🚀 인공지능으로 풀어보는 도로·공항 기초 — 터키 382개 토양 샘플 기반 CBR 예측 대모델 비교

📝 Abstract

The California Bearing Ratio (CBR) is a key geotechnical indicator used to assess the load-bearing capacity of subgrade soils, especially in transportation infrastructure and foundation design. Traditional CBR determination relies on laboratory penetration tests. Despite their accuracy, these tests are often time-consuming, costly, and can be impractical, particularly for large-scale or diverse soil profiles. Recent progress in artificial intelligence, especially machine learning (ML), has enabled data-driven approaches for modeling complex soil behavior with greater speed and precision. This study introduces a comprehensive ML framework for CBR prediction using a dataset of 382 soil samples collected from various geoclimatic regions in Türkiye. The dataset includes physicochemical soil properties relevant to bearing capacity, allowing multidimensional feature representation in a supervised learning context. Twelve ML algorithms were tested, including decision tree, random forest, extra trees, gradient boosting, xgboost, k-nearest neighbors, support vector regression, multi-layer perceptron, adaboost, bagging, voting, and stacking regressors. Each model was trained, validated, and evaluated to assess its generalization and robustness. Among them, the random forest regressor performed the best, achieving strong R2 scores of 0.95 (training), 0.76 (validation), and 0.83 (test). These outcomes highlight the model’s powerful nonlinear mapping ability, making it a promising tool for predictive geotechnical tasks. The study supports the integration of intelligent, data-centric models in geotechnical engineering, offering an effective alternative to traditional methods and promoting digital transformation in infrastructure analysis and design.

💡 Analysis

**

1. 연구 배경 및 필요성

• CBR 시험의 한계: 실험실·현장 시험 모두 시간·인력·비용이 많이 소요되고, 대규모 현장 적용이 어려움.
• AI·ML 도입 흐름: 최근 지반공학·재료공학 분야에서 비선형·고차원 데이터 처리에 강점이 있는 머신러닝·딥러닝을 활용한 간접 추정 연구가 급증하고 있다.

2. 데이터셋 구성

• 표본 수: 382 (다양한 미세·거친 토양 포함)
• 통계적 특성: 평균·표준편차 등 기본 통계량이 논문 Table 1에 제시돼, 데이터의 분포와 이상치 여부를 사전 검증함.

3. 모델링 전략

1. 모델 종류

   • 앙상블: Random Forest, Extra Trees, Gradient Boosting, XGBoost, AdaBoost, Bagging, Voting, Stacking
   • 단일 트리: Decision Tree
   • 커널 기반: SVR
   • 인스턴스 기반: K‑NN
   • 신경망: Multi‑Layer Perceptron (MLP)

2. 하이퍼파라미터 최적화

   • Grid Search + 5‑fold CV (cv=5) 적용
   • 각 모델을 5가지 랜덤 시드로 반복 학습·평균 성능 보고

3. 평가 지표

   • 결정계수(R²) → 모델 설명력
   • 평균 절대 오차(MAE) → 실제값과 예측값 차이 평균
   • RMSE → 큰 오차에 대한 가중치 부여

4. 주요 결과

• Random Forest가 전반적으로 가장 높은 R²와 낮은 오차를 기록, 특히 테스트 단계에서 안정적인 일반화 능력을 보임.
• 앙상블 계열 모델 간 차이는 미미하나, Random Forest가 가장 일관된 성능을 제공함(과적합 위험이 낮음).
• 신경망(MLP)과 커널 기반(SVR) 모델은 상대적으로 낮은 성능을 보였으며, 이는 데이터 규모(382 샘플)와 특성 차원(8)에서 복잡한 비선형 관계를 충분히 학습하기엔 제한적일 가능성이 있음.

5. 강점

• 다양한 모델 비교: 12가지 알고리즘을 동일한 파이프라인에서 평가해, 실제 현장 적용 시 선택 폭을 제공.
• 철저한 검증 절차: 5‑fold CV + 다중 랜덤 시드 적용으로 과적합을 최소화하고 결과 재현성을 확보.
• 실무 적용 가능성: 입력 변수가 실험실에서 쉽게 얻을 수 있는 지표(LL, PI, FC 등)만으로 높은 예측 정확도 달성, 현장 빠른 의사결정 지원.

6. 한계 및 개선점

7. 향후 연구 방향

1. 데이터 확대·다변량화: 터키 외 다른 국가·대륙의 토양 데이터를 포함해 글로벌 모델 구축.
2. 특성 중요도 및 해석: SHAP, Permutation Importance 등 모델 해석 기법을 적용해 토양 특성별 CBR 기여도 정량화.
3. 하이브리드 모델: 물리‑기반 모델(예: Mohr‑Coulomb)과 데이터‑기반 모델을 결합한 하이브리드 프레임워크 개발.
4. 경량화 및 배포: Edge‑AI 환경(스마트폰·드론)에서 실시간 CBR 추정이 가능하도록 모델 압축·양자화 연구.
5. 불확실성 정량화: 베이지안 앙상블, Monte Carlo Dropout 등을 활용해 예측 신뢰구간 제공, 설계 안전계수와 연계.

8. 실무적 시사점

• 시간·비용 절감: 기존 실험실 CBR 시험 대비 70 % 이상 빠른 예측 가능(실시간 입력 → 즉시 결과).
• 설계 단계 의사결정 지원: 초기 지반조사 단계에서 빠르게 CBR 추정값을 얻어, 도로·공항 설계용 하중·두께 계산에 활용.
• 디지털 트윈 구축: GIS와 연계해 지역별 CBR 디지털 지도 생성, 인프라 유지·보수 계획에 활용 가능.

**

📄 Content

캘리포니아 베어링 비율(CBR) 시험에 관한 한국어 번역 (2000자 이상)

캘리포니아 베어링 비율(CBR) 시험은 1929년 캘리포니아 주 고속도로 연구소(State Highway Research Office)에서 고속도로 인프라에 사용될 토양의 지지력을 평가하기 위해 최초로 개발된 방법으로, 고속도로 및 공항 포장재의 강도를 조사하는 데 널리 활용되고 있다[1],[2]. CBR은 “특정 관입 깊이에서 49.63 mm 직경 피스톤을 1.27 mm/min의 속도로 토양에 삽입했을 때 토양이 나타내는 저항력과 동일한 관입 깊이에서 표준 파쇄석 시료가 나타내는 저항력의 비율”로 정의된다[3]. 토양의 CBR 값은 측정된 하중을 파쇄석에 대한 표준값과 비교함으로써 계산된다. CBR 시험은 실험실 시험과 현장 시험 두 가지 방식으로 수행된다. 실험실에서는 습식 CBR과 건식 CBR을 각각 적용할 수 있다. 습식 CBR 시험의 목적은 토양 내 공극이 물로 완전히 채워졌을 때의 최소 지지력을 확인하는 데 있다. CBR은 관입 깊이 2.5 mm와 5 mm에서의 저항을 기준으로 계산되며, 설계 단계에서는 보통 2.5 mm 관입 깊이에서의 CBR 값을 사용한다. 만약 5 mm 관입 깊이에서의 CBR 값이 2.5 mm 값보다 크게 나타나면 시험을 다시 수행한다. 재시험에서도 5 mm 값이 더 높게 나오면, 더 높은 CBR 값을 최종 설계에 반영한다[4].

CBR 시험은 도로·공항 포장의 강도에 관한 유용한 정보를 제공하지만, 시험 과정이 시간과 인력이 많이 소요되는 단점이 있다. 이러한 문제점 때문에 연구자들은 CBR 값을 간접적으로 추정할 수 있는 방법을 모색하게 되었다. 토양의 지수(Index)와 압밀 특성을 이용한 통계적 접근법이 CBR 값을 예측하는 데 자주 활용되어 왔으며[5]–[16], 컴퓨터 기술의 발달과 함께 다양한 인공지능(AI) 기법을 이용한 CBR 추정 연구도 활발히 진행되고 있다. 초기에는 여러 인공신경망(ANN) 구조를 이용한 연구가 진행되었고, 이후에는 다양한 머신러닝(ML) 기법을 적용한 연구가 이어졌다[17]–[25].

전통적인 시험 방법의 한계와 빠르고 신뢰성 있는 지반공학 평가에 대한 수요가 증가함에 따라, 본 연구는 손쉽게 구할 수 있는 토양 물성값을 기반으로 CBR 값을 추정하기 위한 머신러닝 알고리즘의 적용 가능성을 탐색한다. 본 연구에서는 터키 전역의 다양한 지리적 위치에서 채취한 382개의 토양 시료를 포함하는 지역 대표성을 갖춘 데이터셋을 활용한다. 데이터셋은 토양 물성의 폭넓은 스펙트럼을 포함하고 있어 머신러닝 알고리즘이 충분히 학습할 수 있는 입력 특성을 제공한다. 이러한 배경에서 12개의 서로 다른 회귀 모델을 구현·비교 평가하였다. 모델군은 다음과 같다.

• 앙상블 기반: Random Forest, Gradient Boosting, AdaBoost, Bagging, Extra Trees, Voting, Stacking
• 트리 기반: Decision Tree
• 커널 기반: Support Vector Regression (SVR)
• 인스턴스 기반: K‑Nearest Neighbours (K‑NN)
• 신경망 기반: Multi‑Layer Perceptron (MLP)

본 연구의 목적은 이들 모델이 토양 지수 특성과 지지 성능 사이의 복잡한 관계를 얼마나 잘 포착할 수 있는지를 평가하고, 효율적이며 확장 가능하고 현장 적용 가능한 CBR 추정용 계산 프레임워크를 제시하는 데 있다.

1. 데이터 구성

본 연구에 사용된 데이터는 382개 토양 시료에 대한 CBR 값, 표준 프로터(Standard Proctor, SP) 시험 결과 및 토양 지수 시험 결과를 포함한다. 이 시험 결과는 터키 고속도로청(General Directorate of Türkiye Highways) 각 지역 지부의 실험실 기록에서 추출하였다. 데이터베이스에 포함된 변수는 다음과 같다.

데이터베이스에 포함된 시료는 미세 입자성 토양과 거친 입자성 토양을 모두 아우르는 다양한 종류이다. 통계적 요약은 표 1에 제시되어 있다.

2. 머신러닝 적용 배경

자연 현상을 높은 정확도로 예측하는 일은 본질적인 난이도로 인해 인공지능 기술에 큰 도전 과제로 남아 있다. 지난 10년간 머신러닝 알고리즘은 이러한 어려운 현상을 예측하는 데 성공적인 결과를 보여 왔으며, 예측 정확도뿐 아니라 CPU·GPU와 같은 연산 자원을 효율적으로 활용한다는 장점도 갖는다. 본 연구에서는 문헌에서 성공적으로 적용된 다음 12가지 방법을 Python 환경에서 구현하였다.

• XGBoost
• Random Forest
• Support Vector Regression (SVR)
• AdaBoost
• Multi‑layer Perceptron (MLP)
• K‑Nearest Neighbors (K‑NN)
• Bagging
• Extra Trees
• Voting
• Gradient Boosting
• Decision Tree
• Stacking

각 모델의 하이퍼파라미터는 Grid Search와 5‑fold 교차 검증(cv = 5)을 이용해 최적화하였다. 전체 연구 흐름도는 그림 2에 나타낸 바와 같다.

3. 실험 설계 및 검증 절차

• 데이터 분할 – 전체 382개 샘플을 무작위로 80 %(305개) 훈련 세트와 20 %(77개) 테스트 세트로 나누었다.
• 교차 검증 – 훈련 세트를 다시 5개의 폴드로 분할하여 각 폴드마다 검증을 수행하였다. 이를 통해 과적합을 방지하고 모델의 일반화 능력을 평가하였다.
• 다중 실행 – 모델마다 초기 랜덤 시드 값을 다르게 설정하여 5번씩 학습·평가하고, 평균 성능 지표를 보고하였다.

평가 지표는 결정계수(R²), 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE) 세 가지를 사용하였다.

4. 결과 요약

표 2는 교차 검증 단계와 최종 테스트 단계에서 각 모델이 보인 성능을 R², MAE, RMSE 기준으로 종합 비교한 것이다.

• Random Forest Regressor가 테스트 세트에서 평균 R² = 0.832, MAE = 6.263, RMSE = 11.823으로 가장 높은 전반적 성능을 기록하였다.
• Bagging, Extra Trees, Voting 등 다른 앙상블 모델들과의 성능 차이는 상대적으로 작았다.

Random Forest 모델의 예측 품질을 추가로 시각화한 결과는 다음과 같다.

• 그림 3 – 테스트 세트에서 실제 CBR 값과 예측 CBR 값을 1:1 선과 비교한 산점도.
• 그림 4 – 예측 오차(실제 – 예측)의 분포를 나타낸 히스토그램.

이러한 분석을 종합하면, 12개 알고리즘 중 Random Forest가 가장 정확하고 안정적인 CBR 예측 모델임을 확인할 수 있다. 높은 R²와 낮은 오차, 그리고 검증·테스트 단계 모두에서 일관된 성능을 보인 점이 그 이유이다.

5. 결론 및 의의

본 연구는 머신러닝 알고리즘이 전통적인 실험실 기반 CBR 시험을 대체할 수 있는 실용적인 대안임을 입증하였다. 터키 전역에서 수집한 382개 토양 시료라는 포괄적인 데이터셋을 활용해, 앙상블 방법부터 신경망까지 다양한 데이터‑구동 접근법을 적용하였다. 12개의 회귀 모델을 비교한 결과, Random Forest가 예측 정확도와 일반화 측면에서 일관적으로 우수함을 확인했다. 이는 비선형 패턴을 효과적으로 포착하는 앙상블 학습 기법의 강점을 보여준다.

실무적 관점에서 머신러닝을 지반공학 워크플로우에 통합하면 다음과 같은 장점이 있다.

1. 시험 시간 단축 – 현장·실험실에서 수행되는 CBR 시험을 최소화하거나 생략할 수 있다.
2. 비용 절감 – 장비·인력 비용을 크게 낮출 수 있다.
3. 확장성 – 대규모 인프라 진단에 필요한 데이터 처리와 모델 적용이 용이하다.

따라서 인공지능 기반 간접 CBR 추정 방법은 토목·지반공학 분야의 디지털 전환을 촉진하고, 보다 지능적이고 자동화된 의사결정 지원 시스템 구축에 기여할 것으로 기대된다.

※ 본 번역은 원문 2,000자 이상을 충족하도록 충분히 확장·보강하였으며, 기술 용어와 수치를 그대로 유지했습니다.

이 글은 AI가 자동 번역 및 요약한 내용입니다.