⚡ 전기공학

Damage prediction of shield tunnel structures driven by numerical simulation and machine learning

본 연구는 실험을 통해 3단계 파괴 과정을 밝혀내어 검증된 고충실도 수치 모델과, 극한 하중 조건에서의 균열 폭 진화를 정확하게 예측하기 위한 입자 군집 최적화 강화 장단기 메모리 네트워크를 결합한 신뢰할 수 있는 쉴드 터널 손상 예측 프레임워크를 제안한다.

원저자: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

게시일 2026-09-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

원본 논문은 CC BY 4.0 (https://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

현대 도시의 북적이는 거리 아래에는 매일 수백만 명의 사람을 실어 나르는 거대하고 정적에 찬 터널 네트워크가 자리 잡고 있습니다. 백 년 동안 지속되도록 설계된 이 쉴드 터널은 지반의 엄청난 압력과 상부 도시의 무게를 견딜 수 있도록 공학적으로 설계되었습니다. 그러나 이러한 터널도 시간과 응력이 만들어내는 느리고 서서로 스며드는 힘으로부터 자유롭지는 못합니다. 갑작스러운 지반 변화나 예상치 못한 하중으로 인해 터널이 한계치를 넘어서게 되면, 벽을 형성하는 콘크리트 링에 균열이 생기기 시작합니다. 이러한 균열이 정확히 어떻게 시작되고, 성장하며, 결국 어떻게 구조적 실패로 이어지는지 이해하는 것은 메트로의 안전을 유지하는 데 매우 중요합니다. 엔지니어들은 오랫동안 물리적 테스트와 복잡한 컴퓨터 시뮬레이션에 의존하여 이러한 실패를 예측해 왔지만, 균열이 발생하는 콘크리트의 거동은 매우 복잡하여 최고의 시뮬레이션조차 모든 세부 사항을 포착하는 데 어려움을 겪을 수 있습니다. 이 간극을 메우기 위해, 연구자들은 이제 물리학 기반 모델링의 정밀함과 인공지층의 패턴 인식 능력을 결합한 새로운 접근 방식에 주목하고 있습니다.

중국 베이화 대학교의 연구팀은 극한의 응력 하에서 쉴드 터널이 얼마나 균열될지를 정확하게 예측하는 새로운 방법을 개발했습니다. 그들은 먼저 상하이의 한 프로젝트를 모델로 하여 실제 터널 구간의 매우 상세한 디지털 트윈을 구축하는 것으로 시작했습니다. 이것은 단순한 스케치가 아니었습니다. 콘크리트가 인장력을 받을 때의 구체적인 거동, 벽 내부에 숨겨진 철근의 존재, 그리고 콘크리트 링이 연결되는 복잡한 조인트까지 고려한 정교한 컴퓨터 모델이었습니다. 또한 연구진은 구조적 취약점을 만드는 맨홀의 영향과 링을 고정하는 볼트 사이의 마찰력까지 포함했습니다. 디지털 모델의 신뢰성을 확보하기 위해, 그들은 실물 크기의 터널 구간을 파괴될 때까지 압착하는 실제 실험을 모사한 가상 테스트를 수행했습니다. 컴퓨터의 예측은 물리적 실험과 거의 완벽하게 일치했으며, 이는 디지털 모델이 건강한 상태에서 파손된 상태에 이르기까지의 여정을 정확하게 시뮬레이션할 수 있음을 확인시켜 주었습니다.

신뢰할 수 있는 디지털 모델을 확보한 연구팀은 수천 번의 시뮬레이션을 실행하여 터널이 서서히 붕괴하는 과정을 관찰했습니다. 그들은 구조물이 한꺼번에 무너지는 것이 아니라 세 가지 뚜렷한 단계를 거친다는 것을 발견했습니다. 첫째, 터널은 단단한 스프링처럼 작동하여 약간 휘어지지만 원래의 모양으로 돌아옵니다. 하중이 증가함에 따라 콘크리트에 미세한 균열이 발생하기 시작하며, 이는 국부적이고 관리 가능한 수준의 손상이 발생하는 두 번째 단계로의 전환을 의미합니다. 마지막으로, 압력이 계속 높아지면 균열이 급격히 증식하고 확산되며, 내부의 철근이 영구적으로 굴곡되기 시작하고 구조는 전역적 실패 단계에 진입합니다. 연구진은 터널이 이 결정적인 붕괴 지점에 도달하기 전까지 최대 420킬로뉴턴(kN)의 하중을 견딜 수 있다는 것을 발견했습니다. 이 단계에서 표면의 균열 폭은 4밀리미터 이상으로 넓어졌으며, 철근 보강재는 항복 상태, 즉 회복할 수 있는 능력을 넘어 늘어난 상태가 되었습니다.

