1. 서론
2. ANN을 이용한 깊은굴착 설계개념
3. 수치해석 프로그램을 이용한 ANN 학습 DB 구축
3.1 개요
3.2 대상 굴착 조건
3.3 Abaqus를 이용한 지반 거동 DB 구축
3.4 GeoXD를 이용한 구조물 부재력 DB 구축
4. ANN엔진 구축 및 최적화
4.1 개요
4.2 지반 거동 ANN
4.3 구조물 부재력 ANN
5. 가상현장 적용을 통한 ANN 검증
5.1 ANN 검증 조건
5.2 ANN 검증 결과
6. 결론
1. 서론
제한되어있는 토지와는 달리 지하철, 도로 등의 각종 사회 기반시설은 지속적으로 그 필요성이 증가하고 있다. 이에 지하 건설 공사는 점차 그 중요성이 대두될 수밖에 없으며 도심지에서의 깊은 굴착 시공 또한 필수불가결의 것이다. 하지만 도심지의 특성상 지상 구조물과 기반시설이 밀집되어 있기 때문에 굴착 시공이 인접 지상 구조물과 기반시설에 미치는 영향은 반드시 최소화되어야 할 것이다. 따라서, 도심지에서의 굴착 시공에 대해서 일반적으로 많은 종류의 평가가 진행되며 수치해석 또한 수행될 것이나, 넓은 굴착현장에 대해 영향인자를 모두 고려하여 해석을 실시하는 것에는 제한이 존재하게 된다. 본 연구는 깊은 굴착 현장에 대해 지반의 거동을 예측하는 것이 안정성 평가에 대단히 중요하다는 점에서 착안하였으며 인공신경망(Artificial Neural Network, ANN)기법을 활용하여 주변의 지반 및 구조물에 상당한 영향을 주는 15m 이상의 깊은 굴착 현장에서의 지반의 거동 및 가시설 구조물의 부재력을 예측하고자 한다.
본 연구와 관련된 기초연구로서 Yoo et al. (2004, 2006, 2008)은 인공신경망(ANN)과 유한요소해석 프로그램을 연계하여 굴착 및 터널 시공에 대한 안정성 평가 및 거동예측에 관한 연구를 통해 이러한 접근방법의 적용가능성과 효율성을 확인하였으며, 인공신경망(ANN) 학습을 위한 DB 구축 과정에 있어서는 구축 효율성을 고려하여 Bae et al.(2005), Jiao and Hudson(1995), Kim et al.(2001)에 의해 수행되었던 상대강도효과(RSE)와 상대중요도(RI) 분석 연구를 본 연구에도 적용하여 효율적인 인공신경망(ANN) 학습을 수행하였다.
본 연구에서는 향후에 진행될 대심도 굴착 현장에서의 현장 적용성 검토를 위해 우선적으로 가상 굴착 현장에 적용하여 지반의 거동 및 구조물의 부재력 예측이 가능한 인공신경망의 적용성을 검토하였다.
2. ANN을 이용한 깊은굴착 설계개념
본 연구는 굴착 현장을 설계 검토하는 데에 있어서 불확실성이 존재하는 설계자의 경험이나, 인력과 시일이 소요되는 기존 설계해석 프로그램에 전적으로 의존하는 기존의 설계 검토 방안이 아닌 보다 간편하고 효율적인 설계 검토가 가능하도록 하는 데에 그 목적이 있다. 기존의 방식은 굴착 현장에서의 다양한 종류의 영향인자를 모두 고려하여 굴착에 의한 벽체 및 지반의 거동과 벽체의 부재력을 검토하는 것이 필요하며 모든 굴착 단면에 대하여 설계 검토를 수행하는 것에는 경제적, 시간적인 한계가 존재한다. 이에 본 연구에서는 인공신경망(Artificial Neural Network, ANN)기법을 활용하여 다양한 영향인자에 대한 지반의 거동과 구조물의 부재력 예측을 손쉽게 함으로써 실무자가 설계 검토를 함에 있어 시간과 비용을 효율적으로 사용할 수 있도록 한 것이다.
본 연구에 적용된 인공신경망 엔진 구축에는 MATLAB 2017(MATrix LABoratory, 2017)이 사용되었으며 오류역전파 알고리즘이 적용되었다. 또한 오차를 최소화 하기 위하여 가중치별 기울기를 사용하여 적용하는 최급 하강법이 사용되며, 다층인식자신경망을 적용하여 입력 노드와 출력 뉴런 중간에 은닉층이 존재하도록 함으로써 비선형적 거동에 대한 예측이 가능하도록 하였다. 해당 원리들을 적용하여 학습된 인공신경망은 복잡한 대심도 굴착에 대해서도 사용 가능하도록 개발되었으며 완성된 인공신경망의 구조는 Fig. 1(Woo et al., 2016)와 같다.
