말뚝지지력 예측을 위한 머신러닝 모델 연구 (A Study of Machine Learning Models to Estimate a Pile Load Capacity)

서지정보

· 발행기관 : 한국산학기술학회
· 수록지 정보 : 한국산학기술학회논문지 / 22권 / 10호 / 268 ~ 276페이지
· 저자명 : 이병식

초록

이론적, 경험적 방법으로 예측한 말뚝지지력은 현장 재하시험을 통해 신뢰도를 검증해야 한다. 하지만 일반적으로 말뚝재하시험은 비용이 많이 소요되므로 시험횟수에 제약이 따른다. 최근에는 말뚝지지력 예측의 보조수단으로서 머신러닝이나 딥러닝 등 인공지능 모델을 이용한 연구가 수행되고 있다. 인공지능 알고리즘, 개발플랫폼과 하드웨어, 데이터 등의 매우 빠른 변화와 발전을 감안하면 보다 명확하고 타당한 모델의 개발과 적용 가능성은 무한하다. 이 연구에서는 다음의 목적으로 말뚝 지지력 추정을 위한 선형회귀 및 결정트리 알고리즘에 기반한 앙상블 머신러닝 모델들의 적용성을 평가하였다. 1) 오픈소스 파이선 플랫폼, 구글코랩, 쥬피터노트북 등 인공지능모델 개발을 위한 최신 개발 환경 구축, 2) 말뚝지지력 예측을 위한 머신러닝 모델의 평가, 3) 말뚝기초 인공지능 모델 개발을 위한 기존 말뚝재하시험 데이터베이스 검토 및 활용, 4) 향후 말뚝기초의 침하, 하중-변위 추정까지 모델을 확장하기 위한 기반연구로서 수행하였다. 검토한 머신러닝모델들은 검증데이터셋트에 대해서 결정계수 0.5 이상의 점수로 말뚝지지력을 예측할 수 있는 것으로 평가되었다. 앙상블모델 중 말뚝지지력 예측 적합성이 높은 모델로서 그라디언트부스팅과 XG 부스팅 모델의 적용을 제안하였다. 향후 연구로서 과적합의 효율적 배제 방안, 적정한 하이퍼파라미터 결정, 추가 데이터 축적 등의 문제를 제안할 수 있었다.

영어초록

Field pile load tests are essential to ensure the reliability of pile capacities determined using theoretical and empirical methods. However, the number of such tests is generally restricted due to their high cost. Recently, artificial intelligence (AI) models involving machine learning and deep learning are being developed as supplemental methods to estimate pile capacities. Clearer and more reliable models need to be developed on an ongoing basis, considering the rapid evolution of artificial intelligence algorithms, hardware and developing platforms, and data. The applicability of machine learning models using linear regression and decision tree ensemble algorithms to estimate pile bearing capacities were evaluated in this study for the following purposes: 1) building up the environment for developing artificial intelligence models, such as the open-source Python platform, Google Colab, Jupyter Notebook, etc., 2) evaluation of machine learning models for estimating a pile load capacity, 3) reviewing and utilizing the existing pile load test databases for developing AI models of pile foundations, 4) conducting base studies for the future extension of models for the estimation of the settlement and load-displacement of piles. The investigated machine learning models were found to estimate pile load capacities with scores in terms of the coefficient of determinant over 0.5. The most appropriate ensemble models for the pile load estimation were the gradient boosting and XB boosting models. Further studies could include subjects such as eliminating overfitting, deciding on the proper hyperparameters, and accumulating additional data.

참고자료

· 없음