KR102529266B1 - Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 - Google Patents
Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 Download PDFInfo
- Publication number
- KR102529266B1 KR102529266B1 KR1020210054485A KR20210054485A KR102529266B1 KR 102529266 B1 KR102529266 B1 KR 102529266B1 KR 1020210054485 A KR1020210054485 A KR 1020210054485A KR 20210054485 A KR20210054485 A KR 20210054485A KR 102529266 B1 KR102529266 B1 KR 102529266B1
- Authority
- KR
- South Korea
- Prior art keywords
- thrust
- excavation
- distance
- parameter
- unit
- Prior art date
Links
- 238000009412 basement excavation Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000005553 drilling Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 108010087599 lactate dehydrogenase 1 Proteins 0.000 description 2
- 101150095787 ldh2 gene Proteins 0.000 description 2
- 101150100271 ldhb gene Proteins 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Images
Classifications
-
- 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
- E21D9/093—Control of the driving shield, e.g. of the hydraulic advancing cylinders
-
- 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
- E21D9/10—Making by using boring or cutting machines
- E21D9/108—Remote control specially adapted for machines for driving tunnels or galleries
-
- 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
- E21D9/10—Making by using boring or cutting machines
- E21D9/11—Making by using boring or cutting machines with a rotary drilling-head cutting simultaneously the whole cross-section, i.e. full-face machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
본 발명은, 터널 보링 머신(Tunnel Boring Machine, 이하, 'TBM'이라 함)이 단위 굴착거리만큼 굴착할 때마다, 터널 보링 머신(TBM)이 다음에 굴착할 단위 굴착거리에 대한 추력 파라미터(Thrust Parameter)를 예측하는 TBM의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템에 관한 것으로, 본 발명의 굴착 모니터링 시스템은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 굴착 모니터링 시스템에 있어서, 상기 제N 단위 굴착거리의 위치에서 전방 시추공까지 거리에 대응하는 제1 가중 파라미터와, 상기 제N 단위 굴착거리의 위치에서 후방 시추공까지 거리에 대응하는 제2 가중 파라미터와, 상기 전방 시추공 위치의 지리적 정보를 포함하는 전방 지반 파라미터와, 상기 후방 시추공 위치의 지리적 정보를 포함하는 후방 지반 파라미터에 기초하여 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하는 전처리 시스템을 포함하고, 상기 전처리 시스템은, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 상기 추력 파라미터 및 상기 지반 파라미터를 포함하는 굴착 데이터 셋을 생성한다.
Description
본 발명은, 터널 보링 머신(Tunnel Boring Machine, 이하, 'TBM'이라 함)이 단위 굴착거리만큼 굴착할 때마다, 터널 보링 머신(TBM)이 다음에 굴착할 단위 굴착거리에 대한 추력 파라미터(Thrust Parameter)를 예측하는 TBM의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템에 관한 것이다.
TBM(Tunnel Boring Machine) 공법이란, 굴착기 전면의 커터헤드(Cutter head)를 회전시켜 터널을 굴착하고, 미리 제작한 터널 벽면(세그먼트 라이닝, Segment Lining)을 조립하며 굴착하는 기계식 굴착공법이다.
TBM 공법은, 기존에 널리 사용되고 있던 발파공법인 NATM(New Austrain Tunneling Method) 공법에 비해 3~5배 높은 굴착율을 보여 공사기간 단축이 가능하고, 저진동 저소음으로 민원발생이 적고, 가압을 통한 방수로 지하수의 수위저하를 막는 등 자연보호가 가능한 장점을 갖는다. 이에, 전 세계적으로 도심지 터널, 해저터널, 산악터널 등에서 친환경적이고 경제적인 터널공법인 TBM 공법의 적용이 확대되고 있다.
한편, 터널 굴착의 설계단계에서, 시공사는 공사기간을 예측하고, 예측된 공사기간에 기초하여 시공계획을 세우고 예산을 계산한다. 그러나, 실제 공사 현장에서는 예상하지 못한 지리학적 조건(암반 파쇄, 단층, 깨어짐, 해저터널의 경우 높은 수압 등)에 의해 공사기간이 초과하는 경우가 빈번히 발생하고, 그로 인한 공사비 증가 등의 문제가 발생하고 있다.
이를 해결하기 위해서는, 지리학적 조건에 맞는 터널 보링 머신(TBM)의 추력 파라미터를 실시간으로 예측하고, 예측된 추력 파라미터 및 공사기간을 고려하여 터널 보링 머신(TBM)의 실제 추력(Thrust)을 조절할 수 있어야 한다. 예를 들어, 예측된 추력 파라미터에 대응하는 추력으로 굴착을 진행할 때 공사기간을 1개월 도과하는 경우, 예측된 추력 파라미터에 대응하는 추력보다 더 높은 추력으로 터널 보링 머신(TBM)을 운전하여 공사기간을 맞추도록 조절할 수 있다.
