🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

본 연구는 튀르키예의 토양 샘플 382개를 학습한 랜덤 포레스트 모델이 높은 정확도(R²=0.83)로 CBR(California Bearing Ratio)을 효과적으로 예측함을 입증하며, 지반 공학 분야에서 기존의 시간이 많이 소요되는 실험실 테스트를 대체할 수 있는 신속하고 신뢰할 수 있는 머신러닝 대안을 제시한다.

원저자: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

게시일 2026-09-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

도로가 건설되기 전, 엔지니어들은 지면 아래의 토양이 교통량의 무게를 견딜 만큼 충분히 강한지 반드시 알아야 합니다. 이것은 추측이 아니라, 토양이 무너지기 전까지 얼마나 많은 압력을 견딜 수 있는지에 기반한 계산입니다. 거의 한 세기 동안, 이 강도를 측정하는 표준적인 방법은 '캘리포니아 지지비(California Bearing Ratio)'라고 불리는 테스트였습니다. 실험실에서 피스톤을 일정한 느린 속도로 토양 샘플에 밀어 넣습니다. 피스톤을 밀어 넣는 데 필요한 힘은 표준적인 부서진 돌 블록에 피스톤을 밀어 넣는 데 필요한 힘과 비교됩니다. 그 결과는 엔지니어들에게 해당 토양이 고속도로나 공항 활주로의 기초로서 얼마나 잘 기능할지를 알려주는 하나의 숫자가 됩니다. 이 방법은 신뢰할 수 있지만, 느리고 비용이 많이 들며, 샘플을 실험실로 보내야 하기에 프로젝트를 지연시키고 비용을 증가시킬 수 있습니다. 더 빠르고 효율적인 건설에 대한 수요가 높아짐에 따라, 연구자들은 컴퓨터가 더 측정하기 쉬운 다른 토양 특성들을 관찰함으로써 이 숫자를 예측할 수 있을지 질문하기 시작했습니다.

튀르키예의 한 연구팀은 컴퓨터가 토양 데이터 속에 숨겨진 패턴을 인식하도록 가르침으로써 이 질문에 답하고자 했습니다. 그들은 나라 전역의 다양한 지역에서 채취한 382개의 서로 다른 토양 샘플로부터 얻은 방대한 정보를 수집했습니다. 각 샘플에 대해, 그들은 과거 실험실 테스트를 통한 최종 캘리포니아 지지비를 이미 알고 있었습니다. 또한 그들은 모든 샘플에 대해 토양이 보유할 수 있는 수분량, 입자의 미세함 또는 거칠기, 그리고 토양이 수축하거나 팽창하는 정도와 같은 다른 특성 목록을 가지고 있었습니다. 연구자들은 이 정보를 하나의 퍼즐처럼 취급하여, 알려진 이러한 특성들을 수학적 관계를 찾아내도록 설계된 12가지의 서로 다른 컴퓨터 프로그램에 입력했습니다. 이 프로그램들은 단순한 의사결정 나무부터 인간의 뇌가 정보를 처리하는 방식을 모방한 복잡한 네트워크에 이르기까지 다양했습니다. 목표는 컴퓨터가 훈련 과정 중에 실제 강도 테스트 결과를 전혀 보지 않고도, 토양의 기본적인 특성들과 최종 강도 등급 사이의 규칙을 학습할 수 있는지 확인하는 것이었습니다.

연구진은 데이터를 두 그룹으로 나누었습니다. 그들은 대부분의 샘플을 사용하여 컴퓨터 프로그램들을 교육시켰으며, 프로그램들이 예측을 연습하고 스스로의 실수를 바로잡을 수 있도록 했습니다. 그들은 남은 샘플들을 최종 시험용으로 남겨두어, 프로그램들이 한 번도 본 적 없는 토양을 대상으로 테스트하도록 했습니다. 결과가 단순히 운 좋은 추측이 아니라 공정하다는 것을 보장하기 위해, 그들은 테스트를 여러 번 실행했으며 각 컴퓨터 프로그램의 설정을 조정하여 최상의 성능을 찾았습니다. 이 엄격한 비교 과정을 거친 후, 한 가지 유형의 프로그램이 가장 뛰어난 성과를 보였습니다. 그것은 '랜덤 포레스트(Random Forest)'라고 불리는 앙상블 방법으로, 이는 많은 작은 의사결정 모델들의 의견을 결합하여 하나의 신뢰할 수 있는 결론에 도달하는 방식으로 작동합니다. 이 모델은 이 작업에 가장 숙련된 것으로 증명되었으며, 최종 시험에서 높은 정확도로 토양의 강도를 올바르게 예측했습니다.

