Data-augmented machine learning approach for abnormal wear prediction in TBM disc cutters

Yuri Yeom; Hangseok Choi; Yerim Yang; Jinsoo Park; Kibeom Kwon

doi:10.9711/KTAJ.2025.27.5.367

Preview

Research Paper

Journal of Korean Tunnelling and Underground Space Association. 30 September 2025. 367-383
https://doi.org/10.9711/KTAJ.2025.27.5.367

Data-augmented machine learning approach for abnormal wear prediction in TBM disc cutters

TBM 디스크 커터 비정상 마모 예측을 위한 데이터 증강 기반 머신러닝 연구

Yuri Yeom¹

Hangseok Choi²

Yerim Yang³

Jinsoo Park⁴

Kibeom Kwon⁵^*

염 유리¹

최 항석²

양 예림³

박 진수⁴

권 기범⁵^*

¹Master Student, Dept. of Civil, Environmental and Architectural Engineering, Korea University

²Professor, School of Civil, Environmental and Architectural Engineering, Korea University

³Ph.D. Candidate, Dept. of Civil, Environmental and Architectural Engineering, Korea University

⁴Research Professor, Future and Fusion Lab of Architectural, Civil and Environmental Engineering, Korea University

⁵Researcher, Future and Fusion Lab of Architectural, Civil and Environmental Engineering, Korea University

¹정회원, 고려대학교 건축사회환경공학과 석사과정

²정회원, 고려대학교 건축사회환경공학부 교수

³정회원, 고려대학교 건축사회환경공학과 박사과정

⁴정회원, 고려대학교 미래건설환경융합연구소 연구교수

⁵정회원, 고려대학교 미래건설환경융합연구소 연구원

^{*Corresponding Author}

License (open-access, https://creativecommons.org/licenses/by-nc/4.0/):

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (https://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Although numerous studies have addressed disc cutter wear prediction, most have focused on normal wear due to its higher occurrence, resulting in relatively limited research on abnormal wear. This study developed a machine learning model for predicting abnormal wear using data augmentation and analyzed the influence of features on the model predictions based on a dataset obtained from an earth pressure balance (EPB) shield TBM site. Cutter wear was classified into two categories: normal and abnormal wear. To address the class imbalance between the two wear types, the Synthetic Minority Oversampling Technique (SMOTE) and BorderlineSMOTE were applied. A total of six models were constructed using Random Forest (RF) and eXtreme Gradient Boosting (XGB). The prediction results showed that models trained on the augmented datasets improved abnormal wear detection by approximately 18 to 38% compared to those trained on the original imbalanced dataset, while also reducing the performance disparity between the two wear types. In particular, the RF-BorderlineSMOTE model achieved comparable recall values of 0.842 and 0.836 for normal and abnormal wear, respectively, indicating that oversampling near the decision boundary effectively enhanced abnormal wear detection. Furthermore, SHapley Additive exPlanation (SHAP) analysis identified chamber pressure, thrust force and elastic modulus as key predictive features. Increases in chamber pressure and thrust force were associated with a higher risk of abnormal wear, whereas higher elastic modulus was found to reduce this risk.

Keywords

Tunnel boring machine

Disc cutter

Abnormal wear

Machine learning

Data augmentation

디스크 커터의 마모 예측에 관한 연구는 지속적으로 이루어져 왔으나, 정상 마모와 비정상 마모 간 발생 빈도 차이로 인해 대부분 정상 마모 예측에 초점을 두고 있으며, 비정상 마모에 대한 연구는 상대적으로 부족한 실정이다. 본 연구에서는 데이터 증강을 활용하여 비정상 마모 예측을 위한 머신러닝 모델을 구축하고, 모델 내 특성 중요도 및 그 영향 양상을 분석하였다. 토압식 쉴드 TBM 현장에서 수집된 데이터를 기반으로 마모 유형을 정상 마모와 비정상 마모로 분류하여 데이터세트를 구축하였다. Synthetic Minority Oversampling Technique (SMOTE)와 BorderlineSMOTE의 2가지 데이터 증강 기법을 도입하여 마모 유형 간의 불균형이 해소된 증강 데이터세트를 구축하였다. Random Forest (RF)와 eXtreme Gradient Boosting (XGB)의 머신러닝 기법을 기존 데이터세트와 2가지 증강 데이터세트에 각각 적용하여 총 6가지의 예측 모델을 개발하였다. 예측 성능을 비교한 결과, 증강 데이터 기반 모델은 기존 불균형 데이터 기반 모델에 비해 비정상 마모 탐지 성능이 약 18%에서 38%까지 크게 향상되었으며, 정상 마모와 비정상 마모 간의 성능 차이 또한 감소하는 경향을 보였다. 특히, 최적 모델인 RF-BorderlineSMOTE 모델의 경우에는 정상 마모와 비정상 마모에 대한 재현율이 각각 0.842와 0.836으로 유사하게 나타났으며, 이는 두 마모 유형 간의 결정 경계 인근 데이터를 중심으로 한 증강 방식이 비정상 마모 탐지에 효과적임을 시사한다. 또한, SHapley Additive exPlanation (SHAP) 분석에 따라 챔버압, 추력, 탄성계수가 예측 모델 내 주요 특성으로 식별되었으며, 챔버압과 추력은 비정상 마모 발생 가능성과 양의 상관성을, 탄성계수는 음의 상관성을 보였다.

키워드

Tunnel boring machine

디스크 커터

비정상 마모

머신러닝

데이터증강

MAIN

1. 서 론
2. TBM 현장 및 데이터 구성
2.1 현장 개요 및 TBM 제원
2.2 데이터 수집 및 전처리
3. 모델 구현
3.1 데이터 증강
3.2 머신러닝 모델 구축
3.3 모델 해석
4. 결과 및 논의
4.1 모델 예측 성능
4.2 SHAP 분석
5. 결 론

1. 서 론

지하 공간 개발을 위한 터널 시공의 중요성이 부각되면서 TBM (tunnel boring machine) 공법이 국내외적으로 주목받고 있다(Gong et al., 2016; Kwon et al., 2023). TBM 공법은 기존 발파 공법에 비해 시공 효율성, 경제성, 안정성 측면에서 우수하여 대심도 터널 시공에도 적합하며, 최근에는 쏘일 컨디셔닝(soil conditioning), 비파괴 탐사 기반 전방 예측 등의 기술 발전으로 적용가능한 지반 범위가 확장되고 있다(Liu et al., 2016; Hwang et al., 2023; Kang et al., 2023; Yoon et al., 2023). 디스크 커터(disc cutter)는 TBM의 굴착 성능을 좌우하는 핵심 부품으로, 커터헤드의 추력과 토크를 굴진면에 전달하여 지반을 굴착한다(Chang et al., 2012). 이 과정에서 디스크 커터는 지속적으로 마모되며, 누적된 마모는 굴착 효율 저하와 커터 내부 부품 손상을 초래한다(Bae et al., 2015). 따라서, 주기적인 커터 마모 모니터링과 적절한 교체 시기 계획이 필수적이다(Shin et al., 2024).

