< Previous98 자연,터널 그리고 지하공간 1. 들어가면서 IMF의 경제개발 수준 구분을 비롯하여 국내총생산, 1인당 국민소득을 고려할 때, 한국은 이미 선진국(advanced countries)으로 진입하였다. 따라서 선진국들이 겪고 있는 생산가능인구의 감소가 마찬가지로 나타나고 있다. 산업연구원 (KIET) 보고서(2019)에 따르면, 2020년부터는 베이비붐 세대가 고령인구로 진입함에 따라 생산가능인구가 매년 30만 명 이상씩 급감할 것으로 예상하고 있다. 건설업은 타 분야에 비해 열악한 근로조건으로 인하여 산업의 평균값에 비해 청년 층 유입이 상대적으로 줄어들고 숙련 노동자의 감소가 빠르게 나타나는 특징을 갖고 있다(그림 1). 이러한 우리나라 건설 산업의 경향은 숙련 인력 부족에 따른 생산성 저하를 가져오게 되므로 이전부터 근로자와 사업자에 대한 설문조사에서도 나타나듯이 숙련 인력 부족에 대한 우려를 나타낸 바 있다(CERIK, 2013; 2015). 생산가능 인구 감소와 더불어 나타나는 또 다른 문제는 고령화이다. 그림 1에서 건설분야는 장년층(55세 이상)의 비율이 빠르게 증가하며 전 산업 평균에 비해서 도 가파른 속도로 고령화가 진행되고 있다. 2000년 초반을 지나면서 전 산업의 재해율은 점차 감소하는데 반해, 건설업의 재해율은 고령화가 급속하게 이루어지는 시점을 기준으로 다시 증가하는 추세를 보이고 있다(그림 2). 고령화와 숙련 노 동자의 감소는 건설공사 목적물의 품질 저하뿐만 아니라 사고위험의 증가에 영향을 주고 있다. 즉, 결과적으로 생산성의 이철호(한국건설기술연구원 지반연구본부 수석연구원) 최순욱(한국건설기술연구원 지반연구본부 수석연구원) 강태호(한국건설기술연구원 지반연구본부 수석연구원) 장수호(한국건설기술연구원 지반연구본부 선임연구위원) <그림 1> 연령층별 근로자 비중 추세(통계청, ’08~’15)<그림 2> 전체산업 및 건설업의 재해율 추이(고용노동부, ’98~’18)Vol. 26, No. 4 99 스마트 건설 기술: TBM 자동운전 시스템 개발 감소와 재해율의 증가의 일정부분 원인이 되고 있다는 의미이다. 건설산업의 낮은 생산성을 끌어올리기 위해 각국에서는 Construction 2025(영국), i-Construction(일본), Const- ruction 21(싱가포르)과 같은 프로젝트들이 진행되고 있으며, 우리나라에서는 제1차 국토교통과학기술 연구개발 종합계 획(‘18~’27), 스마트건설기술 활성화 지침(국토교통부, 2021)을 통해 스마트 기술을 기반으로 ‘건설산업 생산성 향상과 안전도 개선’을 추진 중에 있다. 이 글은 TBM(Tunnel Boring Machine) 자동운전기술을 개발하기 위한 머신러닝 기반의 스마트운용시스템에 대한 것으로서, 국토교통부가 건설생산성 혁신 및 안전성 강화를 위해 수립한 스마트 건설기술 로드맵에 기반하여 추진되는 연 구 과제 중 일부를 소개한 글이다. 자세하게는 국토부에서 제시한 로드맵 중 시공단계로 설정된 건설기계 자동화 기술(스 마트건설기술연구사업의 2중점분야 5세부과제 ‘도로구조물 원격 ․ 자동화 시공 기술 개발’ 중 TBM 자동화 운전을 위한 운 용시스템 개발)의 일환이라고 할 수 있다(그림 3). <그림 3> 스마트건설사업단 5세부과제(도로구조물 원격 ․ 자동화 시공 기술)의 개요(과학기술전략연구소, 2019) 2. TBM 자동화 기술 스마트건설기술연구사업의 5세부과제는 도로구조물 중 교량(세부기술 1, 2)과 터널(세부기술 3, 4)을 대상으로 건설 공기 25% 이상 단축을 목표로 시공 과정을 혁신시키기 위한 연구과제이다. 특이한 점은 도로구조물에 대한 시공을 주제 로 하다 보니 주요구조물인 교량과 터널에 대한 시공기술이 함께 포함되었다는 점이다. 