이 연구의 진정한 혁신은 연구진이 그다음 단계에서 수행한 작업에 있습니다. 시뮬레이션에서 멈추는 대신, 그들은 이러한 가상 실패로부터 생성된 데이터를 사용하여 컴퓨터가 미래를 예측하도록 학습시켰습니다. 연구진은 사건의 순서를 기억하며 이야기를 회상하는 방식과 유사하게, 시간에 따른 사건의 순서를 이해하는 데 탁월한 장기 단기 메모리(Long Short-Term Memory) 네트워크라는 유형의 인공지능을 채택했습니다. 그러나 이러한 컴퓨터 네트워크는 제대로 작동하기 위해 완벽하게 조정되어야 하는 많은 설정값을 가지고 있습니다. 이를 해결하기 위해 연구팀은 새들이 최적의 먹이원을 찾기 위해 떼를 지어 이동하는 방식에서 영감을 얻은 알고리즘인 입자 군집 최적화(Particle Swarm Optimization) 알고리즘을 사용했습니다. 이 알고리즘은 신경망을 위한 최적의 설정 조합을 자동으로 탐색하여, 신경망이 균열 성장의 복잡한 패턴을 최대한 효율적으로 학습할 수 있도록 보장했습니다.

그 결과, 쉴드 터널의 균열 폭을 놀라운 정확도로 예측할 수 있는 새로운 예측 도구가 탄생했습니다. 이 새로운 시스템은 한 번도 본 적 없는 데이터를 대상으로 테스트했을 때, 여러 일반적인 인공지능 모델보다 뛰어난 성능을 보였습니다. 이 시스템은 0.1033밀리미터라는 매우 낮은 오차 범위로 균열 폭을 예측했으며, 높은 확실성을 가지고 실제 데이터와 일치했습니다. 이 연구는 공학의 물리 법칙과 기계 지능의 학습 능력을 결합함으로써 터널의 건강 상태를 모니터링할 수 있는 강력한 시스템을 구축할 수 있음을 보여줍니다. 이러한 접근 방식은 잠재적인 위험이 재앙적인 상황으로 변하기 전에 식별할 수 있는 방법을 제공하며, 엔지니어들에게 도시가 의존하는 지하 교통 시스템을 유지하기 위한 신뢰할 수 있는 가이드를 제공합니다. 이러한 하이브리드 모델은 인프라의 장기적인 보호를 위한 필수적인 도구로서, 복잡한 데이터를 명확하고 실행 가능한 통찰력으로 전환하여 우리 발밑의 세상을 안전하게 움직이게 할 것입니다.

기술 요약: 수치 시뮬레이션 및 머신러닝 기반 쉴드 터널 구조물의 손상 예측

문제 정의

쉴드 터널은 최대 100년의 서비스 수명을 설계 목표로 하는 중요한 영구 인프라이다. 그러나 이들은 주변 건설 활동(예: 상부 하중, 인접 굴착) 및 지진과 같은 교란에 취약하며, 이는 세그먼트 균열, 조인트 변위, 심한 경우 전체적인 불안정성으로 이어질 수 있다. 쉴드 터널의 성능에 관한 광범한 연구로서 단순화된 해석적 방법과 수치 시뮬레이션이 존재하지만, 특히 극한 하중 조건 하에서의 쉴드 터널의 파괴 및 손상 진화에 초점을 맞춘 예측 연구에는 주목할 만한 공백이 존재한다. 터널 공학에 적용된 기존의 머신러닝 응용 분야는 주로 침하 및 변형 문제에 집중되어 왔으며, 극한 하중 하에서의 구조적 파괴 과정과 균열 폭 진화를 예측하는 연구는 여전히 미개척 영역으로 남아 있다.

방법론

본 연구는 손상 진화를 예측하기 위해 고충실도 수치 시뮬레이션과 머신러닝을 결합한 하이브리드 프레임워크를 제안한다. 방법론은 다음의 네 가지 단계로 진행된다.

1. 정밀 수치 모델링

상하이 메트로 터널 프로젝트의 치수(외경 6.2m, 두께 0.35m)를 기반으로 쉴드 터널 세그먼트의 상세한 3차원 수치 모델을 개발하였다.

구성 모델링: 콘크리트의 비선형성은 인장, 압축, 전단이 복합적으로 작용하는 거동을 정확하게 포착하기 위해 전체 변형률 균열 모델(특히 회전 균열 모델)을 사용하여 표현되었다.
구조적 세부 사항: 모델은 국부적인 맨홀 약화, 다중 접촉 인터페이스(슬라이딩/회전을 모사하기 위한 인터페이스 요소 사용), 매립된 철근(트러스 요소로 모사)을 명시적으로 고려하였다.
검증: 모델의 신뢰성은 실물 크기 실험 결과와 비교하여 검증되었으며, 하중-변위 응답에서 우수한 일치성을 보였다.

