KR102003612B1 - 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 - Google Patents

쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102003612B1
KR102003612B1 KR1020170159530A KR20170159530A KR102003612B1 KR 102003612 B1 KR102003612 B1 KR 102003612B1 KR 1020170159530 A KR1020170159530 A KR 1020170159530A KR 20170159530 A KR20170159530 A KR 20170159530A KR 102003612 B1 KR102003612 B1 KR 102003612B1
Authority
KR
South Korea
Prior art keywords
site
rock
ground
factors
neural network
Prior art date
Application number
KR1020170159530A
Other languages
English (en)
Other versions
KR20190061302A (ko
Inventor
송기일
이항로
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020170159530A priority Critical patent/KR102003612B1/ko
Publication of KR20190061302A publication Critical patent/KR20190061302A/ko
Application granted granted Critical
Publication of KR102003612B1 publication Critical patent/KR102003612B1/ko

Links

Images

Classifications

    • G06F17/5009—
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
    • E21D9/06—Making by using a driving shield, i.e. advanced by pushing means bearing against the already placed lining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

본 발명은 쉴드 TBM의 실굴진속도 예측 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 기 시공된 복수의 현장 각각에 대해, 현장에 대응하여 계측된 복수의 지반 인자와, 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 저장한 DB, 지반 인자 중 하나인 암반 등급을 수정하여 DB에 갱신 반영하는 데이터 수정부, 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 클러스터링부와, 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 복수의 지반 인자와 현장 관입 지수를 적용하여, 신경망을 학습시키는 신경망 학습부, 및 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 학습된 신경망에 입력시켜, 시공 대상 현장의 현장 관입 지수를 예측하는 예측부를 포함한다.
본 발명에 의하면, 과거 시공 현장에서 획득한 지반 인자들과 현장 관입 지수를 신경망에서 훈련시켜, 시공대상 현장의 지반 데이터만으로 현장 관입 지수를 예측하고, 이를 토대로 실굴진속도를 신뢰성 있게 예측할 수 있어, 공사비 및 공사 시간의 예측 오차를 크게 줄일 수 있다.