이 글은 터널 공법 중 TBM을 이 용한 공법을 대상으로 한다. 100 자연,터널 그리고 지하공간 프로젝트소개 TBM은 기계화 시공의 대표적인 장비로서, 일반적으로 원형 단면을 형성하며 그 직경이 최대 19 m까지 다양하게 제작 된다. 하나의 장비에서 굴착과 지보 공정을 수행할 수 있으며, 이를 위해 다양한 기계부품과 파트로 구성된다. 또한 이러 한 복잡한 기계장비를 다룰 수 있는 숙련 인력이 절대적으로 요구되는 분야이다. 이와 같은 기계적인 특성으로 자동화에 대한 필요성이 증가하고 있으며, 실제로 각 파트별로 부분 자동화가 상당부분 이루어진 상황이다. 스마트건설기술연구사업의 5세부과제로 추진되는 “TBM 자동화 운전을 위한 운용시스템 개발”에서는 머신러닝을 이 용하여 TBM 자동화 운전기술을 개발하고 있다. 이 기술은 TBM 시공에서 얻어지는 지반정보와 굴진정보를 기반으로 지 반 특성에 따른 TBM 운전 경험 데이터를 사전 처리하여 머신러닝 기법으로 학습시키고 있다. 그 결과는 추후 완전 자동 운전으로 진행하기 위해 우선적으로 운전 작업 일부를 자동화함으로써 운전자(operator)의 작업부담을 경감시키는 것을 목표로 하고 있다. 이 연구는 머신러닝 기반 TBM 스마트 운용 기술(세부기술 3)과 머신러닝 기반 TBM 리스크 관리 기술 (세부기술 4)로 구성되어 있으며, 각 세부기술의 개요는 다음과 같다. ∙ (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> 머신러닝 기반 TBM 스마트 운용 기술 개요Vol. 26, No. 4 101 스마트 건설 기술: TBM 자동운전 시스템 개발 ∙ (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> 머신러닝 기반 TBM 리스크 관리 기술 개요 3. 머신러닝 기반 TBM 스마트 운용 기술 이 글은 위 2가지 세부기술 중 머신러닝 기반의 TBM 자동화 기술을 다루고 있는 (세부기술 3)을 대상으로 설명하고자 한다. 세부기술 3에서는 TBM 운전 자동화를 위해 머신러닝 기반 TBM 스마트운용시스템(TBM Smart Operation Sys- tem, TSOS)을 구축하였다. 이 시스템은 TBM DB통합관리시스템(TBM DB Management System, TDMS)과 TBM 자 동운전시스템(TBM Auto Operation System, TAOS)으로 구성된다. 3.1 머신러닝을 위한 TBM DB 구축 데이터 기반 학습을 통해 예측을 수행할 수 있는 머신러닝은 산업 전반에 걸쳐 사용되고 있으며, 건설 분야에서도 그 활용이 증대되고 있다. 특히 시공 전반이 장비 기반으로 진행되는 TBM 분야는 자동화에 대한 관심이 높으며, 해외에서는 일정한 지반조건에서 AI알고리즘을 이용한 부분적인 TBM 운전 자동화가 이루어진 바 있다.102 자연,터널 그리고 지하공간 프로젝트소개 TBM 작업에 영향을 주는 장비성능, 운전자, 현장상황, 지반조건과 같은 요소 중 지반조건은 굴진성능에 큰 영향을 주 는 요소이다. 이러한 이유로 다수의 TBM 연구에서도 지반조건에 따른 굴진성능의 예측을 다루었으며, 지속적으로 연구 되고 있는 상황이다. 머신러닝 기법을 적용한 TBM 운전 자동화라는 관점에서 살펴보면, 지반데이터는 굴진데이터와 유기적인 관계가 있기 때문에 지반데이터와 굴진데이터가 결합된 데이터 세트(data set)가 필요하다. 따라서 TBM 운전 자동화에 머신러닝을 적용하기 위해서는 항상 두 가지 데이터를 같이 수집할 필요가 있다. TBM의 굴진데이터는 수백~수천 개의 항목으로 구성되어 있기 때문에 머신러닝을 위한 목표(target)와 특성(features) 의 선택이 중요하다. 