Research Paper

Journal of Korean Tunnelling and Underground Space Association. 31 March 2019. 227-242
https://doi.org/10.9711/KTAJ.2019.21.2.227

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 배경이론

  •   2.1 머신러닝(Machine learning)

  •   2.2 시계열 분석

  •   2.3 토압식 쉴드 TBM의 첨가제

  • 3. 데이터 분석 및 모델 적용

  •   3.1 현장 개요

  •   3.2 지반 타입의 분류

  •   3.3 시계열 분석의 적용

  • 4. 분석 결과

  •   4.1 ANN engine 적용 결과

  •   4.2 TDNN model 적용 결과

  • 5. 결 론

1. 서 론

최근 건설 현장에서 많이 사용되고 있는 쉴드 TBM (Tunnel Boring Machine)은 막장 전방에 대한 정보가 불확실하다는 단점이 있다. 따라서 쉴드 TBM 사용 시 발생할 수 있는 리스크에 관한 연구가 지속적으로 이뤄졌으며, 리스크 원인 분석을 통한 리스크 관리를 위해 노력하고 있다(Chung et al., 2019).

이러한 연구의 일환으로, Jung et al. (2018)은 지질 리스크 요인의 발생 확률을 줄일 수 있는 막장 전방 예측 방법을 제시하였다. 이 방법은 인공신경망(Artificial Neural Network, ANN)과 시계열 분석(Time series analysis)을 활용하여 10막장 전방의 지반을 예측하는 것으로, 현장에서 실시간으로 막장 전방 관리가 가능하다는 장점이 있다. 또한 쉴드 TBM 기계데이터만 사용하므로 TBM 굴착 외에 추가적인 시험이나 측정이 필요 없다. 하지만 Jung et al. (2018)의 방법은 암반과 토사가 혼합된 복합 지반에 적합하게 제시된 방법이므로, 토사터널에 대한 적용이 불가능하다는 단점이 있었다. 따라서 본 연구에서는 Jung et al. (2018)의 방법을 수정하여, 토사터널에서도 10막장 전방의 지반 타입을 예측할 수 있는 분석 방법을 제안하였다.

토사터널은 일반적으로 토압식(Earth Pressure-Balanced, EPB) 쉴드 TBM이 사용되는데, 이 공법은 커터헤드 후면의 챔버(chamber)를 굴착한 토사 또는 버력으로 가득 채우고 챔버 내에서 압력을 가하여 막장의 안정성을 도모하는 공법이다(Lee, 2016). 최근에는 토사지반에 대한 토압식 쉴드 TBM 공법의 적용 범위를 확장시키기거나, 효과적인 배합비 도출을 위해서 다양한 지반과 첨가제를 배합하는 쏘일 컨디셔닝 연구가 활발히 진행되고 있다(Kim et al., 2018).

기본적으로 쏘일 컨디셔닝은 주어진 지반 조건에 따라 첨가제를 선택하여 적용하는데, 지반 조건을 미리 예측할 수 있다면 적절한 첨가제를 미리 선택하고 준비할 수 있어, 토사터널 현장 관리 및 원활한 굴착에 매우 유용할 것으로 판단된다. 따라서 토사터널의 기계데이터 분석 시 첨가제 주입 특성을 함께 고려해 Jung et al. (2018)의 방법을 수정하였으며, 수정된 방법으로 예측된 지반 타입에 따라 적절한 첨가제를 선택할 수 있도록 제안하였다.

2. 배경이론

2.1 머신러닝(Machine learning)

머신러닝은 인공지능의 한 분야로 최근 딥러닝 관련 연구가 활발해지면서 다시 주목받고 있다. 머신러닝은 크게 지도학습과 비지도학습으로 나뉘는데, 지도학습은 학습에 입력과 출력 데이터가 모두 필요하고, 비지도학습은 학습에 출력 데이터가 필요하지 않다. 지도학습은 학습 데이터로부터 하나의 함수를 유추해내 주어진 데이터를 예측하고자 할 때 사용하고, 비지도학습의 경우에는 데이터가 어떻게 구성되었으며 주요 특징이 무엇인지 요약하고 설명하는데 사용한다. 따라서 모델링의 최종 목적이 무엇이냐에 따라 적절한 학습 방법을 선택해야 한다(Kim, 2017). 이에 본 논문에서는 지도학습의 한 방법인 ANN과 비지도학습의 한 방법인 군집화(Clustering)를 사용하여 쉴드 TBM의 기계데이터를 분석하였다.

ANN은 기본적으로 입력과 출력층으로 구성되는데, 입력과 출력층 사이의 관계를 찾아내기 위해 ‘학습’이 이뤄지며, 학습에 사용된 학습데이터들의 관계 분석을 통해 도출된 ‘규칙’이 ‘모델’이 된다. 이때 학습의 종류 및 계층 구조 등에 의해 매우 다양하게 모델링이 될 수 있다. 계층 구조는 Fig. 1과 같이 입력층, 은닉층, 출력층이 포함된 다층 신경망이 주로 사용된다(Kim, 2016).

