KR102564317B1 - 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 장치 및 이를 위한 방법 - Google Patents

Abstract

본 발명의 발파진동을 추정하기 위한 장치는 과거에 실시된 발파 작업 데이터를 기초로 기계학습을 수행하여 발파 과정을 모사하여 발파진동을 추정하는 적어도 하나의 기계학습발파모델을 생성하는 기계학습발파모델생성부와, 상기 기계학습발파모델을 이용하여 발파 대상 현장에서의 복수의 지발당장약량을 포함하는 폭약 특징 데이터와 이격거리를 포함하는 현장 특징 데이터 각각에 대응하는 복수의 발파진동의 크기를 추정하는 발파진동추정부와, 상기 추정된 복수의 발파진동의 크기와 이에 상응하는 복수의 지발당장약량과 이격거리를 기초로 회귀분석을 통해 발파 대상 현장에 상응하는 진동추정식을 도출하는 진동추정식도출부를 포함한다.

Description

기계학습을 기초로 발파 전 발파진동을 추정하기 위한 장치 및 이를 위한 방법{Apparatus and method for estimating blast vibration before blasting based on machine learning}

본 발명은 발파진동을 추정하기 위한 기술에 관한 것으로, 보다 상세하게는, 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 장치 및 이를 위한 방법에 관한 것이다.

암반을 굴착하는 가장 경제적인 수단인 발파는 굴착되는 암반 및 지형적 특성, 보안물건의 위치 및 종류를 고려하여 천공방법 및 장약조건 등에 대한 설계가 이루어지며, 이러한 각각의 조건들에 대한 충분한 검토를 통해 발파효율이 극대화 되면서 안전한 시공이 되도록 하여야 한다.

발파 시 필연적으로 발생하는 발파진동은 주변 보안물건에 피해를 입힐 수가 있으므로, 발파를 시공하는 현장에서는 사전에 발파설계의 적정성을 확인하고 진동의 크기를 예측하기 위한 시험발파를 실시한다. 그러나 종래에는 협소한 장소, 험준한 산악지대, 장애물이 많은 장소, 민가 및 가축들과 같은 보안물건이 근접한 장소 등에서는 시험 발파 자체를 실시하기가 난해하거나 불가능하였기에 발파진동 계측데이터 수집 역시 난해한 상황이 많았고, 시추공 시험 발파의 경우 발파공의 직경과 폭약의 직경의 차이가 매우 커서 측정한 발파진동 자체도 신뢰하기가 어려운 상황이 많다.

한국공개특허 제10-2008-0071271호 2008년 08월 04일 공개 (명칭: 단일공 파형 중첩모델링 자료에 의한 발파진동의 예측 방법)

본 발명의 목적은 인공지능 기술의 한 분야인 기계학습을 기초로 시험 발파 없이 발파 현장의 발파진동을 추정하기 위한 장치 및 이를 위한 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시 예에 따른 발파진동을 추정하기 위한 장치는 과거에 실시된 발파 작업 데이터를 기초로 기계학습을 수행하여 발파과정을 모사하여 발파진동을 추정하는 적어도 하나의 기계학습발파모델을 생성하는 기계학습발파모델생성부, 상기 기계학습발파모델을 이용하여 발파 대상 현장에서의 복수의 지발당장약량을 포함하는 폭약 특징 데이터와 이격거리를 포함하는 현장 특징 데이터 각각에 대응하는 복수의 발파진동의 크기를 추정하는 발파진동추정부 및 상기 추정된 복수의 발파진동의 크기와 이에 대응하는 복수의 지발당장약량과 이격거리를 기초로 회귀분석을 통해 발파 대상 현장에 상응하는 진동추정식을 도출하는 진동추정식도출부를 포함하는 것을 특징으로 한다.

또한 상기 발파 작업 데이터는 지발당장약량, 사용된 폭약의 종류 및 직경을 포함하는 폭약 특징 데이터와, 천공직경, 발파지점의 암종 및 암질, 발파지점과 계측지점간의 이격거리, 자유면의 수를 포함하는 현장 특징 데이터와, 발파진동의 크기를 포함하는 것을 특징으로 한다.

또한 상기 발파 작업 데이터는 지발당장약량, 사용된 폭약의 종류, 천공직경에서 폭약의 직경을 차감하여 산출되는 천공의 내벽과 폭약과의 간격을 나타내는 천공및폭약간간격, 발파지점의 암종 및 암질, 발파지점과 계측지점간의 이격거리, 자유면의 수 및 발파진동의 크기 중 적어도 하나를 포함하는 것을 특징으로 한다.

또한 상기 기계학습발파모델생성부는 레이블이 설정된 복수의 학습 데이터를 마련하고, 복수의 기계학습 예측모델을 준비하고, 상기 복수의 학습 데이터에서 추출된 서로 다른 복수의 데이터 샘플을 이용하여 복수의 예측모델의 원형에 대해 기계학습을 수행하여 도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 한다.

또한 상기 기계학습발파모델생성부는 레이블이 설정된 복수의 학습 데이터를 마련하고, 복수의 예측모델을 준비하고, 복수의 학습 데이터로부터 추출된 복수의 데이터 샘플을 대응하는 예측모델의 원형에 기계학습을 수행한 후, 복수의 학습 데이터를 기계학습이 완료된 예측모델의 원형에 입력하여 산출된 예측값이 오답인 데이터에 대하여 소정의 가중치를 곱하여 후속 학습 데이터를 재차 마련하는 과정을 순차적으로 복수회 반복하여 복수의 예측모델을 도출함으로써 도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 한다.

또한 상기 기계학습발파모델생성부는 레이블이 설정된 복수의 학습 데이터를 마련하고, 복수의 서로 다른 예측모델의 원형을 준비하고, 복수의 학습 데이터를 공통으로 이용하여 복수의 서로 다른 예측모델의 원형에 대해 기계학습을 수행하여 복수의 예측모델을 도출함으로써 도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 한다.

또한 상기 기계학습발파모델생성부는 인공신경망(ANN: Artificial Neural Networks), 결정 트리(Decision tree), 배깅(Bagging: Bootstrap Aggregating), 부스팅(Boosting) 및 보팅(Voting) 기법 중 적어도 하나를 이용하여 기계학습발파모델을 생성하는 것을 특징으로 한다.

