Site Application of Artificial Neural Network for Tunnel Construction

인공신경망을 이용한 터널시공에서 현장 적용성

  • 송주현 (한양대학교 대학원 건설환경공학과) ;
  • 채휘영 (한양대학교 대학원 건설환경공학과) ;
  • 천병식 (한양대학교 공과대학 건설환경공학과)
  • Published : 2012.08.01


Although it is important to reflect the accurate information of the ground condition in the tunnel design, the analysis and design are conducted by limited information because it is very difficult to consider various geographies and geotechnical conditions. When the tunnel is under construction, examination of accurate safety and prediction of behavior are overcome the limits of predicting behavior by Artificial Neural Network in this study. First, construct the suitable structure after the data of field was made sure by the multi-layer back propagation, then apply with algorithm. Employ the result of measured data from database, and consider the influence factor of tunnel, like supporting pattern, RMR, Q, the types of rock, excavation length, excavation shape, excavation over, to carry out the reliable analysis through field applicability of Artificial Neural Network. After studying, using the ANN model to predict the shearing displacement, convergence displacement, underground displacement, Rock bolt output follow the excavation over of tunnel construction field, then determine the field applicability with ANN through field measured value and comparison analysis when tunnel is being constructed.

터널 설계 시 해당지반에 관한 정보를 정확히 반영하는 것은 대단히 중요하다. 하지만 다양한 지형 및 지질조건을 모두 고려한 지반조사 및 시험 등은 경제적, 기술적으로 인하여 현실적으로 실시하기 어렵기 때문에 한정된 정보에 의하여 해석 및 설계를 하고 있는 실정이다. 본 연구는 도심지 및 산악지역 터널공사 시, 보다 정확한 안정성 검토 및 거동 예측을 수행하여 선정 결과에 대한 현장 적용성 여부를 판단하기 위해 인공신경망 이론의 적용을 통하여 기존 거동예측의 한계성을 극복하고자 하였다. 먼저, 현장 데이터를 확보하여 인공신경망 중 다층퍼셉트론을 연구에 적합한 구조로 구축하고, 역전파 알고리즘으로 학습시켜 적용하였다. 인공신경망을 이용한 현장적용성의 학습을 위한 자료는 터널의 지보패턴, RMR, Q, 암종, 굴진장, 굴착형태, 굴착경과일 등 터널거동에 영향을 미치는 영향인자를 고려하여 신뢰성 분석을 실시하고 선별된 계측자료의 결과를 데이터베이스화하여 사용하였다. 학습이 완료된 인공신경망 모델을 이용하여 터널시공현장의 굴착경과일에 따른 천단변위, 내공변위, 지중변위, 록볼트축력을 예측하고 현장 계측치와 비교분석을 통하여 인공신경망을 이용한 터널 시공 시 현장적용성을 확인하였다.



  1. Kim, H. T., Gang, I. G. and Park, S. W.(1998), Using Artificial Networks Prediction of Soil Nailing Excavation Study on Deformation of the Wall, Society of Civil Engineers Society, pp. 401-404.
  2. Lee, J. G.(2002), Forecasting System Using Artificial Neural Network Development Tunnels, Kyung Hee University Graduate School Ph.D. Thesis pp. 1-5.
  3. Ma, S. J. and Seo, K. W.(2002), Tunnel and Tunnel Collapse Prediction System Information Management System Feasibility Study p. 1.
  4. Pande, G. N. and Shin, H. S.(2004), Artificial Inteligence v. Equations, Proceedings of Institute of Civil Engineers in Civil Engineering, Vol. 157, No. 1, pp. 39-42.
  5. Pao, Y.(1989), Adaptive pattern Recognition and Neural Networks, Addison-Wesley, p. 309.
  6. Prechelt, L.(1998), Automatic Early Stopping using Cross Validation: Quantifying the Criteria, Neural Networks, Vol. 11, pp. 761-767.
  7. Russell, C. Eberhart, Roy W. Dobbins(1990), Neural Network PC Tools, Academic Press Inc.
  8. Skouras, K., Groutis, C., and Bramson, M. J.(1994), Estimation in Linear-models using Gradient Descent with Early Stopping, Statistics and Computing, Vol. 4, No. 4, pp. 271-278.
  9. Wasserman, P. D.(1989), Neural Computing: Theory and Practice, ANZA Reasearch Inc., p. 230.