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F1.jpg
Fig. 1.

Example of deep neural networks

다층 신경망의 지도 학습은 일반적으로 오차 역전파 알고리즘을 사용하는데, 오차 역전파 알고리즘이란 입력에 대한 출력과 목표 출력 사이의 오차를 사용하여 가중치를 갱신하는 방법을 말한다. 이때 가중치 값의 갱신을 출력층에서 시작하여 거꾸로 은닉층으로 내려가면서 진행하기 때문에 오차 역전파라고 불리며, 이 방법은 속도는 느리지만 안정적인 결과를 도출할 수 있어 선호된다. 여기서 가중치 갱신은 오차를 최소화해 나가는 방향으로 진행되는데, 이때 오차 최소화를 위해 사용되는 방법은 경사하강법, 뉴턴법, Levenberg-Marquardt법 등이 있다. Levenberg-Marquardt법은 경사하강법과 뉴턴법의 단점을 보완하고자 제안된 방법으로, 해로부터 멀리 떨어져 있을 때는 경사하강법, 해 근처에서는 뉴턴법을 적용하여, 두 방법에 비해 안정적이고 빠르게 수렴할 수 있다(Buduma and Locascio, 2017; Patterson, 1995; Taylor, 2017). 본 연구에서 적용한 Jung et al. (2018)의 ANN engine은 Levenberg-Marquardt법이 적용된 오차 역전파 알고리즘을 사용한 다층 신경망이다.

군집화는 비지도학습을 통해 입력 데이터의 특징을 파악해 비슷한 성질을 가지는 군집으로 분류해주는 방법이다. 군집화의 방법 중 Self-Organizing Map (SOM)은 신경망 관점을 기반으로 하는 기법으로, 학습 단계에서 다차원 공간의 특징 벡터로 표현되는 객체들이 경쟁층에서 스스로 유사한 패턴끼리 2차원의 특징 지도를 조직화하여 영역 지도를 형성한다. SOM은 경쟁, 협동, 적응의 세 단계로 학습이 이뤄지며, 학습이 상당히 빨라 실시간 처리가 가능하다는 장점을 가진다(Han, 2009; Ripley, 1996). 본 연구에서는 토사터널의 지반 타입 분류를 위한 기초자료로써 기계데이터 특징을 분석할 때 SOM 군집화 방법이 사용되었다.

2.2 시계열 분석

시계열 자료 분석이란, 어떤 자료가 과거 시점에서 얻어진 추세에 따라 앞으로도 변할 것이라는 전제하에 미래를 예측하는 기법이다. 분석의 목적은 크게 두 가지인데 시계열 자료의 움직임을 설명하는 모델의 수립(model building)과 모델 수립을 통하여 수행되는 시계열의 미래 값 예측(prediction)이다.

시계열 분석 방법에는 지수평활법, ARIMA (Autoregressive Integrated Moving Average) 모델, 선형 회귀분석, 비선형 회귀분석, 신경망 분석 등이 있다. 본 논문에서 적용한 Jung et al. (2018)의 방법은 단기예측에 적합한 ARIIMA (Box-Jenkins 방법) 모델과(Box and Jenkins, 1970) 시간지연신경망(Time Delay Neural Network, TDNN) 모델이 사용되었다.

ARIMA 모델은 시계열 자료 자신에 대한 회귀형태를 취하는 Autoregressive (AR) 모델과, 현재와 과거의 연속적인 오차항이 영향을 미치는 Moving Average (MA) 모델의 종합모델이다. 이때 AR 모델의 차수를 p, MA 모델의 차수를 q로 나타낸다. 차수는 현재에 영향을 미치는 과거의 시점을 말한다. 또한 ARIMA 모델은 비정상 시계열 자료를 정상적 시계열 자료로 변환하는 차분 과정을 거치는데, 차분의 차수를 d로 나타낸다. 따라서 ARIMA 모델을 나타낼 때, ‘ARIMA (p, d, q)’로 차수까지 함께 표현한다. AR과 MA의 차수는 대부분 1이나 2를 사용하고, 차분의 차수는 3 이하로 가정된다(Lee, 2011).

TDNN는 시계열 분석을 위해 ANN에 memory structure를 더한 모델로, Waibel et al. (1989)에 의해서 음성인식 분야에서 처음 제안되었고, 다른 인공신경망 모델에 비해 탁월한 성과를 보임이 증명되었다. 특히, TDNN는 출력층의 노드를 제외한 모든 노드들이 memory structure를 가질 수 있어, 시간패턴 인식능력이 뛰어나다(Dorffner, 1996; Shin and Jeong, 2011). 이 모델은 Fig. 2와 같은 구조를 가지는데, 현재와 과거의 입출력을 동시에 사용해 비선형 시스템을 학습할 수 있는 동적 신경망임을 알 수 있다(Hassoun, 1995).

