The Journal of the Convergence on Culture Technology (문화기술의 융합)

The International Promotion Agency of Culture Technology (국제문화기술진흥원)
권호 표지
DOI QR코드

DOI QR Code

A Study on Machine Learning-Based Real-Time Automated Measurement Data Analysis Techniques

머신러닝 기반의 실시간 자동화계측 데이터 분석 기법 연구

  • 최정열 (동양대학교 건설공학과 ) ;
  • 한재민 (동양대학교 건설공학과 ) ;
  • 안대희 (동양대학교 건설공학과 ) ;
  • 정지승 (동양대학교 건설공학과 ) ;
  • 김정호 (한국건설기술연구원 ) ;
  • 이성진 (한국건설기술연구원 )
  • Received : 2022.12.28
  • Accepted : 2023.01.09
  • Published : 2023.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

It was analyzed that the volume of deep excavation works adjacent to existing underground structures is increasing according to the population growth and density of cities. Currently, many underground structures and tracks are damaged by external factors, and the cause is analyzed based on the measurement results in the tunnel, and measurements are being made for post-processing, not for prevention. The purpose of this study is to analyze the effect on the deformation of the structure due to the excavation work adjacent to the urban railway track in use. In addition, the safety of structures is evaluated through machine learning techniques for displacement of structures before damage and destruction of underground structures and tracks due to external factors. As a result of the analysis, it was analyzed that the model suitable for predicting the structure management standard value time in the analyzed dataset was a polynomial regression machine. Since it may be limited to the data applied in this study, future research is needed to increase the diversity of structural conditions and the amount of data.

도시의 인구증가 및 고밀화에 따라 기존 지하구조물에 인접하여 대심도 굴착 공사 물량이 증가하는 추세인 것으로 분석되었다. 현재 지하구조물 및 궤도는 외부요인에 의해 지하구조물의 손상이 다수 발생되는 실정이며 터널 내의 계측결과로 원인을 분석하여 예방차원이 아닌 사후처리에 대해서 측정을 하고 있는 실정이다. 본 연구의 목적은 공용중인 도시철도 선로와 인접한 굴착공사에 따른 구조물의 변형에 미치는 영향을 분석하는 것이다. 또한 외적 요인으로 인해 지하구조물 및 궤도 손상 및 파괴가 발생하기 전 구조물의 변위를 머신러닝 기법을 통해 구조물의 안전성을 평가하고자 한다. 분석결과, 분석한 데이터세트에서 구조물관리기준치에 도달하는 시간을 예측하기에 적합한 모델은 다항회귀 머신러닝 알고리즘인 것으로 분석되었다. 그러나 본 연구에서 적용한 자동화계측 데이터에 한정될 수 있으므로 추가적으로 구조물 조건의 다양성과 데이터양을 늘리는 향후 연구가 필요하다.

Keywords

Acknowledgement

이 논문은 2022년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 연구임 (No. 2022-0-00829, 스킨센서와 A.I.를 활용한 SOC 시설물 실시간 이상 감지 시스템 개발)

References

  1. J.Y. Choi, H.H. Lee, Y.S. Kang, J.S. Chung, "Evaluation of Structural Stability of Tunnel due to Adjacent Excavation on Urban Transit", Journal of the Convergence on Culture Technology(JCCT), Vol. 6, No. 2, pp. 503-508, 2020.  https://doi.org/10.17703/JCCT.2020.6.2.503
  2. J.Y. Choi, S.H. Kim, H.H. Lee, J.S. Chung, "Improvement of Automatic Measurement Evaluation System for Subway Structures by Adjacent Excavation", Materials, Vol. 14, No. 24, pp. 1-20, 2022.  https://doi.org/10.3390/ma14247492
  3. J.Y. Choi, G.N. Yang, T.J. Kim and J.S. Chung, "Analysis of Ground Subsidence according to Tunnel Passage in Geological Vulnerable Zone", Journal of the Convergence on Culture Technology(JCCT), Vol. 6, No. 3, pp. 393-399, 2020. http://doi.org/10.17703/JCCT.2020.6.3.393 
  4. J.Y. Choi, G.N. Yang, T.J. Kim and J.S. Chung, "Analysis of Changes in Groundwater Level according to Tunnel Passage in Geological Vulnerable Zone", Journal of the Convergence on Culture Technology(JCCT), Vol. 6, No. 3, pp. 369-375, 2020. http://doi.org/10.17703/JCCT.2020.6.3.369 
  5. J.Y. Choi, S.I. Cho and J.S. Chung, "Parameter Study of Track Deformation Analysis by Adjacent Excavation Work on Urban Transit", Journal of the Convergence on Culture Technology(JCCT), Vol. 6, No. 4, pp. 669-675, 2020.  https://doi.org/10.17703/JCCT.2020.6.4.669
  6. T.H. Kang, S.W. Choi, C.H. Lee, S.H. Jang, "A Study on Prediction of EPB shield TBM Advance Rate using Machine Learning Technique and TBM Construction Information", Journal of Korean Tunnelling and Underground Space Association, Vol. 6, No. 6, pp.540-550, 2020. 
  7. David A. Freedman, Statistical Models: Theory and Practice, Cambridge University Press, pp. 458, 2009. 
  8. Rencher, Alvin C, Christensen William F, Methods of Multivariate Analysis, Wiley Series in Probability and Statistics, pp. 800, 2012. 
  9. Breiman L, Random Forests. Machine Learning, Kluwer Academic Publishers, pp. 5-32, 2001. 
  10. Cortes, C.; Vapnik, V. Machine Learning, Support-vector networks, Kluwer Academic Publishers, pp. 273-297, 1995. 
  11. Vapnik, V, The nature of statistical learning theory, Springer, pp. 314, 2000.