디스크 커터의 마모는 그 형상 및 상태에 따라 정상 마모와 비정상 마모로 구분된다. 정상 마모는 디스크 커터와 암반 간 마찰로 커터 링이 균일하게 마모되는 경우를 의미하고, 비정상 마모는 편마모, 링 파손, 베어링 파괴 등 커터 링이 불균일한 형상을 갖는 경우를 뜻한다(Liu et al., 2017; Yang et al., 2018). 특히, 복합 지반 또는 지질 경계 구간 통과 시, 디스크 커터의 마모량이 급격히 증가하며 비정상 마모 발생 빈도 역시 높아지는 경향이 있다(Zhao et al., 2007; Yang et al., 2021). 비정상 마모로 인한 커터 링의 불균일 형상은 커터 회전 능력 저하와 응력 집중을 유발하여 디스크 커터의 취성파괴로 이어질 수 있다(Ge et al., 2022). 또한, 비정상 마모가 나타난 커터는 주변 커터에도 영향을 미쳐 비정상 마모 범위를 확장하거나 심한 경우 커터헤드 자체에도 손상을 가할 수 있다(Li et al., 2024). 따라서 비정상 마모가 발생한 경우는 즉시 교체해 주어야 하며, 이로 인한 계획되지 않은 커터 교체는 공사 기간과 비용 증가로 이어질 수 있다(Yang et al., 2019). 따라서 향후 대심도 지반에서의 TBM 시공 프로젝트 수요 증가를 고려할 때, 디스크 커터의 비정상 마모 예측 및 관리가 필수적으로 요구된다.

디스크 커터의 마모 예측 및 관리를 위한 이론 및 실험 기반 모델이 지속적으로 제시되었으며(Gehring, 1995; Rostami, 1997; Bruland, 2000; Hassanpour et al., 2014; Liu et al., 2017; Ren et al., 2018), 이러한 경험적 모델은 계산 과정이 비교적 간단하다는 장점이 있다(Shen et al., 2022). 그러나, 특정 터널 프로젝트의 조건에만 국한되어 적용 가능하며, 다양한 지반 특성 및 TBM 운영 변수가 커터 마모에 미치는 영향을 충분히 반영하지 못하는 한계가 있다(Su et al., 2020). 이를 극복하고자, 최근에는 머신러닝을 활용한 디스크 커터 마모 예측 모델 연구가 진행되고 있다(Mahmoodzadeh et al., 2021; Kang et al., 2022; Zhang et al., 2023; Kim et al., 2024; Shin et al., 2024; Kwon et al., 2025a; Yeom et al., 2025). 다만, 비정상 마모는 정상 마모에 비해 발생 빈도가 일반적으로 낮기 때문에 데이터 내 클래스 불균형이 존재한다. 이러한 불균형을 고려하지 않고 구축된 예측 모델은 정상 마모에 편향될 가능성이 높아 비정상 마모 탐지에 한계가 있다. 또한, 비정상 마모에 대한 데이터 부족은 해당 현상의 발생 메커니즘을 규명하는 데에도 어려움을 초래한다. 이로 인해, 기존 연구의 대부분은 정상 마모 예측에 초점을 두고 있으며, 비정상 마모에 대한 연구는 상대적으로 부족한 실정이다.

본 논문에서는 SMOTE (Synthetic Minority Oversampling Technique) 및 BorderlineSMOTE의 2가지 데이터 증강 기법을 활용하여 정상-비정상 마모 간 데이터 불균형을 해소하였다. 이를 토대로 비정상 마모 발생 가능성이 높은 복합 지반의 특성을 고려하여 머신러닝 기반 비정상 마모 예측 모델을 구축하였다. 추가적으로, SHAP (SHapley Additive exPlanation)을 적용하여 주요 영향 변수가 비정상 마모에 미치는 영향을 규명하였다.

2. TBM 현장 및 데이터 구성

2.1 현장 개요 및 TBM 제원

본 연구는 총 연장 2.7 km의 ○○ 터널 프로젝트에서 수집된 지반 정보 및 TBM 운영 데이터를 활용하였다. 해당 현장의 지층은 주로 편마암 및 화강암으로 구성된 기반암 위에 충적층이 퇴적된 지질 구조를 보인다. Fig. 1에 도시된 바와 같이, TBM 굴진 구간에서는 풍화암, 연암, 경암이 각각 12.5%, 25.0%, 57.8%의 비율로 분포하였다. 또한, 자갈을 포함한 퇴적토층과 점토 및 실트 성분을 함유한 점착성 토사층이 관찰되었다. 일부 구간에서는 풍화토와 암반이 혼재된 복합 지반 및 연암과 경암 간의 지질 경계가 존재하였으며, 특히 이러한 지반 조건에서 디스크 커터의 비정상 마모 발생 빈도가 높게 나타났다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F1.jpg

Fig. 1.

Geological longitudinal profile of the site

해당 현장에서는 커터헤드 직경 약 8.1 m의 토압식 쉴드 TBM이 적용되었으며, 세그먼트 설치 외경과 내경은 각각 7.7 m와 7.0 m이다. 장비의 최대 구동 동력은 2,080 kW이며, 굴진 시 최대 추력은 약 66,500 kN이다. 커터헤드 회전 시 최대 토크는 12.9 MNm이며, 최대 공칭 토크는 7.5 MNm, 최대 회전 속도는 3.7 rpm이다. 커터헤드에는 총 50개의 디스크 커터, 106개의 스크래퍼, 56개의 버킷 등이 장착되었으며, 이 중 센터 커터에는 17″ 더블 디스크 커터가, 그 외 페이스 및 게이지 커터에는 18″ 단일 디스크 커터가 사용되었다.

