지반분류기준에 맞추어서 입력 항목을54게의 세부항목으로(그림 13 참조) 분류하있다. 인공신경망의 학습을 통하여 추론되는 결과는6개 항목으로 Cecil(1964)의 분류를 참고(표 1 참조) 하였다.
- 터널붕락 형태를 분석하며 보았다. 분석된 자료는 데이터베이스를 구축, 인공신경망을 이용하여 터널 붕락 형태와 규모를 추론 할 수 있는 Geo-Predict를 개발하고 이를 지하철 현장 및 고속철도 현장에 적용시켜 보았으며 본 연구를 통하여 다음과 같은 결론을 얻었다.
- 앞 절에서 설명한 바와 같이 인공 신경 망은 중간층의 구조 및 학습 상수들에 의해 추론능력 및 학습 시간 등이 큰 차이가 있으므로 최적의 인공신경망 구조를 얻기 위하여 Geo-Predict내의 기 구축된 터널 붕락 데이터베이스를 이용하여 터널 붕락 추론 모듈은 1~84번 현장자료를 학습 조건별로 34개의 모델을 만든 후 학습을 수행하였다. 학습수행 후에는 1 ~20번의 20개 현장 자료를 재 추론하여 실제 값과 추론 값을 상호 비교하여 각 항목별 오차율과 각 모델별 평균오차율을 분석하였다.
- 터널 붕락 규모 추론 모듈도 최적 인공신경망구조를 결정하기 위하여 앞 절에서와 같이 우신 데이터베이스화된 국내 터널 붕락 현황 자료를 은닉층 구조와 학습상수를 달리하면서 25개 모델을 만들고 각 모델坦 학습조건들을 변화시키면서 학습을 수행하였다. 학습된모델중에서 최적의 인공신경망모델 구조를 결정하기 위하여 각 모델별로 학습 수행 후 데이터베이스 내의 1 ~20번 현장자료의 20개 데이터를 재추론하였다.
- 터널 붕락 규모 추론 모듈은 국내 터널 현장에서 수집된 자료를 바탕으로 터널 붕락에 영향을 미치는 지반 특성들을 64개 항목으로 분류하고 결과값으로 터널 붕락 형태, 붕락 규모의 2개 항목으로(그림 14 참조) 분류하였다. 결과 항목중 터널 붕락 형태는 굴착단계에 따라서 무지보 상태에서의 붕락, 1차 숏크리트 타설 후 붕락, 하반굴착 도중 발생하는 붕락, 마지막으로터널 라이닝 타설 후인 링 폐합을 한후 발셍히는붕락으로 나눌 수 있는데(HSE, 1996, 박광준, 1993), 본인 구에서는 무지 보상 테에서 불리한 지반 조건에 의해 밭생하는 붕락을 대상으로 붕락 자료를 수집 및 분석하여 발생 과정과 위치 등을 고려하여 그림 15와 같이 5가지 의 붕락 형태로 분류하였다.
- 이는 학습자료입력 시 터널 붕락 형태(P)에 관한 입력은 크게 범주형의 단위로 나누었기 떼문에 비교적 정확한자료가 입력되었지만, 붕락 규모(V)는 실측이 불가능하고 조사자에 의해 추정 된 자료가 입력되기 때문으로 상대적으로 불확실한 자료가 입력되기 때문인 것으로 분석된다. 터널붕락 규모 추론 모듈의 최적 인공신경망 모델은 평균 오차율, 표준편차, 학습수행 능력 듬을 고려하여 학습모델 14번(학습률 0.1모멘텀상수 0.9, 은닉층 구조 128-128)으로 결정하였다. 개발된 시스템과 결정된 모델의 신뢰성 검증을 위하여 Geo-Predict내의 데이터베이스를 이용하여 20개 현장 자료 중 1 ~ 15번의 자료를 매개번수 연구를 통하여 최적 모델로 선정된 학습모델 15번의 학습조건(학습률: 0.