3. 수치해석 프로그램을 이용한 ANN 학습 DB 구축
3.1 개요
본 연구에서는 복잡한 대심도 굴착조건에 대해 신속하고 효율적인 해석을 수행하기 위하여 인공신경망(ANN)을 해당 굴착조건에 대한 지반의 거동과 구조물의 부재력 예측 시스템으로써 이용하였다. 인공신경망(ANN)은 굴착 깊이, 굴착 폭, 첫 번째 버팀보 설치 깊이, 버팀보의 강성, 버팀보의 길이, 벽체의 강성, 벽체의 종류, 버팀보의 수직간격, 첫 번째 굴착 깊이, 벽체의 근입깊이, 각 지층의 두께를 입력변수로서 고려하고 유한요소해석 프로그램인 Abaqus (Hibbitt et al., 2017)를 이용하여 벽체의 최대 수평 간격과 벽체의 최대 수직변위, 벽체의 최대 수평변위로 구성된 DB를 구축하였으며, MIDAS IT GeoXD(MIDAS 2010)의 탄소성 해석모델을 이용하여 지보재의 최대 축력, 벽체의 최대 축력, 벽체의 최대 전단력, 벽체의 최대 휨모멘트로 구성된 DB를 구축하였다.
DB 구축 간에는 각각의 입력변수를 변형하여 총 338개의 해석조건을 적용하였으며 ANN 학습을 위한 DB 구축에 대한 본 논문의 연구 내용 및 적용 범위는 Table 1과 같다.
Table 1. Input parameters and output parameters
3.2 대상 굴착 조건
3.2.1 지반 조건
본 연구에서는 국내에서의 일반적인 굴착 단면을 대상 지반으로 하였으며, 흙막이 벽체로는 H-Pile, CIP(cast-in-place), SCW(soil cement wall), CS-H의 4종류의 벽체가 적용되었다. 추가적으로 지보재로서는 버팀보를 적용하였으며 해석과정에서 대표적으로 이용된 지반의 역학적 특성은 Table 2와 같다. 지층의 종류는 충적토, 풍화토 그리고 풍화암으로 구분하였으며, 각각의 굴착 조건에 대하여 입력 변수에 변화를 주어가며 해석 대상으로 선정하였다.
Table 2. Ground conditions
γ(kN/m3) | C (kPa) | ∅ (deg) | E (kPa) | K0 | Kh (kN/m3) | υ | |
Alluvium | 20 | 5 | 30 | 15,000 | 0.50 | 20,335 | 0.3 |
Weathering soil | 20 | 5 | 33 | 35,000 | 0.46 | 23,602 | 0.3 |
Weathering rock | 20 | 20 | 35 | 80,000 | 0.70 | 47,088 | 0.2 |
3.2.2 굴착 조건
굴착에 의하여 발생하는 지반의 거동 및 구조물의 부재력 산정 결과는 굴착 공사의 진행에 따라 달라지며 굴착 폭, 굴착 깊이 등의 입력변수 뿐만이 아닌 첫 번째 버팀보의 설치 깊이 및 첫 번째 굴착 깊이에도 크게 영향을 받게 된다. 따라서 수치해석 간에 시공단계를 정립할 필요성이 있었으며, 입력변수에 반영되도록 하였다.
정립된 시공단계는 최초 굴착 이후에 지보재의 설치와 지보재의 수직간격 만큼의 굴착을 반복적으로 수행하도록 하였으며, 특히 최종 시공단계에는 항상 굴착단계를 적용하여 마지막으로 설치된 버팀보까지 응력이 가해지도록 하였다.
3.2.3 굴착 조건 요약
본 연구에서는 굴착 깊이, 굴착 폭, 첫 번째 버팀보 설치 깊이, 버팀보의 강성, 버팀보의 길이, 벽체의 강성, 벽체의 종류, 버팀보의 수직간격, 첫 번째 굴착 깊이, 벽체의 근입깊이, 각 지층의 두께를 입력변수로서 고려하여 해석 조건을 구축하였으며, Table 3에서와 같이 사용된 입력변수의 최대・최소값을 설정하여 정밀한 데이터베이스 구축이 되도록 하였다.
