지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 윤형구
- 발행연도
- 2021
- 저작권
- 대전대학교 논문은 저작권에 의해 보호받습니다.
이용수12
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
4차 산업혁명에 이르러 개발된 Deep learning 기법은 다양한 연구 분야에 활용된다. 또한 전기비저항 탐사는 지반 공학 물성치를 획득 할 수 있는 기법이며, 두 분야를 결합하여 활용하였다. 본 연구의 목적은 deep learning의 다양한 알고리즘은 Deep Neural Network (DNN), Long-Short Term memotry (LSTM), Gated Recurrent Unit (GRU) 그리고 결합 구조인 LSTM-DNN과 GRU-DNN을 활용하여 전기비저항과 지반공학 물성치의 거동을 예측하였다. 데이터 수집을 위하여 전기비저항 탐사를 위해 사면의 산 정상부에 test bed를 설치하였으며, 총 측선 길이 및 전극 간격은 각각 200m와 2m이다. 전극 배열은 수직분해능에 적합한 wenner 배열을 활용하였다. 전기비저항 값은 총 2019년 1월부터 2020년 4월까지 총 16개월 동안 측정하였으며, 이때 전기비저항 데이터 값은 총 52,800개이다. 데이터 전처리 과정은 min-max scaling 기법을 활용하였으며, 모델 생성에서는 하이퍼 파라미터를 설정하였다. 마지막으로 모델검증에서는 RMSE, MAE, R2값을 활용하여 신뢰도를 평가 하였다. 최종적으로 전기비저항 예측 모델을 개발하였으며, 예측된 전기비저항을 활용하여 간극률과 투수계수로 환산하여 사면의 지반 공학 물성치 거동을 평가하였다.
목차
Ⅰ. 서 론 1Ⅱ. 배경 이론 31. 전기비저항 32. 심층학습(Deep learning) 5Ⅲ. 연구 방법 121. Deep learning 예측 모델 생성 구성 122. 데이터 수집 133. 데이터 정규화 164. 모델 생성 175. 모델 검증 18Ⅳ. 연구 결과 191. 전기비저항 측정 결과 192. Deep learning 결과 27Ⅴ. 토 의 351. 지반 물성치 평가 35Ⅵ. 결 론 37참 고 문 헌 38영 문 초 록 43감 사 의 글 45
최근 본 자료
댓글(0)
0