- 학습을 수행하였다. 학습된모델중에서 최적의 인공신경망모델 구조를 결정하기 위하여 각 모델별로 학습 수행 후 데이터베이스 내의 1 ~20번 현장자료의 20개 데이터를 재추론하였다. 분석 결과, 핑균오차율이 가장 큰 모델은 학습모델33번으로써 평균69%로 나타났고, 평균오차율이 가장 작은 모델은 학습모델 15번으로 26% 로 나타났다.
- 학습수행 후에는 1 ~20번의 20개 현장 자료를 재 추론하여 실제 값과 추론 값을 상호 비교하여 각 항목별 오차율과 각 모델별 평균오차율을 분석하였다. 분석결과 평균 오차율이 가장 작은 모델은 C-30 번 모델로서 평균 21%의 오차율을 보였으며 C-26 번 모델이 평균 47%로 가장 큰오차를 보였다.
- 000001 까지 107987회를 학습하였다. 학습후실제 조사값과 추론된 결과값과의 비교를 위하여 학습된 인공신경망으로 나머지 16~20번 현장의 5개 자료를 재 추론하여 조사값과 비교하여 보았다. 결과값의 터널 붕락 형태(P) 추론은 39%의 오차율을 보였고, 붕락 규모(V)의 오차율은 45%의 오차를 보여 평균 42%의 오차율을 보였다.
- 개발된 시스템은 현장 적용성 연구를 위하여 지하철 1개소, 고속철도터널 2개소에 현장 적용성 평가를 실시하였다. 현장 적용성 평가는 먼저 최적의 인공신경망 모델로 지반조건을 입력하여 터널 붕락 형태와 터널 붕락 규모를 추론하고 이를 조사자가 현장에서 조사한 곁과와 상호 비교분석하였다.
대상 데이터
- 9, 은닉층 구조 128-128)으로 결정하였다. 개발된 시스템과 결정된 모델의 신뢰성 검증을 위하여 Geo-Predict내의 데이터베이스를 이용하여 20개 현장 자료 중 1 ~ 15번의 자료를 매개번수 연구를 통하여 최적 모델로 선정된 학습모델 15번의 학습조건(학습률: 0.3, 모멘텀 상수 : 0.7, 중간층구조 : 128-128)에 맞추어서 시스템 오차 0.000001 까지 107987회를 학습하였다. 학습후실제 조사값과 추론된 결과값과의 비교를 위하여 학습된 인공신경망으로 나머지 16~20번 현장의 5개 자료를 재 추론하여 조사값과 비교하여 보았다.
- 사용된 현장 자료이다. 국내 터널 자료는 1980년대 이후에 지하철, 도로 터널, 철도 터널 및 전력구 건설시 터널의 붕락 및 븡괴 사고때 조사되 있던 지반조사 자료이다. 수집한 자료는 외국 터널 92개 현장과국니터널 52기 현장으로 총 144개 현장자료이며 이줌자료의 신뢰성이 있는 외국 터널 84개 현장, 국내 터널 20개 현장 등 총 104개 현장 자료를 대상으로 분식을 하였다.
- 본 연구를 위하여 국외 터널 붕락 사례(Cecil, 1964) 와국내터 널 붕락 사례를 수집하였는데, 국외 터널 자료는 1960 년대 에 Cecil에 의해 수집된 스우]] 덴과 노르웨 이 의 13개 대형 프로젝트 건설에 따른 터널 굴착과 지보와의 관계 연구에 사용된 현장 자료이다. 국내 터널 자료는 1980년대 이후에 지하철, 도로 터널, 철도 터널 및 전력구 건설시 터널의 붕락 및 븡괴 사고때 조사되 있던 지반조사 자료이다.
- 본 터널은 총 연장 6.3km이며 480m의 사갱을 가지고 있는데 터널붕락이 발생한 구간은 사갱○○지점으로써 사갱 막장의 2/3 이상이 활 석 층과 흑연 대가 발달하고 있었다(그림 17 참조). 붕락 구간은 지 하수의 유입으로 활석 및 흑연이 발달한 부분으로 막장 자립이 불가능한 상태이며 암반의 점착력 및 전단 강도가 매우 낮은 지반 조건이었다.