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F2.jpg
Fig. 2.

A time-delay neural network for one-dimensional input/output signals (Hassoun, 1995)

Jung et al. (2018)의 방법에서 ARIMA 모델은 과거에 획득한 실제 기계데이터로부터 10막장 전방의 기계데이터를 예측하는데 사용되며, TDNN는 10막장 전방의 지반 타입을 예측하는데 사용된다.

2.3 토압식 쉴드 TBM의 첨가제

토압식 쉴드 TBM에서는 굴착토를 사용한 막장 안정성을 확보하기 위해 첨가제를 주입해주어야 한다. 첨가제는 굴착된 토사 및 버력의 유동성 확보, 굴착토의 마찰계수 감소, 지수성 향상 등을 위하여 사용된다. 첨가제의 종류는 폼(foam), 폴리머(polymer), 벤토나이트(bentonite), 고흡수성 수지계 등이 있으며, 지반의 종류, 지하수위, TBM의 기계적 구조 등에 따라 첨가제를 선택하여 사용한다(Kim et al., 2018; Lee, 2016).

폼은 가장 경제적인 첨가제로서 굴착토의 유동성과 지수성을 향상시킨다. 다만 계속적인 굴착 중에는 효과가 좋으나, 굴착이 일시 정지되는 경우 기포가 지반에 침투되어 막장압이 감소하는 단점이 있다. 폴리머는 물에 용해되는 고점성의 고분자 물질로 굴착토의 유동성 및 지수성, 펌프에 의한 압송성을 향상시키고, 점토질 지반에서의 막힘(clogging) 현상을 줄이기 위해 사용된다. 또한 굴착이 정지된 경우에도 효용성을 상실하지 않는다는 장점이 있다. 벤토나이트는 투수성이 큰 지반에 적용성이 뛰어나고, 고흡수성 수지는 함수대에서 막장면으로의 용수분출을 막을 수 있다(Lee, 2016; Zumsteg and Langmaack, 2017).

3. 데이터 분석 및 모델 적용

3.1 현장 개요

본 연구에서 분석한 현장은 터널 통과 구간의 지반이 토사로만 이뤄진 현장으로, 쉴드 TBM 중 토사터널에 적합한 토압식 쉴드 TBM이 사용되었다. 또한 토사층의 경우는 퇴적층으로 점토, 실트, 모래 등이 혼재하여, 터널 막장면을 이루는 토사의 종류가 매우 다양하게 구성되어 있다. 이러한 현장의 개략적인 조건을 Table 1에 나타냈다.

Table 1. Conditions at a job site

Route length (km) External diameter (m) Type of TBM Soil conditioning
materials
Ground conditions
1.15 7.8 EPB Foam, Polymer Clay, Silt, Sand,
Weathered soil

3.2 지반 타입의 분류

본 연구의 기반이 되는 지반 분류법은 선행 연구인 Jung et al. (2018)의 방법을 수정하여 적용하였다. Jung et al. (2018)은 주로 암반과 토사가 혼합된 현장에서 지반 타입을 3가지로 분류하였으며, 이때 타입 구분의 기준을 상대적인 단단함의 크기로 보았다. 하지만 본 연구에서 분석한 현장은 지반이 토사로만 이뤄진 현장으로, Jung et al. (2018)의 분류 기준을 그대로 적용하는 것은 어렵다고 판단하였다. 따라서 토사로만 이뤄진 현장의 기계데이터 특성을 분석하기 위해 군집화 분석을 수행하였으며, 이때 사용한 프로그램은 Matlab R2016a 버전(Beale et al., 2016)이다.

Fig. 3은 시점부 보강 지반을 제외한 터널 전 구간의 기계데이터를 SOM 군집화 분석을 통해 총 4가지로 분류한 결과를 나타낸다. 이 결과를 세그먼트 번호 순서에 맞게 터널 노선에 표시하면 Fig. 4와 같고, 이를 첨가제 주입량 그래프와 함께 표시하면 Fig. 5와 같다.

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F3.jpg
Fig. 3.

A result of the SOM clustering

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F4.jpg
Fig. 4.

The profile of machine data groups

Fig. 5를 보면 군집화 분석에 의해 구분된 기계데이터 그룹과 첨가제 주입량 증감 구간이 비슷한 경향을 보이며 분포하는 것을 알 수 있다. 특히 그룹 4의 경우는 첨가제 주입량이 상대적으로 제일 큰 구간에 분포하는 것을 알 수 있다. 따라서 토사터널의 기계데이터 특성을 분석하기 위해 첨가제 주입량의 상대적 크기가 뚜렷하게 변화하는 구간을 중심으로 지반 특성을 분석하였다.