Table 3. Range of input parameters
3.3 Abaqus를 이용한 지반 거동 DB 구축
본 연구에서 지반 및 벽체의 거동에 대한 데이터베이스를 구축하기 위하여 유한요소 해석모델을 적용하였으며, 유한요소 해석모델 구축에 있어서는 소성인 지반에 사용이 적정하며 상용화된 유한 요소 해석 프로그램인 Abaqus 2018을 사용하였다. 지반해석에 있어서는 Plain strain 조건의 4절점 사각형요소(CPE4)를 사용하였으며, 버팀보는 1절점 스프링요소(Spring 1)를 적용하였다. 평균 6,700개의 요소와 2,800개의 절점으로 구성되며 굴착조건 지반의 총 높이는 최대 굴착깊이의 1.5배로 가정하였으며, 뒷채움흙의 폭은 굴착폭의 4배로 가정하여 수치해석을 위한 대상 지반으로 설정하였다. 해석과정에서 해석모델은 대칭성을 이용하여 반단면 지반을 사용하였다.
인공신경망 학습을 위하여 총 50개의 선정된 설계 조건에 대해 지반의 최대 수직변위, 지반의 최대 수평변위, 벽체의 최대 수평변위에 대하여 구조해석을 실시하여 데이터베이스를 구축하였다.
3.4 GeoXD를 이용한 구조물 부재력 DB 구축
본 연구에서 구조물의 부재력에 대한 데이터베이스를 구축하기 위하여 구조적 안정성에 특히 중점을 둔 해석모델인 탄소성 해석모델이 적용되었으며, 탄소성 해석모델 구축에 있어서는 Midas IT의 지반해석 프로그램인 GeoXD Analysis가 사용되었다. 해당 프로그램에서의 탄소성 해석모델은 지반은 탄소성 스프링으로, 지보재는 탄성 스프링, 흙막이 벽체는 보요소로서 구성되며 해석모델 굴착조건 지반의 크기는 유한요소 해석모델 구성과 동일하도록 지반의 총 높이는 최대 굴착 깊이의 1.5배로 가정하였으며, 뒷채움 흙의 폭은 굴착 폭의 4배로 가정하였으며 Fig. 6과 같이 나타난다.
탄소성 해석모델을 이용한 데이터베이스 구축에 있어서도 유한요소 해석모델을 이용한 데이터베이스 구축과 동일하게 338개의 굴착 조건이 적용되었으며, 사용된 입력변수와 시공단계는 유한요소 해석모델과 동일하게 적용되었다.
4. ANN엔진 구축 및 최적화
4.1 개요
인공신경망 학습에서 은닉층의 수와 학습률은 인공신경망 구조 최적화에 있어 매우 중요한 요인이다. 본 연구에서 인공신경망 구축에 있어 은닉충은 각 출력값에 대해 가장 낮은 오차율을 확인 할 수 있는 10개층을 적용하였으며, 학습에 사용된 비율은 학습 75%, 검증 15%, 확인 10%에서 최적임을 확인 하여 적용하였다.
인공신경망 적용 이후에는 앞서 기술한 개념을 바탕으로 가중치(Weight)와 역치(Bias)를 획득하였으며 이를 활용한 연산을 수행하였다. 본 연구에서 인공신경망 학습에서 가중치는 각각의 뉴런간의 연결에 적용되며 역치는 은닉층과 출력층의 뉴런에 적용되었다. 또한 가중치와 역치를 바탕으로 한 인공신경망 활용 연산에 있어서는 Matlab 2017에 내장되어 있는 Tansig함수가 적용되었다(Beale et al., 2013).
4.2 지반 거동 ANN
4.2.1 지반 거동 ANN 구축 결과
본 연구에서 Abaqus 유한요소 해석프로그램을 이용한 데이터베이스가 적용된 지반의 거동에 대한 인공신경망 구축 결과에 대해서 인공신경망을 검토하기 위하여 결정계수(R-SQUARED), 평균절대오차(MAE), 평균제곱근오차(RMSE) 등 통계적 변수들을 통해 신뢰도 검증을 수행하였다. 벽체의 최대 수평변위, 지반의 최대 수평변위 그리고 지반의 최대 수직변위 각각에 대하여 인공신경망이 구축되었으며 신뢰도 검증이 수행되었다.
