도심지 건축 프로젝트가 초고층화, 대형화됨에 따라, 공사비와 공기의 관점에서 지하공사의 중요성은 점차 증가하고 있다. 지하공사 단계에서 대단히 중요한 것은 적정 말뚝공법을 선정하는 것이다. 그런데 말뚝공사의 경우, 공법 선정 시 고려해야 할 지반조건들이 많고, 불확실한 정보에 기반한 경험적인 공법선정이 이루어지기 때문에, 말뚝공법의 변경이 적지 않게 발생하며, 이것은 프로젝트의 공사비와 공기에 영향을 미친다 본 연구에서는 프로젝트의 설계단계에서 적정 말뚝공법을 선정하는데 활용하고, 시공전 단계에서 기 선정된 말뚝공법의 적정여부를 검증할 수 있는 말뚝공법 선정모델을 제안하였다. 실적데이터에 근간한 신경망 모델은 이미 그 효율성이 입증된 바 있다. 2000년부터 2004년까지 국내에서 시행된 150개의 데이터를 기초로 하여 말뚝공법 선정을 위한 신경망 모델을 개발하였다. 개발한 신경망 모델을 대상으로 학습용 자료에 의해 최적화를 실행하였으며, 그 유효성을 검증하였다.
도심지 건축 프로젝트가 초고층화, 대형화됨에 따라, 공사비와 공기의 관점에서 지하공사의 중요성은 점차 증가하고 있다. 지하공사 단계에서 대단히 중요한 것은 적정 말뚝공법을 선정하는 것이다. 그런데 말뚝공사의 경우, 공법 선정 시 고려해야 할 지반조건들이 많고, 불확실한 정보에 기반한 경험적인 공법선정이 이루어지기 때문에, 말뚝공법의 변경이 적지 않게 발생하며, 이것은 프로젝트의 공사비와 공기에 영향을 미친다 본 연구에서는 프로젝트의 설계단계에서 적정 말뚝공법을 선정하는데 활용하고, 시공전 단계에서 기 선정된 말뚝공법의 적정여부를 검증할 수 있는 말뚝공법 선정모델을 제안하였다. 실적데이터에 근간한 신경망 모델은 이미 그 효율성이 입증된 바 있다. 2000년부터 2004년까지 국내에서 시행된 150개의 데이터를 기초로 하여 말뚝공법 선정을 위한 신경망 모델을 개발하였다. 개발한 신경망 모델을 대상으로 학습용 자료에 의해 최적화를 실행하였으며, 그 유효성을 검증하였다.
As a construction project in urban area tends to be high-rise and huge, the importance of the project's underground work, in terms of the cost and the schedule, is gradually increasing. It's extremely significant to choose a proper filing method, at the stage of underground work. However, in piling ...
As a construction project in urban area tends to be high-rise and huge, the importance of the project's underground work, in terms of the cost and the schedule, is gradually increasing. It's extremely significant to choose a proper filing method, at the stage of underground work. However, in piling work many change orders have been occurred since a piling method is experientially selected based on uncertain information and many earth factors to consider. It has effects on the cost and the schedule of the project. In this study, we have suggested a decision model for piling method that can be used to determine and verify the suitable piling method in design and pre-construction phase of a project. Based on historical data, a neural network model has already proven to be efficient. The tests of the model for selecting a suitable piling method have progressed exactly with the data of 150 piling works which were done room 2000 to 2004 in Korea. The optimization or the developed neural network model has progressed with the data for teaming. The validity of the neural network model has been verified.
As a construction project in urban area tends to be high-rise and huge, the importance of the project's underground work, in terms of the cost and the schedule, is gradually increasing. It's extremely significant to choose a proper filing method, at the stage of underground work. However, in piling work many change orders have been occurred since a piling method is experientially selected based on uncertain information and many earth factors to consider. It has effects on the cost and the schedule of the project. In this study, we have suggested a decision model for piling method that can be used to determine and verify the suitable piling method in design and pre-construction phase of a project. Based on historical data, a neural network model has already proven to be efficient. The tests of the model for selecting a suitable piling method have progressed exactly with the data of 150 piling works which were done room 2000 to 2004 in Korea. The optimization or the developed neural network model has progressed with the data for teaming. The validity of the neural network model has been verified.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구의 목적은 건축공사의 말뚝공법을 선정함에 있어서 전문가의 공법선정에 객관적인 기준을 제시해 주고, 선정된 공법의 검토가 필요한 단계에서 유용하게 활용될 수 있는 적정 말뚝공법 선정 모델을 구축하는데 있다.
