데이터 증강 기법을 적용한 개선된 머신러닝 기반 TBM 디스크 커터 마모 예측
Application of data augmentation for enhancing machine learning-based TBM disc cutter wear prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
TBM (tunnel boring machine) 시공 중 디스크 커터의 과다 마모는 굴진 성능 저하를 유발할 수 있어, 이를 적시에 탐지하는 것이 중요하다. 디스크 커터 마모량 예측에 대한 다양한 연구가 수행되었으나, 과다 마모 탐지 성능 향상에 중점을 둔 연구는 부족한 실정이다. 본 연구에서는 데이터 증강 및 머신러닝 기반 디스크 커터 마모 등급 예측 모델을 구축하고, 데이터 증강 기법 적용에 따른 과다 마모 탐지 개선 효과를 분석하였다. 먼저, 토압식 쉴드 TBM 현장의 디스크 커터 교체 이력을 바탕으로 통계 분석을 수행하여, 링 당 마모량을 양호 등급(0.337 mm 미만)과 경고 등급(0.337 mm 이상)을 구분하였다. 두 가지 등급 간 데이터 불균형 문제를 해결하기 위해 SMOTE (synthetic minority oversampling technique)를 적용하였으며, 증강 데이터와 머신러닝 기법(Random Forest, eXtreme Gradient Boosting)을 활용하여 예측 모델을 개발하였다. 데이터 증강 적용 결과, 정확도와 F1 score가 향상되었고 양호 등급-경고 등급 간 예측 성능 불균형 수준이 감소하였다. 이는 과다 마모 데이터의 증강이 과다 마모 발생 메커니즘 학습에 효과적으로 기여한 결과로 판단된다. 특성 중요도 분석을 통해 커터 회전 거리 커터 마모 예측에 가장 영향도가 높음을 확인하였고, 이는 커터헤드 외측에 상대적으로 좁은 커터 배치 간격 설계의 필요성을 보여준다.
Abstract
Excessive wear on disc cutters during tunnel boring machine (TBM) construction reduces excavation efficiency, highlighting the need for timely detection. While previous studies have explored the prediction of disc cutter wear, they often struggle to effectively detect excessive wear due to its infrequent occurrence. This study incorporated data augmentation and machine learning techniques for predicting disc cutter wear and evaluating the effectiveness of data augmentation in improving excessive wear detection. Initially, the wear amount for each ring excavation was categorized into two classes based on statistical analysis: safe (<0.337 mm) and warning (≥0.337mm). To address the data imbalance between these classes, synthetic minority oversampling technique (SMOTE) was applied. Subsequently, classification models were developed using the augmented dataset and machine learning techniques, specifically Random Forest and eXtreme Gradient Boosting. The results demonstrated that data augmentation enhanced both accuracy and F1 score, while reducing the performance gap between the two wear classes. This is attributed to the enhanced learning of the excessive wear mechanism, achieved through the augmentation of excessive wear data. Feature importance analysis revealed that cutter revolution distance exhibited the strongest correlation with cutter wear. This finding highlighted designing relatively narrower cutter spacing on the outer section of the cutterhead.