2.2 데이터 수집 및 전처리

지반조사 보고서, TBM 운영 기록, 커터헤드 일지 등을 바탕으로 비정상 마모 예측을 위한 데이터를 수집하였다. CHI (cutterhead intervention) 수행에 따른 커터헤드 일지를 통해 디스크 커터의 마모 상태를 분석하였다. 그 결과, 본 연구 대상 현장에서 커터헤드 중앙부에 위치한 센터 커터는 챔버 내 굴착토에 매몰되어, 마모 상태가 기록되지 않은 경우가 상당수 존재하였다. 또한, 게이지 커터는 굴진면과 일정 각도를 이룬 상태로 굴착을 수행함에 따라 센터 및 페이스 커터와 상이한 마모 메커니즘을 가지며(Yang et al., 2021), 12가지 인자 외 별도의 변수(e.g., 커터 설치 각도)에 대한 고려가 필요하다. 이에 본 연구에서는 센터 커터와 게이지 커터를 제외한 페이스 커터만을 분석 대상으로 선정하였다.

디스크 커터의 마모는 굴착 대상 지반의 강도 및 강성 등 지반 특성의 영향을 받는다(Agrawal et al., 2022; Kwon et al., 2025a). Fig. 2(a)와 같이 단일 지반 조건에서는 디스크 커터가 비교적 균질한 굴진면을 따라 회전한다. 반면, Fig. 2(b)와 같이 복합 지반을 굴착하는 경우에는 디스크 커터가 서로 다른 지반 조건 위를 반복적으로 회전하게 되며, 이러한 비균질한 접촉은 커터 링의 불균일 마모 형상을 유발하고, 결과적으로 비정상 마모 발생 가능성을 증가시킨다. 이에 따라, 본 연구에서는 복합 지반 조건을 고려한 머신러닝 예측 모델을 개발하기 위하여 등가 탄성계수( $E_{e q u i}$ ) 개념을 도입하였다. 등가 탄성계수는 디스크 커터 회전 중 접촉하는 각 지반의 길이를 기준으로 탄성계수를 가중 평균하여 식 (1)과 같이 산정하였다. 여기서, $E_{g 1}$ 와 $E_{g 2}$ 는 굴진면을 구성하는 각 지반의 탄성계수를 의미하고, $a$ 와 $b$ 는 커터헤드 1회전 시 각 지반별 디스크 커터의 접촉 거리를 의미한다. CHI별로 각 커터의 등가 탄성계수를 산정하여 데이터세트에 포함하였으며, 본 논문에서는 이를 ‘탄성계수’로 지칭하였다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F2.jpg

Fig. 2.

Schematic of tunnel face and disc cutters

(1)

E_{equi} = \frac{a \cdot E_{q 1} + b \cdot E_{q 2}}{a + b}

디스크 커터의 마모 영향 인자는 크게 지반 조건, TBM 운영 인자, 커터 제원의 3가지 범주로 구분할 수 있다(Frenzel et al., 2008; Yang et al., 2019). 이에 따라, 수집 데이터 중 3개의 지반 조건, 8개의 TBM 운영 변수, 1개의 커터 제원을 포함한 총 12개의 변수를 머신러닝 예측 모델 내 입력 특성으로 선정하였다. 지반 조건에는 수위(GWL), 토피고(cover depth), 탄성계수(elastic modulus)가 포함되며, 이 중 수위는 터널 천정으로부터 지하수면까지의 거리를 의미한다. TBM 운영 인자로는 회전속도(rotation speed), 토크(torque), 추력(thrust force), 챔버압(chamber pressure), 굴진율(penetration rate), 폼 농축계수(concentration of foam, CF), 폼 팽창비(foam expansion ratio, FER), 폼 주입비(foam injection ratio, FIR)가 포함된다. 토압식 쉴드 TBM 시공 중 주입되는 폼 또는 폴리머 등의 첨가제는 윤활 작용을 통한 디스크 커터 마모 감소에 기여하므로(Hwang et al., 2023) 상기 3가지 폼 주입 변수(CF, FER, FIR) 또한 입력 특성에 포함하였으며, 각 폼 주입 변수에 대한 상세한 설명은 Lee et al. (2024)에 제시되어 있다. 커터 제원으로 커터 설치 반경(cutter installation radius)을 포함하였으며, 이는 커터헤드 중심으로부터 커터가 설치된 위치까지의 거리를 나타낸다. 12개의 입력 특성과 정상 및 비정상 2가지 마모 상태를 나타내는 종속 변수로 구성된 총 2,048개의 데이터세트를 구축하였고, 입력 특성별 데이터 분포를 Fig. 3에 나타내었다. 이때, 각 CHI 시점에서의 마모는 이전 CHI 이후부터 해당 CHI 직전까지의 영향 인자가 누적된 결과로 나타나므로, 이를 반영하기 위해 CHI별 마모 데이터와 각 CHI 직전 세그먼트 링의 영향인자로 데이터세트를 구축하였다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F3.jpg

Fig. 3.

Data distribution of input features for the constructed dataset

3. 모델 구현

3.1 데이터 증강

구축된 데이터세트를 훈련 세트(training set)와 시험 세트(test set)로 분할하였고, 분할 비율은 8:2로 하여 각각 1,638개와 410개의 데이터로 구성하였다. 훈련 세트 내 정상 마모와 비정상 마모 클래스의 비율은 각각 85.0%와 15.0%로, 정상 마모 데이터가 비정상 마모 대비 5배 이상 많은 불균형한 분포를 보였다. 이러한 클래스 불균형은 학습된 모델이 다수 클래스인 정상 마모 예측에 편향되도록 하여, 비정상 마모 탐지 성능을 저하시킬 수 있다. 따라서, 본 연구의 목적인 비정상 마모 탐지를 위한 머신러닝 예측 모델 성능 확보를 위해서는 데이터세트 내 클래스 불균형 문제의 해소가 필수적이다.

