1. 서 론
2. 개량체 직경 예측 설계식
3. 연구 자료 및 해석 방법
3.1 해석 데이터와 입력변수
3.2 설계식의 계수 보정
3.3 머신러닝 모델
3.4 미학습 설계조건 격자
4. 직경 예측 결과
4.1 설계식의 적용과 보정
4.2 머신러닝 예측 결과
4.3 물리적 일관성
4.4 교차검증과 설계 활용
5. 결 론
1. 서 론
고압분사 그라우팅은 고압으로 분사되는 시멘트계 그라우트로 원지반을 절삭·교반하여 지중에 원주형 개량체를 형성하는 대표적인 지반개량 공법으로, 지하수 유입 차단, 굴착부 주변 지반 안정화 및 기존 구조물 기초 보강 등에 폭넓게 활용된다(FHWA, 2017). 개량체 직경은 개량 범위, 개량체 간 중첩 및 차수 성능을 좌우하는 핵심 설계 인자로, 목표 직경이 확보되지 못하면 개량체 간 중첩 부족과 차수성 저하, 보강 효과 감소로 이어질 수 있다. 따라서 고압분사 그라우팅 설계에서는 지반 조건과 시공 조건을 반영하여 개량체 직경을 합리적으로 예측할 필요가 있다.
개량체 직경 예측에 관한 연구는 분사 이론과 현장 계측에 기반한 해석적·경험적 접근에서 출발하였다. Croce and Flora(2000)는 단일 유체 공법의 지반 절삭 기구를 해석하였고, Modoni et al.(2006)은 분사 이론에 기반한 개량체 직경 예측 모형을 제시하였다. 이후 Flora et al.(2013)과 Croce et al.(2014)은 이론적 모형을 단순화하여 개량체 평균 직경을 비에너지와 지반 저항성의 거듭제곱 함수로 표현하는 설계 경험식을 제안하였으며, 이러한 경험식은 입력변수가 단순하고 물리적 의미가 명확하여 실무 설계에 널리 활용되어 왔다.
최근에는 현장 사례자료의 축적과 함께 데이터 기반 접근이 활발히 시도되고 있다. Shen et al.(2013)은 다양한 공법을 포괄하는 일반화된 직경 예측 방법을 제시하였고, Ochmański et al.(2015)과 Tinoco et al.(2018)은 인공신경망 및 데이터 기반 기법을 직경 예측에 적용하였다. 이후 연약지반을 대상으로 한 Bi-LSTM 딥러닝 모델(Shen et al., 2021), 차분진화 알고리즘으로 최적화한 인공신경망(Atangana Njock et al., 2021), 환경영향 저감을 위한 인공지능 기반 직경 예측(Wang and Cheng, 2021), 세 가지 공법을 포괄하는 예측모델(Zhao et al., 2023) 등 다양한 모델이 제안되었으며, 주입재 특성이 개량체 형성과 강도에 미치는 영향에 대한 실험적 연구도 병행되었다(Senkaya et al., 2022). 최근 Tamang and Coe(2024)는 여러 머신러닝 알고리즘의 직경 예측 성능을 비교하였고, Tamang et al.(2025a)은 Transformer 기반 예측모델을, Tamang et al.(2025b)은 베이지안 딥러닝을 이용한 예측 불확실성 정량화 방법을 제시하였다.
그러나 두 접근 모두 설계에 적용하기 위해서는 추가 검증이 필요하다. 경험식의 계수는 도출에 사용된 데이터베이스의 범위와 토질·공법 조합에 의존하지만, 확장된 사례자료로 계수를 보정하고 적용 한계를 함께 제시한 연구는 많지 않다. 머신러닝 모델에 대한 평가 역시 대부분 시험 데이터셋의 오차 지표 비교에 집중되어 있어, 학습자료에 포함되지 않은 설계조건에서 예측값이 일반적인 공학적 경향성을 유지하는지에 대한 정량적 검토는 드물다. 또한 표 형식 기초모델인 TabPFN(Tabular Prior-data Fitted Network; Hollmann et al., 2025) 등 최근 개발된 모델의 적용성도 검토할 필요가 있다.