본 발명의 바람직한 다른 실시 예에 따른 발파진동을 추정하기 위한 방법은 기계학습발파모델생성부가 과거에 실시된 발파 작업 데이터를 기초로 기계학습을 수행하여 발파 과정을 모사하여 발파진동을 추정하는 적어도 하나의 기계학습발파모델을 생성하는 단계, 발파진동추정부가 상기 기계학습발파모델을 이용하여 발파 대상 현장에서의 복수의 지발당장약량을 포함하는 폭약 특징 데이터와 이격거리를 포함하는 현장 특징 데이터 각각에 대응하는 복수의 발파진동의 크기를 추정하는 단계, 진동추정식도출부가 상기 추정된 복수의 발파진동의 크기와 이에 상응하는 복수의 지발당장약량과 이격거리를 기초로 회귀분석을 통해 발파 대상 현장에 상응하는 진동추정식을 도출하는 단계 및 최종발파진동예측부가 상기 도출된 진동추정식을 이용하여 상기 발파 대상 현장서의 지발당장약량 및 발파지점에서 임의의 지점까지의 거리에 따른 발파진동을 예측하는 단계를 포함하는 것을 특징으로 한다.

본 발명에 따르면, 기계학습을 통해 발파진동 예측모델을 생성하고, 예측모델에 발파 대상 현장의 발파조건을 입력하여 발파진동을 추정한 후, 이 결과를 이용하여 회귀분석을 수행하여 발파 현장의 특징에 상응하는 진동추정식 및 안전율이 보정된 최종 발파진동추정식을 구성한다. 이에 따라, 구성된 최종 발파진동추정식을 통해 실제로 발파를 하지 않고도 실제 발파 현장에서의 발파진동의 크기를 정밀하게 예측할 수 있다. 이에 따라, 발파 설계 및 시공을 위한 시간 및 비용을 절약할 수 있다.

도 1은 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 시험발파를 실시하여 발파진동을 계측하기 위한 장치의 설치 환경을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 인공신경망 알고리즘을 통해 발파진동을 추정하기 위한 기계학습발파모델을 설명하기 위한 도면이다.
도 4는 본 발명의 다른 실시예에 따른 배깅 기법을 통해 기계학습 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 다른 실시예에 따른 부스팅 기법을 통해 기계학습 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 보팅 기법을 통해 기계학습 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 방법을 설명하기 위한 흐름도이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 시험발파를 실시하여 발파진동을 계측하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 시험발파를 실시하여 발파진동을 계측하기 위한 장치의 설치 환경을 설명하기 위한 도면이다. 도 2는 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 장치의 구성을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 시험발파를 실시하여 발파진동을 계측하기 위한 장치(10, 이하, “계측장치”로 칭함)는 발파공(bh: blast hole)이 형성된 발파지점(bp: blast point)에 소정 양의 폭약을 장약하고 발파하였을 경우를 가정하면, 발파 시, 발파지점(bp)으로부터 소정 거리 이격된 계측지점(ms: measuring point)에서 측정되는 발파진동(V: Peak Particle Velocity (PPV): 지반진동속도)을 계측하기 위한 것이다.

도 2를 참조하면, 발파진동을 추정하기 위하여, 계측장치(10)는 기계학습발파모델생성부(100), 발파진동추정부(200), 진동추정식도출부(300) 및 최종발파진동예측부(400)를 포함한다.

기계학습발파모델생성부(100)는 과거에 실시된 발파에 대한 발파 작업 데이터를 분석하여 기계학습 모델을 생성한다. 즉, 기계학습발파모델생성부(100)는 도 1에 도시된 바와 같은 현장에서의 과거에 실제로 발파가 이루어지면, 해당 발파로 얻어지는 발파 작업 데이터를 수집하여 저장한다. 이러한 발파 작업 데이터는 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp)과 계측지점(ms)간의 이격거리(D), 자유면의 수(nf : 터널전단면 발파 및 상반발파=1, 터널하반발파 및 노천발파=2)를 포함하는 현장 특징 데이터와, 발파진동의 크기(V) 등을 포함한다. 여기서, 폭약의 직경(xd) 및 천공직경(hd)은 천공직경(hd)에서 폭약의 직경(xd)을 차감하여 천공의 내벽과 폭약과의 이격된 거리를 나타내는 ‘천공및폭약간간격’으로 대체할 수 있다.

기계학습발파모델생성부(100)는 발파 작업 데이터를 학습 데이터로 사용하여 기계학습(machine learning)을 수행하고 그 결과로 발파진동을 예측할 수 있는 적어도 하나의 기계학습발파모델(BM: Blast Model)을 생성한다. 여기서, 기계학습발파모델(BM)은 발파 과정을 모사하여 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터에 따른 발파진동 크기(V)를 추정하기 위한 것이다.

일 실시예에 따르면, 기계학습발파모델(BM)은 인공신경망(ANN: Artificial Neural Networks), 결정 트리(Decision tree) 등과 같은 특정 알고리즘을 직접 적용하여 도출할 수 있다. 다른 실시예에 따르면, 기계학습발파모델(BM)은 배깅(Bagging: Bootstrap Aggregating), 부스팅(Boosting) 및 보팅(Voting) 기법과 같은 앙상블(ensemble) 기법을 통해 도출될 수도 있다. 이러한 기계학습발파모델(BM)의 생성 방법은 아래에서 더 상세하게 설명될 것이다.

발파진동추정부(200)는 기계학습발파모델생성부(100)가 생성한 기계학습발파모델(BM)을 이용하여 발파를 수행하고자 하는 발파 대상현장에 대한 정보 및 사용하고자 하는 폭약에 대한 정보로부터 발파진동의 크기(V)를 추정한다. 즉, 발파진동추정부(200)는 기계학습발파모델(BM)을 통해 발파를 수행하고자 하는 발파 현장의 이격거리(D)를 포함하는 현장 특징 데이터와, 사용하고자 하는 폭약의 지발당장약량(W)을 포함하는 폭약 특징 데이터로부터 발파진동 크기(V)의 추정치를 도출한다.

