< Previous18 자연,터널 그리고 지하공간 머신러닝 기반 TBM 자동화 기술 개발 <그림 3> 스마트건설사업단 5세부과제(도로구조물 원격·자동화 시공 기술)의 개요 2. 머신러닝 기반 TBM 자동화 기술 개발 스마트건설기술연구사업의 5세부과제는 도로구조물 건설 공기 25% 이상 단축을 목표로 시공 과정을 혁신시키기 위한 연구과제이다. 특이한 점은 도로구조물에 대한 시공을 주제로 하다 보니 주요구조물인 교량과 터널에 대한 시공기술이 함 께 포함되었다는 점이다. 이 과제에서는 첨단기술 중 VR(Virtual Reality), 로봇(Robot), 머신러닝(Machine Learning) 등을 활용하여 건설공사에 포함된 위험한 작업, 인력에 의한 의사결정 등 생산성 저해 요인을 해소하고 건설공기를 25% 이상 단축시킬 수 있는 교량· 터널 원격· 자동화 시공 기술을 개발하는 것을 목표로 한다. 5세부과제 중 터널을 대상으로 수행되는 머신러닝 기반 TBM 자동화 기술은 대형 건설기계인 TBM 자동운전을 위한 것으로서, 머신러닝과 TBM데이터를 기반으로 TBM 운전 자동화 시스템(세부기술 3)을 만들고 있으며 비파괴탐사기법 을 이용한 굴착 전방 지반의 예측과 시공리스크 분석관리 시스템(세부기술 4)을 구축하고 있다. 이러한 기술들은 TBM에 자동화 기술을 도입하여 운전작업 일부를 자동화함으로써 우선적으로 운전자(operator)의 작업부담을 경감시켜주는 것 을 목표로 하고 있다. 세부기술 3과 4의 기술정의는 다음과 같다. 2.1 (세부기술 3) 머신러닝 기반 TBM 스마트 운용 기술 ∙ TBM 시공에서 얻어지는 지반정보와 굴진정보를 기반으로 지반에 따른 TBM 운전 경험 데이터를 사전 처리하여 머신 러닝 기법으로 학습시키고 최종적으로 최적의 운전 방법을 도출해 내기 위한 기술(그림 4) ∙ 참여기관: 한국건설기술연구원, ㈜동아지질, ㈜두나정보기술Vol. 25, No. 2 19 <그림 4> 머신러닝 기반 TBM 스마트 운용 기술 개요 2.2 (세부기술 4) 머신러닝 기반 TBM 리스크 관리 기술 ∙ 장비 특성 상 확인이 어려운 TBM 전방 지반정보를 비파괴 기법에 의한 데이터를 학습시켜 전방을 예측하는 기술과 TBM 시공 중 발생하는 리스크를 수집 및 분류하고 그 데이터를 머신러닝으로 학습시켜 시공 리스크를 제시하는 기술(그림 5) ∙ 참여기관: 고려대학교, ㈜엔엔에프텍 <그림 5> 머신러닝 기반 TBM 리스크 관리 기술 개요20 자연,터널 그리고 지하공간 머신러닝 기반 TBM 자동화 기술 개발 3. (세부기술 3) 머신러닝 기반 TBM 스마트 운용 기술 최근 데이터를 분석하고 패턴을 학습하여 예측 모델을 만드는 머신러닝 기술이 산업 전반에서 활용되고 있다. TBM은 기계화 시공의 대표적인 장비로서, 타 공법에 비해 시공 전반에서의 기계 활용율이 높다. 따라서 기계장비의 자동화에 대한 요구와 가능성이 높기 때문에, 최근 TBM 제작사들은 기계에서 계측되는 데이터를 수집하고 송신할 수 있는 시스템 을 갖추고 있다. 또한 해외에서는 일정한 지반조건에서 AI알고리즘을 이용한 부분적인 TBM 운전 자동화가 이루어진 바 있다. 세부기술 3에서는 TBM 운전 자동화를 위해 머신러닝 기반 TBM 스마트운용시스템(TBM Smart Operation System, TSOS)을 구축하고 있다. 