- 국내 터널 자료는 1980년대 이후에 지하철, 도로 터널, 철도 터널 및 전력구 건설시 터널의 붕락 및 븡괴 사고때 조사되 있던 지반조사 자료이다. 수집한 자료는 외국 터널 92개 현장과국니터널 52기 현장으로 총 144개 현장자료이며 이줌자료의 신뢰성이 있는 외국 터널 84개 현장, 국내 터널 20개 현장 등 총 104개 현장 자료를 대상으로 분식을 하였다.
데이터처리
- 각 모델별 조사 값과 추론 값에 대한 평균 오차율과 학습 시 간, 학습능력 등을 분석하여 C-4 번 모델을 터널붕락 추론 모듈의 표준모델로 결정하였다. 이 모델의 신뢰성 검증은 Geo-Predict내의 데이터베이스를 이용하여 1 ~84번 현장 자료중 1 ~69번 현장의 69개 현장 자료만 데이터베이스화하고 최적 모델로 설정된 C시번 모델 구조에 오차율 0.00QU01 에 이르도록 104242회의 학습을 수행하고 검증을 위해서 데이터베이스되지 않은 나머지 15개 현장 자료를 입력하여 결과값과 추론 값을 비교하였다. 추론한 결과와 실제 결과와 비교한 평균 오차율은 결과 항목중 Overbreak가 31%로 가장 큰 오차율을 보였으며 Collapse 가 4%의 오차율을 보였고 평균 17%의 오차율을 보였다.
- 표 2에는 윗 절에서 설명한 각기 다른 지반조건을 갖는 터널 현장에 대하여 터널 붕락 형태와 붕락규모를 인공신경망을 이용한 Geo-Predict 시스템으로 각 지반조건을 입력한 후 최적모델로 선정된 매개변수를 기초로 추론한 결과와 사고 발생 후 조사자에 의한 조사 결과를 상호 비교분석 하였다.
이론/모형
- 본 연구에 사용된 인공신경망 기법은 백프로퍼게이션 (back propagalion)으로써 학습 알고리즘의 기본 원리는 다음과 같다, 입력츰의 각 유니트(unit)에 입력피턴을 주면, 이 신호는각유니트에서 변환되어 중간층에 전달되고 최후에 출력충에서 신호를 출력하게 된다. 이 출력값과 기대값을 비교하여 차이를 줄여가는 방향으로 연결 강도를 조절하고, 상위층에서 역 전파하여 이 위층에서는 이를 근거로 다시 자기 층의 인 결강 도를 조정해나간다다.
- 본연구에서는 인공신경망 학습자료를 위하여 Cecil의 지반분류기준에 맞추어서 입력 항목을54게의 세부항목으로(그림 13 참조) 분류하있다. 인공신경망의 학습을 통하여 추론되는 결과는6개 항목으로 Cecil(1964)의 분류를 참고(표 1 참조) 하였다.
성능/효과
- (2) 국내 터널 자료는 지하철 터널과 도로 터널에 관한 자료가 많았으며 터널 지반의 암반 종류는 심성암류와 편마암류가 많았다. 지하수는 “minor water"에서 "minor flow가 많았고, 절리 군은 두 개 이상이며 조사막장의 RQD는 모두 50% 이하로 암질이 불량하였다.
- (4) 개발된 Geo-Predict를 실제 현장의 3개 터널에 적용한 결과, 터널 붕락 추론 모듈의 T-S-S, wall fall, wedge fall 항목은 조사값가 추론 값이 유 사하 있으며, overbreak, blmkfall 항목은 큰 차이를 보였다. 이것은 데이터 볘이스된 자료들이 모두 붕락 현장에서 조사된 자료가 입력 되 었으므로 터널 굴착 경과 시간과 지보와 안정성과의 분석은 유사한 값을 갖는 것으로 추론되있고, 기타 다른 항목들은 데이터베이스 된 자료들은 대부분 지하 심부에서 절리군의 조합에 의한붕락이 발생된 자료이지만 사례연구에 인용된 자료들은 모두 천부의 풍화암 내지 연암의 자료들이 입력되었으므로 조사값과 추론값이 큰 차이를 보이는 것으로 분석된다.