2. 파괴 시뮬레이션 및 데이터 생성

구조적 응력, 변형 및 철근 응력의 진화를 규명하기 위해 극한 지지 조건 하에서 파괴 시뮬레이션을 수행하였다.

하중 프로토콜: 천단부(crown), 인버트(invert), 하운치(haunch)에 방사형 하중을 가하여 구조적 지지 파괴가 발생할 때까지 2단계 하중 과정을 적용하였다.
데이터 추출: 시뮬레이션은 균열 폭 진화에 대한 상세 데이터를 생성하였으며, 이는 손상 예측을 위한 핵심 지표로 활용되었다. 데이터셋은 콘크리트의 취성 특성으로 인한 균열의 단계적 진화를 포착하였다.

3. 머신러닝 프레임워크 (PSO-LSTM)

시계열 데이터에서의 장기 의존성을 처리하는 능력 때문에 균열 폭 시계열을 예측하기 위한 기본 예측 모델로 장단기 메모리(LSTM) 네트워크를 선택하였다.

최적화: 은닉 유닛 수, 초기 학습률, L2 규제 계수를 포함한 핵심 LSTM 하이퍼파라미터를 최적화하기 위해 입자 군집 최적화(PSO) 알고리즘을 채택하였다.
학습: PSO 알고리즘은 전역 최적해를 찾기 위해 입자의 위치와 속도를 반복적으로 업데이트하여 예측 오차를 최소화하였다.

4. 비교 평가

제안된 PSO-LSTM 모델은 수치 시뮬레이션 데이터셋을 사용하여 학습 및 테스트되었다. 성능은 역전파(BP) 신경망, 합성곱 신경망(CNN), 그리고 일반적인 LSTM 모델과 정량적으로 비교되었다. 평가 지표에는 평균 제곱근 오차(RMSE)와 결정 계수( $R^2$ )가 포함되었다.

주요 결과

수치 시뮬레이션 결과

파괴 단계: 구조적 파괴 과정은 다음의 세 단계로 구분되었다.
1. 선형 탄성 단계: 230 kN까지 (균열 폭 ~0.11 mm).
2. 국부 손상 단계: 230 kN ~ 420 kN (균열 폭 최대 3.16 mm).
3. 전체 파괴 단계: 420 kN 초과 (균열 폭 최대 4.37 mm).
손상 특성: 인장 파괴가 손상 패턴을 주도하였다. 균열은 천단부와 인버트의 내측에서 시작되어 하운치 방향으로 전파되었다. 세그먼트 조인트에서 국부적 붕괴가 발생하였으며, 극한 지지력은 420 kN으로 결정되었다.
철근 거동: 내부 철근은 점진적인 인장 응력 집중을 경험하였으며, 구조적 파괴 시점에 결국 항복 강도(335 MPa)에 도달하였다.

머신러닝 성능

최적 구성: 민감도 분석을 통해 15개의 입자와 30회의 PSO 반복이 최적 설정임을 확인하였다. 7:3의 데이터 분할(학습:테스트)이 최상의 성능을 나타냈다.
예측 정확도: PSO-LSTM 모델은 RMSE 0.1033 및 $R^2$ 0.9487을 달о 성하였다.
비교 우위: PSO-LSTM 모델은 정확도와 안정성 측면 모두에서 BP, CNN 및 일반 LSTM 모델보다 우수한 성능을 보였다. BP 모델은 과적합 현상을 보인 반면, PSO-LSTM 모델은 과적합 없이 손상 진화의 복잡한 동적 특성을 포착하는 데 탁월한 능력을 입증하였다.

의의 및 주장

본 논문은 제안된 접근 방식이 메트로 터널의 모니터링 및 보호에 효과적인 가이드라인을 제공한다고 주장한다. 고충실도 수치 시뮬레이션과 최적화된 머신러닝 모델을 통합함으로써, 본 연구는 극한 하중 조건 하에서의 균열 폭 진화를 예측하는 신뢰할 수 있는 방법을 제시한다.

저자들은 이 프레임워크가 잠재적인 치명적 위험을 조기에 식별하고 적기 보수 또는 보강에 관한 의사결정을 지원함으로써 운영 안전성을 향상시키는 데 기여한다고 단언한다. 본 연구는 PSO-LSTM 모델이 침하보다는 극한 파괴 메커니즘에 초점을 맞추는 기존 방법론의 한계를 해결함으로써, 터널 운영 및 유지보수를 위한 견고하고 신뢰할 수 있는 근거를 제공함을 강조한다.