Journal of Korean Tunnelling and Underground Space Association ISSN:2233-8292(Print) 2287-4747(Online) 한국터널지하공간학회 논문집

도심지 터널공사에는 발파 공법이 소음, 진동, 환경적 문제를 야기함에 따라 기계화 터널 굴착 공법이 점차 활성화되고 있다. 기계화 터널 굴착 장비는 전방에 장착된 커터를 이용해 지반을 절삭하는 방식으로 작동되며, 커터는 지반과의 마찰로 인해 마모가 발생하는 주요 소모품이다. 특히 고강도 암반을 굴착할 경우, 커터의 과도한 마모로 인해 공사 기간 지연 및 비용 증가와 같은 리스크가 발생한다. 이를 해결하기 위해 다양한 마모 저감 기술 및 첨가제가 개발되고 있으나, 첨가제의 성능을 검증한 사례는 제한적이며, 현장 적용에 어려움이 있다. 본 연구에서는 국내에서 개발된 마모 저감용 첨가제를 대상으로 실내 실험 및 현장 실험을 수행하였으며 각각 22–45%, 17%의 마모 저감율을 확인할 수 있었다. 연구 결과는 커터의 마모 저감 효과와 첨가제의 실질적 적용 가능성을 제시하며, 터널 굴착 효율 향상과 비용 절감을 위한 기초 자료로 사용될 수 있을 것으로 기대된다.

본 연구는 Illinois Basin-Decatur Project (IBDP)에서 기록된 4,171건의 미소지진 데이터를 대상으로, 시공간 및 규모 특성에 기반한 분류를 위해 비지도학습 기반 K-평균 클러스터링 기법을 적용하였다. 입력 변수로는 경과시간, 공간 좌표(easting, northing, depth), 그리고 규모가 사용되었으며, 엘보우 기법을 통해 최적 군집 수를 5로 설정하였다. 각 군집은 발생 시기, 공간 분포, 규모 특성에서 뚜렷한 차이를 보였으며, 일부 군집은 주입정 인근에 집중된 반면, 다른 군집은 수 킬로미터 떨어진 지역에서도 발생하였다. 클러스터링 결과는 지질구조의 시공간적 거동을 정성적으로 이해하는 데 기여하며, 주입 종료 이후 발생하는 미소지진 해석의 기초자료로 활용될 수 있다. 제안된 분석 기법은 미소지진 데이터의 체계적 분류에 유용하며, 향후 이산화탄소 저장소의 지반 안정성 평가를 지원할 수 있을 것이다.

디스크 커터의 마모 예측에 관한 연구는 지속적으로 이루어져 왔으나, 정상 마모와 비정상 마모 간 발생 빈도 차이로 인해 대부분 정상 마모 예측에 초점을 두고 있으며, 비정상 마모에 대한 연구는 상대적으로 부족한 실정이다. 본 연구에서는 데이터 증강을 활용하여 비정상 마모 예측을 위한 머신러닝 모델을 구축하고, 모델 내 특성 중요도 및 그 영향 양상을 분석하였다. 토압식 쉴드 TBM 현장에서 수집된 데이터를 기반으로 마모 유형을 정상 마모와 비정상 마모로 분류하여 데이터세트를 구축하였다. Synthetic Minority Oversampling Technique (SMOTE)와 BorderlineSMOTE의 2가지 데이터 증강 기법을 도입하여 마모 유형 간의 불균형이 해소된 증강 데이터세트를 구축하였다. Random Forest (RF)와 eXtreme Gradient Boosting (XGB)의 머신러닝 기법을 기존 데이터세트와 2가지 증강 데이터세트에 각각 적용하여 총 6가지의 예측 모델을 개발하였다. 예측 성능을 비교한 결과, 증강 데이터 기반 모델은 기존 불균형 데이터 기반 모델에 비해 비정상 마모 탐지 성능이 약 18%에서 38%까지 크게 향상되었으며, 정상 마모와 비정상 마모 간의 성능 차이 또한 감소하는 경향을 보였다. 특히, 최적 모델인 RF-BorderlineSMOTE 모델의 경우에는 정상 마모와 비정상 마모에 대한 재현율이 각각 0.842와 0.836으로 유사하게 나타났으며, 이는 두 마모 유형 간의 결정 경계 인근 데이터를 중심으로 한 증강 방식이 비정상 마모 탐지에 효과적임을 시사한다. 또한, SHapley Additive exPlanation (SHAP) 분석에 따라 챔버압, 추력, 탄성계수가 예측 모델 내 주요 특성으로 식별되었으며, 챔버압과 추력은 비정상 마모 발생 가능성과 양의 상관성을, 탄성계수는 음의 상관성을 보였다.