이 시스템은 TBM DB통합관리시스템(TBM DB Management System, TDMS)과 TBM 자동운 전시스템(TBM Auto Operation System, TAOS)으로 구성된다. 3.1 TBM DB통합관리시스템 TBM DB통합관리시스템은 TBM 데이터를 활용한 머신러닝을 위해 TBM의 주요 데이터인 지반데이터와 굴진데이터를 수집하여 데이터베이스로 구축하고, 데이터 전처리 기법을 통해 머신러닝을 위한 데이터 세트(data set)를 구성하기 위 함이다. TBM의 굴진데이터는 일반적으로 장비의 직경과 부가기능에 비례하여 늘어나며, 소구경의 경우도 수백 개, 대구경의 경우는 수천 개에 이를 정도로 많은 항목으로 구성되어 있다. 이 시스템에서는 비가공 굴진데이터(raw data)의 저장과 머신러닝을 위한 피처(feature) 선택, 그리고 선택된 피처에 대한 기본적인 기술통계량 산출결과를 제공한다. 이후 이상 치 처리와 유의성 검증과 같은 데이터 전처리 과정을 거쳐 머신러닝을 위한 데이터 세트를 도출하는 기능을 포함하고 있 다. 그림 6은 TBM DB통합관리시스템의 화면구성 예시이며, 크게 DB관리, 데이터분석, 데이터처리의 3가지 메뉴로 구 성되어 있다. <그림 6> TBM DB Management System(TDMS) 화면 구성 예시Vol. 25, No. 2 21 3.2 TBM 자동운전시스템 TBM 자동운전시스템은 TBM DB통합관리시스템에서 도출된 데이터 세트를 활용하여 다양한 머신러닝 알고리즘에 따 라 학습을 수행하고 그 결과를 비교 검토하여 최적의 알고리즘을 선택할 수 있다. 선택된 머신러닝 최적 모델은 목표 값 인 레이블을 예측하고, 그 예측 값을 TBM 자동운전시스템과 연결된 TBM의 운전제어시스템에 제공하여 자동운전이 이 루어지게 된다. 본 연구에서는 선형회귀(Linear/Ridge(L2)/Lasso(L1) Regression), 결정트리(Decision Tree), 서포트벡터머신(Sup- port Vector Machine), 앙상블(Boosting, Bagging)과 같은 지도학습(supervised learning)기반의 회귀 및 분류 머신 러닝 알고리즘을 사용하였다. 데이터 특성에 따라 적합한 알고리즘을 찾기 위한 학습 결과의 비교 검토에서 알고리즘을 선정하는 가장 중요한 기준은 성능이지만, 일반적으로 알고리즘을 선정할 때는 다음과 같이 데이터의 크기/품질/특성, 가용 연산 시간, 작업의 긴급성, 데이터의 활용 목표를 고려한다. 본 연구에서는 알고리즘 선정 시 성능과 연산시간을 중 요 기준으로 삼았다. 그림 7은 TBM 자동운전시스템의 화면구성 예시이며, 크게 데이터처리, 머신러닝, TBM연결의 3가지 메뉴로 구성되 어 있다. <그림 7> TBM Auto Operation System(TAOS) 화면 구성 예시 3.3 TBM 스마트운용시스템의 현장적용 총 3단계로 진행하는 본 과제는 1~2단계(2020~2023년)에서 TBM 스마트운용시스템의 요소기술을 개발하고 3단계 (2024~2025년)에서 현장에 적용하는 순서로 진행된다. 현재는 TBM 스마트운용시스템을 현장적용하기 위해 TBM의 운 전제어시스템과의 인터페이스에 대한 연구가 진행되고 있다.22 자연,터널 그리고 지하공간 머신러닝 기반 TBM 자동화 기술 개발 TBM의 자동 운전은 세계적으로도 연구단계에 있기 때문에 현장적용에 있어서도 조심스러운 접근이 필요하다. 본 과 제에서는 현장적용 시 TBM 운전자가 직접 조작하는 수동방법과 시스템에 의한 자동방법을 운전자 판단에 근거하여 변 환하여 사용할 수 있도록 시스템을 구성하고 있다. TBM 스마트운용시스템과 TBM 운전제어시스템은 그림 8과 같이 현장에 설치하는 에지컴퓨터(edge computer)를 이 용하여 인터페이스를 구성하고 있다. 