터널 발파에서 영역별 비장약량의 데이터 기반 예측과 해석 = Data-Driven Prediction and Interpretation of Specific Charge by Tunnel Blast Zone

국문 초록 (Abstract)

본 연구는 터널 발파 설계에서 핵심 요소인 비장약량을 정량적이고 정확하게 예측하기 위해머신러닝 기법을 활용한 영역별 예측 모델을 제안하였다. 터널 발파는 제한된 자유면 조건에서진행되며, 심발, 확대, 바닥, 외곽 등 각 영역이 서로 다른 역할과 목적을 가지며 이에 따라차등 설계가 요구된다. 그러나 기존 터널 설계는 현장 기술자의 경험에 크게 의존하고 있고 지반조건 변화에 대한 적응성이 낮으며, 전체 단면적을 기준으로 산정한 비장약량만으로는 각 영역의 최적 장약량을 일관되게 결정하기 어렵다는 한계를 지닌다. 이러한 문제를 보완하기 위해본 연구는 국내 24개 터널에서 수집한 설계 자료를 기반으로 총 334개의 데이터세트를 구축하고, 영역별 비장약량의 정량적 예측과 주요 영향 요인을 도출하였다. 총 11개의 머신러닝 알고리즘을 교차검증한 결과, 네 개의 모든 발파 영역에서 XGBoost가 가장 우수한 성능을 보였다.
최적화된 하이퍼파라미터를 적용한 XGBoost 모델의 최종 예측 성능을 평가한 결과, 심발공R² = 0.95, 확대공 R² = 0.84, 바닥공 R² = 0.86, 외곽공 R² = 0.85의 설명력을 나타내어 높은예측 성능을 확인하였다. SHAP 분석을 통해 영역별 비장약량에 영향을 미치는 지배 변수를도출한 결과, 심발공 영역은 심발 공법 유형, 확대공 영역은 터널 단면적, 바닥공 영역은 단위중량, 외곽공 영역은 암종이 가장 높은 중요도를 보였다. 각각의 영역별 비장약량 예측 모델을이용하여 설계 초기 단계에서 발파 조건을 신속하게 검토하고 최적화할 수 있음을 의미하며,
기존 설계 방법과 병행하여 적용할 경우 발파 품질 향상과 설계 효율 증대에 기여할 수 있음을 시사한다. 향후 다양한 현장 데이터를 추가할 경우 모델의 예측 성능과 지반 조건 적응성은더욱 향상될 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study proposes a data-driven, zone-specific prediction model for estimating the specific charge in tunnel blasting. Tunnel blasting involves four distinct blasting zones—cut, stoping, lift, and contour—each requiring a differentiated design approach due to their functional and mechanical differences. Despite this, current design practices rely heavily on empirical knowledge, limiting adaptability to varying geological conditions. To address this limitation, a dataset consisting of 334 blasting records from 24 domestic tunnel projects was constructed, incorporating both common and zone-specific features such as RMR, rock type, unit weight, cohesion, internal friction angle, deformation modulus, tunnel cross-sectional area, drilling length, burden, spacing, maximum charge per delay, explosive type, cut method, and controlled blasting method. Atotal of 11 machine learning algorithms were evaluated using cross-validation, and XGBoost consistently demonstrated the highest performance across all blasting zones. Using optimized hyperparameters for each zone, the final models were validated with an unseen 20% test set, achieving R² values of 0.95 (cut), 0.84 (stoping), 0.86 (lift), and 0.85 (contour). SHAP analysis identified the dominant features for each zone: cut method in the cut zone, tunnel cross-sectional area in the stoping zone, unit weight in the lift zone, and rock type in the contour zone. These results reflect the distinct mechanical roles and energy distribution mechanisms of each blasting zone. The proposed models further demonstrated strong agreement between predicted and actual specific charges when applied to new tunnel design inputs not included in training, indicating practical applicability in early-stage design. As the model performance is expected to improve with additional data,
future extensions should consider more detailed geological descriptors and zone-dependent rock mass conditions to enhance robustness under heterogeneous ground environments.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경과 필요성 1
• 2. 연구 동향 2
• 3. 논문의 구성 5
• Ⅱ. 이론적 배경 6
• 1. 터널 발파와 영역별 특징 6
• 1.1 심발공 영역 8
• 1.2 확대공 영역 10
• 1.3 바닥공 영역 10
• 1.4 외곽공 영역 10
• 2. 머신러닝 기법 12
• 2.1 머신러닝 모델 12
• 2.2 설명 가능한 인공지능 15
• Ⅲ. 영역별 비장약량 예측 모델 16
• 1. 데이터 수집 및 분석 16
• 1.1 데이터 수집 16
• 1.2 입력변수 선정 18
• 1.3 데이터 분포 22
• 1.4 데이터 분석 28
• 2. 방법론 37
• 2.1 데이터 전처리 37
• 2.2 모델 훈련 및 성능 평가 39
• Ⅳ. 결과 및 토의 45
• 1. 예측 결과 45
• 1.1 영역별 비장약량 예측 결과 45
• 1.2 영역별 SHAP 분석 결과 52
• 2. 토의 56
• 2.1 영역별 비장약량 영향 요인 해석 56
• 2.2 터널 발파 설계 상황을 가정한 영역별 비장약량 예측 58
• Ⅴ. 결론 66
• 참고문헌 68
• Abstract74