[논문]DNN 기법을 활용한 지하공동 데이터기반의 지반침하 위험 지도 작성

김한응; 김창헌; 김태건; 박정준

doi:10.15683/kosdi.2023.6.30.334

초록
AI-Helper

연구목적: 본 연구에서는 지반공동탐사로 발견된 공동자료를 지하시설물과의 원인별 상관관계로 분석하고, AI 알고리즘 기반으로 지반침하 예측지도를 검증하여 시민에게 안전한 도로 환경을 제공하고자한다. 연구방법: 위험도 평가 관련 데이터조사와 빅데이터 수집, AI분석을 위한 데이터 전처리, 그리고 AI 알고리즘을 이용하여 지반침하 위험도 예측지도 검증 등 3가지 단계로 연구를 수행하였다. 연구결과:작성한 지반침하 위험 예측지도를 분석하여 부산시 부산진구와 사하구에 대해 긴급, 우선, 일반 3단계의 공동관리 위험등급 분포를 확인 할 수 있었다. 또한, 지반침하 위험 등급 예측 값을 도로노선의 구간별로 정리하여 긴급 등급이 포함된 도로가 부산진구는 총 61개구간 중 3개소, 사하구는 총 68개구간 중 7개소임을 확인하였으며 각 도로노선별 지반침하 위험 예측 순위를 파악하였다. 결론: 도출된 지반침하 위험 예측지도를 바탕으로 효율적으로 탐사구간을 설정하여 우선 조사, 선제 조치함으로써 시민들의 불안을 해소하고 효율적인 도로유지관리 및 보수, 제도의 개선 등의 부수적인 효과를 얻을 수 있다.

Abstract ▼ AI-Helper

Purpose: In this study, the cavity data found through ground cavity exploration was combined with underground facilities to derive a correlation, and the ground subsidence prediction map was verified based on the AI algorithm. Method: The study was conducted in three stages. The stage of data invest...

Purpose: In this study, the cavity data found through ground cavity exploration was combined with underground facilities to derive a correlation, and the ground subsidence prediction map was verified based on the AI algorithm. Method: The study was conducted in three stages. The stage of data investigation and big data collection related to risk assessment. Data pre-processing steps for AI analysis. And it is the step of verifying the ground subsidence risk prediction map using the AI algorithm. Result: By analyzing the ground subsidence risk prediction map prepared, it was possible to confirm the distribution of risk grades in three stages of emergency, priority, and general for Busanjin-gu and Saha-gu. In addition, by arranging the predicted ground subsidence risk ratings for each section of the road route, it was confirmed that 3 out of 61 sections in Busanjin-gu and 7 out of 68 sections in Sahagu included roads with emergency ratings. Conclusion: Based on the verified ground subsidence risk prediction map, it is possible to provide citizens with a safe road environment by setting the exploration section according to the risk level and conducting investigation.

Keyword

표/그림 (13)

표 Table 1. Grid-divided map coordinates
그림 Fig. 1. Structure of deep neural network
그림 Fig. 3. Correlation between cavity, underground facilities and subway lines
그림 Fig. 2. Euclidean distance
표 Table 2. Distance between cavity and underground facilities and subway lines
표 Table 3. Underground facilities and subway lines classified by grade
표 Table 4. Model algorithm structure
그림 Fig. 4. Schematic of model algorithm structure
그림 Fig. 5. Error rate graph
표 Table 5. Performance evaluation index
그림 Fig. 6. Ground subsidence risk map
표 Table 6. Risk rating prediction results for each road route in Busanjin-gu
표 Table 7. Risk rating prediction results for each road route in Saha-gu

AI 본문요약
AI-Helper

문제 정의

이에 본 연구에서는 AI를 활용하여 지반함몰 위험 예측 지도를 제작해 GPR 탐사로 얻은 공동의 데이터와 지하시설물 및 지하철 노선도와의 원인별 상관관계를 분석하고 AI 알고리즘을 이용하여 지반침하 예측 가능성을 검증하였다.

