암반 역학의 새로운 지평, 소프트 과립화 이론

이 논문은 암반 공학 설계 방법론에 정보 과립화 이론을 접목한 새로운 모델링 프레임워크를 상세히 설명한다. 서론에서는 인간 인지의 기본 원리인 과립화(전체를 부분으로 분해), 조직화(부분을 전체로 통합), 인과관계를 바탕으로, 암반 시스템 해석에 있어 수치적 이산화(하드 과립화)와 인지적 추론 과정(소프트 과립화)의 두 수준을 정의한다. 기존의 일반적인 암반 공학 설계 흐름도에서 설계 단계별로 적용되는 공학적 경험과 판단은 불완전하거나 과다한 정보(퍼지 형태)를 포함하는데, 정보 과립화 이론은 이러한 정형화되지 않은 지식을 체계적으로 설계 프로세스에 통합할 수 있는 토대를 제공한다. 본론에서는 소프트 모델링 도구로 SOM, NFIS, RST를 제시하며, 이들의 이론적 배경을 설명한다. SOM은 비지도 학습 방식의 클러스터링 도구로, 고차원 데이터의 차원을 축소하고 초기 Crisp 과립을 형성하는 데 사용된다. NFIS(특히 Takagi-Sugeno-Kang 모델)는 퍼지 논리와 신경망의 결합으로, 데이터 클러스터링(예: 차감 클러스터링)을 통해 자동으로 퍼지 규칙과 소속함수를 생성한다. RST는 정보 시스템에서 속성 간의 분별 불가능성 관계를 바탕으로 하한/상한 근사치를 정의하여, 불완전한 데이터로부터 결정 규칙을 추출하는 데 강점이 있다. 논문의 핵심은 이 세 가지 방법론을 단순히 나열하는 것이 아닌, '균형'의 원칙 하에 순차적, 계층적으로 통합한 세 가지 알고리즘(SONFIS-R, SONFIS-AR, SORST)을 제안하는 데 있다. 알고리즘의 공통 핵심은 'open-close iterations'이다. 먼저 SOM으로 원본 데이터를 Crisp 과립(폐쇄 세계 가정)으로 응축한다. 이를 새로운 입력 데이터로 삼아 NFIS 또는 RST를 적용하여 Fuzzy/Rough 과립과 규칙을 생성한다. 생성된 모델의 성능(오차, 규칙 강도)이 기준을 만족하지 않으면, 다시 원본 데이터(개방 세계)로 되돌아가 과립화 수준(예: SOM의 뉴런 수)을 조정하는 과정을 반복한다. SONFIS-AR에서는 오차와 뉴런 증가량 사이의 선형 관계를 설정하여 규칙적인 뉴런 성장을, SORST에서는 속성의 적응적 스케일링을 통해 최적의 규칙 세트를 탐색한다. 마지막으로, 이란 Shivashan 댐 현장에서 수행된 수많은 루존 시험 데이터를 활용한 투수성 평가 사례를 통해 제안 방법의 실용성을 검증한다. 변동성이 큰 현장 암반 투수성 데이터를 대상으로, 소프트 과립화 알고리즘이 복잡한 지반 조건을 효과적으로 군집화하고, 투수성에 영향을 미치는 주요 요소들 간의 의미 있는 규칙을 추출할 수 있음을 보여준다. 이는 기존의 결정론적 해석 방법으로는 포착하기 어려웠던 지반 불확실성과 공학적 경험을 모델에 통합한 성공적인 적용 사례로, 암반 역학 및 지반공학 전반의 지능형 분석 시스템 개발에 기여할 수 있는 유망한 접근법을 제시한다.