[논문]의사결정나무 기반 회귀분석과 SVM 회귀분석을 이용한 커터 관입깊이에 따른 최적 커터간격 비 연구

이기준; 류희환; 권태혁

doi:10.9711/ktaj.2020.22.5.501

의사결정나무 기반 회귀분석과 SVM 회귀분석을 이용한 커터 관입깊이에 따른 최적 커터간격 비 연구
A study on the optimum cutter spacing ratio according to penetration depth using decision tree-based and SVM regressions 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.22 no.5, 2020년, pp.501 - 513

이기준 (한국과학기술원 건설및환경공학과) , 류희환 (한국전력연구원) , 권태혁 (한국과학기술원 건설및환경공학과)

초록
AI-Helper

TBM 터널굴착에서 실질적으로 지반을 굴착하는 역할을 하는 부분인 커터헤드 설계 시, 커터 관입깊이와 커터 간격을 달리하여 커터절삭 시험 시 최소 비에너지에서의 커터간격을 반영하고 있으나, 암반 조건에 따라서 동일한 커터 관입깊이에서의 최적 커터간격이 달라지기 때문에 최적 커터간격을 설정하는 연구가 활발히 진행되어야 한다. 이러한 비선형적인 커터 관입깊이와 커터 간격의 관계에서 커터 관입깊이에 따른 최적 커터간격을 예측하기 위해 머신러닝 기법인 의사결정나무 기반 랜덤 포레스트 회귀 모델과 SVM 회귀모델을 이용하여 커터 관입깊이에 따른 최적 커터 간격을 예측하였다. 랜덤 포레스트 분석기법은 SVM 분석기법보다 데이터 개수에 더 큰 영향을 받기 때문에 커터 관입깊이에 따른 최적 커터간격비의 예측에 SVM이 더 정확한 예측을 하였다. 데이터가 많이 축적되면 SVM 회귀모델이 보다 더 정확한 예측값으로 커터헤드 설계 시 커터간격을 설정하는데 효율적으로 사용될 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Cutter cutting tests for the cutter placement in the cutter head are being conducted through various studies. Although the cutter spacing at the minimum specific energy is mainly reflected in the cutter head design, since the optimum cutter spacing at the same cutter penetration depth varies depending on the rock conditions, studies on deciding the optimum cutter spacing should be actively conducted. The machine learning techniques such as the decision tree-based regression model and the SVM regression model were applied to predict the optimum cutter spacing ratio for the nonlinear relationship between cutter penetration depth and cutter spacing. Since the decision tree-based methods are greatly influenced by the number of data, SVM regression predicted optimum cutter spacing ratio according to the penetration depth more accurately and it is judged that the SVM regression will be effectively used to decide the cutter spacing when designing the cutter head if a large amount of data of the optimum cutter spacing ratio according to the penetration depth is accumulated.

주제어

표/그림 (8)

그림 Fig. 1. Concept graph to understand specific energy with ratio of cutter spacing to cutter penetration depth
그림 Fig. 2. Concept diagram of decision tree
그림 Fig. 3. Concept diagram of random forest
그림 Fig. 4. Concept of data classification by SVM
표 Table 1. Information for linear cutting machine (LCM) tests
표 Table 2. Optimum ratio of cutter spacing to penetration depth
그림 Fig. 5. Regression analysis results: (a) Linear (b) Decision tree, (c) Random forest, and (d) SVM regression models
그림 Fig. 6. Random forest and SVM regressions for predicted optimum S/P with penetration depth by training data: (a) Random forest regression, (b) SVM regression, (c) Relationship between measured optimum S/P ratio and predicted optimum S/P ratio by random forest regression model, and (d) Relationship between measured optimum S/P ratio and predicted optimum S/P ratio by SVM regression model