Description

쉴드 TBM의 실굴진속도 예측 장치 및 그 방법{Apparatus for predicting advance rate of shield tunnel boring machine and method thereof}
본 발명은 쉴드 TBM의 실굴진속도 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 시공대상 현장에 사용되는 쉴드 TBM(shield Tunnel Boring Machine)의 실굴진속도(AR;Advance Rate)를 신뢰성 있게 예측할 수 있는 장치 및 방법에 관한 것이다.
국내에서는 전기 공급을 위한 선로의 지중화를 위해 터널식 전력구를 많이 건설하는 추세이다. 전력구 터널은 기계식 터널 굴착기 즉, 쉴드 TBM(Shield Tunnel Boring Machine)에 의해 주로 건설된다.
신뢰성 있는 공사비 또는 공사 기간을 예측하기 위해서는 설계 단계에서 쉴드 TBM의 성능을 정확하게 예측하는 것이 매우 중요하다. 쉴드 TBM의 성능 중에서 대표적으로 순굴진속도(PR;Penetration Rate)와 실굴진속도(AR;Advance Rate)가 있다.
순굴진속도는 순 굴착시간 당 지반을 굴착하는 거리로 정의될 수 있으며, 순굴진속도에 쉴드 TBM의 실제 가동률을 적용하면 실제 굴진속도인 실굴진속도(advance rate)가 산정된다. 이러한 실굴진속도를 통하여 공사기간과 그에 따른 공사비가 최종적으로 산정되기 때문에, 실굴진속도는 매우 중요한 요소라 할 수 있다.
그런데, 국내에서는 시추 샘플의 일축압축강도(USC;Uniaxial Compressive Strength) 즉, 암반의 강도에 따라 전력구 터널에 사용되는 쉴드 TBM의 순굴진속도를 예측하고 있는 실정이다. 일축 압축 강도만으로 실굴진속도를 예측한다는 것은 암반에 존재하는 다양한 특성을 반영하지 못할 뿐 아니라, 쉴드 TBM의 다운 타임(Down Time)을 전혀 반영하지 못하기 때문에, 예측 오차가 증가된다. 여기서, 다운 타임은 터널 보강 시간, 기계 장치 수리 시간 등 쉴드 TBM이 굴진하지 않고 대기하거나 휴지하는 시간을 의미한다.
또한, 국내에서 회귀 분석 등의 통계 기법을 이용하여 쉴드 TBM의 설계 관입 깊이 또는 최대 관입 깊이를 예측한 사례가 존재하지만, 통계 분석의 복잡도가 높고 쉴드 TBM의 실굴진속도 예측 문제와는 다소 거리가 있는 기술로 볼 수 있다.
본 발명의 배경이 되는 기술은 한국등록특허 제0769499호(2007.10.24 공고)에 개시되어 있다.
본 발명은 시공대상 현장에 사용되는 쉴드 TBM(shield Tunnel Boring Machine)의 실굴진속도(AR;Advance Rate)를 신뢰성 있게 예측할 수 있는 쉴드 TBM의 실굴진속도 예측 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 저장한 DB와, 상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 데이터 수정부, 상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 클러스터링부와, 상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 신경망 학습부, 및 상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하는 예측부를 포함하는 쉴드 TBM의 실굴진속도 예측 장치를 제공한다.
또한, 상기 예측부는, 상기 예측한 현장 관입 지수 및 상기 쉴드 TBM의 기계 인자를 기초로 상기 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 예측할 수 있다.
또한, 상기 예측부는, 아래의 수학식을 이용하여 상기 실굴진속도를 연산할 수 있다.
Figure 112017117979714-pat00001
여기서, Fn은 상기 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 상기 예측한 현장 관입 지수를 나타낸다.
또한, 상기 계측된 복수의 지반 인자는, 상기 지반에 대한 일축압축강도(USC), 암반 등급(RMR), 암질지수(RQD), 탄성계수, 탄성파 속도, 루전값, 흡수율을 포함하며, 상기 데이터 수정부는, 상기 암반 등급의 연산에 사용된 6개의 세부인자 중 일축압축강도, 암질지수, 지하수 상태를 제외한 절리간격, 절리상태, 절리방향 만을 사용하여 상기 암반 등급을 재산정할 수 있다.
또한, 상기 데이터 수정부는, 상기 암반 등급의 재산정 시에, 상기 절리간격, 상기 절리상태, 상기 절리방향 각각에 적용되는 가중치를 기 설정 값보다 2배 높은 값으로 적용할 수 있다.
또한, 상기 쉴드 TBM의 실굴진속도 예측 장치는, 상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 선정부를 더 포함하며, 상기 클러스터링부는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고, 상기 신경망 학습부는 상기 입력 노드에 상기 주요 지반 인자를 적용하며, 상기 예측부는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시킬 수 있다.
또한, 상기 선정부는, 최상 부분집합 선택법을 이용하여 상기 주요 지반 인자를 선정할 수 있다.
또한, 상기 현장에 대응하여 저장된 현장 관입 지수는, 상기 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 아래의 수학식으로 결정될 수 있다.
Figure 112017117979714-pat00002
여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 상기 암반 종류(i) 별로 상기 암반 종류에 대응하여 상기 DB에 기 저장된 평균 실굴진 속도, Fn은 상기 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 상기 현장에 적용된 상기 쉴드 TBM의 분당 회전수를 나타낸다.
그리고, 본 발명은, 실굴진속도 예측 장치를 이용한 쉴드 TBM의 실굴진속도 예측 방법에 있어서, 기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 DB에 저장하는 단계와, 상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 단계와, 상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 단계와, 상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 단계, 및 상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하는 단계를 포함하는 쉴드 TBM의 실굴진속도 예측 방법을 제공한다.
또한, 상기 쉴드 TBM의 실굴진속도 예측 방법은, 상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 단계를 더 포함하며, 상기 클러스터링하는 단계는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고, 상기 학습시키는 단계는 상기 입력 노드에 상기 주요 지반 인자를 적용하며, 상기 예측하는 단계는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시킬 수 있다.
본 발명에 의하면, 과거 시공 현장에서 획득한 지반 인자들 및 쉴드 TBM의 현장 관입 지수를 신경망에서 훈련시켜, 시공대상 현장의 지반 데이터만으로 현장 관입 지수를 쉽게 예측하고, 나아가 이를 토대로 쉴드 TBM의 실굴진속도를 신뢰성 있게 예측할 수 있어, 시공대상 현장에 필요한 공사비 및 공사 시간의 예측 오차를 크게 줄일 수 있는 이점이 있다.
또한, 본 발명은 지반 인자들 중 암반 등급의 경우 다른 지반 인자들과 중복된 요소를 제거 후 새롭게 변경한 값을 사용함으로써, 실굴진속도 예측 결과의 신뢰성을 더욱 높일 수 있다.