결과는 랜덤 포레스트 모델이 놀라운 정밀도로 토양 강도를 예측할 수 있음을 보여주었으며, 이는 테스트된 다른 11개의 프로그램보다 실제 실험실 결과와 훨씬 더 잘 일치했습니다. 연구진이 컴퓨터가 예측한 값과 실험실에서 실제로 측정한 값 사이의 차이를 살펴보았을 때, 오차는 작고 균형 잡혀 있었는데, 이는 모델이 일관되게 너무 높거나 낮게 추측하지 않았음을 의미합니다. 몇몇 극단적인 사례들은 예측하기 더 어려웠지만, 전반적인 성능은 이 접근 방식이 실행 가능하다는 것을 시사할 만큼 강력했습니다. 이 연구는 이 방법이 물리적 테스트의 필요성을 완전히 대체한다고 주장한 것이 아니라, 컴퓨터가 이미 확보되어 있는 데이터를 사용하여 매우 근접한 추정치를 제공할 수 있음을 입증했다는 점을 보여주었습니다. 이러한 발견은 엔지니어들에게 실질적인 경로를 제시하며, 도로와 기초를 설계하는 초기 단계에서 디지털 도구를 사용하여 토양 조건을 빠르게 스크리닝하고 더 빠르고 정보에 기반한 결정을 내릴 수 있음을 시사합니다.

기술 요약: 앙상블 및 신경망 모델을 이용한 CBR 예측

문제 정의
CBR(California Bearing Ratio)은 운송 인프라 및 기초 설계 시 지반의 하중 지지 능력을 평가하는 데 사용되는 핵심적인 지질공학적 지표이다. 전통적으로 CBR 값은 특정 피스톤 삽입 속도와 관입 깊이(2.5 mm 및 5 mm)를 포함하는 실험실 관입 시험(습윤 또는 건조)을 통해 결정된다. 이러한 방식은 정확하지만, 특히 대규모 프로젝트나 다양한 토양 프로파일에 적용될 때 시간이 많이 소요되고 노동 집약적이며 비용이 많이 드는 것으로 특징지어진다. 따라서, 쉽게 구할 수 있는 토양 지수 특성을 활용한 간접적이고 신속하며 신뢰할 수 있는 추정 방법이 필요하다.

연구 방법론
본 연구는 머신러닝(ML) 알고리즘을 사용하여 CBR 값을 예측하기 위한 데이터 기반 프레임워크를 제안한다. 본 연구는 터키 도로국(General Directorate of Türkiye Highways)의 실험실 기록에서 추출된, 터키의 다양한 지기후 지역에서 수집된 382개의 토양 샘플로 구성된 포괄적인 데이터셋을 활용하였다.

입력 특성: 모델 입력값에는 자갈 함량(GC), 모래 함량(SC), 세립분 함량(FC), 액성 한계(LL), 소성 지수(PI), 최대 건조 밀도(MDD), 그리고 최적 함수비(OMC)의 7가지 토양 특성이 포함되었다.
데이터 분할: 데이터셋은 무작위로 훈련 세트(80%, n=305)와 테스트 세트(20%, n=77)로 분할되었다.
알고리즘 선택: 12가지의 서로 다른 회귀 기반 모델이 구현 및 비교되었다:
- 앙상블 방법: Random Forest, Bagging, Extra Trees, Voting, Stacking, Gradient Boosting, AdaBoost, XGBoost.
- 트리 기반: Decision Tree.
- 커널 기반: Support Vector Regression (SVR).
- 인스턴스 기반: K-Nearest Neighbors (K-NN).
- 신경망: Multi-Layer Perceptron (MLP).
최적화 및 검증: 견고성을 확보하고 과적합을 방방지하기 위해, 5-겹 교차 검증(5-fold cross-validation)을 이용한 그리드 탐색(Grid Search)으로 하이퍼파라미터 튜닝을 수행하였다. 각 모델은 변동성을 고려하여 서로 다른 랜덤 상태(random states)로 5회 학습 및 평가되었으며, 평균 성능 지표가 보고되었다.

