머신러닝을 이용한 터널발파설계 자동화를 위한 기초연구

김양균,이제겸,이승원,Kim, Yangkyun,Lee, Je-Kyum,Lee, Sean Seungwon 한국터널지하공간학회 2022 한국터널지하공간학회논문집 Vol.24 No.5

As many tunnels generally have been constructed, various experiences and techniques have been accumulated for tunnel design as well as tunnel construction. Hence, there are not a few cases that, for some usual tunnel design works, it is sufficient to perform the design by only modifying or supplementing previous similar design cases unless a tunnel has a unique structure or in geological conditions. In particular, for a tunnel blast design, it is reasonable to refer to previous similar design cases because the blast design in the stage of design is a preliminary design, considering that it is general to perform additional blast design through test blasts prior to the start of tunnel excavation. Meanwhile, entering the industry 4.0 era, artificial intelligence (AI) of which availability is surging across whole industry sector is broadly utilized to tunnel and blasting. For a drill and blast tunnel, AI is mainly applied for the estimation of blast vibration and rock mass classification, etc. however, there are few cases where it is applied to blast pattern design. Thus, this study attempts to automate tunnel blast design by means of machine learning, a branch of artificial intelligence. For this, the data related to a blast design was collected from 25 tunnel design reports for learning as well as 2 additional reports for the test, and from which 4 design parameters, i.e., rock mass class, road type and cross sectional area of upper section as well as bench section as input data as well as16 design elements, i.e., blast cut type, specific charge, the number of drill holes, and spacing and burden for each blast hole group, etc. as output. Based on this design data, three machine learning models, i.e., XGBoost, ANN, SVM, were tested and XGBoost was chosen as the best model and the results show a generally similar trend to an actual design when assumed design parameters were input. It is not enough yet to perform the whole blast design using the results from this study, however, it is planned that additional studies will be carried out to make it possible to put it to practical use after collecting more sufficient blast design data and supplementing detailed machine learning processes.

머신러닝 기법을 활용한 터널 설계 시 시추공 내 암반분류에 관한 연구

이제겸,최원혁,김양균,이승원,Lee, Je-Kyum,Choi, Won-Hyuk,Kim, Yangkyun,Lee, Sean Seungwon 한국터널지하공간학회 2021 한국터널지하공간학회논문집 Vol.23 No.6

터널 설계 시 지반조사를 통한 암반분류 결과는 공사기간 및 공사비 산출, 그리고 터널안정성 평가에 지대한 영향을 미친다. 국내에서 지금까지 완공된 3,526개소의 터널들의 설계 및 시공을 통해 관련 기술들은 지속적으로 발전되어 왔지만, 터널 설계 시 암질 및 암반등급을 보다 정확하게 평가하기 위한 방법에 대한 연구는 미미하여 평가자의 경험 및 주관에 따라 결과의 차이가 큰 경우가 적지 않다. 따라서 본 연구에서는 암석샘플에 대한 주관적 평가를 통한 기존의 인력에 의한 암반분류 대신, 최근 지반분야에서도 그 활용도가 급증하고 있는 머신러닝 알고리즘을 이용하여 시추조사에서 획득한 다양한 암석 및 암반정보를 분석하여 보다 신뢰성있는 RMR에 의한 암반분류 모델을 제시하고자 하였다. 국내 13개 터널을 대상으로 11개의 학습 인자(심도, 암종, RQD, 전기비저항, 일축압축강도, 탄성파 P파속도 및 S파 속도, 영률, 단위중량, 포아송비, RMR)를 선정하여 337개의 학습 데이터셋과 60개의 시험 데이터셋을 확보하였으며, 모델의 예측성능을 향상시키기 위해 6개의 머신러닝 알고리즘(DT, SVM, ANN, PCA & ANN, RF, XGBoost)과 각 알고리즘별 다양한 초매개변수(hyperparameter)를 적용하였다. 학습된 모델의 예측성능을 비교한 결과, DT 모델을 제외한 5개의 머신러닝 모델에서 시험데이터에 대한 RMR 평균절대오차 값이 8 미만으로 수렴되었으며, SVM 모델에서 가장 우수한 예측성능을 나타내었다. 본 연구를 통해 암반분류 예측에 대한 머신러닝 기법의 적용 가능성을 확인하였으며, 향후 다양한 데이터를 지속적으로 확보하여 예측모델의 성능을 향상시킨다면 보다 신뢰성 있는 암반 분류에 활용될 수 있을 것으로 기대된다. Rock mass classification results have a great influence on construction schedule and budget as well as tunnel stability in tunnel design. A total of 3,526 tunnels have been constructed in Korea and the associated techniques in tunnel design and construction have been continuously developed, however, not many studies have been performed on how to assess rock mass quality and grade more accurately. Thus, numerous cases show big differences in the results according to inspectors' experience and judgement. Hence, this study aims to suggest a more reliable rock mass classification (RMR) model using machine learning algorithms, which is surging in availability, through the analyses based on various rock and rock mass information collected from boring investigations. For this, 11 learning parameters (depth, rock type, RQD, electrical resistivity, UCS, V_p, V_s, Young's modulus, unit weight, Poisson's ratio, RMR) from 13 local tunnel cases were selected, 337 learning data sets as well as 60 test data sets were prepared, and 6 machine learning algorithms (DT, SVM, ANN, PCA & ANN, RF, XGBoost) were tested for various hyperparameters for each algorithm. The results show that the mean absolute errors in RMR value from five algorithms except Decision Tree were less than 8 and a Support Vector Machine model is the best model. The applicability of the model, established through this study, was confirmed and this prediction model can be applied for more reliable rock mass classification when additional various data is continuously cumulated.

