[논문]토사터널의 쉴드 TBM 데이터 시계열 분석을 통한 막장 전방 예측 연구

정지희; 김병규; 정희영; 김해만; 이인모

doi:10.9711/ktaj.2019.21.2.227

토사터널의 쉴드 TBM 데이터 시계열 분석을 통한 막장 전방 예측 연구
A ground condition prediction ahead of tunnel face utilizing time series analysis of shield TBM data in soil tunnel 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.21 no.2, 2019년, pp.227 - 242

정지희 (고려대학교 건축사회환경공학부) , 김병규 (고려대학교 건축사회환경공학부) , 정희영 (고려대학교 건축사회환경공학부) , 김해만 (고려대학교 건축사회환경공학부) , 이인모 (고려대학교 건축사회환경공학부)

초록
AI-Helper

토압식(Earth Pressure-Balanced, EPB) 쉴드 TBM 기계데이터 분석을 통해 토사터널의 특징이 반영된 막장 전방 예측 방법을 제안하였다. 기존에 암반과 토사가 혼합된 복합 지반의 예측에 적용하였던 시계열 분석 모델을 토사터널에 적용가능하도록 수정하였다. 또한 수정된 모델을 사용하여, 토사 종류에 따라 쏘일 컨디셔닝 재료를 선택하는 것이 타당한지 연구하였다. 이를 위해 Self-Organizing Map (SOM) 군집화(clustering) 분석을 수행하였다. 그 결과 무엇보다도 지반타입이 #200체 통과량 35% 기준으로 분류되어야 한다는 것을 확인하였다. 또한 TBM 기계데이터 분석을 통해 수정된 모델이 지반 타입을 예측하는데 사용될 수 있음을 확인하였다. 수정된 기준에 따라 지반 타입을 분류하고 시계열 분석을 수행하면, 10막장 전방 지반에 대해서 98%의 높은 예측 정확도를 보였으며, 이를 통해 수정된 방법의 우수성이 입증되었다. 특히 지반 타입 변화 구간에 대한 예측 정확도도 약 93%로, 10막장 전방에서 지반 타입 변화 여부를 미리 확인할 수 있게 되었다.

Abstract ▼ AI-Helper

This paper presents a method to predict ground types ahead of a tunnel face utilizing operational data of the earth pressure-balanced (EPB) shield tunnel boring machine (TBM) when running through soil ground. The time series analysis model which was applicable to predict the mixed ground composed of soils and rocks was modified to be applicable to soil tunnels. Using the modified model, the feasibility on the choice of the soil conditioning materials dependent upon soil types was studied. To do this, a self-organizing map (SOM) clustering was performed. Firstly, it was confirmed that the ground types should be classified based on the percentage of 35% passing through the #200 sieve. Then, the possibility of predicting the ground types by employing the modified model, in which the TBM operational data were analyzed, was studied. The efficacy of the modified model is demonstrated by its 98% accuracy in predicting ground types ten rings ahead of the tunnel face. Especially, the average prediction accuracy was approximately 93% in areas where ground type variations occur.

주제어

표/그림 (21)

그림 Fig. 1. Example of deep neural networks
그림 Fig. 2. A time-delay neural network for one-dimensional input/output signals (Hassoun, 1995)
그림 Fig. 3. A result of the SOM clustering
표 Table 1. Conditions at a job site
그림 Fig. 4. The profile of machine data groups
그림 Fig. 5. Comparison between the soil conditioning materials and the machine data
그림 Fig. 6. The distribution of the percentage passing through the #200 sieve along the entire route
그림 Fig. 7. Comparison between the soil conditioning materials and the ground types
표 Table 2. Properties of soils
그림 Fig. 8. Comparison between the soil conditioning materials and the normalized machine data
표 Table 3. Classification of ground types
그림 Fig. 9. Flow chart to run the developed time delay neural network (TDNN) engine (Jung at al., 2018)
그림 Fig. 10. The location of sections at job site
표 Table 4. Analysis cases
표 Table 5. TDNN learning method and final model selection criteria (Jung at al., 2018)
표 Table 6. The results of ANN engine
표 Table 7. The results of analysis cases
표 Table 8. Decision criteria for ground type classification in the TDNN model (modified from Jung et al. (2018))
표 Table 9. Comparison of predicted and actual ground types
표 Table 10. Comparison of average prediction accuracy
표 Table 11. Soil conditioning materials according to predicted ground types

