[논문]딥러닝 기반 국내 지반의 지지층 깊이 예측

장영은; 정재호; 한진태; 유용균

doi:10.7843/kgs.2022.38.3.35

초록
AI-Helper

지반조사방법 중 표준관입시험 결과인 N치를 통해 알 수 있는 지반 지지층의 깊이는 각종 지반 구조물의 설계를 위한 기본적인 지반 정보를 제공하는 중요한 지표이다. 이러한 지반조사 결과는 시간과 비용 측면을 고려해 간헐적으로 수행될 수밖에 없으며, 그 결과는 현장 지반의 대표성을 갖게 된다. 그러나 지반 내에는 다양한 지층 변동성 및 불확실성이 존재하므로 간헐적인 현장조사를 통해 지반의 특성을 모두 파악하는 것은 어렵다. 따라서 시추공 정보로부터 미계측 지점을 예측하기 위한 방법들이 제시되어 왔으며, 대표적인 방법으로는 공간보간기법인 크리깅(Krigging), 역거리가중법(IDW)등이 있다. 최근에는 보간기법의 정확성을 높이기 위해 지반분야와 딥러닝 기술을 접목한 연구들이 수행되고 있다. 본 연구에서는 약 2만 2천공의 지반조사 결과를 바탕으로 딥러닝과 공간보간기법으로 지반 지지층 깊이 예측을 위한 비교 연구를 수행하였다. 이를 위해 딥러닝 알고리즘인 완전연결 네트워크와 포인트넷 방법, 공간보간기법으로는 IDW를 사용하였다. 각 분석 모델의 지지층 예측 결과 중 오차의 평균은 IDW가 3.01m 였으며, 완전연결 네트워크 및 포인트넷이 각 3.22m와 2.46m 였다. 결과의 표준편차는 IDW가 3.99였으며, 완전연결네트워크와 포인트넷이 3.95와 3.54로 나타났다. 연구 결과 3차원 정보에 특화된 포인트넷 구조를 적용한 네트워크가 IDW 및 완전연결 네트워크에 비해 개선된 결과를 나타냈다.

Abstract ▼ AI-Helper

The N-value from the Standard Penetration Test (SPT), which is one of the representative in-situ test, is an important index that provides basic geological information and the depth of the bearing layer for the design of geotechnical structures. In the aspect of time and cost-effectiveness, there is...

The N-value from the Standard Penetration Test (SPT), which is one of the representative in-situ test, is an important index that provides basic geological information and the depth of the bearing layer for the design of geotechnical structures. In the aspect of time and cost-effectiveness, there is a need to carry out a representative sampling test. However, the various variability and uncertainty are existing in the soil layer, so it is difficult to grasp the characteristics of the entire field from the limited test results. Thus the spatial interpolation techniques such as Kriging and IDW (inverse distance weighted) have been used for predicting unknown point from existing data. Recently, in order to increase the accuracy of interpolation results, studies that combine the geotechnics and deep learning method have been conducted. In this study, based on the SPT results of about 22,000 holes of ground survey, a comparative study was conducted to predict the depth of the bearing layer using deep learning methods and IDW. The average error among the prediction results of the bearing layer of each analysis model was 3.01 m for IDW, 3.22 m and 2.46 m for fully connected network and PointNet, respectively. The standard deviation was 3.99 for IDW, 3.95 and 3.54 for fully connected network and PointNet. As a result, the point net deep learing algorithm showed improved results compared to IDW and other deep learning method.

주제어

표/그림 (11)

그림 Fig. 1. Artificial Neuron concept
그림 Fig. 2. Schematic diagram of fully connected network
그림 Fig. 3. Schematic diagram of PointNet (Qi et al., 2017)
그림 Fig. 4. Study area and borehole locations
그림 Fig. 5. Inverse Distance Weighting (IDW) interpolation
그림 Fig. 6. Fully connected network model for data processing in this study (FC: fully connected layer, BN: batch normalization layer, ELU: exponential activation fuction, P(n): borehole data set, d: soil thickness)
그림 Fig. 7. Modified point net model (n: data number of surrounding boreholes, d: soil thickness)
표 Table 1. Averaged error of Bed-rock depth estimation from the fully connect layer according to the depth, width, and learning rate (training data error/test data error)
그림 Fig. 8. normalized prediction error of rock depth from test set
그림 Fig. 9. Normal distribution curves using mean (μ) and standard deviation (σ) generated from prediction error
표 Table 2. Parameter estimation results

참고문헌 (11)

Ahn, J.M. and Park, I.H. (2012), "An Assessment on the Hydraulic Characteristics of a Multi-dimensional Model in Response to Measurement Resolution and Spatial Interpolation Methods", Journal of Korean Society for Geospatial Information Science, Vol. 20, No.1, pp.43-51.

원문보기 상세보기
Alobaidi, M.H., Meguid, M.A., and Chebana, F. (2019), "Predicting seismic-induced liquefaction through ensemble learning frameworks", Scientific Reports, Vol. 9, No.11786.
Bargaoui, Z.K. and Chebbi, A. (2009), "Comparison of Two Kriging Interpolation Methods Applied to Spatiotemporal Rainfall", Journal of Hydrology, Vol.365, No.1-2, pp.56-73.

상세보기
Gul, E. and Ersahin, S. (2019), "Evaluating the Desertification Vulnerability of a Semiarid Landscape under Different Land uses with the Environmental Sensitivity Index", Land Degradation & Development, Vol.30, No.7, pp.811-823.

상세보기
Kim, A.R., Kim, D., B. Y.S., and Lee, S.W. (2018), "Crack Detection of Concrete Structure Using Deep Learning and Image Processing Method in Geotechnical Engineering", Journal of the korean geotechnical society, Vol.34, No.12, pp.145-154.

원문보기 상세보기
Korea Expressway Corporation (2012), Expressway construction guide specification (in Korean).
Navfac DM7 (1974), Design Manual-Soil Mechanics Foundations, and Earth Structures, U.S.Government Printing Office, Wahingthon, D.C.
MOLIT (2016), Foundation Design Criteria, Ministry of Land, Infrastructure and Transport (in Korean).
Qi, C.R., Su, H., Mo, K., and Guibas, L.J. (2019), "Pointnet: Deep learning on point sets for 3d classification and segmentation", In Proceedings of the IEEE conference on computer vision and pattern recognition, pp.652-660.
Seo, J.H., Sohn, J.R., and Mo, R. (2017), "A Study on Exposure Assessment for Fine Dust by Using Kriging Method: The Case of Seoul Metropolitan City", In AGU Fall Meeting Abstracts, Vol.2017, pp.A43A-2420.
You, Hojuna, Kim, Dongsua (2017), "Development of an Anisotropic Spatial Interpolation Method for Velocity in Meandering River Channel", J. Korea Water Resour. Assoc., Vol.50, No.7, pp.455-465.

원문보기 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

딥러닝 기반 국내 지반의 지지층 깊이 예측
Deep Learning based Estimation of Depth to Bearing Layer from In-situ Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반 국내 지반의 지지층 깊이 예측 Deep Learning based Estimation of Depth to Bearing Layer from In-situ Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

한진태 (61)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반 국내 지반의 지지층 깊이 예측
Deep Learning based Estimation of Depth to Bearing Layer from In-situ Data 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)