[논문]지하수위 영향인자에 따른 인공신경망 기반의 지하수위 예측 성능 분석

김인철; 이재환; 김정환; 이형규; 이준환

doi:10.7843/kgs.2021.37.5.19

지하수위 영향인자에 따른 인공신경망 기반의 지하수위 예측 성능 분석
Analysis of Groundwater Level Prediction Performance with Influencing Factors by Artificial Neural Network 원문보기

韓國地盤工學會論文集 = Journal of the Korean geotechnical society, v.37 no.5, 2021년, pp.19 - 31

김인철 (네브라스카 주립대학교) , 이재환 (서울기술연구원) , 김정환 (서울기술연구원) , 이형규 (서일대학교 토목공학과) , 이준환 (연세대학교 건설환경공학과)

초록
AI-Helper

지하수위 변동은 지반의 응력 상태에 변화를 일으켜 기초구조물의 지지력 및 침하에 직·간접적인 영향을 미칠 수 있다. 본 연구에서는 연구 대상지역을 선정하여 지하수위 영향인자 분석을 수행하였다. 그 결과 대상지역에 따라 지하수위에 미치는 영향인자들이 각각 달랐으며, 규모가 큰 하천변에 위치한 도심지역의 경우 하천수위가 지하수위 변동에 영향을 미치는 주요 인자였으며, 지표면 포장율이 낮은 도외지역의 경우는 선행강우를 고려하기 위해 도입된 강우이동평균이 주요 인자였다. 또한, 여러 입력 인자 조합을 고려하여 인공신경망을 통한 지하수위를 예측을 수행하였다. 분석결과 주요 지하수위 영향인자가 지하수위 예측 성능에 미치는 영향이 큰 것으로 나타났다. 결과적으로, 인공신경망을 이용하여 지하수위를 예측할때, 적절한 지하수위 영향인자 평가가 수행되어야 하며 이를 예측에 적용할 필요가 있는 것을 나타낸다.

Abstract ▼ AI-Helper

Groundwater level (GWL) causes the stress state within soil and affects the bearing capacity and the settlement of foundation. In this study, the analyses of influencing factors on GWL fluctuation were performed. From the results, river stage and moving average of precipitation were main influence components for urban near large river and rural areas, respectively. In addition, the prediction performance of GWL using artificial neural network (ANN) was conducted with respect to the influence components. As a result, the effect of main component was significant on the prediction performance of GWL.

주제어

표/그림 (15)

그림 Fig. 1. Structure of artificial neural network (ANN)
그림 Fig. 3. Surface conditions of study sites
그림 Fig. 2. Location of study sites
그림 Fig. 4. Soil profile of study sites
그림 Fig. 5. Monthly mean precipitation observed over 30 years at study sites
그림 Fig. 6. Observed meteorological and hydrological datasets
그림 Fig. 7. Correlation analysis results for GWL with precipitation and river stage
그림 Fig. 8. Optimal days for the moving average of precipitation
그림 Fig. 9. Correlation analysis results for GWL with moving average of precipitation
표 Table 1. Description of input type and learning data length
표 Table 2. Description of input type and learning data length
그림 Fig. 10. Analysis results for GWL prediction performance
그림 Fig. 11. Measured and predicted GWL with time for SM with (a) IT1, (b) IT2, and (c) IT5
그림 Fig. 12. Measured and predicted GWL with time for GC with (a) IT3, (b) IT4, and (c) IT5
그림 Fig. 13. Measured and predicted GWL with time for YG with (a) IT3, (b) IT4, and (c) IT5

참고문헌 (27)

Ausilio, E. and Conte, E. (2005), "Influence of Groundwater on the Bearing Capacity of Shallow Foundations", Canadian Geotechnical Journal, Vol.42, pp.663-672.

상세보기
Batelaan, O., De Smedt, F., and Triest, L. (2003), "Regional Groundwater Discharge: Phreatophyte Mapping, Groundwater Modeling and Impact Analysis of Land-use Change", Journal of Hydrology, Vol.275, pp.86-108.
Coppola, E. A., Rana, A. J., Poulton, M. M., Szidarovszky, F., and Uhl, V. W. (2005), "A Neural Network Model for Predicting Aquifer Water Level Elevations", Groundwater, Vol.43, No.2, pp. 231-241.
Daliakopoulos, I. N., Coulibaly, P., and Tsanis, I. K. (2005), "Groundwater Level Forecasting Using Artificial Neural Networks", Journal of Hydrology, Vol.309, pp.229-240.

상세보기
Dawson, C. W. and Wilhy, R. L. (2001), "Hydrological Modelling Using Artificial Neural Networks", Progress in Physical Geography, Vol.25, No.1, pp.80-108.

상세보기
Gerken, W. C., Purvis, L. K., and Butera, R. J. (2006), "Genetic Algorithm for Optimization and Specification of a Neuron Model", Neuroconputing, Vol.69, pp.1039-1042.
Guttman, N. B. (1999), "Accepting the Standardized Precipitation Index: A Calculation Algorithm", Journal of the American Water Resources Association, Vol.35, No.2, pp.311-322.
Hoque, M., Hoque, M., and Ahmed, K. (2007), "Declining Groundwater Level and Aquifer Dewatering in Dhaka Metropolitan Area, Bangladesh: Causes and Quantification", Hydrogeology Journal, Vol.15, pp.1523-1534.