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F5.jpg
Fig. 5.

Comparison between the soil conditioning materials and the machine data

해당 현장은 첨가제로 폼과 폴리머를 모두 사용한 현장으로, 구간에 따라서 폼만 주입한 경우와 폼과 폴리머를 함께 쓴 경우로 나눌 수 있다. 일반적으로 첨가제의 종류 및 주입량은 토사의 조 ‧ 세립질 여부에 따라 달라지게 된다. 따라서 첨가제 종류 및 주입량 변화와 토사의 조 ‧ 세립질 여부가 밀접한 관계가 있다고 판단하였으며, 이를 토대로 토사의 조 ‧ 세립질 구분의 척도라고 할 수 있는 #200체 통과량을 구해 첨가제 주입량 그래프와 비교하였다.

지반의 #200체 통과량을 구하기 위해 사용된 지층별 설계정수는 Table 2와 같다. 이를 이용해 터널이 통과하는 지반의 #200체 통과량을 구하여 구간별로 나타내면 Fig. 6과 같다. 이때 #200체 통과량은 지질주상도 상 터널 막장면을 구성하고 있는 지층의 비율을 고려하여, Table 2의 물성을 해당 구간의 대푯값으로 선정하여 구하였다. Fig. 6의 결과를 첨가제 주입량 그래프와 비교했을 때, #200체 통과량이 35% 이상인 구간에서 대부분 첨가제의 주입량이 평균 보다 큰 것을 확인할 수 있었다. 따라서 #200체 통과량이 35% 미만 인 경우에 지반 타입을 3으로, 35% 이상 인 경우를 지반 타입 2로 분류하여 첨가제 주입량 그래프와 비교하였으며, 이는 Fig. 7과 같다. 이때 지반 타입 1은 Jung et al. (2018)의 분류에서 암반으로 분류되기 때문에 토사터널의 경우에서는 제외하였다.

Table 2. Properties of soils

Clay Silt Sand Weathered
soil 1
Weathered
soil 2
Weathered
soil 3
Unit weight (kN/m3) 19.9 19.4 19.0 20.0 20.0 20.0
Cohesion (kPa) 100 45 0 15 15 15
Internal friction angle (˚) 0 0 27 29 29 29
Pass #200 (%) 90 50 4 28 33 12

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F6.jpg
Fig. 6.

The distribution of the percentage passing through the #200 sieve along the entire route

Fig. 7을 보면 #200체 통과량 35%를 기준으로 지반 타입을 분류한 경우에, 첨가제 주입량이 평균 이상인 구간과 평균인 구간에 맞게 지반 타입이 분류된 것을 확인할 수 있다. 여기서 이 분류가 토사터널의 기계데이터 특징을 제대로 반영하는지 확인하기 위해서, 다시 한 번 군집화 분석을 수행하였다. 이때 사용된 기계데이터는 이전의 분석과는 다르게 정규화가 수행된 기계데이터이며, 정규화 방식은 Jung et al. (2018)이 제안한 방법을 사용하였다. 정규화 기계데이터를 군집화 분석한 결과를 세그먼트 순서에 맞게 표시하면 Fig. 8과 같은데, 이 결과가 Fig. 7에서 분류한 지반 타입의 구분과 매우 유사함을 알 수 있다. 따라서 토사터널의 기계데이터 특징을 반영한 지반 타입 분류 방법에 #200체 통과량 35% 기준을 적용한 것은 매우 타당하다고 할 수 있다. 이러한 결과들을 바탕으로 토사터널의 지반 타입 분류 방법을 Table 3에 제시하였으며, Jung et al. (2018)의 기존 분류 방법과 함께 표시하였다.

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F7.jpg
Fig. 7.

Comparison between the soil conditioning materials and the ground types

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F8.jpg
Fig. 8.

Comparison between the soil conditioning materials and the normalized machine data

Table 3. Classification of ground types

Ground conditions Type 1 Type 2 Type 3
Mixed ground
(Jung et al. (2018))
Rock
(Relatively hard)
Rock + Soil
(Mixed)
Soil
(Relatively soft)
Soils
(New proposal)
- Fine-grained soil
(≥35% pass #200)
(Relatively sticky)
Coarse-grained soil
(<35% pass #200)
(Relatively loose)

