1. 서 론
2. 현장 개요 및 데이터 분석
2.1 현장 개요
2.2 데이터 분석
2.3 마모 등급 구분
3. 예측 모델 구성
3.1 머신러닝 모델 구현
3.2 성능 지표
4. 결과 및 논의
4.1 모델 예측 결과
4.2 특성 중요도 분석
5. 결 론
1. 서 론
TBM (tunnel boring machine)은 불리한 지반 조건에서도 작업이 가능하며, 기존 발파 공법 대비 소음과 진동이 적어 안전성과 환경 측면에서 우수하여 최근 국내외적으로 활용 빈도가 증가하고 있다(Gong et al., 2016; Chen et al., 2023). TBM의 커터헤드에 장착된 디스크 커터(disc cutter)는 암반과 직접 맞닿아 굴착 작업을 수행하는 핵심 도구로, TBM 굴진 성능에 주요한 영향을 미치는 구성 요소이다(Chang et al., 2012). 디스크 커터는 베어링, 커터 링, 플로팅 씰, 리테이너, 허브와 샤프트 등으로 구성되며, 디스크 커터의 정격 하중은 주로 베어링의 최대 하중 용량에 의해 결정된다(Bae et al., 2015).
암반 절삭 과정에서 디스크 커터의 커터 링은 지속적으로 마모되며, 일정 수준 이상 마모된 커터는 교체가 요구된다(Kim et al., 2024). 만약 커터 교체가 지연되어 임계 마모량을 초과할 경우, 디스크 커터에 작용하는 토크와 마찰열이 상승하여 굴진 성능이 저하된다(Shin et al., 2024). 또한, 과도한 커터 마모로 인해 토사 및 지하수가 커터 내부로 침투할 경우 베어링과 허브까지 손상될 위험이 있으며, 이는 커터 부품 교체와 관련된 공사비 증가로 이어진다(Bae et al., 2015; Shen et al., 2022). 따라서, 디스크 커터의 과다 마모를 적시에 탐지하고 관리하는 것은 TBM 시공 프로젝트에서 필수적이다.
디스크 커터 마모 예측 모델을 제시하는 다양한 경험적 또는 실험적 연구가 지속적으로 수행되어 왔다(Gehring, 1995; Rostami, 1997; Bruland, 2000; Hassanpour et al., 2014; Liu et al., 2017; Wang et al., 2017; Ren et al., 2018; Zhao et al., 2019). 이러한 예측 모델에서 주로 사용되는 인자에는 세르샤 마모 지수(Cerchar abrasivity index, CAI), 일축압축강도, 커터수명지수 등이 있다. 그러나 기존 모델은 TBM 운영이 커터 마모에 미치는 영향을 고려하기 어려운 한계가 있다(Su et al., 2020). 이에 따라, 최근에는 TBM 시공 현장에서 수집한 지질 조건 및 TBM 운영 인자 데이터를 머신러닝(machine learning) 기법에 적용하여 커터 마모에 관한 예측 연구가 활발히 이루어지고 있다(Mahmoodzadeh et al., 2021; Yu et al., 2021; Kang et al., 2022; Kilic et al., 2022; Zhang et al., 2023; Shin et al., 2024; Kwon et al., 2025). 대부분의 기존 연구에서는 커터 마모량에 대한 회귀 예측을 수행하였으나, 실무에서는 커터 교체 여부 결정을 위한 과다 마모를 식별하는 분류 예측의 효율성이 높을 것으로 판단된다. 특히, 상대적으로 발생빈도가 낮은 과다 마모 탐지에 대한 예측 성능 향상에 중점을 둔 연구는 부족한 실정이다.
본 연구에서는 데이터 증강 및 머신러닝을 통한 디스크 커터 마모 등급 분류 예측 모델을 제안하였다. 먼저, 토압식 쉴드 TBM 현장의 디스크 커터 교체 이력 데이터에 대한 통계 분석을 통해 디스크 커터 마모량을 2가지 등급(양호와 경고)으로 구분하였다. 또한, 양호-경고 등급 간의 데이터 불균형 문제를 해소하기 위해 데이터 증강 기법인 SMOTE (synthetic minority oversampling technique)를 도입하였다. 데이터 증강 전후 모델의 예측 성능을 비교하여 데이터 증강 기법을 적용한 효과를 규명하였고, 특성 중요도 분석을 통해 각 특성이 디스크 커터 마모에 미치는 영향을 정량적으로 평가하였다.
