기계학습을 이용한 동상방지층의 온도예측에 관한 연구

• 영문명: Temperature Prediction of Anti-frost Layer using Machine Learning Techniques
• 발행기관: 한국방재학회
• 저자명: 손재호(Son, Jaeho) 서용원(Seo, Youngwon) 박영목(Park, Youngmog) 조규태(Cho, Gyutae)
• 간행물 정보: 『2. 한국방재학회 논문집』 20권1호, 9~17쪽, 전체 9쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2020.02.28

국문 초록

우리나라는 겨울철이 되면 기온이 0 ℃이하로 내려가고 지반이 동결되고 팽창되어 도로구조물에 피해를 끼친다. 지반동결로인한 피해를 사전에 파악하고 대처하기 위해서는 지중온도의 예측은 매우 중요하다. 도로의 각 층의 온도를 예측하기 위하여크랭크-니콜슨 차분법에 의한 수치해석을 수행하였으며 지중온도를 예측하기 위하여 장기간 도로포장구조물의 온도를 측정한국토해양부(MLTM, 2012)에서 주관한 “도로 동상방지층의 효용성 검증 및 설치기준 연구”의 포장층별 온도자료를 이용해인공지능의 한 분야인 기계학습에 의한 수치해석을 통하여 온도예측을 실시하였다. 약 650일의 온도자료를 인공지능의 한분야인기계학습 중 심층신경망학습을 이용하여 동상방지층의 온도예측을 수행하였고, 히든레이어 수와 노드 수를 변경시켜가며트레이닝과정을 거쳤다. 히든레이어가 두 개이고 노드의 수가 40, 100 개인 경우 1에 가까운 적합도를 나타냈으며, 트레이닝결과를이용하여 예측모델을 만들었고 적합도가 0.87인 결과를 나타내었다.

영문 초록

In Korea, the temperature falls below 0 °C in winter and rises above 0 °C in spring. This change in temperature between the two seasons results in the ground alternatively freezing and thawing, which leads to road surfaces being damaged. Predicting the ground temperature becomes very important in identifying and responding to potential infrastructure damage due to the ground freezing and thawing. A simulation was conducted through numerical analysis using the Crank-Nicholson differential method to predict the temperature of each layer of a road. Moreover, the data gathered from measuring the temperature at each layer of a road over a period of 42 days in “Evaluation of Validity for Anti-frost Layer and Development of its Construction Criteria,” organized by the Ministry of Land, Transport and Maritime Affairs (2012), were used for the simulation. The training for temperature prediction of the anti-frost layer was performed using deep learning machine learning techniques with 650 days of measurement data by changing the number of hidden layers and nodes. With two hidden layers, 40 nodes, and 100 nodes, the reliability of the training result was close to 1. The reliability of the predictive model, a by-product of the training, was approximately 0.87.

목차

1. 서 론

2. 이론적 배경

3. 도로 동상방지층 현장계측

4. 기계학습 모델

5. 기계학습

6. 결 론

감사의 글

References

키워드

동상방지층 기계학습 심층신경망학습 Anti-frost Layer Machine Learning Deep Learning