3.3 시계열 분석의 적용

토사터널의 기계데이터를 분석하여 막장 전방을 예측하기 위해, Jung et al. (2018)이 제안한 시계열 분석 방법을 적용하였으며, 분석 순서는 Fig. 9와 같다. 이를 적용하기 위해서는 우선 터널 전 구간 중 분석을 수행할 케이스를 선정하여야 한다. 분석 구간은 지반 타입이 변화하는 구간과 유지되는 구간의 대표 케이스를 선정하여 그 결과를 비교하였다. 특히 지반 타입 유지 구간의 경우, 같은 지반 타입임에도 불구하고 기계데이터의 변화가 다양한 구간을 포함하여 선정하였다. 이러한 기준에 의해 선정된 분석 케이스를 Fig. 10과 Table 4에 나타냈다. 이때 하나의 케이스는 해당 위치까지 굴착이 완료된 세그먼트 링의 기계데이터를 모두 포함하며, 세그먼트 링 번호 순서를 시간의 흐름으로 적용하여 시계열 분석을 수행하였다. 또한 한 구간에서 케이스의 증가는 세그먼트 링 5개의 증가를 의미하는 것으로, 세그먼트 링을 5개씩 증가시켜 굴착의 진행을 모사하였다.

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F9.jpg
Fig. 9.

Flow chart to run the developed time delay neural network (TDNN) engine (Jung at al., 2018)

http://static.apub.kr/journalsite/sites/kta/2019-021-02/N0550210202/images/kta_21_02_02_F10.jpg
Fig. 10.

The location of sections at job site

Table 4. Analysis cases

Section number 1 2 3 4
Case numbers 1~5 6~10 11~15 16~20
Segment ring numbers 30~50 145~165 390~410 710~730
Number of cases 5 5 5 5

Table 4에 표시된 총 20개의 케이스에 대해서 Fig. 9와 같은 순서로 시계열 분석을 수행하였다. 이를 위해 사용된 프로그램은 Matlab R2016a 버전(Beale et al., 2016; Taylor, 2017)과 SPSS (Statistical Package for the Social Sciences) 24 버전(IBM Corp., 2016)이다. 분석 순서는 정규화된 기계데이터를 ANN과 ARIMA model에 적용한 후, 이 결과를 TDNN model에 적용하여 최종적으로 10막장 전방의 지반 타입을 예측하는 순서로 진행되었다. 이때 사용된 모든 model의 조건은 Jung et al. (2018)이 제안한 방법과 동일하게 적용하였다. 이 중 최종적인 결과인 막장 전방 지반 타입이 예측되는 TDNN model의 세부 조건이 Table 5에 표시되었다.

Table 5. TDNN learning method and final model selection criteria (Jung at al., 2018)

Details
Type of ANN TDNN (time delay neural network)
Input delays 1
Hidden layer and node 2 (27 nodes for layer 1; 9 nodes for layer 2)
Train function Levenberg-Marquardt backpropagation
Convergence tolerance 0.05
Maximum number of
learning inputs
900 (limited to 300 when divergence occurs)
Final model
selection criteria
TDNN Maximum R (coefficient of correlation) or minimum error (on condition that R ≥ 0.7)
ARIMA (1, 1, 1) When percentage of one ground type in the past 50 segment rings < 75%
(1, 2, 1) When percentage of one ground type in the past 50 segment rings ≥ 75%

4. 분석 결과

본 절에서는 해석 케이스로 선정된 20개의 케이스에 대하여 시계열 분석을 수행한 결과를 자세히 기술하였다. 분석 결과는 ANN Engine에 적용한 결과와 TDNN model에 적용한 결과를 분리하여 단계별로 나타냈다.

4.1 ANN engine 적용 결과

Jung et al. (2018)이 제안한 ANN engine은 현장의 기계데이터가 입력되면 자동적으로 정규화 과정이 진행되고, 1막장 전방의 지반 타입이 예측되게 된다. 따라서 해당 현장의 기계데이터를 입력하여 전 구간의 1막장 전방 지반 타입을 획득하였으며, 그 결과를 Table 6에 표시하였다. Table 6에서 알 수 있듯이 전체적으로 99%의 높은 예측 정확도를 나타냈으며, 이 결과는 TDNN 단계에서 학습의 output으로 사용된다.

Table 6. The results of ANN engine

Type 2 Type 3 All
Number of ground types 195 566 761
Prediction accuracy (%) 98.97 99.12 99.08

4.2 TDNN model 적용 결과

4.1절에서 ANN Engine을 통해 획득한 1막장 전방 지반 타입과 해당 현장의 기계데이터를 TDNN model의 학습 데이터로 사용하여 10막장 전방의 지반 타입을 예측하였다. 이때 10막장 전방의 기계데이터는 Table 5에 표시된 ARIMA model을 적용하여 획득하였다.

Table 4에 표시된 총 20개의 케이스에 대한 10막장 전방 지반 타입의 예측 결과는 Table 7과 같다. Table 7에서 알 수 있듯이 TDNN model의 최종 결과는 지반 타입이 아닌 수치로 표현된다. 따라서 이 수치를 알맞은 지반 타입으로 변환해줄 일정한 기준이 필요하다. 이 기준은 Table 8과 같이 Jung et al. (2018)이 제안한 방법을 토사터널에 맞게 수정하여 적용하였다.

