[논문]입도분석에 기반한 Deep Neural Network를 이용한 최대 건조 단위중량 예측 모델 평가

김명환

doi:10.5389/ksae.2023.65.3.015

입도분석에 기반한 Deep Neural Network를 이용한 최대 건조 단위중량 예측 모델 평가
Evaluation of Maximum Dry Unit Weight Prediction Model Using Deep Neural Network Based on Particle Size Analysis 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.65 no.3, 2023년, pp.15 - 28

김명환 (Department of Agricultural and Rural Engineering, Chungbuk National University)

Abstract ▼ AI-Helper

The compaction properties of the soil change depending on the physical properties, and are also affected by crushing of the particles. Since the particle size distribution of soil affects the engineering properties of the soil, it is necessary to analyze the material properties to understand the compaction characteristics. In this study, the size of each sieve was classified into four in the particle size analysis as a material property, and the compaction characteristics were evaluated by multiple regression and maximum dry unit weight. As a result of maximum dry unit weight prediction, multiple regression analysis showed R2 of 0.70 or more, and DNN analysis showed R2 of 0.80 or more. The reliability of the prediction result analyzed by DNN was evaluated higher than that of multiple regression, and the analysis result of DNN-T showed improved prediction results by 1.87% than DNN. The prediction of maximum dry unit weight using particle size distribution seems to be applied to evaluate the compacting state by identifying the material characteristics of roads and embankments. In addition, the particle size distribution can be used as a parameter for predicting maximum dry unit weight, and it is expected to be of great help in terms of time and cost of applying it to the compaction state evaluation.

주제어

표/그림 (18)

표 Table 1 Range of physical characteristics on soil of gravelly, sandy, and clayey
표 Table 2 Data Set for DNN model in this study
그림 Fig. 1 Structure of the DNN model for prediction the MDD
그림 Fig. 2 Structure of the DNN-T model for prediction of MDD
표 Table 3 Data Set for DNN-T model in this study
그림 Fig. 3 MDD distribution range on analysis clayey sandy, gravelly soil
표 Table 4 Range of D compaction results on clayey sandy, gravelly soil
그림 Fig. 4 Correlation of MDD Vs. #4, #10, #40, #200 by soil type
표 Table 5 Summary of MR analysis results by case for input parameter
그림 Fig. 5 Results of DNN model training on Loss and Validation loss, MAE and Validation_MAE
표 Table 6 Summary of MR analysis results on case-1, case-3, and case-4
표 Table 7 Case by target data in DNN and DNN-T
그림 Fig. 6 Comparison of DNN-1 model training results in DNN
그림 Fig. 7 Comparison of DNN-2 model training results in DNN
그림 Fig. 8 Results of DNN-T model training on Loss and Validation loss, MAE and Validation_MAE
그림 Fig. 9 Comparison of DNN-T-1 model training results in DNN-T
그림 Fig. 10 Comparison of DNN-T-2 model training results in DNN-T
표 Table 8 Evaluation of error on MR, DNN and DNN-T

AI 본문요약
AI-Helper

가설 설정

본 연구에서는 D 다짐 시험결과의 MDD를 예측하고 오차를 평가하기 위하여 매개변수로 사용된 표준체의 크기가 4.75 mm (#4), 2.0 mm (#10), 0.425 mm (#40), 0.075 mm (#200)의 통과중량백분율에 의한 영향을 받는 것으로 가정하였다. 매개변수로 사용된 표준체의 크기에서 #4는 모래와 자갈의 구분하는 기준이 되고, #10은 비중시험에 사용되는 기준이 되고, #40은 흙의 컨시스턴시를 구분하는 시험의 기준이 되고, #200은 조립토와 세립토를 구분하는 기준이 되고 있어 이번 연구에서 대표적인 표준체로 선정하였다.

제안 방법

DNN 모델의 구조에서 신경망 구조의 중간단계에 “Thinking layer”라는 신경망 (DNN-T)을 생성하여 훈련한 데이터를 예측하는 모델을 개발하였다
입력변수의 조건에 따른 차이점을 파악하기 위하여 case-1을 비교대상으로 선택하였다. DNN을 이용한 분석은 조건별로 DNN-1과 DNN-2로 구분하였으며, DNN-T를 이용한 분석은 DNN-T-1과 DNN-T-2로 구분하였다. DNN과 DNN-T은 다중공선성에 의한 강한 상관관계가 있는 입력변수 #10의 사용유무에 따라 구분된 것이다.