AI 본문요약
AI-Helper

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

제안 방법

(2018)의 16개의 선형절삭시험 결과, 그리고 Lee and Choi (2013)의 6개의 수치해석 결과 총 93개의 결과를 이용하였다. 각 연구에서의 최소비에너지를 구하고 최소비에너지에서의 커터간격과 커터관입 깊이의 비를 분석하였다. 각 연구에서 사용한 암의 조건은 Table 1과 같다.
동일한 커터 관입깊이어도 암반조건에 따라서 최소 비에너지가 발생되는 커터 간격이 달라질 수 있기 때문에 커터 관입깊이에 따른 최적 커터 간격을 선형회귀로 예측하기 어렵다. 따라서 여러 절삭시험 연구 결과들을 이용해서 머신러닝 기법 중 의사결정나무기반인 랜덤 포레스트와 서포트 벡터 머신을 이용한 회귀모델을 통해 관입 깊이에 따른 최적 커터간격비를 예측해보았다. 의사결정나무기반인 랜덤 포레스트와 서포트 벡터 머신은 대표적인 머신러닝 기법으로써, 두 가지 기법에 의한 결과 비교를 하는 많은 연구가 수행되어 왔다(Larios et al.
선형절삭 시험을 통해 커터 관입깊이(Penetration depth, P)를 고정시키고 커터 간격(Spacing, S)을 바꾸면서 찾은 최소 비에너지에서의 적정 커터 간격과 커터 관입깊이 의 비, S/P를 분석하였다(Table 2).

대상 데이터

(2011)의 17개의 선형절삭 시험 결과, Tan et al. (2018)의 16개의 선형절삭시험 결과, 그리고 Lee and Choi (2013)의 6개의 수치해석 결과 총 93개의 결과를 이용하였다. 각 연구에서의 최소비에너지를 구하고 최소비에너지에서의 커터간격과 커터관입 깊이의 비를 분석하였다.
하지만, 생성되는 의사결정나무수가 많을수록 분석에 필요한 공간이 더 늘어나게 되며 분석을 수행하는 장비의 더 높은 성능이 요구된다. 본 연구에서는 1,000개의 의사 결정나무를 생성하여 분석하였다. 의사결정나무와 마찬가지로 회귀분석을 위해 정보획득량의 불순도를 MSE를 사용하여 계산하였다.

데이터처리

불순도는 분류된 데이터에 잘못 분류된 데이터가 얼마나 섞여 있는지를 나타낸다. 본 연구에서 일반 분류와 달리 회귀분석을 수행하기 위해 평균 제곱 오차 Mean square error (MSE)로 불순도를 계산하였다.
, 2019). 본 연구에서는 두 개의 벡터 x_i, x_j 벡터를 매개로한 비선형 커널함수인 아래의 가우시안 방사 기저함수인 Radial basis function (RBF) 커널을 사용해서 SVM 회귀분석을 수행하였다.
본 연구에서는 1,000개의 의사 결정나무를 생성하여 분석하였다. 의사결정나무와 마찬가지로 회귀분석을 위해 정보획득량의 불순도를 MSE를 사용하여 계산하였다.