예를 들어 목표는 운전자에 의해 조작되는 TBM 굴진속도, 스크류컨베이어 속도가 될 수 있고, 특성 은 추력(thrust), 토크(torque), 회전속도(RPM), 전방압(face pressure) 등을 선택할 수 있다. 학습 데이터 세트 구성 시, 일반적으로 데이터 테이블(table)의 칼럼(column) 제목이 되는 특성은 굴진데이터뿐만 아니라 지반데이터를 같이 구성 하여 지반과 굴진데이터가 결합된 학습이 이루어지도록 해야 한다. 이때 특성의 선택은 그림 6과 같이 상관도 분석과 같 은 데이터 분석 또는 전문가의 기술적 판단에 근거하여 수행될 수 있다. <그림 6> EPB TBM 데이터 특징에 대한 상관도(Pair-wise Correlation)분석 결과 예 3.2 TBM DB통합관리시스템 TBM터널공사에서 수집되는 데이터는 별도의 데이터 전처리 과정을 통해 머신러닝을 위한 데이터 세트로 구성된다. DB통합관리시스템은 데이터의 수집을 비롯하여 데이터전처리 작업수행을 포함하는 시스템이다. TBM의 굴진데이터의 양은 일반적으로 장비의 직경 및 추가 기능과 비례하여 증가하며, 작게는 수백 개의 항목에서 크게는 수천 개의 항목에 이Vol. 26, No. 4 103 스마트 건설 기술: TBM 자동운전 시스템 개발 르기까지 다양한 항목으로 구성된다. 따라서 머신러닝을 적용하기 위해서는 목표변수와 특성변수의 선택이 중요하기 때 문에, 이 시스템에서는 원시 데이터를 저장하고, 기계 학습용 특성을 선택하며, 선택된 특성에 대한 기본적인 기술 통계 계산 결과를 제공해야 한다. 또한, 이상치 처리와 유의성 확인과 같은 과정을 통해 데이터 전처리 작업을 보조해주는 역 할도 필수이다. 그림 7은 TBM DB 통합 관리 시스템의 화면 구성 예시로, DB 관리, 데이터 분석 및 데이터 처리라는 세 가지 메뉴로 구성되어 있다(한국건설기술연구원, 2021). <그림 7> TBM DB Management System(TDMS) 화면 구성 예시 3.3 TBM 자동운전시스템 DB통합관리시스템이 데이터를 수집하고 전처리 시스템이라면, 자동운전시스템은 전처리된 데이터세트를 이용하여 머 신러닝 분석을 수행하고 그 결과를 도출하는 시스템이다. DB관리시스템에서 작성된 데이터세트를 학습하여 설정된 목표 에 대한 최적의 머신러닝 알고리즘과 하이퍼파라미터(hyperparameters)를 도출한 다음, TBM 제어부와의 연결을 통해 TBM 장비에 명령을 내려 운전의 일부를 자동화하는 시스템이다. 이 과정에서 다양한 머신러닝 기법이 적용되며, 각 기법 별로 도출된 결과를 비교하여 최적의 머신러닝 기법을 선택하여 적용할 수 있도록 구성되었다. 그러나 아직까지 TBM의 자동 운전은 세계적으로도 연구단계에 있기 때문에 현장적용에 있어서도 조심스러운 접근이 필요하다. 따라서, 본 연구 에서는 현장적용 시 TBM 운전자가 직접 조작하는 수동방법과 시스템에 의한 자동방법을 운전자 판단에 근거하여 변환하 여 사용할 수 있도록 시스템을 구성하고 있다(한국건설기술연구원, 2021). 현재 상용화된 대부분의 머신러닝 알고리즘의 대부분은 지도학습 기반으로 제작되었다. 본 연구에서도 선형회귀 (Linear/Ridge(L2)/Lasso(L1) Regression), 결정트리(Decision Tree), 서포트벡터머신(Support Vector Machine), 앙상블(Boosting, Bagging)과 같은 지도학습(supervised learning)기반의 회귀 및 분류 머신러닝 알고리즘을 사용하였 다. 최종적으로 어떠한 학습결과가 최적인지를 결정하는 문제는 머신러닝 알고리즘이 적용되는 상황에 따라 유동적이다. 