머신러닝을 이용한 해양 지반 물성치 예측 모델에 관한 연구 = A study on a model for predicting marine geotechnical properties using machine learning

국문 초록 (Abstract)

머신러닝을 이용한 해양 지반 물성치 예측 모 델에 관한 연구 蔚山大學校 大學院 建設環境工學科 심해 퇴적물의 특성을 예측하면 퇴적물 구성, 퇴적물 지층, 화학적 추적자 등 과거 의 해양 환경 조건에 대한 귀중한 통찰력을 얻을 수 있다. 그러나 심해 퇴적물은 지역에 따라 공간적 변동성이 크기 때문에 정확한 특성 예측이 어렵다. 이 연구에 서는 데이터 기반 머신러닝 모델을 사용하여 심해 퇴적물의 다섯 가지 특성을 예측 하는 프레임워크를 제안하였다. 다섯 가지 특성을 예측하기 위해 다섯 가지 시나리 오에 대해 전처리 및 하이퍼파라미터 튜닝 기법을 도입하였다. 또한 특징의 중요도 와 수심과 다섯 가지 특성 간의 관계를 평가하기 위해 샤플리 부가 설명을 선택하 였다. 그 결과 5가지 머신러닝 알고리즘 중 extreme gradient boost (XGB) 알고 리즘이 가장 높은 성능을 보인 것으로 나타났다. 또한 깊이와 압축파 속도는 공극 률, 입자 밀도, 방해석 함량, 열전도도를 예측하는 데 있어 가장 중요도가 높은 특 징과 두 번째로 중요한 특징인 것으로 평가되었다. 개발된 XGB 모델을 사용하여 불확실성 정량화를 통해 심도에 따른 5가지 특성을 예측한 결과, 본 연구에서 제시 한 데이터 기반 프레임워크가 심해저 퇴적물의 특성 예측에 활용될 수 있음을 시사 한다.

목차 (Table of Contents)

• 국 문 요 약 ⅰ
• 목 차 ⅱ
• 표 목 차 ⅳ
• 그 림 목 차 ⅴ
• 제 1 장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 방법2
• 제 2 장 데이터 출처 및 처리 과정 4
• 2.1 데이터 출처 4
• 2.1.1 Ocean Drilling Program 개요 4
• 2.1.2 데이터 수집 절차 4
• 2.2 데이터베이스 구성 및 전처리 6
• 2.2.1 데이터베이스 설명 6
• 2.2.2 데이터 전처리 과정 8
• 2.2.2.1 Min-max scaling 8
• 2.2.2.2 Pearson coefficient 9
• 제 3 장 머신러닝 기술과 특징 중요도 10
• 3.1 머신러닝 기법 개요 10
• 3.1.1 머신러닝 모델 선정 및 성능 평가 방법 10
• 3.1.2 단일 머신러닝 알고리즘 10
• 3.1.3 앙상블 학습 알고리즘 11
• 3.2 하이퍼파라미터 최적화 기법 13
• 3.3 Shapley additive explanations 14
• 3.3.1 Shapley additive explanation 이론 14
• 제 4 장 머신러닝 모델 결과 및 논의 16
• 4.1 최적화된 머신러닝 모델의 성능 평가 16
• 4.1.1 최적화된 머신러닝 모델의 R2과 RMSE 분석 16
• 4.1.2 하이퍼파라미터 결과 분석 19
• 4.2 특징 중요도 분석 21
• 4.3 모델의 불확실성 평가 24
• 4.4 공학적 해석 및 의미 28
• 제 5 장 결 론 30
• 참 고 문 헌 31
• 영 문 요 약 40
• 부 록 41