성능/효과

각각의 암반상태가 동일하지 않기 때문에 같은 관입깊이에서 최소 비에너지가 발생되는 커터 간격이 다르게 나타났다. 관입깊이가 클수록 최소비에너지가 발생되는 커터간격은 전체적으로 증가하는 경향성이 약하게 나타났다. 하지만, 관입깊이가 클수록 커터 관입깊이와 커터간격의 비는 전체적으로 감소하는 경향을 보였으며 이는 커터 관입깊이의 증가량보다 커터 간격의 증가량이 상대적으로 작기 때문이다(Fig.
, 2018). 따라서 데이터 개수가 증가함에 따라 랜덤 포레스트 회귀모델의 결정계수값이 의사결정나무 회귀모델의 결정계수보다 조금 더 증가할 것으로 예상된다. 랜덤 포레스트 회귀모델과 SVM 회귀모델에 대하여 전체 18개의 관입깊이와 최적 S/P 데이터 중, Jeong et al.
따라서 동일한 커터 관입깊이에서 최적 커터 간격이 현장조건에 따라 달라질 수 있기 때문에 선형 회귀분석으로 커터 관입깊이에 따른 최적 커터간격 비를 예측하기 어렵다. 머신러닝 기법 중 데이터 분류뿐만 아니라 회귀모델로도 사용가능한 의사결정나무기반의 회귀분석과 SVM회귀분석을 사용하여 새로운 커터관입깊이에 대한 최적 커터간격비를 예측할 수 있었다. 커터관입깊이에 따른 최적 커터간격비의 데이터 축적을 통해 위의 머신러닝 기법들을 사용할 경우, 더욱 정확한 커터관입깊이에 따른 최적 커터간격비를 예측할 수 있을 것으로 판단된다.
5). 의사결정나무와 랜덤 포레스트 휘귀분석 결과 결정계수가 0.67로 동일하게 나왔으나, 최적 S/P의 범위가 상대적으로 좁은 커터 관입깊이가 6 mm 보다 큰 경우에서 의사결정나무, 랜덤 포레스트, SVM 회귀모델의 MSE는 각각 0.15, 0.08, 0.01로서 랜덤 포레스트 회귀모델과 SVM 회귀모델이 의사결정나무 회귀모델보다 실제 측정값과 잘 맞는 것을 확인 할 수 있었다. 랜덤 포레스트는 의사결정나무를 기반으로 한 여러개의 의사결정나무의 예측결과에 대해 다수결에 따라 최종 예측값을 결정하기 때문에 의사결정나무 회귀모델보다 더욱 정확한 예측값을 도출해 낼 수 있다(Esmaily et al.
커터 관입깊이에 따른 최소비에너지가 발생되는 최적 커터간격의 데이터 18개에 대하여 커터 관입깊이를 입력변수로 한 회귀분석결과, 선형회귀의 결정계수 R² = 0.33보다 의사결정나무, 랜덤포레스트, SVM의 회귀모델 결정계수가 각각 0.67, 0.67, 0.61로 더 높게 나타났다(Fig. 5).

후속연구

커터관입깊이에 따른 최적 커터간격비의 데이터 축적을 통해 위의 머신러닝 기법들을 사용할 경우, 더욱 정확한 커터관입깊이에 따른 최적 커터간격비를 예측할 수 있을 것으로 판단된다. 또한, 동일 추력에서 암반의 조건에 따라 관입깊이가 달라 질 수 있지만 커터간격은 커터헤드를 교체하지 않는 이상 변경하기가 어려운 값이기 때문에 암반조건에서의 굴진성능을 고려한 전반적인 커터 관입깊이에 따른 커터헤드 설계 시, 커터간격을 설정하는데 SVM 회귀모델이 효율적으로 사용될 수 있을 것으로 판단된다. 뿐만 아니라, SVM 회귀모델은 특정한 커터간격으로 이미 제작된 커터헤드가 어떤 지반에서 효율적으로 사용될 수 있을지 역으로 사용될 수 있을 것으로 판단된다.
또한, 동일 추력에서 암반의 조건에 따라 관입깊이가 달라 질 수 있지만 커터간격은 커터헤드를 교체하지 않는 이상 변경하기가 어려운 값이기 때문에 암반조건에서의 굴진성능을 고려한 전반적인 커터 관입깊이에 따른 커터헤드 설계 시, 커터간격을 설정하는데 SVM 회귀모델이 효율적으로 사용될 수 있을 것으로 판단된다. 뿐만 아니라, SVM 회귀모델은 특정한 커터간격으로 이미 제작된 커터헤드가 어떤 지반에서 효율적으로 사용될 수 있을지 역으로 사용될 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	의사결정나무 학습법은 무슨 기법인가?	의사결정나무 학습법(Decision tree learning)은 데이터를 각 질문에 따라 차례차례 분류하는 기법이다(Fig. 2).
	랜덤 포레스트 알고리즘은 어떤 방식인가?	랜덤 포레스트(Random forest) 알고리즘은 주어진 데이터 세트에서 무작위로 n개의 데이터를 샘플링해서 여러 개의 의사결정나무를 만든 후 각각의 의사결정나무의 예측결과를 토대로 다수결에 의해 최종 예측을 결정하는 방식이다(Fig. 3).
	랜덤 포레스트에서 생성되는 의사결정나무수가 많을수록 무엇이 요구되는가?	랜덤 포레스트에서 생성되는 의사결정나무수가 많을수록 다수결에 의한 예측 결과의 품질이 높아지게 된다. 하지만, 생성되는 의사결정나무수가 많을수록 분석에 필요한 공간이 더 늘어나게 되며 분석을 수행하는 장비의 더 높은 성능이 요구된다. 본 연구에서는 1,000개의 의사 결정나무를 생성하여 분석하였다.

