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.
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.
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...
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 costs by reducing the total operation time. Generally, drilling investigations are conducted to survey the geological ground before the TBM tunneling. However, it is difficult to provide the precise ground information over the whole tunnel path to operators because it acquires insufficient samples around the path sparsely and irregularly. To overcome this issue, in this study, we proposed a geological type classification system using the TBM operating data recorded in a 5 s sampling rate. We first categorized the various geological conditions (here, we limit to granite) as three geological types (i.e., rock, soil, and mixed type). Then, we applied the preprocessing methods including outlier rejection, normalization, and extracting input features, etc. We adopted a deep neural network (DNN), which has 6 hidden layers, to classify the geological types based on TBM operating data. We evaluated the classification system using the 10-fold cross-validation. Average classification accuracy presents the 75.4% (here, the total number of data were 388,639 samples). Our experimental results still need to improve accuracy but show that geology information classification technique based on TBM operating data could be utilized in the real environment to complement the sparse ground information.
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 costs by reducing the total operation time. Generally, drilling investigations are conducted to survey the geological ground before the TBM tunneling. However, it is difficult to provide the precise ground information over the whole tunnel path to operators because it acquires insufficient samples around the path sparsely and irregularly. To overcome this issue, in this study, we proposed a geological type classification system using the TBM operating data recorded in a 5 s sampling rate. We first categorized the various geological conditions (here, we limit to granite) as three geological types (i.e., rock, soil, and mixed type). Then, we applied the preprocessing methods including outlier rejection, normalization, and extracting input features, etc. We adopted a deep neural network (DNN), which has 6 hidden layers, to classify the geological types based on TBM operating data. We evaluated the classification system using the 10-fold cross-validation. Average classification accuracy presents the 75.4% (here, the total number of data were 388,639 samples). Our experimental results still need to improve accuracy but show that geology information classification technique based on TBM operating data could be utilized in the real environment to complement the sparse ground information.
* 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.
제안 방법
1.TBM에서 획득되는 2,000여 개의 데이터 항목에서 유의미한 데이터를 기계 학습에 활용하기 위해 통계분석기반의 정규성 및 유의차 검증을 통한 데이터 선별을 진행하였으며, 장비 임계값을 고려하여 이상치를 제거하는 과정을 포함하여, 5초마다 기록된 기계 데이터에 대해 전처리하는 과정을 정립하였다.
본 연구에서는 실시간 굴착 지반 평가가 목적이므로 5초마다 기록된 데이터를 활용하였다. TBM 정상 굴착 중에 생성된 데이터 만을 분석하였다. TBM에서 획득되는 2,000여 개의 데이터 항목에서 유의미한 데이터를 기계 학습에 활용하기 위해 통계분석 기반의 정규성 및 유의차 검증을 통한 데이터 선별을 진행하였다.
TBM 정상 굴착 중에 생성된 데이터 만을 분석하였다. TBM에서 획득되는 2,000여 개의 데이터 항목에서 유의미한 데이터를 기계 학습에 활용하기 위해 통계분석 기반의 정규성 및 유의차 검증을 통한 데이터 선별을 진행하였다. 정규성 검증에서는 클래스 내(Rock, Mixed, Soil) 정규분포를 만족하는 데이터 항목을 선별하였으며(p < 0.
굴착 지반을 예측하기 위해 심층 신경망의 분류 기법을 사용하였으며, 모델 구현 과정을 정립하였다. 또한 현장에서 얻어진 지반 조건과 개발한 모델로 예측한 지반 조건을 비교하여 검증하였다.
통해 시추공 사이를 보간한 데이터로 시추공 사이에 불확실성이 존재한다. 따라서 실효성 있는 모델을 개발하고자, 지질종단도 상에 표현되어 있는 각 세그먼트 링에 연속적으로 표현된 암반등급을 사용하지 않았으며, 시추조사를 통해 얻은 암반등급과 실제 굴착하면서 디스크 커터 교체(CutterHead Intervention, CHI) 시에 굴진 면 맵핑(Face mapping) 통해 얻어지는 암반등급을 모델의 출력값인 라벨(Label)로 사용하였다. 지질조사 보고서 (Geotechnical Data Report, GDR) 내 시추 정보 50개, CHI를 통해 119개로 총 1, 894개의 세그먼트 링 중에서 167개에 대한 정확한 암반등급을 라벨로 사용하였다.