제안 방법

지반침하 위험 예측지도를 얻기 위해서 지도에 색깔별로 지반침하 위험도를 나타내는 방법을 적용하기 위해서 지하 매설물과 지하철 노선도의 x, y 좌표의 최소값, 최대값을 범위로 지정하여 Table 1과 같이 일정 단위(grid)로 지도를 분할하였다.
공동과 지하 매설물 및 지하철 노선도의 좌표를 표시하고 모델에 거리 값을 넣어주면 범주형 자료를 출력해주는데 이를 통해 나누어진 그리드, 즉 각 칸이 어느 범주에 속하는지 예측하여 색깔을 통해 위험 정도를 표현하였다. 최종적으로 도로노선과 공동, 지하매설물 및 지하철노선도, 공동 위험등급이 색칠된 지도를 위성사진과 합성하여 지반침하 위험 예측지도를 생성하였다. Table 5는 학습이 완료된 모델을 적용했을 때의 분류성능 평가지표이다.
본 연구에서는 지하공동자료와 지하시설물 등의 데이터를 이용, 심층신경망을 활용한 딥러닝 기법으로 지반침하 위험 예측지도를 만들고 도로노선별 위험등급 예측 값을 얻었으며 다음과 같은 결론을 도출하였다.

대상 데이터

본 연구에서는 부산광역시 중 부산진구와 사하구의 공동, 지하 매설물, 지하철 노선도가 분석 대상이다. 공동(cavity) 자료는 위치 데이터(X좌표, Y좌표)와 등급, 면적 정보로 이루어져 있다.
딥러닝 모델은 텐서플로우(tensorflow) 라이브러리를 활용하여 구성하였으며, Dense 레이어라는 fully connected 레이어를 구성하였다. 총7개의 층으로 이루어져 있고, 각 층은 범주형 개수(120개)에 비례한 유닛을 설정하였으며 가장 마지막 레이어의 경우 범주형 자료의 확률을 나타내기 위해 120개로 설정하였다. 본 연구에서 사용된 모델의 총 파라미터 수는 26,276,272개라는 것을 확인 할 수 있었고(Table 4), Fig.
총7개의 층으로 이루어져 있고, 각 층은 범주형 개수(120개)에 비례한 유닛을 설정하였으며 가장 마지막 레이어의 경우 범주형 자료의 확률을 나타내기 위해 120개로 설정하였다. 본 연구에서 사용된 모델의 총 파라미터 수는 26,276,272개라는 것을 확인 할 수 있었고(Table 4), Fig. 4는 모델 알고리즘의 구조를 간략하게 표현한 것이다.
딥러닝 학습 모델을 통해 완성된 모델을 도출하여 부산진구, 사하구 자료에 각각 적용하였다. 공동과 지하 매설물 및 지하철 노선도의 좌표를 표시하고 모델에 거리 값을 넣어주면 범주형 자료를 출력해주는데 이를 통해 나누어진 그리드, 즉 각 칸이 어느 범주에 속하는지 예측하여 색깔을 통해 위험 정도를 표현하였다.
작성한 지반침하 위험 예측지도를 분석하여 부산시 2개구(부산진구, 사하구)에 대해 긴급, 우선, 일반 3단계의 위험등급 분포를 확인 할 수 있었다. 또한, 지반침하 위험 등급 예측 값을 도로노선의 구간별로 정리하여 긴급 등급이 포함된 도로가 부산진구 총 61개구간(56.84km) 중 3개소(0.39km), 사하구 총 68개구간(68.29km) 중 7개소(1.66km)임을 확인하였으며 각 도로노선별 지반침하 위험 예측 순위를 파악하였다. 즉, 부산진구와 사하구의 지반침하 위험예측지도를 바탕으로 지하시설물 밀집정도를 확인해 본 결과, 부산진구 위험예측 구간보다, 사하구의 위험예측 구간에서 상․하수도관이 더 밀집된 것을 확인할 수 있었다.

데이터처리

Table 5는 학습이 완료된 모델을 적용했을 때의 분류성능 평가지표이다. 식(1)을 이용하여 정밀도(precision), 재현율(recall), F-score 등의 통계적 지표를 산출하여 지하공동자동탐지기법의 성능을 평가하였다. 여기서 ‘grid100’은 지하 매설물의 좌표의 최소 단위가 100인 것, ‘grid50_b’는 좌표의 최소 단위가 50인 것, ‘grid50_s’는 좌표의 최소 단위가 50이고 파라미터의 개수를 줄인 모델로 평가를 해 본 지표이다.

