$\require{mediawiki-texvc}$

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.

하수관로 특성에 따른 지반함몰 발생 예측을 위한 기계학습 모델 비교
Comparison of Machine Learning Models to Predict the Occurrence of Ground Subsidence According to the Characteristics of Sewer 원문보기

한국지반환경공학회논문집 = Journal of the Korean Geoenvironmental Society, v.23 no.4, 2022년, pp.5 - 10  

이성열 (Department of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology) ,  김진영 (Department of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology) ,  강재모 (Department of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology) ,  백원진 (Department of Rural and Biosystems Engineering, Chonnam National University)

초록
AI-Helper 아이콘AI-Helper

최근 도심지에서는 지반침하가 지속적으로 발생하여 시민의 안전을 위협하고 있다. 상하수도관, 통신관 등 각종 지하시설물이 도로 밑에 매설되어 있다. 지반침하의 원인으로는 도심지에 매설되어 있는 각종 시설물의 노후화와 급격한 도시화로 인한 지하 난개발로 인한 것으로 보고되고 있다. 특히 지반침하의 가장 큰 원인은 하수관로의 노후화로 알려져 있다. 이와 관련된 기존 연구로는 하수관로의 대표적인 몇 가지 요인을 선정하여 통계분석을 통해 지반침하 위험을 예측하는 연구가 진행되었다. 본 연구에서는 OO시의 하수관 특성과 지반침하 데이터를 이용하여 데이터셋을 구축하고, OO시의 하수관 특성과 지반함몰 발생 위치 데이터로 구축된 데이터셋으로 기계학습을 통한 하수관 특성에 따른 지반함몰 발생 분류 모델들을 비교하여 적절한 모델을 선정하고자 하였으며, 선정된 모델에서 도출된 지반함몰에 영향을 미치는 하수관 특성별 중요도를 산정하고자 하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, ground subsidence has been continuously occurring in downtown areas, threatening the safety of citizens. Various underground facilities such as water and sewage pipelines and communication pipelines are buried under the road. It is reported that the cause of ground subsidence is the deteri...

주제어

#지반함몰   #하수관로   #기계학습   #지반함몰 예측 모델  

표/그림 (11)

참고문헌 (9)

  1. Breiman, L. (2001), Random Forests. Machine Learning, Kluwer Academic Publishers, 45, pp. 5~32. 

  2. G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye and T. Liu. (2017), LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Part of Advances in Neural Information Processing Systems 30. 

  3. Lee, H. M., Jeon, G. S. and Jang, J. A. (2020), Predicting of the severity of car traffic accidents on a highway using light gradient boosting model, The Journal of the Korea Institute of Electronic Communication Sciences Vol. 15, No. 6, pp. 1123~1130 (In Korean). 

    원문보기 상세보기 crossref

  4. Jin, Y. S. (2020), The Analysis on Correlation of Precipitation and Risk Factors to the Soil Subsidence, Ph D. dissertation, Chonnam National University, pp. 104~105 (In Korean). 

  5. Kim, J. Y., Kang, J. M., Choi, C. H. and Park, D. H. (2017), Correlation analysis of sewer integrity and ground subsidence, Journal of the Korean Geo-Environmental Society, Vol. 18, No. 6, pp. 31~37 (In Korean). 

    원문보기 상세보기 crossref

  6. Kuwano, R., Horii, T., Kohashi, H. and Yamauchi, K. (2006), Defects of sewer pipes causing cave-in's in the road, Proc. 5th International Symposium on New Technologies for Urban Safety of Mega Cities in Asia,Phuket, Thailand, pp. 347~353. 

  7. Seoul Institute. (2016), The Road Subsidence Conditions and Safety Improvement Plans in Seoul (In Korean). 

  8. Seoul Metropolitan City. (2017), Road management technology white paper (In Korean). 

  9. Tom Fawcett (2005), An introduction to ROC analysis, Patter Recognition Letters, Edited by Francesco Tortorella, Vol. 27 Issue 8, pp. 861~874. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

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