2. 현장 개요 및 데이터 분석
2.1 현장 개요
본 연구에서 사용된 데이터는 ○○ 터널 프로젝트에서 수집되었으며, 현장의 종단면도는 Fig. 1에 도시하였다. 해당 프로젝트에서는 현장의 수압 및 지반 조건을 종합적으로 고려하여 커터헤드 직경 약 8 m의 토압식(earth pressure balance, EPB) 쉴드 TBM이 적용되었다. 커터헤드에는 50개의 디스크 커터, 106개의 스크래퍼, 56개의 버킷 등이 장착되었으며, 디스크 커터의 경우 커터헤드 중앙부에는 17인치 더블 커터가, 그 외 영역에는 18인치 싱글 커터가 배치되었다. 터널 노선을 따라 형성된 지층은 풍화암, 연암, 경암 등으로 구성되었으며, 전체 커터 교체 비율 중 경암 구간에서의 교체 비율이 약 36%로 가장 높게 나타났다. 이에 따라, 본 연구에서는 경암 구간을 연구 범위로 선정하였다.
2.2 데이터 분석
본 연구의 목표는 머신러닝 기법을 활용하여 1개 링 굴착 거리당 발생하는 디스크 커터 정상 마모의 등급을 예측하는 것이다. 이를 위해, 지반조사 보고서, TBM 운영 데이터, 커터헤드 교체 일지를 바탕으로 데이터 세트를 구축하였다.
디스크 커터 마모 영향 인자는 지반 조건, TBM 운영 인자, 커터 제원 등으로 구분된다(Frenzel et al., 2008). 이에 따라, 본 연구에서는 디스크 커터 정상 마모 등급 예측을 위한 입력 특성으로 3가지 지반 조건, 5가지 TBM 운영 인자, 1가지 커터 제원 데이터를 선정하였다. 즉, (1) 지반 조건: RQD (rock quality designation), 토피고(cover depth), 터널천장-지하수위 사이 거리(GWL), (2) TBM 운영 인자: 회전속도(rotation speed), 토크(torque), 추력(thrust force), 굴진율(penetration rate), 챔버압(chamber pressure), (3) 커터 제원: 커터 회전 거리(cutter revolution distance). 여기서, 커터 회전 거리는 커터헤드 1회 회전 시의 커터별 이동 거리를 의미한다.
TBM 터널 시공 시, 일정거리 TBM 굴진 후에 잠시 굴진을 중단하여 디스크 커터의 마모 상태를 확인하는 CHI (cutterhead intervention)를 수행한다. 본 연구에서는 경암 구간에서 수행된 26회의 CHI 데이터를 활용하였다. 이때, CHI 수행 시 커터헤드 중앙부에 위치한 센터 커터는 굴착토에 묻혀 접근성이 제한됨에 따라 상당한 비율의 마모량 결측치가 존재하여, 연구 분석 대상에서 제외하였다. 또한, 본 연구의 목적은 정상 마모 등급 분류 예측이므로 편마모, 깨짐, 탈락 등의 비정상 마모 역시 분석 대상에서 제외하였다. 이후, 이상치 및 오기입 데이터를 제거하여 총 15,501개의 데이터세트를 구축하였다. Table 1에 데이터세트 내 입력 특성의 기초 통계량을 제시하였다.
Table 1.
Statistical description of input features of the constructed dataset
| Type | Feature | Unit | Min | Q1* | Median | Q3* | Max |
| Geology | RQD | % | 30.91 | 63.08 | 70.67 | 76.62 | 89.99 |
| Cover depth | m | 24.00 | 35.41 | 38.63 | 45.23 | 55.37 | |
| GWL | m | 21.64 | 27.84 | 30.22 | 31.24 | 37.30 | |
| Operation | Rotation speed | rpm | 1.56 | 2.99 | 3.02 | 3.26 | 3.73 |
| Torque | MN ‧ m | 0.58 | 0.97 | 1.14 | 1.29 | 2.97 | |
| Thrust force | kN | 6,395 | 11,435 | 13,243 | 15,111 | 31,248 | |
| Penetration rate | mm/min | 5.1 | 11.0 | 12.2 | 13.3 | 18.0 | |
| Chamber pressure | bar | 0.00 | 0.12 | 0.23 | 0.38 | 3.22 | |
| Cutter layout | Cutter revolution distance | mm | 5,027 | 11,247 | 16,902 | 22,557 | 25,447 |
9가지 입력 특성 간의 관계를 분석하기 위하여, 비선형 또는 비정규분포 데이터 분석에 유용한 스피어만 상관분석(Spearman correlation analysis)을 수행하였다(Hauke and Kossowski, 2011). 스피어만 상관계수()가 양수일 경우는 두 변수 간의 비례 관계를, 음수일 경우는 반비례 관계를 나타낸다. 또한, 이 1에 가까울수록 두 변수 간의 상관관계가 크다는 것을 의미한다. Fig. 2의 분석 결과에 따라, RQD와 터널천장-지하수위 거리 간에는 강한 음의 상관관계( = -0.73)가 존재하고, 추력과 토크 간에는 강한 양의 상관관계( = 0.7)가 있음을 확인하였다. 이때, 상관관계가 높은 특성들은 데이터의 중복성을 증가시켜 모델 과적합으로 이어져 예측 성능을 저하시킬 수 있다(Yu and Liu, 2003). 따라서, 본 연구에서는 터널천장-지하수위 거리와 토크를 제외한 7가지 입력 특성을 디스크 커터 정상 마모 등급 예측 모델에 적용하였다.
