[논문]머신러닝 오픈소스 플랫폼을 활용한 쇄파 예측

이광호; 김탁겸; 김도삼

doi:10.9765/kscoe.2020.32.4.262

머신러닝 오픈소스 플랫폼을 활용한 쇄파 예측
Prediction of Wave Breaking Using Machine Learning Open Source Platform 원문보기

한국해안·해양공학회논문집 = Journal of Korean Society of Coastal and Ocean Engineers, v.32 no.4, 2020년, pp.262 - 272

이광호 (가톨릭관동대학교 토목공학과) , 김탁겸 (가톨릭관동대학교 대학원 에너지환경융합학과) , 김도삼 (한국해양대학교 건설공학과)

초록
AI-Helper

지금까지 연안에서 발생하는 쇄파에 대한 연구는 지속적으로 수행되었으며, 그에 따른 많은 실험자료가 축적되어 왔다. 또한, 다양한 실험자료로부터 공학적인 적용을 위한 쇄파 정보를 정량적으로 예측하기 위하여 회귀분석에 기반한 다양한 경험식이 제안되었다. 그러나 쇄파는 내재하고 있는 변동성이 있으므로 선형 회귀분석과 같은 선형적 통계접근 방법에는 한계가 있다. 본 연구에서는 쇄파파고 및 쇄파수심을 예측하기 위하여 기계학습 중 하나인 신경망을 사용하는 비선형 방법을 제안하였다. 신경망은 구글에서 배포하고 있는 머신러닝 오픈소스 플랫폼인 텐서플로(Tensorflow)를 이용하여 구축하였다. 신경망 모델은 수집된 실험자료를 무작위로 선택하여 학습하였으며, 학습에 이용하지 않은 자료를 사용하여 학습된 신경망을 평가하였다. 학습된 신경망에 의해 예측된 쇄파파고와 쇄파수심에 대한 예측결과는 기존의 경험식에 의한 계산결과에 비해 높은 예측성능을 보였으며, 이는 충분히 학습된 신경망은 쇄파파고 및 수심을 예측하기 위한 유용한 도구로 사용될 수 있음을 보여준다.

Abstract ▼ AI-Helper

A large number of studies on wave breaking have been carried out, and many experimental data have been documented. Moreover, on the basis of various experimental data set, many empirical or semi-empirical formulas based primarily on regression analysis have been proposed to quantitatively estimate wave breaking for engineering applications. However, wave breaking has an inherent variability, which imply that a linear statistical approach such as linear regression analysis might be inadequate. This study presents an alternative nonlinear method using an neural network, one of the machine learning methods, to estimate breaking wave height and breaking depth. The neural network is modeled using Tensorflow, a machine learning open source platform distributed by Google. The neural network is trained by randomly selecting the collected experimental data, and the trained neural network is evaluated using data not used for learning process. The results for wave breaking height and depth predicted by fully trained neural network are more accurate than those obtained by existing empirical formulas. These results show that neural network is an useful tool for the prediction of wave breaking.

주제어

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 머신러닝을 위해 구글이 개발하고 배포한 오픈소스 플랫폼인 텐서플로(Tensorflow, https://www.tensorflow.org)를 이용하여 천수변형에 의해 경사면에서 발생하는 쇄파지표 예측을 위한 인공신경망 모형을 구축하고 그 적용성을 평가하였다. 쇄파지표 예측을 위해 구축된 모형의 학습(training)과 예측(prediction)에 적용된 입력자료는 불투과 및 모래로 구성된 사면에서 수행된 780개의 기존 수리모형실험결과를 이용하였다.

제안 방법

본 연구에서는 딥러닝 오픈소스 플랫폼인 텐서플로를 이용하여 낮은 계산비용으로 연안에서 발생하는 쇄파파고 및 쇄파수심 예측을 위한 NN을 구축하였다. 구축된 NN 모델의 학습과 예측을 위하여 기존에 발표된 쇄파 관련 실험자료를 수집하였으며, 획득한 실험자료의 70%를 이용하여 모델의 학습을 수행한 후에 나머지 30%에 대한 자료를 이용하여 학습된 NN의 재현성을 평가하였다. 학습된 NN의 쇄파지표 및 쇄파수심에 대한 예측결과의 결정계수는 각각 0.
NN을 구성함에 있어서 은닉층의 수와 노드의 수를 결정하는 것은 NN의 성능 및 학습과정의 시간비용과 관계되므로 사용자가 경험적으로 직접 조정되어야 하는 하이퍼 파라메터(hyper parameter) 이다. 본 연구에서는 기존의 연구들로부터 수집한 실험자료를 이용하고 있으므로 훈련 자료가 제한적임을 고려하여 2개 이하의 은닉층을 갖는 소규모 NN을 구축하였다.

