데이터 기반의 비탈면 붕괴 요인 분석 및 인공지능을 활용한 대책 공법 예측 연구 (Analysis of Slope Failure Factors Based on Data and Prediction of Countermeasure Methods Using Artificial Intelligence)

서지정보

· 발행기관 : 대한지질공학회
· 수록지 정보 : 지질공학 / 34권 / 4호 / 563 ~ 575페이지
· 저자명 : 김선겸, 김승현

초록

본 연구는 붕괴 요인 간의 상관 분석과 인공지능을 활용한 대책공법 예측을 통해 의미 있는 결과를 도출한다. 대표적인 상관분석 방법인 Cramér’s V 상관계수를 활용하여 도로비탈면관리시스템(cut slope management system, CSMS)의 기초 조사 데이터 중 비탈면 붕괴를 유발하는 주요 요인들(비탈면 종류, 주변 지형, 지하수, 풍화도, 불연속면 방향성, 비탈면 형상, 측면 현상, 붕괴 이력, 뜬돌, 낙석, 암반 형태, 불연속면) 간의 상관 관계를 살펴본다.
또한, Random Forest, XGBoost, LightGBM, CatBoost의 앙상블 기반 알고리즘과 DNN(deep neural network), TabNet의 딥러닝 기반 알고리즘을 활용하여 대책공법인 현상태 유지, 활동 하중 경감 공법, 활동 억제 공법, 낙석 제어 공법, 표면 보호 공법, 수리 제어 공법, 기타 공법의 총7가지 공법에 대한 예측 모델을 설계한다. 그 결과, 비탈면 붕괴 요인 중 비탈면 종류와 풍화도, 붕괴 이력과 붕괴 유형, 비탈면 종류와 암반 형태가 가장 큰 관계를 가진 것으로 확인되며, 예측에 대해서도 앙상블 기반 알고리즘이 전반적으로 높은 예측 성능을 보였다. 이를 통해 고품질의데이터베이스를 구축하고, 유사 비탈면 분류와 함께 더 정밀한 대책공법을 제공할 수 있으며, CSMS의 활용도를 높일 수 있을 것으로 기대된다.

영어초록

This study aims to derive meaningful insights by analyzing the correlation of collapse factors and predicting appropriate countermeasure methods using artificial intelligence. We utilize Cramér’s V correlation coefficient, a well-established method for correlation analysis, to explore the relationship between key factors contributing to slope collapse, such as slope type, surrounding topography, groundwater, weathering degree, discontinuity directionality, slope shape, lateral shape, Failure history, floating rock, rockfall, rock mass shape, and discontinuity within a basic investigation of the CSMS (cut slope management system). In addition, prediction models are designed for seven types of countermeasures—maintaining the status quo, reducing active load, suppressing active load, control ling rockfall, protecting the surface, controlling hydraulics, and other methods—using ensemble- based algorithms (Random Forest, XGBoost, LightGBM, and CatBoost) and deep learning-based algorithms (DNN (deep neural network) and TabNet). The analysis confirmed that slope type and weathering degree, collapse history and collapse type, and slope type and rock type showed the strongest correlations among the factors related to slope collapse. The ensemble-based algorithms demonstrated overall high prediction performance. This research is expected to contribute to the development of a high-quality database, enable the provision of more accurate countermeasure methods based on similar slope classifications, and enhance the usability of the CSMS.

참고자료

· 없음