보다 구체적으로, 발파진동추정부(200)는 시뮬레이션의 대상이 되는 발파 대상 현장 및 그 발파 현장에서 사용하고자 하는 폭약에 대한 정보를 기초로 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp)과 계측지점(ms) 간의 이격거리(D), 자유면의 수(nf : 터널전단면 발파 및 상반발파=1, 터널하반발파 및 노천발파=2)를 포함하는 현장 특징 데이터를 입력 데이터로 기계학습발파모델(BM)에 입력한다. 그러면, 기계학습발파모델(BM)은 입력 데이터에 대해 학습된 파라미터가 적용되는 복수의 연산을 수행하여 출력값, 즉, 발파진동의 크기(V)의 추정치를 산출할 것이다. 전술한 방법에 따라, 발파진동추정부(200)는 기계학습발파모델(BM)을 통해 상기 폭약 특징 데이터와 현장 특징 데이터중 적어도 하나의 값이 다른 복수의 입력 데이터 각각에 대응하는 복수의 발파진동의 크기(V)를 추정할 수 있다. 이렇게 해서 추정된 발파진동의 크기(V)는 실제 발파를 수행해서 산출된 종래의 발파진동의 크기(V)를 대체해서 활용하게 된다.

진동추정식도출부(300)는 기계학습발파모델(BM)을 통해 도출된 복수의 발파진동의 크기(V)와 각각의 발파진동의 크기(V)를 도출하기 위해 사용된 입력 데이터중 지발당장약량(W) 및 이격거리(D)만을 사용하여 회귀분석을 수행한다. 진동추정식도출부(300)는 다음의 수학식 1과 같은 회귀모형에서 회귀분석을 통해 K와 n값을 도출하게 되는데 예컨대, 수학식 2와 같이 발파지점(bp)에 대응하는 진동추정식을 도출할 수 있다.

수학식 1에서 V는 발파진동의 크기를 나타낸다. D는 발파지점(bp)과 계측지점(ms)간의 이격거리이고, W는 지발당장약량을 의미한다. K는 발파진동상수(입지상수)이고, n은 감쇠지수이고, b는 장약계수이다.

수학식 1 및 2를 참조하면, 진동추정식도출부(300)는 수학식 1과 같은 회귀모형에 복수의 분석 인자를 대입하여 복수의 연립방정식을 구성하고 복수의 연립방정식의 해를 구하여 수학식 2와 같은 진동추정식을 도출할 수 있다. 여기서, 분석 인자는 지발당장약량(W) 및 이격거리(D)와, 발파진동추정부(200)에 의해 산출된 지발당장약량(W) 및 이격거리(D)에 대응하는 발파진동의 크기(V)를 의미한다. 따라서 복수의 분석 인자(W, D, V)를 통해 복수의 연립방정식을 구성할 수 있다. 복수의 연립방정식이 구성되면, 복수의 연립방정식의 해를 통해 장약지수 b가 1/2 혹은 1/3일 때, 미지수인 발파진동상수 K 및 감쇠지수 n을 도출하여 수학식 2와 같은 진동추정식을 도출할 수 있다.

최종발파진동예측부(400)는 상기 진동추정식이 도출된 발파 대상 현장내 임의의 발파지점(bp)에서 발파가 이루어졌을 때 계측지점(ms)에서의 안전율이 포함된 최종적인 발파진동의 크기(V)를 예측하기 위한 것이다. 최종발파진동예측부(400)가 필요한 이유는 상기 진동추정식도출부(300)를 통해서 산출되는 발파진동의 크기는 50%의 신뢰도를 가진 추정식으로부터 계산된 값이므로 발파현장에서 보다 안전하게 적용하기 위해서는 50% 신뢰도보다 더 높은, 예를 들어, 95% 신뢰도를 가진 진동추정식으로 만들고 그로부터 산출되는 발파진동의 크기를 예측하기 위해서이며 이 과정은 현재에도 발파진동의 추정과정에서 일반적으로 적용되고 있는 방법이다. 즉, 발파진동추정부(200)에서 산출된 발파진동의 크기(V)는 폭약 특징 데이터와 현장 특징 데이터를 기계학습발파모델(BM)에 입력해서 산출된 안전율이 고려되지 않은 원래 상태의 발파진동의 크기(V)이지만, 최종발파진동예측부(400)에서 산출된 최종 발파진동의 크기는 진동추정식도출부(300)에 의해 도출된 진동추정식에 안전율을 포함시켜 보정한 진동추정식을 만들고, 이 보정된 진동추정식에 지발당장약량(W) 및 이격거리(D)를 입력시켜서 산출한 현장에서 적용할 수 있는 최종적인 발파진동의 크기이다.

따라서 사용자는 최종발파진동예측부(400)의 보정된 진동추정식에 발파지점(bp)에서 사용하고자 하는 지발당장약량(W) 및 이격거리(D)를 입력하여 발파지점(bp)에서 발파가 이루어졌을 때 임의의 지점(ms)에서의 최종적인 발파진동의 크기(V)를 산출할 수 있다.

다음으로, 본 발명의 일 실시예에 따른 발파진동을 추정하기 위한 기계학습발파모델을 설명하기로 한다. 도 3은 본 발명의 일 실시예에 따른 발파진동을 추정하기 위한 기계학습발파모델을 설명하기 위한 도면이다.

도 3에 본 발명의 일 실시예에 따른 기계학습발파모델(BM)의 일례로 인공신경망(ANN)을 도시하였다. 도시된 바와 같이, 인공신경망(ANN)은 복수의 계층을 포함한다. 이러한 복수의 계층은 입력층(IL: Input Layer), 은닉층(HL: Hidden Layer, HL1 내지 HLk) 및 출력층(OL: Output Layer)을 포함한다.

또한, 복수의 계층(IL, HL, OL) 각각은 하나 이상의 노드를 포함한다. 예컨대, 도시된 바와 같이, 입력층(IL)은 n개의 입력노드(i1 ~ in)를 포함하며, 출력층(OL)은 1개의 출력노드(v)를 포함할 수 있다. 또한, 은닉층(HL) 중 제1 은닉계층(HL1)은 a개의 노드(h11 ~ h1a)를 포함하고, 제2 은닉계층(HL2)은 b개의 노드(h21 ~ h2b)를 포함하고, 제k 은닉계층(HLk)은 c개의 노드(hk1 ~ hkc)를 포함할 수 있다.