본 연구에서 활용한 239개 사례자료를 구축한 Tamang et al.(2025a)은 동일 자료로 여러 머신러닝 모델과 기존 경험식의 정확도를 비교하고, 미학습 설계조건에 대한 설계차트를 정성적으로 제시하였다. 이에 비해 본 연구에서는 문헌 경험식의 순서 제약 보정, 사전학습 기초모델 TabPFN의 추가 비교, 네 가지 경향성 위반율과 일관성 지도를 이용한 정량 평가 및 반복 분할 안정성 분석을 수행하였다. 본 연구는 정확도와 물리적 일관성을 구분하여 평가하고 경험식과 머신러닝 모델을 병용하는 설계 절차를 제시한다는 점에서 Tamang et al.(2025a)의 연구와 구별된다.
이에 본 연구는 고압분사 그라우팅 개량체 직경 산정을 위한 경험식을 보정하고, 머신러닝 예측모델의 정확도와 물리적 일관성을 함께 평가하여 두 접근을 설계에 병용하는 방안을 제시하고자 한다. 또한 학습 원리가 서로 다른 세 머신러닝 모델인 Random Forest(RF), Transformer 및 TabPFN에 동일한 자료 분할을 적용하여 시험 데이터셋에서의 정확도와 미학습 설계조건에서의 물리적 일관성을 정량적으로 평가하였다. 무작위 시드를 달리한 반복 학습으로 평가 결과의 통계적 안정성을 검토하였다. 이를 종합하여 보정 경험식과 검증된 머신러닝 모델을 설계 의사결정에 병용하는 단계별 절차를 제시하였다.
2. 개량체 직경 예측 설계식
고압분사 그라우팅으로 형성되는 개량체 직경은 분사 에너지와 지반 저항성의 상호작용으로 결정된다. Carletto(2009), Flora et al.(2013) 및 Croce et al.(2014)은 Modoni et al.(2006)의 이론적 모형을 단순화하여 개량체 평균 직경을 비에너지와 지반 저항성의 함수로 표현하는 경험식 체계를 제시하였다. 여기서 비에너지()는 개량체 단위 길이당 투입되는 분사 에너지(MJ/m)로서, 펌프 분사압, 유량 및 로드 인발속도로부터 식 (1)과 같이 산정된다(Croce et al., 2014).
여기서, 는 펌프 분사압, 는 유량, 은 로드 인발속도이다. 개량체 평균 직경()은 비에너지()와 지반 저항성()에 대한 거듭제곱 관계로 식 (2)와 같이 표현된다(Flora et al., 2013).
식 (2)에서 와 는 각각 비에너지와 지반 저항성에 대한 경험적 지수로, 일반적으로 는 양수, 는 음수로 보고된다. 즉 분사 에너지가 클수록 개량체 직경은 증가하고, 지반 저항성이 클수록 직경은 감소하는 물리적 관계가 지수의 부호에 반영되어 있다. 기준 직경, 기준 비에너지 및 기준 지반 저항성을 도입하고, 공법에 따른 에너지 전달 효과를 반영하는 에너지 유효화 계수 를 비에너지에 곱하면 식 (2)를 식 (3)과 같은 무차원 형태로 정규화할 수 있다(Croce et al., 2014).
여기서, , 및 는 각각 기준 직경, 기준 비에너지 및 기준 지반 저항성이며, 는 공법에 따른 에너지 유효화 계수이다. 단일 유체 공법을 기준으로 = 1을 적용하며, Croce et al.(2014)은 이중 및 삼중 유체 공법에 대해 = 6을 제안하였다. 지반 저항성은 실무 설계에서 널리 활용되는 표준관입시험(Standard Penetration Test, SPT) 값으로 근사할 수 있으며, 기준 SPT 값()을 도입하면 식 (4)와 같이 나타낼 수 있다.
이러한 거듭제곱 형태의 설계 경험식은 입력변수가 단순하고 각 계수의 물리적 의미가 명확하다는 장점이 있다. 다만 , , 및 등의 계수는 경험식 도출에 사용된 데이터베이스의 범위, 대상 토질 및 공법 조합에 의존하므로, 새로운 자료에 적용할 때에는 계수를 보정하고 적용 한계를 검토할 필요가 있다. 본 연구에서 수행한 경험식 보정 절차는 3.2절에 기술하였다.
