본 연구에서는 하천제방의 현장투수계수를 예측하기 위하여 낙동강과 금호강 유역에 위치한 12개소 제방의 지반물성치, 표준관입실험 그리고 현장투수실험 자료를 이용하여 인공신경망해석을 실시하였다. 총 108개의 자료 중 82%인 89개 자료를 학습단계에 그리고, 나머지 19개 자료는 예측단계에 사용하였다. 또한 그 적용성 평가를 위하여 현재 널리 사용되고 있는 경험식들에 의한 결과와 비교하였다. 그 결과 경험식을 통한 현장투수계수는 모두 실측치와의 상관계수가 0.3 이하로 나와 실측치와는 큰 차이가 있으나, 그에 비하여 신경망에 의한 예측결과는 모든 Case에서 실측치와의 상관계수가 모두 0.8이상으로 기존 경험식들에 비하여 정확한 현장투수계수를 예측을 하였다.
본 연구에서는 하천제방의 현장투수계수를 예측하기 위하여 낙동강과 금호강 유역에 위치한 12개소 제방의 지반물성치, 표준관입실험 그리고 현장투수실험 자료를 이용하여 인공신경망해석을 실시하였다. 총 108개의 자료 중 82%인 89개 자료를 학습단계에 그리고, 나머지 19개 자료는 예측단계에 사용하였다. 또한 그 적용성 평가를 위하여 현재 널리 사용되고 있는 경험식들에 의한 결과와 비교하였다. 그 결과 경험식을 통한 현장투수계수는 모두 실측치와의 상관계수가 0.3 이하로 나와 실측치와는 큰 차이가 있으나, 그에 비하여 신경망에 의한 예측결과는 모든 Case에서 실측치와의 상관계수가 모두 0.8이상으로 기존 경험식들에 비하여 정확한 현장투수계수를 예측을 하였다.
In this study, artificial neural network was performed using the data of soils characteristic value, standard penetration test, and field permeability test of the 12 embankment that are located in the near Nak-dong and Kum-ho river to estimate the coefficient of field permeability of river embankmen...
In this study, artificial neural network was performed using the data of soils characteristic value, standard penetration test, and field permeability test of the 12 embankment that are located in the near Nak-dong and Kum-ho river to estimate the coefficient of field permeability of river embankment. The 89 data of total 108, 82% was used in learning step, and the other 19 data was used in estimation step. Also the results of generally used empirical equations were compared with those of artificial neural network for evaluation of application. As results, all of the coefficient of field permeability by empirical equation showed below 0.4 in terms of the coefficient of correlation with the measured values, but the coefficient of correlation of the predicted results by artificial neural network was up 0.8 in the all case. Therefore artificial neural network could predict more the precise field permeability well than the empirical equations.
In this study, artificial neural network was performed using the data of soils characteristic value, standard penetration test, and field permeability test of the 12 embankment that are located in the near Nak-dong and Kum-ho river to estimate the coefficient of field permeability of river embankment. The 89 data of total 108, 82% was used in learning step, and the other 19 data was used in estimation step. Also the results of generally used empirical equations were compared with those of artificial neural network for evaluation of application. As results, all of the coefficient of field permeability by empirical equation showed below 0.4 in terms of the coefficient of correlation with the measured values, but the coefficient of correlation of the predicted results by artificial neural network was up 0.8 in the all case. Therefore artificial neural network could predict more the precise field permeability well than the empirical equations.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Garson(1991)이 제시한 인공신경망의 sensitivity 해석기법을 적용하여 각 입력인자들의 상대적 중요도를 평가하여 보았다. 이는 입력층 노드 i, 은닉층 노드 j 그리고 출력층 노드의 연결강도를 이용하여 각각의 입력변수가 신경망의 예측과정에서 어느 정도의 상대적 중요성을 지니고 있는가를 판단하는 것이다. 이러한 상대적 중요도는 그 모델에서 인자 중요도를 판단할 수 있는 자료로 각 CASE별 비교는 큰 의미가 없다.
이에 본 연구에서는 현장투수계수의 보다 정확한 예측을 위하여 낙동강과 금호강 유역에 위치한 제방들의 현장투수실험 결과를 이용한 인공신경망의 학습을 통하여 현장투수계수를 예측하였다. 인공신경망은 실제 지반의 물성치를 이용하여 학습, 예측을 통하여 그와 비슷한 지반조건에서는 다른 방법보다 빠르게 정확한 결과를 얻을 수 있다.
