Core Concepts
드릴링 데이터를 활용하여 암반 품질 지표인 Q-class와 Q-value를 정확하게 예측할 수 있는 기계 학습 모델을 개발하였다.
Abstract
이 연구는 터널 굴착 과정에서 수집되는 드릴링 데이터(Measurement While Drilling, MWD)를 활용하여 암반 품질을 자동으로 분류하는 기계 학습 모델을 개발하였다.
15개 터널에서 약 50만 개의 드릴홀 데이터를 활용하여 모델의 신뢰성을 높였다.
통계 모델, 이미지 기반 CNN 모델 등 다양한 접근법을 비교 분석하였다.
Q-class와 Q-value와 같은 암반 품질 지표를 예측하는 모델을 개발하였다.
테이블 데이터 기반의 앙상블 모델이 이미지 기반 CNN 모델보다 우수한 성능을 보였다.
통계 모델 중에서는 K-최근접 이웃 알고리즘(KNN)이 포함된 앙상블 모델이 가장 우수한 성능을 보였다. 이 모델은 Q-class를 A, B, C, D, E1, E2로 분류할 때 0.86의 균형 정확도를 달성했으며, E 클래스와 나머지를 구분하는 이진 분류에서는 0.95의 정확도를 보였다.
Q-value 회귀 모델에서도 유사한 앙상블 모델이 R2 0.80, MSE 0.18의 성능을 보였다. 이러한 높은 성능은 자동화된 암반 품질 평가의 가능성을 보여준다.
Stats
터널 굴착 과정에서 수집된 약 50만 개의 드릴홀 데이터를 활용하였다.
이 데이터는 15개의 지질학적으로 다양한 터널에서 수집되었다.
Quotes
"드릴링 데이터는 터널 전면부의 지질학적 변화를 디지털 신호로 제공하는 유일한 데이터셋이다."
"기계 학습 모델을 통해 드릴링 데이터와 암반 품질 지표 간의 관계를 신뢰성 있게 설명할 수 있다."