최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.30 no.3, 2020년, pp.214 - 225
김태환 (SK건설 Infra OM혁신 TF) , 고태영 (SK건설 Infra OM혁신 TF) , 박양수 (SK건설 Infra OM혁신 TF) , 김택곤 (SK건설 TBM팀) , 이대혁 (SK건설)
Uniaxial compressive strength (UCS) of rock is one of the important factors to determine the advance speed during shield TBM tunnel excavation. UCS can be obtained through the Geotechnical Data Report (GDR), and it is difficult to measure UCS for all tunneling alignment. Therefore, the purpose of th...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
앙상블 학습에서 부스팅의 특징은 무엇인가? | 부스팅은 여러 개의 예측기가 순차적으로 학습을 수행하되, 앞에서 학습한 예측기가 예측이 틀린 데이터에 대해서는 올바르게 예측할 수 있도록 다음 예측기에게는 가중치(weight)를 부여하면서 학습과 예측을 진행하는 것이다. 예측 성능이 뛰어나 앙상블 학습을 주도하고 있으며 대표적으로 GBM(Gradient Boosting Machine), XGBoost(eXtra Gradient Boosting), LightGBM(Light Gradient Boosting Machine)이 있다. 스태킹은 여러 가지 다른 서브 모델(Sub model)의 예측 결과값을 다시 학습 데이터로 만들어서 다른 모델인 메타 모델(Meta model)로 재학습시켜 결과를 예측하는 방법으로 앙상블 모델에서도 단일 모델보다 예측 성능이 좋다고 알려져 있다. | |
앙상블 학습이란 무엇인가? | 앙상블 학습은 여러 예측기를 생성하고 그 예측을 결합함으로써 보다 정확한 최종 예측을 도출하는 기법이다. 앙상블 학습의 유형은 보팅(Voting), 배깅(Bagging), 부스팅(Boosting)의 세 가지로 나눌 수 있으며, 이외에도 스태킹(Stacking)을 포함한 다양한 앙상블 학습 방법이 있다. | |
쉴드 TBM의 굴진성능의 특징은 무엇인가? | 한편, 쉴드 TBM의 굴진성능은 TBM 장비의 성능, 운전자(Operator)의 숙련도, 현장 관리 체계, 필요 자재 적시 공급, 유지관리 등에도 영향을 받지만, 무엇보다 굴착 암반의 상태와 같은 지반조건에 큰 영향을 받는다. Lee et al. |
Barton, N.R., 1999, TBM Performance Estimation in Rock using Q (TBM), Tunnels and Tunnelling International, 31(9), 30-34.
Bruland, A., 1998, Hard Rock Tunnel Boring Vol. 3 - Advance Rate and Cutter Wear, Ph.D. Thesis, Norwegian University of Science and Technology (NTNU), Trondheim, Norway.
Bieniawski, Z.T., Celada, B., Galera J.M., and Alvares M., 2006, Rock Mass Excavability (RME) Index: A New Way to Select the Optimum Tunnel Construction Method. In Proceedings of the ITA World Tunnelling Congress, Seoul, PITA02-254.
Cortes, C. and Vapnik, V., 1995, Support Vector Networks, Machine Learning, 20, 273-297.
Gehring, K. 1995. Prognosis of Advance Rates and Wear for Underground Mechanized Excavations, Felsbau, 13(6), 439-448 (in German).
Hamidi, J.K. and Bejari, H., 2013, Rock Mass Classification Systems: Are They Applicable to Prediction of TBM Performance?, Conference: 3rd International Symposium and Exhibition on Underground Excavations for Transportation, Istanbul, Turkey.
Macias, F.j., 2016, Hard Rock Tunnel Boring: Performance Predictions and Cutter Life Assessments, Ph.D. Thesis, Norwegian University of Science and Technology (NTNU), Trondheim, Norway.
Rostami, J., 1997, Development of a Force Estimation Model for Rock Fragmentation with Disc Cutters through Theoretical Modeling and Physical Measurement of Crushed Zone Pressure, Ph.D. Thesis, Colorado School of Mines, Golden, Colorado, USA.
Rostami, J. and Ozdemir L., 1993, A New Model for Performance Prediction of Hard Rock TBMs, In Proceedings of Rapid Excavation and Tunneling Conference, Boston, 50, 793-809.
Vapnik, V., Golowich, S., and Smola, A., 1996, Support Method for Function Approximation Regression Estimation and Signal Processing, In Proceedings of the 9th International Conference on Neural Information Processing Systems (NIPS' 96), Cambridge, 281-287.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.