2.3 마모 등급 구분
정상 마모 등급 예측 모델 구축을 위하여, 1링 굴착 거리당 마모량(wear per ring)을 산출하고 이를 기준으로 등급을 구분하였다. 구체적으로, 특정 CHI에서 측정한 마모량을 이전 CHI와 해당 CHI 간의 굴진 링 수로 나누어 링 당 마모량을 계산한 후, 교체 확률이 낮은 커터와 높은 커터를 구분하였다. Akhlaghi et al. (2024)에 따르면, 디스크 커터와 같은 굴착 도구의 마모는 시간 경과에 따라 초기 단계(I), 안정 단계(II), 급속 단계(III)로 구분된다. Fig. 3에 도시된 시간에 따른 마모 단계에서 그래프의 기울기는 마모 속도를 의미한다.
커터 마모가 시작되는 초기 단계에는 마모 속도가 상대적으로 높은 특징을 보인다. 이후, 마모 속도가 감소하여 일정 수준으로 유지되는 안정 단계로 전환된다. 이때, 커터-지반 간의 압력 및 접촉 면적이 균형을 이루어 접촉면 간 상호작용이 안정적으로 유지된다. 그러나, 마모량이 임계 마모량(critical wear point)을 초과하면 급속 단계로 전환되며, 커터-지반 간의 접촉면에서 발생하는 마찰열이 증가함에 따라 마모 속도가 급격히 상승한다(Jamshidi et al., 2020; Akhlaghi et al., 2024). TBM 굴진 성능 확보를 위해서는 임계 마모량을 초과한 급속 단계의 커터를 적시에 교체하는 것이 필수적이다.
이러한 마모 발생 원리를 현장에서 관측된 디스크 커터 마모량 및 교체 결과에 적용하였다. 각 CHI에서 교체되지 않은 디스크 커터는 초기 또는 안정 단계에, 교체된 디스크 커터는 급속 단계에 해당하는 것으로 간주하였다. 각 단계별 평균 링 당 마모량 분석 결과, 초기 또는 안정 단계의 평균 링 당 마모량은 0.240 mm로, 급속 단계의 평균 링 당 마모량은 0.438 mm로 나타났다. 이는 급속 단계에 해당하는 디스크 커터의 링 당 마모량이 실제로 더 크다는 것을 나타낸다.
또한, 각 단계별 링 당 마모량 분포를 정규분포로 가정하여 Fig. 4에 도시하였다. 분석 결과, 두 분포의 교점에서의 마모량은 0.337 mm로 나타났으며, 교점보다 적은 마모량에는 초기 또는 안정 단계 데이터의 약 73%가 포함되고, 교점 이상의 마모량에는 급속 단계 데이터의 약 71%가 속하는 것을 확인하였다. 이는 두 분포 데이터의 70% 이상을 분류하는 신뢰성 있는 기준으로 판단되며, 이에 따라 본 연구에서는 0.337 mm를 마모 등급 구분 기준으로 선정하였다. 즉, 링 당 마모량이 0.337 mm 미만인 경우를 양호(safe) 등급으로, 0.337 mm 이상인 경우를 경고(warning) 등급으로 분류하였다. Table 2에 양호 및 경고 등급에 해당되는 데이터의 개수와 비율을 요약하였다.
