• Geomechanics and Engineering
• /
• 제38권5호
• /
• pp.517-528
• /
• 2024

For numerous tunnelling projects implemented in urban areas due to limited space, it is crucial to take into account the interaction between the foundation, ground, and tunnel. In predicting the deformation of piled foundations and the ground during twin tunnel excavation, it is essential to consider various factors. Therefore, this study derived a prediction model for pile group settlement using machine learning to analyze the importance of various factors that determine the settlement of piled foundations during twin tunnelling. Laboratory model tests and numerical analysis were utilized as input data for machine learning. The influence of each independent variable on the prediction model was analyzed. Machine learning techniques such as data preprocessing, feature engineering, and hyperparameter tuning were used to improve the performance of the prediction model. Machine learning models, employing Random Forest (RF), eXtreme Gradient Boosting (XGB), and Light Gradient Boosting Machine (LightGBM, LGB) algorithms, demonstrate enhanced performance after hyperparameter tuning, particularly with LGB achieving an R² of 0.9782 and RMSE value of 0.0314. The feature importance in the prediction models was analyzed and P_N was the highest at 65.04% for RF, 64.81% for XGB, and P_CTC (distance between the center of piles) was the highest at 31.32% for LGB. SHAP was utilized for analyzing the impact of each variable. P_N (the number of piles) consistently exerted the most influence on the prediction of pile group settlement across all models. The results from both laboratory model tests and numerical analysis revealed a reduction in ground displacement with varying pillar spacing in twin tunnels. However, upon further investigation through machine learning with additional variables, it was found that the number of piles has the most significant impact on ground displacement. Nevertheless, as this study is based on laboratory model testing, further research considering real field conditions is necessary. This study contributes to a better understanding of the complex interactions inherent in twin tunnelling projects and provides a reliable tool for predicting pile group settlement in such scenarios.

• Geomechanics and Engineering
• /
• 제38권5호
• /
• pp.467-476
• /
• 2024

This study investigates Tunnel Boring Machine (TBM) performance prediction by employing discrete event simulation technique, which is a potential remedy highlighting its stochastic adaptability to the complex nature of TBM tunnelling activities. The new discrete event simulation model using AnyLogic software was developed and validated by comparing its results with actual performance data for Daegok-Sosa railway project that Earth Pressure Balance (EPB) TBM machine was used in Korea. The results showed the successful implementation of predicting TBM performance. However, it necessitates high-quality database establishment including geological formations, machine specifications, and operation settings. Additionally, this paper introduces a novel methodology for daily performance updates during construction, using automated data processing techniques. This approach enables daily updates and predictions for the ongoing projects, offering valuable insights for construction management. Overall, this study underlines the potential of discrete event simulation in predicting TBM performance, its applicability to other tunneling projects, and the importance of continual database expansion for future model enhancements.

• 한국터널지하공간학회 논문집
• /
• 제22권5호
• /
• pp.575-589
• /
• 2020

최근 국내 터널에서 지속적으로 증가하고 있는 쉴드 TBM 공법의 주된 굴착도구는 디스크 커터로 굴진과정에서 자연스럽게 마모가 발생하고 이는 TBM의 굴진효능을 현저히 저하시키기 때문에 적절한 시기에 교체하는 것이 중요하다. 따라서 본 연구에서는 디스크 커터 교체 여부를 판단할 수 있는 예측 모델을 머신러닝 기법을 사용한 방법으로 제안하였다. 이를 위해 국내 기 시공된 쉴드 TBM 현장의 데이터 중 디스크 커터 소모에 상관성이 높은 굴진데이터(TBM 기계데이터, 지반정보 등)와 교체이력을 입력데이터로 사용하여 다양한 머신러닝 분류기법 중 서포트 벡터 머신, 최근접이웃 알고리즘, 의사결정트리 알고리즘을 사용하여 최적의 예측 모델을 구축하고 모델의 성능을 평가하기 위하여 분류성능평가 지표로 비교 분석하였다.

