$\require{mediawiki-texvc}$

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.

머신러닝 기법과 TBM 시공정보를 활용한 토압식 쉴드TBM 굴진율 예측 연구
A Study on Prediction of EPB shield TBM Advance Rate using Machine Learning Technique and TBM Construction Information 원문보기

터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.30 no.6, 2020년, pp.540 - 550  

강태호 (한국건설기술연구원 지하공간안전연구센터) ,  최순욱 (한국건설기술연구원 지하공간안전연구센터) ,  이철호 (한국건설기술연구원 지하공간안전연구센터) ,  장수호 (한국건설기술연구원 건설산업진흥본부)

초록
AI-Helper 아이콘AI-Helper

최근 AI 기술의 발전과 정립으로 자동화 분야에서 머신러닝 기법의 활용이 활발하게 이루어지고 있다. 머신러닝 기법의 활용에 있어 중요한 점은 데이터 특성에 따라 적합한 알고리즘이 존재한다는 점이며, 머신러닝 기법 적용을 위한 데이터세트의 분석이 필요하다. 본 연구에서는 다양한 머신러닝 기법을 기반으로 하천 하부의 토사지반을 통과하는 토압식 쉴드TBM 터널 구간의 지반정보와 굴진정보를 사용하여 토압식 쉴드TBM의 굴진율을 예측하였다. 선형회귀모델에서 모델의 통계적인 유의성과 다중공선성에서는 문제가 없었으나 결정계수가 0.76으로 나타났고 앙상블 모델과 서포트 벡터 머신에서는 0.88이상의 예측성능을 보여, 분석한 데이터세트에서 토압식 쉴드TBM 굴진성능예측에 적합한 모델은 서포트 벡터 머신임을 알 수 있었다. 현재 도출된 결과로 볼 때, 토압식 쉴드TBM의 기계데이터와 지반정보가 포함된 데이터를 활용한 굴진성능 예측 모델의 적합성은 높다고 판단된다. 추가적으로 지반조건의 다양성과 데이터양을 늘리는 연구가 필요한 것으로 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Machine learning has been actively used in the field of automation due to the development and establishment of AI technology. The important thing in utilizing machine learning is that appropriate algorithms exist depending on data characteristics, and it is needed to analysis the datasets for applyi...

주제어

#토압식 쉴드TBM   #머신러닝   #알고리즘   #지반정보   #기계데이터  

표/그림 (9)

참고문헌 (14)

  1. Armaghani, D.J., Mohamad, E.T., Narayanasamy, M.S., Narita, N., Yagiz, S., 2017, Development of hybrid intelligent models for predicting TBM penetration rate in hardrock condition, Tunn. Undergr. Space Technol. Vol. 63, pp. 29-43. 

    상세보기 crossref

  2. Breiman, L, Friedman, J, Stone, C.J, and Olshen, R.A., 1984, Classification and Regression Trees. CRC press. 

  3. Breiman, L., 1996, Bagging Predictors, Machine Learning, Vol. 24, No. 2, pp. 123-140. 10.1007/BF00058655. 

    상세보기 crossref

  4. Breiman, L., 2001, Random Forests, Machine Learning, Vol. 45, No. 1, pp. 5-32. 10.1023/A:1010933404324. 

    crossref

  5. Chin, J. H. J., 2020, In Pursuit of the Autonomous TBM, Tunneling Journal, February/March 2020, pp. 18-22. 

  6. Gholamnejad, J., Narges, T., 2010, Application of artificial neural networks to the prediction of tunnel boring machine penetration rate, Min. Sci. Technol. (China) Vol. 20, No.5, pp. 727-733. 

    상세보기 crossref

  7. Grima, M.A., Bruines, P.A., Verhoef, P.N.W., 2000, Modeling tunnel boring machine performance by neuro-fuzzy methods, Tunn. Undergr. Space Technol. Vol. 15, No.3, pp. 259-269. 

    상세보기 crossref

  8. Kim, T. H., Ko, T. Y., Park, Y. S., Kim, T. K., Lee, D. H., 2020, Prediction of Uniaxial Compressive Strength of Rock using Shield TBM Machine Data and Machine Learning Technique, TUNNEL & UNDERGROUND SPACE, Vol.30, No.3, pp. 214-225. 

    원문보기 상세보기 crossref

  9. Mahdevari, S., Shahriar, K., Yagiz, S., Shirazi, M.A., 2014, A support vector regression model for predicting tunnel boring machine penetration rates, Int. J. Rock Mech. Min., Vol. 74, pp. 214-229. 

  10. Mokhtari, S., Mooney, M.A., 2020, Predicting EPBM advance rate performance using support vector regression modeling, Tunn. Undergr. Space Technol. Vol.104, 103520. 

    상세보기 crossref

  11. Salimi, A., Rostami, J., Moormann, C., Delisio, A., 2016, Application of non-linear regression analysis and artificial intelligence algorithms for performance prediction of hard rock TBMs, Tunn. Undergr. Space Technol. Vol.58, pp. 236-246 

    상세보기 crossref

  12. Vapnik, V.N., 1995, The Nature of Statistical Learning Theory, Springer, New York, pp. 119-166. 

  13. Yagiz, S., Gokceoglu, C., Sezer, E., Iplikci, S., 2009, Application of two non-linear prediction tools to the estimation of tunnel boring machine performance, Eng. Appl.Artif. Intell. Vol.22 (4-5), pp. 808-814. 

    상세보기 crossref

  14. Yagiz, S., Karahan, H., 2011, Prediction of hard rock TBM penetration rate using particle swarm optimization, Int. J. Rock Mech. Min. Sci. Vol.48, No.3, pp. 427-433. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

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