3. 예측 모델 구성
3.1 머신러닝 모델 구현
본 연구에서는 2가지의 마모 등급(양호, 경고)을 분류하는 머신러닝 예측 모델을 구축하였다. 수집 데이터 중 80%는 훈련 세트(training set)로, 나머지 20%는 테스트 세트(test set)로 구분하였다. 이때, 양호 등급에 비해 경고 등급의 데이터가 약 20% 적은 데이터 불균형이 존재하며(Table 2), 이는 다수 등급(양호)에 편향된 머신러닝 모델 학습 및 예측 성능 저하를 유발할 수 있다. 본 연구에서는 소수 등급(경고) 데이터의 증강을 통해 등급 분포를 균형 있게 조정하여 데이터 불균형 문제를 해소하고자 SMOTE를 활용하였다.
SMOTE는 기존 소수 등급 데이터를 기준으로 개의 근접 소수 데이터를 활용해 신규 소수 등급 데이터를 생성하는 대표적인 데이터 증강 기법이다(Chawla et al., 2002). SMOTE 기반 데이터 증강 원리 개략도는 Fig. 5에 도시하였다. 본 연구에서는 기존 훈련 세트(original training set)에 SMOTE ( = 5)를 적용하여 소수 등급(경고) 데이터가 증강된 증강 훈련 세트(augmented training set)를 구축하였다. Table 3에 데이터 증강 전과 후의 훈련 세트 내 데이터 개수 및 비율을 나타내었다.
Table 3.
Overview of each class for original and augmented training sets
| Dataset | Count | Proportion (%) | |||
| Safe | Warning | Total | Safe | Warning | |
| Original training set | 7,428 | 4,972 | 12,400 | 59.9 | 40.1 |
| Augmented training set | 7,428 | 7,428 | 14,856 | 50 | 50 |
디스크 커터 정상 마모 등급 예측을 위하여, 머신러닝 기법으로 Random Forest (RF)와 eXtreme Gradient Boosting (XGB) 2가지를 사용하였다. RF는 다수의 결정 트리를 결합한 앙상블(ensemble) 기법 중 배깅(bagging) 유형이다. 이 기법은 주어진 데이터를 무작위로 여러 하위 집합으로 나누고, 각 하위 집합에 대해 독립적으로 결정 트리를 학습시킨 후, 모든 결정 트리의 예측 결과를 결합하여 최종 예측을 도출한다. XGB는 앙상블 기법 중 부스팅(boosting) 유형으로, 각 결정 트리는 이전 결정 트리의 오차를 보정하는 방식으로 학습되며, 이는 반복적으로 진행된다. 이후, 각 결정 트리의 예측 값을 가중 평균하여 결과를 도출한다. RF와 XGB에 대한 구체적인 설명은 각각 Breiman (2001)과 Chen and Guestrin (2016)에 제시되어 있다. 또한, 머신러닝 기법의 최적 초매개변수(hyperparameter)를 탐색하기 위해 확률론에 기반한 베이지안 최적화 기법을 사용하였고, 모델의 일반화 성능을 높이고 데이터 편향을 방지하기 위해 5겹 교차 검증(5-fold cross validation)을 수행하였다. Table 4는 RF와 XGB 모델 각각의 초매개변수 탐색 공간을 나타낸다.
Table 4.
Search space of hyperparameters for each algorithm
3.2 성능 지표
본 연구에서는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 score 등의 성능 지표를 사용하였고, 이는 각각 식 (1), (2), (3), (4)와 같이 정의된다.
여기서, (true positive)는 특정 등급을 올바르게 예측한 경우를, (true negative)는 특정 등급이 아닌 다른 등급을 올바르게 예측한 경우를 의미한다. 또한, (false positive)는 특정 등급이 아닌 다른 등급을 특정 등급으로 잘못 예측한 경우를, (false negative)는 특정 등급을 다른 등급으로 잘못 예측한 경우이며, 은 등급의 개수를 의미한다.
정확도는 모델이 입력된 데이터 중 올바르게 예측한 데이터의 비율을 의미하며, 가장 일반적인 모델 성능 지표로 사용된다. 그러나 데이터 불균형이 존재하면 소수 등급의 예측 정확도를 충분히 반영하지 못하는 한계가 있다(Kwon et al., 2024). 정밀도는 모델이 예측한 결과 중 올바르게 예측한 결과의 비율을, 재현율은 실제 데이터 중 모델이 올바르게 예측한 데이터의 비율이며, F1 score는 정밀도와 재현율의 조화 평균이다. 재현율과 F1 score는 소수 등급의 예측 성능을 비교적 명확히 반영할 수 있어 데이터가 불균형한 상황에서 모든 등급의 예측 성능을 균형 있게 평가할 수 있는 지표로 유용하다. Fig. 6은 본 연구에서 구현한 예측 모델의 전체 흐름도이다.