보통은 데이터의 크기/품질/특성, 가용 연산 시간, 작업의 긴급성, 데이터의 활용 목표를 고려하며, 본 연구에서는 알고104 자연,터널 그리고 지하공간 프로젝트소개 리즘 선정 시 성능과 연산시간을 중요 기준으로 삼았다. 그림 8은 TBM 자동운전시스템의 화면구성 예시이며, 크게 데이터처리, 머신러닝, TBM 연결의 3가지 메뉴로 구성되 어 있다. <그림 8> TBM Auto Operation System(TAOS) 화면 구성 예시 3.4 머신러닝 기법을 이용한 토압식 쉴드 TBM의 굴진성능 예측(강태호 외, 2020) 다음은 위 과제에서 하천 하부의 토사지반을 통과하는 토압식 쉴드TBM 터널 구간의 지반데이터 및 굴진데이터와 몇 가지 머신러닝 기법을 사용하여 쉴드TBM의 굴진율을 예측한 결과 예이다. 데이터 전처리(pre-processing) 과정으로 굴 진데이터의 다양한 전압 측정값, 계측 온도, 위치 및 자세 정보와 같은 특징을 삭제하여 주요 지반과 굴진데이터 항목 15 개를 선정하고 데이터 값과 평균의 차이를 표준편차로 나누어 표준화(standardization)를 적용하였다. 그리고 결측치 처 리는 결측 값이 존재하는 데이터 전체를 제거하는 방식을 사용하였다. 특성들 간의 유의성 검증(0.05이하)과 다중공선성 만족여부(VIF 10이하)를 판단하였고 하이퍼파라미터는 그리드서치 (GridSearchCV) 기법을 사용하여 결정한 다음, 학습데이터와 테스트데이터의 비율을 8:2로 적용하였다. 결과에 대한 예측성능은 RMSE(Root Mean Square Error)와 결정계수(coefficient of determination)를 사용하였다. 학습결과는 표 1, 그림 9와 같다. 7가지 예측 모델의 성능을 비교한 결과, 앙상블(ensembles) 모델인 그랜드 부스팅(GradientBoosting)과 서포트 벡터 머신(Support Vector Machine)이 분석한 데이터세트에 대해서 토압식 쉴드 TBM 굴진성능 예측에 적합한 것으로 나 타났다. 그러나 이 결과는 단일 현장의 데이터를 기반으로 도출된 예로서 다양한 현장의 데이터를 이용한 결과와 다를 수 있다.Vol. 26, No. 4 105 스마트 건설 기술: TBM 자동운전 시스템 개발 <표 1> 토압식 쉴드TBM 굴진속도 예측 결과(예) Model Test Dataset R2RMSE (mm/min) Multiple linear 0.7606.195 Shrinkage Methods Ridge0.7666.255 LASSO0.7666.255 ElasticNet0.7626.299 Tree-based Methods Decision Tree0.8864.257 Bagging - RandomForest0.8844.308 Boosting - GradientBoosting0.9423.102 Support Vector Machine0.9522.754 (a) Shrinkage Methods(b) Tree-Based Methods(c) Support Vector Machine <그림 9> 머신러닝 알고리즘별 실제 데이터와 예측 값과의 비교 결과(예) 3.5 머신러닝 기법을 이용한 이수식 쉴드 TBM의 암반분류 예측(강태호 외, 2021) 위에서 설명한 토사지반에서의 토압식 쉴드TBM의 굴진율을 예측에 더불어 암반지반 슬러리 쉴드TBM 터널 현장의 지 반정보와 굴진정보를 기반으로 암반 특성에 대한 분류 예측도 수행하였다. 암반 특성에 관한 분류 기준은 암석의 RQD, 일축압축강도, 탄성파 속도(VP)를 사용하였고 TBM 터널의 데이터를 대상으로 6개의 머신러닝 분류 알고리즘을 적용한 학습을 통해 각 모델에 적합한 하이퍼파라미터를 선정하였으며, 분류 모델 결과를 토대로 최적 모델을 도출하는 연구를 수행하였다. 