대상 데이터

본 연구에서 이용한 실험결과에 대한 범위를 Table 1에 보인다. 기존 연구로부터 총 780개의 실험결과를 획득하였으며 사면 경사는 0.01~0.1의 범위를 갖는다. 단, Xie et al.
org)를 이용하여 천수변형에 의해 경사면에서 발생하는 쇄파지표 예측을 위한 인공신경망 모형을 구축하고 그 적용성을 평가하였다. 쇄파지표 예측을 위해 구축된 모형의 학습(training)과 예측(prediction)에 적용된 입력자료는 불투과 및 모래로 구성된 사면에서 수행된 780개의 기존 수리모형실험결과를 이용하였다.

데이터처리

Fig, 10은 Fig. 9와 유사하게 NN 모델에 따른 쇄파수심의 예측결과를 Xie et al.(2010) 및 Rattanapitikon and Shibayama(2006)에 의한 경험식의 계산결과와 비교한 것이다. NN 모델의 은닉층과 노드 개수는 Fig.
Fig. 9는 NN에 의한 쇄파파고의 예측결과와 경험식에 의한 계산결과를 비교한 것이다. NN 모델은 2개의 은닉층과 은닉층의 노드 개수는 Fig.

이론/모형

본 연구에서는 이상에서 언급한 다양한 머신러닝의 알고리즘 중에서 신경망(neural network, 이하 NN)을 적용하였다. 한편 최근 들어 등장하기 시작한 딥러닝(deep learning)은 NN 알고리즘을 사용하는 것으로서 기존의 NN 알고리즘의 단점으로 지적된 과대적합(overfitting)을 개선하기 위한 Hinton et al.
는 각각 NN의 예측값과 목표값(실험결과)이며, n은 전체 자료의 수이다. 식(12)의 손실함수 최적화에는 가중치에 대한 손실함수 기울기 ∂E/∂w가 최소가 되도록 조정하는 경사하강법(Gradient descent method)을 개량한 RMSprop(Tieleman and Hinton, 2012)를 적용하였다. RMSprop는 지수 이동평균 이용하는 방법으로 식(16)으로 표현된다.
이상의 학습과정을 통해 훈련 자료(Training data)로부터 학습된 NN은 새로운 입력값에 대해서도 예측 가능한 모델의 일반화를 기대할 수 있지만, 학습이 과다하게 수행될 경우 훈련된 자료 이외의 입력값에 대해서는 정확도가 낮은 과대적합(overfitting) 문제가 발생할 수 있다. 텐서플로에서는 이러한 문제점을 해결하기 위한 다양한 최적화(optimization)기법 및 규제화(regularization), 가중치 감쇠(weight decay), 드롭 아웃(drop-out), 조기종료(early-stopping) 등의 기법을 제공하고 있으며, 본 연구에서는 손실함수를 이용한 조기종료 기법을 적용하였다.

성능/효과

82로 기존 경험식에 비해 높은 예측성능을 보였다. 특히, 쇄파수심의 경우에 기존의 경험식에 비해 예측성능이 크게 향상됨을 확인할 수 있었다.
구축된 NN 모델의 학습과 예측을 위하여 기존에 발표된 쇄파 관련 실험자료를 수집하였으며, 획득한 실험자료의 70%를 이용하여 모델의 학습을 수행한 후에 나머지 30%에 대한 자료를 이용하여 학습된 NN의 재현성을 평가하였다. 학습된 NN의 쇄파지표 및 쇄파수심에 대한 예측결과의 결정계수는 각각 0.9와 0.82로 기존 경험식에 비해 높은 예측성능을 보였다. 특히, 쇄파수심의 경우에 기존의 경험식에 비해 예측성능이 크게 향상됨을 확인할 수 있었다.