3. 연구 자료 및 해석 방법
3.1 해석 데이터와 입력변수
본 연구에서는 문헌 사례와 실무 프로젝트 자료를 기반으로 구축된 총 239개의 고압분사 그라우팅 현장 사례자료를 사용하였다(Tamang et al., 2025a). 입력변수는 토질 종류, SPT 값, 비에너지 및 그라우팅 공법의 네 가지로 구성하였고, 출력변수는 현장에서 측정된 개량체 직경으로 설정하였다. 분석에 앞서 원자료의 결측, 중복 및 이상 기록 여부를 점검하였다. 결측값은 없었고, 모든 입력변수와 실측 직경이 동일한 중복 기록 4건은 서로 다른 시공 사례로 판단하여 유지하였으며, 입력조건이 같고 직경이 다른 27건은 현장 조건의 고유한 변동성을 반영하는 것으로 보아 제외하지 않았다. 물리적으로 허용되는 범위를 벗어난 기록은 확인되지 않았다. 토질별 사례 수는 조립질 흙(coarse-grained soil, CGS) 45개, 세립분을 포함한 조립질 흙(coarse-grained soil with fines, CGSWF) 107개 및 세립질 흙(fine-grained soil, FGS) 87개이며, 공법별 사례 수는 단일 유체 공법(single-fluid system, SFS) 98개, 이중 유체 공법(double-fluid system, DFS) 80개 및 삼중 유체 공법(triple-fluid system, TFS) 61개이다. SPT 값은 2~50 범위(평균 14.7)에 분포하고, 비에너지는 1~220 MJ/m 범위(평균 42.7 MJ/m), 실측 개량체 직경은 0.30~3.80 m 범위(평균 1.30 m)에 분포한다.
본 연구에서 미학습 설계조건이란 토질, 공법, 비에너지 및 SPT 값의 조합이 위 239개 사례자료의 어느 기록과도 일치하지 않는 입력조건을 말한다. 이러한 조건에서는 실측 직경이 존재하지 않으므로 예측 오차 대신 예측 경향의 물리적 타당성으로 모델을 평가하게 된다. 변수별 분포를 확인한 후 미학습 설계조건의 범위를 사례자료 범위(비에너지 1~220 MJ/m, SPT 값 2~50) 내 구간으로 설정하여, 자료 범위를 벗어난 외삽에 따른 불확실성이 평가 결과에 영향을 미치지 않도록 하였다. 이 범위에서 구성한 설계조건 격자와 구체적인 평가 방법은 3.4절에 제시하였다.
3.2 설계식의 계수 보정
기존 경험식의 직접 적용성을 확인하기 위하여 식 (3)에 Croce et al.(2014)이 제안한 계수, 즉 = 0.2, = −0.25, 토질별 기준 직경 1.00, 0.80 및 0.50 m, 에너지 유효화 계수 (단일 유체 공법 1, 이중 및 삼중 유체 공법 6)와 기준값 = 10 MJ/m, = 10을 그대로 적용하여 3.1절에 제시한 239개 사례자료의 개량체 직경을 예측하였다.
설계 경험식의 보정은 2장에서 제시한 식 (3)의 거듭제곱 형태와 무차원 구조를 그대로 유지한 상태에서 수행하였다. 보정의 미지수는 비에너지 지수 , 지반 저항성 지수 , 토질별 기준 직경 및 공법별 에너지 유효화 계수 이며, 는 문헌의 정의에 따라 단일 유체 공법(SFS)을 1로 고정하고 이중 유체 공법(DFS)과 삼중 유체 공법(TFS)의 값을 추정하였다. 이때 토질별 기준 직경에는 CGS ≥ CGSWF ≥ FGS, 공법별 에는 SFS ≤ DFS ≤ TFS의 순서 제약을 두어, 계수가 물리적으로 기대되는 방향을 벗어나지 않도록 하였다. 식 (3)을 로그 변환하면 가 된다. 목적함수는 실측 직경과 예측 직경의 로그 잔차제곱합으로 설정하고, 와 의 순서 제약을 만족하는 범위에서 이를 최소화하였다. 지반 저항성비는 식 (4)에 따라 SPT 값의 비로 나타냈으며, 기준값은 문헌과 동일하게 = 10 MJ/m, = 10으로 유지하였다. 기존 문헌식과 보정식의 비교는 4.1절에 제시하였다.