대상 데이터

본 연구에서 분석에 사용된 흙은 서울 (5개), 경기 (29개), 충북 (15개), 충남 (6개), 전남 (4개), 경남 (15개), 강원 (5개) 지역에서 채취된 흙을 대상으로 하였다. 흙은 모래, 자갈, 점토질로 구분하여 할 수 있으며 물리적 특성과 MDD를 부록에 정리하였다.
선형 및 비선형 패턴 모두에서 DNN은 일반적으로 출력과 입력 사이의 은닉층을 결정하기 위해 사용된다. 본 연구에서는 79개의 데이터 세트 중 임의로 수집한 20개의 데이터 세트를 테스트 단계에 사용하고 59개의 데이터 세트를 훈련 단계에 사용하였다. 파라미터는 #4, #10, #40, #200이 모델에 입력 변수로 사용되었고 MDD는 출력 변수로 사용되었다.
DNN과 DNN-T 모델을 이용하여 MR의 분석결과에서 다중공선성 문제가 해결된 case-3에 대하여 분석을 실시하였다. 입력변수의 조건에 따른 차이점을 파악하기 위하여 case-1을 비교대상으로 선택하였다. DNN을 이용한 분석은 조건별로 DNN-1과 DNN-2로 구분하였으며, DNN-T를 이용한 분석은 DNN-T-1과 DNN-T-2로 구분하였다.

데이터처리

DNN과 DNN-T 모델을 이용하여 MR의 분석결과에서 다중공선성 문제가 해결된 case-3에 대하여 분석을 실시하였다. 입력변수의 조건에 따른 차이점을 파악하기 위하여 case-1을 비교대상으로 선택하였다.
모델의 훈련평가는 손실함수 (Loss function)를 평균제곱오차 (Mean squared error, MSE)로 하였고, 모델학습 중의 모델 검증 (validation)은 평균절대오차 (mean absolute error, MAE)를 사용하였다.

성능/효과

다중공선성 (Multicollinearity)은 VIF가 10 이상이며, 서로 상관관계가 강한 관계를 보이게 된다. MDD를 예측하기 위해 입력변수를 모든 적용한 case-1에서는 #200을 제외한 나머지 입력변수의 VIF가 10 이상으로 강한 상관관계가 있는 것으로 나타났다. 이를 해결하기 위해 3개의 입력변수 중 VIF가 가장 큰 #10을 제거하여 다중공선성 문제를 해결하였다.
검증 데이터 세트의 매트릭이 훈련 데이터 세트의 매트릭보다 높게 나타나고 있다. 이상적인 훈련 조건을 나타내지 않고 있으며, 0에 가깝게 수렴하여 과적합이 발생하지 않았으므로 훈련 및 일반화가 충분히 진행되었음을 확인하였다.

후속연구

흙은 모래, 자갈, 점토질로 구분하여 할 수 있으며 물리적 특성과 MDD를 부록에 정리하였다. 각 흙에 대해서는 모래질 흙의 비율이 가장 많았으며, 점토질과 자갈질의 경우 데이터의 수가 충분하지 않기 때문에 데이터 축적이 추가적으로 필요할 것으로 판단된다. 지역별로 수집된 자갈질, 모래질, 점토질 비율에 따른 D 다짐시험 결과의 범위를 Table 1에 정리하였다.

참고문헌 (37)

Alawi, M. H., and M. I. Rajab, 2013. Prediction of California？bearing ratio of subbase layer using multiple linear regression？models. Road Materials and Pavement Design, 14(1): 211-219. doi: 10.1080/14680629.2012.757557.

상세보기
Baek, J. W., and K. Chung, 2020. Context deep neural？network model for predicting depression risk using multiple？regression. IEEE Access, 8: 18171-18181. doi: 10.1109/ACCESS.2020.2968393.

