기계학습을 활용한 점토 특성에 따른 압축지수 예측 모델 비교 = Comparison of Performance of Machine Learning Models for Predicting Compression Index Based on Clay Properties

다국어 초록 (Multilingual Abstract)

As the construction of large structures increases primarily on the soft ground along coasts, prevention of damage to the structures due to subsidence should be prioritized. Ground subsidence has been investigated actively. Because the amount of settlement can be calculated based on the compression index of clay, the latter must be calculated accurately. In this study, data pertaining to the natural water content, liquid limit, plasticity index, initial void ratio, and compression index of clay are acquired from Busan, Gwangyang, and Mokpo to construct a dataset for predicting the compression index. Correlation analysis between factors is performed using the dataset, and compression index prediction models are developed using machine learning algorithms, random forest, multiple linear regression, ridge, Lasso, SVM, XGBoost, LightGBM, and DNN. Subsequently, the results of each model are compared in terms of the RMSE and R2. The results show that the natural water content, liquid limit, plasticity index, initial void ratio, and compression index are correlated significantly. Among the machine learning models, LightGBM demonstrates the best performance.

국문 초록 (Abstract)

해안가의 연약지반을 중심으로 대형 구조물 시공이 증가하면서 지반침하에 의한 구조물의 손상 방지에 주의를 기울여야 한다. 과거부터 지반침하에 관한 연구가 꾸준히 수행되고 있으며, 침하량은 점토의 압축지수를 통해 산정할 수 있으므로 압축지수를 정확히 산정하여 지반의 침하량을 예측하는 것은 매우 중요한 일이다. 따라서 본 연구에서는 부산, 광양, 목포지역을 대상으로 점토의 자연함수비, 액성한계, 소성지수, 초기간극비, 압축지수의 데이터를 수집하여 데이터셋을 구축하였다. 구축된 데이터셋을 통해 인자들 사이의 상관분석을 실시하였으며, 기계학습 알고리즘인 랜덤포레스트, 다중선형회귀, Ridge, Lasso, SVM, XGBoost, LightGBM, DNN에 적용하여 압축지수 예측 모델을 제시하였다. 또한, 각 모델의 결과를 RMSE와 R2 평가지표로 선정하여 비교하였다. 그 결과, 자연함수비, 액성한계, 소성지수, 초기간극비와 압축지수는 높은 상관성을 나타냈으며, 기계학습 모델을 비교한 결과 LightGBM 모델이 가장 우수한 성능을 나타냈다.

참고문헌 (Reference)

1 김병규 ; 이 송, "초연약 점토지반 압축지수 추정에 관한 연구" 한국지반공학회 31 (31): 13-18, 2015

2 오영환, "다중선형회귀분석 기법을 이용한 고교야구투수의 방어율 예측" 한국지식정보기술학회 15 (15): 497-506, 2020

3 배우석 ; 김종우, "광양점토의 물리적 특성과 압축지수의 상관성" 한국지반환경공학회 10 (10): 7-14, 2009

4 Gibson, R. E., "The theory of one-dimensional consolidation of saturated clays" 17 (17): 261-273, 1967

5 Mikasa, M., "The consolidation of soft clay a new consolidation theory and its application" Kajima Institution Publishing Co., Ltd 126-140, 1963

6 Talas, F. K., "The comparison of the performance of ELM, BRNN, and SVM methods for the prediction of compression index of clays" 11 : 770-, 2018

7 Kim, B. T., "Proposition empirical equations and application of artificial neural network to the estimation of compression index" 17 (17): 25-36, 2001

8 Farzin, K., "Prediction of compression index using artificial neural network" 7 (7): 2835-2848, 2012

9 Danial, M. S., "Prediction of compression index of fine-grained soils using a gene expression programming model" 4 (4): 26-, 2019

10 강기천 ; 김태형 ; 정충기, "PBD공법이 적용된 연약지반에서 운용 중인 시설물의 잔류침하거동" 한국지반환경공학회 15 (15): 13-21, 2014

11 Breiman, L., "Machine Learning, Vol. 45" Kluwer Academic Publishers 5-32, 2001

12 Yoon, G. L., "Formula of compression index prediction for marine clay in Korea" 23 (23): 169-176, 2003

13 Jeon, J. S., "Forecasting models for number of persons for meals in large food service place" Kyung Hee University 2019

14 Lee, S. Y., "Evaluation of the machine learning technique for ranking influential factors and optimizing the risk analysis of ground subsidence of the sewer pipes" Chonnam National University 2022

15 Yeo, S. M., "Development of correlations for estimation of compression index, compression ratio, and undrained shear strength of soft clays in busan area" Hanyang University 2015

16 Barron, R. A., "Consolidation of fine-grained soils by drain wells" ASCE 113 (113): 718-754, 1948

17 Ha, J. E., "Comparison of the performance in automatic classification about civil complaints' category and department in charge between RandomForest and XGBoos" Yonsei University 2017