AI 본문요약
AI-Helper

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

문제 정의

(2018)의 방법은 암반과 토사가 혼합된 복합 지반에 적합하게 제시된 방법이므로, 토사터널에 대한 적용이 불가능하다는 단점이 있었다. 따라서 본 연구에서는 Jung et al. (2018)의 방법을 수정하여, 토사터널에서도 10막장 전방의 지반 타입을 예측할 수 있는 분석 방법을 제안하였다.
본 절에서는 해석 케이스로 선정된 20개의 케이스에 대하여 시계열 분석을 수행한 결과를 자세히 기술하였다. 분석 결과는 ANN Engine에 적용한 결과와 TDNN model에 적용한 결과를 분리하여 단계별로 나타냈다.

제안 방법

본 연구의 기반이 되는 지반 분류법은 선행 연구인 Jung et al.(2018)의 방법을 수정하여 적용하였다. Jung et al.
4.1절에서 ANN Engine을 통해 획득한 1막장 전방 지반 타입과 해당 현장의 기계데이터를 TDNN model의 학습 데이터로 사용하여 10막장 전방의 지반 타입을 예측하였다. 이때 10막장 전방의 기계데이터는 Table 5에 표시된 ARIMA model을 적용하여 획득하였다.
6의 결과를 첨가제 주입량 그래프와 비교했을 때, #200체 통과량이 35% 이상인 구간에서 대부분 첨가제의 주입량이 평균 보다 큰 것을 확인할 수 있었다. 따라서 #200체 통과량이 35% 미만 인 경우에 지반 타입을 3으로,35% 이상 인 경우를 지반 타입 2로 분류하여 첨가제 주입량그래프와 비교하였으며, 이는 Fig. 7과 같다. 이때 지반 타입 1은 Jung et al.
일반적으로 첨가제의 종류 및 주입량은 토사의 조 ‧ 세립질 여부에 따라 달라지게 된다. 따라서 첨가제 종류 및 주입량변화와 토사의 조 ‧ 세립질 여부가 밀접한 관계가 있다고 판단하였으며, 이를 토대로 토사의 조 ‧ 세립질 구분의 척도라고 할 수 있는 #200체 통과량을 구해 첨가제 주입량그래프와 비교하였다.
기본적으로 쏘일 컨디셔닝은 주어진 지반 조건에 따라 첨가제를 선택하여 적용하는데, 지반 조건을 미리 예측할 수 있다면 적절한 첨가제를 미리 선택하고 준비할 수 있어, 토사터널 현장 관리 및 원활한 굴착에 매우 유용할 것으로 판단된다. 따라서 토사터널의 기계데이터 분석 시 첨가제 주입 특성을 함께 고려해 Jung et al. (2018)의 방법을 수정하였으며, 수정된 방법으로 예측된 지반 타입에 따라 적절한 첨가제를 선택할 수 있도록 제안하였다.
특히 그룹 4의 경우는 첨가제 주입량이 상대적으로 제일 큰 구간에 분포하는 것을 알 수 있다. 따라서 토사터널의 기계데이터 특성을 분석하기 위해 첨가제 주입량의 상대적 크기가 뚜렷하게 변화하는 구간을 중심으로 지반 특성을 분석하였다.
(2018)의 시계열 분석 방법을 토대로, 토사터널에 적용할 수 있는 수정된 방법을 제안하였으며, 이를 통해 10막장 전방의 지반 타입을 예측하였다. 또한 예측된 지반 타입에 따라 원활한 굴착이 가능하도록 알맞은 첨가제를 제안하였다. 이 과정을 통하여 도출한 결론은 다음과 같다.
이때 하나의 케이스는 해당 위치까지 굴착이 완료된 세그먼트 링의 기계데이터를 모두 포함하며, 세그먼트 링 번호 순서를 시간의 흐름으로 적용하여 시계열 분석을 수행하였다. 또한 한 구간에서 케이스의 증가는 세그먼트 링 5개의 증가를 의미하는 것으로, 세그먼트 링을 5개씩 증가시켜 굴착의 진행을 모사하였다.
본 연구에서는 선행 연구된 Jung et al. (2018)의 시계열 분석 방법을 토대로, 토사터널에 적용할 수 있는 수정된 방법을 제안하였으며, 이를 통해 10막장 전방의 지반 타입을 예측하였다. 또한 예측된 지반 타입에 따라 원활한 굴착이 가능하도록 알맞은 첨가제를 제안하였다.
, 2016)이다. 분석 순서는 정규화된 기계데이터를 ANN과 ARIMA model에 적용한 후, 이 결과를 TDNN model에 적용하여 최종적으로 10막장 전방의 지반 타입을 예측하는 순서로 진행되었다. 이때 사용된 모든model의 조건은 Jung et al.
7을 보면 #200체 통과량35%를 기준으로 지반 타입을 분류한 경우에, 첨가제 주입량이 평균 이상인 구간과 평균인 구간에 맞게 지반 타입이 분류된 것을 확인할 수 있다. 여기서 이 분류가 토사터널의 기계데이터 특징을 제대로 반영하는지 확인하기 위해서, 다시 한 번 군집화 분석을 수행하였다. 이때 사용된 기계데이터는 이전의 분석과는 다르게 정규화가 수행된 기계데이터이며, 정규화 방식은 Jung et al.
따라서 이 수치를 알맞은 지반 타입으로 변환해줄 일정한 기준이 필요하다. 이 기준은 Table 8과 같이 Jung et al. (2018)이 제안한 방법을 토사터널에 맞게 수정하여 적용하였다.
10과 Table 4에 나타냈다. 이때 하나의 케이스는 해당 위치까지 굴착이 완료된 세그먼트 링의 기계데이터를 모두 포함하며, 세그먼트 링 번호 순서를 시간의 흐름으로 적용하여 시계열 분석을 수행하였다. 또한 한 구간에서 케이스의 증가는 세그먼트 링 5개의 증가를 의미하는 것으로, 세그먼트 링을 5개씩 증가시켜 굴착의 진행을 모사하였다.
따라서 모델링의 최종 목적이 무엇이냐에 따라 적절한 학습 방법을 선택해야 한다(Kim, 2017). 이에 본 논문에서는 지도학습의 한 방법인 ANN과 비지도학습의 한 방법인 군집화(Clustering)를 사용하여 쉴드 TBM의 기계데이터를 분석하였다.

