[논문]Support Vector Machine을 이용한 흙막이공법 선정모델에 관한 연구

김재엽; 박우열

Support Vector Machine을 이용한 흙막이공법 선정모델에 관한 연구
A Study on the Selection Model of Retaining Wall Methods Using Support Vector Machines 원문보기

건설관리 : 한국건설관리학회논문집 = Korean journal of construction engineering and management, v.7 no.2 = no.30, 2006년, pp.118 - 126

초록
AI-Helper

건축공사가 대형화됨에 따라 대규모 지하공간을 구축하기 위한 흙막이 공사의 중요성도 점차 커지고 있다. 따라서 적정한 흙막이공법의 선정은 건축공사의 원활한 수행을 위해서 매우 중요한 요소 중의 하나라 할 수 있다. 그러나 흙막이공법의 설계와 시공이 분리되어 있는 우리나라의 경우에는 많은 설계변경이 발생하고 있고, 이러한 설계변경은 건설사업의 성패를 좌우하는 공사비와 공기 측면에서 지대한 영향을 줄 수 있다. 본 연구에서는 이러한 흙막이공법에 대한 의사결정 단계에서 활용할 수 있는 Support Vector Machine(SVM)을 활용한 흙막이공법 선정모델을 구축하여 제안하였다. SVM은 기본적으로 이원분류를 위한 분류기이기 때문에 이원분류기를 조합한 형태의 다원분류기로 확장하여 모델을 구축하였다. 구축한 SVM 모델을 실제사례에 적용한 결과 비교적 정확한 결과를 도출하는 것으로 나타났으며, 따라서 본 연구에서 제시한 SVM 흙막이공법 선정모델은 흙막이공법 선정의 의사결정과정에 유용하게 활용될 수 있을 것으로 사료된다.

Abstract ▼ AI-Helper

There is a greater importance for underground work designed and built in the urban areas when it comes to considering the cost-effectiveness and the period of construction commensurate with an increasing trend of skyscrapers. At this stage of underground work, it's extremely necessary to choose a proper earth retaining method. Therefore, the study has suggested the rational retaining wall method by developing the support vector machine(SVM) model as a tool to choose a proper retaining wall method applied at the stage of selecting the earth retaining method. In order to develop the SVM model, the binary SVM classifier is expanded into a multi-class classifier. and to present the feasibility of our SVM model, we considered 129 projects. Applying the 'SVM Model' developed in the study to the designing and developing stages of the earth retaining work will contribute to the successful outcomes by decreasing any changes of design from implementing the earth retaining.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 이러한 흙막이공법에 대한 의사결정 단계에서 활용할 수 있는 SVM을 활용한 흙막이 공법 선정 모델을 구축하여 제안하고, 이를 실제 시공된 사례를 이용하여 모델을 평가하였다. SVMe 기본적으로 이원분류를 위한 분류기이기 때문에 이원분류기를 조합한 형태의 다원분류기로 확장하여 모델을 구축하였다.
본 연구는 이와 같은 일련의 연구의 일환으로써 최근에 주목을 받고 있는 SVM을 적용함으로써 합리적인 공법도출의 가능성을 검토하는 것으로 연구의 범위를 제한하였다.
본 장에서는 수집한 129개 데이터를 이용하여 흙막이공법 선정을 위한 SVM 모델의 적용가능성을 검증하였다. 적용된 변수의 종류 및 최대값, 최소값 특성은 표2와 같다.
따라서 흙막이 공법의 선정과 같이 복잡한 요인들이 영향을 미치는 경우의 최적대안을 탐색하는 분야에서는 뛰어난 일반화 능력을 가지고 있는 SVM이 의사결정 시스템으로서 활용될 수 있을 것으로 판단된다. 이에 본 연구에서는 SVW을활용한 흙막이공법 선정모델을 구축하여 건설관리 분야에서의 적용 가능성을 검토해보고자 한다.

