딥러닝을 활용한 암석 분류 프레임워크: 터널 안정성 모니터링 및 유지관리를 위한 데이터 기반 접근 방식
Advanced Rock Type Classification Using Deep Learning: A Data-Driven Approach to Tunnel Stability Monitoring and Maintenance
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
터널은 도로, 철도, 지하 인프라 등 다양한 산업 분야에서 핵심적인 역할을 수행하며, 터널 안정성 확보는 경제적·사회적으로매우 중요한 과제이다. 이러한 터널의 안정석 확보를 위해서는 암반에 대한 이해가 필수적이며 이를 위해 기존에는 현장지질조사와 광물학적·지구화학적 분석 등을 통해 암석을 분류해왔으나, 이는 시간·비용 측면에서 비효율적이고 경험적판단에 의존하기 쉬운 한계가 있었다. 최근 빅데이터와 인공지능(AI) 기술, 특히 딥러닝(Deep learning)의 급속한 발전으로인해, 대규모 암석 이미지를 통해 복잡한 패턴을 자동으로 학습하고 분류할 수 있는 가능성이 열리고 있다. 본 연구에서는딥러닝을 활용한 암반 분류 프레임워크를 제안하고, 화성암·퇴적암·변성암을 비롯하여 여러 세분류 암석(예: 대리암, 사암, 편암 등)에 대해 다양한 딥러닝 모델을 적용·비교·평가하였다. 연구 결과, 대분류(3분류) 단계에서는 ResNet, EfficientNet, MobileNet 등에서 90% 이상의 높은 정확도를 달성하였으나, 18개 이상의 세분류로 확대할 경우 전반적으로 정확도가 급격히 떨어지는 현상이 관찰되었다. 이는 암석의 조직과 광물 조합이 매우 복잡하고, 클래스 간 경계가 모호해지는 점이 주요 원인으로 분석된다. 본 연구를 통해, 딥러닝 기반 암석 분류가 터널 안정성 모니터링 및 유지관리 분야에서 높은 잠재력을 지님을확인하였으나, 세분화된 암석 분류 정확도를 높이기 위해서는 추가 데이터가 요구됨을 확인할 수 있었다.
Abstract
Tunnels serve a pivotal role in various infrastructure systems—including roads, railways, and underground facilities—and ensuring their stability is of critical economic and societal importance. Traditional rock classification methods often rely on on-site geological surveys and petrographic/chemical analyses, which can be time-consuming, cost-intensive, and prone to subjective judgments. With the recent advancement in big data and artificial intelligence (AI) technologies, particularly Deep Learning, it has become possible to automatically learn and classify intricate rock patterns from large-scale image datasets. In this study, we propose a deep learning-based rock classification framework and apply several state-of-the-art models— ResNet, EfficientNet, MobileNet, and others—to both broad categories (igneous, sedimentary, metamorphic) and more fine-grained rock types (e.g., marble, sandstone, phyllite). Our results show that while high accuracies exceeding 90% can be achieved for three-class problems, classification performance drops significantly when expanded to 18 or more subclasses, likely due to the complex microstructures and ambiguous boundaries among rock types. These findings highlight the substantial potential of deep learning in tunnel stability monitoring and maintenance, yet also underscore the necessity of hierarchical classification strategies, multimodal data integration (e.g., microscopic or hyperspectral imaging), and further hyperparameter optimization for more refined rock classification tasks.