본 연구에서는 데이터 불균형 해소에 효과적인 데이터 증강 기법인 SMOTE를 적용하였다. SMOTE는 유클리드 거리 기반 데이터 증강 기법으로, Chawla et al. (2002)이 처음으로 제안하였다. Fig. 4에 도시된 바와 같이, SMOTE는 기존의 소수 클래스 데이터를 기준으로 동일 클래스에 속하는 $k$ 개의 근접 데이터를 활용하여 신규 소수 클래스 데이터를 생성함으로써 데이터세트 내 클래스 간 균형을 맞춘다. 이때, $k$ 는 분석 목적 및 데이터 특성에 따라 조정 가능하나, 일반적으로 $k$ =5를 사용한다. 이와 같은 SMOTE 기반의 소수 클래스 데이터 증강은 소수 클래스로 분류되는 비정상 마모의 발생 메커니즘에 대한 예측 모델의 이해도를 제고하고, 나아가 해당 현상에 대한 예측 성능 향상에 기여할 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F4.jpg

Fig. 4.

SMOTE oversampling process based on $k$ =5

모델은 분류 과정을 학습할 때, 두 클래스 간 경계(borderline)를 가능한 정확히 파악하려는 경향이 있다. 이에 따라, Han et al. (2005)은 결정 경계 인근의 소수 클래스 데이터 증강에 중점을 두어 증강을 수행하는 BorderlineSMOTE를 제시하였다. 이 기법은 기존 SMOTE와 마찬가지로 $k$ 개의 근접 데이터를 활용하여 신규 데이터를 생성하나, 경계면에 위치한 데이터를 중심으로 새로운 데이터를 생성한다는 점에서 차별성을 갖는다. 본 연구에서는 2가지 데이터 증강 기법(SMOTE, BorderlineSMOTE)을 적용한 훈련 세트를 각각 구축하였다( $k$ =5). Table 1은 증강 전후의 정상 마모와 비정상 마모 클래스의 데이터 개수 및 비율을 비교하여 보여준다. 이때, 데이터 증강 후 훈련 세트 각각의 클래스별 데이터 개수 및 비율은 동일하다.

Table 1.

Summary of training sets before and after oversampling

Training set	Normal		Abnormal		Total
Training set	Count	Proportion (%)	Count	Proportion (%)	Total
Before oversampling	1,392	85.0	246	15.0	1,638
After oversampling	1,392	50	1,392	50	2,784

3.2 머신러닝 모델 구축

정상과 비정상 마모 예측 모델을 구축하기 위해, Random Forest (RF)와 eXtreme Gradient Boosting (XGB)의 머신러닝 기법을 사용하였다. 이는 여러 개의 서로 다른 모델을 생성하고 이를 결합하여 예측 성능을 향상시키는 앙상블(ensemble) 기법에 속한다. 앙상블 기법은 크게 배깅(bagging)과 부스팅(boosting) 유형으로 구분되며, RF와 XGB는 각각 배깅 유형과 부스팅 유형에 속한다. 구체적으로, RF는 전체 데이터를 무작위로 다수의 하위 집합으로 분할한 뒤, 각 하위 집합에 대해 개별 결정 트리를 병렬적으로 학습시킨 후, 그 예측 결과를 결합하여 최종 예측을 수행한다(Breiman, 2001). 반면, XGB는 하나의 결정 트리를 먼저 학습한 후, 해당 트리에서 발생한 오차를 보정하기 위한 다음 트리를 순차적으로 학습시키는 방식으로, 개별 트리의 예측 값을 가중 평균하여 최종 예측 결과를 도출한다(Chen and Guestrin, 2016). 두 기법은 모두 결정 트리 구조에 기반하고 있어 입력 특성의 상대적 크기 순서에 의존하므로, 일반적으로 별도의 정규화나 표준화 과정이 요구되지 않는다(Garcia-Gutiérrez et al., 2022; Kwon et al., 2025c).

각 머신러닝 기법의 최적 성능 달성을 위해 베이지안 최적화 기법을 활용하여 초매개변수(hyperparameter)를 탐색하였다. 이때, 베이지안 최적화 기법은 이전 탐색 결과와 베이즈 정리를 기반으로 다음 탐색 지점을 확률론적으로 선정함으로써, 랜덤 서치와 그리드 서치 등의 최적화 기법에 비해 탐색 효율성이 우수하다(Kwon et al., 2024). 또한, 데이터 편향을 방지하고 모델의 일반화 성능을 향상시키기 위해 예측 모델 구축 과정에서 5겹 교차 검증(5-fold cross validation)을 적용하였다. Table 2에는 RF와 XGB 기법 각각에 대해 설정한 초매개변수 탐색 공간을 제시하였다. 최종적으로, 2가지 머신러닝 기법(RF, XGB)과 3가지 훈련 세트(데이터 증강 전, SMOTE 기반 데이터 증강 후, BorderlineSMOTE 기반 데이터 증강 후)를 조합하여 총 6가지 예측 모델을 구축하였다.

Table 2.

Hyperparameter description and search spaces of each algorithm

Algorithm	Hyperparameter	Description	Search space
RF	n_estimators	number of trees in model	100–2,000
	max_depth	maximum depth of tree	1–30
	min_samples_split	minimum samples to split a node	2–10
	min_samples_leaf	minimum samples to be a node	2–10
XGB	n_estimators	number of trees in model	100–1,000
	max_depth	maximum depth of tree	5–20
	eta	learning rate	5–10
	gamma	minimum loss reduction to split a node	0.5–1
	min_child_weight	minimum sum of instance weight to split a node	0.5–1
	subsample	ratio of training data	0.4–1
	colsample_bytree	ratio of features	0.01–0.2

본 연구에서는 정확도(accuracy), 재현율(recall)등의 평가 지표를 활용하여 예측 성능을 도출하였으며, 각 지표는 식 (2), (3), (4)를 통해 정의된다.

(2)

Accuracy = \frac{T P + T N}{T P + T N + F P + F N}

(3)

Recall (Normal) = \frac{T N}{T N + F P}

(4)

Recall (Abnormal) = \frac{T P}{T P + F N}

여기서, $T P$ (true positive)와 $T N$ (true negative)은 각각 정상 마모와 비정상 마모를 정확히 예측한 경우를 의미하며, $F P$ (false positive)와 $F N$ (false negative)은 각각 정상 마모를 비정상 마모로, 비정상 마모를 정상 마모로 잘못 예측한 경우를 의미한다. 재현율은 실제 각 클래스에 속하는 데이터 중 모델이 올바르게 예측한 비율을 나타내며, 특히 데이터 불균형이 존재하는 상황에서 각 클래스의 예측 성능을 비교할 수 있는 유용한 지표로 활용된다.