4. 결과 및 논의
4.1 모델 예측 결과
본 연구에서는 데이터 증강 기법(SMOTE) 적용 여부와 두 가지 머신러닝 기법(RF, XGB)을 조합하여 총 4가지 예측 모델(RF 모델, RF-SMOTE 모델, XGB 모델, XGB-SMOTE 모델)을 구축하였고, 각 모델의 예측 성능은 Figs. 7 and 8에 제시하였다.
XGB 기반 모델(XGB 모델, XGB-SMOTE 모델)은 RF 기반 모델(RF 모델, RF-SMOTE 모델)과 비교하여 4가지 성능 지표 전반에서 우수한 예측 성능을 보였다. 이는 두 머신러닝 기법(RF, XGB)의 학습 방식 차이에 기인한 것으로 사료된다. RF는 여러 독립적인 결정 트리의 예측 결과를 결합하는 반면, XGB는 이전 결정 트리의 예측 오차를 점진적으로 보정하며 학습을 진행한다. 이러한 XGB의 학습 방식이 디스크 커터 마모 데이터 내의 비선형적 패턴을 효과적으로 파악하는데 유리한 것으로 판단된다.
또한, 증강 데이터 기반 모델(RF-SMOTE 모델, XGB-SMOTE 모델)이 기존 불균형 데이터 기반 예측 모델(RF 모델, XGB 모델)에 비해 정확도와 F1 score가 높게 도출되었다. 특히, 양호 등급 예측 성능이 다소 감소한 대신, 실무적으로 탐지 필요성이 높은 경고 등급의 예측 성능이 개선되어, 결과적으로 양호 등급-경고 등급 간 재현율 차이가 감소하였다. 즉, 데이터 증강을 통해 RF 기반 모델의 경고 등급 재현율(RecallW)이 0.803에서 0.835로, XGB 기반 모델의 경고 등급 재현율은 0.926에서 0.941로 향상되었다. 이는 경고 등급 데이터의 증강을 통해 예측 모델이 과다 마모 발생 메커니즘을 더욱 효과적으로 파악하였기 때문으로 판단된다. 이러한 결과는 데이터 증강 기법이 TBM 굴진 시 발생할 수 있는 다양한 이상 조건에 대한 예측 성능을 향상할 수 있음을 시사한다.
디스크 커터 점검 및 교체를 목적으로 한 CHI 계획 수립의 최적화를 위해, 커터의 과다 마모를 적시에 탐지하는 것이 중요하다. Figs. 7 and 8에 따르면, XGB-SMOTE 모델이 정확도, F1 score, 경고 등급(과다 마모) 재현율 등 전반적으로 예측 성능이 우수하고, 또한 양호 등급-경고 등급 간 균형 잡힌 예측을 수행하였다(정확도=0.939, F1 score=0.937, 양호 등급 재현율=0.938, 경고 등급 재현율=0.941). 따라서, 본 연구에서는 XGB-SMOTE 모델을 최적의 마모 등급 예측 모델로 선정하였다.
4.2 특성 중요도 분석
RF 및 XGB와 같은 결정 트리 기반 머신러닝 기법은 특성 중요도(feature importance)를 통해 개별 입력 특성이 출력 결과에 기여한 정도를 정량적으로 평가할 수 있다. 해당 기법은 노드에 속한 데이터의 클래스 균일성을 나타내는 불순도(impurity)를 최소화하는 방향으로 노드를 분할하여 트리를 생성한다. 이 과정에서 불순도 감소율을 기준으로 각 특성의 중요도를 결정하며, 감소율이 큰 특성일수록 중요도를 높게 평가한다. 특성 중요도는 변수 간 비선형적 관계와 복잡한 학습 과정을 나타내는 지표 중 하나로, 이를 분석하여 모델의 학습 과정을 해석하고 학습 속도 및 예측 성능을 향상시킬 수 있다. 본 연구에서는 XGB-SMOTE 모델에서 도출된 7가지 입력 특성의 중요도를 Fig. 9에 제시하였다.
