본문 바로가기
KERD
논문KCI 등재

쉴드 TBM 데이터와 머신러닝 분류 알고리즘을 이용한 암반 분류 예측에 관한 연구

A Study on the Prediction of Rock Classification Using Shield TBM Data and Machine Learning Classification Algorithms

이철호|최순욱|장수호|강태호
한국암반공학회 (Korean Society for Rock Mechanics and Rock Engineering)|2021.12|터널과 지하공간 (TUNNEL AND UNDERGROUND SPACE)|제31권 제6호|pp. 494-507

0

조회

0

다운로드

4

인용

0

참고문헌

키워드

분류Machine learning머신러닝classification예측Prediction암석Rock쉴드TBMTBM
주제분류자원공학

초록

TBM의 활용이 증가하면서 최근 국내에서도 머신러닝 기법으로 TBM 데이터를 분석하여 TBM 전방의지반을 예측하고 디스크커터의 교환주기 예측 및 굴진율을 예측하는 연구가 수행되고 있다. 본 연구에서는 TBM 굴진 시 기계 데이터를 대상으로 전통적 암반에 대한 분류 기법과 최근에 다양한 분야에서 널리사용되고 있는 머신러닝 기법들을 접목하여 슬러리 쉴드 TBM 현장의 암반 특성에 대한 분류 예측을 하였다. 암반 특성 분류 기준 항목을 RQD, 일축압축강도, 탄성파속도로 설정하고 항목별 암반상태를 클래스 0(양호),1(보통),2(불량)의 3개 클래스로 구분한 다음, 6개의 분류 알고리즘에 대한 기계학습을 수행하였다. 그 결과, 앙상블 계열의 모델이 좋은 성능을 보여주었고 특히 학습성능과 더불어 학습속도에서 우수한 결과를 보인 LigthtGBM 모델이 대상 현장 지반에서 최적인 것으로 나타났다. 본 연구에서 설정한 3가지 암반 특성에 대한 분류 모델을 활용하면 지반정보가 제공되지 않은 구간에 대한 암반 상태를 제공할 수 있어 굴착작업 시 도움을 줄 수 있을 것으로 판단된다.

Abstract

With the increasing use of TBM, research has recently been conducted in Korea to analyze TBM data with machine learning techniques to predict the ground in front of TBM, predict the exchange cycle of disk cutters, and predict the advance rate of TBM. In this study, classification prediction of rock characteristics of slurry shield TBM sites was made by combining traditional rock classification techniques and machine learning techniques widely used in various fields with machine data during TBM excavation. The items of rock characteristic classification criteria were set as RQD, uniaxial compression strength, and elastic wave speed, and the rock conditions for each item were classified into three classes: class 0 (good), 1 (normal), and 2 (poor), and machine learning was performed on six class algorithms. As a result, the ensemble model showed good performance, and the LigthtGBM model, which showed excellent results in learning speed as well as learning performance, was found to be optimal in the target site ground. Using the classification model for the three rock characteristics set in this study, it is believed that it will be possible to provide rock conditions for sections where ground information is not provided, which will help during excavation work.

참고문헌 (30)