암반 특성 분류 기준 항목에 따라 암반상태를 클래스 0(양호), 1(보통), 2(불량)의 3개 클래스로 구분하였고 클래스에 따 라 추력, 토크 등과 같은 주요 굴진데이터의 분포특성을 도시해본 결과, 암반 특성에 따라 변하는 것을 확인할 수 있었다. 각 분류 모델에 대한 학습결과의 평가는 정확도, 정밀도, 재현율, f-스코어를 사용하여 종합적으로 성능을 판단하였다 (표 2). 성능측면에서 앙상블 모델의 대부분이 좋은 결과를 보여주었으나, 위의 4가지 평가지표 외에도 기계학습 모델의 106 자연,터널 그리고 지하공간 프로젝트소개 적용에 중요한 요소인 전산자원 소모량과 학습속도 측면을 고려할 필요가 있기 때문에 동일 조건에서 학습이 진행된다는 가정에서 LigthtGBM, XG부스팅,그레디언트 부스팅, 서포트벡터 모델 순으로 학습 진행 속도가 빠르게 나타났다. 그림 10은 학습 결과 중 LightGBM 모델을 이용하여 학습에 사용된 전체 데이터 세트를 대상으로 암반 특성 분류 예측을 수행 한 결과이다. 이와 같은 결과는 단일 현장의 데이터를 기반으로 도출된 예로서 다양한 현장의 데이터를 이용한 결과와 다 를 수 있다. <표 2> 암반분류 예측 결과(예) Model RQDUCSVp Accu- racy Presi- cion Recall f1-score Accu- racy Presi- cion Recall f1-score Accu- racy Presi- cion Recall f1-score Decision Tree class 0 0.631 0.670.740.70 0.702 0.690.970.81 0.784 0.720.540.61 class 10.640.420.510.840.210.330.860.90.88 class 20.560.660.600.740.230.350.50.710.59 AdaBoost class 0 0.580 0.660.650.66 0.802 0.830.920.87 0.712 0.520.40.45 class 10.490.470.480.740.500.600.770.850.81 class 20.530.560.540.740.650.690.700.710.70 Gradient Boosting class 0 0.904 0.930.920.92 0.963 0.970.980.97 0.969 0.950.950.95 class 10.890.890.890.950.920.930.980.980.98 class 20.880.900.890.950.940.950.940.940.94 Xgboosting class 0 0.909 0.930.920.93 0.956 0.970.970.97 0.966 0.950.940.95 class 10.890.890.890.940.910.930.980.980.98 class 20.890.910.90.930.930.930.910.940.92 LightGBM class 0 0.912 0.930.930.93 0.965 0.980.980.98 0.970 0.950.940.95 class 10.890.890.890.940.930.930.980.980.98 class 20.90.910.90.950.950.950.940.950.95 Support Vector Machine class 0 0.903 0.90.930.91 0.960 0.970.980.97 0.962 0.950.940.94 class 10.910.880.890.950.910.930.970.980.98 class 20.90.880.890.950.940.940.920.910.92Vol. 26, No. 4 107 스마트 건설 기술: TBM 자동운전 시스템 개발 (a) RQD (b) UCS (c) VP <그림 10> 암반 특성별 분류 결과(예)Next >