[논문]데이터 스케일링과 분할 방식에 따른 예측모델의 영향 분석 - 그라운드 앵커가 설치된 흙막이 벽체 대상

신준우; 한희수

doi:10.9720/kseg.2023.4.639

데이터 스케일링과 분할 방식에 따른 예측모델의 영향 분석 - 그라운드 앵커가 설치된 흙막이 벽체 대상
Analysis of the Impact on Prediction Models Based on Data Scaling and Data Splitting Methods - For Retaining Walls with Ground Anchors Installed 원문보기

지질공학 = The journal of engineering geology, v.33 no.4, 2023년, pp.639 - 655

신준우 (국립금오공과대학교 토목공학과) , 한희수 (국립금오공과대학교 토목공학과)

초록
AI-Helper

최근 지하공간에 대한 수요가 많아지면서 대심도 굴착으로 흙막이 벽체가 활용되고 있다. 흙막이 벽체는 변위에 취약한 구조물로써 국토교통부에서 제시한 관리기준으로 계측관리를 수행하고 있으나 계측관리를 통한 대비는 후처리에 가깝다고 할 수 있다. 따라서 본 연구에서는 머신러닝을 이용한 그라운드 앵커가 설치된 흙막이 벽체의 수평변위 예측뿐만 아니라 머신러닝으로 계측데이터를 학습하는 과정에서 데이터 스케일링과 분할 방법에 따른 예측모델의 영향을 분석하였다. 이 연구의 분석결과에 따르면 사용자 지정분할방법이 적합하지 않은 경우도 있었으나 일정 조건하에서 데이터 학습 및 출력에 가장 우수한 성능을 나타냈다. 데이터 스케일링은 앵커의 인장력, 수압을 표준화하였을 때 오차 1 이내, R-Squared 값이 0.77로 우수한 성능을 나타냈으며 스케일링을 적용하지 않은 모델 대비 음의 변위를 예측하는 결과를 보였다.

Abstract ▼ AI-Helper

Recently, there has been a growing demand for underground space, leading to the utilization of earth retaining walls for deep excavations. Earth retaining walls are structures that are susceptible to displacement, and their measurement and management are carried out in accordance with the standards established by the Ministry of Land, Infrastructure, and Transport. However, managing displacement through measurement can be considered similar to post-processing. Therefore, in this study, we not only predicted the horizontal displacement of a retaining wall with ground anchors installed using machine learning, but also analyzed the impact of the prediction model based on data scaling and data splitting methods while learning measurement data using machine learning. Custom splitting was the most suitable method for learning and outputting measurement data. Data scaling demonstrated excellent performance, with an error within 1 and an R-squared value of 0.77 when the anchor tensile force and water pressure were standardized. Additionally, it predicted a negative displacement compared to a model that without scaling.

주제어

표/그림 (22)

그림 Fig. 1. Data learning process.
표 Table 1. Applied hyperparameters value
표 Table 2. Types of variables configured in the prediction model
표 Table 3. Basic statistical analysis for each variable
그림 Fig. 2. Total site prediction results by random number seed splitting.
그림 Fig. 3. Total site prediction results by random splitting.
그림 Fig. 4. Total site prediction results by custom splitting.
표 Table 4. Total site model evaluation results according to splitting type
그림 Fig. 5. Single site prediction results by random seed splitting.
그림 Fig. 6. Single site prediction results by random splitting.
그림 Fig. 7. Single site prediction results by custom splitting.
표 Table 5. Single site model evaluation results according to splitting type
그림 Fig. 8. Data distribution of variables.
표 Table 6. Single site model evaluation results by data preprocessing
그림 Fig. 9. Anchor tensile force standardization.
그림 Fig. 10. Anchor tensile force normalization.
그림 Fig. 11. Water pressure standardization.
그림 Fig. 12. Water pressure normalization.
그림 Fig. 13. Anchor tensile force & Water pressure standardization.
그림 Fig. 14. Anchor tensile force & Water pressure normalization.
그림 Fig. 15. Anchor tensile force standardization & Water pressure normalization.
그림 Fig. 16. Anchor tensile force normalization & Water pressure standardization.

