머신러닝을 이용한 지하매설물 탐사
Exploration of underground utilities using machine learning
- 주제(키워드) 지하매설물 , 전기비저항 , Random Forest , XGBoost
- 발행기관 아주대학교
- 지도교수 최수영
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위명 석사
- 학과 및 전공 일반대학원 수학과
- 실제URI http://www.dcollection.net/handler/ajou/000000030847
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 지하매설물 탐사 기술의 중요성이 계속 커지고 있다. 본 연구에서는 전기비저항탐사 방법에 대해 연구하고자 한다. 전기비저항탐사란 지표면에서 전기비저항을 조사하여 지하의 매설물을 예측하는 기술이다. 복잡한 지하를 전기저항이라는 제한적인 정보로 예측해야 하는 기술이므로 정확도가 비교적 높지 않은 한계를 가지고 있다. 본 연구를 위해 필요한 데이터는 현장에서 실측하여 얻었으며, 또한 데이터의 수를 늘리기 위해 COMSOL Multiphysics를 이용하여 시뮬레이션 데이터를 제작하였다. 이렇게 얻어진 데이터에 위상적 데이터 분석(TDA)을 이용하여 데이터 특징(feature)을 추출하여 Random Forest, XGBoost를 통해 분석하고, 이를 Root mean square error(RMSE)를 이용하여 검증하였다. 방향, 깊이, 직경, 센서와 지하매설물 간 거리를 예측 값으로 놨을 때 XGBoost의 경우 1.268 19.152 0.289 1.031 Random forest의 경우 1.299 19.642 0.298 1.060 으로 XGBoost 모델이 더 좋은 성능을 보였다. 하지만, 현장에서 측정한 데이터를 이용하여 학습한 결과가 위 결과보다 좋아, 현장에서 측정한 데이터의 필요성 및 더 나은 전처 리 과정이 필요하다는 것을 확인하였다.
more초록/요약
The importance of exploration technologies for underground utilities continues to grow in recent years. This study set out to investigate electrical resistivity surveys. Electrical resistivity surveys examine electrical resistivity on the surface and predict underground utilities. Since they predict the complicated underground state with limited information of electrical resistance, they have limitations derived from relatively low accuracy. In the study, data was collected through field surveys. Simulation data was generated with COMSOL Multiphysics to increase the volume of data. The collected data was put to topological data analysis(TDA) to identify features, which were then analyzed with Random Forest and XGBoost and tested with root mean square error(RMSE). XGBoost recorded [1.268 19.152 0.289 1.031] and Random Forest did [1.299 19.642 0.298 1.060] for the predictive values of direction, depth, diameter, and distance between the sensors and underground utilities, which suggests that the XGBoost had better performance. However, the learning results with the data measured on the sites were better than these results, which raises a need for on-site measurement data and better pre-treatment processes.
more목차
I. 서 론 1
A. 연구의 배경 1
B. 연구의 목적 3
C. 연구의 구성 4
II. 이론적 고찰 및 선행연구 검토 5
A. GPR(Ground Penetrating Radar) 5
B. 전기 비저항 탐사(PUSA) 6
C. COMSOL Multiphysic 7
D. 머신러닝 8
1. 머신러닝의 개념 8
2. 앙상블(ensemble) 방법 10
(A) Random forest 12
(B) XGBoost 13
E. 위상적 데이터 분석 15
III. 연구 방법 18
A. 데이터 수집 방법 18
1. Comsol Multiphysics를 이용한 데이터 수집 18
(A) 모델링 18
(B) 해석 설정 24
2. 현장 실험 25
B. 데이터 전처리 26
1. 데이터 비교 (min-max scale) 26
2. 연속형 데이터 추가 31
3. 위상적 데이터 분석(TDA) 32
(A) 데이터 정규화 32
(B) 필터 (Filteration) 33
(C) 데이터 형태 34
IV. 연구 결과 36
A. 검증 방법 37
B. 연구 결과 38
1. comsol 데이터(전처리 전) 학습 결과 38
2. min_max scale 학습 결과 39
(A) min_max scale 학습 결과 (noise X) 39
(B) min_max scale 학습 결과 (noise O) 40
3. 위상적 데이터분석(TDA) 학습 결과 41
(A) 위상적 데이터분석(TDA) 학습 결과 (noise X) 41
(B) 위상적 데이터분석(TDA) 학습 결과 (noise O) 42
4. 현장 데이터 학습 결과 43
V. 결론 45
참고 문헌 47