도심지를 관통하는 일반적인 철도사업과 다르게 인천 ○○지역의 매립층이 두터운 도심지 연약지반상의 굴착영향범위를 산정하여 지반침하를 예방하고 지하안전확보방안을 마련하고자 한다. 굴착영향범위는 이론식 및 경험식, 그리고 수치해석결과를 비교분석하여 보수적으로 산정하며 검토결과 4H (H: 최대굴착심도)로 산정하였다. 해당 굴착영향범위 내에 지반침하를 예방하고자 연도변조사 및 건물경사계, 변형률계 등 계측기 설치 범위를 산정한다. 또한, 굴착영향범위 내의 지표투과레이더(ground penetrating radar, GPR) 탐사를 통해 공동존재 유무를 분석하고 하수관거의 CCTV (closed-circuit television) 조사를 통해 하수관거 손상에 따른 지반침하가 발생하지 않도록 분석하게 되어 있다. 이처럼 굴착영향범위 산정은 계측기 설치 범위 및 공동탐사, CCTV 조사 등의 범위를 산정하므로 굴착영향범위 산정은 지하안전확보방안을 마련함에 있어 매우 중요한 인자이다.

이산화탄소 지중저장에서 주입정을 통한 누출 리스크 관리는 저장소의 장기적 무결성 및 운영 안전성 확보에 필수적이다. 주입정은 다중 장벽 시스템을 통해 이산화탄소를 목표 저장층에 안전하게 주입되도록 설계되지만, 고온·고압 환경에 장기간 노출될 경우 다양한 요인에 의해 성능이 저하되어 누출 가능성이 증가할 수 있다. 따라서, 주입정 시스템의 잠재적 위험 요인에 의한 누출 시나리오를 식별하고, 그 심각도를 평가해 사전에 적절한 대응 전략을 수립하는 리스크 관리가 요구된다. 본 연구에서는 6개의 주요 누출 경로와 18개의 결함 원인을 조합하여, 총 18개의 누출 시나리오를 식별하였다. 전문가 설문조사를 실시하여 각 시나리오의 영향도 및 발생확률을 분석한 후, 리스크 매트릭스를 도입하여 리스크 등급을 도출하였다. 이를 통하여, 튜빙 연결부 결함, 시멘트-케이싱 접촉면 열화, 시멘트-암반 접촉면의 머드 채널 형성, 패커·플러그의 과도한 압력 작용 등 4가지 시나리오가 사전 리스크 저감 조치가 필수적인 고위험 항목으로 평가되었다. 이에 따라, 주입정 설계 및 운영 시 고내식성 소재 적용, 이중 밀봉 구조, 시멘트 주입 품질 향상, 자동 압력 제어 시스템 구축 등의 기술적 대응이 요구된다. 또한, 튜빙 부식, 시멘트-암반 접촉면 열화, 시멘트-케이싱 접촉면의 열적 스트레스, 패커 및 플러그 부위의 시멘트 열화는 장기적인 손상 축적이나 주입 조건 변화 가능성으로 인해, 보수적 관리 차원에서 시스템 무결성 저하의 조기 징후를 탐지하기 위한 실시간 모니터링 체계 구축이 권장된다.

터널 시공 현장은 전파 간섭, 다중경로 오차 등으로 인해 GNSS (global navigation satellite system)의 활용이 제한되는 음영지역에 해당한다. 따라서 TBM (tunnel boring machine) 공사 시 발생할 수 있는 비상 상황에 신속하고 정확하게 대응 가능한 작업자 위치 파악 시스템의 개발이 필요하다. 본 연구는 초광대역(ultra-wideband, UWB) 기반 PDoA (phase difference of arrival) 측위 기술을 적용하여 TBM 터널 시공 환경에 최적화된 위치추적 시스템을 개발하였다. 측위 기술의 선정 과정에서 간섭 강인성, 시스템 구축 용이성, 측정 정확도 등을 고려하였으며, 이를 기반으로 PDoA 지원 앵커노드와 태그를 설계·제작하였다. 이후, 유사 터널 환경에서 위치추적 시스템의 측위 정확도 및 Geo-Fence 알람 시스템의 정밀도를 평가하였다. 실험 결과, 측위 정확도는 평균 오차 100 mm 이내를 만족하였으며, Geo-Fence 알람 시스템 정밀도는 평균 오차 258.7 mm로 목표 기준치인 300 mm를 충족하였다. 이 결과는 개발된 시스템이 열악한 전파 조건에서도 높은 정확도를 유지할 수 있음을 보여주며, 향후 실제 TBM 터널 시공 현장에서 적용 가능한 실용성과 확장성을 제시한다.