그러면, 인공신경망(ANN)의 원형으로부터 기계학습발파모델(BM)을 생성하는 방법에 대해서 설명하기로 한다. 우선, 기계학습발파모델생성부(100)는 학습 데이터로 발파진동의 크기(V)가 알려진 입력 데이터를 마련한다. 발파진동의 크기(V)가 알려진 입력 데이터는 전술한 발파 작업 데이터로부터 얻을 수 있다. 학습 데이터는 발파 작업 데이터 중 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp)과 계측지점(ms)간의 이격거리(D), 자유면의 수(nf)를 포함하는 현장 특징 데이터와, 이에 대응하는 발파진동의 크기(V)를 포함한다. 학습 데이터가 마련되면, 기계학습발파모델생성부(100)는 학습 데이터의 입력 데이터에 대응하여 발파진동의 크기(V)를 레이블로 설정한다. 그런 다음, 기계학습발파모델생성부(100)는 입력 데이터를 입력특징벡터로 변환하고, 기계학습발파모델(BM)의 원형, 즉, 인공신경망의 원형에 입력한다. 그러면, 복수의 계층의 복수의 노드는 입력특징벡터에 대응하여 연산 결과에 가중치 및 임계치를 포함하는 인공신경망의 파라미터가 적용되어 다음 계층의 연산에 입력되는 연산을 수행하여 최종적으로 출력값을 산출한다. 즉, 인공신경망의 복수의 계층의 복수의 노드는 입력특징벡터에 대해 가중치 및 임계치를 포함하는 인공신경망의 파라미터가 적용되는 복수의 연산을 수행하여 최종적으로 출력값을 산출한다. 이러한 출력값은 발파진동의 크기(V)의 추정치이다.

일 실시예에 따르면, 발파진동의 크기(V)의 레이블 Li과 발파진동의 크기(V)의 추정치 V(i)와의 차이인 손실값을 구하는 손실함수는 다음의 수학식 3와 같다.

수학식 3에서, L1은 손실값이고, n은 학습용 데이터의 수이다. 또한, Li은 발파진동의 크기(V)에 대한 레이블이고, V(i)은 발파진동의 크기(V)의 추정치이다. 기계학습발파모델생성부(100)는 손실값 L1이 최소가 되도록 인공신경망의 원형, 즉, 기계학습발파모델(BM)의 원형의 파라미터(가중치 및 임계치)를 수정하는 최적화를 수행한다. 기계학습발파모델생성부(100)는 평가 지표를 통해 기계학습발파모델(BM)의 원형이 소정의 정확도에 도달할 때까지 복수의 서로 다른 학습 데이터를 이용하여 전술한 바와 같은 최적화를 반복하여 수행함으로써 기계학습발파모델(BM)을 생성한다.

다음으로, 본 발명의 다른 실시예에 따른 기계학습발파모델을 생성하는 방법에 대해서 설명하기로 한다. 도 4는 본 발명의 다른 실시예에 따른 배깅(Bagging: Bootstrap Aggregating) 기법을 통해 기계학습발파모델을 생성하는 방법을 설명하기 위한 도면이다.

도 4를 참조하면, 먼저, 기계학습발파모델생성부(100)는 복수의 학습 데이터(fd)를 마련한다. 이때, 각각의 학습데이터(fd)는 폭약 특징 데이터 및 현장 특징 데이터와 입력 데이터에 대응하는 레이블, 즉, 발파진동의 크기(V)가 하나로 이루어진 데이터를 의미한다.

그런 다음, 기계학습발파모델생성부(100)는 최초 입력된 복수개의 학습데이터(fd)에서 무작위로 선택하여(예컨대, {A, B, D, E}와 같이 크기 4의 표본) 구성된 복수의 데이터 샘플 (예컨대, sd1, sd1, sd3)를 마련한다.

이어서, 기계학습발파모델생성부(100)는 복수의 데이터 샘플 각각에 대응하는 복수의 예측모델(m1, m2, m3)의 원형을 준비한다. 도시된 바에 따르면, 제1 내지 제3 데이터 샘플(sd1, sd2, sd3) 각각에 대응하여 제1 내지 제3 예측모델(m1, m2, m3) 이 마련되었다. 예측모델은 인공신경망(ANN), 결정트리(Decision Tree) 등을 예시할 수 있다. 하지만, 본 발명을 이에 한정하는 것은 아니며, 기계학습이 적용될 수 있는 모두 종류의 모델은 본 발명의 예측모델이 될 수 있다.

이어서, 기계학습발파모델생성부(100)는 서로 다른 복수의 데이터 샘플 각각에 대응하는 예측모델에 입력하여 복수의 예측모델 각각으로부터 예측값을 얻는다. 즉, 기계학습발파모델생성부(100)가 제1 내지 제3 샘플(sd1, sd2, sd3) 각각을 대응하는 예측모델(m1, m2, m3)의 원형에 입력하여 제1 내지 제3 예측모델(m1, m2, m3) 각각으로부터 제1 내지 제3 예측값(P1, P2, P3)을 얻는다.

이어서, 기계학습발파모델생성부(100)는 제1 내지 제3 예측값(P1, P2, P3) 각각과 대응하는 레이블의 차이가 최소가 되도록 제1 내지 제3 예측모델(m1, m2, m3)의 원형 각각의 파라미터를 최적화하는 학습을 수행하여 제1 내지 제3 예측모델을 완성한다. 이로써, 복수의 예측모델을 포함하는 기계학습발파모델(BM)이 생성된다.

다음으로, 본 발명의 다른 실시예에 따른 기계학습발파모델을 생성하는 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 다른 실시예에 따른 부스팅(Boosting) 기법을 통해 기계학습발파모델을 생성하는 방법을 설명하기 위한 도면이다.

먼저, 기계학습발파모델생성부(100)는 최초 입력되는 복수개의 제1 학습데이터(fd1)을 마련한다. 이때, 각각의 제1 학습데이터(fd1)는 폭약 특징 데이터 및 현장 특징 데이터와 입력 데이터에 대응하는 레이블, 즉, 발파진동의 크기(V)가 하나로 이루어진 데이터를 의미한다.