가설 설정

£ 개의 학습데이터(Training data)가 벡터 Xi와yi의 쌍으로 이루어져 있다고 가정해보자.
OAA방법은 다음과 같다. 범주의 개수를 M(M22)이라고 하면 대상범주 i 와 그 이외의 범주㎛T) 사이의 선형분리 가능성을 가정하고 M개의 선형식별함수 切(X ) = 叫 . X +4 0 = L .

제안 방법

6가지 범주를 구분하기 위해 5개의 이원분류기 모델을 작성하였으며, 범주 1 이원분류기에서는 범주 1과 그 외의 범주 2, 3, 4, 5, 6을 구분하며, 범주 2 이원분류기에서는 앞에서 분류된 범주 1을 제외한 범주 2, 3, 4, 5, 6 중에서 범주 2와 그 외의 범주 3, 4, 5, 6을 구분한다. 이와 같은 방식으로 범주 5, 6이 모두 구분될 때까지 연속적으로 진행될 수 있도록 모델을 구현하였다.
SVMe 기본적으로 이원분류를 위한 분류기이기 때문에 이원분류기를 조합한 형태의 다원분류기로 확장하여 모델을 구축하였다.
이원 분류기를 조합할 필요가 있다. SVM을 다원분류기로 이용할 경우에는「One-Against-All :이하 OAA」와 「Pairwise」2가지 대표적인 방법이 있으나(Abe 2003), 본 연구에서는 SVM 다원분류의 가장 기본적인 분류방법인 OAA을 이용하여 모델을 구축하였다.
본연구과정에서 수집된 사례개수는 공법별로 차이를 보이고 있으며 사례개수가 많은 공법을 우선적으로 선정하도록 모델을 설계하였다. 따라서 1, 2, 3, 4, 5, 6 분류기는 순서대로 Jet_Gr, H-SCW, SW, SOW, LW_Gr, CIP를 분류하도록 하였다.
따라서 그림 7과 같이 5개의 이원분류기를 혼합한 형태의 흙막이공법 선정모델을 설계하였다.
우선 흙막이공사에 대한 이론과 기존 연구들을 조사하고, 기존의 흙막이공법 선정 과정에 대한 실태와 문제점을 분석하였다. 또한 SVM에 대한 기본적인 이론과 기존연구에 대하여 고찰하여 모델적용가능성을 검토하고, 이를 바탕으로 흙막이 공법 선정을 위한 SVM 모델을 구축하였다.
또한 표2에서 볼 수 있는 바와 같이 변수들의 값의 크기가 차이를 보이고 있기 때문에 각 변수들을 정규화(Normalize)한 값을 사용하였다 굴착면적 의 경우 최대값은 9651로 큰 값이지만 '인접건물 수 의 경우 최대값이 4이기 때문에 각 변수들의 영향도를 동일하게 적용하기 위해 0과 1사이의 값으로 정규화하였다.
본 장에서는 SVM의 기본이론을 고찰한 후 흙막이벽체 선정에 영향을 미치는 영향요인을 도출하여 SVM 흙막이공법 선정모델을 작성하였다.
이와 같은 방식으로 범주 5, 6이 모두 구분될 때까지 연속적으로 진행될 수 있도록 모델을 구현하였다. 본연구과정에서 수집된 사례개수는 공법별로 차이를 보이고 있으며 사례개수가 많은 공법을 우선적으로 선정하도록 모델을 설계하였다. 따라서 1, 2, 3, 4, 5, 6 분류기는 순서대로 Jet_Gr, H-SCW, SW, SOW, LW_Gr, CIP를 분류하도록 하였다.
연구의 진행순서는 그림2와 같다. 우선 흙막이공사에 대한 이론과 기존 연구들을 조사하고, 기존의 흙막이공법 선정 과정에 대한 실태와 문제점을 분석하였다. 또한 SVM에 대한 기본적인 이론과 기존연구에 대하여 고찰하여 모델적용가능성을 검토하고, 이를 바탕으로 흙막이 공법 선정을 위한 SVM 모델을 구축하였다.
4, 5, 6을 구분한다. 이와 같은 방식으로 범주 5, 6이 모두 구분될 때까지 연속적으로 진행될 수 있도록 모델을 구현하였다. 본연구과정에서 수집된 사례개수는 공법별로 차이를 보이고 있으며 사례개수가 많은 공법을 우선적으로 선정하도록 모델을 설계하였다.
흙막이 공법 선정을 위한 SVM모델의 구축과 검증을 위해서 수집된 129개의 흙막이 공사 자료를 흙막이 공법별로 분석하여 표1과 같이 6개의 공법으로 분류하여 정의하였다

