$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 인공신경망 기법을 이용한 터널 붕괴 예측에 관한 기초 연구
A Basic Study on the Prediction of Collapse of Tunnels Using Artificial Neural Network 원문보기

韓國地盤工學會論文集 = Journal of the Korean geotechnical society, v.32 no.2, 2016년, pp.5 - 17  

김홍흠 (감사원) ,  임희대 (충남대학교 토목공학과)

초록
AI-Helper 아이콘AI-Helper

터널에서의 붕괴는 터널 구조물의 특수성 및 예상치 못한 지반조건의 변화로 인해 언제 어디서든 발생될 수 있다. 그로 인한 경제적인 손실과 인명피해를 줄이기 위하여 사고를 미연에 방지하기 위한 방안에 대한 다양한 연구들이 계속 진행되고 있는 실정이다. 본 연구에서는 붕괴예측을 위하여 국내 터널 붕괴 현장 56개소의 시공데이터를 분석하고 인공신경망 기법에 적용할 입력인자를 민감도 분석으로 선정하였다. 또한 인공신경망 모델 설계는 선정된 입력인자로 학습을 수행하고 터널 붕괴 유형 예측에 최적화된 모델을 결정하였다. 이 모델을 이용하여 붕괴가 발생된 총 12개소에 적용성 평가를 실시하여 터널 붕괴 유형 예측 가능성을 검증하였다. 이러한 결과는 터널 시공 현장에서 붕괴 예방을 위한 기초 자료로서 활용 될 수 있을 것이다.

Abstract AI-Helper 아이콘AI-Helper

Collapse of a tunnel can occur anytime, anywhere due to the special characteristics of tunnel structures and unexpected geological conditions during construction. Tunnel collapse will lead to economic losses and casualties. So various studies are continually being conducted to prevent economic losse...

