교각 주위의 하상(bed) 세굴은 매우 비선형적인 과정이어서 결정론적 및 확률론적 모델로 이를 예측하는 데 어려움이 있다. 본 연구는 교각 주위의 하상고(bed elevation)를 예측하기 위한 추론(inferential) 모형의 적용을 탐구한다. 목표는 해석 가능한 구조를 갖는 일반화된 머신러닝 모형을 구축하는 것이다. 활용된 역사적 데이터는 GA 매컨(Macon)의 오কম룰지 강(Ocmulgee River)에서 5th Street Bridge 교각에 설치된 센서들이 Ocmulgee River 상의 교각 주변을 대상으로 수집한 유량(streamflow)과 하상고에 대한 상세한 기록으로 구성된다. 우리는 단일 트리뿐 아니라 교각에 설치된 복수 센서에서의 하상고를 동시에 예측하기 위한 동질적(homogeneous) 앙상블 모형을 포함하여, 다양한 트리 기반 머신러닝 알고리즘의 정확도와 효율을 조사한다. 앙상블 모형은 bagging 및 boosting 기법을 기반으로 하였다. 모형의 강건성(robustness)을 타협하지 않으면서 과적합(overfitting)과 과소적합(underfitting) 간의 균형을 맞추는 데 특별한 주의를 기울였다. 성능 지표를 관찰한 결과, 트리 기반 모형은 우수한 예측 능력을 보였다. boosting 모형은 bagging 모형보다 우수했으며, 여기에는 gradient 기반 회귀 모형과 adaptive boosting이 포함된다. 본 연구에서 조사된 모든 모형 중에서 adaptive boosting 방법이 가장 높은 일반화 가능성을 보이는 것으로 관찰되었다. 개발된 모형들의 성능은 복잡한 비선형 유동에 대해 신속하고 강건한 예측을 제공하는 데 있어 트리 기반 앙상블 모형의 잠재력을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.