대상 데이터

129개의 데이터를 실험에 적용하기 위하여 학습용(Training) 데이터 50%, 유효성 검증용(Validation) 데이터 25%, 테스트용 (test) 데이터 25%로 각각 무작위로 선정하여 적용하였다. 데이터의 개수가 가장 많은 Jet_Gre 23개가 학습용으로 사용되었으며, 순서대로 H_SCW(21 개), SW(9개), LW_Gr(7개), SCW(6 개), ・CIP(5 개)가사용되었다.
SVM모델의 구축과 검증을 위한 실적자료로 활용하기 위하여 1991년부터 2000년까지 10년간 국내에서 건축된 129개의 대규모 흙막이공사 자료를 수집하여 분석하였다. 본 연구에서 사용된 데이터는 흙막이공법 선정의 의사결정을 지원하기 위한 시스템 개발을 위해 진행된 일련의 연구(김재엽 2002)(김재엽외 2004)에서 사용된 데이터를 활용하였다.
데이터의 개수가 가장 많은 Jet_Gre 23개가 학습용으로 사용되었으며, 순서대로 H_SCW(21 개), SW(9개), LW_Gr(7개), SCW(6 개), ・CIP(5 개)가사용되었다.
SVM소프트웨어는 웹에 공개되어 있는 SVWdark。를 이용하였으며, 이것은 기존의 연구(이진선외 2005)(정영미외 2000)(Joachims 1999) 등에서 사용된 리눅스버젼의 SVM-light를 바탕으로 윈도우 기반으로 제작된 것으로 웹에서 다운받아 사용하였다.
흙막이공사 자료를 수집하여 분석하였다. 본 연구에서 사용된 데이터는 흙막이공법 선정의 의사결정을 지원하기 위한 시스템 개발을 위해 진행된 일련의 연구(김재엽 2002)(김재엽외 2004)에서 사용된 데이터를 활용하였다. 표2는 수집된 사례의 일부분을 나타내고 있다.
본 연구에서는 이러한 흙막이 공법 중에서 지보공 부분을 제외한 흙막이 벽체와 보조공법을 연구의 범위로 하였다(그림1 참조).