3.3 모델 해석

머신러닝 모델은 내부 의사결정 과정이 명확히 드러나지 않는 블랙박스(black box) 구조로 모델 예측의 해석에 한계가 존재한다. 최근 머신러닝이 다양한 분야에 활발히 적용되면서 모델의 예측 근거를 정량적으로 해석하고자 하는 수요가 증가하였고, 이에 따라 다양한 모델 해석 기법이 개발되었다. 그 중 SHAP는 Lundberg and Lee (2017)가 제안한 대표적인 모델 해석 기법으로, 게임 이론을 기반으로 하여 각 특성이 예측 결과에 기여한 정도를 정량적으로 산출하는 기법이다. SHAP 값은 개별 특성의 유무에 따른 예측 값의 변화분을 모든 가능한 특성 조합에 대해 계산하고, 그 평균으로 산출된다. SHAP 값이 양수인 경우 해당 특성은 예측 값을 증가시키는 방향으로 영향을 주고, 음수인 경우에는 예측 값을 감소시키는 방향으로 기여함을 의미한다. 또한, SHAP의 절댓값이 클수록 해당 특성이 모델 내에서 중요도가 높다는 것을 의미한다. 본 연구에서는 SHAP 기법을 활용하여 디스크 커터의 비정상 마모 발생과 관련된 주요 영향 특성과 그 정도를 규명하였다. 본 연구에서의 예측 모델 구현 절차는 Fig. 5에 제시하였다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F5.jpg

Fig. 5.

Flowchart of model implementation in this study

4. 결과 및 논의

4.1 모델 예측 성능

본 연구에서 구축된 6가지 예측 모델의 성능을 Fig. 6에 비교하여 나타냈다. 성능 비교 분석 결과, 머신러닝 기법(RF, XGB) 간에는 예측 성능에서 유의미한 차이가 나타나지 않았으나, 데이터 증강 기법의 적용 여부에 따라 성능 변화는 뚜렷하게 확인되었다. 먼저, 데이터 증강을 적용하지 않은(original) 모델의 경우, 전체 정확도 및 정상 마모 재현율은 높은 수준을 보였으나, 비정상 마모 재현율은 매우 낮게 나타났다. 이는 훈련 데이터 내 클래스 불균형으로 인해 모델이 정상 마모에 편향되었기 때문으로 판단된다. 반면, 데이터 증강 적용 후(SMOTE, BorderlineSMOTE)의 경우, 전체 정확도와 정상 마모 재현율이 다소 감소하였으나, 비정상 마모 재현율이 크게 향상되어 데이터 증강 전 대비 최소 18%, 최대 38% 개선된 결과를 보였다. 이러한 결과는 데이터 증강 기법이 클래스 불균형을 해소하여 모델 학습의 균형성을 높이고, 결과적으로 클래스 간 예측 성능의 격차를 완화하는 데 기여함을 시사한다.

특히, BorderlineSMOTE는 두 머신러닝 기법(RF, XGB) 모두에서 정상 마모와 비정상 마모 간 재현율 차이를 가장 효과적으로 감소시킨 것으로 나타났다: 정상 마모 재현율, 즉 Recall (Normal) = 0.842, 비정상 마모 재현율, 즉 Recall (Abnormal) = 0.836. 이는 결정 경계 인근의 소수 클래스(비정상 마모) 데이터를 중심으로 신규 데이터를 생성하는 BorderlineSMOTE의 증강 방식이 분류 경계 학습을 강화함으로써 비정상 마모에 대한 데이터 패턴 및 예측 성능을 향상시킨 결과로 해석된다. Fig. 6에 제시된 비정상 마모 재현율 및 정상 마모 재현율과의 차이를 종합적으로 고려한 결과, 본 연구에서는 RF-BorderlineSMOTE 모델을 비정상 마모 탐지를 위한 최적 예측 모델로 선정하였다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F6.jpg

Fig. 6.

Predictive performance of each model

4.2 SHAP 분석

최적 예측 모델로 선정된 RF-BorderlineSMOTE 모델에 대해 특성 중요도를 정량적으로 분석하기 위하여 SHAP 분석을 수행하였으며, SHAP summary plot을 Fig. 7에 제시하였다. Fig. 7(a)는 각 입력 특성별 SHAP 값의 절댓값 평균을 기준으로 중요도를 순위화한 결과를 보여준다. 분석 결과, 챔버압, 추력, 탄성계수가 비정상 마모 예측에 주요한 특성으로 확인되었으며, 그 다음으로 커터헤드 회전 속도와 토크 또한 비교적 높은 중요도를 보였다. 중요도 기준 상위 5가지 특성 중 4가지가 TBM 운영 변수인 점을 고려할 때, 비정상 마모를 효과적으로 방지하기 위해서는 적절한 TBM 운전 조건의 설정이 핵심적임 요소임을 시사한다.

Fig. 7(b)는 각 입력 특성의 값과 SHAP 값의 관계를 도시한 것으로, 하나의 점은 하나의 데이터를 나타낸다. 본 연구에서는 정상 마모와 비정상 마모를 각각 0과 1로 설정하여, SHAP 값이 양수인 경우는 각 데이터에서 해당 특성이 비정상 마모로 예측하는 데 기여하고, SHAP 값이 음수인 경우는 정상 마모 예측에 기여함을 의미한다. 각 점의 색상은 해당 데이터에서의 특성 값 크기를 나타내며, 붉은색일수록 높은 값을, 푸른색일수록 낮은 값을 의미한다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F7.jpg

Fig. 7.

Results of SHAP summary plot

본 연구에서는 중요도가 높은 챔버압, 추력, 탄성계수의 모델 예측 기여 양상을 보다 정밀하게 분석하기 위해 SHAP dependence plot을 Fig. 8에 도시하였다. SHAP dependence plot은 x축에 특성 값을, y축에 해당 특성의 SHAP 값을 나타내어, 특성 값의 변화가 예측 결과에 미치는 영향에 대한 파악이 가능하도록 한다. 여기서, 각 점은 하나의 데이터를 나타낸다.

Fig. 8(a)에서는 챔버압이 약 2.0 bar를 초과할 경우 SHAP 값이 음수에서 양수로 전환되는 양상이 확인되었다. 이는 비정상 마모 발생과 관련하여 챔버압의 임계값이 존재함을 나타내며, 이를 초과하는 높은 챔버압이 막장에 가해지는 굴진 조건의 경우, 비정상 마모 발생 가능성이 증가함을 시사한다. 따라서, TBM 운전 시 챔버압이 일정 수준 이상으로 상승하지 않도록 압력을 제어가 필요하다. 실제로 토압식 쉴드 TBM 시공에서는 막장면 지지를 위해 챔버압을 증가시키는 과정에서 디스크 커터와 굴착토 간 마찰력이 증가하여 디스크 커터의 원활한 회전이 저해되어 비정상 마모가 유발될 수 있다.