다음으로, 도 5를 참조하면, 기계학습발파모델생성부(100)는 복수의 제1 학습 데이터(fd1)에서 소정 크기의 표본을 추출하는 샘플링을 수행하여 복수의 제1 데이터 샘플(sd1){B D E I}를 추출한다. 이어서, 기계학습발파모델생성부(100)는 하나의 제1 예측모델(m1)의 원형을 준비한다. 도시된 예에 따르면, 제1 예측모델(m1)의 원형이 마련되었다. 전술한 바와 같이, 예측모델은 인공신경망(ANN), 결정트리(Decision Tree) 등을 예시할 수 있고, 기계학습이 적용되는 모든 종류의 알고리즘이 예측모델이 될 수 있다.

그런 다음, 기계학습발파모델생성부(100)는 복수의 제1 데이터 샘플(sd1)을 제1 예측모델(m1)의 원형에 입력하여 도출되는 제1 예측값(P1)과 대응하는 레이블과의 차이가 최소가 되도록 제1 예측모델(m1)의 원형의 파라미터를 최적화하는 학습(training)을 수행하여 제1 예측모델(m1)을 완성한다.

이어서, 기계학습발파모델생성부(100)는 학습된 제1 예측모델(m1)의 타당성을 검증(validation)하기 위하여 복수의 제1 학습 데이터(fd1) 전체를 제1 예측모델(m1)에 입력하여 산출된 예측값(P1)과 이에 상응하는 레이블을 비교한다. 그런 다음, 기계학습발파모델생성부(100)는 산출된 예측값(P1)과 레이블이 동일한 경우의 정답 학습데이터{B D E I}는 제외하고 레이블과 상이한 오답학습데이터{A C F G H}가 차후 모델에서 다시 샘플링될 가능성을 높이도록 상기 오답학습데이터에 소정의 가중치를 곱하여 보정된 학습데이터{A‘ C’ F‘ G’ H‘}로 만든후, 제1 학습 데이터(fd1)에 있던 상응하는 데이터{A C F G H}와 교체시켜 제2 학습 데이터(fd2)를 생성한다.

그런 다음 기계학습발파모델생성부(100)는 제1 예측모델(m1)에서와 동일한 방법으로, 복수의 제2 학습 데이터(fd2)에서 소정 크기의 표본을 추출하는 샘플링을 수행하여 복수의 제2 데이터 샘플(sd2){A’E F’ H’}를 추출한다. 이어서, 기계학습발파모델생성부(100)는 하나의 제2 예측모델(m2)의 원형을 준비한다. 도시된 예에 따르면, 제2 예측모델(m2)의 원형이 마련되었다. 전술한 바와 같이, 예측모델은 인공신경망(ANN), 결정트리(Decision Tree) 등을 예시할 수 있고, 기계학습이 적용되는 모든 종류의 알고리즘이 예측모델이 될 수 있다.

그런 다음, 기계학습발파모델생성부(100)는 복수의 제2 데이터 샘플(sd2)를 제2 예측모델(m2)의 원형에 입력하여 도출되는 제2 예측값(P2)과 대응하는 레이블의 차이가 최소가 되도록 제2 예측모델(m2)의 원형의 파라미터를 최적화하는 학습(training)을 수행하여 제2 예측모델(m2)을 완성한다.

이어서, 기계학습발파모델생성부(100)는 학습된 제2 예측모델(m2)의 타당성을 검증(validation)하기 위하여 복수의 제2 학습 데이터(fd2) 전체를 제2 예측모델(m2)에 입력하여 산출된 예측값(P2)과 이에 상응하는 레이블을 비교한다. 그런 다음, 기계학습발파모델생성부(100)는 산출된 예측값(P2)이 레이블과 동일한 경우의 정답학습데이터{A’B D G’I}는 제외하고 레이블과 상이한 오답학습데이터{C’E F’H’}가 차후 모델에서 다시 샘플링될 가능성을 높이도록 상기 오답학습데이터에 소정의 가중치를 곱하여 보정된 학습데이터{C“ E’ F”H“}로 만든후 제2 학습 데이터(fd2)에 있던 상응하는 데이터{C’E F’H’}와 교체시켜 제3 학습 데이터(fd3)를 생성한다.

그런 다음, 기계학습발파모델생성부(100)는 상기 제1 예측모델(m1) 및 제2 예측모델(m2)에서 실시하였던 데이터 샘플 추출, 학습(training) 및 검증(validation)과정과 동일한 일련의 과정을 순차적으로 다수 반복한다.

이어서, 이러한 과정을 거쳐 확립된 기계학습발파모델생성부(100)에 새로운 데이터가 입력되면, 기계학습발파모델생성부(100)는 상기 각각의 예측모델(m1, m2, m3,...)을 통해 예측된 예측값(P1, P2, P3,...)과 각각의 예측모델(m1, m2, m3,...)에 상응하는 소정의 모델가중치(w1, w2, w3,...)를 곱하여 최종적인 결과값을 도출한다.

전술한 바와 같이, 기계학습발파모델생성부(100)는 복수의 데이터 샘플을 이용하여 예측모델의 원형에 대한 학습을 수행하여 예측모델을 완성하고, 완성된 예측모델에 대해 복수의 학습 데이터를 이용하여 검증을 수행하여, 오류가 있는 데이터 샘플은 차후 모델에서 샘플링될 가능성을 높이도록 가중치를 부여한 채 기존 데이터와 교체하여 새로운 학습 데이터를 만들고, 다시 복수의 샘플링된 데이터를 만들어 학습, 검증하는 과정을 순차적으로 다수 반복한다. 이렇게 해서 완성된 모델에 새로운 데이터가 입력되면, 각각의 예측모델에서 도출된 예측값과 각각의 예측모델마다 설정된 소정의 모델가중치를 곱하여 최종적인 결과값이 도출되는 것이다. 이로써, 복수의 예측모델을 포함하는 기계학습발파모델(BM)이 생성된다.

다음으로, 본 발명의 다른 실시예에 따른 기계학습발파모델을 생성하는 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 다른 실시예에 따른 보팅(Voting) 기법을 통해 기계학습발파모델을 생성하는 방법을 설명하기 위한 도면이다.

도 6을 참조하면, 기계학습발파모델생성부(100)는 먼저 복수의 학습 데이터(fd)를 마련한다. 이때, 각각의 학습데이터(fd)는 폭약 특징 데이터 및 현장 특징 데이터와 입력 데이터에 대응하는 레이블, 즉, 발파진동의 크기(V)가 하나로 이루어진 데이터를 의미한다.