Table 7. The results of analysis cases

The front Case 1 Case 2 Case 3 Case 4 Case 5 Case 6 Case 7 Case 8 Case 9 Case 10
1st 1.9798 2.0708 1.6474 2.1151 1.9300 2.2538 2.0782 2.1920 2.0349 2.6723
2nd 2.0273 2.0819 1.5925 2.1140 1.9201 2.2596 2.0800 2.2017 2.0843 2.6808
3rd 1.9182 2.0181 1.6000 2.1386 1.9013 2.2595 2.0798 2.2118 2.1317 2.6951
4th 1.8979 2.0261 1.6053 2.1094 1.9336 2.2624 2.0781 2.2241 2.1900 2.7048
5th 1.9191 2.0512 1.6013 2.1600 2.0146 2.2634 2.0749 2.2383 2.2556 2.7124
6th 1.9475 2.0580 1.5993 2.1989 2.0033 2.2643 2.0699 2.2548 2.3299 2.7174
7th 1.9600 2.0578 1.6032 2.1930 1.9806 2.2640 2.0627 2.2743 2.4128 2.7207
8th 1.9636 2.0597 1.6071 2.1394 1.9400 2.2630 2.0538 2.2969 2.5057 2.7235
9th 1.9639 2.0687 1.6134 2.0406 1.9361 2.2606 2.0429 2.3227 2.6073 2.7266
10th 1.9624 2.0893 1.6252 1.9947 1.9563 2.2561 2.0311 2.3516 2.7171 2.7315
The front Case 11 Case 12 Case 13 Case 14 Case 15 Case 16 Case 17 Case 18 Case 19 Case 20
1st 2.9815 2.9858 3.0900 3.0398 3.0238 2.9488 2.9939 2.9503 2.3891 2.2052
2nd 2.9708 2.9800 3.0895 3.0412 3.0230 2.9476 2.9966 2.9291 2.3363 2.1945
3rd 2.9595 2.9766 3.0888 3.0429 3.0217 2.9483 2.9901 2.9189 2.3488 2.1852
4th 2.9470 2.9717 3.0880 3.0431 3.0202 2.9483 2.9885 2.9013 2.3345 2.1771
5th 2.9334 2.9667 3.0871 3.0422 3.0183 2.9485 2.9844 2.8855 2.3320 2.1694
6th 2.9187 2.9611 3.0861 3.0398 3.0160 2.9485 2.9816 2.8672 2.3250 2.1630
7th 2.9026 2.9549 3.0851 3.0353 3.0133 2.9486 2.9782 2.8487 2.3202 2.1570
8th 2.8853 2.9483 3.0838 3.0286 3.0101 2.9486 2.9753 2.8288 2.3149 2.1518
9th 2.8666 2.9410 3.0824 3.0193 3.0065 2.9485 2.9721 2.8078 2.3101 2.1472
10th 2.8464 2.9332 3.0808 3.0071 3.0024 2.9483 2.9693 2.7858 2.3054 2.1432

Table 8에서와 같이 Jung et al. (2018)은 지반 타입의 분류를 두 단계로 나누어 판별하였다. 첫번째 단계에서는 1막장 전방의 예측 결과가 일정한 범위 내의 값을 만족하는지에 따라 지반 타입을 결정한다. 다음으로 두번째 단계에서는 1막장 전방의 예측값을 기준으로 일정하게 증가 또는 감소하는지에 따라 지반 타입 변화 여부를 판별하게 된다. 만일 일정한 증감 없이 불규칙한 경향을 보이거나, 일정한 증감을 하더라도 기준치인 0.1 이상을 넘기지 않으면 지반 타입이 유지되는 것으로 보았다. 반대로 일정한 증가나 감소 경향을 보이면서 0.1 이상 변화하면 지반 타입이 변화하는 것으로 보았다. 이때 Jung et al. (2018)이 제안한 방법과 다른 점은 지반 타입 변화 여부의 기준값을 0.25가 아닌 0.1로 보았다는 것이다. 이것은 암반과 토사가 함께 존재하는 복합 지반의 경우 각 지반 타입별 기계데이터 차가 크지만, 토사만 존재하는 경우는 지반 타입별 기계데이터 차가 크지 않기 때문이다. 이러한 수정 기준을 적용하여 분석 케이스의 지반 타입을 판별한 결과는 Table 9와 같다.