에지컴퓨터는 대용량 데이터를 발생지 주변에서 효율적으로 처리함으로써 데이터 처리 시간을 큰 폭으로 줄이기 위해 사용하는 기술로서, 본 연구에서는 데이터의 효율적인 처리뿐만 아니라 터널 내부에 서 TBM 스마트운용시스템과 TBM 운전제어시스템과의 통신 연결이 안될 경우에도 자동제어 기능을 유지하기 위해 에 지컴퓨터를 활용하였다. 현재 에지컴퓨터와 TBM운전제어시스템과의 연결을 통한 데이터 송수신 여부에 대한 현장시험이 수행되고 있으며, 수행결과를 기반으로 인터페이스 연결 문제에 검토를 통해 최종 현장적용을 수행할 예정이다. <그림 8> TBM 스마트운용시스템과 TBM과의 인터페이스 개요 4. (세부기술 4) 머신러닝 기반 TBM 리스크 관리 기술 터널 굴진면 및 굴착 대상지반의 확인은 터널 시공 품질과 안전성 측면에서 필요하지만, 쉴드TBM의 경우 굴진면의 상황을 확인하기 어려운 문제가 있다. 이러한 문제로 TSP(Tunnel Seismic Profiling)과 같은 탐사방법을 이용하고 있 지만, 아직까지 주목할 만한 굴진면 전방예측 기술은 없는 상황이다. 국내외에서 TBM 리스크 평가를 위한 다양한 연구가 진행되었으나, TBM 시공 내 다양한 불확실성의 고려와 실시간 시공데이터 기반 리스크 관리 기술은 아직까지 부족한 실정이다. 따라서 불확실성의 고려가 가능한 사전 리스크 관리 기 술, 머신러닝 기반 전방예측 및 TBM 시공데이터 분석을 통한 실시간 리스크 관리 기술이 필요하다.Vol. 25, No. 2 23 세부기술 4에서는 TBM 굴진면 전방예측을 위해 머신러닝 기반으로 비파괴 탐사 데이터를 활용하여 TBM 굴진면전방 예측시스템을 개발하고, TBM 현장의 전반적인 리스크 관리를 위해 리스크 데이터베이스와 퍼지 집합론 및 머신러닝 기 반 TBM 리스크관리시스템을 구축하고 있다. 4.1 TBM 굴진면전방예측시스템 4.1.1 전기탐사 기반 수치해석 모델 TBM 공법 특성상, 전기탐사법에 대한 실내 및 현장 계측데이터를 충분하게 확보하기 어려우며, 정확하고 신속한 굴 진면 전방 위험지반조건 예측을 위한 머신러닝 모델 개발을 위해서 다양한 전기탐사 데이터가 필요하다. 따라서 터널 전 방예측 전기탐사 수치해석 모델 개발을 통해 제한적인 전기탐사 실험데이터를 보완하고, 모사가 어려운 위험 지반조건 에 대한 전기탐사 데이터를 획득하였다. 본 연구에서는 예측 필요 위험조건으로, 단층파쇄대, 침수대, 지질경계, 복합지 반, 그리고 공동을 선정하였고 이를 수치모델링하였다(그림 9). (a) 단층파쇄대(b) 침수대(c) 지층경계 (d) 핵석지반 (e) 공동(f) 복합지반 <그림 9> TBM 주요 지질리스크 요인 모사 수치모델24 자연,터널 그리고 지하공간 머신러닝 기반 TBM 자동화 기술 개발 4.1.2 머신러닝 기반 전방예측 모델 전 절의 수치해석 모델로 구축된 계측데이터를 기계학습 알고리즘에 학습시켜 위험지반조건 분류모델을 개발하였다. 각 지질리스크 요인별 굴진에 따른 전기비저항 계측데이터를 활용하여 굴진면 전방 위험지반 예측을 수행하였다. 개발 된 모델의 단층파쇄대, 침수대, 지층경계, 핵석지반, 그리고 복합지반의 전반적 예측성능이 높게 평가되었다. 4가지 머 신러닝 기법(KNN, SVM, RF, XGB)기반 예측 모델 중, RF 모델의 예측 정확도가 94.93%로 가장 우수하게 산출되어, 해당 모델을 최적 TBM 굴진면 전방 지질리스크 요인 예측모델로 선정하였다. 본 연구에서 개발된 모델의 터널 현장 적용성 증대를 위해 전방예측 수행 순서도를 제시하였다. 