AI 본문요약
AI-Helper

문제 정의

이를 고려하지 않은 학습과정을 거칠 경우 데이터세트에 이상치가 포함될 수 있고 모델의 과적합(Overfitting)의 우려가 있어 예측모델의 성능에 영향을 끼칠 우려가 있다. 따라서 본 연구에서는 시계열 비선형 데이터를 기반으로 한 머신러닝 학습과정에서 데이터전처리와 데이터분할에 따른 각 모델의 성능 비교평가를 수행하여 지반공학적 관점에서의 머신러닝 모델구축을 위한 데이터 학습과정의 가이드라인을 제시하고자 한다.

가설 설정

결측치가 발견된 현장은 데이터세트에서 제외할 수 있으나 이상치의 경우 지반의 불균질한 특성과 가시설 현장의 여러 변수로 인해 제외 혹은 대체할 경우 유효데이터를 제외혹은 대체하는 역설적인 상황이 발생할 수도 있다. 따라서 본 연구에서 검출된 결측치는 제외하고 이외의 데이터는 무결성 데이터라고 가정하였다.

제안 방법

데이터 전처리와 데이터 분할에 따른 모델링의 영향을 분석하기 위해 모델의 예측성능을 비교하였다. 성능 평가지표로는 MSE(Mean squared error), MAE(Mean absolute error), R-Squared를 적용하였다.
따라서 본 연구에서는 설명변수 중 수압과 앵커의 인장력이 데이터 스케일링의 대표적인 방법인 표준화와 정규화에 따른 모델링에 끼치는 영향 분석을 수행하였다.
본 연구에 사용된 데이터세트는 10개의 현장의 계측데이터가 종합되어 데이터 학습시 다른 현장의 특성이 반영된 예측결과가 나타난 것으로 판단된다. 따라서 해당 현장의 변위를 예측하기 위해서는 해당 현장의 특성만을 고려하기 위해 단일 현장의 데이터를 학습하는 것이 적합하다고 판단하여, 계측된 약 2,000개의 데이터 값을 단일현장별로 각각 구분하여 분할방법에 따른 예측결과를 재분석하였다.

대상 데이터

데이터 세트는 앵커가 설치된 흙막이 벽체 현장의 계측데이터를 수집하여 구성하였다. 수집된 데이터는 연구를 위해 엄격히 통제된 현장이 아닌 실제 시공현장으로 경북지역의 10개소에서 약 13,000개 데이터를 수집하였다.
본 연구에 사용된 데이터는 시계열 기반의 계측데이터로써 깊이에 따른 변위가 비선형으로 나타나는 데이터이다. 비선형 분석을 수행하기 위해서는 커널 트릭(Kernel Trick)을 통해 데이터를 고차원 공간으로 맵핑(mapping)하여 비선형관계를 모델링할 수 있다.
본 연구에 사용된 데이터세트는 10개의 현장의 계측데이터가 종합되어 데이터 학습시 다른 현장의 특성이 반영된 예측결과가 나타난 것으로 판단된다. 따라서 해당 현장의 변위를 예측하기 위해서는 해당 현장의 특성만을 고려하기 위해 단일 현장의 데이터를 학습하는 것이 적합하다고 판단하여, 계측된 약 2,000개의 데이터 값을 단일현장별로 각각 구분하여 분할방법에 따른 예측결과를 재분석하였다.
데이터 전처리에서는 결측치 처리, 이상치 처리, 데이터 스케일링으로 구분된다. 본 연구에 쓰인 계측데이터는 실제 시공현장의 계측데이터로 학술연구를 위한 엄격히 통제된 조건의 계측데이터가 아니기 때문에 결측치와 이상치가 존재할 수 있다. 결측치가 발견된 현장은 데이터세트에서 제외할 수 있으나 이상치의 경우 지반의 불균질한 특성과 가시설 현장의 여러 변수로 인해 제외 혹은 대체할 경우 유효데이터를 제외혹은 대체하는 역설적인 상황이 발생할 수도 있다.
본 연구에서는 시계열 비선형 데이터를 기반으로 한 머신러닝 학습과정에서 데이터 전처리와 분할에 따른 모델링 성능에 끼치는 영향 분석을 수행하기 위해 앵커가 설치된 가시설이 시공된 경북지역의 10개소 현장의 계측데이터를 바탕으로 SVR을 이용하여 흙막이 벽체의 변위를 예측할 수 있는 모델을 구축하였고, 그 결과는 다음과 같다.
수집된 데이터는 가공되지 않은 데이터로 머신러닝 모델의 종류, 설명변수의 공학적, 역학적, 재료적 특성에 따라 단위와 크기 및 성질이 각각 다르다. 수집된 데이터만으로는 머신러닝 모델의 학습과정에서 오차와 이상치, 유효치를 구분할 수 없기 때문에 연구자의 판단하에 데이터전처리(Preprocessing)를 수행해야하고 학습데이터와 검증데이터를 구분하는 데이터세트 분할을 수행해야 한다.
데이터 세트는 앵커가 설치된 흙막이 벽체 현장의 계측데이터를 수집하여 구성하였다. 수집된 데이터는 연구를 위해 엄격히 통제된 현장이 아닌 실제 시공현장으로 경북지역의 10개소에서 약 13,000개 데이터를 수집하였다.