결정계수는 학습데이터에 대한 모델의 신뢰도를 판단하기 위하여 사용되었으며 1에 가까울수록 학습데이터가 인공신경망에 적절하게 사용되었음을 나타낸다. 그리고 평균절대오차는 실제 수치해석 데이터와 인공신경망을 토대로 예측된 데이터의 차이를 확인하기 위함으로서 0에 가까울수록 정확한 인공신경망이 구축되었음을 나타내며 평균제곱근오차 또한 인공신경망의 예측 데이터와 실제 수치해석 데이터를 비교하기 위하여 사용되었으며 이 또한 0에 가까울수록 정확한 인공신경망이 구축되었음을 보여준다. 해당 통계적 변수들을 이용하여 학습된 인공신경망을 검토한 결과는 아래의 Table 4와 같이 나타난다. 각각의 지반의 거동에 관련된 출력값에 대한 통계적 변수의 값은 결정계수에서는 최소 0.979332 평균절대오차에서는 최대 0.025 그리고 평균제곱근오차에서 최대 0.032로서 본 연구에서 구축된 지반의 거동에 대한 데이터베이스와 그를 토대로 개발된 인공신경망은 대심도 굴착 조건에서의 지반의 거동에 대한 예측에 적합함을 확인하였다.
Table 4. Maximum and Minimum values of ground movement database
Classification | Maximum | Minmum |
Max. horizontal displacement of wall (m) | 0.0793 | 0.0165 |
Max. horizontal displacement of ground (m) | 0.0246 | 0.0089 |
Max. vertical displacement of ground (m) | 0.0291 | 0.0049 |
Table 5. Validation of ground movement ANN
4.2.2 ANN 영향인자 평가
본 절에서는 구축된 지반의 거동에 대한 인공신경망에 대하여 상대강도효과(Relative Strength of Effect)와 상대중요도(Relative Importance)를 평가하였다.
상대강도효과(RSE)는 인공신경망을 이용한 지반의 거동 예측 시스템의 효율성을 확인하기 위하여 검토가 수행되었으며, 해당 개념을 이용하여 학습 데이터베이스에 대한 검토를 수행하였다. 상대강도효과는 Yang and Zhang (1997, 1998)에 의해 제안되었으며 입력변수들과 출력값들의 관계 강도의 정도를 검토하는 것으로써 역전파 알고리즘을 통한 학습이 수행되었을 경우 해당 인공신경망에 대해 아래와 같이 정의된다.
$$P=p_1,p_2,p_3,\cdots,p_j,\cdots,p_r$$ | (1) |
$$RSE_{ki}=S\sum_{j_n}\cdots\;\sum_{j_1}W_{j_nk}G(e_k)W_{j_{n-1}j_n}G(e_{j_n})\times\;W_{j_{n-2}j_{n-1}}G(e_{j_{n-1}})W_{j_{n-3}j_{n-2}}G(e_{j_{n-2}})\;\cdots\;W_{ij_1}G(e_{j_1})$$ | (2) |
$$p_j=X,Y;\;\;\;\;\;\;X=x_1,x_2,x_3,\cdots,x_p;\;\;\;\;\;\;\;Y=y_1,y_2,y_3,\cdots,y_q$$ | (3) |
위의 식 (2)에서 S는 출력값 k에 대한 입력변수 i의 RSE 최대값의 절대값을 ‘1’로 변환시키기 위한 스케일화 상수이다. 그리고 함수 G는 활성화 함수의 미분 함수이며 W는 각 층에 해당하는 가중치에 해당한다. RSE는 정규화 과정을 통하여 입력층의 출력변수에 대한 상대적인 영향도를 평가하는 수단으로 사용된다. RSE에서 (+) 부호의 양의 영향을 주는 영향인자는 변수의 값이 증가하면 출력값이 증가함을 의미하고 (-) 부호는 그 반대를 의미한다. 또한 그 값의 절대값이 클수록 영향 정도가 강하다는 것을 의미한다. 이로써 상대강도효과를 적용하여 어떠한 입력값이 출력값에 크게 영향을 미치는지 분석이 가능하다.
상대중요도는 입력변수의 영향도 분석을 위하여 각 입력변수의 상대기여도 산정을 통해 상대중요도를 계산하는 것으로 아래와 같이 정의된다.
$$c_{ij}=w_{ij}\times w_{oj}$$ | (4) |
$$r_{ij}\;=\;\frac{\vert c_{ij}\vert}{{\displaystyle\sum_{i=a}^k}\vert c_{ij}\vert}$$ | (5) |
$$S_i\;=\;\sum_{j=1}^{10}r_{ij}$$ | (6) |
$$RI_i(\%)\;=\;\frac{S_i}{{\displaystyle\sum_{i=a}^k}S_i}$$ | (7) |
위의 식 (4)에서 w는 인공신경망의 가중치로 입력변수와 출력값을 연결하는 뉴런의 가중치 c의 산정에 적용된다. 그리고 산정된 c는 다시 식 (5)에 입력되어 각 입력변수의 강대기여도를 산정하게 된다. 해당 방법은 전체의 중요도를 100%로 하여 입력변수 각각의 상대중요도를 백분율로 나타내게 된다.