이어서, 서로 다른 복수의 예측모델(ma, mb, mc)의 원형을 준비한다. 도시된 예에 따르면, 예측모델A, 예측모델B 및 예측모델C(ma, mb, mc)의 원형이 마련될 수 있다. 여기서, 서로 다른 복수의 예측모델(ma, mb, mc)이라함은 예컨대, 인공신경망, 결정트리(decision tree) 등과 같이 모델의 종류가 다르거나, CNN, RNN 등과 같이, 알고리즘의 종류가 다르거나, 예컨대, 계층, 노드와 같이 알고리즘의 구조가 다른 모델을 의미한다.

그런 다음, 기계학습발파모델생성부(100)는 복수의 예측모델(ma, mb, mc)의 원형 각각에 동일한 학습 데이터(fd)를 입력하여 복수의 예측모델(ma, mb, mc)의 원형 각각으로부터 예측값을 얻는다. 즉, 기계학습발파모델생성부(100)가 학습 데이터(fd)를 예측모델A, 예측모델B 및 예측모델C(ma, mb, mc)의 원형에 입력하여 예측모델A, 예측모델B 및 예측모델C(ma, mb, mc)의 원형 각각으로부터 제1 내지 제3 예측값(P1, P2, P3)을 얻는다.

이어서, 기계학습발파모델생성부(100)는 제1 내지 제3 예측값(P1, P2, P3) 각각과 대응하는 레이블의 차이가 최소가 되도록 예측모델A, 예측모델B 및 예측모델C(ma, mb, mc)의 원형 각각의 파라미터를 최적화하는 학습을 수행하여 예측모델A, 예측모델B 및 예측모델C(ma, mb, mc)를 완성한다. 이로써, 복수의 예측모델을 포함하는 기계학습발파모델(BM)이 생성된다.

다음으로, 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 기계학습을 기초로 발파 전 발파진동을 추정하기 위한 방법을 설명하기 위한 흐름도이다.

도 7을 참조하면, 기계학습발파모델생성부(100)는 S110 단계에서 발파 작업 데이터를 학습 데이터로 사용하여 기계학습(machine learning)을 수행함으로써 적어도 하나의 기계학습발파모델(BM: Blast Model by Machine learning)을 생성한다. 발파 작업 데이터는 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp) 및 계측지점(ms)간의 이격거리(D), 자유면의 수(nf)를 포함하는 현장 특징 데이터와, 발파진동의 크기(V) 등을 포함한다. 이러한 발파 작업 데이터는 도 1에 도시된 바와 같은 현장에서 과거에 실제로 발파가 이루어지면, 해당 발파로 얻어지는 데이터를 수집한 것이다.

일 실시예에 따르면, 인공신경망(ANN)의 원형으로부터 기계학습발파모델(BM)을 생성할 수 있다. 도 3을 참조로 설명된 바와 같이, 기계학습발파모델생성부(100)는 인공신경망(ANN)의 원형을 준비한다. 그런 다음, 기계학습발파모델생성부(100)는 레이블이 설정된 복수의 학습 데이터(fd)를 마련한다. 학습 데이터는 발파 작업 데이터 중 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp) 및 계측지점(ms)간의 이격거리(D), 자유면의 수(nf)를 포함하는 현장 특징 데이터와, 이에 대응하는 레이블로 발파진동의 크기(V)를 포함한다. 다음으로, 기계학습발파모델생성부(100)는 복수의 학습 데이터(fd)를 이용하여 인공신경망(ANN)의 원형에 대해 기계학습을 수행하여 기계학습발파모델(BM)을 생성할 수 있다.

다른 실시예에 따르면, 배깅(Bagging) 기법을 통해 복수의 예측모델의 원형으로부터 기계학습발파모델(BM)을 생성할 수 있다. 도 4를 참조로 설명된 바와 같이, 기계학습발파모델생성부(100)는 레이블이 설정된 복수의 학습 데이터(fd)를 마련한다. 이어서, 기계학습발파모델생성부(100)는 복수의 예측모델(m1, m2, m3)을 준비한다. 그런 다음, 기계학습발파모델생성부(100)는 복수의 학습 데이터(fd)에서 추출된 서로 다른 복수의 데이터 샘플(sd1, sd2, sd3)를 이용하여 복수의 예측모델(m1, m2, m3)의 원형에 대해 기계학습을 수행하여 복수의 예측모델(m1, m2, m3)을 도출함으로써 복수의 예측모델(m1, m2, m3)을 포함하는 기계학습발파모델(BM)을 생성할 수 있다.

다른 실시예에 따르면, 부스팅(Boosting) 기법을 통해 복수의 예측모델의 원형으로부터 기계학습발파모델(BM)을 생성할 수 있다. 도 5를 참조로 설명된 바와 같이, 기계학습발파모델생성부(100)는 레이블이 설정된 복수의 제1 학습 데이터(fd1)를 마련한다. 그런 다음 기계학습발파모델생성부(100)는 복수의 제1 학습 데이터(fd1)에서 소정 크기의 표본을 추출하는 샘플링을 수행하여 복수의 제1 데이터 샘플(sd1)을 추출한다. 이어서, 기계학습발파모델생성부(100)는 하나의 제1 예측모델(m1)의 원형을 준비한다. 그런 다음, 기계학습발파모델생성부(100)는 복수의 제1 데이터 샘플(sd1)을 제1 예측모델(m1)의 원형에 입력하여 학습(training)을 수행하여 제1 예측모델(m1)을 완성한다. 이어서, 기계학습발파모델생성부(100)는 복수의 제1 학습 데이터(fd1) 전체를 학습된 제1 예측모델(m1)에 입력하여 산출된 예측값(P1)과 이에 상응하는 레이블을 비교하여 레이블과 상이한 오답학습데이터에 소정의 가중치를 곱한후 이전 데이터와 교체시켜 제2 학습 데이터(fd2)를 생성한다. 이러한 과정을 순차적으로 반복 수행하여 최종적인 기계학습발파모델(BM)을 생성할 수 있다.

