말뚝지지력 예측을 위한 신경망 모델의 적용성 평가

Evaluation of Neural Network Model for Estimating Pile Load Capacity

말뚝지지지력 예측에 있어서 지지력공식 방법이나 현장재하시험의 보조방법으로서 딥러닝 알고리즘을 이용한 신경망(neural network) 모델의 적용 사례가 증대되고 있다. 신경망 모델 개발의 효율성과 신뢰도 향상을 위해서는 적정한 하이퍼파라미터 결정을 위한 조율과정이 필수적으로 요구된다. 이 논문에서는 말뚝지지력 데이터셋트에 대해서 다층퍼셉트론신경망 모델의 구성을 위한 은닉층과 뉴런의 개수 및 활성화함수를 결정하고, 훈련 및 검증 시 적용할 경사하강법 최적화 알고리즘, 학습율 등에 대한 조율을 수행하였다. 수동 조율은 매우 비효율적이므로 개발 플랫폼에서 제공하는 하이퍼파라미터 옵티마이져인 grid search 방법을 적용했다. 검증의 신뢰도 향상을 위해 교차검증 방법을 적용하여 최적 조합을 결정했다. 훈련데이터에 대한 모델의 과대적합을 배제하기 위해 early stopping방법을 적용하여 적정한 epoch 수를 검토했다. 결정한 최적모델의 기능을 테스트셋트에 대해서 검증한 결과 개략적으로 예측값과 기준값 간의 최소 평균절대오차 약 3,000 kN과 결정계수 약 0.5의 수준으로 말뚝지지력을 추정할 수 있었다.

Neural network models based on deep learning algorithms are increasingly used for estimating pile load capacities as supplements of bearing capacity equations and field load tests. A series of hyperparameter tuning is required to improve the performance and reliability of developing a neural network model. In this study, the number of hidden layers and neurons, the activation functions, the optimizing algorithms of the gradient descent method, and the learning rates were tuned. The grid search method was applied for the tuning, which is a hyperpameter optimizer supplied by the developing platform. The cross-validation method was applied to enhance reliability for model validation. An appropriate number of epochs was determined using the early stopping method to prevent the overfitting of the model to the training data. The performance of the tuned optimum model evaluated for the test data set revealed that the model could estimate pile load capacities approximately with an average absolute error of 3,000 kN and a coefficient of determinant of 0.5.