3.3 머신러닝 모델
본 연구에서는 학습 원리가 서로 다른 세 가지 머신러닝 모델인 RF, Transformer 및 TabPFN을 비교 대상으로 선정하였다. RF는 배깅(bagging) 기반의 앙상블 트리 모델로 중소규모 정형 데이터에서 우수한 성능이 보고되나(Breiman, 2001; Grinsztajn et al., 2022), 입력공간을 구간별로 분할하는 특성상 미학습 조건에서는 예측값이 계단형으로 변화할 수 있다. Transformer는 자가주의(self-attention) 구조로 입력변수 간 상호작용을 학습하는 신경망이며(Vaswani et al., 2017), 네 입력변수를 토큰화하여 인코더에 입력하고 다층 퍼셉트론 헤드로 직경을 출력하도록 구성하였다. TabPFN은 대규모 합성 자료로 사전학습된 표 형식 기초모델로, 학습자료를 문맥(in-context)으로 입력받아 별도의 반복 학습 없이 예측한다(Hollmann et al., 2025).
범주형 변수인 토질과 공법은 모델별 입력 구조에 맞게 수치화하였다. RF와 TabPFN에는 원-핫 인코딩(one-hot encoding)을 적용하였고, Transformer에는 라벨 인코딩(label encoding)을 적용하였으며, 정수 라벨은 임베딩 층의 색인으로만 사용되므로 범주 간 순서 정보는 부여되지 않는다. 연속형 변수인 비에너지와 SPT 값은 별도의 변환 없이 측정값을 그대로 입력변수로 사용하였다.
전체 239개 자료는 학습 152개(64%), 검증 39개(16%) 및 시험 48개(20%)로 분할하였다. 검증 데이터셋은 하이퍼파라미터 탐색의 목적함수 평가와 Transformer의 조기 종료(early stopping) 기준으로 활용하였고, 시험 데이터셋은 최종 예측 성능 평가에만 사용하여 세 모델이 동일한 자료 조건에서 비교되도록 하였다.
RF와 Transformer의 하이퍼파라미터는 베이지안 최적화 프레임워크인 Optuna(Akiba et al., 2019)에서 모델당 80회의 시험(trial)을 수행하여 최적화하였다. TabPFN의 추론 설정(앙상블 구성 수 등)에 대해서도 RF 및 Transformer와 동일하게 검증 데이터셋을 기준으로 80회 탐색을 수행하였으나, 기본 설정보다 뚜렷하게 우수한 설정이 확인되지 않아 기본 설정을 사용하였다. TabPFN의 기본 설정 사용은 별도의 하이퍼파라미터 탐색 없이 예측하도록 설계된 이 모델의 표준 사용법에 해당한다(Hollmann et al., 2025).
3.4 미학습 설계조건 격자
실제 설계에서는 학습자료에 포함되지 않은 입력변수 조합에 예측모델을 적용하는 경우가 많으며, 이러한 조건에서는 실측 직경이 존재하지 않는다. 미학습 조건에서의 예측 특성을 평가하기 위해 3.1절에서 정의한 토질 3종(CGS, CGSWF, FGS)과 공법 3종(SFS, DFS, TFS), 비에너지 20~120 MJ/m 범위(5 MJ/m 간격) 및 토질별 SPT 값 조합으로 구성되는 설계 입력조건 격자를 생성하였다. 격자는 총 1,008개 조건으로 구성되며, 모두 3.1절의 239개 사례자료와 일치하지 않는 미학습 설계조건에 해당한다. 격자의 SPT 값은 CGS에서 5, 10, 20, 30, 40, 50, CGSWF와 FGS에서 5, 10, 20, 30, 40으로 설정하였으며, 비에너지 21단계와 공법 3종을 조합하면 (6+5+5)×21×3 = 1,008개 조건이 된다. 네 가지 위반율은 모두 격자에서 인접한 두 조건의 예측 직경을 비교하는 검사 쌍 단위로 산정된다. 이렇게 구성한 검사 쌍은 비에너지 960개, SPT 819개, 공법 672개 및 토질 630개로 전체 3,081개이다. 종합 위반율은 전체 3,081개 검사 쌍 중 경향성을 위반한 쌍의 비율로 정의하였다.
미학습 설계조건에서는 실측값이 없어 평균제곱근오차(RMSE)와 같은 오차 기반 지표를 직접 적용하기 어려우므로, 입력변수 변화에 따른 예측 직경의 방향성이 공학적 기대와 일치하는지를 평가 기준으로 설정하였다. 구체적인 기준은 다음의 네 가지이다. 첫째, 비에너지가 증가하면 지반 절삭량이 증가하므로 예측 직경은 증가할 것으로 예상된다. 둘째, SPT 값이 증가하면 지반 저항성이 커지므로 예측 직경은 감소할 것으로 예상된다. 셋째, 토질이 CGS → CGSWF → FGS 순으로 변화하면 세립분의 영향이 커져 절삭 효율이 저하되므로 예측 직경은 감소하는 것이 합리적이다. 넷째, 공법이 SFS → DFS → TFS 순으로 변화하면 분사 및 에너지 전달 효과가 증가하므로 예측 직경은 증가할 것으로 예상된다. 이러한 기대 경향과 반대되는 예측을 경향성 위반으로 정의하였다.