지표투과 레이더(ground penetrating radar, GPR)는 고주파 전자기파를 이용하여 지중의 결함을 탐지하는 비파괴 탐사 기법이다. GPR은 넓은 탐지 범위와 짧은 데이터 획득 시간을 제공하므로, 쉴드 TBM 세그먼트 라이닝 배면의 뒤채움 그라우트에 대한 상태 평가에 적합하다. 그러나 철근이 포함된 세그먼트 라이닝에서는 철근의 차폐 효과로 인해 GPR 이미지에 클러터(clutter)가 발생하며, 이로 인해 그라우트 내 결함 신호가 가려져 신뢰성 있는 평가를 어렵게 한다. 본 연구에서는 이러한 한계를 극복하기 위해 딥러닝 기반 이미지 분할 기법을 적용한 철근 클러터 제거 모델을 개발하여 결함 신호의 가시성을 개선하였다. 이를 위해 유한차분 시간영역(finite-difference time-domain, FDTD) 기반 GPR 수치해석 모델을 통해 데이터베이스를 구축하고, FCN (fully convolutional networks)과 Deeplab V3+ 등의 이미지 분할 기법을 적용하여 모델을 학습하였다. 각 기법의 성능은 PSNR, SSIM, MS-SSIM의 세 가지 이미지 유사도 지표를 활용해 평가하였다. 그 결과, Deeplab V3+가 FCN보다 우수한 클러터 제거 성능을 보였으며 결함 신호의 가시성을 효과적으로 향상시키는 것으로 확인되었다. 제안된 모델은 세그먼트 라이닝 뒤채움 그라우트의 결함 식별률을 개선하고 세그먼트 유지관리의 효율성을 높여, TBM 터널의 내구성 확보와 사용 수명 연장 등에 기여할 수 있을 것으로 기대된다.

현재 방음터널에서도 일반 도로터널에 적용되는 벽면마찰손실계수(0.025)가 환기 및 제연 설계의 중요한 인자로 사용되고 있다. 그러나 방음터널은 H형강의 돌출 구조로 인해 벽면 유동 특성이 달라지므로, 방음터널 벽체의 구조적 특성을 고려한 적정한 벽면마찰손실계수에 대한 연구가 필요하다. 본 연구에서는 일정 간격으로 H형강이 설치된 방음터널의 벽면마찰손실계수를 산정하기 위하여, 축소 모형 방음터널에 범용 CFD (computational fluid dynamics) 프로그램을 적용하여 산정식을 도출하였으며, 이를 실제 크기(full-scale) 방음터널 해석 모델의 결과와 비교하였다. H형강이 설치된 수치해석 모델의 결과, 풍속 변화는 벽면마찰손실계수에 거의 영향을 미치지 않는 것으로 나타났으며, H형강의 설치 간격이 증가할수록 계수는 선형적으로 감소하고, H형강의 높이가 증가할수록 선형적으로 증가하였다. 또한 H형강을 포함한 원형관 축소 해석 모델을 이용하여 벽면마찰손실계수를 산정하기 위한 관계식을 제시하였으며, 이를 방음터널 해석 모델에서 얻어진 결과와 비교하여 적용성을 검토한 결과, 일치함을 확인할 수 있었다.

본 연구에서는 심층처분시스템 근계암반의 열-수리-역학(thermal-hydraulic-mechanical, THM) 연계거동에 대한 입자 체적계수의 영향을 평가하였다. 황등화강암 시편을 대상으로 무자켓 실험을 수행하여 구속압 증가에 따른 체적변형률을 측정하고, 이를 통해 실험 기반 입자 체적계수를 산정하였다. 또한 X-선 회절분석을 통해 산출된 광물 체적분율을 활용하여 체적분율 가중평균 기법으로 이론값을 계산하였으며, 기존 문헌의 탄성계수를 적용하여 추가적인 이론값을 도출하였다. 세 가지 경우에서 산정된 입자 체적계수를 수치해석에 반영하여 KBS-3 방식 심층처분시스템의 근계암반을 모사하고, 시간에 따른 온도, 간극수압, 최대 주응력, 체적변형률, 수리응력 및 열응력의 거동을 평가하였다. 해석 결과, 입자 체적계수 변화는 온도와 간극수압 거동에 미치는 영향은 미미한 것으로 분석되었으나, 최대 주응력과 체적변형률은 명확한 차이를 보이는 것으로 파악되었다. 특히 이론값 기반 해석은 응력-변형 반응을 과대평가하는 경향을 보여, 장기 안정성 평가의 신뢰성을 저하시킬 수 있는 가능성이 확인되었다. 이러한 결과에서 실험 기반 입자 체적계수의 확보와 이를 활용한 THM 연계해석이 중요하게 고려되어야 할 것으로 판단된다. 본 연구의 결과는 향후 심층처분시스템의 안정성 평가를 위하여 유용하게 활용될 수 있을 것으로 기대된다.

