1차년도 |
○ 본 기초연구의 목표는 인공지능을 이용하여 발파굴착(NATM)터널 주요 6가지 항목의 자동설계를 실현하는 것이며, 이를 위해 1차년도에는 2차년도에 자동설계 모델을 개발하기 위한 터널설계 데이터 수집 및 기본 알고리즘 시험이 필요하다. 데이터 수집측면에서는 국토교통부 건설사업정보(CALS)에 수록된 자료와 설계사에서 협조받은 자료로부터 터널설계의 주요 6가지 요소인 암반분류, 터널단면, 굴착방법, 발파, 지보, 보조공법과 관련된 세부항목에 대한 데이터 47가지를 조사하고 이를 엑셀시트에 데이터베이스화 하게 된다. 이런식으로 정리된 데이터베이스는 아직 문헌상에 보고된 바가 없으며, CALS에 나타난 터널설계보고서와 국내 설계사 자료를 대상으로 하고 있지만, 설계사 협조의 어려움과 필요한 세부 데이터항목의 누락 등의 사유로 현재로서는 20개 정도의 터널설계자료를 확보할 예정이지만 가능한대로 그 이상의 많은 데이터를 확보할 계획이다. ○ 또한 터널설계 주요 6가지 항목 각각에 대하여, 수집된 데이터 일부를 활용하여 다양한 기계학습 및 딥러닝 알고리즘중 다양한 논문분석을 통해 예측정확도가 높고 본 연구의 데이터타입에 적합하다고 판단되는 알고리즘 6가지, 즉 ANN, SVM, PCA, Random forest, Ensemble과 같은 기계학습과 딥러닝인 CNN을 시험하게 되는데 이것은 각각의 알고리즘의 특성이 다르기에 데이터의 종류 및 형식에 따라 예측 정확도가 다르게 나타나기 때문이다. 현재에도 터널 설계 및 시공과 관련된 다양한 연구에 주로 ANN(인공신경망)이 활용되고 있지만 이는 대부분 세부 작업 또는 기술분석을 위한 연구차원의 활용이며, 본 연구에서처럼 여러개의 알고리즘을 터널의 다양한 세부 항목 분석을 위해 동시에 활용한 사례는 문헌상 보고된 바 없다.
|
○ 주관연구개발기관(한양대학교 산학협력단) : - 다양한 인공지능 알고리즘 및 모델에 대한 문헌분석 - 인공지능분석의 정확도와 현실성을 향상시키기 위한 터널시공자료(막장관찰일지, 발파패턴 등) 수집 및 분석 - 공동연구기관에서 수집한 데이터 일부를 이용하여 다양한 머신러닝 및 딥러닝 알고리즘중 각 설계항목별 최적 알고리즘 시험 및 선정 - 시험평가 대상 알고리즘 : ANN, SVM, PCA, Ensemble, Random forest, CNN○ 공동연구개발기관(㈜지윤이앤씨) : - 현재의 터널설계방식, 과정, 내용 등에 대한 세부 분석 - 터널설계보고서, 지반조사보고서에서 지반분류, 굴착단면, 굴착방법, 발파방법, 지보패턴, 보조공법 등 6가지 항목에 대한 데이터 수집 및 정리 - 수집 세부 항목 : * 기본사항 : 각 설계된 터널에 대한 기본적인 사항이며, 향후 정리된 데이터의 객관성을 유지하기 위해 설계보고서명도 명기(터널명, 위치, 기반암종, 터널연장, 종단구배) * 지반조사 : 터널의 노선선정, 공사비, 공사기간 추정 등 터널설계에서 가장 중요한 자료이며, 시추조사자료, 각종 지구물리탐사자료, 암석시험자료, 토질시험자료 등을 포함 (구간별 지반고, 암종, TCR/RQD, 암질, 비중, 탄성파속도, 일축압축강도, 탄성계수, 투수계수, 전기비저항, RMR, 특이지층(단층대, 파쇄대, 연약대) * 단면설계 : 터널의 단면 형상과 크기를 결정(RMR별 굴착단면적, 단면길이, 터널내공 작도를 위한 3심점(R1, R2, R3)) * 굴착공법 및 방법 : 터널굴착을 위한 방법을 결정(적용공법, 벤치거리, 벤치높이) * 발파설계 : 발파패턴 및 장약방법에 대한 사항(심발공법, 발파공수, 천공장, 총장약량, 비장약량, 진동추정식의 k와 n, 여굴) * 지보설계 : 터널의 주지보재인 록볼트와 숏크리트, 2차지보인 콘크리트라이닝에 대한 사항(록볼트 길이/간격/갯수, 숏크리트 두께/단위수량, 강지보 두께/간격, 콘크리트라이닝 두께/배근여부) * 보조공법 : 단층대, 파쇄대, 절리대 등의 통과시 적용공법 (종류, 간격, 수량)