Fig. 9는 각 출력값에 대한 상대강도효과이며 Fig. 10은 각 출력값에 대한 상대중요도 평가 결과이다. 해당 그림에 나타난 것과 같이 각 입력변수에 대한 영향력을 알 수 있으며 상대강도효과의 검토를 통해서 벽체의 최대 수평변위는 버팀보의 강성이 증가할수록 감소하며, 첫 번째 굴착 깊이가 깊어질수록 증가하는 것으로 확인할 수 있다. 또한 지반의 최대 수평변위는 첫 번째 버팀보의 설치 깊이가 깊어질수록 감소하며 굴착 깊이가 깊어질수록 증가함을 확인하였다. 그리고 지반의 최대 수직변위는 첫 번째 버팀보의 설치 깊이가 깊어질수록 감소하며 풍화토 지층의 두께가 증가할수록 증가함을 확인할 수 있었다. 또한 상대중요도의 검토를 통해서는 벽체의 수평변위는 벽체의 강성과 가장 높은 관련성이 있으며 지반의 최대 수평변위 또한 벽체의 강성과 가장 높은 관련성이 있고 지반의 최대 수직변위는 버팀보의 수직 간격과 가장 높은 관련성이 있음을 확인할 수 있었다.
본 절에서 검토된 상대강도효과와 상대중요도를 통하여 각각의 출력값에 대해 높은 관련을 지니는 입력변수를 판단할 수 있었으며, 상대강도효과와 상대중요도의 검토를 통해 특정 출력값에 대해 높은 관련성이 있는 입력변수를 인공신경망 학습에 적극적으로 반영함으로서 효율적이고 정확한 인공신경망 구축이 가능함을 확인하였다.
4.3 구조물 부재력 ANN
4.3.1 구조물 부재력 ANN 구축 결과
본 연구에서 GeoXD 프로그램의 탄소성 해석모델을 이용한 데이터베이스가 적용된 벽체 및 구조물의 부재력에 대한 인공신경망 구축 결과에 대해서 인공신경망을 검토하기 위하여 위의 지반의 거동에 대한 인공신경망의 검증과 동일하게 결정계수(R-SQUARED), 평균절대오차(MAE), 평균제곱근오차(RMSE) 등 통계적 변수들이 신뢰도 검증에 적용되었다. 버팀보의 축력, 벽체의 축력, 벽체의 전단력 그리고 벽체의 휨모멘트 각각에 대하여 인공신경망이 구축되었으며 신뢰도 검증이 수행되었다.
해당 통계적 변수들을 이용하여 학습된 인공신경망을 검토한 결과는 Table 7과 같이 나타난다. 각각의 지반의 거동에 관련된 출력값에 대한 통계적 변수의 값은 결정계수에서는 최소 0.989136, 평균절대오차에서는 최대 0.018 그리고 평균제곱근오차에서 최대 0.020로서 본 연구에서 구축된 벽체 및 구조물의 부재력에 대한 데이터베이스와 그를 토대로 개발된 인공신경망은 대심도 굴착 조건에서의 벽체 및 구조물의 부재력에 대한 예측에도 적합함을 확인하였다.
Table 6. Maximum and Minimum values of structural member forces database
Table 7. Validation of structural member forces ANN
4.3.2 ANN 영향인자 평가
본 절에서는 구축된 벽체 및 구조물의 부재력에 대한 인공신경망에 대하여 상대강도효과(Relative Strength of Effect)와 상대중요도(Relative Importance)를 평가하였다.
상대강도효과는 인공신경망을 이용한 지반의 거동 예측 시스템의 효율성을 확인하기 위하여 검토가 수행되었으며, 해당 개념을 이용하여 학습 데이터베이스에 대한 검토를 수행하였다.
