[논문]TBM 데이터와 머신러닝 기법을 이용한 디스크 커터마모 예측에 관한 연구

강태호; 최순욱; 이철호; 장수호

doi:10.7474/tus.2022.32.6.502

TBM 데이터와 머신러닝 기법을 이용한 디스크 커터마모 예측에 관한 연구
A Study on the Prediction of Disc Cutter Wear Using TBM Data and Machine Learning Algorithm 원문보기

터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.32 no.6, 2022년, pp.502 - 517

강태호 (한국건설기술연구원 지반연구본부) , 최순욱 (한국건설기술연구원 지반연구본부) , 이철호 (한국건설기술연구원 지반연구본부) , 장수호 (한국건설기술연구원 지반연구본부)

초록
AI-Helper

TBM의 활용이 증가하면서 최근 국내외에서 머신러닝 기법으로 TBM 데이터를 분석하여 디스크커터의 교환주기 예측 및 굴진율을 예측하는 연구가 증가하고 있다. 본 연구에서는 굴진 시 획득되는 기계 데이터와 지반 데이터를 기반으로 최근에 다양한 분야에서 널리 사용되고 있는 머신러닝 기법들 중 회귀 모델을 접목하여 슬러리 쉴드 TBM 현장의 디스크 커터 마모 예측을 하였다. 디스크 커터 마모 예측을 위해서 Training과 Test 데이터를 7:3으로 분할하였으며, 최적의 파라미터를 선정을 위해서 분할 교차검증을 포함하는 그리드 서치를 활용하였다. 그 결과, 앙상블 계열의 그레디언트 부스팅 모델이 결정계수가 0.852, 평균 제곱근 오차가 3.111로 좋은 성능을 보여주었고 특히 학습성능과 더불어 학습속도에서 우수한 결과를 보여주었다. 현재 도출된 결과로 볼 때, 슬러리 쉴드 TBM의 기계데이터와 지반정보가 포함된 데이터를 활용한 디스크 커터 마모 예측 모델의 적합성은 높다고 보인다. 추가적으로 지반조건의 다양성과 디스크 마모 측정 데이터양을 늘리는 연구가 필요한 것으로 판단된다.

Abstract ▼ AI-Helper

As the use of TBM increases, research has recently increased to to analyze TBM data with machine learning techniques to predict the exchange cycle of disc cutters, and predict the advance rate of TBM. In this study, a regression prediction of disc cutte wear of slurry shield TBM site was made by combining machine learning based on the machine data and the geotechnical data obtained during the excavation. The data were divided into 7:3 for training and testing the prediction of disc cutter wear, and the hyper-parameters are optimized by cross-validated grid-search over a parameter grid. As a result, gradient boosting based on the ensemble model showed good performance with a determination coefficient of 0.852 and a root-mean-square-error of 3.111 and especially excellent results in fit times along with learning performance. Based on the results, it is judged that the suitability of the prediction model using data including mechanical data and geotechnical information is high. In addition, research is needed to increase the diversity of ground conditions and the amount of disc cutter data.

주제어

표/그림 (17)

그림 Fig. 1. Geological profile along tunnel track
표 Table 1. Summary of slurry TBM specification
그림 Fig. 2. Disc cutter wear in inspection records
그림 Fig. 3. Distance according to disc cutter arrangement
그림 Fig. 4. Distribution of data according to ground conditions for the TBM
그림 Fig. 4. Distribution of data according to ground conditions for the TBM (Continued)
표 Table 2. Statistical description of the database.
그림 Fig. 5. Pair-wise correlation between TBM data features
그림 Fig. 6. Flowchart of machine learning model procedure for regression prediction
표 Table 3. Performance measures of regression prediction
표 Table 4. Summary of hyperparameter for regression models
그림 Fig. 7. Result of a cross validation on training data (70%)
그림 Fig. 8. Prediction result of regression modelling based on Shield TBM excavation data
표 Table 5. Evaluating the performance of regression models for shield TBM datasets
그림 Fig. 8. Prediction result of regression modelling based on shield TBM excavation data (Continued)
그림 Fig. 9. Results of predicted disc cutter wear using test data
그림 Fig. 9. Results of predicted disc cutter wear using test data (Continued)

참고문헌 (27)

Armaghani, D.J., Mohamad, E.T., Narayanasamy, M.S., Narita, N., and Yagiz, S., 2017, "Development of hybrid intelligent？models for predicting TBM penetration rate in hardrock condition", Tunn. Undergr. Space Technol., 63, 29-43.

상세보기
Breiman, L., 1996. "Bagging predictors", Machine Learning, 24, 123-140. https://doi.org/10.1007/ BF00058655.