더욱이, 본 발명의 경우, 과거 시공현장에서 획득한 복수의 지반 인자들 중 주요 지반 인자들을 선정하여 학습하고 이를 토대로 시공대상 현장에서 수집한 해당 주요 지반 인자들만으로 실굴진 속도를 예측할 수 있어, 분석 시간을 크게 줄일 수 있다.
도 1은 본 발명의 실시예에 따른 쉴드 TBM의 실굴진속도 예측 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 장치를 이용한 실굴진속도 예측 방법을 나타낸 도면이다.
도 3은 암반 등급(RMR)에 따른 활용 분야를 설명하는 도면이다.
도 4는 암반 등급의 연산에 사용되는 6가지 세부인자들 및 가중치 범위를 나타낸 도면이다.
도 5는 본 발명의 실시예에서 RMR의 재산정시 사용된 3가지 세부 인자들 및 가중치 범위를 나타낸 도면이다.
도 6은 본 발명의 실시예에서 퍼지 클러스터링의 원리를 설명하는 도면이다.
도 7은 본 발명의 실시예에서 ANFIS 훈련 과정을 설명하는 도면이다.
도 8은 본 발명의 실시예에서 주요 지반인자 선정 시에 cross validation mean squared error를 산정하는 방법을 설명하는 도면이다.
도 9는 도 2의 변형 예로서 복수의 지반 인자 중 주요 인자를 선정하여 실굴진속도를 예측하는 방법을 나타낸 도면이다.
도 10은 본 발명의 실시예에 따른 실굴진속도 예측 방법을 요약 설명하는 도면이다.
도 11은 본 발명의 실시예에서 현장 관입 지수 및 실굴진속도를 예측하는 계념을 설명하는 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
본 발명은 쉴드 TBM의 실굴진속도 예측 장치 및 그 방법에 관한 것으로, 터널 굴착기의 하나인 쉴드 TBM(Shield Tunnel Boring Machine) 장비(이하, 쉴드 TBM)의 실굴진속도(AR;Advance Rate)를 신뢰성 있게 예측할 수 있는 기법을 제시한다.
일반적으로, 순굴진속도는 쉴드 TBM이 시간당 지반을 굴착하는 거리로 정의되는데, 이는 TBM 장비의 다운 타임(터널 보강 시간, 기계 수리 시간 등 쉴드 TBM이 굴진하지 않을 때의 시간)이 반영되지 않은 개념이다.
이에 반해, 실굴진속도는 순굴진속도에 쉴드 TBM의 가동률을 반영한 것으로, 이는 순굴진속도에 다운 타임이 반영된 개념에 해당하며, 이러한 실굴진속도를 알면 공사기간과 그에 따른 공사비가 최종적으로 산정할 수 있다. 따라서, 실굴진속도가 보다 신뢰성 있게 예측될수록 공사 시간과 공사 비용을 크게 절감할 수 있으므로, 실굴진속도는 매우 중요한 요소라 볼 수 있다.
본 발명의 실시예는 과거 시공 현장 별로 축적된 지반 인자(지반 데이터)들과 쉴드 TBM의 현장 관입 지수를 적응형 뉴로 퍼지 신경망(AMFIS;Adaptive Neuro Fuzzy Inference System)에서 학습시켜 ANFIS 훈련 모델을 얻고, ANFIS 훈련 모델을 이용하여 현재 시공 대상이 되는 현장에 대한 지반 데이터의 입력만으로 그에 대응하는 현장 관입 지수를 용이하게 도출할 수 있다.
특히, 본 발명은 과거 시공 현장에서 축적된 지반 인자들 중에서 암반 등급의 경우 새롭게 수정한 값을 사용하는데, 이에 대해서는 추후 상세히 설명할 것이다.
쉴드 TBM의 전단에는 지반을 절삭하도록 회전하면서 전진하는 원판 형상의 커터헤드(cutter head)를 포함하고 있다. 커터헤드는 복수의 커터들을 포함하며 커터헤드의 회전 시 커터들에 의해 지반(암반)이 절삭되면서 터널이 굴착된다.
현장 관입 지수(FPI;Field Penetration Index)는 커터헤드의 관입 깊이와 관련한 요소이다. 본 발명의 실시예에서, 초기에 신경망 학습(훈련 모델 구축)에 사용된 현장 관입 지수의 경우 과거 현장 시공 시에 실제 측정을 통하여 얻은 값에 해당하며, 추후 시공 대상 현장을 대상으로 도출한 현장 관입 지수의 경우 훈련 모델을 통해 예측한 값에 해당한다.
시공 예정의 현장에 대한 쉴드 TBM의 현장 관입 지수(FPI)를 예측하게 되면 이를 토대로 쉴드 TBM의 실굴진속도(AR)까지 예측이 가능해진다. 즉, 예측한 현장 관입 지수와 기 알고 있는 쉴드 TBM의 기계 인자를 조합하여 연산하면 쉴드 TBM의 실굴진속도를 예측할 수 있다. 이에 대해서는 추후 상세히 설명할 것이다.
이상과 같이 본 발명의 실시예는 현재의 시공대상 현장에 대한 지반 인자들(지반 데이터)만으로 시공대상 현장에 대한 쉴드 TBM의 현장 관입 지수를 1차적으로 예측하며, 예측한 현장 관입 지수를 기초로 쉴드 TBM의 실굴진속도를 2차적으로 예측함으로써 공사기간 및 비용의 예측 오차를 현저히 줄일 수 있다.
이하에서는 본 발명의 실시예에 따른 쉴드 TBM의 실굴진속도 예측 장치에 관하여 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 쉴드 TBM의 실굴진속도 예측 장치의 구성을 나타낸 도면이고, 도 2는 도 1의 장치를 이용한 실굴진속도 예측 방법을 나타낸 도면이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 쉴드 TBM의 실굴진속도 예측 장치(100)는 DB(110), 데이터 수정부(120), 클러스터링부(130), 신경망 학습부(140), 예측부(150), 선정부(160)를 포함한다.
먼저, DB(110)는 기 시공된 복수의 현장 각각에 대해, 현장에 대응하여 계측된 복수의 지반 인자와, 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 저장한다(S210).
데이터베이스(110)는 과거 시공된 현장에서 얻은 지반 인자들과 TBM의 현장 관입 지수에 관한 데이터를 현장 별로 저장 및 관리하고 있으며, 추후 이들 데이터는 적응형 뉴로 퍼지 신경망(ANFIS)의 훈련용 데이터로 활용된다. 지반 인자들은 신경망의 입력 벡터로 사용되고 현장 관입 지수는 입력 벡터에 대한 신경망의 출력 값으로 사용된다. 여기서 물론, 새로운 현장의 시공이 완료되면 지속적으로 현장 데이터가 데이터베이스(110)에 추가 및 업데이트될 수 있다.
현장의 지반 인자로는 지반의 일축압축강도(USC;Uniaxial Compressive Strength), 탄성계수(Elastic modulus), 탄성파 속도(탄성파 p파 속도; Elastic p-wave), 암반 등급(RMR;Rock Mass Rating), 암질지수(RQD;Rock Quality Designation), 루전값(Lugeon value), 흡수율(Absorption ratio) 등이 있다.
본 발명의 실시예에서 신경망의 훈련 데이터로 사용되는 지반 인자는 상술한 7가지 인자들 중 적어도 2개의 인자를 포함할 수 있다. 즉, 2개 혹은 그 이상의 지반 인자들을 신경망의 입력에 사용할 수 있다.
지반 인자들 중 일축압축강도는 암반의 강도를 나타내는 인자이며, 탄성계수는 암반의 탄성정도를 나타내는 인자로서, 값이 작을수록 변형 정도가 크고 값이 클수록 변형이 어렵다. 탄성파 p파 속도는 암반의 p파 전달 속도를 의미한다.
암반등급은 암반상태를 종합적으로 나타내는 인자로서 0~100까지 나타내며 값이 클수록 암반상태가 좋고 굴진(굴착)이 어려운 것을 의미한다. 암질지수는 암반의 절리(비슷한 말로는 균열) 상태를 나타내는 인자로 0~100까지 나타내며 값이 클수록 암반상태가 좋은 것을 나타낸다.
루전값은 암반의 물 투수율을 표현하는 단위로, 루전값이 클수록 물의 투수율이 높은 것을 의미한다. 흡수율은 암반의 물 흡수 정도를 표현하는 인자로, 값이 클수록 흡수 정도가 높은 것을 의미한다.
물론, 데이터베이스(110)는 크게 지반 인자 및 TBM 기계 인자를 관리하며, 지반 인자로는 앞서 설명한 요소들을 관리하고, 기계 인자로는 현장 관입 지수(FPI) 외에도 총 추력, 커터당 추력(Fn), RPM, 커터 개수, 실굴진속도(AR) 등을 관리할 수 있다.
이와 같은 TBM 기계 인자들은 기 시공 현장에서 측정 가능한 인자들에 해당한다. TBM 기계 인자 중에서, 총 추력은 쉴드 TBM의 전체 추진력, 커터당 추력(Fn)은 총 추력을 커터 개수로 나누어 계산한 값, 그리고 RPM은 쉴드 TBM(상세하게는 커터헤드)의 분당 회전수를 나타낸다.