열차진동과 발파진동 특성분석을 통한 철도시설물 발파진동 허용기준에 관한 연구

유지완(Jiwan Yoo),임명종(Myung Jong Lim),이승원(Sean Seungwon Lee),정찬묵(Chan Mook Jung),이태노(Tairo Lee) 한국철도학회 2024 한국철도학회논문집 Vol.27 No.3

최근 철도시설 하부와 주변에서 이루어지는 지하터널 굴착작업은 대부분이 발파작업으로 이루어지기 때문에 발파진동으로 인하여 철도시설물에 손상을 줄 뿐만 아니라 열차운행 안전에 심각한 문제가 발생할 수 있다. 일반적으로 철도시설물에 대한 발파진동 허용기준은 0.3cm/sec으로 설정하여 설계와 시공이 이루어지고 있는데, 발파진동 허용기준이 철도시설물의 구조적, 재료적 특성으로 볼 때 너무 낮게 설정되어 있다. 본 연구는 경부선 철도에 운행되고 있는 다양한 열차의 진동을 수회에 걸쳐 측정하여 열차진동의 특성을 분석하여 발파진동 특성과 비교분석하고, 열차진동 측정 값, 국내 도로 및 산업시설물 관리기준, 철도안전관리 시행세칙의 지진 황색경보 조치기준 등을 종합적으로 분석하여 철도시설물에 대한 발파진동 허용기준을 제안하였다. Recently, underground tunnel excavation work under and around railroad facilities is mostly performed by blasting, so blasting vibration not only damages railroad facilities but can also cause serious problems in train operation safety. In general, blasting vibration limit for railway facilities is set to 0.3 cm/sec, and design and construction are performed; however, the blasting vibration limit is set too low in view of the structural and material characteristics of railway facilities. This study proposed a blasting vibration limit for railway facilities by measuring and analyzing the vibration of various trains operating on the Gyeongbu Line several times and comparing observed values with blasting vibration characteristics, domestic road and industrial facility management standards, and earthquake alert level standards for railway safety management.

무장약공 공내 탐색을 통한 터널 전방 지질구조 탐측 기법 개발 및 검증

최요현(Choi, Yo-hyun),Jorge Loy-Benitez,송명규(Song, Myung Kyu),이승원(Lee, Sean Seungwon) 대한토목학회 2023 대한토목학회 학술대회 Vol.2023 No.10

NATM 터널의 굴착면 전방 지질 평가를 위한 대구경 심발공 탐사 시스템 개발 및 적용 사례

김민성(Minseong Kim),정진혁(Jinhyeok Jung),이제겸(Jekyum Lee),박민선(Minsun Park),박정현(Jeonghyeon Bak),이승원(Sean Seungwon Lee) 한국암반공학회 2021 터널과지하공간 Vol.31 No.1

최근 도시화가 가속화됨에 따라 지하공간 개발을 위한 굴착공사가 지속적으로 이루어지고 있으며, 암반굴착 시 해당 구간의 지질 상태를 정확히 파악하는 것은 안전한 시공을 위해 매우 중요하다. 본 논문에서는 터널 발파 진동을 저감시키기 위해 대구경 무장약공을 천공하는 MSP 공법을 활용하여 굴착면 전방의 지질 특성을 파악하기 위해 천공경로 및 지반탐사 복합시스템을 개발하였다. 제안된 탐사 시스템은 NATM 터널 공사를 위해 천공된 대구경 심발공을 활용해 굴착면 전방 50 m 구간의 지질 정보를 획득할 수 있다는 큰 장점이 있다. 또한, 제안된 탐사 시스템을 현장에 적용하고 대구경 무장약공 내부를 모니터링하여 터널 굴착면 전방의 지질 상태를 평가한 사례를 소개한다. Recently, the development of underground space has been accelerated with rapid urbanization, and it is significantly important for safe construction to accurately understand the geological conditions of the section when excavating rocks. In this paper, a boring alignment tracking and geological exploration system have been developed to identify the geological conditions beyond the excavation face by utilizing a MSP method that bores a large empty hole to reduce blast-induced vibration. The major advantage of the proposed exploration system is that we can obtain the ground condition of 50 m ahead of the excavation face through exploration along blast cut-holes drilled for the NATM tunnel construction. In addition, we introduce several case histories regarding the assessment of the geological conditions beyond the tunnel face by monitoring the inside of large empty holes using the proposed hole exploration system.