이론/모형

본 연구에서 사용한 머신러닝 모델은 비선형 데이터의 예측에 적합한 SVR(Support vector regression)을 사용하였다. SVR은 주어진 데이터를 기반으로 선형 회귀뿐만 아니라 비선형 관계를 모델링할 수 있고, 마진(margin)을 최대화하는 특징을 활용하여 오차를 최소화할 수 있는 특징이 있다.
하이퍼파라미터는 설정값에 따라 예측성능을 높이고 일반화에 큰 영향을 미칠 수 있으나 반대로 과적합(Overfitting)의 우려가 있을 수 있어 최적화방법을 통해 설정한다. 본 연구에서는 시간, 비용적 측면에서 다소 비효율적일 수 있으나 설정된 범위내에서의 모든 경우의 수를 검토할 수 있는 그리드 서치(Grid search) 방법을 채택하였다. 최적화방법을 통해 산정된 하이퍼파라미터는 Table 1과 같다.
데이터 전처리와 데이터 분할에 따른 모델링의 영향을 분석하기 위해 모델의 예측성능을 비교하였다. 성능 평가지표로는 MSE(Mean squared error), MAE(Mean absolute error), R-Squared를 적용하였다. MSE와 MAE는 예측값과 실측값의 차이를 평균내어 산정하는 지표로 그 차이를 제곱하거나 절대값을 취하는 것에 차이가 있다.
비선형 분석을 수행하기 위해서는 커널 트릭(Kernel Trick)을 통해 데이터를 고차원 공간으로 맵핑(mapping)하여 비선형관계를 모델링할 수 있다. 커널 트릭은 대표적으로 다항식(Polynomial), 시그모이드(Sigmoid), 방사 기저 함수(Radial Basis Function, RBF) 커널이 있는데 그 중 비선형 분석에 효과적인 RBF 커널을 사용하였다. RBF 커널을 사용할 때는 C, γ, ∊ 세 가지의 하이퍼파라미터(초매개변수)를 사용한다.