또한, 현장에 대응하여 저장된 현장 관입 지수(FPI)는 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 결정되며, 구체적인 연산 식은 아래의 수학식 1을 참조한다.
Figure 112017117979714-pat00003
여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 암반 종류(i) 별로 암반 종류에 대응하여 DB(110)에 기 저장된 평균 실굴진 속도를 나타낸다. 그리고, Fn은 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 현장에 적용된 쉴드 TBM의 분당 회전수를 나타낸다.
과거 현장에 대한 현장 관입 지수의 연산 시, 암반 종류 별 구축된 평균 실굴진속도 값(AR(i))을 사용하는 이유는 다음과 같다.
현장에서 서류상으로 정리된 '굴진 일보'에는 다운타임을 반영한 세그먼트 링(segment ring) 당 실 굴진 시간이 기록되어 있다. 여기서, 다운타임은 앞서 설명한 바와 같이 터널 보강 시간, 기계장비 수리 시간 등 쉴드 TBM이 굴진하지 않을 때의 시간을 포함한다. 세그먼트 링은 쉴드 TBM의 굴진 후 터널 배면에 설치하는 일종의 조립식 콘크리트 벽이라 할 수 있다.
본 발명의 실시예는 다운타임이 반영된 실굴진시간을 추가한 수정된 데이터베이스를 제안하되, 먼저 지반을 크게 경암(hard), 연암(soft), 풍화암(weatherd), 파쇄대(fractured) 종류로 나눈 다음, 각 지반 종류에 대응하는 실굴진 시간을 평균한 값(평균 실굴진 시간)을 구축하여 둔다.
이와 같이 지반 종류 별로 나누어서 평균 실굴진 시간을 산정하는 이유는, 쉴드 TBM이 경암 지반을 통과하는 경우에는 암반 스스로 힘을 버틸 수 있는 자립성이 우수하므로 다운타임이 적은 반면에, 파쇄대의 경우 암반 상태가 불량하고 지하수의 영향으로 인해 배토와 세그먼트 조립 등에 어려움이 있어 상대적으로 다운타임이 크기 때문이다.
지반 종류별 획득한 평균 실굴진 시간은 수학식 2를 통해 평균 실굴진속도(AR)로 수정될 수 있다.
Figure 112017117979714-pat00004
수학식 2에 의해 얻은 지반 종류별 평균 실굴진 속도는 수학식 1에 적용된다. 따라서, 수학식 1을 이용하면 과거 시공 현장에 대한 현장 관입 지수(FPI)를 해당 현장의 암반 종류(i)에 적합한 값으로 연산할 수 있다.
이와 같이, 지반 종류별 실굴진속도를 고려한 현장 관입 지수를 사용할 경우, 쉴드 TBM의 단순 순굴진속도의 예측이 아닌, 가동률이 포함된 쉴드 TBM의 실굴진속도를 신뢰성 있게 예측할 수 있으며, 이를 통해 현장에 실제로 적용할 수 있을 것이다.
본 발명의 실시예에서 DB(110) 내 자료 중 실제 훈련(학습)에 사용되는 자료는 복수의 지반인자들 중 적어도 두 개 이상의 인자 및 TBM 기계 인자 중에는 현장 관입 지수만 해당될 수 있다. 또한, 본 발명의 실시예는 DB(110) 내 저장된 복수의 지반 인자들 중에서, 암반 등급의 경우 새롭게 수정한 값을 사용한다.
즉, 데이터 수정부(120)는 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 암반 등급의 산정에 필수로 사용되는 복수의 세부인자 중 일부를 제외하여 재산정하고, 재산정 암반 등급(RMRadjust)을 DB(110)에 갱신 반영한다(S220).
RMR의 경우, 본래 터널 굴착 후의 붕괴를 방지하는 터널 지보재의 설계 기준용 인자로 개발된 것이기 때문에, 암반 등급을 그대로 사용하기보다 쉴드 TBM의 굴진 성능에 관련된 값으로 수정하여 사용하는 것이 예측 정확성 면에 있어서 보다 합리적이라 할 수 있다.
도 3은 지반 인자 중 암반 등급(RMR)에 따른 활용 분야를 설명하는 도면이다.
도 3과 같이, RMR은 5가지 등급으로 분류된다. 도 3에서 암반 등급이 1 등급일수록(RMR 값이 높을수록) 암반이 튼튼하고 굴착이 어려우며 지보재 없이도 오랜 시간 견디는 것을 의미한다.
RMR은 암반 분류, 터널의 무(無)지보 유지시간, 암반의 마찰각 등을 평가하는데 사용될 수 있고, 지보압력 및 지보재의 선택 등의 유용한 설계지침을 제시하는 데 사용되는 인자이다. RMR 값은 0 ~ 100의 범위를 가지고 있으며, 이를 산정하기 위해서는 암반의 종류에 따라 독립적인 지반 구조 단위로 나누어야 한다.
도 4는 암반 등급의 연산에 사용되는 6가지 세부인자들 및 가중치 범위를 나타낸 도면이다.
일반적으로 암반 등급의 계산 시에는 6가지 세부인자(일축압축강도, 암질지수, 지하수 상태, 절리간격, 절리상태, 절리방향)를 필요로 한다. 우선, 절리방향을 제외한 나머지 5가지 세부인자들에 중요도에 따라 가중치를 부가하여 0~100 범위의 값으로 합산한다. 다음, 절리방향을 반영하여 RMR 값을 보정함으로써 최종 RMR 값을 구한다. 이때, 절리방향 값이 낮을수록 좋으므로, 절리방향 값에 음(-)의 가중치를 적용한다. 도 3에 기재된 RMR은 곧 최종 RMR을 의미한다.
일축압축강도는 0 ~ 15의 범위, 암질지수 및 절리간격은 0 ~ 20, 절리상태는 0 ~ 30, 절리방향은 -20 ~ 0, 지하수 상태는 0 ~ 15의 범위의 가중치를 가지며, 지반상태가 좋을수록 총 합은 100에 가까워진다. 그러나, 위의 지반 구조 단위의 일부는 현장 지반인자에 이미 포함되어 있거나 그 성질이 비슷하기 때문에 이들의 영향을 제거할 필요가 있다.
도 5는 본 발명의 실시예에서 RMR의 재산정시 사용된 3가지 세부 인자들 및 가중치 범위를 나타낸 도면이다. 도 5에 나타낸 것과 같이, 데이터 수정부(120)는 암반 등급의 재산정 시에, 절리간격, 절리상태, 절리방향 각각에 적용되는 가중치를 기 설정된 도 4의 값보다 2배 높은 값으로 적용한 것을 알 수 있다.
즉, RMR의 재산정 시에 일부 요소를 제거하는 대신, 남은 요소들에 대한 가중치를 두 배로 증가시켜서 사용한다. 기존 도 4에서 절리방향을 제외한 요소들의 합이 최대 100인 것처럼, 도 5 역시 절리방향을 제외한 나머지 두 요소들의 합이 최대 100을 가지게 되며, 다만 절리방향에 의한 마이너스 가중 값 영향이 기존보다 더욱 커진 것을 알 수 있다.
이처럼, 본 발명에서 제안한 RMRadjust를 살펴보면, 절리간격, 절리상태 및 절리방향의 영향이 포함되어 있는 것을 확인할 수 있으며, 암반의 '절리'와 관련된 특성이 종합된 인자라고 표현할 수 있다. 그리하여 본 발명에서는 기존의 데이터베이스의 지반인자로 사용한 RMR을 쉴드 TBM 굴진성능에 맞게 RMRadjust로 수정하여 사용할 것을 제안한다.
즉, 본 발명의 실시예는 암반 등급(RMR)의 연산에 사용되는 세부인자들 중에서 특히 쉴드 TBM의 굴진 성능에 관련된 인자(절리 인자)들을 이용하여 RMR을 재정의하여 사용한다.
다음, 클러스터링부(130)는 앞서와 같이 갱신된 DB(110) 내의 복수의 지반 인자들의 데이터를 기초로, 현장 각각 별로 복수의 지반 인자에 대응하는 하나의 좌표점(자료점)을 입력 벡터 공간에 투영한 후, 현장 각각에 대한 좌표점을 복수의 군집으로 퍼지 클러스터링(Fuzzy Clustering)한다(S230).
이에 따라, 입력 벡터 공간 내에는 현장 하나당 하나의 좌표점이 해당 위치에 투영되며, 각각의 좌표점은 퍼지 클러스터링 기법을 통하여 다수의 군집(다수의 클러스터)으로 클러스터링된다.
퍼지 클러스터링은 기 공지된 방식이나 그 원리를 간단히 설명하면 다음과 같다. 퍼지 클러스터링은 소속 함수(멤버쉽 함수)를 이용하여 각 데이터(좌표)를 모든 클러스터에 연관되도록 정의하는 기법이다.
퍼지 클러스터링은 소프트 클러스터링이라 불리며 하드 클러스터링과는 구분된다. 하드 클러스터링은 각 데이터가 정확하게 하나의 클러스터(군집)에 속하며 이때 가중치는 1이 되며 나머지 속하지 않는 클러스터에 대한 가중치는 0이 된다.