터널 돌발상황 감지시스템은 터널 내 CCTV 영상을 통해 돌발상황을 실시간으로 감지하는 시스템으로, 낮은 조도, 원근 왜곡, 카메라 각도 변화, 먼지 축적 등 다양한 환경적 요인으로 인해 돌발상황 감지 성능이 저하되며, 특히 빈번한 오탐지 발생으로 인해 시스템의 신뢰도가 하락하는 문제가 있다. 이러한 문제를 해결하기 위해 기존 연구에서는 오탐지 학습법을 제안한 바 있다. 이 방법은 실제 운영 과정에서 발생한 오탐지 데이터를 수집·정정한 뒤 이를 원래 학습 데이터셋에 반복적으로 추가하여 재학습하는 방식으로, 반복적인 재학습을 통한 객체인식 성능의 자가 향상이 입증되었다. 본 연구는 이를 한 단계 확장하여 터널 돌발상황 감지시스템 전체 프로세스에 오탐지 학습법을 적용하고, 실제 현장 상황을 모사한 시뮬레이션을 통해 적용 가능성과 성능 개선 효과를 검증하는 것을 목표로 한다. 실험은 2021년도 XX터널 CCTV 영상을 기반으로 진행되었으며, 초기 모델 학습 후 각 주기별로 발생한 오탐지 데이터를 정정·누적하여 재학습하는 절차를 모사하였다. 또한 보행자 관련 클래스의 불균형을 보정하기 위해 오버샘플링 기법을 도입하였다. 현장 적용 시뮬레이션 결과, 정상상황 영상에서 오탐지 발생 빈도가 크게 줄었으며, 특히 보행자에 대한 불필요한 오탐지를 효과적으로 억제할 수 있었다. 그러나 돌발상황 영상에서는 정탐지율의 개선이 제한적으로 나타났으며, 이는 데이터셋의 편향, 추론 단계에서의 경계 박스 흔들림 현상, 프레임 샘플링 간격의 한계 등 복합적인 요인에 기인한 것으로 분석되었다. 결론적으로, 본 연구는 오탐지 학습법이 정상상황에서의 오탐지 저감을 통해 시스템 신뢰성을 높이는 데 효과적임을 입증하였으나, 돌발상황 정탐지 성능 향상을 위해서는 데이터 균형 확보와 딥러닝 객체인식 모델의 추론 안정성 개선이 향후 연구 과제로 요구됨을 확인하였다.

본 연구는 이동식 터널 스캐닝 시스템의 고속 촬영 과정에서 발생하는 모션 블러로 인한 이미지 품질 저하 문제를 파악하고, 무참조 이미지 품질 평가 지표(no-reference image quality assessment, NR-IQA)의 유효성을 검증하는 것을 목적으로 한다. 이를 위해 자체 개발한 고속 병진 이동 패널과 ISO 12233 표준 환경을 기반으로 다양한 촬영 조건에서 고속 모션 블러 데이터셋을 구축하였다. 물리적 품질 지표인 BEW (blurred edge width)와 MTF (modulation transfer function) 50을 활용하여 이미지 품질 변화를 정량적으로 측정하고, 이를 기준으로 전통적인 지식기반 NR-IQA 지표(BRISQUE, NIQE, PIQE, CPBD)와 딥러닝 기반 지표(DBCNN, ARNIQA)의 성능을 비교 분석하였다. 실험 결과, 이동 속도가 증가하고 셔터 노출 시간이 길어질수록 모션 블러가 심화되어 이미지 경계가 흐려지고 세부 구조가 손실되는 경향을 확인하였다. 상관관계 분석에서는 전통적인 지식기반 NR-IQA 지표 중 CPBD가 물리적 품질 지표와 가장 높은 상관성을 나타냈다. 딥러닝 기반 지표인 DBCNN과 ARNIQA는 다른 전통적인 지식 기반 지표들보다 월등히 우수한 성능을 나타내며 매우 높은 신뢰도를 입증하였다. 이러한 결과는 NR-IQA 지표가 MTSS 이미지의 품질 저하를 효과적으로 정량화할 수 있음을 보여준다. 특히, CPBD는 현장의 실시간 품질 관리에, 딥러닝 기반 지표인 DBCNN과 ARNIQA는 후처리 및 정밀 성능 검증에 적합한 도구로 활용될 수 있음을 시사한다.