대상 데이터

본 연구에서 분석한 현장은 터널 통과 구간의 지반이 토사로만 이뤄진 현장으로, 쉴드 TBM 중 토사터널에 적합한 토압식 쉴드 TBM이 사용되었다. 또한 토사층의 경우는 퇴적층으로 점토, 실트, 모래 등이 혼재하여, 터널 막장면을 이루는 토사의 종류가 매우 다양하게 구성되어 있다.
분석 구간은 지반 타입이 변화하는 구간과 유지되는 구간의 대표 케이스를 선정하여 그 결과를 비교하였다. 특히 지반 타입 유지 구간의 경우, 같은 지반 타입임에도 불구하고 기계데이터의 변화가 다양한 구간을 포함하여 선정하였다. 이러한 기준에 의해 선정된 분석 케이스를 Fig.

데이터처리

(2018)의 분류 기준을 그대로 적용하는 것은 어렵다고 판단하였다. 따라서 토사로만 이뤄진 현장의 기계데이터 특성을 분석하기 위해 군집화 분석을 수행하였으며, 이때 사용한 프로그램은 Matlab R2016a 버전(Beale et al.,2016)이다.
본 절에서는 해석 케이스로 선정된 20개의 케이스에 대하여 시계열 분석을 수행한 결과를 자세히 기술하였다. 분석 결과는 ANN Engine에 적용한 결과와 TDNN model에 적용한 결과를 분리하여 단계별로 나타냈다.
이를 적용하기 위해서는 우선 터널 전 구간 중 분석을 수행할 케이스를 선정하여야 한다. 분석 구간은 지반 타입이 변화하는 구간과 유지되는 구간의 대표 케이스를 선정하여 그 결과를 비교하였다. 특히 지반 타입 유지 구간의 경우, 같은 지반 타입임에도 불구하고 기계데이터의 변화가 다양한 구간을 포함하여 선정하였다.