하지만, 소프트 클러스터링 즉, 퍼지 클러스터링은 각 데이터가 특정한 클러스터에 속하지 않고 각 클러스터의 중심점을 기준으로 데이터가 클러스터에 얼마만큼 소속되어 있는지를 가중치로서 표현하는 기법이며 이때 가중치의 총 합은 1이 된다.
도 6은 본 발명의 실시예에서 퍼지 클러스터링의 원리를 설명하는 도면이다.
이하에서는 설명의 편의를 위해 2개의 지반 인자(ex, 일축압축강도(USC), 수정된 암반등급(RMRadjust))를 입력 벡터 공간에 투영하여 퍼지 클러스터링을 수행하는 것을 예시로 한다.
2개의 지반 인자(x1, x2)를 이용하는 경우에는 도 3에 도시된 것과 같이 2차원의 입력 벡터 공간에서 퍼지 클러스터링이 이루어진다.
이때, x1은 일축압축강도, x2는 암반등급인 것으로 가정하며, 2차원 벡터 공간의 가로축은 x1 값, 세로축은 x2 값을 나타낸다. 각각의 현장 별로, 현장의 일축압축강도(x1) 및 암반 등급(x2)이 만나는 좌표점을 투영하게 되면, N개 현장에 대응하는 N개의 좌표점이 찍히게 된다.
도 6은 퍼지 클러스터링을 이용하여 각각의 좌표점을 2개의 군집(그룹 1, 그룹 2)으로 분류한 것을 예시한다. 각 군집은 완전히 독립된 군집이 아닌 가중치에 따라서 서로를 어느 정도 공유하게 된다.
군집을 나누는 원리는 다음과 같다. 나누고자 하는 군집의 개수를 설정하고 각 군집의 중심을 초기 설정한다. 도 6의 경우 군집의 개수를 2로 설정한 것이다.
다음의 수학식 3은 퍼지 클러스터링을 위해 사용되는 수식으로서 기존에 공지된 것에 해당한다.
Figure 112017117979714-pat00005
여기서, K는 군집(클러스터)의 개수, n은 관측치(좌표점)의 개수, xi는 i번째 관측치, ck는 k번째 클러스터의 중심, d(a,b)2는 a와 b 간 거리의 제곱을 나타낸다. Wik는 k번째 군집에서 i번째 관측치의 가중치로서 i번째 관측치가 속하는 소속 정도로 0과 1 사이의 실수이고, p는 퍼지화 계수로서 1에 가까울수록 군집 간 공유 정도가 거의 없고 1보다 커질 경우 각 군집 간 공유 정도는 점점 증가한다.
수학식 3의 원리를 요약하면, 군집 내 관측치(좌표점)들 간의 유사성을 최대화하기 위하여, i번째 관측치와 k번째 군집의 중심과의 거리의 제곱합(
Figure 112017117979714-pat00006
)을 최소화하고, 이와 동시에 군집 간 비유사성을 최대화하기 위하여, 군집의 중심 간 거리의 합을 최대화하는 반복적인 최적화 연산을 통해 군집을 나누게 된다.
각 군집의 무게중심은 해당 군집에 속한 정도를 비중으로 두어 모든 점들의 평균을 계산한 값이 된다. 그리고 각각의 관측치가 특정 군집에 속할 가능성인 가중치를 고려한 것을 알 수 있다. 또한 클러스터의 중심으로부터 먼 데이터는 잡음으로 생각하여 소속도를 감소시키고 반대로 중심으로부터 가까운 데이터는 소속도를 증가시킨다.
이러한 퍼지 클러스터링의 결과, 도 6의 상측과 우측 그림과 같이 x1에 대한 소속 함수와, x2에 대한 소속 함수를 각각 얻을 수 있다. 이때, 두 개의 군집으로 분류한 경우이므로 각각의 소속 함수는 두 개의 퍼지 집합을 가진다. 도 6의 소속 함수를 보면, 모두 두 개의 집합으로 이루어져 있으며 두 집합이 일부 겹쳐져 있는 것을 볼 수 있다. 두 집합의 좌측은 넘버 1, 우측은 넘버 2로 하면, x1의 소속 함수는 A1(좌), A2(우)의 두 퍼지 집합을 가지고, x2의 소속 함수는 B1(좌), B2(우)의 두 퍼지 집합을 가진다.
이상과 같은 퍼지 클러스터링 단계는 다음 단계인 ANFIS 훈련 단계에서 사용되는 소속 함수(멤버십 함수)와 If_then_규칙을 설정하는데 그 목적이 있다.
퍼지 클러스터링이 완료되면, 신경망 학습부(140)는 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 복수의 지반 인자와 현장 관입 지수를 적용하여, 신경망을 학습시킨다(S240).
도 7은 본 발명의 실시예에서 ANFIS 훈련 과정을 설명하는 도면이다. ANFIS 훈련단계에서는 도 4와 같이 퍼지화층, 규칙층, 정규화층, 역퍼지화층 그리고 합계뉴런층을 포함한 5단계로 세분화할 수 있다.
퍼지화층의 입력 x1, x2에는 과거 시공 현장에서 획득된 두 개의 지반 데이터(일축압축강도, 암반등급)를 입력하며, 그에 대응하여 현장에서 측정된 현장 관입 지수를 합계뉴런층의 출력 y에 적용하여 학습하는 과정을 거친다.
먼저, 기존의 지반 데이터(x1,x2)가 입력되면 퍼지화층에서는 퍼지 클러스터링단계에서 초기 설정되었던 각 소속 함수에 할당한다. 여기서, 소속 함수는 ANFIS를 처음 제안한 로러 장(Roger Jang)의 모델에서는 수학식 4와 같이 종형 활성화 함수를 취한다.
Figure 112017117979714-pat00007
여기서,
Figure 112017117979714-pat00008
,
Figure 112017117979714-pat00009
,
Figure 112017117979714-pat00010
은 각각 종형 활성화 함수의 중심, 폭 그리고 기울기를 제어하는 전제매개변수(premise parameter)이다.
종형 활성화 함수의 출력값은 각 규칙층으로 전달된다. 규칙층에서는 퍼지화층에서 입력을 받아 규칙의 수행 강도를 출력하게 된다. 여기서 규칙이란, If_then_형식을 의미하며, If절은 주로 규칙전건부, then절은 규칙후건부로 불린다. ANFIS의 규칙층의 각 뉴런은 스게노형 퍼지 규칙전건부 하나에 대응한다. 예를 들어 도 4와 같이
Figure 112017117979714-pat00011
은 맴버십함수 A1과 B1의 출력값을 할당받게 되며, 수학식 5와 같이 각 출력값을 곱하여 규칙의 강도인
Figure 112017117979714-pat00012
을 출력하게 된다.
Figure 112017117979714-pat00013
정규화층은 규칙층의 출력값인 수행강도를 정규화한다. 이를테면 도 4와 같이
Figure 112017117979714-pat00014
은 규칙층에 있는 모든 출력값을 받아 규칙
Figure 112017117979714-pat00015
의 수행강도를 수학식 6와 같이 계산하여 정규화 수행강도
Figure 112017117979714-pat00016
을 출력한다.
Figure 112017117979714-pat00017
역퍼지화층은 정규화층의 각각의 출력값과 초기에 입력했던 지반데이터 x1과 x2를 받아, 규칙후건부의 함수식에 적용된다. 여기서, 스게노형 퍼지규칙은 규칙후건부가 함수식으로 주어짐으로써 퍼지 규칙을 체계적으로 생성하는 방법으로 ANFIS에서는 스게노형 퍼지규칙이 사용된다. 첫 번째 역퍼지화 뉴런을 예를 들면 수학식 7에서와 같이 스게노형 규칙후건부인 함수(1차선형함수로 설정)에 지반데이터 값을 넣어 계산한 후 정규화층으로부터 받은 정규화 규칙강도와 곱셈연산의 결과값
Figure 112017117979714-pat00018
으로 출력하게 된다.
Figure 112017117979714-pat00019
여기서,
Figure 112017117979714-pat00020
,
Figure 112017117979714-pat00021
,
Figure 112017117979714-pat00022
는 각각 첫 번째 역퍼지화 뉴런의 규칙후건부 함수의 계수를 의미하며, 이는 결론매개변수(consequent parameter)라고 불린다. 첫 번째 뉴런 이외의 역퍼지화층의 모든 뉴런도 동일하게 적용된다.
합계뉴런층은 수학식 8과 같이 역퍼지화 모든 뉴런의 출력값을 더하여
Figure 112017117979714-pat00023
를 출력하게 된다. 도 4의 경우에는
Figure 112017117979714-pat00024
값은 4가 된다.
Figure 112017117979714-pat00025
ANFIS의 최종 출력한
Figure 112017117979714-pat00026
값과 현장에 계측된 출력값과의 차이 즉, 오차가 발생하면 역방향으로 인공신경망에서 작동되는 기울기 하강법(gradient descent method) 알고리즘을 이용하여 퍼지화층에 있는 전제매개변수를 재조정하게 된다. 재조정이 완료되면 다시 순방향으로 ANFIS를 작동하게 되며 역퍼지화층의 결론매개변수를 최소제곱추정(least square estimator)으로 재계산하게 된다. 이와 같은 방법으로 오차가 허용범위 안에 들 때까지 반복하여 ANFIS 훈련은 최종적으로 마치게 된다.