위 기준에 대응하는 정량 지표로 네 가지 경향성 위반율을 정의하였다. 비에너지 경향성 위반율은 토질, 공법 및 SPT 값을 고정한 상태에서 비에너지를 단계적으로 증가시켰을 때 예측 직경이 감소하는 구간의 비율이고, SPT 경향성 위반율은 동일한 토질·공법·비에너지 조건에서 SPT 값 증가 시 예측 직경이 증가하는 경우의 비율이다. 토질 세립도 순서 위반율은 동일한 SPT 값·비에너지·공법 조건에서 예측 직경이 CGS ≥ CGSWF ≥ FGS의 순서를 유지하지 않는 경우의 비율로, 공법 순서 위반율은 동일한 토질·SPT 값·비에너지 조건에서 예측 직경이 SFS ≤ DFS ≤ TFS의 순서를 유지하지 않는 경우의 비율로 각각 정의하였다. 인접 조건의 예측 직경이 같은 경우는 기대 방향을 위반하지 않으므로 위반 건수에 포함하지 않는다. 각 위반율은 0에서 1 사이의 값을 가지며, 값이 작을수록 미학습 설계조건에서 물리적 경향성을 안정적으로 유지함을 의미한다. 아울러 격자의 각 조건에서 두 연속변수(비에너지, SPT 값) 방향의 기대 경향 유지 여부를 색으로 표시한 경향성 일관성 지도를 작성하여 위반이 발생하는 조건의 공간적 분포를 시각화하였다. 다만 경향성 위반율은 실측값이 없는 조건에서 물리적 일관성을 평가하기 위한 보조 지표이며, 절대적인 예측 정확도를 대체하는 지표로 해석되어서는 안 된다.
4. 직경 예측 결과
본 장에서는 먼저 기존 설계식의 직접 적용 결과와 보정 설계식의 계수 및 성능을 제시한다(4.1절). 보정 설계식과 병용할 머신러닝 모델의 특성을 비교하기 위하여 독립 시험 데이터셋에서의 정확도(4.2절)와 미학습 설계조건에서의 물리적 일관성(4.3절)을 차례로 분석한다. 이어서 교차검증을 통한 통계적 안정성 평가 결과와 보정 설계식 및 머신러닝 모델의 설계 활용 절차를 제시한다(4.4절).
4.1 설계식의 적용과 보정
문헌 계수를 그대로 적용한 예측 결과는 Fig. 1(a)와 같다. 전체 자료에 대한 R2는 0.490에 그쳤으며, 비에너지 100 MJ/m 초과 구간(29건)에서는 R2가 −0.250으로 저하되어 고에너지 구간에서 성능 저하가 더욱 뚜렷하였다. 여기서 음의 R2는 잔차제곱합이 실측 평균을 예측값으로 둘 때의 편차제곱합보다 큼을 의미하며, 해당 구간에서는 문헌 계수에 의한 예측이 구간 평균으로 예측하는 것보다도 정확도가 낮음을 나타낸다. Fig. 1(a)에서는 실측 직경이 큰 사례일수록 예측값이 실측값보다 일관되게 작게 산정되는 경향도 확인된다.
이러한 한계를 반영하여 식 (3)의 거듭제곱 형태와 무차원 구조를 유지한 상태로 계수를 재추정하였다. 비에너지 지수 는 0.36, 지반 저항성 지수 는 −0.18로 산정되어, 본 연구 자료에서도 분사 에너지가 클수록 직경이 증가하고 지반 저항성이 클수록 직경이 감소하는 관계가 유지되었다. 토질별 기준 직경은 순서 제약이 구속으로 작용하지 않은 상태에서 CGS 0.86 m, CGSWF 0.70 m 및 FGS 0.50 m로 산정되었으며, 세립분이 많을수록 작아져 절삭 효율 저하 경향과 부합하였다. 공법별 에너지 유효화 계수 는 순서 제약이 활성화되어 이중 및 삼중 유체 공법에서 동일한 값인 2.75로 수렴하였다(단일 유체 공법 1.00 기준). 이는 이중 및 삼중 유체 공법에 동일한 = 6을 제안한 Croce et al.(2014)의 계수 구조와는 일치하지만, 그 값은 문헌값보다 작다. 보정 경험식의 전체 자료에 대한 적합도는 R2 = 0.705로 문헌 계수 적용 시의 R2 = 0.490보다 뚜렷하게 개선되었으며, 평균제곱근오차(RMSE)는 0.361 m로 나타났다. 이에 따라 Fig. 1(b)에서는 Fig. 1(a)에서 확인되었던 대직경 구간의 계통적 과소예측이 해소되어, 예측값이 실측 직경 전 범위에 걸쳐 토질 구분 없이 1:1 선 주변에 고르게 분포함을 확인할 수 있다.
