인공신경망을 이용한 폐광산 지반침하 평가에 관한 연구

Abstract

국내실정에 적합한 폐광산의 지반침하 예측 및 안정대책을 위해 인공신경망을 이용하였다. 지반침하를 발생시키는 영향인자를 검토하고 결정하기 위하여 문헌연구를 수행하였으며, 인공신경망 모델을 이용하여 석탄광과 일반광의 침하와 보강에 대한 추론 및 검증을 실시하였다. 인공신경망의 학습 및 입력자료는 국내 폐광산 지역 지반안정성보고서(기본조사 보고서, 정밀조사 보고서, 보강설계 및 실시 보고서)들을 활용하여 총 27개(17개 석탄광, 10개 일반광)권역, 247개 개별 침하지 자료를 수집하였다. 이번 연구에서는 신경망 엔진 GDAP (generalised data analyser and predictor)를 활용하여 인공신경망의 학습 및 추론의 모든 과정을 수행하였으며 학습알고리즘으로 역전파 알고리즘 중 하나인 RPROP(resilient backpropagation) 알고리즘을 적용하였다. 연구목적에 따라 2개의 인공신경망 모델을 개발하였으며 각각 MS-ANN(mine subsidence-artificial neural network) 1, MS-ANN 2로 명명하였다. MS-ANN 1은 신경망 엔진 GDAP의 추론능력을 검증하는 모델이며, MS-ANN 2는 침하와 보강정보의 판단여부에 대한 예측이 가능한 모델이다. 각각의 모델에 대해 최적의 인공신경망 구조를 결정하기 위해 은닉층의 구조와 학습횟수의 변화에 따른 추론시험을 수행하였다. 상관계수와 AIER(average infer error ratio)을 기준으로 선정하였으며, 그 결과 지반안정성평가를 위한 가장 적합한 은닉층의 노드 수는 MS-ANN 1에서 입력층 25개 node, 제 1 은닉층 30개 node, 제 2 은닉층 45개 node, 출력층 25개 node이고, MS-ANN 2에서는 입력층 21개 node, 제 1 은닉층 21개 node, 제 2 은닉층 28개 node, 출력층 9개 node의 구조로 확인할 수 있었다. MS-ANN 1를 통한 추론시험 결과 침하지별 상관계수는 평균 0.99, AIER은 평균 12.5%로 나타났으며, 노드별 상관계수는 석탄광과 일반광에서 평균 0.96, AIER은 평균 13.5%로 나타나 신경망 엔진의 추론정확성이 입증되었다. MS-ANN 2를 통한 추론시험 결과 침하정보와 보강정보의 상관계수는 평균 0.98, AIER은 평균 7.5%로 나타나 지반침하 평가를 하는데 있어서 높은 신뢰성을 보였다. 따라서 국내 폐광산 지반침하 평가에 인공신경망 기법을 적용한다면 침하예측과 보강대책 수립에 대하여 신뢰성 있게 산정할 수 있을 것으로 기대된다.