최근, 국내외에서 추력 파라미터를 실시간 예측하는 순환신경망 기반 모델이 개발되고 있다. 그러나, 이 모델들은 과거 추력 파라미터는 반영하나, 실제 추력에 영향을 미치는 지리학적 조건, 즉, 지반 파라미터(Geological Parameter)는 고려하지 못하고 있어 그 예측의 정밀도가 낮은 한계가 있다. 예를 들어, 강도가 높거나 균열이 없는 암반은 상대적으로 높은 추력으로 터널 보링 머신(TBM)을 운전하는 것이 적합하고, 풍화가 심하거나 균열이 발달한 지반(폐쇄구간)은 상대적으로 낮은 추력으로 터널 보링 머신(TBM)을 운전하는 것이 적합한데, 추력 파라미터의 예측 시에 이러한 지리학적 조건이 반영되지 않는 것이다.
이에, 굴착 시공 중 실시간(예를 들어, 단위 굴착거리를 굴착할 때마다)으로 수집되는 추력 데이터뿐만 아니라 지반 데이터를 모두 고려하여 이후 굴착할 굴착거리에 대한 터널 보링 머신(TBM)의 추력 파라미터(Thrust Parameter)를 정밀도 높게 예측하는 시스템의 필요성이 크다.
본 발명은, 굴착이 진행된 시작 위치부터 현재 위치까지 단위 굴착거리 각각에 대응하는 굴착 데이터 셋을 구축할 수 있는 TBM의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템을 제공하는 것이다.
본 발명은, 터널 보링 머신(TBM)의 추력 파라미터를 정밀도 높게 예측하는 TBM의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템을 제공하는 것이다.
본 발명의 일 특징에 따른 굴착 모니터링 시스템은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 굴착 모니터링 시스템에 있어서, 상기 제N 단위 굴착거리의 위치에서 전방 시추공까지 거리에 대응하는 제1 가중 파라미터와, 상기 제N 단위 굴착거리의 위치에서 후방 시추공까지 거리에 대응하는 제2 가중 파라미터와, 상기 전방 시추공 위치의 지리적 정보를 포함하는 전방 지반 파라미터와, 상기 후방 시추공 위치의 지리적 정보를 포함하는 후방 지반 파라미터에 기초하여 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하는 전처리 시스템을 포함하고, 상기 전처리 시스템은, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 상기 추력 파라미터 및 상기 지반 파라미터를 포함하는 굴착 데이터 셋을 생성한다.
본 발명의 다른 특징에 따른 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 굴착 모니터링 시스템에 있어서, 상기 추력 파라미터를 예측하는 추력예측모델을 N개 생성하는 모델 생성부와, 상기 N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택하는 모델 선택부와, 상기 선택된 추력예측모델을 통해 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력 예측부를 포함하는 예측 시스템을 포함하고, 상기 모델 생성부는, 추력예측모델의 생성 개수에 대응하는 N을 무작위 탐색으로 결정하고, 상기 추력예측모델을 생성할 때마다, 상기 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정한다.
본 발명의 또 다른 특징에 따른 TBM의 추력 파라미터 예측 방법은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 방법에 있어서, 전처리 시스템이, 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하고, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 상기 추력 파라미터 및 상기 지반 파라미터를 포함하는 굴착 데이터 셋을 생성하는 단계, 예측 시스템이, 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력예측모델을 생성하는 단계, 그리고 상기 예측 시스템이, 상기 굴착 데이터 셋에서 선택한 입력 데이터를 상기 추력예측모델에 대입하여 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 단계를 포함한다.
본 발명은, 종래 시추공을 통해서 직접 수집할 수 없었던 굴착 구간에 대응하는 지반 파라미터를 정밀도 높게 추정할 수 있다.
본 발명은, 다음 굴착할 단위 굴착거리에 대응하는 추력 파라미터를 지반 파라미터를 반영하여 정밀도 높게 예측할 수 있다.
본 발명은, 터널 보링 머신(TBM)의 운전자(관리자)는 예측된 추력 파라미터에 기초하여 터널 보링 머신(TBM)을 효율적으로 관리(운영)할 수 있다.
본 발명은, 터널 보링 머신(TBM)의 굴착 성능을 향상시켜 공사기간의 연장 방지 및 추가비용 발생을 예방할 수 있는 효과를 갖는다.
도 1은 일 실시예에 따라 굴착이 진행되는 현장을 설명하는 예시도이다.
도 2는 도 1에 도시된 세그먼트 라이닝(2)의 구조를 설명하는 도면이다.
도 3은 일 실시예에 따른 굴착 모니터링 시스템을 설명하는 블록도이다.