이후에는 상술한 바와 같이 학습된 신경망을 이용하여 시공 예정인 현장 즉, 시공 대상 현장에 대한 지반 인자만 입력하면 현장 관입 지수를 예측할 수 있게 된다.
즉, 예측부(150)는 기 시공된 현장과 동일 방식을 통하여 소정의 시공 대상 현장에 대해 획득한 복수의 지반 인자를 위의 학습된 신경망에 입력시켜, 시공 대상 현장의 현장 관입 지수(FPI)를 예측한다(S250). 여기서, 시공대상 현장의 지반 인자 중 RMR의 경우 도 5의 기준을 이용하여 수정한 RMR 값을 사용하면 된다.
본 발명의 실시예는, 예측하고자 하는 특정 현장 구간에서 측정된 지반 데이터(ex, 일축압축강도(USC), 수정 암반등급(RMRadjust))만 신경망에 입력하면, 훈련된 ANFIS 모델을 이용하여 현장 설계 단계에서 특정 현장 구간의 현장 관입 지수(FPI)를 빠르고 쉽게 예측할 수 있다.
물론, 현장에서 사용될 쉴드 TBM의 최적 추력과 RPM이 산정되면, 이를 이용하여 최종적으로 실굴진속도를 예측할 수 있다.
즉, 예측부(150)는 예측한 현장 관입 지수 및 쉴드 TBM의 기계 인자를 기초로 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 예측해낸다(S270). 그 구체적인 연산식은 수학식 9와 같다.
Figure 112017117979714-pat00027
여기서, Fn은 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 예측한 현장 관입 지수를 나타낸다.
한편, 본 발명의 실시예의 경우, 퍼지 클러스터링 이전에, 복수의 지반 인자들 중 예측력이 높은 적어도 두개의 주요 인자를 선정하는 과정이 부가될 수 있는데, 이는 선정부(160)에서 수행할 수 있다.
여기서, 선정부(160)는 복수의 지반 인자들 중 주요 지반 인자를 선정할 때 최상 부분집합 선택법을 이용할 수 있다. 최상 부분집합 선택법은 복수의 지반 인자들(전체 집합) 중 적어도 두 개를 조합하여 가능한 부분집합들 중에서 가장 최적의 부분집합 하나를 선정하는 것이다.
즉, 최상 부분집합 선택법은 P개의 지반인자의 가능한 모든 부분집합 즉,
Figure 112017117979714-pat00028
개에 대해 최소제곱법을 적용하여 선형회귀모델을 각각 적용하고, 이 중에서 정해진 기준에 따라 최종 하나의 부분집합을 선정하는 간단한 방법이다. 최소제곱법을 적용하면 수학식 10를 만족하는 계수추정치(
Figure 112017117979714-pat00029
)를 산정할 수 있다.
Figure 112017117979714-pat00030
여기서,
Figure 112017117979714-pat00031
,
Figure 112017117979714-pat00032
는 각각 관측된 출력인자, 예측된 출력인자를 뜻하며, n은 데이터의 수를 의미한다.
최상 부분집합 선택법에서 중요하게 결정해야할 사항으로 지반인자의 주요한 부분집합을 선정하는 기준이다. 본 발명은 수정된 데이터베이스의 지반 인자만으로 현장 관입 지수를 신뢰성 있게 예측하는 방안을 제시하는 것이기 때문에, 예측력이 높은 또는 예측오차가 작게 나오는 부분집합을 선택해야 한다. 예측오차를 줄이기 위한 여러 가지 지표 중에서 예측오차를 직접적으로 검증할 수 있는 cross validation mean squared error(
Figure 112017117979714-pat00033
)가 있다.
도 8은 본 발명의 실시예에서 주요 지반인자 선정 시에 cross validation mean squared error를 산정하는 방법을 설명하는 도면이다.
도 8과 같이, 먼저 현장에서 획득한 데이터를 동일한 크기의 k개의 그룹으로 나눈 후 각 하나의 그룹을 나머지 그룹들로 적합된 회귀모델을 테스트하게 되는데, 이와 같이 각 단계마다 얻어진 k개의 오차의 제곱을 평균한 mean squared error(
Figure 112017117979714-pat00034
)을
Figure 112017117979714-pat00035
라고 불린다. 본 발명의 실시예는 지반 인자의 가능한 모든 부분집합 중에서 최소
Figure 112017117979714-pat00036
을 갖는 부분집합을 선정하는 것을 목표로 한다.
이와 같이 선정된 부분집합 즉, 주요 지반 인자는 클러스터링 단계에서 사용된다.
도 9은 도 2의 변형 예로서 복수의 지반 인자 중 주요 인자를 선정하여 실굴진속도를 예측하는 방법을 나타낸 도면이다. 먼저, S910~S920 단계는 도 2의 S210~S220 단계와 동일하므로 상세한 설명은 생략한다.
S920 단계 이후, 선정부(160)는 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정한다(S930). 이처럼, 복수의 지반 인자 중에서 몇 개의 주요 지반 인자들만 선정할 경우, S940 단계에서는 주요 지반 인자들 만으로 퍼지 클러스터링을 수행하면 되고, S950 단계에서는 주요 지반 인자들만 신경망에 입력하여 학습을 수행하면 되므로, 훈련 시간을 크게 단축할 수 있다.
그리고, 추후 S960 단계에서는 시공 대상 현장에서 획득한 해당 주요 지반 인자들만을 신경망에 입력시키면 시공 대상 현장의 현장 관입지수를 용이하게 예측할 수 있다. 이처럼, 여러 지반 인자들 중에서 선정한 주요 지반 인자들만으로 실굴진 속도를 예측할 경우, 도 2의 경우 보다 예측 소요 시간과 분석 시간을 크게 줄일 수 있다.
도 10은 본 발명의 실시예에 따른 실굴진속도 예측 방법을 요약 설명하는 도면이다. 본 발명은 크게 4가지 단계로 구분되는데, 단계 1은 과거 시공된 현장에 대한 지반 인자들 중 적어도 두 개의 주요 지반 인자를 선택하는 단계이다. 물론, 이때 지반 인자들 중에 RMR의 경우 수정된 RMR을 사용한다.
단계 2는 주요 지반 인자 데이터를 퍼지 클러스터링하는 단계이다. 단계 3은 퍼지 클러스터링의 결과를 기초로, 현장의 지반 데이터를 입력으로 하고 그에 대응하는 현장 관입 지수를 출력으로 하는 적응적 뉴로 퍼지 신경망을 훈련시키는 단계이다.
단계 4는 ANFIS 훈련 모델을 이용하여 시공 대상 현장에 대한 주요 지반 인자 데이터에 대응하는 결과값 즉, 쉴드 TBM의 현장 관입 지수를 도출하며, 나아가 도출한 현장 관입 지수를 토대로 쉴드 TBM의 실굴진속도까지 도출해 낼 수 있다.
도 11은 본 발명의 실시예에서 현장 관입 지수 및 실굴진속도를 예측하는 계념을 설명하는 도면이다. 도 11에 나타낸 것과 같이, 본 발명의 실시예는 초기에 시공 대상 현장에 대해 획득한 복수의 지반 인자를 기초로 현장 관입 지수를 먼저 예측한 다음, 예측한 현장 관입 지수(FPI)와 쉴드 TBM의 기계 인자(Fn, RPM)를 이용하여 시공 대상 현장에 대한 쉴드 TBM의 실굴진속도를 수학식 9를 이용하여 예측해낸다.
이상과 같은 본 발명에 따르면, 과거 시공 현장에서 획득한 지반 인자들 및 쉴드 TBM의 현장 관입 지수를 신경망에서 훈련시켜, 시공대상 현장의 지반 데이터만으로 현장 관입 지수를 쉽게 예측하고, 나아가 이를 토대로 쉴드 TBM의 실굴진속도를 신뢰성 있게 예측할 수 있어, 시공대상 현장에 필요한 공사비 및 공사 시간의 예측 오차를 크게 줄일 수 있는 이점이 있다.
또한, 본 발명은 지반 인자들 중 암반 등급의 경우 다른 지반 인자들과 중복된 요소를 제거 후 변경한 값을 사용함으로써 실굴진속도 예측 결과의 신뢰성을 더욱 높일 수 있으며, 복수의 지반 인자들 중 주요 지반 인자들을 선정하여 사용함으로써 분석 시간을 크게 줄일 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 쉴드 TBM의 실굴진속도 예측 장치
110: DB 120: 데이터 수정부
130: 클러스터링부 140: 신경망 학습부
150: 예측부 160: 선정부