다른 실시예에 따르면, 복수의 서로 다른 예측모델(ma, mb, mc)을 포함하는 기계학습발파모델을 생성할 수 있다. 도 6을 참조로 설명된 바와 같이, 기계학습발파모델생성부(100)는 레이블이 설정된 복수의 학습 데이터(fd)를 마련한다. 이어서, 기계학습발파모델생성부(100)는 복수의 서로 다른 예측모델(ma, mb, mc)의 원형을 준비한다. 그런 다음, 기계학습발파모델생성부(100)는 복수의 학습 데이터(fd)를 공통으로 이용하여 복수의 서로 다른 예측모델(ma, mb, mc)의 원형에 대해 기계학습을 수행하여 복수의 예측모델(ma, mb, mc)을 도출함으로써 복수의 예측모델(ma, mb, mc)을 포함하는 기계학습발파모델(BM)을 생성할 수 있다. 전술한 기계학습발파모델(BM)은 발파 과정을 모사하여 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터에 따른 발파진동 크기(V)를 추정하기 위한 것이다.

이에 따라, 발파진동추정부(200)는 S120 단계에서 기계학습발파모델생성부(100)가 생성한 기계학습발파모델(BM)을 통해 발파를 수행하고자 하는 발파 현장의 이격거리(D)를 포함하는 현장 특징 데이터와, 사용하고자 하는 폭약의 지발당장약량(W)을 포함하는 폭약 특징 데이터로부터 발파진동 크기(V)의 추정치를 도출한다. 현장 특징 데이터는 시뮬레이션의 대상이 되는 발파 현장의 특징을 나타내며, 폭약 특징 데이터는 그 발파 현장에서 사용하고자 하는 폭약의 특징을 나타낸다. 현장 특징 데이터는 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp)과 계측지점(ms) 간의 이격거리(D), 자유면의 수(nf: 터널전단면 발파 및 상반발파=1, 터널하반발파 및 노천발파=2)를 포함하며, 폭약 특징 데이터는 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함한다.

발파진동추정부(200)는 현장 특징 데이터 및 폭약 특징 데이터를 입력 데이터로 기계학습발파모델(BM)에 입력한다. 그러면, 기계학습발파모델(BM)은 입력 데이터에 대해 학습된 파라미터가 적용되는 복수의 연산을 수행하여 출력값, 즉, 발파진동의 크기(V)의 추정치를 산출할 수 있다.

일 실시예에 따르면, 도 3을 참조로 설명된 인공신경망(ANN)의 원형으로부터 생성된 기계학습발파모델(BM)은 지발당장약량(W), 사용된 폭약의 종류(ex) 및 직경(xd)을 포함하는 폭약 특징 데이터와, 천공직경(hd), 발파지점의 암종(rk, 암석의 종류) 및 암질(rq), 발파지점(bp)과 계측지점(ms)간의 이격거리(D), 자유면의 수(nf)를 포함하는 현장 특징 데이터를 포함하는 입력 데이터를 입력받고 가중치가 적용되는 복수의 계층의 복수의 연산을 수행하여 발파진동의 크기(V)의 추정치를 산출할 수 있다.

다른 실시예에 따르면, 도 4를 참조로 설명된 바와 같이. 배깅(Bagging) 기법을 통해 생성된 서로 다른 복수의 예측모델을 포함하는 기계학습발파모델(BM)은 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터가 입력되면, 복수의 예측모델(m1, m2, m3)이 발파진동의 크기(V)를 산출하고, 복수의 예측모델(m1, m2, m3)이 산출한 발파진동의 크기(V)의 평균 또는 최빈값을 발파진동의 크기(V)의 추정치로 도출한다.

다른 실시예에 따르면, 도 5를 참조로 설명된 바와 같이, 부스팅(Boosting) 기법을 통해 생성된 서로 다른 복수의 예측모델을 포함하는 기계학습발파모델(BM)은 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터가 입력되면, 복수의 예측모델(m1, m2, m3)이 발파진동의 크기(V)를 산출하고, 복수의 예측모델(m1, m2, m3)이 산출한 예측값과 모델가중치를 곱하여 최종적인 발파진동의 크기(V)의 추정치로 도출한다.

다른 실시예에 따르면, 도 6을 참조로 설명된 바와 같이, 보팅(Voting) 기법을 통해 생성된 복수의 서로 다른 예측모델을 포함하는 기계학습발파모델은 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터가 입력되면, 복수의 예측모델(m1, m2, m3)이 발파진동의 크기(V)를 산출하고, 보팅(Voting) 기법에 따라 서로 다른 복수의 예측모델(ma, mb, mc)이 산출한 발파진동의 크기(V) 중 동일한 발파진동의 크기(V)가 가장 많은 발파진동의 크기(V)를 발파진동의 크기(V)의 추정치로 도출한다. 전술한 방법으로 발파진동추정부(200)는 기계학습발파모델(BM)을 통해 발파 대상 현장에서의 복수의 지발당장약량(W)을 포함하는 폭약 특징 데이터와 이격거리(D)를 포함하는 현장 특징 데이터가 입력되면 각각에 대응하는 복수의 발파진동의 크기(V)의 추정치를 도출할 수 있다.

진동추정식도출부(300)는 S130 단계에서 도출된 복수의 발파진동의 크기(V)와 이에 상응하는 지발당장약량(W) 및 이격거리(D)를 분석 인자로 사용하여 회귀분석을 수행하여 회귀모형으로부터 발파 대상 현장에서 사용가능한 진동추정식을 도출할 수 있다. 따라서 복수의 분석 인자(W, D, V)를 통해 복수의 연립방정식을 구성할 수 있다. 복수의 연립방정식이 구성되면, 복수의 연립방정식의 해를 통해 장약지수 b가 1/2 혹은 1/3일 때, 미지수인 발파진동상수 K 및 감쇠지수 n을 도출하여 수학식 2와 같은 진동추정식을 도출할 수 있다.

예컨대, 진동추정식도출부(300)는 장약지수 b=1/2이라고 가정할 때, 수학식 1의 회귀모형에 복수(i개)의 분석 인자 V1~Vi, D1~Di, W1~Wi를 대입하여 다음의 수학식 4와 같이 연립방정식을 구성한다.

그런 다음, 예컨대, 연립방정식의 해 K=44.613 및 n=1.277을 구하여 수학식 5과 같은 진동추정식을 도출할 수 있다.