상세보기
Baek, S. H., S. W. Yun, J. C. Park, and C. Yu, 2007.？Characteristic of compaction and permeability of soils with？the variation of particle distribution and compaction energy.？Journal of Agriculture & Life Science, 41(2): 45-50.
Bengio, Y., A. Courville, and P. Vincent, 2014. Representation？learning: a review and new perspectives. IEEE Transactions？on Patter Analysis and Machine Intelligence, 35(8):？1798-1828. doi: 10.48550/arXiv.1206.5538.
Bera, A., and A. Ghosh, 2011. Regression model for？prediction of optimum moisture content and maximum dry？unit weight of fine grained soil. International Journal of？Geotechnical Engineering, 5: 297-305. doi: 10.3328/IJGE.2011.05.03.297-305.

상세보기
Chen, M. L., G. J. Wu, B. R. Gan, W. H. Jiang, and J.？W. Zhou, 2018. Physical and compaction properties of？granular materials with artificial grading behind the particle？size distributions. Advances in Materials Science and？Engineering. Volume 2018, Article ID 8093571, 1-20. doi: 10.1155/2018/8093571.

상세보기
Chinkulkijniwat, A., E. Man-Koksung, A. Uchaipichat, and？S. Horpibulsuk, 2010. Compaction characteristics of？non-gravel and gravelly soils using a small compaction？apparatus. Journal of ASTM International, 7(7): 1-15.
Cho, S. H., H. S. Nam, K. J. Ryu, and D. K. Ryoo, 2020.？A comparative analysis of the forecasting performance of？coal and iron ore in Gwangyang Port using stepwise？regression and artificial neural network model. Journal of Navigation and Port Research, 44(3): 187-194. doi:？10.5394/KINPR.2020.44.3.187. (in Korean).

원문보기 상세보기
Ding, Y., Y. Rao, A. K. Sarmah, X. Huang, B. Pan, and？D. Liu, 2020. Prediction and evaluation of grain？size-dependent maximum dry density for gravelly soil.？International Journal of Geomechanics, 20(9): 04020153.？doi: 10.1061/(ASCE)GM.1943-5622.0001775.

상세보기
Elgibaly, A. A., and A. M. Elkamel, 1998. A new？correlation for predicting hydrate formation conditions for？various gas mixtures and inhibitors. Fluid Phase？Equilibria, 152: 23-42.

상세보기
Groupe, D., 2007. Principle of artificial neural networks,？2nd ed. World Scientific Publishing Co., Singapore.
Gurtug, Y., and A. Sridharan, 2004. Compaction behaviour？and prediction of its characteristics of fine grained soils？with particular reference to compaction energy. Soil and？Foundation, 44(5): 27-36.
Hertag, L., and H. Sprekeler, 2020. Learning prediction？error neurons in a canonical interneuron circuit. Elife, 9: e57541.

상세보기
Johnson, A. W., and J. R. Sallberg, 1960. Factors that？influence field compaction of soils. Highway Research？Board Bulletin, 272: 206.
Keijser, J., and H. Sprekeler, 2022. Optimizing interneuron？circuits for compartment-specific feedback inhibition.？PLoS Computational Biology, 18(4): e1009933.

상세보기
Kim, K., J. Jeon, and H. Choi, 2019. A comparison study？of correlation modeling. Journal of the Korean Data？Analysis Society, 11(6), 3319-3329. (in Korean).
Kim, M. H., C. M. Song, and S. E. Eom, 2022. Evaluation？of permeability coefficient of agriculture reservoirs using？deep neural network. KSAE Annual Conference, Oct 13-14, 2022, Interburgo Hotel, Daegu, Korea.
Kim, W. Y., N. R. Kim, and J. Y. Lim, 2017. A study？on the experiment for classification of construction？material properties of reservoir. J. Korean Soc. Hazard？Mitig., 17(2): 219-230. doi: 10.9798/KOSHAM.2017.17.2.219.