이론/모형

시계열 분석 방법에는 지수평활법, ARIMA (Autoregressive Integrated Moving Average) 모델, 선형 회귀분석, 비선형 회귀분석, 신경망 분석 등이 있다. 본 논문에서 적용한 Jung et al. (2018)의 방법은 단기예측에 적합한 ARIIMA (Box-Jenkins 방법) 모델과(Box and Jenkins, 1970) 시간지연신경망(Time Delay Neural Network,TDNN) 모델이 사용되었다.
Levenberg-Marquardt법은 경사하강법과 뉴턴법의 단점을 보완하고자 제안된 방법으로, 해로부터 멀리 떨어져 있을 때는 경사하강법, 해 근처에서는 뉴턴법을 적용하여, 두 방법에 비해 안정적이고 빠르게 수렴할 수 있다(Buduma and Locascio, 2017; Patterson, 1995; Taylor, 2017). 본 연구에서 적용한 Jung et al. (2018)의 ANN engine은 Levenberg-Marquardt법이 적용된 오차 역전파 알고리즘을 사용한 다층 신경망이다.
SOM은 경쟁, 협동, 적응의 세 단계로 학습이 이뤄지며, 학습이 상당히 빨라 실시간처리가 가능하다는 장점을 가진다(Han, 2009; Ripley, 1996). 본 연구에서는 토사터널의 지반 타입 분류를 위한 기초자료로써 기계데이터 특징을 분석할 때 SOM 군집화 방법이 사용되었다.
1절에서 ANN Engine을 통해 획득한 1막장 전방 지반 타입과 해당 현장의 기계데이터를 TDNN model의 학습 데이터로 사용하여 10막장 전방의 지반 타입을 예측하였다. 이때 10막장 전방의 기계데이터는 Table 5에 표시된 ARIMA model을 적용하여 획득하였다.
여기서 이 분류가 토사터널의 기계데이터 특징을 제대로 반영하는지 확인하기 위해서, 다시 한 번 군집화 분석을 수행하였다. 이때 사용된 기계데이터는 이전의 분석과는 다르게 정규화가 수행된 기계데이터이며, 정규화 방식은 Jung et al. (2018)이 제안한 방법을 사용하였다. 정규화 기계데이터를 군집화 분석한 결과를 세그먼트순서에 맞게 표시하면 Fig.
분석 순서는 정규화된 기계데이터를 ANN과 ARIMA model에 적용한 후, 이 결과를 TDNN model에 적용하여 최종적으로 10막장 전방의 지반 타입을 예측하는 순서로 진행되었다. 이때 사용된 모든model의 조건은 Jung et al. (2018)이 제안한 방법과 동일하게 적용하였다. 이 중 최종적인 결과인 막장 전방 지반 타입이 예측되는 TDNN model의 세부 조건이 Table 5에 표시되었다.
토사터널의 기계데이터를 분석하여 막장 전방을 예측하기 위해, Jung et al. (2018)이 제안한 시계열 분석 방법을 적용하였으며, 분석 순서는 Fig. 9와 같다. 이를 적용하기 위해서는 우선 터널 전 구간 중 분석을 수행할 케이스를 선정하여야 한다.