Keyword

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 연구에서 개발하고자 하는 터널 붕괴 예측 시스템은 시공 현장에서 획득 가능한 지반 및 터널 정보(기하학적 특성과 지반조건, 불연속면조건, 지하수조건, 굴착 조건, 지보/보강수준 등)를 이용하여 인공신경망 기법(artificial neural network)을 통해 정량적인 터널 붕괴 유형을 예측하는 것이다. 이를 바탕으로 터널 붕괴 가능성을 예측할 수 있으므로 시공 현장에서 사전 보강 및 대책 수립으로 붕괴에 대한 피해관리가 가능할 것으로 판단된다.
  • 인공신경망은 인간이나 동물들이 가지고 있는 생물학적인 뇌의 신경 세포(neuron)를 모델화하여 인공적으로 지능을 만드는 것이다. 즉, 인간의 뇌에 존재하는 생물학적 신경세포와 이들의 연결 관계를 단순화시켜 수학적으로 모델링하여 인간의 두뇌가 나타내는 지능적 형태를 구현하는 것이다. 병렬 분산 정보처리 시스템인 인간의 두뇌를 수학적으로 모델링하여 만든 인공적인 두뇌를 공학이나 기타 여러 분야에 적용시키려고 하는 것이 인공 신경망의 연구 목적이며, 현재 여러 과학 분야에서 성공적으로 적용되고 있다(Kim, 2011).
  • 본 연구에서 인공 신경망 기법의 학습방법 중 하나인 오차 역전파(Error Back Propagation, EBP) 학습 알고리즘을 터널 붕괴 예측에 적용하여, 인공 신경망 기법이 터널붕괴의 합리적인 예측방법으로 적용될 수 있는지의 가능성을 검토하였다.
  • 본 연구에서 이용한 입력층의 노드 수는 총 5개(터널환산단면적, RQD/N치, 불연속면의 기하학적 특성, 지하수 유입량, 굴착성능)로 결정하였으며, 출력층은 붕괴유형(천장부 붕괴, 연약대 붕괴, 전막장 붕괴, 토피층 함몰)으로서 4개의 노드 수를 갖는다. 본 연구에서는 신뢰성 있는 신경망 모델을 개발하기 위해 다양한 은닉층의 수를 검토하였다. 또한 각 은닉층에서 최적의 노드 수를 결정하는 과정 중에서는 인공신경망이 여러 종류의 연결강도를 경험할 수 있도록 충분히 학습을 하는 것과 과잉훈련(over training)을 피하기 위하여 너무 적게 학습하는 것 사이에서 균형을 찾아내는 것이 중요하다.
  • 즉, 인공신경망에 주어진 자료를 바탕으로 처리요소들 간의 연결강도를 스스로 조정하는 과정을 학습이라고 한다. 학습의 목표는 설계한 모델의 비선형적인 문제에 대하여 최종 해답을 알아내는 것이다. 신경망에서 쓰이는 전이함수는 비선형적이며 대개 아날로그이다.
  • 본 연구에서는 두 조건의 전이함수를 이용하여 설계한 모델 적용에 더 적합한 전이 함수를 선택하고자 하였다. 인공신경망에 사용된 최적의 운영인자들의 결정은 Table 5와 같이 각각의 인자들을 변화시켜 학습시킨 후 시험(testing)을 통하여 얻어진 신경망의 예측값(desired data)과 결과값(output data)의 상관관계를 이용하여 최적의 해석 조건을 결정하였다.
  • 현장 적용성 검증은 인공신경망기법으로 설계된 모델의 터널 붕괴 예측 가능성과 현장 적용성 유무를 판단하기 위해 수행하였다. 적용성에 이용된 자료는 Korean Tunnelling Association(2010)에 수록된 총 12개소의 붕괴 현장에 대해 붕괴 유형별(천정부 붕괴, 연약대 붕괴, 전막장 붕괴, 토피층 함몰)로 3개소씩 선정하여 모델에 적용할 입력자료(단면적, RQD/N값, 불연속면의 기하학적 특성, 지하수 유입량, 굴착성능)와 출력자료(붕괴유형)를 데이터베이스화 하였다.
  • Table 8은 터널 붕괴 예측 모델 결과를 정리한 것으로 실제 현장 결과값(output data)과 예측값(desired data)이 모두 일치하는 것으로 나타났다. 그러므로 본 연구를 통해 터널 붕괴에 영향을 끼치는 인자들을 이용하여 인공신경망을 통한 터널 붕괴에 대한 예측 가능성을 확인하였다. 터널 붕괴는 단일 원인뿐만 아니라 복합적인 원인들에 의해 발생되며, 붕괴유형 역시 단일 유형에서 복합 유형으로 발생한다.
  • 터널 붕괴는 단일 원인뿐만 아니라 복합적인 원인들에 의해 발생되며, 붕괴유형 역시 단일 유형에서 복합 유형으로 발생한다. 본 연구에서 붕괴 유형의 백분율로 수치화된 값은 예측된 주요 붕괴 유형 및 추가 발생 가능한 붕괴유형 가능성을 시사해 주는 것으로 판단된다.
  • 본 연구에서는 기존의 터널 붕괴에 영향을 미치는 요소들을 다양하게 고려하여, 특별한 정의 없이 적용할 수 있는 방법인 인공신경망 기법을 적용하여 보다 효율적이고, 신뢰성 높은 터널 붕괴를 예측하는 방법을 제시하고자 하였다. 결론은 다음과 같다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
터널이 교량, 건축물들과 같은 일반적인 토목구조물들과는 다른 큰 차별성을 가지는 이유는 무엇인가? 터널은 자연적으로 생성된 지반 및 암반을 대상으로 하기 때문에 대상 재료의 불확실성과 불균질성, 불연속성, 구조적 복잡성 등 매우 다양한 특성을 가지므로 교량, 건축물들과 같은 일반적인 토목구조물들과는 다른 큰 차별성을 가진다. 터널시공이 이루어지는 대상이 이렇게 복잡한 특성을 갖기 때문에 그 특성을 명확히 판단하는 즉, 인간이 제조하는 재료와는 달리 지반 및 암반이 어떻게 거동할지를 예측하는데 있어서 터널 굴착 시 지반이나 암반에 대한 명확한 거동특성을 분석하는 것은 매우 어렵다고 할 수 있다.
국내 지질학적 특성으로 인한 국내의 터널의 특수성에 의해 어떤 피해가 발생하는가? 특히 과거 여러 차례 큰 지구조적인 지각운동과 변성작용을 겪은 국내 지질학적 특성으로 인해 터널공사는 단층대, 지층의 변화가 심한 연약대, 계곡부, 공동, 용출수 구간 등 취약구간에서 대규모 및 소규모의 붕괴사고가 발생하고 있다. 이와 같 은 터널의 특수성으로 인하여 시공 중 이나 시공 후 터널 붕괴의 발생으로 인해 막대한 경제적 손실 및 인명피해가 발생하고 있다. 터널의 붕괴에 대한 사례는 국외뿐만 아니라 국내에서도 계속적으로 보고되고 있는 실정이다(Anderson, 1997; Lee et al.
국내 터널공사가 단층대, 지층의 변화가 심한 연약대, 계곡부, 공동, 용출수 구간 등 취약구간에서 대규모 및 소규모의 붕괴사고가 발생하는 이유는 무엇인가? 터널시공이 이루어지는 대상이 이렇게 복잡한 특성을 갖기 때문에 그 특성을 명확히 판단하는 즉, 인간이 제조하는 재료와는 달리 지반 및 암반이 어떻게 거동할지를 예측하는데 있어서 터널 굴착 시 지반이나 암반에 대한 명확한 거동특성을 분석하는 것은 매우 어렵다고 할 수 있다. 특히 과거 여러 차례 큰 지구조적인 지각운동과 변성작용을 겪은 국내 지질학적 특성으로 인해 터널공사는 단층대, 지층의 변화가 심한 연약대, 계곡부, 공동, 용출수 구간 등 취약구간에서 대규모 및 소규모의 붕괴사고가 발생하고 있다. 이와 같 은 터널의 특수성으로 인하여 시공 중 이나 시공 후 터널 붕괴의 발생으로 인해 막대한 경제적 손실 및 인명피해가 발생하고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. Anderson, J. (1997), "HSE Report on NATM Safety", Tunnel & Tunnelling, March, pp.49-51. 

