터널 세그먼트 라이닝의 뒤채움 그라우트 결함 탐지를 위한 딥러닝 기반 GPR 철근 클러터 제거 모델

초록

지표투과 레이더(ground penetrating radar, GPR)는 고주파 전자기파를 이용하여 지중의 결함을 탐지하는 비파괴 탐사 기법이다. GPR은 넓은 탐지 범위와 짧은 데이터 획득 시간을 제공하므로, 쉴드 TBM 세그먼트 라이닝 배면의 뒤채움 그라우트에 대한 상태 평가에 적합하다. 그러나 철근이 포함된 세그먼트 라이닝에서는 철근의 차폐 효과로 인해 GPR 이미지에 클러터(clutter)가 발생하며, 이로 인해 그라우트 내 결함 신호가 가려져 신뢰성 있는 평가를 어렵게 한다. 본 연구에서는 이러한 한계를 극복하기 위해 딥러닝 기반 이미지 분할 기법을 적용한 철근 클러터 제거 모델을 개발하여 결함 신호의 가시성을 개선하였다. 이를 위해 유한차분 시간영역(finite-difference time-domain, FDTD) 기반 GPR 수치해석 모델을 통해 데이터베이스를 구축하고, FCN (fully convolutional networks)과 Deeplab V3+ 등의 이미지 분할 기법을 적용하여 모델을 학습하였다. 각 기법의 성능은 PSNR, SSIM, MS-SSIM의 세 가지 이미지 유사도 지표를 활용해 평가하였다. 그 결과, Deeplab V3+가 FCN보다 우수한 클러터 제거 성능을 보였으며 결함 신호의 가시성을 효과적으로 향상시키는 것으로 확인되었다. 제안된 모델은 세그먼트 라이닝 뒤채움 그라우트의 결함 식별률을 개선하고 세그먼트 유지관리의 효율성을 높여, TBM 터널의 내구성 확보와 사용 수명 연장 등에 기여할 수 있을 것으로 기대된다.

키워드