최종발파진동예측부(400)는 S140 단계에서 진동추정식을 통해 발파 대상 현장에서 발파가 이루어졌다고 가정했을 때 계측지점(ms)에서의 발파진동의 크기(V)를 예측한다. 즉, 최종발파진동예측부(400)는 발파 대상 현장에서 발파가 이루어졌다고 가정했을 때 지발당장약량(W) 및 발파지점(bp)과 임의의 지점(ms)간의 이격거리(D)를 진동추정식에 입력하여 계측지점(ms)에서의 발파진동의 크기(V)를 산출할 수 있다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

10: 계측장치
100: 기계학습발파모델생성부
200: 발파진동추정부
300: 진동추정식도출부
400: 최종발파진동예측부

Claims (8)

1. 발파진동을 추정하기 위한 장치에 있어서,
   과거에 실시된 발파 작업 데이터를 기초로 기계학습을 수행하여 발파과정을 모사하여 발파진동을 추정하는 적어도 하나의 기계학습발파모델을 생성하는 기계학습발파모델생성부;
   상기 기계학습발파모델을 이용하여 발파 대상 현장에서의 복수의 지발당장약량을 포함하는 폭약 특징 데이터와 이격거리를 포함하는 현장 특징 데이터 각각에 대응하는 복수의 발파진동의 크기를 추정하는 발파진동추정부; 및
   상기 추정된 복수의 발파진동의 크기와 이에 대응하는 복수의 지발당장약량과 이격거리를 기초로 회귀분석을 통해 발파 대상 현장에 상응하는 진동추정식을 도출하는 진동추정식도출부;
   를 포함하며,
   상기 기계학습발파모델생성부는
   레이블이 설정된 복수의 학습 데이터를 마련하고,
   복수의 예측모델을 준비하고,
   복수의 학습 데이터로부터 추출된 복수의 데이터 샘플을 대응하는 예측모델의 원형에 기계학습을 수행한 후,
   복수의 학습 데이터를 기계학습이 완료된 예측모델의 원형에 입력하고,
   산출된 예측값이 오답인 데이터에 대하여 소정의 가중치를 곱하여 후속 학습 데이터를 재차 마련하는 과정을 순차적으로 복수회 반복하여
   복수의 예측모델을 도출함으로써
   도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
2. 제1항에 있어서,
   상기 발파 작업 데이터는
   지발당장약량, 사용된 폭약의 종류 및 직경을 포함하는 폭약 특징 데이터와, 천공직경, 발파지점의 암종 및 암질, 발파지점과 계측지점간의 이격거리, 자유면의 수를 포함하는 현장 특징 데이터와, 발파진동의 크기를 포함하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
3. 제1항에 있어서,
   상기 발파 작업 데이터는
   지발당장약량, 사용된 폭약의 종류, 천공직경에서 폭약의 직경을 차감하여 산출되는 천공의 내벽과 폭약과의 간격을 나타내는 천공및폭약간간격, 발파지점의 암종 및 암질, 발파지점과 계측지점간의 이격거리, 자유면의 수 및 발파진동의 크기 중 적어도 하나를 포함하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
4. 제1항에 있어서,
   상기 기계학습발파모델생성부는
   레이블이 설정된 복수의 학습 데이터를 마련하고,
   복수의 기계학습 예측모델을 준비하고,
   상기 복수의 학습 데이터에서 추출된 서로 다른 복수의 데이터 샘플을 이용하여 복수의 예측모델의 원형에 대해 기계학습을 수행하여
   도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
5. 삭제
6. 제1항에 있어서,
   상기 기계학습발파모델생성부는
   레이블이 설정된 복수의 학습 데이터를 마련하고,
   복수의 서로 다른 예측모델의 원형을 준비하고,
   복수의 학습 데이터를 공통으로 이용하여 복수의 서로 다른 예측모델의 원형에 대해 기계학습을 수행하여
   복수의 예측모델을 도출함으로써
   도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
7. 제1항에 있어서,
   상기 기계학습발파모델생성부는
   인공신경망(ANN: Artificial Neural Networks), 결정 트리(Decision tree), 배깅(Bagging: Bootstrap Aggregating), 부스팅(Boosting) 및 보팅(Voting) 기법 중 적어도 하나를 이용하여 기계학습발파모델을 생성하는 것을 특징으로 하는
   발파진동을 추정하기 위한 장치.
8. 발파진동을 추정하기 위한 방법에 있어서,
   기계학습발파모델생성부가 과거에 실시된 발파 작업 데이터를 기초로 기계학습을 수행하여 발파 과정을 모사하여 발파진동을 추정하는 적어도 하나의 기계학습발파모델을 생성하는 단계;
   발파진동추정부가 상기 기계학습발파모델을 이용하여 발파 대상 현장에서의 복수의 지발당장약량을 포함하는 폭약 특징 데이터와 이격거리를 포함하는 현장 특징 데이터 각각에 대응하는 복수의 발파진동의 크기를 추정하는 단계;
   진동추정식도출부가 상기 추정된 복수의 발파진동의 크기와 이에 상응하는 복수의 지발당장약량과 이격거리를 기초로 회귀분석을 통해 발파 대상 현장에 상응하는 진동추정식을 도출하는 단계; 및
   최종발파진동예측부가 상기 도출된 진동추정식을 이용하여 상기 발파 대상 현장에서의 지발당장약량 및 발파지점에서 임의의 지점까지의 거리에 따른 발파진동을 예측하는 단계;
   를 포함하며,
   상기 기계학습발파모델을 생성하는 단계는
   상기 기계학습발파모델생성부가 레이블이 설정된 복수의 학습 데이터를 마련하는 단계;
   상기 기계학습발파모델생성부가 복수의 예측모델을 준비하는 단계;
   상기 기계학습발파모델생성부가 복수의 학습 데이터로부터 추출된 복수의 데이터 샘플을 대응하는 예측모델의 원형에 기계학습을 수행하는 단계;
   상기 기계학습발파모델생성부가 복수의 학습 데이터를 기계학습이 완료된 예측모델의 원형에 입력하고,
   산출된 예측값이 오답인 데이터에 대하여 소정의 가중치를 곱하여 후속 학습 데이터를 재차 마련하는 과정을 순차적으로 복수회 반복하여
   복수의 예측모델을 도출함으로써
   도출된 복수의 예측모델을 포함하는 기계학습발파모델을 생성하는 단계;
   를 포함하는 것을 특징으로 하는
   발파진동을 추정하기 위한 방법.

Images