TBM 운영 데이터 기반 지질 예측: 딥러닝과 통계학습 방법 비교

초록

본 연구는 터널 보링 머신(TBM)의 실시간 운영 데이터를 활용해 지질 상태를 예측하는 모델을 개발한다. 딥 뉴럴 네트워크(DNN)를 중심으로 설계한 예측 시스템을 기존의 통계학습 기법(예: SVM, 랜덤 포레스트, 로지스틱 회귀)과 비교 평가하였다. 중국의 실제 터널 공사 데이터를 이용한 사례 연구에서 DNN이 특히 훈련 데이터 직전 구간(단거리)에서 높은 정확도를 보이며, 기존 방법보다 앞선 지질 정보를 제공함을 확인했다. 이 결과는 지구물리 탐사와 병행해 터널 시공 중 위험을 사전에 감지할 수 있는 유용한 보조 수단이 될 수 있음을 시사한다.

상세 분석

본 논문은 TBM(터널 보링 머신)이라는 복합 공정 시스템의 운영 파라미터를 데이터 마이닝하여 지질 상황을 사전에 예측하는 새로운 접근법을 제시한다. 연구자는 먼저 TBM의 회전 토크, 전진 속도, 압력, 진동, 전류 등 다채로운 센서 데이터를 실시간으로 수집하고, 이를 시간‑연속적인 특성 행렬로 전처리한다. 전처리 단계에서는 결측값 보간, 이상치 제거, 정규화 및 윈도우 기반 시계열 분할을 수행해 모델 입력으로 적합한 형태를 만든다.

예측 모델로는 다층 퍼셉트론(MLP) 기반의 딥 뉴럴 네트워크(DNN)를 설계했으며, 입력층은 3050개의 특징을, 은닉층은 23개(각 64128개의 뉴런)로 구성하고 ReLU 활성화와 배치 정규화를 적용했다. 학습은 Adam 옵티마이저와 교차 엔트로피 손실 함수를 사용했으며, 과적합 방지를 위해 조기 종료와 드롭아웃(비율 0.20.5)을 도입하였다.

비교 대상으로는 전통적인 통계학습 방법인 서포트 벡터 머신(SVM), 랜덤 포레스트(RF), 로지스틱 회귀(LR), 그리고 k‑최근접 이웃(k‑NN) 등을 선택하였다. 각 모델은 동일한 훈련·검증 데이터셋을 사용해 하이퍼파라미터 튜닝을 진행했으며, 평가 지표는 정확도, 정밀도, 재현율, F1‑스코어, 그리고 ROC‑AUC를 포함한다.

실험 결과, DNN은 전체 구간에서 평균 정확도 92 %를 기록했으며, 특히 훈련 데이터 직전(예: 0–30 m 앞) 구간에서는 96 % 이상의 정확도를 보였다. 반면 SVM과 RF는 각각 84 %와 88 % 수준에 머물렀고, 정밀도·재현율에서도 DNN이 우위를 점했다. 특히 지질이 급격히 변하는 전이 구간에서 DNN은 연속적인 확률 출력으로 불확실성을 정량화할 수 있어, 현장 엔지니어가 위험도를 실시간으로 판단하는 데 유리했다.

또한, 모델의 해석 가능성을 높이기 위해 SHAP(Shapley Additive Explanations) 값을 계산해 각 입력 변수의 기여도를 시각화하였다. 결과는 회전 토크와 전진 압력이 지질 경도(암석 vs. 연약층) 구분에 가장 큰 영향을 미치며, 진동 신호는 물리적 파손 위험을 감지하는 데 유용함을 보여준다.

한계점으로는 훈련 데이터가 특정 구간에 편중돼 있어 장거리(>200 m) 예측 정확도가 다소 감소한다는 점, 그리고 데이터 수집 환경에 따라 센서 노이즈가 크게 달라질 수 있어 전처리 단계의 표준화가 필요하다는 점을 언급한다. 향후 연구에서는 전이 학습을 활용해 다른 터널 현장에 모델을 빠르게 적용하고, 지구물리 탐사 데이터와 융합해 다중 모달리티 예측 체계를 구축하는 방안을 제시한다.