Table 8. Decision criteria for ground type classification in the TDNN model (modified from Jung et al. (2018))

Details
1st Step
(1st ring ahead of the
tunnel face)
Type 2 1.5 ≦ 2 ≦ 2.5
Type 3 2.5 < 3 ≦ 4.0
2nd Step
(2nd to 10th rings ahead of
the tunnel face)
Maintained
ground type
Increase/decrease of less than 0.1 compared to the current numeric value
One step ground
type change
Increase/decrease of 0.1 compared to the current numeric value or more
(0.1: 10% of the difference between the ground types)

Table 9의 결과를 살펴보면 지질주상도 상의 실제 지반 타입과 예측된 지반 타입이 거의 일치하는 것을 알 수 있다. 다만 Case 9, 18의 경우에 지반 변화 구간 위치가 1막장 정도 차이 나는데, 이는 시계열 분석 시 사용되는 시간지연이 1로 고정되었기 때문으로 판단된다. 하지만 지반 변화 구간의 경우, 변화 위치가 1막장 정도 차이 나더라도 10막장 전방에서 지반 타입 변화 여부를 확인할 수 있다는 것에 의의가 있기 때문에, 이 결과가 현장에서 매우 유용할 것으로 판단된다. 또한 케이스 선정 시 지반 유지 구간의 경우 다른 구간에 비해 기계데이터가 불안정한 구간을 선택했음에도 불구하고, Case 11의 경우를 제외하고는 모두 100%의 예측 정확도를 보이는 것을 알 수 있다. 따라서 Table 8에서 지반 타입 구분의 기준값으로 제시한 0.1은 지반 변화 구간과 유지 구간을 판별하는데 적절한 값으로 판단된다. 이는 Table 10에 제시된 평균 예측 정확도를 통해서도 확인할 수 있는데, 지반 변화 구간과 유지 구간에 상관없이 모두 90% 이상의 예측 정확도를 보였으며, 전체적으로 98%의 높은 예측 정확도를 보이는 것을 알 수 있다.

Table 9. Comparison of predicted and actual ground types

True value Prediction
1st 2nd 3rd 4th 5th 6th 7th 8th 9th 10th 1st 2nd 3rd 4th 5th 6th 7th 8th 9th 10th
Case 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 4 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 6 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 7 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 8 2 2 2 2 2 2 2 3 3 3 2 2 2 2 2 2 2 3 3 3
Case 9 2 2 3 3 3 3 3 3 3 3 2 2 2 3 3 3 3 3 3 3
Case 10 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 11 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2
Case 12 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 13 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 14 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 15 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 16 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 17 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Case 18 3 3 3 3 3 2 2 2 2 2 3 3 3 3 3 3 2 2 2 2
Case 19 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Case 20 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

Table 10. Comparison of average prediction accuracy

Cases of maintained ground type Cases of changed ground type All
Mean of prediction accuracy (%) 98.82 93.33 98.00
Standard deviation 4.71 4.71 5.10

3.2절에 언급하였듯이, 토사터널에서 지반 타입은 #200체 통과량 35% 기준으로 분류하였으며, 이 기준이 토사터널의 기계데이터 특징과 첨가제 주입 특징 모두를 반영한다는 것을 확인하였다. 또한 시계열 분석 결과 최종적으로 98%의 높은 예측 정확도를 보였으므로, 예측되는 지반 타입에 맞는 첨가제를 추정하여 적용할 수 있을 것으로 판단하였다. 따라서 Table 11과 같이 예측 지반 타입별 첨가제의 종류를 제시하였다. Table 11에 제시한 첨가제는 총 두 가지로 분류되는데, 일반적으로 자주 사용되는 폼만으로도 컨디셔닝이 가능한 경우와 폼과 폴리머를 함께 사용해야 하는 경우로 나뉜다. 폴리머를 함께 사용해야 하는 경우는 #200체 통과량이 35% 이상인 경우로, 점착력이 상대적으로 크기 때문에 터널 굴착 시 커터의 마모, 굴착토의 챔버내 부착, 배토 불능 등의 문제가 발생할 수 있다. 따라서 막장 전방 예측 시 지반 타입 2로 판단될 경우, 폴리머를 함께 주입하여 원활한 굴착이 이뤄질 수 있도록 해야 한다.

Table 11. Soil conditioning materials according to predicted ground types

Predicted ground types Type 2 Type 3
Ground conditions Fine-grained soil (≥35% pass #200) Coarse-grained soil (<35% pass #200)
Soil conditioning materials Foam + Polymer Foam

5. 결 론

본 연구에서는 선행 연구된 Jung et al. (2018)의 시계열 분석 방법을 토대로, 토사터널에 적용할 수 있는 수정된 방법을 제안하였으며, 이를 통해 10막장 전방의 지반 타입을 예측하였다. 또한 예측된 지반 타입에 따라 원활한 굴착이 가능하도록 알맞은 첨가제를 제안하였다. 이 과정을 통하여 도출한 결론은 다음과 같다.