후속연구

(2007)는 자갈로 구성된 해빈의 경우 사빈과 달리 경사면 투수층으로의 침투류(infiltration)와 유출류(exfiltration)가 경사면의 파랑변형에 영향을 미침을 지적하였으며, 이는 자갈로 구성된 경사면에서의 쇄파지표 예측을 위해 기존 경험식을 적용하는 것에는 한계가 있음을 시사한다. 향후 자갈과 같은 저질의 영향을 포함한 쇄파예측 신경망 구성이 요구되며, 신경망 이외에도 결정트리(decision tree) 및 서포트 벡터머신(support vector machines)과 같은 딥러닝 알고리즘의 적용성에 대한 추가적인 연구가 필요할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	머신러닝 기법 중 신경망이란 무엇이며 어떤 평가를 받고 있는가?	최근 들어 전통적으로 사용자가 직접 만든 자료의 처리규칙 대신에 컴퓨터가 입출력 자료로부터 통계적 구조를 찾아서 자동으로 규칙을 생산하는 인공지능의 한 분야인 블랙박스 형태의 머신러닝 시스템이 재조명을 받고 있다. 특히, 다양한 머신러닝 기법 중에서 신경망(Neural Network, 이하 NN)은 인공의 소자(노드)를 이용하여 생체의 뉴런의 특정한 기능의 작용방식을 추출하여 모의하는 공학적 모델로써 다양한 비선형성의 취급이 가능하다는 특징으로 인해 분야에 관계없이 광범위하게 이용되는 비선형 근사기법으로써 높은 평가를 받고 있다. 해안공학분야에 있어서도 NN 모형을 이용한 연구 예가 지속적으로 증가하고 있는 추세이다.
	쇄파현상이 해안공학에 있어서 매우 주요한 물리현상인 이유는?	천수변형에 의해 발생하는 쇄파현상은 해안구조물에 충격 파압과 같은 높은 외력을 발생시킬 뿐만 아니라 쇄파대에서 연안류를 촉진시킴과 동시에 종단표사의 주요한 외력으로도 작용하는 등 해안공학에 있어서 매우 주요한 물리현상 중의 하나이다. 특히, 쇄파 파고와 쇄파 수심은 해안구조물의 설계시에 매우 중요한 설계 인자임에도 불구하고 해저 경사면에서 발생하는 쇄파는 발생기구의 복잡성으로 인해 이론적으로 완벽하게 설명하기가 곤란하다.
	쇄파파고와 쇄파수심이 이론적으로 설명하기 어려운 이유는?	천수변형에 의해 발생하는 쇄파현상은 해안구조물에 충격 파압과 같은 높은 외력을 발생시킬 뿐만 아니라 쇄파대에서 연안류를 촉진시킴과 동시에 종단표사의 주요한 외력으로도 작용하는 등 해안공학에 있어서 매우 주요한 물리현상 중의 하나이다. 특히, 쇄파 파고와 쇄파 수심은 해안구조물의 설계시에 매우 중요한 설계 인자임에도 불구하고 해저 경사면에서 발생하는 쇄파는 발생기구의 복잡성으로 인해 이론적으로 완벽하게 설명하기가 곤란하다. 따라서, 쇄파파고와 쇄파수심을 예측하기 위해 많은 연구자들에 의해 수리모형실험이 수행되어 왔으며, 수리실험의 결과로부터 회귀적으로 정리된 경험식이나 산정도가 자주 활용되고 있다(Miche, 1944; Goda, 1970, 1973).

참고문헌 (28)

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G.S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Mane, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, P., Vanhoucke, V., Vasudevan, V., Viegas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y. and Zheng, X. (2015). Large-scale machine learning on heterogeneous distributed systems. Preliminary White Paper, Google Research.
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G.S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Mane, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, P., Vanhoucke, V., Vasudevan, V., Viegas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y. and Zheng, X. (2016). Tensorflow:Large-scale machine learning on heterogeneous distributed systems. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation, USENIX Association.
Deo, M.C. and Jagdale, S.S. (2003). Prediction of breaking waves with neural networks. Ocean Engineering, 30, 1163-1178.

상세보기
Goda, Y. (1970). A synthesis of breaker indices. Transactions of the Japan Society of Civil Engineers, 2(2), 39-40 (in Japanese).
Goda, Y. (1973). A new method of wave pressure calculation for the design of composite breakwaters. Report of the Port and Harbour Research Institute, 14(3), 59-106 (in Japanese).
Goda, Y. (2010). Reanalysis of regular and random breaking wave statistics. Coastal Engineering Journal, 52(1), 71-106.

