Abstract
Multi-setting smart-investigation of the ground and large uncharged hole boring (MSP) method to reduce the blast-induced vibration in a tunnel excavation is carried out over 50m of long-distance boring in a horizontal direction and thus has been accompanied by deviations in boring alignment because of the heavy and one-directional rotation of the rod. Therefore, the deviation has been adjusted through the boring machine's variable setting rely on the previous construction records and expert's experience. However, the geological characteristics, machine conditions, and inexperienced workers have caused significant deviation from the target alignment. The excessive deviation from the boring target may cause a delay in the construction schedule and economic losses. A deep learning-based prediction model has been developed to discover an ideal initial setting of the MSP machine. Dropout, early stopping, pre-training techniques have been employed to prevent overfitting in the training phase and, significantly improved the prediction results. These results showed the high possibility of developing the model to suggest the boring machine's optimum initial setting. We expect that optimized setting guidelines can be further developed through the continuous addition of the data and the additional consideration of the other factors.
터널 발파 굴착 시 발생되는 진동을 저감시키기 위해 사용되는 MSP(Multi-setting smart-investigation of the ground and pre-large hole boring method) 공법은 1회 천공 시 수평방향으로 50m에 달하는 장거리를 천공하기 때문에 고 중량 해머비트와 롯드의 일방향 회전으로 롯드의 처짐과 우향 현상이 동반된다. 이는 전문가의 경험과 시공 이력을 바탕으로 가변적인 세팅을 통해 일부 보정되고 있다. 그러나 암반 특성, 장비 상태, 경험 부족 등은 목표 지점으로부터 천공 오차를 발생시키는 원인이 되며, 큰 이격 오차 발생 시 재시공으로 인한 공기 증가와 경제적 손실이 발생된다. 본 연구에서는 딥러닝을 활용하여 상황별 천공 장비의 최적 세팅조건 산정 모델을 개발하였으며, 학습 과정에서 발생 가능한 과적합 문제를 방지하기 위해 dropout, early stopping, pre-training 기법들을 사용하여 향상된 결과를 도출하였다. 본 연구를 통해 대구경 천공 장비의 상황별 초기세팅 산정 모델 개발의 높은 가능성을 확인했으며, 지속적인 데이터 수집과 다양한 인자들의 추가 학습을 통해 최적화된 세팅 가이드라인을 개발할 수 있을 것으로 기대된다.