[논문]머신러닝을 이용한 해빈단면 변화 예측

심규태; 조병선; 김규한

doi:10.12652/ksce.2022.42.5.0639

머신러닝을 이용한 해빈단면 변화 예측
Prediction of Beach Profile Change Using Machine Learning Technique 원문보기

KSCE Journal of Civil and Environmental Engineering Research = 대한토목학회논문집, v.42 no.5, 2022년, pp.639 - 650

심규태 (가톨릭관동대학교 토목공학과) , 조병선 (첨단해양공간개발연구센터) , 김규한 (가톨릭관동대학교 토목공학과)

초록
AI-Helper

대규모 표사이동으로 인해 침·퇴적이 발생되는 해안에서는 시간이력에 따라 그 현상이 가속화되는 경향이 있기 때문에 적절하고도 시급한 대책을 강구하는 것이 중요하다. 해안침식의 대책방안 중 환경친화적 대책으로 알려진 양빈공법의 경우 입경의 크기에 따라 침식양상이 변화되므로 적정 입경의 크기, 범위 등에 대해 결정하기 위해서는 면밀한 검토가 필요하다. 본 연구에서는 양빈사의 입경변화와 부분양빈의 적용, 파랑과 바람이 공존하는 조건 등을 변수로 설정하였을 때 발생되는 지형변화의 특성을 검토하고자 하였다. 이러한 요인들은 수치모형실험에서 해석하기 어려운 부분이 존재하기 때문에 수리모형실험을 통해 정성적인 해석을 수행하거나 양빈수행 이후에 현장모니터링 등을 통해 그 효과를 검토하게 된다. 하지만 실험과 모니터링 등은 제반사항이 발생되기 때문에 다양한 조건에 대한 예측 연구에는 어려움이 존재한다. 본 논문에서는 빅데이터의 활용을 통한 머신러닝 기법을 이용하여 침·퇴적 경향을 재현함으로써 발생 가능한 현상에 대해 예측함과 동시에 머신러닝 기법의 적용성을 검토하고자 하였다. 학습데이터는 수리모형실험결과를 이용하였으며 연구결과 머신러닝을 이용한 지형변화는 단기예측의 경우 기존연구와 유사한 경향을 보이는 것으로 나타났으나 세굴 및 모래톱의 형성 등에서는 다소 차이가 존재하는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

In areas where large-scale sediment transport occurs, it is important to apply appropriate countermeasure method because the phenomenon tends to accelerate by time duration. Among the various countermeasure methods applied so far, beach nourishment needs to be reviewed as an erosion prevention measure because the erosion pattern is mitigated and environmentally friendly depending on the particle size. In the case of beach nourishment. a detailed review is required to determine the size, range, etc., of an appropriate particle diameter. In this study, we investigated the characteristics of the related topographic change using the change in the particle size of nourishment materials, the application of partial area, and the condition under the coexistence of waves and wind as variables because those factors are hard to be analyzed and interpreted within results and limitation of that the existing numerical models are not able to calculate and result out so that it is required that phenomenon or efforts are reviewed at the same time through physical model experiments, field monitoring and etc. So we attempt to reproduce the tendency of beach erosion and deposition and predict possible phenomena in the future using machine learning techniques for phenomena that it is not able to be interpreted by numerical models. we used the hydraulic experiment results for the training data, and the accuracy of the prediction results according to the change in the training method was simultaneously analyzed. As a result of the study it was found that topographic changes using machine learning tended to be similar to those of previous studies in short-term predictions, but we also found differences in the formation of scour and sandbars.

주제어

표/그림 (22)

그림 Fig. 1. Cross Section of Beach Profiles in Physical Model Test (Shim et al., 2019)
그림 Fig. 2. Result for Beach Profile Change under U_w: 0 m/s (top), 8 m/s (bottom), (Shim et al., 2019)
그림 Fig. 3. Basic Structure Architecture of ANN
그림 Fig. 4. The Process of Deriving Output with Input, Weights of Nodes, Bias and Activation Function between Nodes
표 Table 1. Input and Output Data for Machine Learning
그림 Fig. 5. Diagram of ANN Model Implemented
표 Table 2. Parameters of ANN
그림 Fig. 6. Calibration Result of Beach Profile Change_TypeA-3(up) & TypeA-6 (bottom)
그림 Fig. 7. Calibration Result of Beach Profile Change_TypeC-3(up) & TypeC-6 (bottom)
표 Table 3. Test Cases for Prediction Model
그림 Fig. 8. Prediction Result of Beach Profile Change TypeA-01 (top), 02 (middle), 03 (bottom)
그림 Fig. 9. Prediction Result of Beach Profile Change TypeA-04 (top), 05 (middle), 06 (bottom)
그림 Fig. 10. Prediction Result of Beach Profile Change TypeC-01 (top), 02 (middle), 03 (bottom)
그림 Fig. 11. Prediction Result of Beach Profile Change TypeC-04 (top), 05 (middle), 06 (bottom)
그림 Fig. 12. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeA-01)
그림 Fig. 13. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeA-02)
그림 Fig. 14. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeA-04)
그림 Fig. 15. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeA-05)
그림 Fig. 16. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeC-01)
그림 Fig. 17. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeC-02)
그림 Fig. 18. Comparison Data between Experiment and Prediction Result with 0.5 hr Learning Condition (TypeC-04)
그림 Fig. 19. Comparison Data between Experiment and Prediction Result with 1.5 hr Learning Condition (TypeC-05)