상세보기
Breiman, L., Friedman, J., Stone, C.J., and Olshen, R.A., 1984, "Classification and Regression Trees", CRC press.
Bruland, A., 1998, "Hard rock tunnel boring advance rate and cutter wear", Doctoral Thesis at NTNU, 3, 81.
Chen, R., Zhang, P., Wu, H., Wang, Z., and Zhong, Z., 2019, " Prediction of shield tunneling-induced ground settlement using？machine learning techniques", Front. Struct. Civ. Eng., 13, 1363-1378.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., and Chen, K., 2015, Xgboost: extreme gradient boosting, R？package version 0.4-2, 1(4), 1-4.
Cover, T. and Hart, P., 1967, "Nearest neighbor pattern classification", in IEEE Transactions on Information Theory, 13(1), 21-27,？doi: 10.1109/TIT.1967.1053964.

상세보기
Friedman, J. H., 2001, Greedy function approximation: a gradient boosting machine, Annals of Statistics, 1189-1232.
Gehring, K., 1995, "Leistungs-und verschleissprognosen im maschinellen tunnelbau", Felsbau, 13(6), 439-448.
Jung, J.-H., Kim, B.-K., Chung, H., Kim, H.-M., and Lee, I.-M., 2019, "A ground condition prediction ahead of tunnel face utilizing？time series analysis of shield TBM data in soil tunnel", Journal of Korean Tunnelling and Underground Space Association,？21(2), 227-242.
Kang, T. H., Choi, S.W., Lee, C., and Chang, S.H., 2021, A Study on the Prediction of Rock Classification Using Shield TBM Data？and Machine Learning Classification Algorithms, Tunnel and Underground Space, 31(6), 494-507.
Kang, T.-H., Choi, S.-W., Lee, C., and Chang, S.-H., 2020, "A Study on Prediction of EPB shield TBM Advance Rate using？Machine Learning Technique and TBM Construction Information", Tunnel and Underground Space, 30(6), 540-550.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T. Y., 2017, Lightgbm: A highly efficient gradient？boosting decision tree, Advances in Neural Information Processing Systems, 30.
Kearns, M. and Valiant, L.G., 1994, "Cryptographic limitations on learning Boolean formulae and finite automata", Journal of the？Association for Computing Machinery, 41, 67-95.

상세보기
Kim, D., Kwon, K., Pham, K., Oh, J.Y., and Choi, H., 2022, Surface settlement prediction for urban tunneling using machine？learning algorithms with Bayesian optimization, Automation in Construction, 140, 104331.

상세보기
Kim, T.H., Ko, T.Y., Park, Y.S., Kim, T.K., and Lee, D.H., 2020a, "Prediction of Uniaxial Compressive Strength of Rock using？Shield TBM Machine Data and Machine Learning Technique", Tunnel & Underground Space, 30(3), 214-225.
Kim, Y., Hong, J., and Kim, B., 2020b, "Performance comparison of machine learning classification methods for decision of disc？cutter replacement of shield TBM", Journal of Korean Tunnelling and Underground Space Association, 22(5), 575-589.
Ko, T.Y., Yoon, H.J., and Son, Y.J., 2014, "A comparative study on the TBM disc cutter wear prediction model", Journal of Korean Tunnelling and Underground Space Association, 16(6), 533-542.
La, Y. S., Kim, M.I., and Kim, B., 2019, "Prediction of replacement period of shield TBM disc cutter using SVM", Journal of？Korean Tunnelling and Underground Space Association, 21(5), 641-656.
Mokhtari, S. and Mooney, M.A., 2020, "Predicting EPBM advance rate performance using support vector regression modeling",？Tunn. Undergr. Space Technol., 104, 103520. https://doi.org/10.1016/j.tust.2020.103520.

상세보기
Rosenblatt, F., 1958, The perceptron: a probabilistic model for information storage and organization in the brain, Psychological？Review, 65(6), 386.

상세보기
Rostami, J. and Ozdemir, L., 1993, "A new model for performance prediction of hard rock TBMs", Proceedings of the Rapid？Excavation and Tunneling Conference (RETC), Boston, U.S.A., pp. 793-809.
Rumelhart, D.E., Hinton, G.E., and Williams, R.J., 1986, "Learning Internal Representations by Error Propagation", David E.？Rumelhart, James L. McClelland, and the PDP research group. (editors), Parallel distributed processing: Explorations in the？microstructure of cognition, Volume 1: Foundation. MIT Press.
Vapnik, V., 1995, "The Nature of Statistical Learning Theory. Springer", New York.
Yagiz, S. and Karahan, H., 2011, "Prediction of hard rock TBM penetration rate using particle swarm optimization", Rock？Mechanics and Mining Science, 48(3), 427-433.
Yagiz, S., 2008, "Utilizing rock mass properties for predicting TBM performance in hard rock condition", Tunn. Undergr. Space？Technol., 23(3), 326-339.

상세보기
Yang, H., Song, K., and Zhou, J., 2022, "Automated recognition model of geomechanical information based on operational data of？tunneling boring machines", Rock Mech. Rock Eng., 55, 1499-1516.？

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