  2. Caudill, M. (1988), "Neural Networks Primer, Part III", AI EXPERT, 3(6), pp.53-59. 

  3. Hwang, M.G. (2004), "Application of Artificial Neural Networks to Soil Flushing Method", Master's thesis, University of Myongji, pp.1-24. 

  4. Jeong, Y.S. (2008), "Development of Tunnel Collapse Risk Index by Neural Network", Master's thesis, University of Hoseo, pp. 20-40. 

  5. Kim, J.K. (2011), "A Case Study on the Estimation of a Proper Tunnel Support Pattern Using Back Analysis based on Artificial Neural Network, Doctoral thesis, University of Suwon, pp.20-27. 

  6. Kim, Y.Y. (2011), "A Study on Quantified Management for Tunnel Construction Hazard based on KICT Tunnel Hazard Index (KTHIndex)", Master's thesis, University of Dongguk, pp.10-12. 

  7. Korean Institutue of Construction Technology (2009), "Development of Technologies for Minimizing and Prevention the Disaster on Tunnel Construction VI", report, KICT 2009-071, pp.43-64. 

  8. Korean Tunnelling Association (2010), "Case Histories of Tunnel Collapse", CIR, pp.93-263. 

  9. Lee, S.B. and Im, Y.D. (2002), "Fuzzy Neural Network Genetic Evolution", INSOL MEDIA, pp.107-144. 

  10. Lee, S.G., Kim, N.Y., and Jeon B.H. (2007), "A Study on the Collapse Pattern of Road Tunnel under Construction", The Journal of Engineering Geology, Vol.17, No.1, March, pp.115-123. 

  11. Nam, K.M. (2008), "A Study on the Estimation of the Blast Vibration Velocity in the Structure Using the Artificial Neural Network", Master's Thesis, Chungnam National University, pp.21-52. 

  12. Shin, H.S., Kwon, Y.C., Jung, Y.S, Bae, G.J., and Kim, Y.Y. (2009), "Methodology for Quantitative Hazard Assessment for Tunnel Collapses based on Case Histories in Korea", International Journal of Rock Mechanics and Mining Science, Vol.45, No.5, pp.1072-1087. 

저자의 다른 논문 :

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로