도 4는 도 3의 전처리 시스템의 기능을 설명하기 위한 개념도이다.
도 5는 일 실시예에 따른 TBM의 추력 파라미터 예측 방법을 설명하는 흐름도이다.
도 6은 도 5의 추력예측모델 생성 단계(S200)를 상세하게 설명하는 흐름도이다.
도 2는 도 1에 도시된 세그먼트 라이닝(2)의 구조를 설명하는 도면이다.
도 3은 일 실시예에 따른 굴착 모니터링 시스템을 설명하는 블록도이다.
도 4는 도 3의 전처리 시스템의 기능을 설명하기 위한 개념도이다.
도 5는 일 실시예에 따른 TBM의 추력 파라미터 예측 방법을 설명하는 흐름도이다.
도 6은 도 5의 추력예측모델 생성 단계(S200)를 상세하게 설명하는 흐름도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일, 유사한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및/또는 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 일 실시예에 따라 굴착이 진행되는 현장을 설명하는 예시도이고, 도 2는 도 1에 도시된 세그먼트 라이닝(2)의 구조를 설명하는 도면이다.
도 1을 참고하면, TBM(Tunnel Boring Machine) 공법은, 터널 보링 머신(Tunnel Boring Machine, 이하, 'TBM'이라 함)(1)이 단위 굴착거리만큼 터널을 굴착할 때마다, 환형 블록으로 형성된 터널 벽면, 즉, 세그먼트 라이닝(Segment Lining)(2)을 터널에 조립하며 굴착하는 기계식 굴착공법이다.
도 2를 참고하면, 세그먼트 라이닝(2)은 소정의 폭을 갖는 환형 링으로 구성될 수 있다. 복수의 세그먼트 라이닝(1, 2, …, N-2, N-1, N)이 터널에 설치되면, 터널은 형태를 유지할 수 있다. 일 실시예에 따라, 터널 보링 머신(TBM)이 단위 굴착거리만큼 굴착하면, 단위 세그먼트 라이닝(2)이 설치되는 과정이 반복될 수 있다. 이때, 단위 굴착거리는 단위 세그먼트 라이닝(2)의 소정의 폭에 대응할 수 있다.
이후, 도 3 내지 도 6을 참고하여, 굴착이 진행된 시작 위치부터 현재 위치(1, 2, …, N-2, N-1, N)까지 단위 굴착거리 각각에 대응하는 굴착 데이터 셋(추력 파라미터 및 지반 파라미터)을 구축하는 제1 실시예 및 다음 굴착할 단위 굴착거리(N+1)에 대응하는 추력 파라미터를 예측하는 제2 실시예가 터널 보링 머신(TBM)이 단위 굴착거리만큼 굴착할 때마다 반복하여 수행될 수 있다.
도 3은 일 실시예에 따른 굴착 모니터링 시스템을 설명하는 블록도이고, 도 4는 도 3의 전처리 시스템의 기능을 설명하기 위한 개념도이다.
도 3을 참고하면, 굴착 모니터링 시스템은 전처리 시스템(100), 그리고 예측 시스템(200)을 포함한다.
전처리 시스템(100)은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하고, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 추력 파라미터 및 지반 파라미터를 포함하는 굴착 데이터 셋을 생성한다.
추력 파라미터는, 터널 보링 머신(TBM)의 추력(Thrust) 등에 대한 정보를 포함하고, 지반 파라미터는, 지리학적 조건(일축압축강도, 암질지수, 암반분류, 변형계수, 흡수율, P 및 S파 속도 등)에 대한 정보를 포함한다.
도 3을 참고하면, 터널 보링 머신(TBM)이 제1 시추공(H1)에서 굴착을 시작하여 현재 제N 단위 세그먼트 라이닝 위치에 대응하는 단위 굴착거리에 대해 굴착을 완료한 것으로 가정한다. 즉, 제N 단위 굴착거리는 터널 보링 머신(TBM)이 굴착을 완료한 현재 위치에 대응할 수 있다. 또한, 제N+1 단위 굴착거리(미도시)는 터널 보링 머신(TBM)이 제2 시추공(H2) 방향으로 다음 굴착을 진행할 미래 위치에 대응할 수 있다.
지반 파라미터는 지표면(L)에서 시추공(H)을 뚫어서 취득한 지반을 분석하여 획득할 수 있다. 예를 들어, 터널 공사 계획단계에서, 복수의 시추공(H1-HN)을 통해서 지반 파라미터를 취득할 수 있으나, 이는 제한적이며, 단위 굴착거리 각각에 대응하는 지반 파라미터를 직접 취득하는 것은 현실적인 한계가 있다. 이와 비교하여, 추력 파라미터는 터널 보링 머신(TBM)이 단위 굴착거리를 굴착할 때마다 직접 취득할 수 있다. 따라서, 각 단위 굴착거리에 대응하는 추력 파라미터는 직접 취득 가능하나, 각 단위 굴착거리에 대응하는 지반 데이터는 직접 취득할 수 없는 경우가 많다.