참고문헌 (16)

Abambres, M. and Ferreira, A. (2017). Application of ANN in pavement engineering: state-of-art, hal-02066889, Archives ouvertes HAL, pp. 1-61.
Bieman, J. P., Wilms, J. M., van den Boogaard, H. F. P. and van Gent, M. R. A. (2020). "Prediction of mean wave overtopping discharge using gradient boosting decision trees." Water, Vol. 12, No. 6, pp. 1-13. DOI: https://doi.org/10.3390/w12061703.

상세보기
Buchanies, S., Gantowski, M. and Brus, G. (2021). "Integration of classical mathematical modeling with an artificial neural network for the problems with limited dataset." Energies, Vol. 14, No. 16, 5127. DOI: https://doi.org/10.3390/en14165127.

상세보기
Choi, B. J., Park, C. W., Cho, Y. H. Kim, D. S. and Lee, K. H. (2020). "A proposal of new breaker index formula using supervised machine learning." Journal of Korean Society of Coastal and Ocean Engineers, Vol. 32, No. 6, pp. 384-395 (in Korean).
Cinelli, I., Anfuso, G., Bartoletti, E., Rossi, L. and Pranzini, E. (2021). "The making of a gravel beach (Cavo, Elba Island, Italy)." Journal of Marine Science and Engineering, Vol. 9, No. 10, pp. 1-17. DOI: https://doi.org/10.3390/jmse 9101148.

상세보기
De Veaux, R. D. and Ungar, L. H. (1997). A brief introduction to neural networks, Technical Report, Williams College, Williamstown, MA.
Ellenson, A. N., Simmons, J. A., Wilson, G. W., Hesser, T. J. and Splinter, K. D. (2020). "Beach state recognition using argus imagery and convolutional neural networks." Remote Sensing, Vol. 12, No. 23, pp. 1-20. DOI: https://doi.org/10.3390/rs12233953.

상세보기
Goldstein, E. B., Coco, G. and Plant, N. G. (2019). "A review of machine learning applications to coastal sediment transport and morphodynamics." Earth-Science Reviews, Vol. 194, pp. 97-108.

상세보기
Huang, W. and Simon F. (2002). "Neural network modeling of salinity variation in apalachicola river." Water Research, Vol. 36, No. 1, pp. 356-362.

상세보기
Kim, H. D. and Aoki, S. I. (2021). "Artificial intelligence application on sediment transport." Journal of Marine Science and Engineering, Vol. 9, No. 6, pp. 1-19. DOI: https://doi.org/10.3390/jmse9060600.

상세보기
Kim, K. H. and Shim, K. T. (2018). "A study on characteristics of current and sediment transport around permeability artificial reefs." Proceedings of the Twenty-eighth International Ocean and Polar Engineering Conference, Sapporo, Japan, pp. 1314-1319.
Lee, J. S. and Suh, K. D. (2016). "Calculation of stability number of tetrapods using weights and biases of ann model." Journal of Korean Society of Coastal and Ocean Engineers, Vol. 28, No. 5, pp. 277-283 (in Korean).
Lee, K. H., Kim, T. G. and Kim, D. S. (2020). "Prediction of wave breaking using machine learning open source platform." Journal of Korean Society of Coastal and Ocean Engineers, Vol. 32, No. 4, pp. 262-272 (in Korean).
Phillips, B. T., Brown, J. M. and Plater, A. J. (2020). "Modeling impact of intertidal foreshore evolution on gravel barrier erosion and wave runup with XBeach-X." Journal of Marine Science and Engineering, Vol. 8, No. 11, pp. 1-22. DOI: https://doi.org/10.3390/jmse8110914.

상세보기
Shim, K. T., Kim, K. H. and Park J. H. (2019). "The effectiveness of adaptive beach protection methods under wind application." Journal of Marine Science and Engineering, Vol. 7, No. 11, pp. 1-17. DOI: https://doi.org/10.3390/jmse7110385.

상세보기
Wei, X., Liu, H., She, X., Lu, Y., Liu, X. and Mo, S. (2019). "Stability assessment of rubble mound breakwaters using extreme learning machine models." Journal of Marine Science and Engineering, Vol. 7, No. 9, pp. 1-17. DOI: https://doi.org/10.3390/jmse7090312.

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