성능/효과

(1) 데이터 분할 방법에 따른 모델링의 성능 영향 분석 결과, 난수 시드 분할, 랜덤 분할은 오차는 크게 나타났으나 추세는 활용할 만한 수준이었다. 그러나 무작위로 분할된 데이터가 무작위로 출력되어 깊이, 시간에 따른 변위를 확인할 수 없었다.
(3) 이를 통해 데이터세트를 구성할 때 현장의 특성을 반영하기 위해서는 단일 현장의 계측데이터로 구성하는 것이 유리하며, 통합 현장의 계측데이터로 구성할 경우에는 각 현장의 특성을 반영할 수 있는 설명변수를 구성하는 것이 모델링의 성능 향상에 도움이 될 것으로 판단된다. 또한 시계열 데이터로 계측되는 각 현장의 개별특성을 학습시키기 위해서는 사용자 지정 분할이 적합한 분할 방법으로 판단된다.
(4) 데이터 스케일링에 따른 모델링의 성능 영향 분석 결과, 데이터 스케일링을 수행하지 않은 모델에 비해 성능은 다소 저하된 것을 알 수 있다. 그러나 스케일링을 수행하지 않은 모델에서는 예측하지 못한 음의 변위를 예측할 수 있었다.
(2) 사용자 지정 분할에서 성능지표가 매우 저하된 이유는 10개소 현장의 계측데이터를 통합한 데이터세트를 학습하여 모델이 과적합되어 검증데이터의 현장특성을 반영하지 못하였다. 따라서 단일현장을 대상으로 데이터 분할 방법에 따른 모델링 성능 영향을 재분석한 결과, 난수 시드 분할, 랜덤 분할은 전체 현장의 해석결과와 같은 결과를 나타냈으나 사용자 지정 분할은 MSE, MAE 값은 1 이하, R-squared 값은 0.77로 우수한 수준의 성능을 나타냈다.
주목할 만한 것은 난수 시드 분할과 랜덤 분할은 최대변위에 대한 소극적인 예측으로 인한 오차가 크고 데이터가 무작위로 출력되기 때문에 시계열 데이터에 활용하기는 어렵다. 반면 사용자 지정 분할에서는 R-squared가 난수시드 분할과 랜덤분할 방법보다 비교적 낮은 예측 성능을 보였으나 오차에서는 우수한 성능을 보였다. 또한 시계열 데이터의 특성에 맞게 깊이와 경과 시간에 따라 데이터가 출력되는 특징을 보였다.
그러나 스케일링을 수행하지 않은 모델에서는 예측하지 못한 음의 변위를 예측할 수 있었다. 특히, 두 설명변수(수압, 앵커의 인장력)를 모두 표준화한 모델은 평가지표에서 미소한 차이를 보였으며음의 변위 예측에 우수한 성능을 보였다.

후속연구

추후 데이터 스케일링 적용에 따른 음의 변위 예측 성능 향상과 관련한 인과관계에 대해 충분한 연구가 이루어져 데이터의 특성과 분포에 따른 스케일링 적용에 대한 가이드라인을 제시할 수 있을 것으로 기대된다.

참고문헌 (24)

An, J.S., Kang, K.N., Kim, S.H., Song, K.I., 2019, Analysis for applicability of differential evolution algorithm to geotechnical engineering field, Journal of the Korean Geotechnical Society, 35(4), 27-35 (in Korean with English abstract).

원문보기 상세보기
Ann, S.Y., Jung, G.S., Choi, H.S., Choi, E.J., 2014, A study on the development for the programmable numerical formular？using the horizontal displacements by the inclinometer, Proceedings of the 2014 Fall Geosynthetics Conference, Jeonju, 29-32 (in Korean with English abstract).
Chung, J.S., Shin, Y.W., Kim, M.H., Kook, Y.M., Jeong, K.Y., Kim, P.S., Lee, S.H., 2018, A study on the displacement behavior according to the analysis model of ground excavation, Journal of the Korean Geo-Environmental Society,？19(4), 27-32 (in Korean with English abstract).
Goh, A.T.C., Zhang, F., Zhang, W., Zhang, Y., Liu, H., 2017, A simple estimation model for 3D braced excavation wall？deflection, Computers and Geotechnics, 83(2017), 106-113.

상세보기
Goldberg, D.T., Jaworski, W.E., Gordon, M.D., 1976, Lateral support systems and underpinning, Report No. FHWARD-75-128 (PB-257210), Federal Highway Administration, Washington DC, 51-87.
Ji, Z., Wang, B., Deng, S., You, Z., 2014, Predicting dynamic deformation of retaining structure by LSSVR-based time？series method, Neurocomputing, 137, 165-172.