굴착 지반을 예측하기 위해 심층 신경망의 분류 기법을 사용하였으며, 모델 구현 과정을 정립하였다. 또한 현장에서 얻어진 지반 조건과 개발한 모델로 예측한 지반 조건을 비교하여 검증하였다. 이 과정을 통해 도출한 결론 및 요약은 다음과 같다.
지질조사 보고서 (Geotechnical Data Report, GDR) 내 시추 정보 50개, CHI를 통해 119개로 총 1, 894개의 세그먼트 링 중에서 167개에 대한 정확한 암반등급을 라벨로 사용하였다. 또한, 본 연구에서는 굴착 시 생성 및 누적되는 TBM 기계 데이터만으로 현재 지반을 예측하는 것이 목적이므로, 입력층에는 지반 데이터가 포함되지 않고, 출력층에만 활용하였다.
본 연구에서 설계한 심층 신경망의 구조는 크게 입력 층, 은닉 층, 출력 층으로 구성된다. 입력 층의 노드는 100 개로 구성되어 특징 생성에서 생성된 입력 특징을 학습하도록 하였다.
본 연구에서는 지질 레이블을 암반등급에 따라 Rock, Mixed, Soil 세 가지로 구분하였다. Table 3은 학습에 활용된 데이터의 암반등급 조합에 따른 레이블 구성과 그 개수를 링 단위로 보여준다.
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. 이때 정확도는 모델이 분류한 전체 데이터에서 실제로 올바르게 분류한 것의 비율을 의미한다.
스케일이 다른 데이터 항목들을 상호 분석하고 기계학습을 적용하기 위해 정규화를 진행하였으며, 최대-최소정규화 기법을 적용하여 각 데이터의 범위를 0.001~1로 변환하였다. 심층 신경망의 학습 정확도 향상을 위해 선별된 10개의 데이터 중 2개씩 조합으로 선택한 후 비를 계산하여 추가 입력 특징(예: 첫 번째 추가 특징 = 첫 번째 주요 데이터 항목 / 두 번째 주요 데이터 항목)으로 사용하였다.
심층 신경망을 학습하기 위해 학습률(Learning rate)는 0.001로 하였으며, 과적합(overfitting) 현상을 방지하도록 Dropout 기법을 모든 은닉 층 다음에 0.5 비율로 적용하였다. 또한 손실 함수(Loss function)는 다중 클래스 분류에 사용되는 Sparse categorical cross-entropy를 사용하였다.
001~1로 변환하였다. 심층 신경망의 학습 정확도 향상을 위해 선별된 10개의 데이터 중 2개씩 조합으로 선택한 후 비를 계산하여 추가 입력 특징(예: 첫 번째 추가 특징 = 첫 번째 주요 데이터 항목 / 두 번째 주요 데이터 항목)으로 사용하였다. 이때 90개의 추가 특징이 생성되었으며, 총 100개의 입력 특징을 심층 신경망 학습에 활용하였다.
본 연구에서 설계한 심층 신경망의 구조는 크게 입력 층, 은닉 층, 출력 층으로 구성된다. 입력 층의 노드는 100 개로 구성되어 특징 생성에서 생성된 입력 특징을 학습하도록 하였다. 은닉 층은 총 6개로 구성되며 각 은닉 층은 2, 000, 1,000, 500, 250, 100, 50개의 노드로 구성된다.
검증 데이터는 학습 모니터링 및 학습 조기 종료(Early stopping) 에사용하였다. 초기 10회의 Epoch 이후 검증 데이터에 대한 loss 값이 개선되지 않으면 학습을 종료하도록 하였다. 심층 신경망 구조 및 학습 방법에 대한 요약은 Table 5와 같다.
대상 데이터
따라서 Fold 마다 레이블 구성 비율이 다를 수 있다. 배치는 500개씩 학습하도록 하였으며, 매 교차 검증 마다 학습데이터의 5%를 검증 데이터로 할당하였다. 검증 데이터는 학습 모니터링 및 학습 조기 종료(Early stopping) 에사용하였다.