그러나 CASE 1이 CASE 2에 비하여 입력인자가 적게 고려되었음에도 좀더 좋은 예측결과가 나타났는데, 이는 한정된 데이터 수와 예측을 위한 입력인자들의 자료 신뢰성의 문제나 최적 신경망으로 선택이 되지 않았다고 판단할 수 있다. 최적신경망의 구조의 선택의 경우 학습구조를 더욱 세분하면 예측결과의 정확도를 높일 수 있다고 판단하나 큰 차이는 없을 것으로 생각하며, 본 연구에서는 인공신경망의 현장투수계수예측 가능성을 알아보고자 하였기에 생략하였다.
가설 설정
Kozeny-Carman 경험식에서 Carrier(2003)는 실무적 이용을 위하여 20℃의 온도에서 물의 rω/η는 9.93 × 104(1/cm·s), CsT2는 대략 5정도로 가정하여 Table 6의 식을 다음과 같이 수정된 식 (2)로 제안하였으며, 본 연구에서도 식 (2)을 이용하여 투수계수를 산정하였다.
여기서, SF의 경우 형상계수로서 6~8의 값을 가지며, 본 연구에서는 입자의 모양을 angular로 가정하여 Fair & Hatch(1933)가 제안한 7.7을 사용하였다.
제안 방법
이들 자료들을 입력인자로 선정한 이유는 여러 가지 영향인자들 중 흙의 입경과 간극비가 투수계수에 가장 큰 영향을 미치는 것으로 많은 연구자들에 의해 밝혀져 입도시험의 결과를 최대한 많이 이용하였다. 그러나 간극비의 경우 제방시공 중 실시된 현장들밀도실험에 의하여 여러 층에서 측정되었는데(Fig. 6), 이들 간극비가 서로 상이하여 하나의 제방에 대표적인 간극비를 고려하기 힘들 뿐만 아니라 시공 후 자중압밀에 의하여 간극비가 달라졌을 것으로 판단하여 간극비 대신 흙의 밀도와 밀접한 관계가 있는 N치를 이용하였으며, N치는 현장투수실험을 실시한 심도에서 측정된 값을 사용하였다.
역전파 인공신경망은 입출력층과 은닉층의 구조에 따라 학습효율 및 추론능력이 크게 변화하며, 학습에 필요한 학습률 및 모멘텀상수, 학습횟수 등의 인자들에 의해서도 영향을 받는다. 따라서 본 연구에서는 5종류의 인공신경망 구조와 각각 4종류의 학습율과 모멘텀상수을 설정하고, 조합된 80개의 인공신경망을 실행하였다. 은닉층의 노드수는 입력변수 개수의 1배, 1.
Hazen 경험식 이외의 경험식들에는 간극비(e)가 고려되는데, 각 현장자료의 간극비는 제방 축조시 각 층별로 측정된 현장밀도실험 결과를 이용하였으나, 실제 제방 축조 후 자중에 의한 압밀로 인하여 간극비가 달라질 수 있다. 따라서 본 연구에서는 현장에서 측정된 들밀도실험에 의한 간극비를 이용하여 Fig. 6에서와 같이 각 현장의 최소간극비(emin)와 최대간극비(emax)를 선택하여 그 범위에서 현장투수계수를 각각 산정하였다.
현재 지반공학에서는 암반의 투수계수(이인모 등, 1997), 연약지반의 압축지수 및 설계정수(김병탁 등, 2001; 윤길림 등, 2003; 김영수 등, 2003) 등 많은 문제에서 신경망의 적용을 시도하여 좋은 결과를 얻고 있다. 또한 인공신경망을 이용하여 얻어진 예측치는 여러 연구자들이 제안한 경험식들과 비교 검토하였다.
본 연구에서는 낙동강과 금호강 유역 제방에서의 현장투수계수를 예측하기 위하여 인공신경망을 적용하였고, 그 적용성 평가를 위하여 기존 경험식들에 의한 결과와 비교하여 다음과 같은 결론을 얻었다.