상세보기
Kim, H.T., Park, S.W., Kwon, Y.H., Kim, J.H., 2000, Development of a system predicting maximum displacements of？earth retaining walls at various excavation stages using artificial neural network, Journal of the Korean Geotechnical？Society, 16(1), 83-97 (in Korean with English abstract).
Kim, T.S., Jung, Y.H., 2020, Evaluation of soil stiffness and excavation support wall deformation at deep excavation？site using inverse analysis, Journal of the Korean Geo-Environmental Society, 12(12), 5-10 (in Korean with English？abstract).

원문보기 상세보기
Lambe, T.W., Wolfskill, L.A., Wong, I.H., 1970, Measured performance of braced excavation, Journal of the Soil Mechanics and Foundations Division, 96(3), 817-836.

상세보기
Lee, D.G., Kang, K.N., Song, K.I., 2022, Multi-layered ground back analysis of retaining wall using differential evolution？algorithm : Basic research of digital twin, Journal of the Korean Geo-Environmental Society, 23(1), 25-30 (in Korean？with English abstract).

원문보기 상세보기
Lee, D.G., Yu, J.Y., Choi, J.Y., Song, K.I., 2023, Development of stability evaluation algorithm for C.I.P. retaining walls？during excavation, Journal of the Korean Geotechnical Society, 39(9), 13-24 (in Korean with English abstract).

원문보기 상세보기
Liu, D., Lin, P., Zhao, C., Qiu, J., 2021, Mapping horizontal displacement of soil nail walls using machine learning approaches, Acta Geotechnical, 16(12), 4027-4044.

상세보기
Moormann, C., 2004, Analysis of wall and ground movements due to deep excavations in soft soil based on a new worldwide database, Soil and Foundations, 44(1), 87-98.

상세보기
O'Rourke, T.D., 1976, The ground movements related to braced excavation and their influence on adjacent buildings,？Report No. DOT-TST 76T-23, US Department of Transportation, 7-46.
O'Rourke, T.D., 1981, Ground movements caused by braced excavations, Journal of the Geotechnical Engineering Division, 107(9), 1159-1178.

상세보기
Park, C.S., Joung, S.M., 2020, An analytical study on the horizontal displacement and excavation width of H-pile earth？retaining wall, Proceedings of the KSCE 2020 Convention, Seogwipo, 1177-1178 (in Korean with English abstract).
Park, C.S., Park, D.W., Lee, Y.K., 2009, A study on the displacement analysis of earth retaining wall, Proceedings of the？Civil Expo 2009, Hoengseong, 2059-2062 (in Korean with English abstract).
Park, D.H., Song, S.M., Park, K.C., Ahn, C.Y., 2016, Numerical simulation of braced excavation using nonlinear constitutive model, Proceedings of the KSCE 2016 Convention, Seogwipo, 270-271 (in Korean with English abstract).
Peck, B.B., 1969, Deep excavations and tunneling in soft ground, State of the Art Report, Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering, Mexico, 4, 225-290.
Seo, S.H., Chung, M.K., 2022, Engineering application of artificial intelligence to predict displacement of retaining walls？in excavation sites, Proceedings of the KSCE 2022 Convention, Busan, 7-8 (in Korean with English abstract).
Seo, S.H., Chung, M.K., 2023, Development of an ensemble prediction model for lateral deformation of retaining wall？under construction, Journal of the Korean Geotechnical Society, 39(4), 5-17 (in Korean with English abstract).

원문보기 상세보기
Song, J.H., 2023, Prediction of anchored retention wall horizontal displacement using SVM, MSc Thesis, Kumoh National？Institute of Technology, 19-27 (in Korean with English abstract).
Yoo, C.S., Yang, J.W., 2020, A study on development of artificial neural network (ANN) for preliminary design of urban？deep Excavation and tunnelling, Journal of the Korean Geosynthetics Society, 19(1), 11-23 (in Korean with English？abstract).

원문보기 상세보기
Yun, Y.M., 2019, Development of site management system for temporary facility construction using back analysis, Journal？of the Society of Disaster Information, 15(4), 570-577 (in Korean with English abstract).

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