|
활용방안 |
○ 터널 주요공종에 대한 스마트한 터널설계 - 터널설계시 가장 중요한 6가지 공종인 지반분류, 굴착단면, 굴착방법, 발파방법, 지보패턴, 보조공법 결정시 현재의 설계자들의 경험과 판단이 아닌, 인공지능에 의해 신속하고 정확하게 결정할 수 있으며, 본 연구 결과를 확장하여 차후에 지반조사 결과를 입력시 최적 설계도면까지 자동으로 산출하는 터널설계 전과정 자동화설계를 위한 연구에 활용할 수 있다. - 전세계적으로 4차산업혁명시대를 맞이하여, 전산업분야에서 인공지능을 활용하여 생산성, 정확성, 신속성이 향상된 작업으로의 전환 또는 기술개발이 이어지고 있다. 이와 같은 흐름에 따라 향후 건설기술도 인공지능을 활용하거나 접목한 기술개발이 필수적이며, 본 연구에서 개발된 기술도 현재의 노동집약적 설계방식에서 스마트설계방식으로의 전환을 촉발하는 촉매역할을 할 수 있다고 사료된다. - 1982년부터 2018년까지 총 3,399개소(지하철터널 제외)의 수많은 터널을 건설 및 설계하면서 다양한 경험과 지식이 축적되어 왔고, 현재는 일반적인 터널설계작업은 특정업체에서만 가능한 고난도의 공학적 기술을 요구되는 과정이 아님. 따라서 일반 터널설계의 주요공종을 본 연구 및 향후 실용화연구에서 개발되는 인공지능을 이용한 설계방식으로 처리하고, 기존의 설계인력은 이러한 과정을 관리하거나 또 다른 고난도 설계기술 개발에 활용한다면 향후 인공지능시대 건설분야 일자리감축 추세에 대한 대안이 될 수 있다.○ 발주처에서의 터널설계 적정성 확인 도구 - 국토교통부, 도로공사, 철도시설공단, 지자체 등에서 일반터널 설계를 발주 후, 설계사에서 작성한 설계도서의 기술적 타당성 평가를 하고자 할 때, 본 연구결과에서 도출된 인공지능 기반의 터널설계자동화시스템에서의 결과를 가이드라인으로 활용가능하다고 판단된다.○ 터널설계 세부항목별 구축된 데이터를 이용한 추가적인 터널기술 연구 - 현재 국토교통부 CALS에 올려져 있는 각종 보고서 및 도면은 원자료(raw data)상태이기에, 차후에 타 기관 또는 타 연구에서 이를 활용한 다양한 기술개발을 위해서는 세부 항목별로 구분되어 있고 정리되어 있어야 한다. - 따라서 본 연구를 통해 제시되는 정리된 설계데이터를 지속적으로 축적하여 빅데이터화한다면 향후 다양한 기술개발을 위한 연구에 적용할 수 있고, 국내 터널설계의 표준화에도 기여할 수 있다.○ 도로 및 철도와 같은 여타 토목구조물의 스마트설계를 위한 기초연구 - 본 연구에서 개발된 기술을 확장하여 도로 및 철도와 같은 토목구조물의 스마트 및 자동화 설계를 위한 기반 구축에 응용될 수 있다. - 본 연구는 기초연구수준이므로, 본 연구이후 추가적인 실용화연구가 완료되고 또 본 기술과 유사한 기술이 지속적으로 개발된다면 정부에서 주도하고 있는 스마트 건설기술시대가 조기 정착되면서 이로 인해 전체적인 건설비용의 공종별 최적화가 달성될 수 있다.
|