본 연구는 공법선정의 현 실태를 파악하고 적절한 말뚝 공법의 선정이 원활한 공사 진행을 위한 필수조건이라는 사실을 감안하여, 최종 적용된 말뚝공법의 실적자료를 통합, 결집시켜 적정 말뚝공법을 예측할 수 있는 신경망 모델을 제안한다.
본 연구에서는 말뚝공사의 현황을 파악하고 실적자료의 수집 및 분석을 위해 건설현장과 말뚝공법 선정업체를 대상으로 설문조사와 전문가 면담을 실시하였다. 설문은 현재 공사가 진행 중 이거나 과거에 말뚝공사를 담당했던 현장의 공사관리자를 대상으로 실시하였으며 실적자료는 말뚝공사시공업체 및 토질조사업체를 통해 2000년부터 2004년까지의 지반보고서를 분석하여 공사에 최종적용된 150개의 데이터를 입수하였다.
본 연구에서는 실무전문가의 면담조사를 토대로 해서 고려요소의 기준 및 판단 범위를 구체화시키고. 신경망모델의 학습에 필요한 입력변수의 설정은 자료조사가 어려운 항목과 정량화가 어려운 항목들은 제외하고 표 1과같이 9개 항목으로 하였다.
건축공사에 대한 말뚝공법 결정을 위한 의사결정 과정에서 실적데이터에 의해서 학습이 이루어진 신경망 모델을 활용할 수 있도록 하기 위하여 본 연구에서는 공법예측 과정을 통하여 새로운 말뚝공사에 대하여 말뚝 공법을 예측해 볼 수 있도록 하였다.
본 연구에서는 각 공법에 대하여 학습과 평가를 반복하여 모델을 최적화하고 이를 저장하여 필요시 활용하도록 하였다. 여기서 최적화 결과의 저장은 신경망 모델의 연결가중치를 저장하는 것을 의미한다.
본 연구에서는 이러한 말뚝공법 결정 단계 및 검토 단계에서 활용할 수 있는 '말뚝공법 선정을 위한 신경망 모델을 개발하여 합리적인 말뚝공법 선정 프로세스를 제안하였다. 신경망 모델의 학습과 검증에는 2000년부터 2004 년까지 우리나라에서 건축된 150개의 말뚝공사 자료가 사용되었다.
제안 방법
본 연구에서 제안한 신경망 모델의 개발은 말뚝 공법선정 시의 고려요소 조사, 현장데이터 수집, 신경망 모델을 구축하는 절차로 수행되었으며 연구 흐름도는 그림 1 과 같다.
본 연구에서는 건설현장에서 말뚝공사에 대한 공사 계획 시 선정된 말뚝공법에 대해 어느 정도 신뢰하고 있는지에 대해서 설문을 실시하여 본 결과 그림 3과 같은 결과를 얻었다. 긍정적인 견해(신뢰한다, 매우 신뢰한다) 32%와 긍정적이지 않은 견해(신뢰하지 않는다, 판단하기 어렵다) 68%로 나타났다.
출력변수의 결정과 학습에 필요한 자료의 선택은 매우 중요한 과정 중의 하나이다. 따라서 본 연구에서는 문헌 및 전문가 면담조사를 통해 신경망 모델의 입 . 출력변수를 설정하였다.
(1) 기존의 문헌과 연구에 대한 조사와 전문가 면담 조사를 통하여 1차적으로 말뚝공법 선정 시의 고려요소를 추출하였다.
(2) 선정된 고려요소 중에서 정량화가 가능한 요소를 중심으로'신경망의 학습에:필요한 입력변수를 선정하였다.