일 실시예에 따라, 전처리 시스템(100)은, 현재 위치에서 가장 인접한 전방 시추공(H1)의 전방 지반 파라미터(LDH1), 후방 시추공(H2)의 후방 지반 파라미터(LDH2), 그리고 전방 및 후방 시추공(H1, H2)까지 각 거리에 대응하는 제1 및 제2 가중 파라미터(W1, W2)에 기초하여 현재 위치에 대응하는 지반 파라미터를 추정한다. 예를 들어, 전처리 시스템(100)은, 양쪽 시추공(H1, H2) 각각의 지반 파라미터(LDH1, LDH2) 값을 거리의 비율에 대응하는 값으로 현재 위치에 대응하는 지반 파라미터를 추정할 수 있다.
일 실시예에 따라, 전처리 시스템(100)은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 추력 파라미터 및 지반 파라미터를 포함하는 제N 굴착 데이터 셋을 생성한다.
예를 들어, 전처리 시스템(100)은, 제1 단위 굴착거리에 대한 굴착이 완료되면, 제1 지반 데이터를 추정하고, 제1 단위 굴착거리에 대한 제1 굴착 데이터 셋(제1 추력 데이터 및 제1 지반 데이터)을 생성할 수 있다.
다른 예를 들어, 전처리 시스템(100)은, 제2 단위 굴착거리에 대한 굴착이 완료되면, 제2 지반 데이터를 추정하고, 제2 굴착 데이터(제2 추력 데이터 및 제2 지반 데이터)를 생성한다. 그리고, 전처리 시스템(100)은, 제1 단위 굴착거리 및 제2 단위 굴착거리 각각에 대해 추력 파라미터 및 지반 파라미터를 포함하는 제2 굴착 데이터 셋(제1 굴착 데이터 및 제2 굴착 데이터)을 생성할 수 있다.
또 다른 예를 들어, 전처리 시스템(100)은, 제3 단위 굴착거리에 대한 굴착이 완료되면, 제3 지반 데이터를 추정하고, 제3 굴착 데이터(제3 추력 데이터 및 제3 지반 데이터)를 생성한다. 그리고, 전처리 시스템(100)은, 제1 단위 굴착거리 내지 제3 단위 굴착거리 각각에 대해 추력 파라미터 및 지반 파라미터를 포함하는 제3 굴착 데이터 셋(제1 굴착 데이터, 제2 굴착 데이터, 및 제3 굴착 데이터)을 생성할 수 있다.
예측 시스템(200)은, 모델 생성부(210), 모델 선택부(230), 그리고 추력 예측부(250)을 포함하고, 굴착 데이터 셋에 기초하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측한다.
모델 생성부(210)는, 추력 파라미터를 예측하는 추력예측모델을 N개 생성할 수 있다. 모델 생성부(210)는, 추력예측모델의 생성 개수에 대응하는 N을 무작위 탐색으로 결정하고, 추력예측모델을 생성할 때마다 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정할 수 있다. 그러면, 이하 설명할 하이퍼 파라미터(p, d, q, r) 값이 상이한 복수(N)의 추력예측모델이 생성될 수 있다.
일 실시예에 따라, 추력예측모델은, 다양한 시계열 분석기법 중 하나인 ARIMAX 모델로 구성될 수 있다. 예를 들어, 추력예측모델은, 하기 식(1)에 대응하는 ARIMAX 모델로 구성될 수 있다.
여기서, X 및 t 각각은 외생 파라미터 및 외생 파라미터의 차수이고, Y 및 Ψ 각각은 타겟 파라미터 및 타겟 파라미터의 차수이다. ε 및 θ 각각은 오차 및 오차에 대한 차수이다. P는 타겟 파라미터의 입력 개수에 대응하고, d는 타겟 파라미터의 차분값에 대응하고, q는 오차의 개수(term)에 대응하고, r은 외생 파라미터의 입력 개수에 대응한다. 여기서, p, d, q, r은 사용자의 설정으로 결정되며, 설정에 따라서 ARIMAX 모델의 예측 성능이 달라지는 하이퍼 파라미터이다. 일 실시예에 따라, 외생 파라미터(X)는 지반 파라미터, 타겟 파라미터(Y)는 추력 파라미터에 각각 대응할 수 있다.