성능/효과

의 정확도를 보인 반면, 추천사례 (Recommendable solution)에서는 8개의 사례를 정확히 조회함으로써 80%의 정확도를 보이는 것으로 나타났다. 이는 SVM 모델의 정확도 93%보다는 낮은 수치로 SVM모델이 상대적으로 높은 정확도를 보이는 것으로 판단할 수 있다.
표3과 같다. 개별 매개변수 및 커널별로 반복실험을 한 결과, 모든 분류기에서 다항식 커널이 가장 적합한 것으로 나타났으며, 개별분류기별 다항식 커널의 최적의 매개변수는 약간의 차이를 보이는 것으로 나타났다.
개별 분류기별로 고찰해보면 CIP(1OO%) 분류기가 가장 높은 적중률을 나타났으나, 학습 데이터의 개수가 많지 않은 SCW(93%)와 LW_Gr(93%) 분류기가 낮은 적중률을 보이는 것으로 나타났다. 본 연구에서는 수집된 데이터의 개수가 상대적으로 많은 Jet_Gr과 H_SCW를 먼저 분류하고 상대적으로 데이터의 개수가 적은 분류기를 순차적으로 분류하는 방식으로 처 리하였기 때문에 결과적으로 개별 분류기의 적중오류가 적게 영향을 미쳤다고 판단된다.
공법별로 적용된 빈도는 그림3과 같이 'Jet_Gr'공법과공법이 각각 45개(34%)와 39개(30%)로서 많이 선정되고 있는 것으로 나타났다. 반면에 LW_Gr 공법, SCW 공법과 'CIP 공법은 각각 11개, 10개, 9개 현장에서 적용되어 선정 빈도가 적은 것으로 조사되었다(김재엽 2004).
구축된 모델에 실제사례를 적용한 결과 비교적 높은 정확도를 보이는 것으로 나타났다. 전체 테스트 데이터 29개 중 27개가 올바르게 선정됨으로써 약 93%의 적중률로 매우 높은 학습능력을 보이는 것으로 나타났다.
또한 신경망을 이용한 연구(김재엽 2002)의 경우에도 학습에 사용한 데이터의 경우에는 94%의 정확도를 보였지만 Test 데이터의 경우에는 70%의 정확도를 보였기 때문에 본 연구에서 제시한 SVM모델이 더 높은 적중률을 보이는 것으로 판단할 수 있다. 또한 신경망모델의 경우에는 모델을 구축하기 위해 은닉층의 노드수, 학습률, 모멘텀의 최적값을 결정하기 위해 수많은 반복 시행이 필요하지만 SVM모델의 경우에는 SVM모델 설정에 필요한 매개변수의 설정이 용이하기 때문에 활용도가 높을 것으로 사료된다.
LW_Gr(93%) 분류기가 낮은 적중률을 보이는 것으로 나타났다. 본 연구에서는 수집된 데이터의 개수가 상대적으로 많은 Jet_Gr과 H_SCW를 먼저 분류하고 상대적으로 데이터의 개수가 적은 분류기를 순차적으로 분류하는 방식으로 처 리하였기 때문에 결과적으로 개별 분류기의 적중오류가 적게 영향을 미쳤다고 판단된다. 학습데이터의 개수가 충분히 많아진다면 개별분류기의 적중률을 높일 수 있기 때문에 전체적인 적중률도 향상시킬 수 있을 것으로 판단된다.
표4는 실제 적용된 실험결과를 나타낸다. 전체 테스트 데이터 29개 중 27개가 올바르게 선정됨으로써 약 93%의 적중률로 매우 높은 학습능력을 보이는 것으로 나타났다.

후속연구

특히 은 한글과 한자와 같이 부류수가 많은 언어, 데이터마이닝과 같은 대용량 분류에서 모듈러 신경망보다 성능이 우수한 특징을 나타내고 있는 것으로 보고되고 있다(이진선 외 2005). 따라서 흙막이 공법의 선정과 같이 복잡한 요인들이 영향을 미치는 경우의 최적대안을 탐색하는 분야에서는 뛰어난 일반화 능력을 가지고 있는 SVM이 의사결정 시스템으로서 활용될 수 있을 것으로 판단된다. 이에 본 연구에서는 SVW을활용한 흙막이공법 선정모델을 구축하여 건설관리 분야에서의 적용 가능성을 검토해보고자 한다.
또한 신경망모델의 경우에는 모델을 구축하기 위해 은닉층의 노드수, 학습률, 모멘텀의 최적값을 결정하기 위해 수많은 반복 시행이 필요하지만 SVM모델의 경우에는 SVM모델 설정에 필요한 매개변수의 설정이 용이하기 때문에 활용도가 높을 것으로 사료된다.
본 연구에서는 총 6가지의 흙막이벽체 공법을 분류해야 하기 때문에 기본적으로 이원분류기 인 SVM을 확장해야할 필요가 있다. 따라서 그림 7과 같이 5개의 이원분류기를 혼합한 형태의 흙막이공법 선정모델을 설계하였다.
본 연구의 결과, 흙막이공법의 선정과 같이 의사결정 과정에서 고려해야 할 요소가 많고, 이러한 영향요소를 정량화하기 어 려운분야에서는 본 연구에서 제시한 SVM 모델이 매우 유용하게 활용될 수 있을 것으로 사료된다.
전체 테스트 데이터 29개 중 27개가 올바르게 선정됨으로써 약 93%의 적중률로 매우 높은 학습능력을 보이는 것으로 나타났다. 본 연구의 경우 분류기별로 적용된 데이터가 한정되어 있기 때문에 데이터의 개수가 충분하다면 정확성과 신뢰성 있는 결과를 제시할 수 있을 것으로 사료된다.