특성 중요도 분석 결과, 7가지 입력 특성 중 커터 회전 거리가 커터 마모에 가장 큰 영향을 미치는 특성으로 확인되었다. 이는 커터가 커터헤드 중심에서 멀리 위치할수록 회전 거리가 길어지고, 그에 따라 커터가 지반에 압착 및 회전되는 정도가 증가하기 때문으로 판단된다. 또한, 통계적 관점에서 커터 회전 거리가 다른 입력 특성과 낮은 상관관계를 가져, 출력 특성 예측에 독립적으로 기여하였을 가능성도 존재한다(Hall, 1999).
커터 회전 거리의 높은 영향도는 특히 커터가 외측에 위치할수록 과다 마모로 이어질 가능성이 높음을 의미한다. 2.3절에 나타낸 바와 같이, 과다 마모에 해당하는 마모 급속 단계에서는 커터의 마모 속도가 급격히 증가하며, 이로 인해 커터 교체가 지연될 경우 굴착 성능이 충분히 발현되지 않을 가능성이 존재한다. 따라서, 커터헤드 외측에는 내측보다 커터 배치 간격을 줄여 굴착 성능이 저하된 커터를 인접 커터의 성능으로 보완할 수 있도록 설계하는 것이 필요하다.
마지막으로, 토피고, 커터헤드 회전속도, RQD가 디스크 커터 마모와 높은 상관관계를 보이는 것으로 나타났다. 이러한 결과는 TBM 굴진 과정에서 지반 조건에 따른 커터헤드 회전속도 조정이 과다 마모 방지에 주요한 역할을 수행하는 점을 시사한다. 이후, 그 외의 TBM 운영인자인 추력, 챔버압, 굴진율 순으로 중요도가 산출되었으나 상대적으로 낮은 중요도를 가진다.
5. 결 론
본 연구에서는 디스크 커터 마모량을 2가지 등급으로 구분하고, 데이터 증강 및 머신러닝을 적용하여 마모 등급 예측 모델을 제안하였다. 영향 인자 간의 상관관계 분석을 통해 입력 특성을 선정하고, 데이터 증강 기법인 Synthetic minority oversampling technique (SMOTE)를 적용하여 등급 간의 데이터 불균형을 해소하였다. 최종적으로, 데이터 증강 전과 후의 개발된 모델의 예측 성능을 평가하고 특성 중요도를 분석하였다. 본 연구로부터 얻은 연구 결과를 다음과 같다.
1. 디스크 커터 교체 이력 기반 통계 분석 결과, 마모량이 0.337 mm 미만인 약 73%의 커터는 교체되지 않은 것으로 나타났으며, 마모량이 0.337 mm 이상인 약 71%의 커터는 교체된 것으로 확인되었다. 본 연구에서는 마모량 0.337 mm를 기준으로 디스크 커터 마모 등급을 양호와 경고(과다 마모)로 구분하였다.
2. XGB 기반 모델(XGB 모델, XGB-SMOTE 모델)은 RF 기반 모델(RF 모델, RF-SMOTE 모델)보다 전반적으로 우수한 예측 성능을 보였다. 또한, 데이터 증강을 적용하기 전과 비교하여, SMOTE 기반 데이터 증강을 통해 RF와 XGB 기반 모델 모두에서 정확도, F1 score, 경고 등급 재현율(RecallW)이 향상되었다. 이는 과다 마모 데이터의 증강을 통한 과다 마모 발생 메커니즘 파악을 향상시킬 수 있음을 의미한다. 최적 모델로 선정된 XGB-SMOTE 모델의 예측 성능은 다음과 같다: 정확도=0.939, F1 score=0.937, 양호 등급 재현율=0.938, 경고 등급 재현율=0.941.
3. 특성 중요도 분석 결과, 커터 회전 거리가 디스크 커터 마모 등급 분류에 가장 중요한 인자로 확인되었고, 이는 커터헤드 외측의 비교적 좁은 커터 배치 간격 설계의 필요성을 시사한다. 또한, 토피고, 커터헤드 회전속도, RQD의 유의미한 중요도는 과다 마모 방지를 위한 지반 조건에 적합한 커터헤드 회전속도 조정의 중요성을 나타낸다.
4. 본 연구의 데이터 증강 및 머신러닝 기반 디스크 커터 마모 등급 예측 모델은 TBM 굴진 중 각 디스크 커터의 마모 상태 파악을 지원하여, CHI 계획 수립의 최적화에 기여할 것으로 사료된다. 향후 후속 연구에서는 적용 가능한 지반 조건의 범위를 확장하고 마모 등급을 보다 더 세분화하여, 예측 모델의 실용성을 향상시킬 수 있을 것으로 판단된다.