상세보기
Kim Y. G., H. J. Park, S. G. Lee, and E. Y. Cha, 2015.？Correlation analysis and optimization between parameters？using with deep learning. Annual Conference of Korea？Information Processing Society, Oct. 28, 22(2): 1285-1288.
Kim, Y. S., S. B. Lee, and S. G. Jung, 1995. The？engineering characteristics of weathered sedimentary rock？soils - In Taegu and Kyungpook areas -, Journal of the？Korean Geotechnical Society, 11(4): 63-74.
Lee, C. W., S. Y. Park, H. M. Oh, and Y. S. Kim, 2015.？Numerical simulation on seepage and seismic behaviors of？poorly-compacted raised reservoir levee. Journal of the？Korean Society of Agricultural Engineers, 57(4): 85-99. doi: 10.5389/KSAE.2015.57.4.085.

원문보기 상세보기
Lee, J. H., B. S. Hwang, D. H. Chae, and W. J. Cho, 2015.？Evaluations on the compaction energy effects on the soil？compaction at sub-zero temperature. Journal of the Korean？Geo-Environmental Society, 16(8): 13-18. (in Korean).
Lumay, G., and N. Vandewalle, 2004. Compaction of？anisotropic granular materials: experiments and simulations.？Physical Review E, 70(1), 051315-1-5. doi: 10.1103/PhysRevE.70.051314

상세보기
Myers, R. H., 1990. Classical and modern regression with？applications (2nd ed.), Boston, Mass.: Duxbury Press.
Noh, S. K., P. W. Chang, and Y. H. Son, 2006. Analysis？of effect of compaction energy using fragmentation fractal.？Journal of the Korean Society of Agricultural Engineers, 48(6): 59-67.
Ma, Z. Y., Dang, F. N., and H. J. Liao, 2014. Numerical？study of the dynamic compaction of gravel soil ground？using the discrete element method. Granular Matter, 16(6): 881-889.

상세보기
Pandian, N. S., T. S. Nagaraj, and M. Manoj, 1997.？Reexamination of compaction characteristics of fine？grained soils. Geotechnique, 47(2): 363-366.

상세보기
Park, H. I., 2011. Development of neural network model？to estimate the permeability coefficient of soils. Marine？Georesources and Geotechnology, 29: 267-278. doi: 10.1080/1064119X.2011.554963.

상세보기
Park, H. M., H. S. Park, and S. W. Park, 2016. Mechanical？evaluation of compacted granular materials considering？particle size distribution. Journal of the Korean？Geotechnical Society, 32(1): 45-53. doi: 10.7843/kgs.2016.32.1.45.

원문보기 상세보기
Park, J. H., 2010. A study on evaluation of compaction？ratio using 10% air voids line, Master's thesis, Keimyung？University, 36-51. (in Korean).
Park, J. M., Y. B. Han, and Y. S. Jang, 2013. Estimation？of ultimate bearing capacity of gravel compaction piles？using nonlinear regression analysis. Journal of Korean？Society of Coastal and Ocean Engineers, 25(2): 112-121. doi: 10.9765/KSCOE.2013.25.2.112.

원문보기 상세보기
Park. C. S., and J. H. Kim, 2017. Correlation between physical and compaction characteristics of various soils.？Journal of the Korean Geo-Environmental Society, 18(1): 23-29. doi: 10.14481/jkges.2017.18.1.23.

원문보기 상세보기
Perfect, E., and B. D. Kay, 1995. Applications of fractals？in soil and tillage research: A review. Soil and Tillage？Research, 36(1-2): 1-20.
Ring III, G. W., J. R. Sallberg, and W. H. Collins, 1962.？Correlation of compaction and classification test data.？Highway Research Board Bulletin, 325: 577-587.
Sezer, A., A. B. Goktepe, and S . Altun, 2009. E stimation？of the permeability of granular soils using neuro-fuzzy？system, AIAI-2009 Workshops Proceedings.
Yu, C., W. S. Kim, K. J. Kang, S. Y. Park, and S. Y.？Na, 2002. A risk evaluation method of agricultural？infrastructures with climate change using hybridized fuzzy？logic and neural network theory. KSAE Annual Conference,？Oct 13-14, Interburgo Hotel, Daegu, Korea.
Yun, T. Y., 2018. Applicability evaluation of DEM with？spherical particles for packing degree estimation.？International Journal of Highway Engineering, 20(6): 21-30. (in Korean). doi: 10.7855/IJHE.2018.20.6.021.

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