1. 토사터널의 지반 타입 구분에 #200체 통과량 35% 기준을 적용하면, 지반 타입별 기계데이터 특징과 첨가제 주입 특징이 일치하는 것을 확인할 수 있다.

2. 지반 타입을 #200체 통과량 기준으로 2가지로 분류할 경우, 복합 지반 기반 ANN engine에 적용할 수 있으며, 이때의 예측 정확도는 99%로 매우 높은 정확도를 보인다.

3. Jung et al. (2018)이 제안한 시계열 분석 방법 중 지반 타입 판별 기준을 수정하여 적용하면, 토사터널의 10막장 전방 지반 타입 예측이 가능하며, 모든 케이스에 대한 예측 정확도는 98%이다.

4. 지반 타입 변화 구간에 대한 예측 정확도는 약 93%로, 지반 변화 구간의 시작 위치가 1막장 정도 차이 나지만, 10막장 전방에서 지반 타입 변화 여부를 미리 확인할 수 있으므로 현장 관리가 매우 용이해진다.

5. 예측되는 지반 타입에 따라 폼과 폴리머 등의 첨가제를 사전에 준비할 수 있으므로, 토사터널의 원활한 굴착을 위한 쏘일 컨디셔닝에 매우 유용하게 사용될 수 있다.

References

1
Beale, M.H., Hagan, M.T., Demuth, H.B. (2016), Neural network toolbox™ user's guide, version R2016a, The Math Works, Inc., Natick.
2
Box, G.E.P., Jenkins, G.M. (1970), Time series analysis: forecasting and control, Holden-Day, San Francisco.
3
Buduma, N., Locascio, N. (2017), Fundamentals of deep learning: designing next-generation machine intelligence algorithms (1st edition), O'Reilly Media, Sebastopol.
4
Chung, H., Lee, I.M., Jung, J.H., Park, J. (2019), "Bayesian networks-based shield TBM risk management system: methodology development and application", KSCE Journal of Civil Engineering, Vol. 23, No. 1, pp. 452-465.
10.1007/s12205-018-0912-y
5
Dorffner, G. (1996), "Neural networks for time series processing", Neural Network World, Vol. 6, No. 4, pp. 447-468.
6
Han, H.Y. (2009), Pattern recognition, Hanbit Media, Inc., Seoul.
7
Hassoun, M.H. (1995), Fundamentals of artificial neural networks, MIT Press, Cambridge.
8
IBM Corp. (2016), IBM SPSS Forecasting 24, IBM Corp., New York.
PMC4957675
9
Jung, J.H., Chung, H., Kim, T.H., Lee, I.M. (2018). "A hybrid time series model to predict ground conditions ahead of tunnel face utilizing shield TBM operational data", Tunnelling and Underground Space Technology, Under Review.
10
Kim, P. (2017), MATLAB deep learning: with machine learning, neural networks and artificial intelligence, Apress, New York, p. 53-80.
10.1007/978-1-4842-2845-6_3
11
Kim, S.P. (2016), Deep learning for beginners, Hanbit Media, Inc., Seoul.
12
Kim, T.H., Kwon, Y.S., Chung, H., Lee, I.M. (2018), "A simple test method to evaluate workability of conditioned soil used for EPB Shield TBM", Journal of Korean Tunnelling and Underground Space Association, Vol. 20, No. 6, pp. 1049-1060.
13
Lee, I.M. (2016), Geotechnical aspects of tunnelling (3rd edition), CIR, Seoul, pp. 129-176.
14
Lee, W.W. (2011), Time series analysis: Statistical method for predicting, Freedom Academy Inc., Paju.
15
Patterson, D.W. (1995), Artificial neural networks: theory and applications, Springer, New York, pp. 1-179.
16
Ripley, B.D. (1996), Pattern recognition and neural networks, Cambridge University Press, New York.
10.1017/CBO9780511812651
17
Shin, C.H., Jeong, S.H. (2011), "A study on application of ARIMA and neural networks for time series forecasting of port traffic", Journal of Navigation and Port Research, Vol. 35, No. 1, pp. 83-91.
10.5394/KINPR.2011.35.1.83
18
Taylor, K. (2017), Deep learning using MATLAB neural network applications, CreateSpace Independent Publishing Platform, Lavergne.
19
Waibel, A., Hanazawa, T., Hinton, G., Shikano, K., Lang, K.J. (1989), "Phoneme recognition using time delay neural networks", IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol. 37, No. 3, pp. 328-339.
10.1109/29.21701
20
Zumsteg, R., Langmaack, L. (2017), "Mechanized tunneling in soft soils: choice of excavation mode and application of soil-conditioning additives in glacial deposits", Engineering, Vol. 3, No. 6, pp. 863-870.
10.1016/j.eng.2017.11.006
페이지 상단으로 이동하기