$\require{mediawiki-texvc}$

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.

심층 신경망을 이용한 TBM 데이터 기반의 굴착 지반 예측 연구
A TBM data-based ground prediction using deep neural network 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.23 no.1, 2021년, pp.13 - 24  

김태환 (SK건설 에코인프라솔루션 3팀) ,  곽노상 (SK C&C Data플랫폼그룹) ,  김택곤 (SK건설 에코인프라솔루션 3팀) ,  정사범 (SK C&C Data플랫폼그룹) ,  고태영 (강원대학교 에너지자원.산업공학부)

초록
AI-Helper 아이콘AI-Helper

암반 및 연약지반을 포함한 다양한 지반 조건에서 TBM (Tunnel Boring Machine) 터널링이 활용되고 있다. 굴착 성능을 높이기 위해서 지반 조건에 따라 최적으로 장비를 운영해야 하며, 이를 통해 공기단축을 통한 비용 절감 효과를 기대할 수 있다. 하지만 시추 조사를 통해 획득한 지반 정보는 시추공 사이 불확실성이 존재하므로, 실시간 최적 운전에 부족함이 있다. 본 연구에서는 지반의 불확실성 문제를 해결하고자 5초마다 기록된 TBM 데이터를 활용하여 굴착 지반 예측시스템을 구축하고자 한다. 싱가포르 현장에서 획득한 화강암의 풍화도를 고려하여 암반, 토사, 복합지반 세 가지로 지질로 재분류하였고, 실시간으로 도출되는 기계 데이터로 이를 예측하고자 한다. 현장에서 획득한 TBM 데이터에 대해 이상치 제거, 정규화, 특성 추출 등의 전처리 방법을 적용하였고, 지질을 분류하기 위해 6개의 은닉층을 가진 심층 신경망(Deep Neural Network, DNN)을 활용하였다. 10겹 교차검증을 통해 분류 시스템을 평가한 결과, 평균 75.4%의 정확도를 확인하였다(총 데이터 388,639개). 본 연구를 통해 지질 불확실성을 감소시키고, 지반 조건에 따른 실시간 최적 운전에 도움이 될 것으로 판단된다.

Abstract AI-Helper 아이콘AI-Helper

Tunnel boring machine (TBM) is widely used for tunnel excavation in hard rock and soft ground. In the perspective of TBM-based tunneling, one of the main challenges is to drive the machine optimally according to varying geological conditions, which could significantly lead to saving highly expensive...

주제어

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 은닉층의 개수와 이를 구성하는 노드의 개수가 많아질수록 학습시간이 많이 소요되므로 목적의 수준을 따져 결정하는 것이 중요하다. 본 연구에서는 TBM 기계 데이터를 입력층으로, 분류하고자 하는 지반 조건을 출력층으로 설정하여 DNN 모델을 만들고자 한다. 본 연구에서는 오픈소스 라이브러리인 텐서플로우(TensorFlow) 2.
  • 본 연구에서는 TBM 기계데이터를 활용하여 실시간 굴착 지반을 예측하는 심층 신경망 모델을 제안하였다. 굴착 지반을 예측하기 위해 심층 신경망의 분류 기법을 사용하였으며, 모델 구현 과정을 정립하였다.
  • 본 절에서는 TBM 기계 데이터를 분석하고, 이를 심층 신경망에 적용하여 모델을 구현하는 과정을 정립하고자 한다. 본 연구에서는 실시간 굴착 지반 평가가 목적이므로 5초마다 기록된 데이터를 활용하였다.
  • 본 절에서는 구현한 심층 신경망 모델에 대해 검증한 내용에 대해 기술하였다. 분석 결과로 10겹 교차 검증을 통한 정확도(Accuracy)와 클래스 별 정밀도(Precision) 및 재현율(Recall)에 대해 논의하였다.
  • 클래스 간 데이터의 수의 불균형이 존재할 때 정확도 뿐만 아니라 정밀도와 재현율도 고려해야한다. 추가로 심층 신경망의 최종 노드에서 출력되는 정보를 활용한 지질 분포 예측 결과에 대해 논의하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (12)

  1. Barton, N., Lien, R., Lunde, J. (1974), "Engineering classification of rock masses for the design of tunnel support", Rock Mechanics, Vol. 6, No. 4, pp. 189-236. 

  2. Bieniawski, Z.T. (1973), "Engineering classification of jointed rock masses", The Civil Engineer in South Africa, Vol. 15, No. 12, pp. 335-343. 

  3. British Standard Institution (1999), BS 5930: Soils for civil engineering purpose: classification, London. 

  4. Han, S.Y., Kwak, N.S., Oh, T., Lee, S.W. (2020), "Classification of pilots' mental states using a multimodal deep learning network", Biocybernetics and Biomedical Engineering, Vol. 40, No. 1, pp. 324-336. 

  5. Hong, C.H., Kim, J., Ryu, H.H., Cho, G.C. (2020), "Study on Q-value prediction ahead of tunnel excavation face using recurrent neural network", Journal of Korean Tunnelling and Underground Space Association, Vol. 22, No. 3, pp. 239-248. 

  6. Jung, J.H., Chung, H.Y., Kwon, Y.S., Lee, I.M. (2019), "An ANN to predict ground condition ahead of tunnel face using TBM operational data", KSCE Journal of Civil Engineering, Vol. 23, No. 7, pp. 3200-3206. 

  7. Kim, J.J., Ryu, H.H., Kim, K.Y., Hong, S.Y., Jung, J.H., Bae, D.S. (2020a), "Development of penetration rate model and optimum operational conditions of shield TBM for electricity transmission tunnels", Journal of Korean Tunnelling and Underground Space Association, Vol. 22, No. 6, pp. 623-641. 

  8. Kim, T.H., Ko, T.Y., Park, Y.S., Kim, T.K., Lee, D.H. (2020b), "Prediction of uniaxial compressive strength of rock using shield TBM machine data and machine learning technique", Tunnel and Underground Space, Vol. 30, No. 3, pp. 214-225. 

  9. Ko, T.Y., Pak, Y.T., Kim, T.K., Son, S.M. (2017), "Effect of rock abrasiveness on slurry shield tunneling", International Conference on Tunnel Boring Machines in Difficult Grounds (TBM DiGs), Wuhan, China, pp. 1-8. 

  10. Kwak, N.S., Muller, KR., Lee, S.W. (2017), "A convolutional neural network for steady state visual evoked potential classification under ambulatory environment", PloS one, Vol. 12, No. 2, e0172578. 

  11. Lee, H.L., Song, K.I., Cho, G.C. (2016), "Analysis on prediction models of TBM performance: a review", Journal of Korean Tunnelling and Underground Space Association, Vol. 18, No. 2, pp. 245-256. 

  12. Singapore Standard (2003), CP4:2003 Code practice for foundations, Singapore. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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