인공신경망과 강건설계를 이용한 기계적 RMR 분류
A Study on Mechanical RMR Classification Using Artificial Neural Networks and Robust Design
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
RMR은 육안적 방법으로 암반을 분류하는 비교적 간단한 방법이나 조사구간이 많아지면 번거로운 작업이된다. 본 연구에서는 RMR을 기계적으로 분류하고자 인공신경망에 의한 학습모델과 예측모델을 개발하였다. 강건설계에 의하여 총 3125개의 데이터를 25개의 학습자료로 최적화하였다. 두 방법에 의한 학습 후 테스트 결과는 서로 정확하게 일치하였다. 강건설계에 의하여 전체 경우의 수를 1% 이하로 축소한 학습자료로 전체자료와 동일한 학습효과를 얻었다는 것은 학습자료 습득에 드는 노력과 비용을 크게 절감할 수 있다는 의미이다. RMR 분류시스템의 완벽한예측을 위하여 1차 예측값들에 대하여 주어진 수준 범위 내에서 튜닝을 실시하였다. 그 결과 강건설계에 의한 25개의학습자료로 실제 3125개의 빅데이터의 RMR을 완벽하게 예측하는 RMR분류 ANN 시스템을 구현하였다.
Abstract
Rock mass rating (RMR) is a relatively simple method for classifying rock mass with the naked eye; however, it becomes inconvenient when the number of survey sections is large. In this study, we developed a learning model and a prediction model using an artificial neural network (ANN) to classify RMR mechanically. Using robust design, 3125 big data were optimized into 25 learning data. The test results after learning through the two methods were exactly the same. Through robust design, the learning data obtained by reducing the total number of cases to less than 1% had the same learning effect as the whole data, which means that the effort and cost of acquiring the learning data can be greatly reduced. For the perfect prediction of the RMR classification system, we tuned the primary predictions within a given range of rating levels. As a result, we implemented an RMR classification ANN system that perfectly predicts the RMR of 3125 big data using 25 learning data through robust design.
참고문헌 (7)
- Bae, G. J., "Inference of RMR value using fuzzy set theory set and neuro-fuzzy techniques", Journal of Korean Tunnelling and Underground Spaces Association, 11(4), pp.289~300 (2001)
- Bieniawski, Z. T., "Engineering classification of jointed rock masses", Transactions of the South African Institution of Civil Engineers, 15(12), pp.335~244 (1973)
- Butler, A., "Classex: An expert system for rock mass classification" (1990), Toronto University
- 장명환, "강건설계를 이용한 층서두께 배열과 루프볼트 지보설계에 관한 연구", 터널과 지하공간, 28(2), pp.142~155 (2018), 한국암반공학회[DOI]
- Madhav, S. P., "Quality Engineering Using Robust Design", pp.334~ (1989)
- "Tensorflow" (2019)[URL]
- Yang, H. S., "Rock mass classification by rock mechanics expert system (ROMES)", Journal of Korean Tunnelling and Underground Spaces Association, 5, pp.41~47 (1995)