TBM 데이터와 머신러닝 기법을 이용한 디스크 커터마모 예측에 관한 연구
A Study on the Prediction of Disc Cutter Wear Using TBM Data and Machine Learning Algorithm
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
TBM의 활용이 증가하면서 최근 국내외에서 머신러닝 기법으로 TBM 데이터를 분석하여 디스크커터의교환주기 예측 및 굴진율을 예측하는 연구가 증가하고 있다. 본 연구에서는 굴진 시 획득되는 기계 데이터와 지반 데이터를 기반으로 최근에 다양한 분야에서 널리 사용되고 있는 머신러닝 기법들 중 회귀 모델을 접목하여 슬러리 쉴드 TBM 현장의 디스크 커터 마모 예측을 하였다. 디스크 커터 마모 예측을 위해서 Training과 Test 데이터를 7:3으로 분할하였으며, 최적의 파라미터를 선정을 위해서 분할 교차검증을 포함하는 그리드 서치를 활용하였다. 그 결과, 앙상블 계열의 그레디언트 부스팅 모델이 결정계수가0.852, 평균 제곱근 오차가 3.111로 좋은 성능을 보여주었고 특히 학습성능과 더불어 학습속도에서 우수한 결과를 보여주었다. 현재 도출된 결과로 볼 때, 슬러리 쉴드 TBM의 기계데이터와 지반정보가 포함된 데이터를 활용한 디스크 커터 마모 예측 모델의 적합성은 높다고 보인다. 추가적으로 지반조건의 다양성과 디스크 마모 측정 데이터양을 늘리는 연구가 필요한 것으로 판단된다.
Abstract
As the use of TBM increases, research has recently increased to to analyze TBM data with machine learning techniques to predict the exchange cycle of disc cutters, and predict the advance rate of TBM. In this study, a regression prediction of disc cutte wear of slurry shield TBM site was made by combining machine learning based on the machine data and the geotechnical data obtained during the excavation. The data were divided into 7:3 for training and testing the prediction of disc cutter wear, and the hyper-parameters are optimized by cross-validated grid-search over a parameter grid. As a result, gradient boosting based on the ensemble model showed good performance with a determination coefficient of 0.852 and a root-mean-square-error of 3.111 and especially excellent results in fit times along with learning performance. Based on the results, it is judged that the suitability of the prediction model using data including mechanical data and geotechnical information is high. In addition, research is needed to increase the diversity of ground conditions and the amount of disc cutter data.
참고문헌 (27)
- Armaghani, D. J., "Development of hybrid intelligent models for predicting TBM penetration rate in hardrock condition", Tunn. Undergr. Space Technol, 63, pp.29~43 (2017)
- Breiman, L., "Bagging predictors", Machine Learning, 24, pp.123~140 (1996)[DOI]
- Breiman, L., "Classification and Regression Trees" (1984), CRC press
- Bruland, A., "Hard rock tunnel boring advance rate and cutter wear", Doctor, pp.1998
- Chen, R., "Prediction of shield tunneling-induced ground settlement using machine learning techniques", Front. Struct. Civ. Eng, 13, pp.1363~1378 (2019)
- Chen, T., "Xgboost: extreme gradient boosting, R package version 0.4-2, 1(4)", 1~4 (2015)
- Cover, T., "Nearest neighbor pattern classification", IEEE Transactions on Information Theory, 13(1), pp.21~27 (1967)[DOI]
- Friedman, J. H., "Greedy function approximation : a gradient boosting machine", Annals of Statistics, pp.1189~1232 (2001)
- Gehring, K., "Leistungs-und verschleissprognosen im maschinellen tunnelbau", Felsbau, 13(6), pp.439~448 (1995)
- 정지희, "토사터널의 쉴드 TBM 데이터 시계열 분석을 통한 막장 전방 예측 연구", 한국터널지하공간학회 논문집, 21(2), pp.227~242 (2019), 사단법인 한국터널지하공간학회[DOI]
- 강태호, "쉴드 TBM 데이터와 머신러닝 분류 알고리즘을 이용한 암반 분류 예측에 관한 연구", 터널과 지하공간, 31(6), pp.494~507 (2021), 한국암반공학회
- 강태호, "머신러닝 기법과 TBM 시공정보를 활용한 토압식 쉴드TBM 굴진율 예측 연구", 터널과 지하공간, 30(6), pp.540~550 (2020), 한국암반공학회
- Ke, G., "Lightgbm : A highly efficient gradient boosting decision tree", Advances in Neural Information Processing Systems, pp.30~ (2017)
- Kearns, M., "Cryptographic limitations on learning Boolean formulae and finite automata", Journal of the Association for Computing Machinery, 41, pp.67~95 (1994)
- Kim, D., "Surface settlement prediction for urban tunneling using machine learning algorithms with Bayesian optimization", Automation in Construction, 140, pp.104331~ (2022)
- 김태환, "쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측", 터널과 지하공간, 30(3), pp.214~225 (2020), 한국암반공학회
- 김윤희, "쉴드 TBM 디스크 커터 교체 유무 판단을 위한 머신러닝 분류기법 성능 비교", 한국터널지하공간학회 논문집, 22(5), pp.575~589 (2020), 사단법인 한국터널지하공간학회[DOI]
- 고태영, "TBM 디스크 커터 마모 예측 모델 비교 연구", 한국터널지하공간학회 논문집, 16(6), pp.533~542 (2014), 사단법인 한국터널지하공간학회
- 나유성, "SVM 기법을 이용한 쉴드 TBM 디스크 커터 교환 주기 예측", 한국터널지하공간학회 논문집, 21(5), pp.641~656 (2019), 사단법인 한국터널지하공간학회[DOI]
- Mokhtari, S., "Predicting EPBM advance rate performance using support vector regression modeling", Tunn. Undergr. Space Technol., 104, pp.103520~ (2020)[DOI]
- Rosenblatt, F., "The perceptron : a probabilistic model for information storage and organization in the brain", Psychological Review, 65(6), pp.386~ (1958)
- Rostami, J., "A new model for performance prediction of hard rock TBMs", Proceedings of the Rapid Excavation and Tunneling Conference (RETC), pp.793~809 (1993)
- Rumelhart, D. E., "Parallel distributed processing: Explorations in the microstructure of cognition, Volume 1: Foundation" (1986), MIT Press
- Vapnik, V., "The Nature of Statistical Learning Theory" (1995), Springer
- Yagiz, S., "Prediction of hard rock TBM penetration rate using particle swarm optimization", Rock Mechanics and Mining Science, 48(3), pp.427~433 (2011)
- Yagiz, S., "Utilizing rock mass properties for predicting TBM performance in hard rock condition", Tunn. Undergr. Space Technol, 23(3), pp.326~339 (2008)
- Yang, H., "Automated recognition model of geomechanical information based on operational data of tunneling boring machines", Rock Mech. Rock Eng, 55, pp.1499~1516 (2022)