Claims (16)

  1. 기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 저장한 DB;
    상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 데이터 수정부;
    상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 클러스터링부;
    상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 신경망 학습부; 및
    상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하고, 상기 예측한 현장 관입 지수 및 쉴드 TBM의 기계 인자를 기초로 상기 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 연산하여 예측하는 예측부를 포함하며,
    상기 계측된 복수의 지반 인자는,
    상기 지반에 대한 일축압축강도(USC), 암반 등급(RMR), 암질지수(RQD), 탄성계수, 탄성파 속도, 루전값, 흡수율을 포함하며,
    상기 데이터 수정부는,
    상기 암반 등급의 연산에 사용된 6개의 세부인자 중 일축압축강도, 암질지수, 지하수 상태를 제외한 절리간격, 절리상태, 절리방향 만을 사용하여 상기 암반 등급을 재산정하되, 상기 재산정 시에, 상기 절리간격, 상기 절리상태, 상기 절리방향 각각에 적용되는 가중치를 기 설정 값보다 2배 높은 값으로 적용하며,
    상기 실굴진속도는 아래 수학식에 의해 예측되는 쉴드 TBM의 실굴진속도 예측 장치:
    Figure 112019502697777-pat00037

    여기서, Fn은 상기 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 상기 예측한 현장 관입 지수를 나타낸다.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 청구항 1에 있어서,
    상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 선정부를 더 포함하며,
    상기 클러스터링부는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고,
    상기 신경망 학습부는 상기 입력 노드에 상기 주요 지반 인자를 적용하며,
    상기 예측부는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시키는 쉴드 TBM의 실굴진속도 예측 장치.
  7. 청구항 6에 있어서,
    상기 선정부는,
    최상 부분집합 선택법을 이용하여 상기 주요 지반 인자를 선정하는 쉴드 TBM의 실굴진속도 예측 장치.
  8. 청구항 1에 있어서,
    상기 현장에 대응하여 저장된 현장 관입 지수는,
    상기 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 아래의 수학식으로 결정되는 쉴드 TBM의 실굴진속도 예측 장치:
    Figure 112017117979714-pat00038

    여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 상기 암반 종류(i) 별로 상기 암반 종류에 대응하여 상기 DB에 기 저장된 평균 실굴진 속도, Fn은 상기 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 상기 현장에 적용된 상기 쉴드 TBM의 분당 회전수를 나타낸다.
  9. 실굴진속도 예측 장치를 이용한 쉴드 TBM의 실굴진속도 예측 방법에 있어서,
    기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 DB에 저장하는 단계;
    상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 단계;
    상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 단계;
    상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 단계;
    상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하는 단계; 및
    상기 예측한 현장 관입 지수 및 상기 쉴드 TBM의 기계 인자를 기초로 상기 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 연산하여 예측하는 단계를 포함하며,
    상기 계측된 복수의 지반 인자는,
    상기 지반에 대한 일축압축강도(USC), 암반 등급(RMR), 암질지수(RQD), 탄성계수, 탄성파 속도, 루전값, 흡수율을 포함하며,
    상기 갱신 반영하는 단계는,
    상기 암반 등급의 연산에 사용된 6개의 세부인자 중 일축압축강도, 암질지수, 지하수 상태를 제외한 절리간격, 절리상태, 절리방향 만을 사용하여 상기 암반 등급을 재산정하되, 상기 재산정 시에, 상기 절리간격, 상기 절리상태, 상기 절리방향 각각에 적용되는 가중치를 기 설정 값보다 2배 높은 값으로 적용하며,
    상기 실굴진속도는 아래 수학식에 의해 예측되는 쉴드 TBM의 실굴진속도 예측 방법:
    Figure 112019014737905-pat00039