상세보기
Hinton, G.E., Osindero, S. and Teh, Y. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18, 1527-1554.

상세보기
Kim, D.H., Kim, Y.J., Hur, D.S., Jeon, H.S. and Lee, C. (2010). Calculating expected damage of breakwater using artificial neural network for wave height calculation. Journal of Korean Society of Coastal and Ocean Engineers, 22(2), 126-132 (in Korean).
Kim, D.H. and Park, W.S. (2005). Neural network for design and reliability analysis of rubble mound breakwaters. Ocean Engineering, 32, 1332-1349.

상세보기
Kim, S.W. and Suh, K.D. (2011). Prediction of stability number for tetrapod armour block using artificial neural network and M5' model tree. Journal of Korean Society of Coastal and Ocean Engineers, 23(1), 109-117 (in Korean).

원문보기 상세보기
Komar, P.D. and Gaughan, M.K. (1972). Airy wave theory and breaker height prediction. Proceedings of 13th Conference on Coastal Engineering, Vancouver, Canada, 405-418.
Lara, J.L., Losada, I.J. and Liu, P.L.F. (2006). Breaking waves over mild gravel slope: Experimental and numerical analysis. Journal of Geophysical Research, 111, 1-26.
Le Mehaute, B. and Koh, R.C.Y. (1967). On the breaking of waves arriving at an angle to shore. Journal of Hydraulic Research, 5, 67-88.

상세보기
Le Roux, J.P. (2007). A simple method to determine breaking height and depth for different wave height/length ratios and floor slope. Coastal Engineering, 54, 271-277.

상세보기
Liu, Y., Niu, X. and Yu, X. (2011). A new predictive formula for inception of regular wave breaking. Coastal Engineering, 58, 877-889.

상세보기
Miche, R. (1944). Mouvements ondulatoires de la mer en profondeur constante ou decroissante. Annles de Ponts et Chaussees, 19, 370-406 (in French).
Michell, J.H. (1893). On the highest wave in water. Philosophical Magazine, Edinburgh, Series 5(36), 430-435.
Nakamura, M., Shiraishi, H. and Sasaki, Y. (1966). Study on wave breaking. Proceedings of 13th Japanese Conference on Coastal Engineering, JSCE, 71-75 (in Japanese).
Ostendorf, D.W. and Madsen, O.S. (1979). An analysis of longshore current and associated sediment transport in the surf zone. Report No. 241, Department of Civil Engineering, MIT, 1165-1178.
Sunamura, T. and Horikawa, K. (1974). Two-demensional beach transformation due to waves. Proceedings of 13th Conference on Coastal Engineering, Copenhagen, Denmark, 920-938.
Rattanapitikon, W. and Shibayama, T. (2000). Verification and modification of breaker height formulas. Coastal Engineering Journal, 42(4), 389-406.

상세보기
Rattanapitikon, W. and Shibayama, T. (2006). Braking wave formulas for breaking depth and orbital to phase velocity ratio. Coastal Engineering Journal, 48(4), 395-416.

상세보기
Rattanapitikon, W., Vivattanasirisak, T. and Shibayama, T. (2003). A proposal of new breaking height formula. Coastal Engineering Journal, 45(1), 28-48.
Smith, E.R. and Kraus, N.C. (1990). Laboratory study on macrofeatures of wave breaking over bars and artificial reefs. U.S. Army Corps of Engineers Technical Report CREC-90-12, WES, 232p.
Tieleman, T. and Hinton, G.E. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude, In Coursera: Neural Networks for Machine Learning.
Xie, W., Shibayama, T. and Esteban, M. (2019). A semi-empirical formula for calculating the breaking depth of plunging waves. Coastal Engineering Journal, 61(2), 199-209.

상세보기
Yagci, O., Mercan, D.E., Gigizoglu, H.K. and Kabdasli, M.S. (2005). Artificial intelligence methods in breakwater damage ratio estimation. Ocean Engineering, 32, 2088-2106.

상세보기
Yi, J.K., Ryu, K.H., Baek, W.D. and Jeong, W.M. (2017). Wave height and downtime event forecasting in harbour with complex topography using auto-regressive and artificial neural networks models. Journal of Korean Society of Coastal and Ocean Engineers, 29(4), 180-188 (in Korean).

원문보기 상세보기

저자의 다른 논문 :

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