참고문헌 (19)

김재엽(2002), '건축공사 흙막이공법 선정의 합리화를 위한 신경망시스템 구축에 관한 연구', 고려대 박사학위논문
김재엽 외(2002), '건축공사 흙막이벽체 공법 선정을 위한 신경망 시스템 개발 연구', 대한건축학회논문집 구조계, 18권 10호, pp.69-76
김재엽 외(2004), 'CBR을 이용한 흙막이공법 선정모델에 관한 연구', 건설관리, 5권 5호, 한국건설관리학회, pp.76-83
김재엽 외(2003), '신경망을 이용한 흙막이지보공 공법 선정모델 개발에 관한 연구', 대한건축학회논문집 구조계, 19권 5호, pp.121-128

상세보기
박우열(2003), '유전자 알고리즘을 이용한 철근공사 최적 물량산출 모델 및 관리시스템 개발', 고려대 박사학위논문
김광희, 김상용, 강경인(2004), '공동주택 공사비 예측 정확도 비교에 관한 연구', 대한건축학회 논문집 구조계, 20권 5호, pp.93-102
김유일, 신은경, 홍태호(2004), '신경망과 SVM을 이용한 주가지수예측의 비교', 인터넷전자상거래연구, 4권 3호, pp.221-243

상세보기
박정민(2003), 'Support Vector Machine을 이용한 기업부도예측', 한국과학기술원 석사학위논문
이용민, 최경현(2001), 'Weighted Support Vector Machine의 활용성에 대한 연구', 대한과학회/대한산업공학회 춘계공동학술대회, pp.715-718
이진선 외(2005), '대용량 분류에서 SVM과 신경망의 성능비교', 정보처리학회논문지 B, 12B권 1호
이창남(1998), '건축구조 뿌리에서 새순까지 I', 기문당, p.57
정영미 외(2000), 'SVM 분류기를 이용한 문서 범주화 연구', 정보관리학회지, 17권 4호

원문보기 상세보기
嘉納成男外(1998), '山留壁の工法推定モデルとその推定精度の比較', 日本建築學會計劃系論文集, No.510, p.197
Abe S.(2003), 'Analysis of multiclass support vector machines', Proc. International Conference on Computational Intelligence for Modelling Control and Automation, pp.385-396
C. J. C. Burges(1998), 'A Tutorial on Support Vector Machines for Pattern Recognition'. Knowledge Discovery and Data Mining, 2(2)
Joachims T. (1999), '11 in: Making large-Scale SVM Learning Practical. Advances in Kernel Methods - Support Vector Learning', B. Sch?lkopf and C. Burges and A. Smola (ed.), MIT Press
Vapnik V. N.(1999), 'The Nature of Statistical Learning Theory', Springer-Verlag
Yau N. & Yang J.(1998), 'Applying Case - Based Reasoning Technique to Retaining Wall Selection', automation in construction 7, pp.271-283

상세보기
http://www.cs.ucl.ac.uk/staff/M.Sewell/ (2005.7.20)

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증