참고문헌 (32)

Acaroglu, O., Ozdemir, L., Asbury, B. (2008), "A fuzzy logic model to predict specific energy requirement for TBM performance prediction", Tunnelling and Underground Space Technology, Vol. 23, No. 5, pp. 600-608.

상세보기
Ali, J., Khan, R., Ahmad, N., Maqsood, I. (2012), "Random forests and decision trees", International Journal of Computer Science Issues (IJCSI), Vol. 9, No. 5, pp. 272-278.
Aroef, C., Rivan, Y., Rustam, Z. (2020), "Comparing random forest and support vector machines for breast cancer classification", Telkomnika, Vol. 18, No. 2, pp. 815-821.

상세보기
Bae, G.J., Chang, S.H., Park, Y.T., Choi, S.W., Lee, G.P., Kwon, J.Y., Han, K.T. (2014), "Manufacturing of an earth pressure balanced shield TBM cutterhead for a subsea discharge tunnel and its field performance analysis", Journal of Korean Tunnelling and Underground Space Association, Vol. 16, No. 2, pp. 161-172.

원문보기 상세보기
Bieniawski, R.Z.T., Celada, B., Tardaguila, I., Rodrigues, A. (2012), "Specific energy of excavation in detecting tunnelling conditions ahead of TBMs", Tunnels and Tunnelling International, February 1, pp. 65-68.
Chang, S.H., Choi, S.W., Bae, G.J., Jeon, S. (2006), "Performance prediction of TBM disc cutting on granitic rock by the linear cutting test", Tunnelling and Underground Space Technology, Vol. 21, No. 3, pp. 271-277.

상세보기
Cho, J.W., Jeon, S., Jeong, H.Y., Chang, S.H. (2013), "Evaluation of cutting efficiency during TBM disc cutter excavation within a Korean granitic rock using linear-cutting-machine testing and photogrammetric measurement", Tunnelling and Underground Space Technology, Vol. 35, pp. 37-54.

상세보기
Cho, J.W., Jeon, S., Yu, S.H., Chang, S.H. (2010), "Optimum spacing of TBM disc cutters: A numerical simulation using the three-dimensional dynamic fracturing method", Tunnelling and Underground Space Technology, Vol. 25, No. 3, pp. 230-244.

상세보기
Esmaily, H., Tayefi, M., Doosti, H., Ghayour-Mobarhan, M., Nezami, H., Amirabadizadeh, A. (2018), "A comparison between decision tree and random forest in determining the risk factors associated with type 2 diabetes", Journal of Research in Health Sciences, Vol. 18, No. 2, pp. 412-418.
Geng, Q., Wei, Z., Meng, H., Macias, F.J. (2016), "Mechanical performance of TBM cutterhead in mixed rock ground conditions", Tunnelling and Underground Space Technology, Vol. 57, pp. 76-84.

상세보기
Gertsch, R., Gertsch, L., Rostami, J. (2007), "Disc cutting tests in Colorado Red Granite: Implications for TBM performance prediction", International Journal of Rock Mechanics and Mining Sciences, Vol. 44, No. 2, pp. 238-246.

상세보기
Huo, J., Sun, W., Chen, J., Zhang, X. (2011), "Disc cutters plane layout design of the full-face rock tunnel boring machine (TBM) based on different layout patterns", Computers and Industrial Engineering, Vol. 61, No. 4, pp. 1209-1225.