• 한국터널지하공간학회 논문집
• /
• 제21권5호
• /
• pp.641-656
• /
• 2019

본 연구에서는 쉴드 TBM (Tunnel Boring Machine) 터널 디스크 커터의 적절한 교체 시기를 예측하기 위한 방법으로 머신러닝 기법을 사용한 방법을 제안하였으며, 이를 위해 국내 기 시공된 쉴드 TBM 현장의 데이터를 이용하여 다양한 머신러닝 알고리즘 중 SVM (Support Vector Machine)을 이용하여 예측 모델을 구축하고 그 성능을 평가하였다. 지반 조건별 디스크 커터의 마모와 높은 상관성을 갖는 TBM 기계 데이터와 디스크 커터 교체 이력을 분류하고, 이들을 SVM의 변수로 사용하여 3종류의 분류 함수를 적용하여 각각 학습을 한 후 예측을 수행한 결과, 각 지반 조건에 대해서 3종류의 SVM 분류 함수 중 전체적으로 RBF (Radial Basis Function) SVM의 예측성능이 가장 우수하며(평균적으로 80%의 정확도, 10% 오분류율), 지반 조건별로 구분 시 디스크 커터 교체 데이터의 수가 많을수록 예측 결과가 좋은 것으로 나타났다. 향후 많은 데이터를 축적하고 이를 모두 활용하여 학습모델을 지속적으로 발전시켜 나간다면 이와 같은 디스크 커터 교환주기를 예측하기 위한 머신러닝 기법의 실무 적용성이 매우 클 것으로 기대한다.

• 한국터널지하공간학회 논문집
• /
• 제15권5호
• /
• pp.483-496
• /
• 2013

본 논문에서는 연약지반에 건설되는 Shield TBM 터널의 시공기술을 제시하였다. 이 연구를 수행하기 위하여 Shield TBM 장비를 축소 제작하여 축소모형 시험을 수행하였으며, 쉴드터널 굴착을 모사하기 위하여 다양한 장비들이 적용되었다. 또한 축소모형시험 중 Shield TBM 장비로 인해 발생되는 지반의 거동을 계측하였으며, 지반의 안정성은 시뮬레이션 결과를 토대로 평가하였다. 이를 바탕으로 쉴드터널의 안전한 시공을 위한 기초자료로 활용하고자 한다. 결론적으로 Shield-TBM 구간에 대한 실내축소모형시험을 통하여 설계의 신뢰성을 확보하고, 시공 시 안전을 위한 개선사항 등과 특히, Shield TBM 추진시 쉴드터널이 통과하는 공항 활주로의 안정성을 확보하기 위한 시공방안을 제시하고자 한다.

• 한국지반공학회논문집
• /
• 제19권5호
• /
• pp.273-280
• /
• 2003

도심지 교통해소를 위한 수단으로 터널구조물의 건설은 날로 증가되는 추세에 있다. 그러나, 새로운 터널구조물이 기존 터널구조물과 인접 또는 교차하여 건설됨에 따른 기존 터널구조물의 운영상의 안정성 확보는 상당히 중요하다. 이에 따라, 이 논문은 기존터널과 인접하여 건설되는 신설터널과의 상호거동에 대한 연구로써, 특히 상하교차터널에 대하여 중점을 두었다. 이 연구는 1g 모형시험을 실시하고 그들 결과의 분석을 통하여 교차터널의 거동에 대한 연구 고찰하였다. 또한 교차터널의 설계방향 제시함으로써 보다 실질적인 교차터널의 설계기술 발전을 위하여 활용되어 질 것으로 판단된다.

• Geomechanics and Engineering
• /
• 제14권5호
• /
• pp.479-489
• /
• 2018

In this paper, a comparative study of the effects of soil modelling on the interaction between tunnelling in soft soil and adjacent piled structure is presented. Several three-dimensional finite element analyses are performed to study the deformation of pile caps and piles as well as tunnel internal forces during the construction of an underground tunnel. The soil is modelled by two material models: the simple, yet approximate Mohr Coulomb (MC) yield criterion; and the complex, but reasonable hardening soil (HS) model with hyperbolic relation between stress and strain. For the former model, two different values of the soil stiffness modulus ($E_{50}$ or $E_{ur}$) as well as two profiles of stiffness variation with depth (constant and linearly increasing) were used in attempts to improve its prediction. As these four attempts did not succeed, a hybrid representation in which the hardening soil is used for soil located at the highly-strained zones while the Mohr Coulomb model is utilized elsewhere was investigated. This hybrid representation, which is a compromise between rigorous and simple solutions yielded results that compare well with those of the hardening soil model. The compared results include pile cap movements, pile deformation, and tunnel internal forces. Problem symmetry is utilized and, therefore, one symmetric half of the soil medium, the tunnel boring machine, the face pressure, the final tunnel lining, the pile caps, and the piles are modelled in several construction phases.