4.2 머신러닝 예측 결과
머신러닝 모델이 기존 사례자료 분포 내에서 개량체 직경을 적절히 예측하는지를 확인하기 위해 시험 데이터셋에 대한 예측 성능을 비교하였다. Fig. 2는 세 모델의 예측 직경과 실측 직경의 관계를 나타낸다.
시험 데이터셋에 대한 R2는 RF 0.816, Transformer 0.811 및 TabPFN 0.855로, 세 모델 모두 0.8 이상이었다. 이 가운데 TabPFN은 R2뿐 아니라 RMSE(0.276 m)와 평균절대오차(MAE, 0.178 m)에서도 가장 우수하였다. 대상 자료에 대한 반복 학습 없이 기본 설정을 사용한 사전학습 기초모델이 가장 높은 정확도를 보인 이 결과는, 소규모 정형자료에서 TabPFN의 경쟁력을 보고한 Hollmann et al.(2025)과 부합한다. 반면 RF와 Transformer의 R2 차이는 0.005에 불과하여 단일 분할의 정확도 지표만으로는 두 모델의 우열을 판단하기 어려웠으며, 정확도 순위도 자료 분할 구성에 따라 달라질 수 있어 그 통계적 안정성을 4.4절에서 검토하였다.
시험 데이터셋 정확도는 학습자료 분포와 유사한 조건에 대한 예측력을 나타내는 지표일 뿐, 실제 설계에서 빈번히 발생하는 미학습 조건의 예측 안정성을 보장하지는 않는다. 이에 다음 절에서는 앞서 정의한 미학습 설계조건 격자에서 세 모델의 물리적 일관성을 비교하였다.
4.3 물리적 일관성
미학습 설계조건에서는 실측 직경이 존재하지 않으므로, 앞서 정의한 물리적 경향성에 근거하여 모델별 설계 일반화 성능을 평가하였다. Fig. 3은 미학습 설계조건 격자에서 세 모델의 예측 직경 변화를 나타내며, 각 부도에는 토질-공법 조합별로 비에너지 변화에 따른 예측 직경을 SPT 값별 곡선으로 표시하였다.
Fig. 3(a)의 RF 결과에서는 다수의 토질-공법 조합에서 곡선의 평탄 구간과 국소적 역전이 광범위하게 나타났다. 예컨대 CGS-SFS, SPT = 20 조건에서는 예측 직경이 비에너지 약 75 MJ/m에서 1.70 m로 최댓값에 도달한 뒤 1.61 m까지 감소하였다가 회복하는 역전 거동을 보였고, 고에너지 구간에서는 넓은 평탄 구간이 확인되었다. 이는 입력공간을 구간별로 분할하여 학습하는 트리 모델의 특성과 부합하는 결과이다.
반면 Fig. 3(b)의 Transformer 결과에서는 대부분의 조건에서 비에너지 증가에 따라 예측 직경이 연속적이고 완만하게 증가하는 경향을 확인하였다. 다만 지반 저항성이 낮고 비에너지가 높은 일부 조건에서는 곡선이 평탄해진 뒤 미소하게 감소하는 구간이 나타났다. 예컨대 FGS-DFS, SPT = 5 조건에서는 비에너지 20~45 MJ/m 구간에서 예측 직경이 0.79 m에서 2.45 m로 급증한 후, 비에너지가 45 MJ/m를 초과하는 구간에서는 완만하게 감소하였는데, 이는 해당 자료 분포의 가장자리 영역에서 학습자료가 희박하기 때문일 가능성이 있다.