TBM 기계데이터 추출 시에 사용자의 목적에 따라 Ring 평균 로그, 쉴드 잭 추진 일정 거리(20 mm) 로그, 5초마다 로그 등으로 사용자가 설정할 수 있으며 이는 TBM을 구성하고 있는 시스템에 따라 상이할 수 있다. 본 연구는 실시간 굴착 지반 평가가 목적이므로 5초마다 기록된 데이터를 활용하였으며, 전체 공정 중 저장된 데이터 샘플 수는 13, 681, 098개, 데이터 항목 수는 2,000여개로 구성되었다. 분석 시 TBM 굴착모드이면서 암반등급이 존재하는 세그먼트 링에 대한 데이터만 모델의 입력값으로 사용하였다.
본 연구에서 사용한 슬러리 쉴드 TBM 데이터는 Kim et al. (2020b)이 수집한 현장 데이터와 동일하며, 굴착 구간은 싱가포르 면적의 1/3을 차지하는 Bukit Timah Granite로 구성되어 있다. 사용된 쉴드 TBM 제원 및 세그먼트 정보는 Table 2와 같다.
본 연구에서는 실시간 굴착 지반 평가가 목적이므로 5초마다 기록된 데이터를 활용하였다. TBM 정상 굴착 중에 생성된 데이터 만을 분석하였다.
원본 기계 데이터(13, 681, 098개의 데이터 샘플, 2,000여개의 데이터 항목)에서 통계 기법을 통한 데이터 항목선별과 이상치 제거를 통해 388, 639개 샘플 및 10개의 데이터 항목으로 선별되었다.
심층 신경망의 학습 정확도 향상을 위해 선별된 10개의 데이터 중 2개씩 조합으로 선택한 후 비를 계산하여 추가 입력 특징(예: 첫 번째 추가 특징 = 첫 번째 주요 데이터 항목 / 두 번째 주요 데이터 항목)으로 사용하였다. 이때 90개의 추가 특징이 생성되었으며, 총 100개의 입력 특징을 심층 신경망 학습에 활용하였다.
따라서 실효성 있는 모델을 개발하고자, 지질종단도 상에 표현되어 있는 각 세그먼트 링에 연속적으로 표현된 암반등급을 사용하지 않았으며, 시추조사를 통해 얻은 암반등급과 실제 굴착하면서 디스크 커터 교체(CutterHead Intervention, CHI) 시에 굴진 면 맵핑(Face mapping) 통해 얻어지는 암반등급을 모델의 출력값인 라벨(Label)로 사용하였다. 지질조사 보고서 (Geotechnical Data Report, GDR) 내 시추 정보 50개, CHI를 통해 119개로 총 1, 894개의 세그먼트 링 중에서 167개에 대한 정확한 암반등급을 라벨로 사용하였다. 또한, 본 연구에서는 굴착 시 생성 및 누적되는 TBM 기계 데이터만으로 현재 지반을 예측하는 것이 목적이므로, 입력층에는 지반 데이터가 포함되지 않고, 출력층에만 활용하였다.
사용된 쉴드 TBM 제원 및 세그먼트 정보는 Table 2와 같다. 직경 6.9 m의 TBMe 최대 6 rpm으로 커터 헤드가 회전하며, 최대 6, 250 kNm 토크로 제작되었고, 19인치 디스크 커터를 사용하였다. 총 세그먼트 링 개수는 1, 894개이며, 세그먼트 길이는 1.
9 m의 TBMe 최대 6 rpm으로 커터 헤드가 회전하며, 최대 6, 250 kNm 토크로 제작되었고, 19인치 디스크 커터를 사용하였다. 총 세그먼트 링 개수는 1, 894개이며, 세그먼트 길이는 1.4 m이다. TBM 기계데이터 추출 시에 사용자의 목적에 따라 Ring 평균 로그, 쉴드 잭 추진 일정 거리(20 mm) 로그, 5초마다 로그 등으로 사용자가 설정할 수 있으며 이는 TBM을 구성하고 있는 시스템에 따라 상이할 수 있다.
데이터처리
성능 평가 및 검증을 위해 10겹 교차 검증 기법을 사용하였다. 학습 데이터와 평가 데이터를 구분할 때는 랜덤 샘플링 기법을 사용하지 않고 시퀀스 정보는 유지한 상태로 분할하였다.
TBM에서 획득되는 2,000여 개의 데이터 항목에서 유의미한 데이터를 기계 학습에 활용하기 위해 통계분석 기반의 정규성 및 유의차 검증을 통한 데이터 선별을 진행하였다. 정규성 검증에서는 클래스 내(Rock, Mixed, Soil) 정규분포를 만족하는 데이터 항목을 선별하였으며(p < 0.05), 유의차 검증에서는 클래스 간(Rock-Mixed, Rock-Soil, Mixed-Soil) t-test를 통해 데이터 항목을 선별하였다(p < 0.05).
이론/모형
본 연구에서 활용된 싱가포르 지질 분류 기준은 풍화된 암반을 여섯 단계로 분류하는 BS 5930: 1999 기준 Approach 2가 사용되었다(British Standard Institution, 1999). 또한 Table 1에서 알 수 있듯이 싱가포르 대표 지질 중 하나인 Bukit Timah Granite로 분류된 상세 기준은 SS CP4: 2003을 따른다(Singapore Standard, 2003). G(I)부터 G(Ⅲ)까지는 충분히 강도가 있는 암반으로, G(IV)부터 G(VI)까지는 풍화도가 높아 토사로 분류된다.
5 비율로 적용하였다. 또한 손실 함수(Loss function)는 다중 클래스 분류에 사용되는 Sparse categorical cross-entropy를 사용하였다. 실제 지질과 예측한 값의 오차를 사용해 모델의 가중치를 수정하기 위한 역전파(Backpropagation) 단계에서는 최근에 가장 많이 활용되고 있는 RMSprop과 Momentum이 합쳐진 Adam을 적용하였다.
, 1974)이 있지만, 이 외의 공학적 목적에 따라 다른 분류 기준을 사용하기도 한다. 본 연구에서 활용된 싱가포르 지질 분류 기준은 풍화된 암반을 여섯 단계로 분류하는 BS 5930: 1999 기준 Approach 2가 사용되었다(British Standard Institution, 1999). 또한 Table 1에서 알 수 있듯이 싱가포르 대표 지질 중 하나인 Bukit Timah Granite로 분류된 상세 기준은 SS CP4: 2003을 따른다(Singapore Standard, 2003).
본 연구에서는 TBM 기계 데이터를 입력층으로, 분류하고자 하는 지반 조건을 출력층으로 설정하여 DNN 모델을 만들고자 한다. 본 연구에서는 오픈소스 라이브러리인 텐서플로우(TensorFlow) 2.0을 활용하여 Python 기반의 DNN 모델을 구현하였다.
또한 손실 함수(Loss function)는 다중 클래스 분류에 사용되는 Sparse categorical cross-entropy를 사용하였다. 실제 지질과 예측한 값의 오차를 사용해 모델의 가중치를 수정하기 위한 역전파(Backpropagation) 단계에서는 최근에 가장 많이 활용되고 있는 RMSprop과 Momentum이 합쳐진 Adam을 적용하였다.
성능/효과
2.굴착 지반을 예측한 심층 신경망 모델의 정밀도와 재현율 확인한 결과, Rock의 경우 각각 0.859, 0.841을 보였으며, Mixed의 경우 0.636, 0.57을, Soil의 경우 0.51, 0.428을 보였다. 사용된 데이터 양의 각 비율은 Rock, Mixed, Soil 순으로 약 70 : 25 : 5였으며, 클래스 별 정밀도와 재현율을 향상시키기 위해 추가적인 데이터 확보와 클래스에 따른 데이터 수의 균형을 보완해야 할 것으로 판단된다.
3.10-fold 교차 검증을 통해 정확도를 확인한 결과, 평균 정확도는 75.4%로, 6번째 fold일 경우 86%의 가장 높은 정확도를 보였으며, 2번째 fold일 경우 가장 낮은 정확도인 62%를 보였다. 정확도 향상을 위해 추가적인 양질의 데이터 확보와 심층 신경망 모델링의 고도화가 필요할 것으로 판단된다.
428을 보였다. 본 연구에서 사용된 데이터의 경우 Rock, Mixed, Soil의 비율이 약 70 : 25 : 5였으며, 심층 신경망이 많이 학습한 데이터에 높은 정확도를 보이는 특성에 따라 Rock, Mixed, Soil 순으로 정밀도와 재현율을 보여주었다. 전체 정확도, 클래스 별 정밀도와 재현율을 향상시키기 위해 추가적인 데이터 확보와 클래스에 따른 데이터 수의 균형을 보완해야 할 것으로 판단된다.
평균 정확도는 75.4%로, 6번째 Fold일 경우 86%의 가장 높은 정확도를 보였으며, 2번째 Fold일 경우 가장 낮은 정확도인 62%를 보였다. 심층 신경망이 학습에 소요된 Epoch 수는 평균 40.
Mixed 지반은 Table 1상의 Rock과 Soil의 등급이 조합되어 있는 것으로 분류하였다. 해당 현장은 Rock으로 분류되는 지반이 약 70%이며, Mixed와 Soil로 분류되는 지반이 각각 약 25%, 5%를 차지한다.
후속연구
4.개발된 심층 신경망 모델은 TBM 터널링 시 굴착 지반 예측에 적용할 수 있으며, 이를 통해 시추공 사이 불확실성이 존재하는 구간에 대해서 지반 조건에 따른 최적 운전 제어에 도움이 될 것으로 판단된다.
분명 UCS가 암반을 대표하는 인자이지만, 암반 상태 및 굴진율을 모두 설명하기에는 부족함이 있다고 판단되며, 풍화도가 높은 암반의 경우 실내실험에서 압축강도가 충분히 나오지 않을 수 있다. 따라서 UCS를 예측하는 것도 중요하지만, 추가로 암반을 설명하는 등급을 함께 활용한다면 실시간 최적 TBM 운전을 하기에 더욱 도움이 될 것이다.
본 연구에서는 TBM 굴착 시 생성되는 기계 데이터와 이미 세계적으로 많은 산업분야에 활용되고 있는 심층신경망(Deep Neural Network, DNN)기법을 활용하여 싱가포르에서 사용되는 풍화도에 따른 암반분류 기준에 부합하는 지질 예측 연구를 수행하였으며, 이는 TBM의 실시간 최적 운전(Optimal Driving) 뿐만 아니라, 원격운전(Remote Driving), 자동 운전(Auto Driving) 개발에도 도움이 될 것으로 판단된다.
428을 보였다. 사용된 데이터 양의 각 비율은 Rock, Mixed, Soil 순으로 약 70 : 25 : 5였으며, 클래스 별 정밀도와 재현율을 향상시키기 위해 추가적인 데이터 확보와 클래스에 따른 데이터 수의 균형을 보완해야 할 것으로 판단된다.
특정 클래스의 분포가 100%로 수렴한 부분은 학습 데이터로 활용된 부분(화살표 표시)이며 그 외 부분은 TBM 굴착 전 지질 조사가 이루어지지 않은 부분이다. 실제 TBM 굴착 중 운전자에게 지질 조사 보고서에 제공되지 않은 구간의 지질 분포를 제공하여 최적 운전을 가능케하는데 활용될 수 있을 것으로 기대된다.
본 연구에서 사용된 데이터의 경우 Rock, Mixed, Soil의 비율이 약 70 : 25 : 5였으며, 심층 신경망이 많이 학습한 데이터에 높은 정확도를 보이는 특성에 따라 Rock, Mixed, Soil 순으로 정밀도와 재현율을 보여주었다. 전체 정확도, 클래스 별 정밀도와 재현율을 향상시키기 위해 추가적인 데이터 확보와 클래스에 따른 데이터 수의 균형을 보완해야 할 것으로 판단된다.
4%로, 6번째 fold일 경우 86%의 가장 높은 정확도를 보였으며, 2번째 fold일 경우 가장 낮은 정확도인 62%를 보였다. 정확도 향상을 위해 추가적인 양질의 데이터 확보와 심층 신경망 모델링의 고도화가 필요할 것으로 판단된다.
그러나 특정 현장 데이터를 학습한 기계학습모델을 다른 현장에 적용할 때 TBM 공사 현장의 특성(동일한 TBM 사용이 어려움, 지반조건 다름 등)과 신경망 모델의 일반화 능력이 부족하기 때문에 성능이 크게 저하될 것으로 예상된다. 향후 타 현장에 대한 적용 능력을 향상시키기 위해서는 전이학습(Transfer Learning), 퓨-샷 러닝(Few-shot Learning) 등을 고려한 적응형 기계학습 기법이 적용되어야 할 것으로 판단된다.
참고문헌 (12)
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.
British Standard Institution (1999), BS 5930: Soils for civil engineering purpose: classification, London.
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.
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.
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.
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.
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.
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.
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.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.