(3) 현황분석을 통하여 분류된 말뚝공법 중에서 신경망의 학습에 필요한 사례수가 충분한 공법들을 출력변수로 선정하였다.
구체화시키고. 신경망모델의 학습에 필요한 입력변수의 설정은 자료조사가 어려운 항목과 정량화가 어려운 항목들은 제외하고 표 1과같이 9개 항목으로 하였다.
하였다. 따라서 본 연구에서 개발한 신경망 시스템의 출력변수는 표 2와 같이 4개 공법으로 하였다.
입력한■ 후 데이터를 저장하고 그림 4의 '실행-학습 실행'을 통해 신경망 모델의 학습이 이루어진다. 본 연구에서 수집한 과거 말뚝공사 실적자료를 활용하여 신경망 모델은 내부적으로 연결가중치를 조절하여 지식을 습득하게 된다. 매회 학습이 끝나면 학습 오차를 저장해 두고 학습회수 만큼 학습을 수행하여 종료되면 최종적인 학습오차의 결과를 에러파일로 생성하여 학습오차의 변화를 검토할 수 있도록 하였다.
본 연구에서 수집한 과거 말뚝공사 실적자료를 활용하여 신경망 모델은 내부적으로 연결가중치를 조절하여 지식을 습득하게 된다. 매회 학습이 끝나면 학습 오차를 저장해 두고 학습회수 만큼 학습을 수행하여 종료되면 최종적인 학습오차의 결과를 에러파일로 생성하여 학습오차의 변화를 검토할 수 있도록 하였다.
본 연구에서 구축한 모델은 신경망의 초기화 과정에서 입력층의 노드수, 은닉층의 노드수, 출력층의 노드수, 학습 반복 회수, 학습률(a), 모멘텀제어변수(仞 등의 6가지를 변수로 설정할 수 있도록 하였다. 따라서 본 연구에서 신경망 모델의 최적화 과정은 이러한 초기화 변수들을 변화시키면서 여러 차례의 시행착오를 통하여 학습 오차가 가장 적게 되는 상태를 찾는 과정이다.
앞에서 개발된 신경망 모델을 본 연구에서 수집한 말뚝 공사 자료에 의하여 그림 11과 같은 절차에 의해서 신경망을 학습하여 학습오차가 가장 적게 되도록 최적화하였다.
구축된 신경망 모델을 은닉층의 노드수, a(학습률)와 P (모멘텀제어변수)를 변수로 하여 학습오차가 가장 작은 값이 되도록 여러 차례 반복 학습을 시행하였다.
대상 데이터
설문은 현재 공사가 진행 중 이거나 과거에 말뚝공사를 담당했던 현장의 공사관리자를 대상으로 실시하였으며 실적자료는 말뚝공사시공업체 및 토질조사업체를 통해 2000년부터 2004년까지의 지반보고서를 분석하여 공사에 최종적용된 150개의 데이터를 입수하였다.
모델의 구성은 파일, 실행, 설정, 예측 등의 4개 모듈로 구성되어 있으며 본 연구에서 개발한 신경망 모델의 초기 시작창의 구성은 다음의 그림 4와 같다.
신경망 모델의 학습과 검증에는 2000년부터 2004 년까지 우리나라에서 건축된 150개의 말뚝공사 자료가 사용되었다. 본 연구에서 개발된 신경망 모델을 말뚝 공법선정단계와 시공 전 검토 단계에서 활용할 경우, 말뚝 공사 과정에서 발생할 수 있는 공법변경을 감소시켜 성공적인 사업 수행에 기여할 수 있을 것이다.
성능/효과
말뚝공사 중의 공법변경 실태를 알아보기 위하여 말뚝 공사 공법변경 회수를 설문해 본 결과 그림 2와 같이 전체 24개 현장 중에서 9개 현장(34%)에서 말뚝공사 중에 1회 이상의 설계변경이 있었다고 응답하였고, 2회 이상 변경된 경우도 2개 현장(8.4%)인 것으로 조사되었다.