주요 결과
모델의 성능은 결정 계수( $R^2$ ), 평균 절대 오차(MAE), 그리고 평균 제곱근 오차(RMSE)를 사용하여 평가되었다.

최우수 성능 모델: Random Forest Regressor가 가장 효과적인 모델로 나타났다. 이 모델은 테스트 세트에서 0.832의 $R^2$ 점수를 달성하였으며, MAE는 6.263, RMSE는 11.823을 기록하였다.
비교 성능: Bagging, Extra Trees, Voting Regressor와 같은 다른 앙상블 모델들도 강력한 성능을 보였으나, 최종 테스트 세트에서의 결과는 Random Forest보다 약간 낮았다. 특히, Voting Regressor는 높은 훈련 $R^2$ (0.994)를 보였으나 낮은 검증 $R^2$ (0.683)를 기록하여, 더 안정적인 Random Forest에 비해 과적합 가능성을 나타냈다.
모델 동작: Random Forest 예측값(실제값 vs 예측값)의 시각적 분석 결과, 대부분의 데이터 포인트가 이상적인 대각선에 가깝게 정렬되어 있었다. 오차 분포는 0을 중심으로 근사 정규 분포를 보였으며, 이는 편향되지 않은 예측을 의미하지만, 특정 사례에서는 약간의 과대평가 경향이 관찰되었다.
저조한 성능 모델: Stacking, MLP, Decision Tree와 같은 모델들은 낮은 테스트 세트 $R^2$ 점수(각각 0.519, 0.748, 0.683)를 기록하였으며, 이는 이 특정 데이터셋의 비선형 관계를 파악하는 데 있어 트리 기반 앙상블 방법보다 효과가 떨어짐을 시사한다.

주요 기여

포괄적 비교 분석: 본 연구는 단순한 의사결정 나무부터 복잡한 스태킹 앙상블 및 신경망에 이르기까지, 터키의 지기후 조건에서의 CBR 예측에 특화된 12가지의 다양한 ML 알고리즘을 체계적으로 평가하였다.
견고한 검증 프레임워크: 5-겹 교차 검증, 다중 랜덤 상태 반복, 그리고 엄격한 훈련/테스트 분할을 채택함으로써, 본 연구는 지질공학적 응용 분야에서 모델의 일반화 능력을 평가하기 위한 엄격한 프로토콜을 구축하였다.
최적 아키텍처 식별: 본 연구는 Random Forest를 이 특정 문제에 대한 우수한 아키텍처로 식별하였으며, 이는 다른 테스트된 방법들보다 토양 지수 특성과 지지력 사이의 복잡한 비선형 관계를 더 효과적으로 매핑하는 능력을 강조한다.

의의 및 주장
본 논문은 지질공학에 머신러닝을 통합하는 것이 전통적인 실험실 테스트의 실행 가능한 대안을 제공한다고 주장한다. 주요 의의는 예측 정확도를 유지하면서 테스트 시간과 비용을 줄일 수 있는 잠재력에 있다. 본 연구는 간접적인 CBR 추정을 위한 데이터 중심 모델의 채택을 지지하며, 인프라 분석 및 설계의 디지털 전환을 촉진한다. 저자들은 앙상블 기반 학습 기법, 특히 Random Forest가 물리적 관입 시험의 물류적 부담 없이 토양 거동의 복잡성을 처리할 수 있는 견고한 도구로서 예측 지질공학 작업에 적합하다고 결론짓는다.

유사한 논문