- (5) 터널 붕락 규모 추론 모듈에서 터널을 중심으로 분류된 붕락 형태는 조사값과 추론값이 비슷하였으나 붕락 규모 추론은 큰 차이를 보였다. 입력된 데이터베이스는 모두 터널막장에서 조사된 지반조사 항목들이 입력 되었지만 터널 붕락 규모에 영향을 미치는 천공방법, 화약사용량, 지보 설치시간 등 지반 특성 외적인 자료들이 입력되지 못했기 때문에 조시 값보다 과장되게 추론된 것으로 분석된다.
- 학습후실제 조사값과 추론된 결과값과의 비교를 위하여 학습된 인공신경망으로 나머지 16~20번 현장의 5개 자료를 재 추론하여 조사값과 비교하여 보았다. 결과값의 터널 붕락 형태(P) 추론은 39%의 오차율을 보였고, 붕락 규모(V)의 오차율은 45%의 오차를 보여 평균 42%의 오차율을 보였다.
- 시추자료에 의하면 암반은 풍화암내지 연암이 분포하고 층리 맟 잔 절리의 발달로 RQD 값이 50% 이하로 나타난다. 본 터 널구간에서 가장 문제가 되는 구간은 터널 중간에 위치한 계곡 부로 상당한 폭의 단층이 존재할 것으로 예상되었다.
- 학습된모델중에서 최적의 인공신경망모델 구조를 결정하기 위하여 각 모델별로 학습 수행 후 데이터베이스 내의 1 ~20번 현장자료의 20개 데이터를 재추론하였다. 분석 결과, 핑균오차율이 가장 큰 모델은 학습모델33번으로써 평균69%로 나타났고, 평균오차율이 가장 작은 모델은 학습모델 15번으로 26% 로 나타났다. 또한 붕락 형태에 관한 오차율보다는 붕락 규모에 대한오차율이 매우 크게 나타났다.
- 학습수행 후에는 1 ~20번의 20개 현장 자료를 재 추론하여 실제 값과 추론 값을 상호 비교하여 각 항목별 오차율과 각 모델별 평균오차율을 분석하였다. 분석결과 평균 오차율이 가장 작은 모델은 C-30 번 모델로서 평균 21%의 오차율을 보였으며 C-26 번 모델이 평균 47%로 가장 큰오차를 보였다. 각 모델별 조사 값과 추론 값에 대한 평균 오차율과 학습 시 간, 학습능력 등을 분석하여 C-4 번 모델을 터널붕락 추론 모듈의 표준모델로 결정하였다.
- 00QU01 에 이르도록 104242회의 학습을 수행하고 검증을 위해서 데이터베이스되지 않은 나머지 15개 현장 자료를 입력하여 결과값과 추론 값을 비교하였다. 추론한 결과와 실제 결과와 비교한 평균 오차율은 결과 항목중 Overbreak가 31%로 가장 큰 오차율을 보였으며 Collapse 가 4%의 오차율을 보였고 평균 17%의 오차율을 보였다.
- 표 2에서 T-S-S(Time-Stability-Support), 즉 터널 굴착 경과 시간에 따른 지 보 설치 및 안정성 관계는 큰 오차를 보이지 않고 추론 값과 조사 값이 거의 일치하였다. 이것은 데이 터베이스된 자료 즉, 인공신경망 학습에 인용된 자료와 사례 현장들이 모두 지반 조건이나 보강에 관계없이 붕락 혹은 여굴이 발생된 현장의 지반조사자료를 사용했기 때문으로 분석 된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.