상세보기
Jeong, H.Y., Jeon, S.W., Cho, J.W., Chang, S.H., Bae, G.J. (2011), "Assessment of cutting performance of a TBM disc cutter for anisotropic rock by linear cutting test", Tunnel and Underground Space, Vol. 21, No. 6, pp. 508-517.
Kim, S.H., Kim, J.T., Lim, C.H. (2012), "A study on the arrangement design of Shield-TBM cutter bit", Journal of the Korean Geotechnical Society, Vol. 28, No. 5, pp. 67-76.
La, Y.S., Kim, M.I., Kim, B. (2019), "Prediction of replacement period of shield TBM disc cutter using SVM", Journal of Korean Tunnelling and Underground Space Association, Vol. 21, No. 5, pp. 641-656.
Larios, N., Soran, B., Shapiro, L.G., Martinez-Munoz, G., Lin, J., Dietterich, T.G. (2010), "Haar random forest features and SVM spatial matching kernel for stonefly species identification", Proceedings of the 2010 20th International Conference on Pattern Recognition, IEEE, Istanbul, pp. 2624-2627.
Lee, G.J., Kwon, T.H., Kim, K.Y., Song, K.I. (2017), "Relationship between brittleness index of hard rocks and TBM penetration rates", Journal of Korean Tunnelling and Underground Space Association, Vol. 19, No. 4, pp. 611-634.
Lee, S.J., Choi, S.O. (2013), "Three dimensional numerical analysis on rock cutting behavior of disc cutter using particle flow code", Tunnel and Underground Space, Vol. 23, No. 1, pp. 54-65.

원문보기 상세보기
Ma, H., Gong, Q., Wang, J., Yin, L., Zhao, X. (2016), "Study on the influence of confining stress on TBM performance in granite rock by linear cutting test", Tunnelling and Underground Space Technology, Vol. 57, pp. 145-150.

상세보기
Murugan, A., Nair, S.A.H., Sanal Kumar, K.P. (2019), "Detection of skin cancer using SVM, Random Forest and kNN classifiers", Journal of Medical Systems, Vol. 43, No. 8, pp. 269-277.

상세보기
Naghibi, S.A., Ahmadi, K., Daneshi, A. (2017), "Application of support vector machine, random forest, and genetic algorithm optimized random forest models in groundwater potential mapping", Water Resources Management, Vol. 31, No. 9, pp. 2761-2775.

상세보기
Pan, Y., Liu, Q., Peng, X., Kong, X., Liu, J., Zhang, X. (2018), "Full-scale rotary cutting test to study the influence of disc cutter installment radius on rock cutting forces", Rock Mechanics and Rock Engineering, Vol. 51, No. 7, pp. 2223-2236.

상세보기
Peng, X., Liu, Q., Pan, Y., Lei, G., Wei, L., Luo, C. (2018), "Study on the influence of different control modes on TBM disc cutter performance by rotary cutting tests", Rock Mechanics and Rock Engineering, Vol. 51, No. 3, pp. 961-967.

상세보기
QYResearch (2013), Deep research report on global and China tunnel boring machine industry.
Raczko, E., Zagajewski, B. (2017), "Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images", European Journal of Remote Sensing, Vol. 50, No. 1, pp. 144-154.

상세보기
Rostami, J., Chang, S.H. (2017), "A closer look at the design of cutterheads for hard rock tunnel-boring machines", Engineering, Vol. 3, No. 6, pp. 892-904.

상세보기
Rostami, J., Ozdemir, L. (1993), "A new model for performance prediction of hard rock TBMs", Proceedings of the Rapid Excavation and Tunneling Conference, Boston, pp. 793-809.
Tan, Q., Yi, L., Xia, Y.M. (2018), "Performance prediction of TBM disc cutting on marble rock under different load cases", KSCE Journal of Civil Engineering, Vol. 22, No. 4, pp. 1466-1472.

상세보기
Tao, Y., Yu, H., Yang, W.L., Xi, H.B., Wang, J.B. (2017), "Cutter layout design for tunnel boring machine (TBM) using fuzzy collaborative optimization model", Proceedings of the 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), IEEE, pp. 1315-1320.
Teale, R. (1965), "The concept of specific energy in rock drilling", International Journal of Rock Mechanics and Mining Sciences and Geomechanics Abstracts, Vol. 2, No. 1, pp. 57-73.

상세보기
Thanh Noi, P., Kappas, M. (2018), "Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery", Sensors, Vol. 18, No. 1, pp. 18-37.

상세보기
Xia, Y.M., Ouyang, T., Zhang, X.M., Luo, D.Z. (2012), "Mechanical model of breaking rock and force characteristic of disc cutter", Journal of Central South University, Vol. 19, No. 7, pp. 1846-1852.

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