성능/효과

1. 토사터널의 지반 타입 구분에 #200체 통과량 35% 기준을 적용하면, 지반 타입별 기계데이터 특징과 첨가제 주입 특징이 일치하는 것을 확인할 수 있다.
2. 지반 타입을 #200체 통과량 기준으로 2가지로 분류할 경우, 복합 지반 기반 ANN engine에 적용할 수 있으며, 이때의 예측 정확도는 99%로 매우 높은 정확도를 보인다.
3.2절에 언급하였듯이, 토사터널에서 지반 타입은 #200체 통과량 35% 기준으로 분류하였으며, 이 기준이 토사터널의 기계데이터 특징과 첨가제 주입 특징 모두를 반영한다는 것을 확인하였다. 또한 시계열 분석 결과 최종적으로 98%의 높은 예측 정확도를 보였으므로, 예측되는 지반 타입에 맞는 첨가제를 추정하여 적용할 수 있을 것으로 판단하였다.
4. 지반 타입 변화 구간에 대한 예측 정확도는 약 93%로, 지반 변화 구간의 시작 위치가 1막장 정도 차이 나지만, 10막장 전방에서 지반 타입 변화 여부를 미리 확인할 수 있으므로 현장 관리가 매우 용이해진다.
2절에 언급하였듯이, 토사터널에서 지반 타입은 #200체 통과량 35% 기준으로 분류하였으며, 이 기준이 토사터널의 기계데이터 특징과 첨가제 주입 특징 모두를 반영한다는 것을 확인하였다. 또한 시계열 분석 결과 최종적으로 98%의 높은 예측 정확도를 보였으므로, 예측되는 지반 타입에 맞는 첨가제를 추정하여 적용할 수 있을 것으로 판단하였다. 따라서 Table 11과 같이 예측 지반 타입별 첨가제의 종류를 제시하였다.
하지만 지반 변화 구간의 경우, 변화 위치가 1막장 정도 차이 나더라도 10막장 전방에서 지반 타입 변화 여부를 확인할 수 있다는 것에 의의가 있기 때문에, 이 결과가 현장에서 매우 유용할 것으로 판단된다. 또한 케이스 선정 시 지반 유지 구간의 경우 다른 구간에 비해 기계데이터가 불안정한 구간을 선택했음에도 불구하고, Case 11의 경우를 제외하고는 모두 100%의 예측 정확도를 보이는 것을 알 수 있다. 따라서 Table 8에서 지반 타입 구분의 기준값으로 제시한 0.
다음으로 두번째 단계에서는 1막장 전방의 예측값을 기준으로 일정하게 증가 또는 감소하는지에 따라 지반 타입 변화 여부를 판별하게 된다. 만일 일정한 증감 없이 불규칙한 경향을 보이거나, 일정한 증감을 하더라도 기준치인 0.1 이상을 넘기지 않으면 지반 타입이 유지되는 것으로 보았다. 반대로 일정한 증가나 감소 경향을 보이면서 0.

후속연구

5. 예측되는 지반 타입에 따라 폼과 폴리머 등의 첨가제를 사전에 준비할 수 있으므로, 토사터널의 원활한 굴착을 위한 쏘일 컨디셔닝에 매우 유용하게 사용될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	토압식 쉴드 TBM 공법은 무엇인가?	토사터널은 일반적으로 토압식(Earth Pressure-Balanced, EPB) 쉴드 TBM이 사용되는데, 이 공법은 커터헤드 후면의 챔버(chamber)를 굴착한 토사 또는 버력으로 가득 채우고 챔버 내에서 압력을 가하여 막장의 안정성을 도모하는 공법이다(Lee, 2016). 최근에는 토사지반에 대한 토압식 쉴드 TBM 공법의 적용 범위를 확장시키기거나,효과적인 배합비 도출을 위해서 다양한 지반과 첨가제를 배합하는 쏘일 컨디셔닝 연구가 활발히 진행되고 있다(Kim et al.
	시계열 분석 방법에는 어떤 것들이 있는가?	시계열 분석 방법에는 지수평활법, ARIMA (Autoregressive Integrated Moving Average) 모델, 선형 회귀분석, 비선형 회귀분석, 신경망 분석 등이 있다. 본 논문에서 적용한 Jung et al.
	막장 전방 예측 방법의 장점은 무엇인가?	(2018)은 지질 리스크 요인의 발생 확률을 줄일 수 있는 막장 전방 예측 방법을 제시하였다. 이 방법은 인공신경망(Artificial Neural Network, ANN)과 시계열 분석(Time series analysis)을 활용하여 10막장 전방의 지반을 예측하는 것으로, 현장에서 실시간으로 막장 전방 관리가 가능하다는 장점이 있다. 또한 쉴드 TBM 기계데이터만 사용하므로 TBM 굴착 외에 추가적인 시험이나 측정이 필요 없다.

저자의 다른 논문 :

LOADING...

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