1 |
1
기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 저장한 DB;상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 데이터 수정부;상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 클러스터링부;상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 신경망 학습부; 및상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하고, 상기 예측한 현장 관입 지수 및 쉴드 TBM의 기계 인자를 기초로 상기 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 연산하여 예측하는 예측부를 포함하며,상기 계측된 복수의 지반 인자는,상기 지반에 대한 일축압축강도(USC), 암반 등급(RMR), 암질지수(RQD), 탄성계수, 탄성파 속도, 루전값, 흡수율을 포함하며,상기 데이터 수정부는,상기 암반 등급의 연산에 사용된 6개의 세부인자 중 일축압축강도, 암질지수, 지하수 상태를 제외한 절리간격, 절리상태, 절리방향 만을 사용하여 상기 암반 등급을 재산정하되, 상기 재산정 시에, 상기 절리간격, 상기 절리상태, 상기 절리방향 각각에 적용되는 가중치를 기 설정 값보다 2배 높은 값으로 적용하며,상기 실굴진속도는 아래 수학식에 의해 예측되는 쉴드 TBM의 실굴진속도 예측 장치:여기서, Fn은 상기 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 상기 예측한 현장 관입 지수를 나타낸다
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
삭제
|
5 |
5
삭제
|
6 |
6
청구항 1에 있어서,상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 선정부를 더 포함하며,상기 클러스터링부는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고, 상기 신경망 학습부는 상기 입력 노드에 상기 주요 지반 인자를 적용하며,상기 예측부는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시키는 쉴드 TBM의 실굴진속도 예측 장치
|
7 |
7
청구항 6에 있어서,상기 선정부는,최상 부분집합 선택법을 이용하여 상기 주요 지반 인자를 선정하는 쉴드 TBM의 실굴진속도 예측 장치
|
8 |
8
청구항 1에 있어서,상기 현장에 대응하여 저장된 현장 관입 지수는, 상기 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 아래의 수학식으로 결정되는 쉴드 TBM의 실굴진속도 예측 장치:여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 상기 암반 종류(i) 별로 상기 암반 종류에 대응하여 상기 DB에 기 저장된 평균 실굴진 속도, Fn은 상기 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 상기 현장에 적용된 상기 쉴드 TBM의 분당 회전수를 나타낸다
|
9 |
9
실굴진속도 예측 장치를 이용한 쉴드 TBM의 실굴진속도 예측 방법에 있어서,기 시공된 복수의 현장 각각에 대해, 상기 현장에 대응하여 계측된 복수의 지반 인자와, 상기 현장의 실굴진 속도를 기초로 연산된 현장 관입 지수를 DB에 저장하는 단계;상기 지반 인자 중 하나인 암반 등급(RMR)을 수정하되, 상기 암반 등급의 산정에 사용된 복수의 세부인자 중 일부를 제외하여 재산정한 암반 등급(RMRadjust)을 상기 DB에 갱신 반영하는 단계;상기 갱신 후의 복수의 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하여, 상기 현장 각각의 좌표점을 복수의 군집으로 퍼지 클러스터링하는 단계;상기 퍼지 클러스터링에 의한 소속 함수를 기초로 구축되는 적응형 뉴로 퍼지 신경망(ANFIS)의 입력 노드와 출력 노드에 각각 상기 복수의 지반 인자와 상기 현장 관입 지수를 적용하여, 상기 신경망을 학습시키는 단계; 상기 기 시공된 현장과 동일 방식으로 소정 시공 대상 현장에 대해 획득한 복수의 지반 인자를 상기 학습된 신경망에 입력시켜, 상기 시공 대상 현장의 현장 관입 지수를 예측하는 단계; 및 상기 예측한 현장 관입 지수 및 상기 쉴드 TBM의 기계 인자를 기초로 상기 쉴드 TBM의 실굴진속도(AR;Advanced Rate)를 연산하여 예측하는 단계를 포함하며,상기 계측된 복수의 지반 인자는,상기 지반에 대한 일축압축강도(USC), 암반 등급(RMR), 암질지수(RQD), 탄성계수, 탄성파 속도, 루전값, 흡수율을 포함하며,상기 갱신 반영하는 단계는,상기 암반 등급의 연산에 사용된 6개의 세부인자 중 일축압축강도, 암질지수, 지하수 상태를 제외한 절리간격, 절리상태, 절리방향 만을 사용하여 상기 암반 등급을 재산정하되, 상기 재산정 시에, 상기 절리간격, 상기 절리상태, 상기 절리방향 각각에 적용되는 가중치를 기 설정 값보다 2배 높은 값으로 적용하며,상기 실굴진속도는 아래 수학식에 의해 예측되는 쉴드 TBM의 실굴진속도 예측 방법:여기서, Fn은 상기 시공 대상 현장에 적용할 쉴드 TBM의 커터 당 추력, RPM은 상기 시공 대상 현장에 적용할 쉴드 TBM의 분당 회전수, FPI는 상기 예측한 현장 관입 지수를 나타낸다
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
삭제
|
13 |
13
삭제
|
14 |
14
청구항 9에 있어서,상기 갱신된 DB 내의 복수의 지반 인자 중 적어도 두 개의 주요 지반 인자를 선정하는 단계를 더 포함하며,상기 클러스터링하는 단계는 상기 주요 지반 인자에 대응하는 좌표점을 입력 벡터 공간에 투영하고, 상기 학습시키는 단계는 상기 입력 노드에 상기 주요 지반 인자를 적용하며,상기 예측하는 단계는 상기 시공 대상 현장에 대해 획득한 주요 지반 인자를 상기 학습된 신경망에 입력시키는 쉴드 TBM의 실굴진속도 예측 방법
|
15 |
15
청구항 14에 있어서,상기 선정하는 단계는,최상 부분집합 선택법을 이용하여 상기 주요 지반 인자를 선정하는 쉴드 TBM의 실굴진속도 예측 방법
|
16 |
16
청구항 9에 있어서,상기 현장에 대응하여 저장된 현장 관입 지수는, 상기 현장의 암반 종류(i)에 대응하는 평균 실굴진 속도를 이용하여 아래의 수학식으로 결정되는 쉴드 TBM의 실굴진속도 예측 방법:여기서, Fi={경암, 연암, 풍화암, 파쇄대}, AR(i)는 상기 암반 종류(i) 별로 상기 암반 종류에 대응하여 상기 DB에 기 저장된 평균 실굴진 속도, Fn은 상기 현장에 적용된 쉴드 TBM의 커터 당 추력, RPM은 상기 현장에 적용된 상기 쉴드 TBM의 분당 회전수를 나타낸다
|