Fig. 3(c)의 TabPFN 결과에서는 아홉 개 토질-공법 조합 대부분에서 예측 직경이 비에너지 증가에 따라 전 구간에서 매끄러운 곡선을 그리며 일관되게 증가하였고, SPT 값 증가에 따른 직경 감소 순서도 대체로 유지되었다. 예컨대 CGS-SFS, SPT = 20 조건에서 예측 직경은 비에너지 20~120 MJ/m 구간에 걸쳐 1.14 m에서 1.97 m로 급격한 변화나 역전 없이 증가하였다.
개별 곡선에서 관찰된 경향을 격자 전체에 걸쳐 종합하기 위해 경향성 일관성 지도를 작성하였다(Fig. 4). 지도에서 초록색은 기대되는 물리적 경향이 유지되는 조건, 노란색은 비에너지와 SPT 두 방향 검사 중 하나에서만 위반이 발생한 조건, 빨간색은 두 방향 모두에서 위반이 발생한 조건을 의미한다. 비에너지 증가와 SPT 값 증가에 대한 두 검사에서 모두 기대 경향을 유지한 초록색 조건의 비율은 Fig. 4(a)의 RF에서 56.7%(노란색 33.6%, 빨간색 9.6%)인 반면, Fig. 4(b)의 Transformer에서 92.4%, Fig. 4(c)의 TabPFN에서 94.0%(빨간색 0%)로 나타났다. 심층학습 기반 두 모델과 RF의 차이는 격자 전반에서 뚜렷하게 확인되었다.
앞서 정의한 네 가지 경향성 위반율을 모델별로 비교한 결과, 비에너지 경향성 위반율은 RF 0.288, Transformer 0.031 및 TabPFN 0.001로, TabPFN에서는 위반이 거의 발생하지 않았다. SPT 경향성 위반율은 RF 0.237, Transformer 0.077 및 TabPFN 0.072로, 심층학습 기반 두 모델에서 유사하게 낮았다. 반면 공법 순서 위반율은 RF 0.360, Transformer 0.168, TabPFN 0.302로 TabPFN이 RF에 근접하는 높은 값을 보였다. 토질 세립도 순서 위반율은 RF 0.240, Transformer 0.090 및 TabPFN 0.117로, Transformer에서 가장 낮았다.
4.4 교차검증과 설계 활용
단일 분할에서 산정한 정확도와 위반율은 학습자료와 시험자료의 구성에 따라 달라질 수 있다. 자료 분할에 따른 변동의 영향을 확인하기 위하여, 모델의 구조와 하이퍼파라미터를 고정하고 무작위 자료 분할에 따른 학습과 평가를 20회 반복하는 몬테카를로 교차검증(Monte Carlo cross-validation)을 수행하였다. 보정 경험식도 같은 학습자료로 계수를 다시 추정하여 동일한 시험 데이터셋에서 평가하였다. 20회 반복은 가능한 자료 분할 중 20가지를 무작위로 추출한 것에 해당한다. 20개 값의 평균으로 무작위 자료 분할에 따른 평균 성능을 추정하고, 95% 신뢰구간으로 추정의 불확실성을 나타내었다(Fig. 5).
시험 데이터셋 R2의 평균은 RF 0.758 ± 0.051, Transformer 0.776 ± 0.044 및 TabPFN 0.800 ± 0.031로, TabPFN에서 가장 높았다. 반면 RF와 Transformer의 차이는 분할에 따른 변동 범위 이내에 있어 우열을 판단할 수 없었다. 보정 경험식의 R2는 0.694 ± 0.046으로 RF, Transformer와 비슷한 수준이었다.
종합 경향성 위반율은 RF 0.277 ± 0.003, Transformer 0.101 ± 0.005 및 TabPFN 0.114 ± 0.003이다. 세 모델의 신뢰구간이 서로 겹치지 않으므로, 본 평가 범위에서 종합 경향성 위반율의 순서는 모델별 특성의 차이를 반영한 것으로 볼 수 있다. 기준별로는 TabPFN의 비에너지 경향성 위반율이 20회 모두 가장 낮았고(평균 0.002), Transformer의 공법 순서 위반율과 토질 세립도 순서 위반율은 거의 모든 반복에서 가장 낮았다(Fig. 5(b)). 따라서 정확도에서는 TabPFN이, 물리적 일관성에서는 Transformer가 우수하다는 결과가 반복 평가에서도 동일하게 확인되었다(Fig. 5(a)). 한편 보정 경험식은 산정된 > 0과 < 0의 지수 부호 및 와 에 둔 순서 제약에 따라 네 가지 경향성 위반이 구조적으로 발생하지 않는다(종합 위반율 0). 이처럼 경험식은 지수의 부호와 계수의 순서 관계로 예측 경향을 설명할 수 있으므로, 내부 해석이 어려운 머신러닝 모델의 예측 경향이 자료의 특성에 기인하는지 모델의 한계에서 비롯되는지를 판단하는 기준으로 활용할 수 있다.