따라서 본 연구에서는 5종류의 인공신경망 구조와 각각 4종류의 학습율과 모멘텀상수을 설정하고, 조합된 80개의 인공신경망을 실행하였다. 은닉층의 노드수는 입력변수 개수의 1배, 1.5배, 2배, 2.5배, 3배로 하였으며, 학습율은 0.01, 0.1, 0.3, 0.5, 모멘텀상수는 0.1, 0.3, 0.5, 0.7을 사용하여 학습하였다. 최대반복횟수는 100만회로, 수렴오차는 1.
0E-04 cm/sec의 범위였다. 입력자료의 최적화와 자료의 수집의 제한성을 고려하여 Table 1에서와 같이 사용한 입력인자에 따라 Case1, 2, 3로 나누어 학습 및 예측을 실시하였다. 입력인자로 Table 2는 Case 3에 대한 학습과 예측에 사용된 입력인자를 나타낸 것이다.
최대반복횟수는 100만회로, 수렴오차는 1.0 × 10-6 그리고 활성함수는 시그모이드(sigmoid) 함수를 사용하였다.
현장투수계수 추정을 위하여 사용한 인공신경망은 역전파 인공신경망(back propagation artificial neural network, BPNN)으로서 입력층, 은닉층 그리고 출력층으로 구성되어 있으며, 확보한 108개의 데이터를 대상으로 다양한 매개 변수의 변화를 통하여 최적인공신경망을 선정하였다. 역전파 인공신경망은 입출력층과 은닉층의 구조에 따라 학습효율 및 추론능력이 크게 변화하며, 학습에 필요한 학습률 및 모멘텀상수, 학습횟수 등의 인자들에 의해서도 영향을 받는다.
대상 데이터
1. 인공신경망을 이용한 예측에 사용된 자료는 낙동강과 금호강 유역 제방의 지반조사, 표준관입실험 및 현장투수실험을 정리하여 사용하였다. 시료는 주로 실트와 모래질로 측정된 현장투수계수는 1.
본 연구에서는 인공신경망 예측결과와의 비교를 위하여 Hazen(1930), Kozeny-Carman(1956), Amer & Awad(1974), 그리고 Chapuis(2004)가 제안한 경험식으로 현장투수계수를 산정하였으며, Table 6에 경험식들을 나타내었다. 경험식을 통한 현장투수계수의 산정에 사용된 자료는 인공신경망의 예측과정에 이용된 19개 자료를 사용하였다. Hazen 경험식에서 D10은 유효입경(cm), C는 경험적인 상수로서 Carrier(2003)는 입자모양에 따라 1~1000의 범위를 가진다고 하였다.
본 연구에서는 수집된 자료는 Fig. 1에서와 같이 주로 모래와 실트로 구성되어 있으며, 측정된 현장투수계수는 1.0E-03~1.0E-04 cm/sec의 범위였다. 입력자료의 최적화와 자료의 수집의 제한성을 고려하여 Table 1에서와 같이 사용한 입력인자에 따라 Case1, 2, 3로 나누어 학습 및 예측을 실시하였다.
총 12개소 108개의 자료를 확보하여 학습단계에 전체 자료의 82%인 89개 자료를 사용하였으며, 예측에는 전체 자료의 18%인 19개 데이터를 임의 추출하여 사용하였다. 사용된 입력자료들로 실내실험 자료로는 함수비, 비중 그리고 D10, D30, D60, D15, D85와 #200체 통과률을 사용하였으며, 현장실험자료로는 표준관입실험의 N치와 심도를 사용하였다. 이들 자료들을 입력인자로 선정한 이유는 여러 가지 영향인자들 중 흙의 입경과 간극비가 투수계수에 가장 큰 영향을 미치는 것으로 많은 연구자들에 의해 밝혀져 입도시험의 결과를 최대한 많이 이용하였다.
인공신경망에 사용된 입력자료는 낙동강과 금호강 유역에 위치한 제방의 지반 물성치, 표준관입실험 그리고 현장투수실험 자료를 사용하였다. 총 12개소 108개의 자료를 확보하여 학습단계에 전체 자료의 82%인 89개 자료를 사용하였으며, 예측에는 전체 자료의 18%인 19개 데이터를 임의 추출하여 사용하였다.