Fig. 8(b)는 추력이 증가함에 따라 SHAP 값도 점차적으로 증가하는 경향을 보였으며, 약 20,000 kN 부근에서 임계값이 관찰되었다. 챔버압과 마찬가지로, 추력이 증가하면 커터에 작용하는 하중이 증가하고, 이에 따라 디스크 커터와 굴착토 간 마찰력이 커져 커터의 회전능력이 저하될 수 있다. 특히, 점착성이 높은 지반에서는 커터가 토사에 매몰되어 회전이 제한되며, 이로 인해 편마모가 발생할 수 있다(Yang et al., 2021). 또한, 이 과정에서 발생한 마찰열로 인해 토사가 커터헤드에 부착되고, 이후 냉각되면서 토사가 경화되어 폐색 현상이 나타날 수 있다(Gao et al., 2023).

Fig. 8(c)에서는 탄성계수가 약 2,000 MPa 이하인 구간에서 SHAP 값이 양수인 데이터가 다수 분포하는 것으로 확인되며, 이는 주로 풍화암 및 풍화암-연암 복합 지반에 해당한다. 이러한 결과는 낮은 지반 강도, 불연속면 내 점토 광물로 인한 커터 폐색, 복합 지반에서의 지반 종류별 절삭량 차이 등으로 인해 비정상 마모 발생 가능성이 높아진다는 기존 연구 결과와 부합한다(Yang et al., 2019; Ge et al., 2022; Kwon et al., 2025b).

일반적으로, 연약 지반에서는 막장 안정성을 확보하기 위해 챔버압과 추력을 증가시켜 TBM 굴진을 수행한다. 본 연구의 적용대상 현장에서도 탄성계수가 비교적 낮은 풍화암, 연암 구간에서 높은 챔버압과 추력이 요구됨을 확인하였다. 그러나, 챔버압과 추력이 일정 수준 이상으로 과도하게 상승할 경우, 비정상 마모 발생 가능성이 증가하는 것으로 나타났다(Fig. 8). 따라서, 막장 안정성을 확보하고 비정상 마모를 방지하기 위해서는 지반 조건을 고려한 적절한 TBM 운영 인자 범위를 사전에 설정하는 것이 중요하다.

https://cdn.apub.kr/journalsite/sites/kta/2025-027-05/N0550270503/images/kta_2025_275_367_F8.jpg

Fig. 8.

SHAP dependence plot of influential features

5. 결 론

본 연구에서는 머신러닝 기법(RF, XGB)을 활용하여 TBM 디스크 커터의 정상 마모와 비정상 마모를 분류하는 예측 모델을 제안하였다. 두 마모 유형의 데이터 불균형을 해소하기 위해 SMOTE와 BorderlineSMOTE의 데이터 증강 기법을 적용하였다. 또한, 구축된 예측 모델에 대해 SHAP 분석을 수행하여 비정상 마모 발생과 관련된 특성의 중요도를 정량적으로 분석하였다. 본 연구의 주요 결론은 다음과 같다.

1. 기존 불균형 데이터 기반 모델과 비교할 때, 데이터 증강 기법이 적용된 모델에서는 비정상 마모 예측 성능이 크게 향상되었다. 특히, RF-BorderlineSMOTE 모델의 경우, 비정상 마모 재현율은 0.836으로, 기본 RF 모델 대비 약 38% 증가하였으며, 이는 정상 마모 재현율(0.842)과 유사한 수준이다. 이러한 결과는 데이터 불균형 문제를 완화하여 마모 유형 간 예측 성능의 균형을 유지하는데 BorderlineSMOTE의 적용이 효과적임을 시사한다.

2. 챔버압, 추력, 탄성계수가 디스크 커터 마모 유형 예측에 있어 주요한 특성으로 식별되었다. 또한, 중요도 기준 상위 5가지 특성 중 4가지가 TBM 운영 변수로 확인되었다. 챔버압과 추력은 비정상 마모 가능성과 양의 상관성을 가지며, 각각 특정 임계값을 초과할 경우 비정상 마모 발생 확률이 급격히 증가하는 경향을 보였다. 반면, 탄성계수는 비정상 마모 가능성과 음의 상관성을 가지며, 풍화암 등 강도가 낮고 불연속면이 존재하는 지반에서 디스크 커터가 비정상 마모에 더욱 취약함을 시사한다.

3. 본 연구는 커터교체 계획 수립 및 커터 관리 효율성 제고에 기여할 것으로 판단된다. 다만, 단일 현장 데이터만을 활용하였으므로, 장비 유형이나 지반 조건이 상이한 현장에 대한 적용에는 제한이 있을 수 있다. 후속 연구에서는 다수 현장 데이터를 수집하여 예측 모델 적용 범위를 확장함으로써 모델 예측 결과의 신뢰성을 더욱 향상시킬 수 있을 것이다.

Acknowledgements

본 연구는 협력거점형 국토교통국제협력 연구개발사업(RS-2024-00410248)의 지원으로 수행되었으며 이에 깊은 감사를 드립니다.

저자 기여도

염유리는 연구 설계, 모델 구축, 원고 작성을 하였고, 최항석은 연구 방향 제시, 원고 검토를 하였고, 양예림은 모델 구축 및 해석을 하였고, 박진수는 데이터 분석 및 해석을 하였고, 권기범은 연구 설계, 데이터 수집, 원고 작성을 하였다.

References

Agrawal, A.K., Murthy, V.M.S.R., Chattopadhyaya, S., Raina, A.K. (2022), “Prediction of TBM disc cutter wear and penetration rate in tunneling through hard and abrasive rock using multi-layer shallow neural network and response surface methods”, Rock Mechanics and Rock Engineering, Vol. 55, No. 6, pp. 3489-3506.

10.1007/s00603-022-02834-7

Bae, G.J., Choi, S.W., Chang, S.H., Lee, G.P., Song, B.C., Kim, K.B. (2015), “Analysis of inner parts in the disc cutters applied to the field tests”, Journal of Korean Tunnelling and Underground Space Association, Vol. 17, No. 4, pp. 473-485.