• 한국터널지하공간학회 논문집
• /
• 제16권6호
• /
• pp.507-520
• /
• 2014

본 연구는 점성토 지반에서 터널 굴착장비를 이용하여 터널을 굴착할 때 토피고 변화에 따라 발생하는 지표변위 특성을 고찰하였다. 이를 위하여 현장조건과 유사한 시료를 이용하여 실내축소모형시험을 수행하였다. 토피고에 따라 1.5D, 2.0D, 2.5D, 3.0D의 총 4개의 Case 에 대하여 모형시험을 수행하였다. 이러한 모형시험을 통하여 터널굴착 시 발생하는 지표변위를 측정하여 3차원적 영향분포를 정량적으로 분석하였으며, 더불어 변위양상도 규명하였다.

• 한국터널지하공간학회 논문집
• /
• 제24권2호
• /
• pp.217-230
• /
• 2022

쉴드TBM (Tunnel Boring Machine) 터널 시공에 있어 막장압 관리는 막장면 붕괴, 지반침하 등을 방지하여 막장 안정성을 유지하는 데 중요한 역할을 담당한다. 특히, 챔버 내부의 굴착토로 막장압을 조절하는 토압식 쉴드TBM의 경우, 이수식 쉴드TBM에 비해 막장압의 관리가 어렵다. 본 연구에서는 국내 토압식 쉴드TBM 터널 시공 현장의 지반조건 및 굴진특성 데이터를 분석하여, 토압식 쉴드TBM 터널의 세그먼트 링별 막장압 예측모델을 제시하였다. 예측모델의 입력특성으로 7가지를 선정하였으며, 912개의 학습 데이터 세트(Training data set)와 228개의 시험 데이터 세트(Test data set)를 확보하였다. 최적의 토압식 쉴드TBM 막장압 예측모델 선정을 위하여 KNN (K-Nearest Neighbors), SVM (Support Vector Machine), RF (Random Forest), XGB (eXtreme Gradient Boosting) 모델의 하이퍼파라미터(Hyperparameter)를 최적화하여 예측성능을 비교한 결과, RF 모델이 7.35 kPa의 평균 제곱근 오차(Root Mean Square Error, RMSE)로 가장 우수한 성능을 나타냈다. 추가적으로, RF 모델의 특성 중요도(Feature importance) 분석을 수행한 결과, 입력특성 중 수압의 영향도가 0.38로 가장 높았으며, 전반적으로 지반조건이 굴진특성보다 높은 중요도를 보여주었다.

• 한국터널지하공간학회 논문집
• /
• 제26권5호
• /
• pp.519-532
• /
• 2024

TBM (tunnel boring machine) 터널 프로젝트의 리스크 관리 측면에서 굴진율 예측은 중요하며, 이를 위한 머신러닝 기반 TBM 굴진율 예측 연구가 지속적으로 진행되어 왔다. 그러나, 기존 연구의 머신러닝 예측 모델은 정상 굴진율과 이상 굴진율 간의 불균형 데이터를 고려하는 데 한계가 있다. 본 연구에서는 데이터 증강 기법을 통해 불균형 데이터를 처리하여 머신러닝 기반 TBM 굴진율 이상탐지 성능을 개선하였다. 먼저, 상관관계 분석을 통해 유사 변수를 제거하여 6가지 입력특성을 선정하였다. 또한, 하위 10%와 상위 10%의 굴진율을 각각 이상 등급으로, 그 외 범위의 굴진율을 정상 등급으로 굴진율 등급을 구분하였다. 기존 학습 데이터와 SMOTE (synthetic minority oversampling technique)를 통해 증강된 학습 데이터를 각각 XGB (extreme gradient boosting)에 적용한 XGB 모델과 XGB-SMOTE 모델을 구축하였다. 굴진율 등급 예측 성능을 비교한 결과, XGB 모델은 정상 굴진율에 대한 예측 성능은 우수하나 이상 굴진율 예측 성능은 상대적으로 낮게 도출되었다. 반면, XGB-SMOTE 모델은 모든 굴진율 등급에서 일관되게 우수한 예측 성능을 보였다. 이는 SMOTE를 통한 이상 굴진율 데이터의 증강이 이상 굴진율을 유발하는 지반조건과 TBM 운영인자 간의 패턴 학습 수준을 향상시켰기 때문으로 판단된다. 결론적으로, 본 연구는 머신러닝 기반 TBM 굴진율 이상탐지 시 데이터 증강 기법을 활용한 불균형 데이터 처리가 효과적임을 보여준다.