기계학습 기반 지하매설물 속성 및 밀집도를 활용한 지반함몰 위험도 예측 모델 (Ground Subsidence Risk Grade Prediction Model Based on Machine Learning According to the Underground Facility Properties and Density)

서지정보

· 발행기관 : 한국지반환경공학회
· 수록지 정보 : 한국지반환경공학회 논문집 / 24권 / 4호 / 23 ~ 29페이지
· 저자명 : 이성열, 강재모, 김진영

초록

지반함몰의 주요 발생원인은 지하매설물의 손상으로 알려져 있다. 지반함몰은 상·하수관의 손상으로 인한 물길 형성에 따른 지반 내 토립자의 이동으로 공동이 형성되어 상부지반이 붕괴되는 메커니즘을 보이고 있다. 따라서 지반함몰은 지하매설물의 밀집도가 높은 도심지를 중심으로 발생하고 있으며, 사고 발생 시 인명 및 경제적 피해를 야기하므로 사고에 대한 대비가 반드시 필요하다. 이에 따라 지반함몰 위험을 예측하기 위한 연구가 꾸준히 수행되고 있으며, 본 연구에서는 ○○시의 2개 구를 대상으로 지반함몰 위험도 예측 모델을 제시하고자 하였다. 대상 지역의 지하매설물 속성 데이터(활용년수, 관직경)와 지하매설물 밀집도, 지반함몰 이력 데이터를 활용하여 데이터셋을 구축하고 전처리를 수행한 뒤, 기계학습 모델에 적용하여 최적의 평가지표가 도출되는 모델을 선정하였으며, 선정된 모델의 신뢰도를 평가하고 모델에서 도출되는 지반함몰 위험도 예측 시 활용된 영향인자의 중요도를 제시하고자 하였다.

영어초록

Ground subsidence shows a mechanism in which the upper ground collapses due to the formation of a cavity due to the movement of soil particles in the ground due to the formation of a waterway because of damage to the water supply/sewer pipes. As a result, cavity is created in the ground and the upper ground is collapsing. Therefore, ground subsidence frequently occurs mainly in downtown areas where a large amount of underground facilities are buried. Accordingly, research to predict the risk of ground subsidence is continuously being conducted. This study tried to present a ground subsidence risk prediction model for two districts of ○○ city. After constructing a data set and performing preprocessing, using the property data of underground facilities in the target area (year of service, pipe diameter), density of underground facilities, and ground subsidence history data. By applying the dataset to the machine learning model, it is evaluated the reliability of the selected model and the importance of the influencing factors used in predicting the ground subsidence risk derived from the model is presented.

참고자료

· 없음