KR20220019410A - Apparatus and method for estimating blast vibration before blasting based on machine learning - Google Patents

Apparatus and method for estimating blast vibration before blasting based on machine learning Download PDF

Info

Publication number
KR20220019410A
KR20220019410A KR1020200099789A KR20200099789A KR20220019410A KR 20220019410 A KR20220019410 A KR 20220019410A KR 1020200099789 A KR1020200099789 A KR 1020200099789A KR 20200099789 A KR20200099789 A KR 20200099789A KR 20220019410 A KR20220019410 A KR 20220019410A
Authority
KR
South Korea
Prior art keywords
blasting
machine learning
vibration
model
estimating
Prior art date
Application number
KR1020200099789A
Other languages
Korean (ko)
Other versions
KR102564317B1 (en
Inventor
김양균
Original Assignee
김양균
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 김양균 filed Critical 김양균
Priority to KR1020200099789A priority Critical patent/KR102564317B1/en
Publication of KR20220019410A publication Critical patent/KR20220019410A/en
Application granted granted Critical
Publication of KR102564317B1 publication Critical patent/KR102564317B1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42D—BLASTING
    • F42D99/00—Subject matter not provided for in other groups in this subclass
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42D—BLASTING
    • F42D3/00—Particular applications of blasting techniques
    • F42D3/04—Particular applications of blasting techniques for rock blasting
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42D—BLASTING
    • F42D5/00—Safety arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/02—Generating seismic energy
    • G01V1/104—Generating seismic energy using explosive charges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Geology (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to an apparatus for estimating a blasting vibration before blasting based on machine learning and a method therefor. The apparatus for estimating the blasting vibration of the present invention comprises: a machine learning blasting model generation unit for generating at least one machine learning blasting model for estimating the blasting vibration by simulating a blasting process by performing the machine learning based on blasting work data performed in the past; a blasting vibration estimation unit for estimating a magnitude of a plurality of blasting vibrations corresponding to explosives characteristic data including a plurality of charge weights per delay at a blasting target site and field characteristic data including a separation distance, respectively, by using the machine learning blasting model; and a vibration estimation formula derivation unit for deriving a vibration estimation formula corresponding to the blasting target site through regression analysis based on the estimated magnitude of the plurality of blasting vibrations and the corresponding plurality of charge weights per delay and distances. According to the present invention, the magnitude of the blasting vibration in an actual blasting site can be accurately predicted.

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}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. The present invention relates to a technique for estimating the blasting vibration, and more particularly, to an apparatus for estimating the blasting vibration before blasting based on machine learning and a method therefor.

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. Blasting, which is the most economical means of excavating rock, is designed in consideration of the excavated rock and topographical characteristics, and the location and type of security items, and the drilling method and loading conditions are designed through sufficient review of each of these conditions. It is necessary to ensure safe construction while maximizing blasting efficiency.

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. Since blasting vibration, which is inevitably generated during blasting, can cause damage to surrounding security items, test blasting is performed to check the adequacy of the blasting design in advance and predict the magnitude of the blasting at the blasting construction site. However, in the past, it was difficult or impossible to conduct the test blasting itself in a narrow place, a rugged mountainous area, a place with many obstacles, and a place close to security items such as private houses and livestock. In the case of blasting in borehole test, the difference between the diameter of the blast hole and the diameter of the explosive is very large, so the measured blast vibration itself is often difficult to trust.

한국공개특허 제10-2008-0071271호 2008년 08월 04일 공개 (명칭: 단일공 파형 중첩모델링 자료에 의한 발파진동의 예측 방법)Publication of Korean Patent Application Laid-Open No. 10-2008-0071271 on August 04, 2008 (Title: Method of Predicting Blasting Vibration by Single Hole Waveform Overlap Modeling Data)

본 발명의 목적은 인공지능 기술의 한 분야인 기계학습을 기초로 시험 발파 없이 발파 현장의 발파진동을 추정하기 위한 장치 및 이를 위한 방법을 제공함에 있다. An object of the present invention is to provide an apparatus for estimating the blasting vibration of a blasting site without test blasting based on machine learning, which is a field of artificial intelligence technology, and a method therefor.

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.An apparatus for estimating blasting vibration according to a preferred embodiment of the present invention for achieving the above object performs machine learning based on the blasting operation data performed in the past to simulate the blasting process to estimate the blasting vibration. A machine learning blasting model generating unit for generating at least one machine learning blasting model, using the machine learning blasting model, explosive characteristic data including a plurality of doses per blast at a blasting target site, and field characteristic data including a separation distance A blasting vibration estimation unit for estimating the magnitude of a plurality of blasting vibrations corresponding to each, and a regression analysis based on the estimated magnitudes of the plurality of blasting vibrations and the corresponding plurality of blasting vibrations and distances. It is characterized in that it includes a vibration estimation formula derivation unit for deriving a corresponding vibration estimation formula.

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.In addition, the blasting operation data includes explosives characteristic data including the amount of drug per blast, the type and diameter of the used explosive, the diameter of the drilling, the type and quality of the rock at the blasting point, the separation distance between the blasting point and the measurement point, and the number of free surfaces. It is characterized in that it includes the field characteristic data and the magnitude of the blasting vibration.

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.In addition, the blasting operation data includes the amount of explosive per blast, the type of explosive used, the drilling and explosive interval indicating the distance between the inner wall of the hole and the explosive, which is calculated by subtracting the diameter of the explosive from the diameter of the drilling, carcinoma and rock quality of the blasting point; It is characterized in that it includes at least one of the separation distance between the blasting point and the measurement point, the number of free surfaces, and the magnitude of the blasting vibration.

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.In addition, the machine learning blasting model generation unit prepares a plurality of training data with labels set, prepares a plurality of machine learning prediction models, and uses a plurality of different data samples extracted from the plurality of training data to provide a plurality of predictive models It is characterized in that it generates a machine learning blasting model including a plurality of prediction models derived by performing machine learning on the prototype of .

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.In addition, the machine learning blasting model generation unit prepares a plurality of training data with labels set, prepares a plurality of predictive models, and performs machine learning on a prototype of a predictive model corresponding to a plurality of data samples extracted from a plurality of learning data After that, the process of inputting a plurality of learning data into the prototype of the predictive model on which machine learning has been completed and multiplying the data whose predicted value is an incorrect answer by a predetermined weight to prepare subsequent learning data again is sequentially repeated a plurality of times to obtain a plurality of It is characterized by generating a machine learning blasting model including a plurality of predictive models derived by deriving a predictive model.

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.In addition, the machine learning blasting model generation unit prepares a plurality of training data with labels set, prepares prototypes of a plurality of different prediction models, and uses the plurality of training data in common for prototypes of a plurality of different prediction models It is characterized by generating a machine learning blasting model including a plurality of predictive models derived by deriving a plurality of predictive models by performing machine learning.

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.In addition, the machine learning blasting model generator uses at least one of Artificial Neural Networks (ANN), Decision tree, Bagging: Bootstrap Aggregating, Boosting, and Voting. It is characterized by generating a learning blasting model.

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.The method for estimating blasting vibration according to another preferred embodiment of the present invention is at least one of estimating the blasting vibration by simulating the blasting process by performing machine learning based on the blasting operation data performed in the past by the machine learning blasting model generator. generating a machine learning blasting model of the blasting vibration estimation unit using the machine learning blasting model to correspond to each of the explosives characteristic data including a plurality of doses per blast at the blasting target site and the field characteristic data including the separation distance estimating the magnitudes of a plurality of blasting vibrations, the vibration estimation equation derivation unit corresponds to the blasting target site through regression analysis based on the estimated magnitudes of the plurality of blasting vibrations and the corresponding plurality of blasting vibrations and distances and the final blasting vibration predicting unit predicting the blasting vibration according to the amount of dose per delay at the blasting target site and the distance from the blasting point to an arbitrary point using the derived vibration estimation formula It is characterized in that it includes.

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. According to the present invention, a blasting vibration prediction model is generated through machine learning, the blasting vibration is estimated by inputting the blasting conditions of the blasting target site to the prediction model, and then a regression analysis is performed using the result to perform a regression analysis on the characteristics of the blasting site. Construct the final blasting vibration estimation formula with the corresponding vibration estimation formula and safety factor corrected. Accordingly, it is possible to accurately predict the magnitude of the blasting vibration at the actual blasting site without actually blasting through the constructed final blasting vibration estimation equation. Accordingly, it is possible to save time and cost for blasting design and construction.

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. 1 is a view for explaining an installation environment of a device for measuring blast vibration by performing test blasting before blasting based on machine learning according to an embodiment of the present invention.
2 is a diagram for explaining the configuration of an apparatus for estimating blasting vibration before blasting based on machine learning according to an embodiment of the present invention.
3 is a diagram for explaining a machine learning blasting model for estimating blasting vibration through an artificial neural network algorithm according to an embodiment of the present invention.
4 is a diagram for explaining a method of generating a machine learning model through a bagging technique according to another embodiment of the present invention.
5 is a diagram for explaining a method of generating a machine learning model through a boosting technique according to another embodiment of the present invention.
6 is a diagram for explaining a method of generating a machine learning model through a voting technique according to another embodiment of the present invention.
7 is a flowchart for explaining a method for estimating blasting vibration before blasting based on machine learning according to an embodiment of the present invention.

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. Prior to the detailed description of the present invention, the terms or words used in the present specification and claims described below should not be construed as being limited to their ordinary or dictionary meanings, and the inventors should develop their own inventions in the best way. It should be interpreted as meaning and concept consistent with the technical idea of the present invention based on the principle that it can be appropriately defined as a concept of a term for explanation. Therefore, the embodiments described in the present specification and the configurations shown in the drawings are only the most preferred embodiments of the present invention, and do not represent all the technical spirit of the present invention, so various equivalents that can be substituted for them at the time of the present application It should be understood that there may be water and variations.

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. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In this case, it should be noted that in the accompanying drawings, the same components are denoted by the same reference numerals as much as possible. In addition, detailed descriptions of well-known functions and configurations that may obscure the gist of the present invention will be omitted. For the same reason, some components are exaggerated, omitted, or schematically illustrated in the accompanying drawings, and the size of each component does not fully reflect the actual size.

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. First, an apparatus for measuring blast vibration by performing test blasting before blasting based on machine learning according to an embodiment of the present invention will be described. 1 is a view for explaining an installation environment of an apparatus for measuring blast vibration by performing a test blasting before blasting based on machine learning according to an embodiment of the present invention. 2 is a diagram for explaining the configuration of an apparatus for estimating blasting vibration before blasting based on machine learning according to an embodiment of the present invention.

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. 1, the device (10, hereinafter, referred to as “measuring device”) for measuring blast vibration by performing test blasting before blasting based on machine learning according to an embodiment of the present invention is a blast hole (bh: blast Assuming that a predetermined amount of explosive is charged and blasted at the blast point (bp) where the hole is formed, when blasting, it is measured at a measuring point (ms: measuring point) spaced a predetermined distance from the blast point (bp). It is to measure the blasting vibration (V: Peak Particle Velocity (PPV): ground vibration velocity).

도 2를 참조하면, 발파진동을 추정하기 위하여, 계측장치(10)는 기계학습발파모델생성부(100), 발파진동추정부(200), 진동추정식도출부(300) 및 최종발파진동예측부(400)를 포함한다. Referring to FIG. 2 , in order to estimate the blasting vibration, the measuring device 10 includes a machine learning blasting model generator 100 , a blasting vibration estimation unit 200 , a vibration estimation formula derivation unit 300 , and a final blasting vibration prediction part 400 .

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. The machine learning blasting model generation unit 100 generates a machine learning model by analyzing blasting work data for blasting performed in the past. That is, the machine learning blasting model generation unit 100 collects and stores the blasting operation data obtained by the blasting when blasting is actually made in the past in the field as shown in FIG. 1 . These blasting operation data include explosive characteristic data including the amount of drug per blast (W), the type of explosive used (ex), and the diameter (xd), the drilling diameter (hd), the carcinoma of the blasting point (rk, the type of rock) and rock quality (rq), the separation distance (D) between the blasting point (bp) and the measurement point (ms), the number of free surfaces (nf: tunnel shear blasting and upper rebound blasting = 1, tunnel lower repulsion blasting and open air blasting = 2) It includes the field characteristic data including, and the magnitude (V) of the blasting vibration. Here, the diameter (xd) of the explosive and the diameter of the perforation (hd) are 'interval between perforations and explosives' indicating the distance between the inner wall of the perforation and the explosive by subtracting the diameter (xd) of the explosive from the perforation diameter (hd). can be replaced

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. The machine learning blasting model generation unit 100 performs machine learning using the blasting work data as learning data, and as a result, at least one machine learning blasting model (BM: Blast Model) capable of predicting blasting vibration create Here, the machine learning blasting model (BM) simulates the blasting process to estimate the blasting vibration magnitude (V) according to the explosive characteristic data including the amount of charge per delay (W) and the field characteristic data including the separation distance (D) it is for

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. According to an embodiment, the machine learning blasting model (BM) may be derived by directly applying a specific algorithm such as an artificial neural network (ANN), a decision tree, or the like. According to another embodiment, the machine learning blasting model (BM) may be derived through an ensemble technique such as a bagging (Bootstrap Aggregating), a boosting (Boosting), and a voting (Voting) technique. A method of generating such a machine learning blasting model (BM) will be described in more detail below.

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. The blasting vibration estimation unit 200 uses the machine learning blasting model (BM) generated by the machine learning blasting model generation unit 100 to perform blasting by using the information on the blasting target site and the information on the explosive to be used. Estimate the magnitude (V) of the blasting vibration. That is, the blasting vibration estimation unit 200 includes the field characteristic data including the separation distance (D) of the blasting site to be blasted through the machine learning blasting model (BM), and the amount of charge per delay of the explosive to be used (W ), an estimate of the blast vibration magnitude (V) is derived from the explosive characteristic data including

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. More specifically, the blasting vibration estimation unit 200 determines the amount of the blasting agent used per delay (W), the type of explosives used (ex) And explosive characteristic data including diameter (xd), drilling diameter (hd), carcinoma of the blasting point (rk, type of rock) and rock quality (rq), the separation distance between the blasting point (bp) and the measurement point (ms) (D), the field feature data including the number of free surfaces (nf: tunnel front blasting and upper repulsion = 1, tunnel lower repulsion and open-air blasting = 2) are input to the machine learning blasting model (BM) as input data. . Then, the machine learning blasting model (BM) will calculate an output value, that is, an estimate of the magnitude (V) of the blasting vibration by performing a plurality of calculations to which the learned parameters are applied to the input data. According to the above-described method, the blasting vibration estimation unit 200 is a plurality of blasting vibrations corresponding to each of a plurality of input data having different values of at least one of the explosive characteristic data and the field characteristic data through the machine learning blasting model (BM). The magnitude (V) of can be estimated. The magnitude (V) of the blasting vibration estimated in this way is used by replacing the magnitude (V) of the conventional blasting vibration calculated by performing the actual blasting.

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. Vibration estimation formula derivation unit 300 is a delay immediately among the input data used to derive the magnitude (V) of a plurality of blasting vibrations derived through the machine learning blasting model (BM) and the magnitude (V) of each blasting vibration A regression analysis is performed using only the dose (W) and the separation distance (D). The vibration estimation formula derivation unit 300 derives K and n values through regression analysis from the regression model as in Equation 1 below. For example, the vibration estimation formula corresponding to the blasting point (bp) as in Equation 2 can be derived

Figure pat00001
Figure pat00001

Figure pat00002
Figure pat00002

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. In Equation 1, V represents the magnitude of the blasting vibration. D is the separation distance between the blasting point (bp) and the measurement point (ms), and W means the amount of drug per delay. K is the blasting vibration constant (location constant), n is the damping index, and b is the charge coefficient.

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. Referring to Equations 1 and 2, the vibration estimation equation deriving unit 300 constructs a plurality of simultaneous equations by substituting a plurality of analysis factors into the regression model as in Equation 1, and obtains solutions of the plurality of simultaneous equations to obtain the equation The vibration estimation equation as shown in 2 can be derived. Here, the analysis factors are the amount (W) and the separation distance (D) per delay, and the magnitude ( means V). Therefore, a plurality of simultaneous equations can be constructed through a plurality of analysis factors (W, D, V). When a plurality of simultaneous equations are constructed, when the charge index b is 1/2 or 1/3 through the solution of the plurality of simultaneous equations, unknown blasting vibration constant K and damping index n are derived to estimate vibration as in Equation 2 expression can be derived.

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. The final blasting vibration prediction unit 400 determines the final blasting vibration including the safety factor at the measurement point (ms) when blasting is performed at any blasting point (bp) in the blasting target site from which the vibration estimation formula is derived ( V) to predict. The reason that the final blasting vibration prediction unit 400 is needed is that the magnitude of the blasting vibration calculated through the vibration estimation formula derivation unit 300 is a value calculated from an estimation equation with a reliability of 50%, so to apply it more safely at the blasting site In order to make a vibration estimation equation higher than 50% confidence, for example, with 95% confidence, and predict the magnitude of the blasting vibration produced therefrom, this process is still generally applied in the estimation process of blasting vibration. way. That is, the magnitude (V) of the blasting vibration calculated by the blasting vibration estimation unit 200 is the blasting vibration in the original state without considering the safety factor calculated by inputting the explosive characteristic data and the field characteristic data into the machine learning blasting model (BM). The magnitude of the final blasting vibration calculated by the final blasting vibration prediction unit 400 is a vibration estimation equation corrected by including the safety factor in the vibration estimation equation derived by the vibration estimation equation derivation unit 300. It is the size of the final blasting vibration that can be applied in the field, calculated by inputting the dose per delay (W) and the separation distance (D) to this corrected vibration estimation formula.

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. Therefore, the user inputs the amount of dose per blast (W) and the separation distance (D) to be used at the blasting point (bp) in the corrected vibration estimation equation of the final blasting vibration prediction unit 400, and the blasting occurs at the blasting point (bp). When it is done, the magnitude (V) of the final blasting vibration at any point (ms) can be calculated.

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. Next, a machine learning blasting model for estimating blasting vibration according to an embodiment of the present invention will be described. 3 is a view for explaining a machine learning blasting model for estimating blasting vibration according to an embodiment of the present invention.

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. 3 shows an artificial neural network (ANN) as an example of a machine learning blasting model (BM) according to an embodiment of the present invention. As shown, the artificial neural network (ANN) includes a plurality of layers. The plurality of layers includes an input layer (IL), hidden layers (HL1 to HLk), and an output layer (OL).

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. In addition, each of the plurality of layers (IL, HL, OL) includes one or more nodes. For example, as illustrated, the input layer IL may include n input nodes i1 to in, and the output layer OL may include one output node v. In addition, among the hidden layers HL, the first hidden layer HL1 includes a nodes h11 to h1a, the second hidden layer HL2 includes b nodes h21 to h2b, and the kth hidden layer HL2 includes a number of nodes h21 to h2b. The layer HLk may include c nodes hk1 to hkc.

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. Then, a method of generating a machine learning blasting model (BM) from the prototype of an artificial neural network (ANN) will be described. First, the machine learning blasting model generation unit 100 prepares input data in which the magnitude (V) of the blasting vibration is known as learning data. The input data for which the magnitude (V) of the blasting vibration is known can be obtained from the above-described blasting operation data. The training data includes explosive characteristic data including the amount of drug per blast (W), the type of explosive used (ex) and the diameter (xd) among the blasting operation data, the drilling diameter (hd), the carcinoma of the blasting point (rk, of the rock) type) and rock quality (rq), the separation distance (D) between the blasting point (bp) and the measurement point (ms), the field characteristic data including the number of free surfaces (nf), and the corresponding blasting vibration magnitude (V) ) is included. When the learning data is prepared, the machine learning blasting model generation unit 100 sets the magnitude (V) of the blasting vibration as a label in response to the input data of the learning data. Then, the machine learning blasting model generator 100 converts the input data into an input feature vector, and inputs it to the prototype of the machine learning blasting model (BM), that is, the prototype of the artificial neural network. Then, the plurality of nodes of the plurality of layers apply the parameters of the artificial neural network including weights and thresholds to the calculation results corresponding to the input feature vectors, perform the calculation input to the calculation of the next layer, and finally calculate the output value. That is, the plurality of nodes of the plurality of layers of the artificial neural network perform a plurality of operations to which parameters of the artificial neural network including weights and thresholds are applied to the input feature vector, and finally calculate an output value. This output value is an estimate of the magnitude (V) of the blasting vibration.

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. According to an embodiment, a loss function for obtaining a loss value that is the difference between the label Li of the magnitude (V) of the blasting vibration and the estimated value V(i) of the magnitude (V) of the blasting vibration is the following Equation (3).

Figure pat00003
Figure pat00003

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. In Equation 3, L1 is a loss value, and n is the number of training data. In addition, Li is a label for the magnitude (V) of the blasting vibration, and V(i) is an estimate of the magnitude (V) of the blasting vibration. The machine learning blasting model generation unit 100 performs optimization to correct the parameters (weights and thresholds) of the prototype of the artificial neural network, that is, the prototype of the machine learning blasting model (BM) so that the loss value L1 is minimized. The machine learning blasting model generation unit 100 repeats the optimization as described above using a plurality of different learning data until the prototype of the machine learning blasting model (BM) reaches a predetermined accuracy through the evaluation index. By doing so, a machine learning blasting model (BM) is created.

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. Next, a method for generating a machine learning blasting model according to another embodiment of the present invention will be described. 4 is a view for explaining a method of generating a machine learning blasting model through a bagging (Bootstrap Aggregating) technique according to another embodiment of the present invention.

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. Referring to FIG. 4 , first, the machine learning blasting model generation unit 100 prepares a plurality of learning data fd. At this time, each of the learning data fd refers to the explosive characteristic data, the field characteristic data, and the label corresponding to the input data, that is, the data consisting of the magnitude (V) of the blasting vibration.

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. Then, the machine learning blasting model generation unit 100 is configured by randomly selecting (eg, a sample of size 4 such as {A, B, D, E}) from a plurality of initially input training data fd. Prepare data samples (eg, sd1, sd1, sd3).

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. Next, the machine learning blasting model generation unit 100 prepares a prototype of a plurality of prediction models (m1, m2, m3) corresponding to each of the plurality of data samples. As shown, first to third predictive models m1, m2, and m3 are prepared corresponding to the first to third data samples sd1, sd2, and sd3, respectively. The predictive model may be exemplified by an artificial neural network (ANN), a decision tree, or the like. However, the present invention is not limited thereto, and all types of models to which machine learning can be applied may be the predictive models of the present invention.

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. Then, the machine learning blasting model generation unit 100 obtains a predicted value from each of the plurality of predictive models by input to the predictive model corresponding to each of a plurality of different data samples. That is, the machine learning blasting model generation unit 100 inputs each of the first to third samples sd1, sd2, sd3 into the prototype of the corresponding prediction models m1, m2, m3, and the first to third prediction models First to third predicted values (P1, P2, P3) are obtained from (m1, m2, m3), respectively.

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. Next, the machine learning blasting model generation unit 100 is configured such that the difference between each of the first to third predicted values (P1, P2, P3) and the corresponding label is minimized to the first to third predictive models (m1, m2, m3) The first to third predictive models are completed by performing learning to optimize each parameter of the prototype. Thereby, a machine learning blasting model (BM) including a plurality of predictive models is generated.

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. Next, a method for generating a machine learning blasting model according to another embodiment of the present invention will be described. 5 is a view for explaining a method of generating a machine learning blasting model through a boosting technique according to another embodiment of the present invention.

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.First, the machine learning blasting model generation unit 100 prepares a plurality of first learning data fd1 that is initially input. In this case, each of the first learning data fd1 means data in which the explosive characteristic data, the field characteristic data, and a label corresponding to the input data, that is, the magnitude (V) of the blasting vibration are one.

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. Next, referring to FIG. 5 , the machine learning blasting model generation unit 100 performs sampling for extracting a sample of a predetermined size from a plurality of first learning data fd1 to obtain a plurality of first data samples sd1 { BDEI}. Next, the machine learning blasting model generation unit 100 prepares a prototype of one first predictive model m1. According to the illustrated example, the prototype of the first predictive model m1 is prepared. As described above, the predictive model may exemplify an artificial neural network (ANN), a decision tree, or the like, and any kind of algorithm to which machine learning is applied may be the predictive model.

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. Then, the machine learning blasting model generation unit 100 inputs a plurality of first data samples sd1 to the prototype of the first prediction model m1, and the difference between the first predicted value P1 and the corresponding label The first predictive model m1 is completed by performing training to optimize the circular parameters of the first predictive model m1 so that is minimized.

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. Next, the machine learning blasting model generation unit 100 inputs all of the plurality of first training data fd1 to the first prediction model m1 in order to verify the validity of the learned first prediction model m1. and compares the calculated predicted value (P1) with the corresponding label. Then, the machine learning blasting model generation unit 100 excludes the correct answer learning data {BDEI} when the calculated predicted value P1 and the label are the same, and the incorrect answer learning data {ACFGH} different from the label is sampled again in the future model. To increase the likelihood, the incorrect answer learning data is multiplied by a predetermined weight to make corrected learning data {A' C' F' G' H'}, and then the corresponding data {ACFGH} in the first learning data fd1 and The second training data fd2 is generated by replacing it.

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. Then, the machine learning blasting model generation unit 100 performs sampling to extract a sample of a predetermined size from a plurality of second training data fd2 in the same manner as in the first prediction model m1 to perform sampling of a plurality of second Extract the data sample sd2 {A'E F' H'}. Next, the machine learning blasting model generation unit 100 prepares a prototype of one second predictive model m2. According to the illustrated example, a prototype of the second predictive model m2 is prepared. As described above, the predictive model may exemplify an artificial neural network (ANN), a decision tree, or the like, and any kind of algorithm to which machine learning is applied may be the predictive model.

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. Then, the machine learning blasting model generation unit 100 inputs a plurality of second data samples sd2 to the prototype of the second prediction model m2, and the difference between the second predicted value P2 and the corresponding label The second predictive model m2 is completed by performing training to optimize the circular parameters of the second predictive model m2 to be minimized.

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. Next, the machine learning blasting model generation unit 100 inputs all of the plurality of second training data fd2 to the second prediction model m2 in order to verify the validity of the learned second prediction model m2. and compares the calculated predicted value (P2) with the corresponding label. Then, the machine learning blasting model generation unit 100 excludes the correct answer learning data {A'B D G'I} when the calculated predicted value P2 is the same as the label, but the incorrect answer learning data {C'E The second training data fd2 after making the corrected training data {C“ E’ F”H“} by multiplying the incorrect training data by a predetermined weight so as to increase the likelihood that F'H'} will be sampled again in the future model The third training data fd3 is generated by replacing the corresponding data {C'E F'H'} in .

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. Then, the machine learning blasting model generation unit 100 performs the same series of data sample extraction, training and validation processes performed in the first predictive model m1 and the second predictive model m2. Repeat the process several times in sequence.

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.Subsequently, when new data is input to the machine learning blasting model generating unit 100 established through this process, the machine learning blasting model generating unit 100 generates the respective predictive models (m1, m2, m3, ...) Predicted values (P1, P2, P3,...) and predetermined model weights (w1, w2, w3,...) Multiply by to get the final result.

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. As described above, the machine learning blasting model generation unit 100 performs learning on the prototype of the predictive model using a plurality of data samples to complete the predictive model, and uses a plurality of learning data for the completed predictive model The process of creating new training data by replacing the existing data with weights to increase the likelihood that data samples with errors will be sampled in the future model, and then creating a plurality of sampled data again to learn and verify the process. Repeat multiple times sequentially. In this way, when new data is input to the completed model, the final result is derived by multiplying the predicted value derived from each prediction model by a predetermined model weight set for each prediction model. Thereby, a machine learning blasting model (BM) including a plurality of predictive models is generated.

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. Next, a method for generating a machine learning blasting model according to another embodiment of the present invention will be described. 6 is a diagram for explaining a method of generating a machine learning blasting model through a voting technique according to another embodiment of the present invention.

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. Referring to FIG. 6 , the machine learning blasting model generation unit 100 first prepares a plurality of learning data fd. In this case, each of the learning data fd refers to the explosive characteristic data, the field characteristic data, and the label corresponding to the input data, that is, data consisting of the magnitude (V) of the blasting vibration.

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. Next, prototypes of a plurality of different prediction models (ma, mb, mc) are prepared. According to the illustrated example, prototypes of the predictive model A, the predictive model B, and the predictive model C (ma, mb, mc) may be provided. Here, a plurality of different prediction models (ma, mb, mc) refer to, for example, different types of models such as artificial neural networks and decision trees, or different types of algorithms such as CNNs and RNNs. , for example, refers to a model with a different algorithm structure, such as a layer or a node.

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. Then, the machine learning blasting model generation unit 100 inputs the same training data fd to each of the prototypes of the plurality of prediction models (ma, mb, mc) to form the prototypes of the plurality of prediction models (ma, mb, mc). From each, we get the predicted value. That is, the machine learning blasting model generation unit 100 inputs the training data fd into the prototypes of the prediction model A, the prediction model B, and the prediction model C (ma, mb, mc) to predict the prediction model A, the prediction model B and the prediction. First to third predicted values P1, P2, and P3 are obtained from each of the prototypes of the model C(ma, mb, mc).

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. Then, the machine learning blasting model generation unit 100 is a prediction model A, a prediction model B and a prediction model C (ma, so that the difference between the labels corresponding to each of the first to third prediction values P1, P2, P3 is minimized The prediction model A, the prediction model B, and the prediction model C (ma, mb, mc) are completed by performing learning to optimize each parameter of the prototype of mb, mc). Thereby, a machine learning blasting model (BM) including a plurality of predictive models is generated.

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. Next, a method for estimating the blasting vibration before blasting based on machine learning according to an embodiment of the present invention will be described. 7 is a flowchart for explaining a method for estimating the blasting vibration before blasting based on machine learning according to an embodiment of the present invention.

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. Referring to FIG. 7 , the machine learning blasting model generation unit 100 performs at least one machine learning blasting model (BM: Blast Model by) by performing machine learning using the blasting work data as learning data in step S110. machine learning). The blasting operation data includes explosive characteristic data including the amount of drug per blast (W), the type of explosive used (ex) and the diameter (xd), the drilling diameter (hd), the carcinoma of the blasting point (rk, the type of rock) and It includes the field characteristic data including the rock quality (rq), the separation distance (D) between the blasting point (bp) and the measurement point (ms), the number of free surfaces (nf), and the magnitude of the blasting vibration (V). This blasting operation data is collected data obtained from the blasting when blasting is actually made in the past at the site as shown in FIG. 1 .

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. According to an embodiment, a machine learning blasting model (BM) may be generated from the prototype of an artificial neural network (ANN). As described with reference to FIG. 3 , the machine learning blasting model generation unit 100 prepares a prototype of an artificial neural network (ANN). Then, the machine learning blasting model generation unit 100 prepares a plurality of training data fd with a label set. The training data includes explosive characteristic data including the amount of drug per blast (W), the type of explosive used (ex) and the diameter (xd) among the blasting operation data, the drilling diameter (hd), the carcinoma of the blasting point (rk, of the rock) type) and rock quality (rq), the separation distance (D) between the blasting point (bp) and the measurement point (ms), and the field characteristic data including the number of free surfaces (nf), and the corresponding label. (V) is included. Next, the machine learning blasting model generation unit 100 may generate a machine learning blasting model BM by performing machine learning on the prototype of the artificial neural network (ANN) using a plurality of learning data fd.

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. According to another embodiment, a machine learning blasting model (BM) may be generated from prototypes of a plurality of prediction models through a bagging technique. As described with reference to FIG. 4 , the machine learning blasting model generation unit 100 provides a plurality of learning data fd with labels set. Next, the machine learning blasting model generation unit 100 prepares a plurality of prediction models (m1, m2, m3). Then, the machine learning blasting model generation unit 100 using a plurality of different data samples (sd1, sd2, sd3) extracted from a plurality of training data (fd) a plurality of prediction models (m1, m2, m3) A machine learning blasting model (BM) including a plurality of predictive models (m1, m2, m3) can be generated by performing machine learning on the prototype of , and deriving a plurality of prediction models (m1, m2, m3).

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. According to another embodiment, a machine learning blasting model (BM) may be generated from prototypes of a plurality of prediction models through a boosting technique. As described with reference to FIG. 5 , the machine learning blasting model generation unit 100 prepares a plurality of first learning data fd1 with labels set. Then, the machine learning blasting model generation unit 100 extracts a plurality of first data samples sd1 by performing sampling to extract a sample of a predetermined size from the plurality of first learning data fd1. Next, the machine learning blasting model generation unit 100 prepares a prototype of one first predictive model m1. Then, the machine learning blasting model generation unit 100 performs training by inputting a plurality of first data samples sd1 to the prototype of the first prediction model m1 to obtain a first prediction model m1. complete Next, the machine learning blasting model generation unit 100 compares the predicted value P1 calculated by inputting the entire plurality of first learning data fd1 into the learned first prediction model m1 and a label corresponding to the label The second learning data fd2 is generated by multiplying the wrong answer learning data different from the predetermined weight and replacing it with the previous data. By repeating this process sequentially, a final machine learning blasting model (BM) can be generated.

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. According to another embodiment, a machine learning blasting model including a plurality of different prediction models (ma, mb, mc) may be generated. As described with reference to FIG. 6 , the machine learning blasting model generation unit 100 prepares a plurality of learning data fd with labels set. Next, the machine learning blasting model generation unit 100 prepares a prototype of a plurality of different prediction models (ma, mb, mc). Then, the machine learning blasting model generation unit 100 performs machine learning on the prototypes of a plurality of different prediction models (ma, mb, mc) using a plurality of learning data fd in common to predict a plurality of predictions. By deriving the models (ma, mb, mc), it is possible to generate a machine learning blasting model (BM) including a plurality of predictive models (ma, mb, mc). The above-described machine learning blasting model (BM) simulates the blasting process to estimate the blasting vibration magnitude (V) according to the explosive characteristic data including the amount of charge per delay (W) and the field characteristic data including the separation distance (D) it is for

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. Accordingly, the blasting vibration estimation unit 200 includes the separation distance (D) of the blasting site to be blasted through the machine learning blasting model (BM) generated by the machine learning blasting model generation unit 100 in step S120. An estimate of the blast vibration magnitude (V) is derived from the field characteristic data to be used and the explosive characteristic data including the instantaneous amount (W) of the explosive to be used. The field characteristic data indicates the characteristics of the blasting site to be simulated, and the explosive characteristic data indicates the characteristics of the explosive to be used at the blasting site. The field characteristic data are the drilling diameter (hd), the carcinoma (rk, type of rock) and rock quality (rq) of the blasting point, the separation distance (D) between the blasting point (bp) and the measuring point (ms), and the number of free surfaces ( nf: Tunnel front-end blasting and upper rebound blasting = 1, tunnel lower rebound blasting and open-air blasting = 2) include

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. Blasting vibration estimation unit 200 inputs the field characteristic data and explosives characteristic data to the machine learning blasting model (BM) as input data. Then, the machine learning blasting model (BM) may calculate an output value, that is, an estimate of the magnitude (V) of the blasting vibration by performing a plurality of calculations to which the learned parameters are applied to the input data.

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. According to one embodiment, the machine learning blasting model (BM) generated from the prototype of the artificial neural network (ANN) described with reference to FIG. 3 is the amount of drug per delay (W), the type of explosive used (ex), and the diameter (xd) ), the drilling diameter (hd), the carcinoma (rk, type of rock) and rock quality (rq) at the blasting point, the separation distance (D) between the blasting point (bp) and the measurement point (ms), An estimate of the magnitude (V) of the blasting vibration may be calculated by receiving input data including field feature data including the number of free surfaces (nf) and performing a plurality of calculations of a plurality of layers to which weights are applied.

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. According to another embodiment, as described with reference to FIG. 4 . The machine learning blasting model (BM) including a plurality of different prediction models generated through the bagging technique is explosive characteristic data including the amount of charge per delay (W) and field characteristic data including the separation distance (D). is input, the plurality of prediction models (m1, m2, m3) calculates the magnitude (V) of the blasting vibration, and the average of the magnitude (V) of the blasting vibration calculated by the plurality of prediction models (m1, m2, m3) Alternatively, the mode is derived as an estimate of the magnitude (V) of the blasting vibration.

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. According to another embodiment, as described with reference to FIG. 5, the machine learning blasting model (BM) including a plurality of different predictive models generated through the boosting technique includes the amount of medication per delay (W) When the field characteristic data including the explosive characteristic data and the separation distance (D) are input, a plurality of prediction models (m1, m2, m3) calculates the magnitude (V) of the blasting vibration, and a plurality of prediction models (m1, The predicted value calculated by m2, m3) is multiplied by the model weight, and the final estimate of the magnitude (V) of the blasting vibration is derived.

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. According to another embodiment, as described with reference to FIG. 6 , the machine learning blasting model including a plurality of different predictive models generated through the voting technique is an explosive characteristic including the amount of charge per delay (W) When field feature data including data and separation distance (D) are input, a plurality of predictive models (m1, m2, m3) calculate the magnitude (V) of the blasting vibration, and a plurality of different Among the magnitudes (V) of blasting vibrations calculated by the prediction model (ma, mb, mc) of derive In the above-described method, the blasting vibration estimating unit 200 is a site including a plurality of explosives characteristic data including the amount of blast per blast (W) and the separation distance (D) at the blasting target site through the machine learning blasting model (BM). When the feature data is input, it is possible to derive an estimate of the magnitude (V) of a plurality of blasting vibrations corresponding to each.

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. Vibration estimation formula derivation unit 300 performs regression analysis using the magnitude (V) of the plurality of blasting vibrations derived in step S130 and the corresponding amount of blasting vibration (W) and separation distance (D) as analysis factors. From the regression model, it is possible to derive a vibration estimation equation that can be used at the blasting site. Therefore, a plurality of simultaneous equations can be constructed through a plurality of analysis factors (W, D, V). When a plurality of simultaneous equations are constructed, when the charge index b is 1/2 or 1/3 through the solution of the plurality of simultaneous equations, unknown blasting vibration constant K and damping index n are derived to estimate vibration as in Equation 2 expression can be derived.

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. For example, the vibration estimation formula deriving unit 300 calculates a plurality of (i) analysis factors V1 to Vi, D1 to Di, and W1 to Wi to the regression model of Equation 1, assuming that the charge index b = 1/2. By substituting it, a system of equations is constructed as shown in Equation 4 below.

Figure pat00004
Figure pat00004

그런 다음, 예컨대, 연립방정식의 해 K=44.613 및 n=1.277을 구하여 수학식 5과 같은 진동추정식을 도출할 수 있다. Then, for example, by obtaining solutions K = 44.613 and n = 1.277 of the simultaneous equations, a vibration estimation equation as in Equation 5 can be derived.

Figure pat00005
Figure pat00005

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. The final blasting vibration prediction unit 400 predicts the magnitude (V) of the blasting vibration at the measurement point (ms) when it is assumed that blasting is made at the blasting target site through the vibration estimation equation in step S140. That is, the final blasting vibration prediction unit 400 estimates the amount of dose per delay (W) and the separation distance (D) between the blasting point (bp) and an arbitrary point (ms) assuming that blasting is made at the blasting target site. You can calculate the magnitude (V) of the blasting vibration at the measurement point (ms) by entering the equation.

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. Meanwhile, the method according to the embodiment of the present invention described above may be implemented in the form of a program readable by various computer means and recorded in a computer readable recording medium. Here, the recording medium may include a program command, a data file, a data structure, etc. alone or in combination. The program instructions recorded on the recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. For example, the recording medium includes magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks ( magneto-optical media) and hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions may include not only machine language wires such as those generated by a compiler, but also high-level language wires that can be executed by a computer using an interpreter or the like. Such hardware devices may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

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. Although the present invention has been described above using several preferred embodiments, these examples are illustrative and not restrictive. As such, those of ordinary skill in the art to which the present invention pertains will understand that various changes and modifications can be made in accordance with the doctrine of equivalents without departing from the spirit of the present invention and the scope of rights set forth in the appended claims.

10: 계측장치
100: 기계학습발파모델생성부
200: 발파진동추정부
300: 진동추정식도출부
400: 최종발파진동예측부10: measuring device
100: machine learning blasting model generation unit
200: blast vibration estimation unit
300: vibration estimation equation derivation unit
400: final blasting vibration prediction unit

Claims (8)

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 포함하는 것을 특징으로 하는
발파진동을 추정하기 위한 장치. In the device for estimating blast vibration,
a machine learning blasting model generator for generating at least one machine learning blasting model for estimating blasting vibration by simulating the blasting process by performing machine learning based on the blasting work data performed in the past;
A blasting vibration estimation unit for estimating the magnitude of a plurality of blasting vibrations corresponding to each of the explosive characteristic data including a plurality of delayed doses at the blasting target site and the field characteristic data including the separation distance using the machine learning blasting model ; and
a vibration estimation formula derivation unit for deriving a vibration estimation formula corresponding to the blasting target site through regression analysis based on the estimated magnitude of the plurality of blasting vibrations and a plurality of doses and separation distances corresponding thereto;
characterized in that it comprises
A device for estimating blast vibration. 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. According to claim 1,
The blasting operation data is
Explosive characteristic data including the amount of explosive per blast, the type and diameter of the used explosive, and field characteristic data including the hole diameter, the type and rock quality of the blasting point, the separation distance between the blasting point and the measuring point, and the number of free surfaces; Characterized in including the magnitude of the blasting vibration
A device for estimating blast vibration. 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. According to claim 1,
The blasting operation data is
Perforation and explosive interval indicating the distance between the inner wall of the hole and the explosive calculated by subtracting the diameter of the explosive from the diameter of the drilling, the type of explosive used, the type of blasting site and the type of rock, and the distance between the blasting point and the measuring point It characterized in that it includes at least one of the separation distance, the number of free surfaces, and the magnitude of the blasting vibration.
A device for estimating blast vibration. 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. According to claim 1,
The machine learning blasting model generation unit
Prepare a plurality of training data with labels,
Prepare a plurality of machine learning prediction models,
By performing machine learning on the prototypes of a plurality of prediction models using a plurality of different data samples extracted from the plurality of training data,
Characterized in generating a machine learning blasting model including a plurality of derived prediction models
A device for estimating blast vibration. 제1항에 있어서,
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 하는
발파진동을 추정하기 위한 장치. According to claim 1,
The machine learning blasting model generation unit
Prepare a plurality of training data with labels,
Prepare a plurality of predictive models,
After performing machine learning on the prototype of the prediction model corresponding to the plurality of data samples extracted from the plurality of training data,
By inputting a plurality of training data into the prototype of the machine learning completed prediction model,
By sequentially repeating the process of preparing subsequent learning data again by multiplying the data for which the calculated prediction value is an incorrect answer by a predetermined weight,
By deriving multiple predictive models
Characterized in generating a machine learning blasting model including a plurality of derived prediction models
A device for estimating blast vibration. 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. According to claim 1,
The machine learning blasting model generation unit
Prepare a plurality of training data with labels,
Prepare prototypes of a plurality of different prediction models,
By using a plurality of training data in common, machine learning is performed on the prototype of a plurality of different prediction models.
By deriving multiple predictive models
Characterized in generating a machine learning blasting model including a plurality of derived prediction models
A device for estimating blast vibration. 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 방법. According to claim 1,
The machine learning blasting model generation unit
Characterized in generating a machine learning blasting model using at least one of Artificial Neural Networks (ANN), Decision tree, Bagging: Bootstrap Aggregating, Boosting, and Voting. to do
A method for estimating blast vibration. 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 포함하는 것을 특징으로 하는
발파진동을 추정하기 위한 방법.
In the method for estimating blast vibration,
Generating at least one machine learning blasting model for estimating blasting vibration by performing machine learning based on the blasting operation data performed in the past by the machine learning blasting model generation unit to simulate the blasting process;
The blasting vibration estimation unit uses the machine learning blasting model to estimate the magnitude of a plurality of blasting vibrations corresponding to each of the explosive characteristic data including a plurality of delayed doses at the blasting target site and the field characteristic data including the separation distance step;
deriving, by a vibration estimation equation, a vibration estimation equation corresponding to the blasting target site through regression analysis based on the estimated magnitudes of the plurality of blasting vibrations and the corresponding plurality of delayed doses and separation distances; and
predicting, by the final blasting vibration predicting unit, the blasting vibration according to the amount of the drug at the blasting target site and the distance from the blasting point to an arbitrary point using the derived vibration estimation formula;
characterized in that it comprises
A method for estimating blast vibration.
KR1020200099789A 2020-08-10 2020-08-10 Apparatus and method for estimating blast vibration before blasting based on machine learning KR102564317B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200099789A KR102564317B1 (en) 2020-08-10 2020-08-10 Apparatus and method for estimating blast vibration before blasting based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200099789A KR102564317B1 (en) 2020-08-10 2020-08-10 Apparatus and method for estimating blast vibration before blasting based on machine learning

Publications (2)

Publication Number Publication Date
KR20220019410A true KR20220019410A (en) 2022-02-17
KR102564317B1 KR102564317B1 (en) 2023-08-04

Family

ID=80493304

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200099789A KR102564317B1 (en) 2020-08-10 2020-08-10 Apparatus and method for estimating blast vibration before blasting based on machine learning

Country Status (1)

Country Link
KR (1) KR102564317B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102494403B1 (en) * 2021-09-13 2023-01-31 이원섭 Apparatus and system for blasting operation management
KR102573290B1 (en) * 2023-01-10 2023-09-01 (주)유앤피플 An apparatus and method for generating a prediction model using noise, vibration, subsidence, and flooding sensing data generated in a tunnel

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970022248A (en) * 1997-02-10 1997-05-28 유성용 Blasting vibration prediction method
KR20000061481A (en) * 1999-03-26 2000-10-25 이정인 Method for designing a tunnel-blasting pattern diagram and Recording medium with a program for providing a tunnel-blasting pattern diagram
KR20080071271A (en) 2007-01-30 2008-08-04 조선대학교산학협력단 The method of prediction of blasting vibration by superposition on modeling data of single hole waveform
KR20150052975A (en) * 2013-11-07 2015-05-15 주식회사 비엠연구소 Firing vibration predicting method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970022248A (en) * 1997-02-10 1997-05-28 유성용 Blasting vibration prediction method
KR20000061481A (en) * 1999-03-26 2000-10-25 이정인 Method for designing a tunnel-blasting pattern diagram and Recording medium with a program for providing a tunnel-blasting pattern diagram
KR20080071271A (en) 2007-01-30 2008-08-04 조선대학교산학협력단 The method of prediction of blasting vibration by superposition on modeling data of single hole waveform
KR20150052975A (en) * 2013-11-07 2015-05-15 주식회사 비엠연구소 Firing vibration predicting method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
터널 발파에서의 비장약량 및 진동속도 예측을 위한 신경망 이론의 적용(2001.3.30) 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102494403B1 (en) * 2021-09-13 2023-01-31 이원섭 Apparatus and system for blasting operation management
KR102573290B1 (en) * 2023-01-10 2023-09-01 (주)유앤피플 An apparatus and method for generating a prediction model using noise, vibration, subsidence, and flooding sensing data generated in a tunnel

Also Published As

Publication number Publication date
KR102564317B1 (en) 2023-08-04

Similar Documents

Publication Publication Date Title
CN109416769B (en) Computer-implemented method of generating an oil Field Development Plan (FDP) for producing hydrocarbon reservoirs
KR102355178B1 (en) Computing system for virtual sensor implementation using digital twin and method for realtime data collection thereof
KR102564317B1 (en) Apparatus and method for estimating blast vibration before blasting based on machine learning
US10890688B2 (en) Method for generating secondary data in geostatistics using observed data
US20160208582A1 (en) Resource identification using historic well data
Paryani et al. Approximate Bayesian computation for probabilistic decline-curve analysis in unconventional reservoirs
NAIKAN Review of simulation approaches in reliability and availability modeling
CN105892304B (en) Curve data automatic interpretation method
US11846175B2 (en) Estimating reservoir production rates using machine learning models for wellbore operation control
CN111652453A (en) Intelligent workflow advisor for part design, simulation and manufacturing
KR20220089666A (en) Device for the rock mass classification in tunnel design using AI and the rock mass classification in excavation
NO20180082A1 (en) Time-to-finish simulation forecaster
US20240152796A1 (en) Prediction apparatus and method for n value using artificial intelligence and data augmentation
US10359540B2 (en) Cart-based proxy flow simulation procedure for ranking geostatistical realizations of rock properties
CN105164552A (en) Method of analyzing seismic data
US11531795B2 (en) Apparatus for optimizing flow analysis and method therefor
Zhu et al. Wave-dynamics simulation using deep neural networks
Pitilakis Earthquake risk assessment: Certitudes, fallacies, uncertainties and the quest for soundness
CN110968949A (en) Modeling method of electromagnetic sensitivity prediction model of high-speed train vehicle-mounted equipment
Li et al. Development of Decline Curve Analysis Parameters for Tight Oil Wells Using a Machine Learning Algorithm
CN114758085A (en) Three-dimensional geological model generation method and device based on geological prediction network
KR102101792B1 (en) An apparatus for analyzing fluid dynamics and a method therefor
KR20200049956A (en) System and method of budget optimization for earthquake maintenance by earthquake forecasting
Chaki et al. Optimizing robotic team performance with probabilistic model checking
Gralla et al. Inverting prediction models in micro production for process design

Legal Events

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