이론/모형

각 지점에 해당하는 거리등급 분류를 적용하면 Table 3과 같은 데이터를 얻을 수 있다. 마지막으로 데이터의 개수가 적다는 단점을 보완하기 위하여 오버샘플링의 방법 중 하나인 SMOTE를 적용하여 데이터의 개수를 늘려주었다.
딥러닝 모델은 텐서플로우(tensorflow) 라이브러리를 활용하여 구성하였으며, Dense 레이어라는 fully connected 레이어를 구성하였다. 총7개의 층으로 이루어져 있고, 각 층은 범주형 개수(120개)에 비례한 유닛을 설정하였으며 가장 마지막 레이어의 경우 범주형 자료의 확률을 나타내기 위해 120개로 설정하였다.

성능/효과

종합 정확도(F-score)는 'grid100'일 때 부산진구가 0.94, 사하구가 0.95로 만족스러운 지표 결과를 얻을 수 있었다.
6에 나타낸 바와 같이 지반침하 위험 예측 지도를 생성하였다. 결과, 지반침하 위험 등급 예측값을 도로노선의 구간별로 정리하여 긴급 등급이 포함된 도로가 부산진구 총61개구간(56.84km) 중 3개소(0.39km), 사하구 총68개구간(68.29km) 중 7개소(1.66km)임을 확인하였다. 즉, 부산진구와 사하구의 지반침하 위험예측지도를 바탕으로 지하시설물 밀집정도를 보았을 때, 부산진구 위험예측 구간보다 사하구의 위험예측 구간에서 상․하수도관이 더 밀집된 것을 확인할 수 있었다.
66km)임을 확인하였다. 즉, 부산진구와 사하구의 지반침하 위험예측지도를 바탕으로 지하시설물 밀집정도를 보았을 때, 부산진구 위험예측 구간보다 사하구의 위험예측 구간에서 상․하수도관이 더 밀집된 것을 확인할 수 있었다.
작성한 지반침하 위험 예측지도를 분석하여 부산시 2개구(부산진구, 사하구)에 대해 긴급, 우선, 일반 3단계의 위험등급 분포를 확인 할 수 있었다. 또한, 지반침하 위험 등급 예측 값을 도로노선의 구간별로 정리하여 긴급 등급이 포함된 도로가 부산진구 총 61개구간(56.
66km)임을 확인하였으며 각 도로노선별 지반침하 위험 예측 순위를 파악하였다. 즉, 부산진구와 사하구의 지반침하 위험예측지도를 바탕으로 지하시설물 밀집정도를 확인해 본 결과, 부산진구 위험예측 구간보다, 사하구의 위험예측 구간에서 상․하수도관이 더 밀집된 것을 확인할 수 있었다.

후속연구

도출된 지반침하 위험 예측지도를 바탕으로 효율적으로 탐사구간을 설정하고 우선 조사, 선제 조치함으로써 시민들의 불안을 해소하고 인적, 물적 손실 최소화 효과를 기대할 수 있으며, 기반공사 및 건축에도 지반침하 위험 예측지도를 참조하여 보강 및 계측 계획에 반영함으로써 큰 사고나 피해를 예방할 수 있으며 효율적인 도로유지관리 및 보수, 제도의 개선 등의 부수적인 효과를 얻을 수 있다. 향후 공동 발생원인 인자를 추가 입력하여, 분석·학습 시킴으로써 보다 정밀하고 신뢰성 높은 지반침하 위험 예측이 가능하며 부산광역시 관리 프로그램과 연계하여 분석할 수 있을 것으로 판단된다.

참고문헌 (20)

Al-Nuaimy, W., Huang, Y., Nakhkash, M., Fang, M.T.C., Nguyen, V.T., Eriksen, A. (2000). "Automatic detection？of buried utilities and solid objects with GPR using neural networks and pattern recognition." Journal of Applied？Geophysics, Vol. 43, pp. 157-165.
Batayneh, A., Abdelruhman, A., Moumani, K. (2002). "Use of ground-penetrating radar for assessment of potential？sinkhole conditions: an example from Ghor al Haditha area." Environmental Geology, Vol. 41, pp. 977-983.
Benedetto, A., Tosti, F., Ciampoli, L., D'Amico, F. (2017). "An overview of ground-penetrating radar signal processing？techniques for road inspections." Signal Processing, Vol. 132, pp. 201-209.
Cassidy, N.J., Eddies, R., Dods, S. (2011). "Void detection beneath reinforced concrete sections: The practical？application of ground penetrating radar and ultrasonic techniques." Journal of Applied Geophysics, Vol. 74, pp.？263-276.

상세보기
Chae, H.Y. (2017). "Study on Subsurface Collapse of Road Surface and Cavity Search in Urban Area." Tunnel &？Underground Space, Vol. 27, No. 6, pp. 387-392.
Chang, P., Flatau, A., Liu, S. (2003). "Review paper: Health monitoring of civil infrastructure." Structure Health？Monitoring, Vol. 2, pp. 257-267.
Endres, A.L., Clement, W.P., Rudolph, D.L. (2000). "Ground penetrating radar imaging of an aquifer during a pumping test." Ground Water, Vol. 38, pp. 566-576.

상세보기
Gamba, P. (2000). "Neural detection of pipe signatures in ground penetrating radar images." IEEE Trans Geoscience？Remote Sensing, Vol. 38, pp. 790-797.
Kang, M.S., Kim, N.G., Lee, J.J., An Y.K. (2019). "Deep learning-based automated underground cavity detection？using three-dimensional ground penetrating radar." Structure Health Monitoring, Vol. 19, No. 1.
Kang, Y.V., Hsu, H.C. (2013). "Application of ground penetrating radar to identify shallow cavities in a coastal？dyke." Journal of Applied Science and Engineering, Vol. 16, No. 1, pp. 23-28.
Kim, N.G., Kim, S., An, Y.K., Lee, J.J. (2019). "A novel 3D GPR image arrangement for deep learning-based？underground object classification." International Journal of Pavement Engineering, Vol. 22, No. 6, pp. 740-751.
Kim, S.M., Choi, H., Yoon, J.S., Park, J.J. (2020). "A study on the change of cavity area through groundwater？injection test under pavement cavity." Journal of the Society of Disaster Information, Vol. 16, No. 2, pp. 267-275.
Kizhevsky, A., Sutskever, I., Hilton, G. (2012). "ImageNet classification with deep convolutional neural networks."？In Proceedings of the NIPS'12, Lake Tahoe, NV, USA, pp. 1-9.
Park, B., Kim, J., Lee, J., Kang, M.S., An, Y.K. (2018). "Underground object classification for urban roads using？instantaneous phase analysis of ground-penetrating radar (GPR) data." Remote Sensing, Vol. 10, No. 9.

상세보기
Park, J.J., Chung, Y., Hong, G. (2019). "A method for cavity scale estimation based on ground-penetration radar(GPR)？explorations: An experimental study." Advances in Civil Engineering, Vol. 2019, 1365759.
Park, J.J., Kim, I.D. (2020). "Analysis of the under pavement cavity growth rate using multi-channel GPR equipment."？Journal of the Society of Disaster Information, Vol. 16, No. 1, pp. 60-69.
Rodriguez, V., Gutierrez, F., Green, A., Carbonel, D., Horstmeyer, H., Schmelzbach, C. (2014). "Characterizing？sagging and collapse sinkholes in a Mantled Karst by means of ground penetrating radar(GPR)." Environmental &？Engineering Geoscience, Vol. 20, pp. 109-132.

상세보기
Schoor, M. (2002). "Detection of sinkholes using 2D electrical resistivity imaging." Journal of Applied Geophysics,？Vol. 50, pp. 393-399.

상세보기
Tzanis, A. (2015). "The curvelet transform in the analysis of 2-D GPR data: signal enhancement and extraction of？orientation and scale dependent information." Journal of Applied Geophysics, Vol. 115, pp. 145-170.

상세보기
Zhang, Y., Huston, D., Xia, T. (2016). "Underground object characterization based on neural networks for ground？penetrating radar data." Proceedings of the SPIE, Nevada, US, pp. 1-9.？

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] DNN 기법을 활용한 지하공동 데이터기반의 지반침하 위험 지도 작성
Verification of Ground Subsidence Risk Map Based on Underground Cavity Data Using DNN Technique 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (20)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] DNN 기법을 활용한 지하공동 데이터기반의 지반침하 위험 지도 작성 Verification of Ground Subsidence Risk Map Based on Underground Cavity Data Using DNN Technique 원문보기

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

Abstract ▼ AI-Helper

Keyword

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (20)

이 논문을 인용한 문헌

저자의 다른 논문 :

박정준 (69)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] DNN 기법을 활용한 지하공동 데이터기반의 지반침하 위험 지도 작성
Verification of Ground Subsidence Risk Map Based on Underground Cavity Data Using DNN Technique 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper

활용도 Top5 논문