제시된 순서도는 크게 터널 설계 전 지반조사, 수치해석, 머신러닝 모델 적용, 리스크 관리수행으로 구성되어 있다(그림 10). 추후 세부기술 3 에서 개발된 TDMS, TAOS 시스템 내 터널 기계 및 굴진데이터를 학습데이터로 추가하여, 전방예측 모델의 예측성능 향 상을 도모하고, 예측된 지질리스크 요인을 TBM 리스크관리시스템에 업데이트하여 터널 시공 효율성의 증대를 기대할 수 있다. Geotechnical investigation Boring sampling Resistivity range Data collection Numerical model development Data output L/D = 0.35L/D = 0.30 L/D = 0.45L/D = 0.40L/D = 0.50 L/D = 0.25 L/D = 0.15L/D = 0.20L/D = 0.10 L/D = 0.05L/D = 0.00 Fault Database Water ingress corestonecavityTransition Pre- processing Measuring database Model establishment Training data 1st decision tree2nd decision treenth decision tree Final output 1st outputnth output2nd output Aggregation Structure of the model 0 0.05 0.1 0.15 0.2 0.25 0.3 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 Fe ature Impor tance L/D Performance evaluation Application in tunneling Predicting geological risks Risk management 0.7 0.75 0.8 0.85 0.9 0.95 1 SVMKNNRFXGB Accuracy <그림 10> 기계학습 분류모델 기반 전방예측 순서도Vol. 25, No. 2 25 4.2 TBM 리스크관리시스템 4.2.1 퍼지 집합론(Fuzzy set theory, FST) 퍼지 집합론은 기존 집합론의 확장 개념으로, 의사결정 내 불확실성을 다루기 위하여 제안되었다. 이는 기존 집합론과 달리 모호한 집합경계를 가지므로, 원소가 집합에 속하는 정도(즉, 소속도)를 0과 1 사이의 값으로 표현할 수 있다(그림 11). 이때, 0과 1은 각각 완전 비소속과 완전 소속을 나타낸다. Set Crisp boundary Set Vague boundary (a) 기존 집합론(b) 퍼지 집합론 <그림 11> 각 집합론의 집합 경계 4.2.2 퍼지 집합론 기반 리스크 관리 모델 본 모델은 리스크 식별, 리스크 분석, 리스크 판정의 3단계로 구성된다. 먼저, 리스크 식별에서 문헌조사와 전문가 인 터뷰를 통해 적용대상 프로젝트의 리스크 사건, 리스크 요인, 인과조합(사건과 요인의 일대일 대응조합)을 식별한다. 리스크 분석에서는 전문가 설문조사를 활용하여 인과조합별 영향도/발생확률을 평가한다. 이때, 전문가는 영향도/발 생확률에 대해 1가지 등급을 선정하여 답변하지만, 이는 터널 프로젝트의 불확실성을 고려하지 못하여 부정확한 결과가 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 123456789101112 등급 확신도 영향도/발생확률 점수 None [N]Low [L]Medium [M]High [H] <그림 12> 모델 내 소속함수 개략도26 자연,터널 그리고 지하공간 머신러닝 기반 TBM 자동화 기술 개발 도출될 수 있다. 