    여기서, Fn은 상기 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 상기 예측한 현장 관입 지수를 나타낸다.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 청구항 9에 있어서,
    상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 단계를 더 포함하며,
    상기 클러스터링하는 단계는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고,
    상기 학습시키는 단계는 상기 입력 노드에 상기 주요 지반 인자를 적용하며,
    상기 예측하는 단계는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시키는 쉴드 TBM의 실굴진속도 예측 방법.
  15. 청구항 14에 있어서,
    상기 선정하는 단계는,
    최상 부분집합 선택법을 이용하여 상기 주요 지반 인자를 선정하는 쉴드 TBM의 실굴진속도 예측 방법.
  16. 청구항 9에 있어서,
    상기 현장에 대응하여 저장된 현장 관입 지수는,
    상기 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 아래의 수학식으로 결정되는 쉴드 TBM의 실굴진속도 예측 방법:
    Figure 112017117979714-pat00040

    여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 상기 암반 종류(i) 별로 상기 암반 종류에 대응하여 상기 DB에 기 저장된 평균 실굴진 속도, Fn은 상기 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 상기 현장에 적용된 상기 쉴드 TBM의 분당 회전수를 나타낸다.
KR1020170159530A 2017-11-27 2017-11-27 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 KR102003612B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170159530A KR102003612B1 (ko) 2017-11-27 2017-11-27 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170159530A KR102003612B1 (ko) 2017-11-27 2017-11-27 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20190061302A KR20190061302A (ko) 2019-06-05
KR102003612B1 true KR102003612B1 (ko) 2019-10-01

Family

ID=66844577

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170159530A KR102003612B1 (ko) 2017-11-27 2017-11-27 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102003612B1 (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110242310B (zh) * 2019-06-14 2020-08-11 西安电子科技大学 基于深度神经网络与关联分析结合的盾构轴线纠偏方法
CN110284892B (zh) * 2019-08-02 2020-09-01 东北大学 土压平衡盾构机开挖面主动极限支护压力设计方法
CN110705832A (zh) * 2019-09-09 2020-01-17 山东大学 一种考虑石英含量的tbm施工下围岩适应性评价方法及系统
CN111582564A (zh) * 2020-04-26 2020-08-25 盾构及掘进技术国家重点实验室 一种tbm岩体条件相关利用率的预测方法
CN111706334B (zh) * 2020-06-29 2022-02-01 盾构及掘进技术国家重点实验室 一种实时监测盾构机刀盘扭矩异常的方法
CN112526931B (zh) * 2020-11-27 2022-03-11 江苏科技大学 一种船用柴油机机身孔系镗削加工过程质量控制方法
CN113255990B (zh) * 2021-05-21 2024-05-03 上海隧道工程有限公司 盾构法隧道施工开挖面土质实时预测系统及方法
CN113673059B (zh) * 2021-08-26 2024-05-14 济南轨道交通集团有限公司 基于随机森林和bp神经网络的盾构掘进参数预测方法
CN114547740A (zh) * 2022-02-15 2022-05-27 石家庄铁道大学 用于估算tbm在掘岩体强度并分级预警的方法
CN114926101B (zh) * 2022-07-18 2022-10-28 石家庄铁道大学 一种面向施工速度与安全的tbm适应性围岩分级方法
CN116402305B (zh) * 2023-04-14 2023-10-10 中铁四局集团有限公司 一种隧道施工进度调度指挥综合管理系统
CN116956165B (zh) * 2023-09-21 2023-12-15 中国船舶集团有限公司第七〇七研究所 一种多掘进机截割部运行状态分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3161306B2 (ja) * 1995-11-01 2001-04-25 株式会社大林組 トンネル掘進機の掘進管理方法
JP3135207B2 (ja) * 1995-12-07 2001-02-13 株式会社大林組 トンネル掘進機の施工管理システム
GB9603982D0 (en) * 1996-02-26 1996-04-24 Univ Aberdeen Moling apparatus and a ground sensing system therefor

Also Published As

Publication number Publication date
KR20190061302A (ko) 2019-06-05

Similar Documents

Publication Publication Date Title
KR102003612B1 (ko) 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법
KR102211421B1 (ko) 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템
Zhou et al. Optimization of random forest through the use of MVO, GWO and MFO in evaluating the stability of underground entry-type excavations
Yagiz et al. Application of various optimization techniques and comparison of their performances for predicting TBM penetration rate in rock mass
KR20180116922A (ko) 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법
Sousa et al. Risk analysis during tunnel construction using Bayesian Networks: Porto Metro case study
Hassanpour et al. TBM performance and disc cutter wear prediction based on ten years experience of TBM tunnelling in Iran
Špačková et al. Probabilistic assessment of tunnel construction performance based on data
Mahmoodzadeh et al. Probabilistic prediction of expected ground condition and construction time and costs in road tunnels
Yazdani-Chamzini et al. Developing a fuzzy model based on subtractive clustering for road header performance prediction
Salimi et al. Utilising of linear and non-linear prediction tools for evaluation of penetration rate of tunnel boring machine in hard rock condition
JP7219180B2 (ja) シールド掘進工法における掘進予測モデルの作成方法
Salimi et al. Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree
Qi et al. Back-analysis method for stope displacements using gradient-boosted regression tree and firefly algorithm
Harandizadeh et al. TBM performance prediction developing a hybrid ANFIS-PNN predictive model optimized by imperialism competitive algorithm
JP7219181B2 (ja) シールド掘進機の施工管理方法
CN109948198A (zh) 一种基于非线性函数的围岩分级可靠性评价方法
Garcia et al. Decision support system for an intelligent operator of utility tunnel boring machines
Moeinossadat et al. Modeling maximum surface settlement due to EPBM tunneling by various soft computing techniques
JP2019143386A (ja) 操作推定装置、及び操作推定方法
Yang et al. A novel gradient boosting regression tree technique optimized by improved sparrow search algorithm for predicting TBM penetration rate
Tian et al. Efficient and flexible Bayesian updating of embankment settlement on soft soils based on different monitoring datasets
Wang et al. A novel method for analyzing the factors influencing ground settlement during shield tunnel construction in upper-soft and lower-hard fissured rock strata considering the coupled hydromechanical properties
CN113221434A (zh) 一种基坑变形预测方法
Hajiazizi et al. Prediction of Q-value by multi-variable regression and novel Genetic Algorithm based on the most influential parameters

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant