확률·하이브리드 딥러닝 기반 지반 거동 및 응력 이력 예측

Probabilistic and hybrid deep learning for ground behavior and stress-history evaluation

연구 내용

관측·CPT 데이터를 학습해 지반 거동(침하·간극수압)과 응력 이력을 예측하는 연구

본 연구는 지반 계측 및 CPT 시험 데이터를 입력으로 하여 지반의 시간-의존 거동과 응력 이력을 데이터 중심으로 추정합니다. variational autoencoder를 활용해 관측 기반으로 내재 패턴을 학습하고, Gibbs sampling을 통해 예측 분포를 산출하여 침하 및 간극수압의 불확실성을 함께 표현하는 접근을 수행합니다. 또한 cone penetration test 데이터로부터 응력 이력을 평가하기 위해 데이터의 구조를 반영하는 학습 체계를 구성하고, unsupervised와 supervised 신호를 결합한 하이브리드 프레임워크 및 semi-supervised, active learning을 접목해 제한된 라벨 조건에서도 효율적인 추정 절차를 도출합니다. 이를 통해 대표 토양정수 기반 단일 해석의 한계를 보완합니다.

관련 프로젝트

0건

연구 흐름

2022년에는 관측 자료를 기반으로 제방 침하와 간극수압을 예측하기 위해 variational autoencoder를 도입하고, 시뮬레이션 기반 학습과 예측 구간 정합성을 검토했습니다. 이후 2025년에는 CPT 데이터를 활용해 응력 이력 평가를 수행하는 데이터 기반 접근을 제안하여 지반의 과거 응력 상태를 추정하는 문제로 확장했습니다. 2026년에는 unsupervised와 supervised learning을 통합한 하이브리드 프레임워크를 적용하고, semi-supervised 및 active learning 설정을 통해 학습 데이터 제약 하에서도 응력 이력 추정을 안정화하는 방향으로 연구를 심화했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

확률 기반 침하 예측
간극수압 거동 모델링
관측 데이터 융합 예측
CPT 기반 응력 이력 추정
불확실성 정량화
제한 라벨 학습
능동학습 기반 모델 개선
현장 모니터링 자동해석
지반 파라미터 업데이트 간소화
데이터 기반 유지관리 의사결정