예를 들어, p=3 및 r=2이면, 3개의 추력 파라미터(제N 추력 파라미터, 제N-1 추력 파라미터, 제N-2 추력 파라미터) 그리고 2개의 지반 파라미터(제N 지반 파라미터 및 제N-1 지반 파라미터) 값이 ARIMAX 모델의 입력 데이터가 될 수 있다. 이 때, 출력 데이터는, 제N+1 단위 굴착거리에 대응하는 추력 파라미터 값일 수 있다.
모델 선택부(230)는, N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택할 수 있다. 예를 들어, 모델 선택부(230)는, N개의 추력예측모델 각각의 AIC(Akaike Information Criterion) 값 중 가장 낮은 AIC 값에 대응하는 추력예측모델을 선택할 수 있다. AIC는 통계 모델 간의 적합성을 비교할 수 있는 상대적 지표로서, 그 값이 적을수록 예측 성능이 높다.
추력 예측부(250)는, 최고 예측 성능으로 선택된 추력예측모델의 하이퍼 파라미터에 기초하여 굴착 데이터 셋에서 입력 데이터를 선택하고, 선택된 입력 데이터를 선택된 추력예측모델에 대입하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측할 수 있다.
예들 들어, 최고 예측 성능으로 선택된 추력예측모델(ARIMAX 모델)의 하이퍼 파라미터의 p=2 및 r=1이면, 제N 추력 파라미터, 제N-1 추력 파라미터, 및 제N 지반 파라미터 값이 추력예측모델(ARIMAX 모델)의 입력 데이터가 될 수 있다. 이 때, 출력 데이터는, 제N+1 단위 굴착거리에 대응하는 추력 파라미터 값일 수 있다. 다른 예를 들어, 최고 예측 성능으로 선택된 추력예측모델(ARIMAX 모델)의 하이퍼 파라미터의 p=1 및 r=1이면, 제N 추력 파라미터 및 제N 지반 파라미터 값이 추력예측모델(ARIMAX 모델)의 입력 데이터가 될 수 있다. 이 때, 출력 데이터는, 제N+1 단위 굴착거리에 대응하는 추력 파라미터 값일 수 있다.
도 5는 일 실시예에 따른 TBM의 추력 파라미터 예측 방법을 설명하는 흐름도이고, 도 6은 도 5의 추력예측모델 생성 단계(S200)를 상세하게 설명하는 흐름도이다.
이하, 도 3 내지 도 6을 참고하여, TBM의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템을 설명한다.
도 5를 참고하면, 전처리 시스템(100)은, 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하고, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 추력 파라미터 및 지반 파라미터를 포함하는 굴착 데이터 셋을 생성한다(S100).
전처리 시스템(100)은, 제N 단위 굴착거리의 위치에서 전방 시추공(H1)까지 거리에 대응하는 제1 가중 파라미터(W1)와, 제N 단위 굴착거리의 위치에서 후방 시추공(H2)까지 거리에 대응하는 제2 가중 파라미터(W2)와, 전방 시추공(H1) 위치의 지리적 정보를 포함하는 전방 지반 파라미터와, 후방 시추공(H2) 위치의 지리적 정보를 포함하는 후방 지반 파라미터에 기초하여 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정할 수 있다. 예를 들어, 전처리 시스템(100)은, 양쪽 시추공(H1, H2) 각각의 지반 파라미터 값을 거리의 비율에 대응하는 값으로 현재 위치에 대응하는 지반 파라미터를 추정할 수 있다.
일 실시예에 따라, 전처리 시스템(100)은, 제N 단위 굴착거리에 대한 굴착이 완료되면, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 추력 파라미터 및 지반 파라미터를 포함하는 제N 굴착 데이터 셋을 생성한다.
다음으로, 예측 시스템(200)은, 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력예측모델을 생성한다(S200).
도 6을 참고하면, S200 단계에서, 예측 시스템(200)은, 추력예측모델의 생성 개수에 대응하는 N을 결정하고(S210), 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정한다(S230).
S200 단계에서, 예측 시스템(200)은, 결정된 하이퍼 파라미터에 대응하는 추력예측모델을 생성한다(S250).
S200 단계에서, 예측 시스템(200)은, 생성된 추력예측모델의 총 개수가 상기 N 개와 일치하는지 판단 한다(S270).
판단결과 일치하지 않으면(S270, No), 예측 시스템(200)은, S230단계부터 반복 수행하여 추력예측모델을 계속 생성한다. 판단결과 일치하면(S270, Yes), 예측 시스템(200)은, N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택한다(S290).
예를 들어, 예측 시스템(200)은, N개의 추력예측모델 각각의 AIC(Akaike Information Criterion) 값 중 가장 낮은 AIC 값에 대응하는 추력예측모델을 선택할 수 있다. AIC는 통계 모델 간의 적합성을 비교할 수 있는 상대적 지표로서, 그 값이 적을수록 예측 성능이 높다.