  1. Anon, O.H, "Classification of rocks and soils for engineering geological mapping, Part I: Rock and soil materials", Bulletin of the International Association of Engineering Geology, 19, pp.364~371 (1979)
  2. 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)
  3. 배규진, "해저 배출관로 건설을 위한 토압식 쉴드TBM 커터헤드의 설계･제작 및 현장 굴진성능의 분석", 한국터널지하공간학회 논문집, 16(2), pp.161~172 (2014), 사단법인 한국터널지하공간학회[DOI]
  4. Barton N, "Engineering classification of rock masses for the design of tunnel support", Rock Mech, 6, pp.189~236 (1974)
  5. Bieniawski ZT, "Engineering rock mass classifications" (1989), John Wiley & Sons
  6. Breiman, L, "Classification and Regression Trees" (1984), CRC press
  7. Breiman, L, "Bagging predictors", Machine Learning, 24, pp.123~140 (1996)[DOI]
  8. 최순욱, "국내･외 TBM 시뮬레이터 개발 현황", 터널과 지하공간, 30(5), pp.433~445 (2020), 한국암반공학회
  9. Engineering classification and index properties for intact rock, "eere DU", Air Force Weapons La, ~, pp.Tech. Rep. No. AFWL-TR-65-115 (1966)
  10. Deere, D. U, "Design of surface and near surface construction in rock", 8th U.S. Symposium on Rock Mechanics: Failure and breakage of rock (1967), New York, Society of Mining Engineers, American Institute of Mining, Metallurgical, and Petroleum Engineers
  11. Gholamnejad, J, "Application of artificial neural networks to the prediction of tunnel boring machine penetration rate", Min. Sci. Technol, 20(5), pp.727~733 (2010)
  12. Grima, M. A, "Modeling tunnel boring machine performance by neuro-fuzzy methods", Tunn. Undergr. Space Technol, 3, pp.259~269 (2000)
  13. ISRM, "Suggested methods for determining the uniaxial compressive strength and deformability of rock materials, International Journal of Rock Mechanics and Mining", Sciences and Geomechanics Abstracts, 16, pp.135~140 (1979)
  14. ISRM, "Rock characterisation testing and monitoring" (1981), International Society for Rock Mechanics
  15. 정지희, "토사터널의 쉴드 TBM 데이터 시계열 분석을 통한 막장 전방 예측 연구", 한국터널지하공간학회 논문집, 21(2), pp.227~242 (2019), 사단법인 한국터널지하공간학회[DOI]
  16. 강신현, "수치해석을 통한 급곡선 구간 Shield TBM의 중절잭 및 스킨플레이트 구조에 관한 연구", 한국터널지하공간학회 논문집, 19(3), pp.421~435 (2017), 사단법인 한국터널지하공간학회[DOI]
  17. 강태호, "머신러닝 기법과 TBM 시공정보를 활용한 토압식 쉴드TBM 굴진율 예측 연구", 터널과 지하공간, 30(6), pp.540~550 (2020), 한국암반공학회
  18. Kearns, M, "Cryptographic limitations on learning Boolean formulae and finite automata", Journal of the Association for Computing Machinery, 41, pp.67~95 (1994)
  19. 김태환, "쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측", 터널과 지하공간, 30(3), pp.214~225 (2020), 한국암반공학회
  20. 김태환, "심층 신경망을 이용한 TBM 데이터 기반의 굴착 지반 예측 연구", 한국터널지하공간학회 논문집, 23(1), pp.13~24 (2021), 사단법인 한국터널지하공간학회[DOI]
  21. 김윤희, "쉴드 TBM 디스크 커터 교체 유무 판단을 위한 머신러닝 분류기법 성능 비교", 한국터널지하공간학회 논문집, 22(5), pp.575~589 (2020), 사단법인 한국터널지하공간학회[DOI]
  22. 고태영, "암반굴착용 TBM 가동율의 통계적 특성 및 합리적 추정에 관한 연구", 터널과 지하공간, 29(5), pp.356~366 (2019), 한국암반공학회[DOI]
  23. 나유성, "SVM 기법을 이용한 쉴드 TBM 디스크 커터 교환 주기 예측", 한국터널지하공간학회 논문집, 21(5), pp.641~656 (2019), 사단법인 한국터널지하공간학회[DOI]
  24. Mahdevari, S, "A support vector regression model for predicting tunnel boring machine penetration rates", Int. J. Rock Mech. Min, 74, pp.214~229 (2014)
  25. Salimi, A, "Application of non-linear regression analysis and artificial intelligence algorithms for performance prediction of hard rock TBMs", Tunn. Undergr. Space Technol, 58, pp.236~246 (2016)
  26. Terzaghi K, "Rock defects and load on tunnel supports, Introduction to rock tunnelling with steel supports" (1946), Commercial Sheering & Stamping Co
  27. Vapnik, V, "Support Method for Function Approximation Regression Estimation and Signal Processing", Proceedings of the 9th International Conference on Neural Information Processing Systems (NIPS’ 96), pp.281~287 (1996)
  28. Wickham, G.E, "Support determination based on geologic predictions", Proc. 1st North American Rapid Excavation &Tunnelling Conference (RETC), Chicago. 1. American Institute of Mining, Metallurgical and Petroleum Engineers (AIME), pp.43~64 (1972)
  29. Yagiz, S, "Application of two non-linear prediction tools to the estimation of tunnel boring machine performance", Eng. Appl.Artif. Intell, 22(4-5), pp.808~814 (2009)
  30. Yagiz, S, "Prediction of hard rock TBM penetration rate using particle swarm optimization", Rock Mechanics and Mining Science, 48(3), pp.427~433 (2011)

관련 논문AI추천

쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측고태영, 김태환, 김택곤, 박양수, 이대혁한국암반공학회 · 터널과 지하공간2020 · 제30권 제3호이수식 쉴드 TBM 굴진데이터와 기계학습 모델을 이용한 굴진속도 예측에 관한 연구강태호, 이철호, 장수호, 최순욱한국암반공학회 · 터널과 지하공간2024 · 제34권 제6호TBM 데이터와 머신러닝 기법을 이용한 디스크 커터마모 예측에 관한 연구강태호, 이철호, 장수호, 최순욱한국암반공학회 · 터널과 지하공간2022 · 제32권 제6호머신러닝 기법을 활용한 터널 설계 시 시추공 내 암반분류에 관한 연구김양균, 이승원, 이제겸, 최원혁사단법인 한국터널지하공간학회 · 한국터널지하공간학회 논문집2021 · 제23권 제6호이수식 쉴드 TBM 굴진 데이터와 기계학습 모델을 이용한 주요 운전 변수의 예측에 관한 기초 연구강태호, 이철호, 장수호, 최순욱한국암반공학회 · 터널과 지하공간2024 · 제34권 제6호쉴드 TBM 디스크 커터 교체 유무 판단을 위한 머신러닝 분류기법 성능 비교김범주, 김윤희, 홍지연사단법인 한국터널지하공간학회 · 한국터널지하공간학회 논문집2020 · 제22권 제5호

이 간행물의 다른 논문 (18건)

유체 생산에 따른 유발지진 사례 분석서은진, 유화정, 윤정석, 민기복pp. 385-399Current Status of X-ray CT Based Non Destructive Characterization of Bentonite as an Engineered Barrier Material이창수, 김진섭, 김광염, 김주연, 멜빈 디아즈pp. 400-414암반 커팅 스플리팅 공법의 적정 압입력 추산을 위한 분석해이상민, 유상화, 김문규, 조정우pp. 415-427실대형 시험을 통한 고성능 합성지보재의 성능 고찰강태호, 이철호, 최순욱, 장수호pp. 428-439일축압축강도에 미치는 암석시편의 형상효과 고찰 및 로드헤더 굴진율 예측모델 수정엄준원, 김문규, 조정우, 이상민, 최성현pp. 440-459
원문 보기