| 연구개발개요 |
- Next Generation 지반조사 기술: 상시미진동 계측 시스템O 상시미진동 계측자료는 수동적 비파괴 시험으로 지반의 핵심정보인 기반암 심도를 H/V 스펙트럼으로부터, 전단파속도를 분산곡선으로 추정 가능한 시험법임. 지반에 대한 정보는 계측기의 개수에 비례해서 증가가함. 많은 수의 계측기를 동시에 설치하는 경우, 광역 정보 획득이 가능하며 이를 통하여 3D 지반 구조 추정이 가능해짐. O 단, 상시미진동은 주동탐사법 대비 시간이 많이 소요되며 많은 양의 정보를 다루므로 효율적인 계측 자료 분석 기술이 필요함. 또한, 극히 작은 진동을 측정하므로 관련된 노이즈 제거 기술의 탑재가 필수적임. O f-k법, SPA법, CCA법, TR법 등 다양한 분산곡선 추정 기술이 개발됨. 각각은 장단점이 있음. 국내 내륙 지반의 고유한 특징은 얕은 기반암 심도임. 이와 같은 부지에서 최적의 성능을 발휘하는 계측기 배열 기반 분산곡선 역산 기술에 대한 연구는 아직 수행되지 않았음.- Why 인공지능?O 계측기 배열로부터 분산곡선을 도출하며 H/V 스펙트럼으로부터 필요한 정보를 추출하기 위해서는 불가피하게 Human-Data Interaction이 필요함. 이 프로세스는 많은 숙련이 필요하며 전문가가 아니면 왜곡된 예측으로 이어질 수 있음. 신뢰도를 높이기 위해서는 소수의 시그널 프로세싱 기술자가 운영을 해야 함. O 본 연구 과제는 7 ~ 14개의 대용량 배열을 운영하여 광역 지반 정보를 획득하는 시스템을 기획하고 있음. 동시에 H/V 스펙트럼과의 연계를 도모하여 정확도를 높일 계획임. 이와 같은 막대한 자료를 동시에 처리하며 이로부터 수반되는 Human 오류를 최소화하기 위해서는 인공지능의 도입이 필수적임. O 모든 건설재료 중에서 불확실성과 변이성이 가장 높은 지반에 인공지능 기술을 도입하여 지반정수를 산정하는 것은 건설기술력을 제고하기 위하여 중요하다고 판단됨.
|
| 최종목표 |
상시미진동 계측을 위한 이동식 고성능 MEMS 가속도계를 구축하며 다수의 3축 센서 배열의 대용량 데이터를 실시간 처리하는 시그널 프로세스 알고리즘을 개발하여 계측 시스템을 완성하는 것을 목표로 함. 이를 활용하여 3D 분산곡선과 H/V 스펙트럼을 도출하며 광역 3D 지반주상도 생성하는 인공지능 알고리즘 개발하는 것을 목표로 함. 인공지능 모델은 포괄적인 국내외 시추데이터로 기계학습된 전단파속도 추정 모델과 비교하여 적용성을 평가할 계획임.
|
| 연구내용 및 범위 |
주관연구기관(한양대학교 산학협력단)O 상시미진동 계측 자료 기반 1D 지반 주상도 산정 알고리즘 평가 - 얕은 기반암 심도 지반 최적 수동탐사 배열 기반 1D 주상도 산정법 도출 - f-k법, SPAC법, CCA법, TR법 등으로 분산곡선과 지반주상도 산정 - MASW, 다운홀 시험 등의 주동탐사기법과의 비교를 통하여 정확도 및 적용성 평가 - 해석기법별 오차율 분석 및 얕은 기반암 심도 부지 최적 기법 제안 - 정확도 향상을 위한 개선된 분석 가능성 평가 O 얕은 기반암 심도 지반 고유주기 산정을 위한 H/V 스펙트럼법 평가 - 부지 특성별 H/V 스펙트럼 형상 분석 - SESAME 가이드라인 적용 가능성 평가 - H/V 스펙트럼 기반 최적의 고유주기 산정 가이드라인 제시O 개선된 상시미진동 계측 자료 기반 1D 지반 주상도 산정 알고리즘 개발 - 배열 기록 + H/V 스펙트럼법 연계된 지반 주상도 산정 기법 개발 및 검증 - 배열 기록으로 산정된 분산곡선과 H/V 스펙트럼 정보 동시 적용을 통한 지반 주상도 산정 - 부지 특성별 상호보완을 통한 정확도 향상 수준 평가 공동연구기관(인하대학교 산학협력단)O 상시미진동 계측을 통한 3차원 지반주상도 분석 시스템 개발O 지표면의 상시미진동 계측 시스템 개발 - MEMS 가속도 센서 모델의 성능 평가 및 최적 모델 선정O 계측자료 처리 알고리즘 개발 - 상시미진동 계측기록의 효율적인 시그널 프로세싱 알고리즘 개발 - 7개 이상의 3축 센싱 자료 동시 처리가 가능한 유닛으로 개발 공동연구기관(서울기술연구원)O 국외 지반 시추데이터 및 전단파탐사 데이터 셋(Data set) 구축O 국외 시추공 자료(PS검층, 토층정보 등) 수집 및 DB 구축(국외 약 1,000여개 PS검층 정보 기확보)O 아날로그 시추공 정보 디지털화 (이미지 프로세싱 기술 활용)O 기계학습기법을 활용한 지층별 전단파속도 추정 모델 개발O 국외 PS검층 데이터와 기계학습기법을 활용한 지층별 전단파속도 추정모델 개발O 전단파속도 추정모델의 정확도 검증(국외 PS검층 데이터 및 토층 및 N치를 활용한 기존 통계법과 비교)공동연구기관(서울기술연구원)O 국내 지반 시추데이터 및 전단파탐사 데이터 셋(Data set) 구축 O 국내 시추공 정보(N값, 지층정보 등) 수집 및 DB 구축 (현재, 약 50여개 PS검층 정보 기확보)O 현장적용 실증실험 데이터를 활용한 지반 특성 기계학습 모델 고도화(재학습) O 지반 전단파속도 관측시스템 결과 및 전단파속도 추정모델 결과를 활용 ※ 재학습 알고리즘: 1) Fine-tuning, 2) Joint Training, 3) Feature Extraction, 4) Learning without Forgetting
|
이 누리집은 대한민국 공식 전자정부 누리집입니다.