10.9711/KTAJ.2015.17.4.473

Breiman, L. (2001), “Random forests”, Machine Learning, Vol. 45, pp. 5-32.

10.1023/A:1010933404324

Bruland, A. (2000), Hard rock tunnel boring, Doctoral Thesis, Norwegian University of Science and Technology, pp. 14-31.

Chang, S.H., Choi, S.W., Park, Y.T., Lee, G.P., Bae, G.J. (2012), “Characterization of the deformation of a disc cutter in linear rock cutting test”, Journal of Korean Tunnelling and Underground Space Association, Vol. 14, No. 3, pp. 197-213.

10.9711/KTAJ.2012.14.3.197

Chawla, N.V., Bowyer, K.W., Hall, L.O., Kegelmeyer, W.P. (2002), “SMOTE: Synthetic minority over-sampling technique”, Journal of Artificial Intelligence Research, Vol. 16, pp. 321-357.

10.1613/jair.953

Chen, T., Guestrin, C. (2016), “XGBoost: A scalable tree boosting system”, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, USA, pp. 785-794.

10.1145/2939672.2939785

Frenzel, C., Käsling, H., Thuro, K. (2008), “Factors influencing disc cutter wear”, Geomechanics and Tunnelling, Vol. 1, No. 1, pp. 55-60.

10.1002/geot.200800006

Gao, Y., Chen, R., Qin, W., Wei, L., Zhou, C. (2023), “Learning from explainable data-driven tunneling graphs: A spatio-temporal graph convolutional network for clogging detection”, Automation in Construction, Vol. 147, 104741.

10.1016/j.autcon.2023.104741

Garcia-Gutiérrez, S., Esteban-Aizpiri, C., Lafuente, I., Barrio, I., Quiros, R., Quintana, J.M., Uranga, A. (2022), “Machine learning-based model for prediction of clinical deterioration in hospitalized patients by COVID 19”, Scientific Reports, Vol. 12, No. 1, 7097.

10.1038/s41598-022-09771-z35501359PMC9059444

Ge, Y., Liu, Y., Lin, P., Xu, Z. (2022), “Effects of rock properties on the wear of TBM disc cutter: A case study of the Yellow River diversion project, China”, International Journal of Geomechanics, Vol. 22, No. 4, 04022011.

10.1061/(ASCE)GM.1943-5622.0002344

Gehring, K. (1995), “Prognosis of advance rates and wear for underground mechanized excavations”, Felsbau, Vol. 13, No. 6, pp. 439-448.

Gong, Q., Yin, L., Ma, H., Zhao, J. (2016), “TBM tunnelling under adverse geological conditions: An overview”, Tunnelling and Underground Space Technology, Vol, 57, pp. 4-17.

10.1016/j.tust.2016.04.002

Han, H., Wang, W.Y., Mao, B.H. (2005), “Borderline-SMOTE: A new over-sampling method in imbalanced data sets learning”, Proceedings of the International Conference on Intelligent Computing, Springer Berlin Heidelberg, Heidelberg, Berlin, pp. 878-887.

10.1007/11538059_91

Hassanpour, J., Rostami, J., Tarigh Azali, S., Zhao, J. (2014), “Introduction of an empirical TBM cutter wear prediction model for pyroclastic and mafic igneous rocks; a case history of Karaj water conveyance tunnel, Iran”, Tunnelling and Underground Space Technology, Vol. 43, pp. 222-231.

10.1016/j.tust.2014.05.007

Hwang, B., Kang, M., Kwon, K., Yang, J., Choi, H. (2023), “Evaluating rheological properties of excavated soil for EPB shield TBM with foam and polymer”, Journal of Korean Tunnelling and Underground Space Association, Vol. 25, No. 5, pp. 387-401.

10.9711/KTAJ.2023.25.5.387

Kang, M., Lee, J., Kwon, K., Park, S., Choi, H. (2023), “Laboratory simulations on hybrid non-destructive survey of electrical resistivity and induced polarization to predict geological risks ahead of a TBM tunnel”, Tunnelling and Underground Space Technology, Vol. 135, 105066.

10.1016/j.tust.2023.105066

Kang, T.H., Choi, S.W., Lee, C., Chang, S.H. (2022), “A study on the prediction of disc cutter wear using TBM data and machine learning algorithm”, Tunnel and Underground Space, Vol. 32, No. 6, pp. 502-517.

10.7474/TUS.2022.32.6.502

Kim, Y., Shin, J., Kim, B. (2024), “Analysis of disc cutter replacement based on wear patterns using artificial intelligence classification models”, Geomechanics and Engineering, Vol. 38, No. 6, pp. 633-645.

10.12989/GAE.2024.38.6.633

Kwon, K., Choi, H., Jung, J., Kim, D., Shin, Y.J. (2025a), “Prediction of abnormal TBM disc cutter wear in mixed ground condition using interpretable machine learning with data augmentation”, Journal of Rock Mechanics and Geotechnical Engineering, Vol. 17, No. 4, pp. 2059-2071.

10.1016/j.jrmge.2024.05.027

Kwon, K., Choi, H., Pham, K., Kim, S., Bae, A. (2024), “Influence analysis of pavement distress on international roughness index using machine learning”, KSCE Journal of Civil Engineering, Vol. 28, No. 10, pp. 4344-4355.

10.1007/s12205-024-0093-9

Kwon, K., Kang, M., Kim, D., Choi, H. (2023), “Prioritization of hazardous zones using an advanced risk management model combining the analytic hierarchy process and fuzzy set theory”, Sustainability, Vol. 15, No. 15, 12018.

10.3390/su151512018

Kwon, K., Kang, M., Shin, Y.J., Ahn, B., Choi, H. (2025b), “An interpretable framework for risk management in TBM excavation using expert elicitation integrated with fuzzy set theory”, Scientific Reports, Vol. 15, No. 1, 23030.

10.1038/s41598-025-07514-440594655PMC12215182

Kwon, K., Yeom, Y., Shin, Y.J., Bae, A., Choi, H. (2025c), “Machine learning models for predicting the International Roughness Index of asphalt concrete overlays on Portland cement concrete pavements”, Computer-Aided Civil and Infrastructure Engineering, Vol. 40, No. 21, pp. 3385-3402.