다음으로, 예측 시스템(200)은, 굴착 데이터 셋에서 선택한 입력 데이터를 선택된 추력예측모델에 대입하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측 한다(S200).
예측 시스템(200)은, 선택된 추력예측모델의 하이퍼 파라미터에 기초하여 굴착 데이터 셋에서 입력 데이터를 선택하고, 선택된 입력 데이터를 선택된 추력예측모델에 대입하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측할 수 있다.
일 실시예에 따라, 제N 단위 굴착거리에 대한 굴착이 완료되면, 전처리 시스템(100)은, 제N 단위 굴착거리에 대한 제N 데이터 셋(제N 지반 데이터 및 제N 추력 데이터 포함)을 생성하고, 예측 시스템(200)은, 제N 단위 굴착거리에 대응하는 위치에서 생성한 추력예측모델을 통해 제N 데이터 셋에 기초하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측할 수 있다. 그런 다음, 제N+1 단위 굴착거리에 대한 굴착이 완료되면, 전처리 시스템(100)은, 제N+1 단위 굴착거리에 대한 제N+1 데이터 셋(제N+1 지반 데이터 및 제N+1 추력 데이터 포함)을 생성하고, 예측 시스템(200)은, 제N+1 단위 굴착거리에 대응하는 위치에서 생성한 추력예측모델을 통해 제N+1 데이터 셋에 기초하여 제N+2 단위 굴착거리에 대응하는 추력 파라미터를 예측할 수 있다.
즉, 일 실시예에서, 굴착 모니터링 시스템은 단위 굴착거리가 굴착될 때마다 추력예측모델을 생성하고, 생성된 추력예측모델을 통해 바로 다음 굴착거리에 대응하는 추력 파라미터 만을 예측하는 과정을 반복한다.
다른 실시예에 따라, 제N 단위 굴착거리에 대한 굴착이 완료되면, 전처리 시스템(100)은, 제N 데이터 셋(제N 지반 데이터 및 제N 추력 데이터 포함)을 생성하고, 예측 시스템(200)은, 제N 데이터 셋에 기초하여 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측할 수 있다.
그런 다음, 전처리 시스템(100)은, 제N+1 단위 굴착거리에 대한 굴착이 없어도, 제N+1 단위 굴착거리에 대응하는 지반 파라미터를 추정하고, 추력예측모델을 통해 추정된 제N+1 단위 굴착거리에 대응하는 추력 파라미터값에 기초하여 제N+1 데이터 셋(제N+1 단위 굴착거리에 대응하여 추정된 지반 파라미터 및 예측된 추력 파라미터 포함)을 생성할 수 있다. 그러면, 예측 시스템(200)은, 제N+1 데이터 셋에 기초하여 제N 단위 굴착거리에 대응하는 위치에서 생성한 추력예측모델을 통해 제N+2 단위 굴착거리에 대응하는 추력 파라미터를 추정할 수 있다. 동일한 방법으로, 예측 시스템(200)은, 제N 단위 굴착거리에 대응하는 위치에서 생성한 추력예측모델을 통해 제N+3 단위 굴착거리에 대응하는 추력 파라미터, 제N+4 단위 굴착거리에 대응하는 추력 파라미터를 추정할 수 있다.
즉, 다른 실시예에서, 굴착 모니터링 시스템은 제N 단위 굴착거리가 굴착된 위치에서 추력예측모델을 생성하고, 생성된 추력예측모델을 통해 바로 직후의 제N+1 굴착거리뿐만 아니라 제N+2 굴착거리, 제N+3 굴착거리, 제N+4 굴착거리 동 복수의 미래 굴착거리에 대한 복수의 추력 파라미터를 추정할 수 있다. 이때, 추력예측모델의 출력 데이터인 추력 파라미터를 다음 굴착거리에 대한 추력 파라미터를 추정하기 위한 추력예측모델의 입력 데이터로 사용할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였으나, 본 발명의 권리범위가 이에 한정되는 것은 아니며 본 발명이 속하는 분야에서 통상의 지식을 가진 자가 여러 가지로 변형 및 개량한 형태 또한 본 발명의 권리범위에 속한다.