Hazen 경험식에서 D10은 유효입경(cm), C는 경험적인 상수로서 Carrier(2003)는 입자모양에 따라 1~1000의 범위를 가진다고 하였다. 입자의 모양이나 시료에 따라 고려해야하나 본 연구에서는 가장 일반적으로 고려되는 100을 사용하였다.
인공신경망에 사용된 입력자료는 낙동강과 금호강 유역에 위치한 제방의 지반 물성치, 표준관입실험 그리고 현장투수실험 자료를 사용하였다. 총 12개소 108개의 자료를 확보하여 학습단계에 전체 자료의 82%인 89개 자료를 사용하였으며, 예측에는 전체 자료의 18%인 19개 데이터를 임의 추출하여 사용하였다. 사용된 입력자료들로 실내실험 자료로는 함수비, 비중 그리고 D10, D30, D60, D15, D85와 #200체 통과률을 사용하였으며, 현장실험자료로는 표준관입실험의 N치와 심도를 사용하였다.
데이터처리
선정된 최적신경망을 이용하여 19개 데이터에 대한 현장투수계수를 예측하였으며, Fig. 4에 현장투수계수의 예측치(computed)와 실측치(measured)를 도시하여 비교하였다. X축은 실측치이며, Y축에는 신경망에 의하여 계산된 예측치로 대각선상에 예측치가 위치할수록 실측치에 근접하는 것을 나타낸다.
이론/모형
Garson(1991)이 제시한 인공신경망의 sensitivity 해석기법을 적용하여 각 입력인자들의 상대적 중요도를 평가하여 보았다. 이는 입력층 노드 i, 은닉층 노드 j 그리고 출력층 노드의 연결강도를 이용하여 각각의 입력변수가 신경망의 예측과정에서 어느 정도의 상대적 중요성을 지니고 있는가를 판단하는 것이다.
본 연구에서는 인공신경망 예측결과와의 비교를 위하여 Hazen(1930), Kozeny-Carman(1956), Amer & Awad(1974), 그리고 Chapuis(2004)가 제안한 경험식으로 현장투수계수를 산정하였으며, Table 6에 경험식들을 나타내었다.
성능/효과
7(a)~(d)는 각 경험식들에 의하여 산정된 투수계수결과와 실측치를 비교한 것으로 Fig. 7(a)의 Hazen 경험식에 의한 투수계수는 실측치에 비하여 대부분은 과소평가되었으며, RMSE의 경우 5.23E-03, 상관계수 0.043으로 상관계수가 0에 가까이 값을 보여 실측치와 큰 차이가 있음을 나타내었다. Fig.
Fig. 7(b)의 Kozeny-Carman 경험식의 경우 RMSE는 최소간극비 적용시 3.40E-02, 최대간극비 적용시 5.21E-02이며, 상관계수는 간극비에 관계없이 0.243으로 투수계수산정치는 분산된 결과는 보이지는 않았지만 실측치에 비해 100배 정도 과대평가를 보였다. Fig.
(c)의 Amer & Awad 경험식에서는 대부분이 과소평가를 보였으며, RMSE는 1.22E-02~1.71E-02의 범위이고, 상관계수는 -0.044로 Hazen 경험식과 마찬가지로 0에 가까이 값을 보여 실측치와 차이가 있음을 알 수 있다.
Fig. 7(d) Chapuis 경험식의 경우 4가지 경험식들 중에서는 가장 실측치에 근접하였지만 RMSE는 7.52E-03~1.04E-02의 범위이고, 상관계수는 0.102로 실측치와는 큰 차이가 있었다.
2. 학습자료를 이용한 최적인공신경망 선정한 결과 가장 많은 입력인자를 고려한 CASE 3에서 실측치와의 상관계수가 0.999로 가장 좋은 학습결과가 나타났으며, CASE 1과 CASE 2에서도 상관계수가 각각 0.827과 0.900로 좋은 학습결과를 보였다.
3. 선정된 최적인공신경망으로 현장투수계수를 예측한 결과 모든 CASE에서 상관계수가 0.8 이상으로 비교적 잘 예측되었으며, 그 중 입력인자가 가장 많은 CASE 3에서 가장 좋은 결과가 나타났다.
5. 하천 제방의 현장투수계수 산정시 그와 비슷한 지역의 자료를 이용하여 인공신경망 학습을 통한 예측을 실시한다면 기존 경험식들에 비하여 보다 정확한 예측이 가능함을 확인하였다.
2, 3에 선정된 최적신경망 구조와 학습결과를 그리고 Table 4에 학습과정에서 얻어진 상관계수(R2)와 RMSE를 나타내었다. CASE 1의 최적신경망구조는 입력층-은닉층-출력층 뉴런수가 6-15-1의 구조로 학습율은 0.3, 모멘텀상수는 0.7이며, CASE 2는 8-16-1, 학습율 0.3, 모멘텀상수 0.3, 그리고 CASE 3에서는 10-25-1, 학습율 0.3, 모멘텀상수 0.7로 나타났다. 학습과정에서의 상관계수는 0.
경험식의 경우 Hazen 식을 제외한 나머지 식에서는 간극비 (e)의 최대값과 최소값의 범위로 확인하였으며, 간극비의 차이에 의한 투수계수의 범위는 크게 차이가 나지 않았다. 그러나 4가지 경험식 모두 실측치와의 상관계수가 0.3이하로 나와 실측치와는 큰 차이가 있음을 알 수 있으며, 그에 비하여 신경망에 의한 예측결과는 모든 Case에서 실측치와의 상관계수가 모두 0.8 이상으로 기존 경험식들에 비하여 정확한 투수계수를 예측을 하였다. 따라서 현장투수계수의 결정은 현장투수실험을 통한 측정이 가장 정확한 방법이나 현장의 여건상 현장실험이 어려울 경우에는 기존의 경험식들을 이용한 산정보다는 현장주변의 기존자료를 통한 인공신경망의 예측이 보다 실측치에 근접하는 것을 알 수 있었다.
8 이상으로 기존 경험식들에 비하여 정확한 투수계수를 예측을 하였다. 따라서 현장투수계수의 결정은 현장투수실험을 통한 측정이 가장 정확한 방법이나 현장의 여건상 현장실험이 어려울 경우에는 기존의 경험식들을 이용한 산정보다는 현장주변의 기존자료를 통한 인공신경망의 예측이 보다 실측치에 근접하는 것을 알 수 있었다.
Table 5에 예측결과에 대한 상관계수와 RMSE를 나타내었다. 예측 결과 Table 5에서와 같이 CASE 3에서 상관계수와 RMSE가 각각 0.882, 6.15E-04로 가장 좋은 결과를 보였으며, CASE1과 CASE 2에서도 상관계수 0.8 이상의 비교적 정확한 예측이 이루어졌음 알 수 있었다. 그러나 CASE 1이 CASE 2에 비하여 입력인자가 적게 고려되었음에도 좀더 좋은 예측결과가 나타났는데, 이는 한정된 데이터 수와 예측을 위한 입력인자들의 자료 신뢰성의 문제나 최적 신경망으로 선택이 되지 않았다고 판단할 수 있다.
Fig 5에 최적 신경망의 입력변수별 상대적 중요도를 나타내었다. 입력인자가 입도자료로만 이루어진 CASE 1에서는 #200체 통과율이 상대 중요도가 높게 나타났고, CASE 2에서는 물성시험에 대한 인자가 입도자료에 비하여 낮게 나타났으며, CASE 3에서는 N치가 상대적으로 입도나 물성시험에 대한 인자보다 중요도가 낮게 나타났다.
학습과정에서의 상관계수는 0.8∼1.0으로 모두 높은 상관성을 보였으며, 특히 CASE 3에서 상관계수 0.999, RMSE의 값이 7.07E-05로 가장 좋은 결과를 보였으며, CASE 1과 CASE 2의 경우에서도 상관계수와 RMSE가 각각 0.827, 0.879 그리고 6.62E-04, 8.74E-04로 비교적 좋은 결과로 학습되었다.
질의응답
핵심어
질문
논문에서 추출한 답변
현장투수실험의 장점 및 단점은 무엇입니까?
현재 투수계수의 산정방법으로는 실내투수실험과 현장투수실험이 이용되고 있으며, 실험이 불가피한 경우에는 Hazen(1930), Kozeny-Carman(1956), Amer & Awad(1974), Carrier(2003) 등 많은 연구자들이 실내실험결과를 바탕으로 제시한 경험식으로 추정하는 방법이 있다. 그 중 현장투수실험은 가장 정확하게 지반의 투수계수를 산정할 수 있으나 많은 비용과 시간이 소요된다. 이에 Hazen(1930)은 유효입경(D10)을 이용한 투수계수 경험식을 제시하였으며, 그 이후 많은 연구자들이 흙의 입도와 간극비 그리고 그 외의 인자들을 이용하여 투수계수의 경험식을 제시하였으나 현장의 여러 가지 조건으로 인하여 대부분의 경우 현장실험결과와 차이를 나타낸다.
투수계수의 산정방법으로 경험식으로 추정하는 방법을 사용할경우 발생하는 단점은 무엇입니까?
그 중 현장투수실험은 가장 정확하게 지반의 투수계수를 산정할 수 있으나 많은 비용과 시간이 소요된다. 이에 Hazen(1930)은 유효입경(D10)을 이용한 투수계수 경험식을 제시하였으며, 그 이후 많은 연구자들이 흙의 입도와 간극비 그리고 그 외의 인자들을 이용하여 투수계수의 경험식을 제시하였으나 현장의 여러 가지 조건으로 인하여 대부분의 경우 현장실험결과와 차이를 나타낸다. 또한 경험식의 경우 Kozeny-Carman(1956)이 제안한 식에서 간극비를 고려한 이후로 많은 식에서 중요한 인자로서 간극비를 사용하게 되나 실제 지반의 경우 불교란 시료 채취의 어려움과 운반 및 시료성형과정에서의 교란으로 인하여 정확한 간극비의 추정이 어려운 실정이다.
현재 투수계수의 산정방법 종류로는 무엇이 있습니까?
현재 투수계수의 산정방법으로는 실내투수실험과 현장투수실험이 이용되고 있으며, 실험이 불가피한 경우에는 Hazen(1930), Kozeny-Carman(1956), Amer & Awad(1974), Carrier(2003) 등 많은 연구자들이 실내실험결과를 바탕으로 제시한 경험식으로 추정하는 방법이 있다. 그 중 현장투수실험은 가장 정확하게 지반의 투수계수를 산정할 수 있으나 많은 비용과 시간이 소요된다.
참고문헌 (11)
김영수, 정우섭, 정환철, 임안식(2003) 인공신경망을 이용한 연약지반의 지반설계정수 예측, 대한토목학회논문집, 대한토목학회,제23권, 제5C호, pp. 273-279.
김병탁, 김영수, 배상근(2001) 압축지수의 추정을 위한 인공신경망 적용과 경험식 제안. 한국지반공학회논문집, 한국지반공학회, 제17권, 제6호. pp. 25-36.
윤길림, 김병탁(2003) 국내 해양지반에 적합한 압축지수 경험식 제안. 대한토목학회논문집, 대한토목학회, 제23권, 제3C호, pp. 169-176.
이인모, 조계춘, 이정학(1997) 인공신경망을 이용한 암반의 투수 계수 예측. 한국지반공학회논문집, 한국지반공학회, 제13권, 제2호, pp. 77-89.
Amer, A.M. and Awad, A.A. (1974) Permeability of cohesionless soils. Journal of the Geotechnical Engineering Division, ASCE, Vol. 100, No. GT12, pp. 1309-1316.
Carman, P.C. (1956) Flow of gases through porous media. Academic Press, New York, N.Y.
Carrier, W.D. (2003) Goodbye, Hazen; Hello, Kozeny-Carman. Journal of Geotechnical and Geoenvironmental Engineeing, ASCE, Vol. 129, No. 11, pp. 1054-1056.
Chapuis, R.P., Gill, D.E., and Baass, K. (1989) Laboratory permeability tests on Sand: Influence of compaction method on anisotropy. Canadian Geotechnical Journal, Vol. 26, pp. 614-622.
Fair, G.M. and Hatch, L.P. (1933) Fundamental factors governing the streamline flow of water through sand. Journal of the American Water Works Association, Vol. 25, No. 11, pp. 1551-1565.
Hazen, A. (1930) Water supply. American Civil Engineers Handbook, John Wiley & Sons, New York, N.Y.
Garson, G.D. (1991) Interpreting neural-network connection weights. AI Expert, Vol. 6, No. 7, pp. 47-51.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.