이에, 본 모델은 그림 12와 같이 4가지 등급(N, L, M, H), 12가지(1, 2, ..., 12) 점수로 구성된 퍼지 집 합론 기반 소속함수를 통해 등급 확신도 개념을 도입하였다. 이때, 4가지 등급의 확신도 총합은 1이다. 최종적으로, 본 모델의 리스크 분석은 영향도/발생확률의 등급별 확신도를 도출하는 단계이다. 리스크 판정은 도출된 리스크 분석 결과를 리스크 매트릭스에 적용하여 각 리스크 등급(N, T, S, I)의 확신도와 최종 리스크를 도출하는 단계이다(그림 13). 본 모델은 사전 리스크 관리는 물론, 머신러닝 기반 TBM 굴진면 전방예측 및 TBM 시공데이터 분석 결과를 실시간으로 반영한 실시간 리스크 관리도 가능하다. 리스크 분석 퍼지 집합론 영향도 등급 확신도 NHLM 발생확률 등급 확신도 NHLM 리스크 판정 리스크등급확신도 NITS 리스크 매트릭스 영향도/발생확률 등급 확신도 NHLM 리스크 문헌조사 전문가 인터뷰 리스크 식별 리스크 사건 리스크 요인 인과조합 <그림 13> 퍼지 집합론 기반 리스크 관리 모델 흐름도 5. 맺음말 기존에도 여러 산업, 특히 기계분야에서의 자동화는 지속적으로 수행되었다. 기존의 자동화는 반복되는 일련의 프로 세스를 사전에 정의된 규칙 기반으로 프로그래밍하여 자동화를 구현하는데 반해, 머신러닝을 이용한 자동화는 사용자 경험이 포함된 데이터 기반으로 학습하여 패턴이나 규칙을 찾기 때문에 변화에 유연하게 대응할 수 있다. 본 연구에서와 같이 TBM의 운전작업 일부를 자동화함으로써 우선적으로 운전자(operator)의 작업부담을 경감시켜주 는 것은 TBM의 완전 자동화로 가기 위한 교두보 역할을 할 수 있다. DB관리시스템으로 학습을 위한 데이터를 축적하고 피드백하는 것은 운전 자동화로 가기 위한 효과적인 정보화에 도움이 된다. 머신러닝을 이용하여 TBM 데이터를 학습하다보면 부족한 지반정보, 과다한 굴진정보와 같이 난관을 맞이하게 된다. 머신러닝에서 좋은 결과를 내기 위해서는 양질의 데이터를 확보하는 것이 중요하다. TBM 장비제작사들은 자체 시스템 을 통해 굴진정보를 축적하고 있다. 더불어 최근에는 TBM 정보관리시스템을 구축하여 장비구매자인 시공자에게 굴진정 보를 포함한 시공정보를 제공하고 있다. 현장의 일부 기술자들은 데이터의 중요성을 인식하여 틈틈이 데이터를 확보하 고 있지만 부족한 실정이다. 사회 전반에서 AI의 활용이 확대되고 있고 건설장비분야에서도 AI를 이용한 자동화가 진행되고 있다. 인력 부족과 생 산성 증가를 위해서 장비의 자동화는 건설 분야를 비롯하여 산업 전반의 대세이다. TBM 분야도 규칙기반의 자동화를 벗 어나 데이터를 이용하여 학습하고 패턴을 찾아내는 자동화로 넘어갈 필요가 있다. 이와 같은 이유로 관련 분야에 대한 지속적인 연구가 필요하다. [본 기사는 저자 개인의 의견이며 한국터널지하공간학회의 공식입장과는 무관합니다.]Vol. 25, No. 2 27 기술기사 1 1. 개 요 1.1 노선현황 동해북부선은 동해선 Missing Link 건설로 남· 북 및 유라시아 철도망을 연결하여 강원지역 균형발전 및 남· 북한 상 동해북부선 강릉~제진 단선전철 건설공사 저토피 터널통과 설계사례 이준석 SK에코플랜트(주) 동탄~인덕원 1공구 통합정거장 설계책임자 신용준 SK에코플랜트(주) 강릉~제진 4공구 설계책임자 현정엽 SK에코플랜트(주) 지반환경기술팀 팀장 임종민 SK에코플랜트(주) 강릉~제진 4공구 설계담당 문경선 (주)하경엔지니어링 터널지반부 전무 <그림 1> 강릉~제진 4공구 기본 및 실시설계 노선현황Next >