Claims (15)
- 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 굴착 모니터링 시스템에 있어서,
상기 제N 단위 굴착거리의 위치에서 전방 시추공까지 거리에 대응하는 제1 가중 파라미터와, 상기 제N 단위 굴착거리의 위치에서 후방 시추공까지 거리에 대응하는 제2 가중 파라미터와, 상기 전방 시추공 위치의 지리적 정보를 포함하는 전방 지반 파라미터와, 상기 후방 시추공 위치의 지리적 정보를 포함하는 후방 지반 파라미터에 기초하여 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하는 전처리 시스템을 포함하고,
상기 전처리 시스템은,
제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 상기 추력 파라미터 및 상기 지반 파라미터를 포함하는 굴착 데이터 셋을 생성하는, 굴착 모니터링 시스템. - 제1항에 있어서,
상기 굴착 데이터 셋에 기초하여 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 예측 시스템을 더 포함하고,
상기 예측 시스템은,
상기 추력 파라미터를 예측하는 추력예측모델을 N개 생성하는 모델 생성부,
상기 N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택하는 모델 선택부, 그리고
상기 선택된 추력예측모델을 통해 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력 예측부를 포함하는, 굴착 모니터링 시스템. - 제2항에 있어서,
상기 모델 생성부는,
추력예측모델의 생성 개수에 대응하는 N을 무작위 탐색으로 결정하고,
상기 추력예측모델을 생성할 때마다, 상기 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정하는, 굴착 모니터링 시스템. - 제3항에 있어서,
상기 모델 생성부는,
상기 하이퍼 파라미터 각각에 대응하는 상기 N개의 추력예측모델을 생성하는, 굴착 모니터링 시스템. - 제2항에 있어서,
상기 모델 선택부는,
상기 N개의 추력예측모델 각각의 AIC(Akaike Information Criterion) 값 중 가장 낮은 AIC 값에 대응하는 추력예측모델을 선택하는, 굴착 모니터링 시스템. - 제4항에 있어서,
상기 추력 예측부는,
상기 선택된 추력예측모델의 하이퍼 파라미터에 기초하여 상기 굴착 데이터 셋에서 입력 데이터를 선택하고,
상기 선택된 입력 데이터를 상기 선택된 추력예측모델에 대입하여 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는, 굴착 모니터링 시스템. - 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 굴착 모니터링 시스템에 있어서,
상기 추력 파라미터를 예측하는 추력예측모델을 N개 생성하는 모델 생성부와, 상기 N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택하는 모델 선택부와, 상기 선택된 추력예측모델을 통해 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력 예측부를 포함하는 예측 시스템을 포함하고,
상기 모델 생성부는,
추력예측모델의 생성 개수에 대응하는 N을 무작위 탐색으로 결정하고,
상기 추력예측모델을 생성할 때마다, 상기 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정하는, 굴착 모니터링 시스템. - 제7항에 있어서,
상기 모델 생성부는,
상기 하이퍼 파라미터 각각에 대응하는 상기 N개의 추력예측모델을 생성하는, 굴착 모니터링 시스템. - 제7항에 있어서,
상기 모델 선택부는,
상기 N개의 추력예측모델 각각의 AIC(Akaike Information Criterion) 값 중 가장 낮은 AIC 값에 대응하는 추력예측모델을 선택하는, 굴착 모니터링 시스템. - 제N 단위 굴착거리에 대한 굴착이 완료되면, 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 방법에 있어서,
전처리 시스템이, 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하고, 제1 단위 굴착거리 내지 제N 단위 굴착거리 각각에 대해, 상기 추력 파라미터 및 상기 지반 파라미터를 포함하는 굴착 데이터 셋을 생성하는 단계,
예측 시스템이, 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 추력예측모델을 생성하는 단계, 그리고
상기 예측 시스템이, 상기 굴착 데이터 셋에서 선택한 입력 데이터를 상기 추력예측모델에 대입하여 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 단계를 포함하고,
상기 굴착 데이터 셋을 생성하는 단계는,
상기 제N 단위 굴착거리의 위치에서 전방 시추공까지 거리에 대응하는 제1 가중 파라미터와, 상기 제N 단위 굴착거리의 위치에서 후방 시추공까지 거리에 대응하는 제2 가중 파라미터와, 상기 전방 시추공 위치의 지리적 정보를 포함하는 전방 지반 파라미터와, 상기 후방 시추공 위치의 지리적 정보를 포함하는 후방 지반 파라미터에 기초하여 상기 제N 단위 굴착거리에 대응하는 지반 파라미터를 추정하는, TBM의 추력 파라미터 예측 방법. - 삭제
- 제10항에 있어서,
상기 추력예측모델을 생성하는 단계는,
상기 추력예측모델의 생성 개수에 대응하는 N을 무작위 탐색으로 결정하는 단계,
상기 추력예측모델의 성능을 결정하는 하이퍼 파라미터를 무작위 탐색으로 결정하는 단계,
상기 결정된 하이퍼 파라미터에 대응하는 추력예측모델을 생성하는 단계,
상기 생성된 추력예측모델의 총 개수가 상기 N 개와 일치하는지 판단하는 단계, 그리고
상기 판단결과 일치하면, 상기 N개의 추력예측모델 중 최고 성능을 보이는 추력예측모델을 선택하는 단계를 포함하는, TBM의 추력 파라미터 예측 방법. - 제12항에 있어서,
상기 판단결과 일치하지 않으면, 상기 하이퍼 파라미터를 무작위 탐색으로 결정하는 단계로 진행하는, TBM의 추력 파라미터 예측 방법. - 제12항에 있어서,
상기 최고 성능을 보이는 추력예측모델을 선택하는 단계는,
상기 N개의 추력예측모델 각각의 AIC(Akaike Information Criterion) 값 중 가장 낮은 AIC 값에 대응하는 추력예측모델을 선택하는, TBM의 추력 파라미터 예측 방법. - 제13항에 있어서,
상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는 단계는,
상기 선택된 추력예측모델의 하이퍼 파라미터에 기초하여 상기 굴착 데이터 셋에서 입력 데이터를 선택하고,
상기 선택된 입력 데이터를 상기 선택된 추력예측모델에 대입하여 상기 제N+1 단위 굴착거리에 대응하는 추력 파라미터를 예측하는, TBM의 추력 파라미터 예측 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210054485A KR102529266B1 (ko) | 2021-04-27 | 2021-04-27 | Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210054485A KR102529266B1 (ko) | 2021-04-27 | 2021-04-27 | Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220147393A KR20220147393A (ko) | 2022-11-03 |