이상의 결과를 바탕으로 보정 설계식과 머신러닝 모델을 병용하는 3단계 절차를 제안할 수 있다. 1단계(정확도 선별)에서는 학습에 사용하지 않은 자료에 대한 예측 정확도로 후보 모델을 선별하되, 정확도 차이가 반복 평가의 변동 범위 이내이면 정확도만으로 우열을 판단하지 않는다. 2단계(물리적 일관성 검증)에서는 설계 범위를 포괄하는 미학습 설계조건 격자에서 네 가지 경향성 위반율을 산정하여, 위반율이 낮고 반복 평가에서도 우위가 유지되는 모델을 선정한다. 3단계(설계 적용)에서는 연속변수에 대한 경향성 일관성 지도와 공법 및 토질 순서 위반 결과를 함께 확인하여 기대 경향이 유지되는 영역에 한해 예측값을 참고값으로 활용하고, 위반이 확인되는 영역에서는 보정 경험식이나 현장자료로 교차 확인한다. 본 절차는 설계 계산을 대체하는 것이 아니라 설계 전 모델 선별을 위한 보조 수단이며, 실제 적용에는 시험시공 등 실측 기반 검증이 전제되어야 한다. 본 자료의 범위에서는 토질과 공법이 정해진 조건에서 직경을 추정할 때 TabPFN을 우선 고려할 수 있고, 공법 간 비교에는 Transformer와 보정 경험식의 교차 확인이 바람직하다.
5. 결 론
본 연구에서는 239개 현장 사례자료를 이용하여 고압분사 그라우팅 개량체 직경 산정을 위한 거듭제곱형 경험식을 순서 제약에 따라 보정하였다. 또한 학습 원리가 서로 다른 RF, Transformer 및 TabPFN의 예측 정확도를 반복 분할로 평가하고, 1,008개 미학습 설계조건 격자에서 물리적 일관성을 검토하였다. 주요 결과는 다음과 같다.
(1) 기존 경험식의 공법 계수 를 단일, 이중 및 삼중 유체 공법에 각각 1, 6 및 6으로 직접 적용한 결과, R2는 0.490으로 나타났다. 거듭제곱 구조를 유지하고 토질과 공법 계수에 순서 제약을 부여하여 보정한 결과, 보정식의 R2는 0.705이며, 1,008개 설계조건 격자에서 경향성 위반율은 0으로 확인되었다.
(2) 시험 데이터셋에서 TabPFN의 R2는 0.855로 세 모델 중 가장 높게 나타났다. 20회 반복 분할의 평균 R2도 0.800으로 산정되어 TabPFN의 상대적 우위가 유지되었다. 반면 RF와 Transformer 사이의 뚜렷한 정확도 차이는 반복 분할 평가에서 확인되지 않았다.
(3) 1,008개 조건으로 구성된 미학습 설계조건 격자에서 20회 반복 분할로 산정한 종합 경향성 위반율의 평균은 RF 0.277, Transformer 0.101 및 TabPFN 0.114로 나타났다. 세 모델 중에서는 Transformer의 위반율이 가장 낮았다. TabPFN에서는 비에너지 경향성 위반이 거의 발생하지 않았으나, 공법 순서 위반율은 상대적으로 높게 나타났다.
(4) 분석 결과를 바탕으로 정확도 선별, 물리적 일관성 검증 및 설계 적용으로 이어지는 3단계 병용 절차를 제안하였으며, 설계 적용 단계에서는 머신러닝 예측을 보정식과 교차 확인한다. 본 자료의 범위에서는 직경 추정에 TabPFN을 우선 검토하고, 공법 간 비교에는 Transformer와 보정식을 함께 활용하는 것이 적절한 것으로 판단된다.
본 연구 결과는 239개 사례자료와 네 가지 입력변수에 근거하므로, 그 적용 범위는 해당 자료가 포괄하는 조건으로 한정된다. 향후 독립 현장자료를 확보하여 외부 검증을 수행하고, 제안한 물리적 일관성 평가 절차의 일반성을 검토할 필요가 있다.