상세보기
Kim, I., Park, D., Kyung, D., Kim, G., Kim, S., and Lee, J. (2016), "Comparative Influences of Precipitation and River Stage on Groundwater Levels in Near-river Areas", Sustainability, Vol.8, No.1, pp.1-16.
Kim, I. and Lee, J. (2018a), "Prediction Model for Spatial and Temporal Variation of Groundwater Level based on River Stage", Journal of Hydrologic Engineering, Vol.23, No.67, DOI: 10.1061/(ASCE)HE.1943-5584.0001658, 1-8.

상세보기
Kim, I. and Lee, J. (2018b), "The Effect of Seasonal Input on Predicting Groundwater Level Using Artificial Neural Network", Ecology and Resilient Infrastructure, Vol.5, No.3, pp.125-133.
Kim, I. and Lee, J. (2018c), "Influencing Factor Analysis on Groundwater Level Fluctuation Near River", Ecology and Resilient Infrastructure, Vol.5, No.2, pp.72-81.
Kim, I. and Lee, J. (2019), "Proposed Correlation Model for Groundwater Level Prediction based on River Stage Considering Changes in Hydrological and Geological Conditions", Journal of Hydrologic Engineering, Vol.24, No.10, DOI: 10.1061/(ASCE)HE.1943-5584.0001849, 1-14.

상세보기
Nourani, V. and Mousavi, S. (2016), "Spatiotemporal Groundwater Level Modeling Using Hybrid Artificial Intelligence-meshless Method", Journal of Hydrology, Vol.536, pp.10-25.
Park, D., Kim, I., Kim, G., and Lee, J. (2017), "Groundwater Effect Factors for the Load-carrying behavior of Footings from Hydraulic Chamber Load Tests", Geotechnical Testing Journal, Vol.30, No.3, pp.440-451.
Park, D., Kim, I. Kim, G., and Lee, J. (2019), "Effect of Groundwater Fluctuation on Load Carrying Performance of Shallow Foundation", Geomechanics and Engineering, Vol.18, No.6, pp.575-584.

상세보기
Rajaee, T., Ebrahimi, H., and Nourani, V. (2019), "A Review of the Artificial Intelligence Methods in Groundwater Level Modeling", Journal of Hydrology, Vol.572, pp.336-351.
Shahriar, M. A., Sivakugan, N., Das, B. M. Urquhart, A., and Tapiolas, M. (2014), "Water Table Correction Factors for Settlements of Shallow Foundations in Granular Soils", International J. of Geomechanics, https://doi.org/10.1061/(ASCE)GM.1943-5622.0000391.

상세보기
Serrano, S. E. and Workman, S. R. (1998), "Modeling Transient Stream/aquifer Interaction with the Non-linear Boussinesq Equation and its Analytical Solution", Journal of Hydrology, Vol.206, pp. 145-255.
Sahoo, S. and Jha, M. K. (2013), "Groundwater-level Prediction Using Multiple Linear Regression and Artificial Neural Network Techniques: A Comparative Assessment", Hydrogeology Journal, Vol.21, pp.1865-1887.

상세보기
Shamsudduha, M., Chandler, R. E., Taylor, R. G., and Ahmed, K. M. (2009), "Resent Trends in Groundwater Levels in a Highly Seasonal Hydrological System: The Ganges-Brahmaputra-Meghna Delta", Hydrology and Earth System Sciences, Vol.13, pp.2373-2385.
Trichakis, I. C., Nikolos, I. K., and Karatzas, G. P. (2011), "Artificial Neural Network (ANN) based Modeling for Karstic Groundwater Level Simulation", Water Resources Management, Vol.25, pp.1143-1152.

상세보기
Uddameri, V. (2007), "Using Statistical and Artificial Neural Network Models to Forecast Potentiometric Levels at a Deep Well in South Texas", Environmental Geology, Vol.51, pp.885-895.

상세보기
Wen, X., Feng, Q., Yu, H., Wu, J., Si, J., Chang, Z., and Xi., C. (2015), "Wavelet and Adaptive Neuro-fuzzy Inference System Conjunction Model for Groundwater Level Predicting in a Coastal Aquifer", Neural Computing and Applications, Vol.26, pp.1203-1215.

상세보기
Wilhite, D. A. and Glants, M. H. (1985), "Understanding the Drought Phenomenon: The Role of Definitions", Water International, Vol.10, pp.110-120.
Yang, J. S. and Kim, N. K. (2011), "The Correlation between the Moving Average of Precipitation and Groundwater Level in Korea", Korean Society of Civil Engineers, Vol.31, pp.265-276.
Yasuhara, K., Murakami, S. Mimura, N. Komine, H., and Recio, J. (2007), "Influence of Global Warming on Coastal Infrastructural Instability", Sustainability Science, 2, pp.13-25.

상세보기

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