KR102529266B1 true KR102529266B1 (ko) | 2023-05-04 |
Family
ID=84040733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210054485A KR102529266B1 (ko) | 2021-04-27 | 2021-04-27 | Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102529266B1 (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102211421B1 (ko) * | 2020-06-17 | 2021-02-02 | 에스케이건설 주식회사 | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3260629B2 (ja) | 1996-07-18 | 2002-02-25 | 株式会社奥村組 | トンネル掘削速度予測方法 |
JP3821538B2 (ja) | 1997-05-22 | 2006-09-13 | 株式会社小松製作所 | トンネル掘削機の掘進制御方法 |
JP3721486B2 (ja) | 1998-04-09 | 2005-11-30 | 清水建設株式会社 | トンネル掘進における地山評価方法とそれを用いたトンネル掘進方法 |
-
2021
- 2021-04-27 KR KR1020210054485A patent/KR102529266B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102211421B1 (ko) * | 2020-06-17 | 2021-02-02 | 에스케이건설 주식회사 | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20220147393A (ko) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102003612B1 (ko) | 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 | |
Verma et al. | Blast induced rock mass damage around tunnels | |
KR102211421B1 (ko) | 터널 굴진면의 전방 지질 상태 예측에 기반한 tbm 제어 파라미터 결정 방법 및 시스템 | |
Hassanpour et al. | TBM performance analysis in pyroclastic rocks: a case history of Karaj water conveyance tunnel | |
US8285532B2 (en) | Providing a simplified subterranean model | |
Yazdani-Chamzini et al. | Developing a fuzzy model based on subtractive clustering for road header performance prediction | |
RU2670302C2 (ru) | Автоматизированное проектирование оптимальной траектории направленного бурения | |
JP7219181B2 (ja) | シールド掘進機の施工管理方法 | |
JP2021014726A (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 | |
KR20180116922A (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
KR102529266B1 (ko) | Tbm의 추력 파라미터 예측 방법 및 그 방법을 제공하는 굴착 모니터링 시스템 | |
JP4421146B2 (ja) | トンネル切羽前方の地質予測方法および地質予測装置 | |
KR20200043668A (ko) | 확률론적 분석 방법을 이용한 시추기간 예측 방법 및 시스템 | |
Navarro Miguel | The use of measure while drilling for rock mass characterization and damage assessment in blasting | |
Lee et al. | Development of a trip time for bit exchange simulator for drilling time estimation | |
Wu et al. | A new evaluation method for the uniaxial compressive strength ahead of the tunnel face based on the driving data and specification parameters of TBM | |
Wang et al. | Sensitivity of TBM’s performance to structural, control and geological parameters under different prediction models | |
Card et al. | A New and Practical Workflow for Large Multipad SAGD Simulation—An Oil-Sands Case Study | |
Zaki et al. | Interpretation and development of top-surface grid in subsurface ground profile using Inverse Distance Weighting (IDW) method for twin tunnel project in Kenny Hill Formation | |
Jakobsen et al. | Validity of the NTNU prediction model for D&B tunnelling | |
Dunn et al. | Geotechnical data–a strategic or tactical issue? | |
Hassanpour et al. | Optimizing TBM cutterhead design for application in very strong and abrasive rocks, case study of Kerman Water Tunnel | |
Mito et al. | Prediction of the geological condition ahead of the tunnel face in TBM tunnels by geostatistical simulation technique | |
Moharrami et al. | Modeling Microtunnel Boring Machine Penetration Rate Using a Mechanistic Approach | |
Wu et al. | Application of 3D Geological Model in Subway Construction in Singapore |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |