메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김태환 (SK건설) 고태영 (SK건설) 박양수 (SK건설) 김택곤 (SK건설) 이대혁 (SK건설)
저널정보
한국암반공학회 터널과 지하공간 터널과 지하공간 제30권 제3호(통권 제146호)
발행연도
2020.6
수록면
214 - 225 (12page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
쉴드 TBM(Tunnel Boring Machine) 터널 굴착 시 암반의 상태는 굴진 성능을 결정하는 중요한 요소 중 하나이다. 암석 강도는 지반조사 시 실내시험을 통해 얻을 수 있으나, 전체 TBM 굴진 구간에 대해 모두 알 수 없다. TBM 굴진 시 최적 Operation Parameter를 적용하기 위해서는 굴진 속도에 영향을 미치는 암석 강도를 파악하는 것이 매우 중요하다. 이에 본 연구에서는 TBM 굴착 중 생성되는 기계 데이터와 머신러닝(Machine Learning) 기법을 활용하여 암석 강도를 예측하고자 한다. 암석 강도를 예측하기 위해 여러 머신러닝 기법을 사용하여 비교하였고, 가장 예측 성능이 좋은 스태킹 모델을 최종 모델로 선택하였다. 암반 구간 Slurry 쉴드 TBM 굴진 사례에서 지반조사 및 시공 중 조사한 암석 강도와 강도를 획득한 위치에서의 TBM 굴착 데이터를 사용하였다. TBM 굴착 데이터는 Training과 Test용으로 8:2로 분할하였으며, 변수 선택(feature selection), 표준화(scaling), 이상치(outlier) 제거 등 전처리 과정을 수행하였다. 하이퍼파라미터 튜닝까지 마친 후, 스태킹 모델에 대해 평균 제곱근 오차(Root Mean Square Error, RMSE)와 결정 계수(R2)로 모델을 평가한 결과 각각 5.556과 0.943로 나타났으며, TBM 굴착 데이터로 암석 강도를 예측하는 모델로 유용할 것으로 판단된다.
#Shield TBM #UCS #Machine learning #Regression analysis #Prediction model #쉴드 TBM #일축압축강도 #머신러닝 #회귀분석 #예측모델

목차

ABSTRACT
초록
1. 서론
2. 배경 이론
3. 데이터 분석 및 머신러닝 기법 적용
4. 분석 결과
5. 결론
REFERENCES

참고문헌 (11)

참고문헌 신청
Barton, N. R. / 1999 / TBM Performance Estimation in Rock using Q(TBM) / Tunnels and Tunnelling International 31(9):30~34 google schola Bruland, A. / 1998 / Hard Rock Tunnel Boring Vol. 3 - Advance Rate and Cutter Wear google schola Bieniawski, Z. T. / 2006 / Rock Mass Excavability(RME)Index : A New Way to Select the Optimum Tunnel Construction Method / Proceedings of the ITA World Tunnelling Congress google schola Cortes, C. / 1995 / Support Vector Networks / Machine Learning 20:273~297 google schola Gehring, K / 1995 / Prognosis of Advance Rates and Wear for Underground Mechanized Excavations / Felsbau 13(6):439~448 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

압력감지매트를 이용한 머신러닝 기반의 낙상자 분류에 관한 연구
김정길 ,  조준형 ,  최진승 외 1명 대한전기학회 학술대회 논문집 2020 .07
태양광 발전단지 데이터를 활용한 머신러닝 기반의 태양광 전력 시스템의 발전량 예측
안연주 ,  이택기 ,  김규호 대한전기학회 학술대회 논문집 2020 .07
풍력 단지의 데이터를 활용한 머신러닝 기반 풍력 시스템의 발전량 예측
김은지 ,  이택기 ,  김규호 대한전기학회 학술대회 논문집 2020 .07
지반함몰 및 액상화에 관한 지하안전 위험도 평가 고도화 기술개발 -도심지 굴착시공에서의 지반함몰, 지진에 의한 액상화를 대상으로-
곽태영 ,  고영훈 ,  한진태 외 1명 한국지반신소재학회지 2020 .04
항만 구조물의 내진성능 향상을 위한 배면 지반의 보강방안에 관한 연구
김병일 ,  홍강한 ,  김진해 외 1명 한국지반신소재학회 논문집 2019 .12

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-532-000856450