얻었다. 긍정적인 견해(신뢰한다, 매우 신뢰한다) 32%와 긍정적이지 않은 견해(신뢰하지 않는다, 판단하기 어렵다) 68%로 나타났다. 이것은 최초 선정된 말뚝 공법에 대한 공사 관계자들의 신뢰 수준이 상대적으로 낮음을 판단할 수 있다.
50개의 평가용 자료를 앞에서 학습이 이루어진 신경망을 사용하여 평가해 본 결과 전체 150개의 자료 중에서 학습에 사용되지 않은 50개의 자료 가운데 48개의 자료를 정확하게 예측하여 96%의 정확도를 보였다. 말뚝 공법선정에는 전문적인 지식과 해당 공사에 대한 복잡하고 많은 변수들을 고려해야 한다는 측면에서, 본 연구에서 개발된 모델은 전문가에 근접하는 공법 선정을 하는 것으로 판단할 수 있다.
후속연구
따라서 수많은 경험적 판단 데이터들의 패턴을 인식하고 결집시켜 예측이 가능한 통합전문가 수준의 신경망 모델을 개발, 적용한다면 소수 전문가에 의한 공법선정보다 훨씬 신뢰도 있는 공법선정이 가능하리라 판단된다.
추출하여 모델의 패턴인식에 활용한다. 그리고 선정한 고려요소를 토대로 과거부터 현재까지 시공된 말뚝 공법 실적데이터를 수집하여 모델에 적용한다면 공법변경으로 인한 제반 영향을 최소화 할 수 있을 것이다.
이러한 말뚝공법의 예측은 과거의 실적자료에 의한 결과이기 때문에 말뚝공법 선정과정에서 객관적인 참고자료로서 활용될 수 있을 것으로 판단된다.
신경망 모델의 학습과 검증에는 2000년부터 2004 년까지 우리나라에서 건축된 150개의 말뚝공사 자료가 사용되었다. 본 연구에서 개발된 신경망 모델을 말뚝 공법선정단계와 시공 전 검토 단계에서 활용할 경우, 말뚝 공사 과정에서 발생할 수 있는 공법변경을 감소시켜 성공적인 사업 수행에 기여할 수 있을 것이다.
개발된 신경망 모델은 과거의 실적자료에 의해 학습이 이루어지기 때문에 향후 말뚝공법 선정과정에서 활용할 경우, 기존의 주관적인 의사결정 프로세스에 대한 새로운 접근방안이 모색될 수 있을 것으로 판단된다. 또한, 이러한 자료를 활용함으로써 말뚝공사 수행과정에서 발생할 수 있는 공법변경 요인을 사전에 제거할 수 있고, 나아가서는 사업수행 능력 제고에도'기여할 수 있을 것으로 생각된다.
모색될 수 있을 것으로 판단된다. 또한, 이러한 자료를 활용함으로써 말뚝공사 수행과정에서 발생할 수 있는 공법변경 요인을 사전에 제거할 수 있고, 나아가서는 사업수행 능력 제고에도'기여할 수 있을 것으로 생각된다.
본 연구의 진행과정에서 나타난 한계점 및 향후 연구과제로 공사비, 공사기간 등의 변수를 입력변수로 추가하는 것을 고려할 수 있다. 이러한 변수를 입력변수로 하기 위해서는 말뚝공사에 대한 공사비 및 공사기간을 명시한 실적자료의 수집이 이루어져야 가능할 것으로 판단된다.
것을 고려할 수 있다. 이러한 변수를 입력변수로 하기 위해서는 말뚝공사에 대한 공사비 및 공사기간을 명시한 실적자료의 수집이 이루어져야 가능할 것으로 판단된다. 또한, 본 연구에서 출력변수로 설정하지 못한 공법에 대해서도 시공사례 및 실적자료가 많아지면 예측이 가능할 것으로 판단된다.
이러한 변수를 입력변수로 하기 위해서는 말뚝공사에 대한 공사비 및 공사기간을 명시한 실적자료의 수집이 이루어져야 가능할 것으로 판단된다. 또한, 본 연구에서 출력변수로 설정하지 못한 공법에 대해서도 시공사례 및 실적자료가 많아지면 예측이 가능할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.