10.1111/mice.13524

Lee, S., Choi, H., Kwon, K., Lee, D., Hwang, B. (2024), “A lab-scale screw conveyor system for EPB shield TBM: System development and applicability assessment”, Journal of Korean Tunnelling and Underground Space Association, Vol. 26, No. 5, pp. 533-549.

10.9711/KTAJ.2024.26.5.533

Li, Q., Du, L., Yang, Y., Ni, Z., Zhao, X. (2024), “Intelligent identification and warning method of disc cutter abnormal wear in TBM construction based on extreme learning machine”, Scientific Reports, Vol. 14, No. 1, 30655.

10.1038/s41598-024-76172-939730385PMC11680588

Liu, Q., Huang, X., Gong, Q., Du, L., Pan, Y., Liu, J. (2016), “Application and development of hard rock TBM and its prospect in China”, Tunneling and Underground Space Technology, Vol. 57, pp. 33-46.

10.1016/j.tust.2016.01.034

Liu, Q., Liu, J., Pan, Y., Zhang, X., Peng, X., Gong, Q., Du, L. (2017), “A wear rule and cutter life prediction model of a 20-in. TBM cutter for granite: A case study of a water conveyance tunnel in China”, Rock Mechanics and Rock Engineering, Vol. 50, pp. 1303-1320.

10.1007/s00603-017-1176-4

Lundberg, S.M., Lee, S.I. (2017), “A unified approach to interpreting model predictions”, Advances in Neural Information Processing Systems, Vol. 30.

Mahmoodzadeh, A., Mohammadi, M., Ibrahim, H.H., Abdulhamid, S.N., Ali, H.F.H., Hasan, A.M., Khishe, M., Mahmud, H. (2021), “Machine learning forecasting models of disc cutters life of tunnel boring machine”, Automation in Construction, Vol. 128, 103779.

10.1016/j.autcon.2021.103779

Ren, D.J., Shen, S.L., Arulrajah, A., Cheng, W.C. (2018), “Prediction model of TBM disc cutter wear during tunnelling in heterogeneous ground”, Rock Mechanics and Rock Engineering, Vol. 51, pp. 3599-3611.

10.1007/s00603-018-1549-3

Rostami, J. (1997), Development of a force estimation model for rock fragmentation with disc cutters through theoretical modeling and physical measurement of crushed zone pressure, Doctoral Thesis, Colorado School of Mines, Golden, Colorado, USA, pp. 55-125.

Shen, X., Chen, X., Fu, Y., Cao, C., Yuan, D., Li, X., Xiao, Y. (2022), “Prediction and analysis of slurry shield TBM disc cutter wear and its application in cutter change time”, Wear, Vol. 498-499, 204314.

10.1016/j.wear.2022.204314

Shin, Y.J., Kwon, K., Bae, A., Choi, H., Kim, D. (2024), “Machine learning-based prediction model for disc cutter life in TBM excavation through hard rock formations”, Tunnelling and Underground Space Technology, Vol. 150, 105826.

10.1016/j.tust.2024.105826

Su, W., Li, X., Jin, D., Yang, Y., Qin, R., Wang, X. (2020), “Analysis and prediction of TBM disc cutter wear when tunneling in hard rock strata: A case study of a metro tunnel excavation in Shenzhen, China”, Wear, Vol. 446-447, 203190.

10.1016/j.wear.2020.203190

Yang, H., Liu, B., Wang, Y., Li, C. (2021), “Prediction model for normal and flat wear of disc cutters during TBM tunneling process”, International Journal of Geomechanics, Vol. 21, No. 3, 06021002.

10.1061/(ASCE)GM.1943-5622.0001950

Yang, J.H., Zhang, X.P., Ji, P.Q., Liu, Q.S., Lu, X.J., Wei, J.P., Qi, S.H., Fang, H.G., Fang, J.N., Geng, Y.J. (2019), “Analysis of disc cutter damage and consumption of TBM1 section on water conveyance tunnel at Lanzhou water source construction engineering”, Tunnelling and Underground Space Technology, Vol. 85, pp. 67-75.

10.1016/j.tust.2018.11.040

Yang, Y., Hong, K., Sun, Z., Chen, K., Li, F., Zhou, J., Zhang, B. (2018), “The derivation and validation of TBM disc cutter wear prediction model”, Geotechnical and Geological Engineering, Vol. 36, No. 6, pp. 3391-3398.

10.1007/s10706-018-0540-9

Yeom, Y., Choi, H., Yang, Y., Kwon, K. (2025), “Application of data augmentation for enhancing machine learning-based TBM disc cutter wear prediction”, Journal of Korean Tunnelling and Underground Space Association, Vol. 27, No. 3, pp. 217-232.

10.9711/KTAJ.2025.27.3.217

Yoon, Y., Choi, H., Kwon, K., Hwang, B., Kang, M. (2023), “Optimization of electrical resistivity survey utilizing modified harmony search algorithm to predict anomalous zone ahead of tunnel faces”, Measurement, Vol. 223, 113747.

10.1016/j.measurement.2023.113747

Zhang, N., Shen, S.L., Zhou, A. (2023), “A new index for cutter life evaluation and ensemble model for prediction of cutter wear”, Tunnelling and Underground Space Technology, Vol. 131, 104830.

10.1016/j.tust.2022.104830

Zhao, J., Gong, Q.M., Eisensten, Z. (2007), “Tunnelling through a frequently changing and mixed ground: A case history in Singapore”, Tunnelling and Underground Space Technology, Vol. 22, No. 4, pp. 388-400.

10.1016/j.tust.2006.10.002

Journal of Korean Tunnelling and Underground Space Association ISSN:2233-8292(Print) 2287-4747(Online) 한국터널지하공간학회 논문집

Preview

Data-augmented machine learning approach for abnormal wear prediction in TBM disc cutters

ABSTRACT

MAIN

Fig. 1.

Geological longitudinal profile of the site

Fig. 2.

Schematic of tunnel face and disc cutters

(1)

Fig. 3.

Data distribution of input features for the constructed dataset

Fig. 4.

SMOTE oversampling process based on k=5

Table 1.

Summary of training sets before and after oversampling

Table 2.

Hyperparameter description and search spaces of each algorithm

(2)

(3)

(4)

Fig. 5.

Flowchart of model implementation in this study

Fig. 6.

Predictive performance of each model

Fig. 7.

Results of SHAP summary plot

Fig. 8.

SHAP dependence plot of influential features

Acknowledgements

저자 기여도

References

SMOTE oversampling process based on $k$ =5