Fig. 12는 각 출력값에 대한 상대강도효과이며 Fig. 13은 각 출력값에 대한 상대중요도 평가 결과이다. 해당 그림에 나타난 것과 같이 각 입력변수에 대한 영향력을 알 수 있으며 상대강도효과의 검토를 통해서 버팀보의 최대 축력은 버팀보의 길이가 길어질수록 감소하며 버팀보의 수직 간격이 증가할수록 증가하는 것을 확인할 수 있었다. 또한 상대중요도의 검토는 통하여 벽체의 근입깊이가 가장 높은 관련성이 있음을 확인하였다.
본 절에서 검토된 상대강도효과와 상대중요도를 통하여 벽체 및 구조물의 부재력 출력값에 대해 높은 관련을 지니는 입력변수를 판단할 수 있었으며, 상대강도효과와 상대중요도의 검토를 통해 특정 출력값에 대해 높은 관련성이 있는 입력변수를 인공신경망 학습에 적극적으로 반영함으로서 효율적이고 정확한 인공신경망 구축이 가능함을 확인하였다.
5. 가상현장 적용을 통한 ANN 검증
5.1 ANN 검증 조건
본 절에서는 학습된 인공신경망을 이용한 지반의 거동 및 벽체 부재력 예측 시스템의 효율을 확인하고 정확도를 검증하기 위하여 Table 8의 10개의 굴착 조건을 Validation sets으로 설정하고 수치해석 프로그램을 이용한 결과값과 인공신경망을 통해 예측된 결과값을 비교하여 인공신경망의 효율성과 정확도를 검증하고자 하였다.
Table 8. Validation sets
Table 9. Validation result
5.2 ANN 검증 결과
검증 결과 인공신경망과 수치해석프로그램의 평균 예측 오차는 벽체의 최대 수평변위 4.49%, 버팀보의 최대 축력 1.35%, 벽체의 최대 축력 2.41%, 벽체의 최대 전단력 0.45% 그리고 벽체의 최대 휨모멘트 3.42%로서 상당히 높은 정확도를 확인할 수 있다. 본 연구에서 벽체의 최대 수평변위에 대해서는 17%의 오차까지 나타나지만 해당 값의 결과가 매우 작아 오차가 크게 발생하는 것이며, 해당 수준의 오차는 벽체의 안정성에 큰 영향을 미치지 않는다.
6. 결론
본 연구에서는 인공신경망 기법을 통한 대심도 굴착 조건에 대한 지반의 거동 및 구조물의 부재력 예측을 다루었으며, 그 결과를 요약하면 다음과 같다.
(1) 대심도 굴착 조건의 해석 및 설계에 있어서 기존 수치해석 프로그램을 사용할 때에 발생하는 많은 시간적 경제적 소요가 존재하며, 인공신경망 기법을 활용하여 추가적인 수치해석 없이 높은 정확도의 결과값을 얻도록 하여 시간적 경제적 소요를 상당부분 해소하고자 하였다. 이를 통해 설계자가 깊은 굴착 현장 조건에 대한 해석과 설계에 보다 쉽게 접근할 수 있을 것으로 판단된다.
(2) 실제 수치해석 프로그램 사용시 적용되는 굴착 현장 조건, 지반의 조건 그리고 벽체 등 구조물의 설계 조건을 고려하여 인공신경망의 입력변수를 설정하였으며, 입력된 변수들을 바탕으로 지반의 거동 및 벽체 부재력에 대한 출력값을 높은 정확도로 예측 가능토록 구성하였다.
(3) 인공신경망에 입력되는 변수들의 설정에 있어 지반의 거동 및 벽체 부재력 등 각각의 출력값에 대해 상대강도효과(Relative Strength of Effect)와 상대중요도(Relative Importance)를 분석함으로써 인공신경망 학습의 효율을 극대화 시켰을 뿐만 아니라 출력되는 예측값에 대한 정확도를 향상시켰다.
(4) 추후 해당 인공신경망을 대심도 굴착에 대한 연구에 접목시켜 추가적인 수치해석과 그에 따른 시간적 경제적 소요 없이 간편하게 지반의 거동 및 벽체 부재력에 대한 값을 예측하도록 하여 설계자가 복잡한 대심도 굴착 조건에 대해서도 경제적이고 효율적인 설계를 할 수 있도록 할 것이다.
본 연구에서 검토된 인공신경망에 대해서 향후 다른 지반 특성에 대한 추가적인 연구를 통해 보완할 수 있을 것이며, 해당 인공신경망을 활용하여 지반의 거동 및 벽체 부재력에 대한 단순한 예측뿐 아니라 아닌 대심도 굴착 조건에 대한 안정성 검토도 가능할 것으로 기대된다.