국내 연약지반의 신뢰성있는 비배수 전단강도 추정을 위한 flat DMT와 인공신경망 이론의 적용 Application of Flat DMT and ANN for Reliable Estimation of Undrained Shear Strength of Korean Soft Clay원문보기
DMT 시험은 연약지반의 공학적 특성을 파악하기 위한 현장 시험방법으로, 이 방법으로부터 구한 비배수 전단강도는 가장 신뢰성 있고 유용한 매개변수로 알려져 있다. 그러나 국외 다른 지역의 자료를 토대로 기존에 제안된 상관관계식들은 지역적인 특성에 의존한다. DMT 시험 결과는 3가지 중간 지수 - 재료지수, 수평응력지수, dilatometer modulus를 사용하여 해석이 이루어지며 특히 비배수 전단강도는 수평응력지수만을 이용하여 예측하고 있다. 본 논문에서는 먼저 DMT 시험의 국내 연약지반에서의 적용성을 살펴보았으며 DMT로부터 비배수 전단강도를 추정하기 위하여 $p_0, p_1, p_2, {\sigma '}_v$ 그리고 초기 간극수압을 바탕으로 인공신경망 모델을 개발하였다. 인공신경망 모델은 오차 역전파 알고리즘을 적용하였으며 국내 연약지반에서 수행된 DMT 시험 자료를 이용하여 훈련하였다. 인공신경망 모델의 적용성을 판단하기 위하여 훈련에 이용되지 않은 자료로부터 예측된 결과와 기존에 제안된 상관관계식으로부터 얻은 결과를 서로 비교하였다.
DMT 시험은 연약지반의 공학적 특성을 파악하기 위한 현장 시험방법으로, 이 방법으로부터 구한 비배수 전단강도는 가장 신뢰성 있고 유용한 매개변수로 알려져 있다. 그러나 국외 다른 지역의 자료를 토대로 기존에 제안된 상관관계식들은 지역적인 특성에 의존한다. DMT 시험 결과는 3가지 중간 지수 - 재료지수, 수평응력지수, dilatometer modulus를 사용하여 해석이 이루어지며 특히 비배수 전단강도는 수평응력지수만을 이용하여 예측하고 있다. 본 논문에서는 먼저 DMT 시험의 국내 연약지반에서의 적용성을 살펴보았으며 DMT로부터 비배수 전단강도를 추정하기 위하여 $p_0, p_1, p_2, {\sigma '}_v$ 그리고 초기 간극수압을 바탕으로 인공신경망 모델을 개발하였다. 인공신경망 모델은 오차 역전파 알고리즘을 적용하였으며 국내 연약지반에서 수행된 DMT 시험 자료를 이용하여 훈련하였다. 인공신경망 모델의 적용성을 판단하기 위하여 훈련에 이용되지 않은 자료로부터 예측된 결과와 기존에 제안된 상관관계식으로부터 얻은 결과를 서로 비교하였다.
The flat dilatometer test (DMT) is a geotechnical tool to estimate in-situ properties of various types of ground materials. The undrained shear strength is known to be the most reliable and useful parameter obtained by DMT. However, the existing relationships which were established for other local d...
The flat dilatometer test (DMT) is a geotechnical tool to estimate in-situ properties of various types of ground materials. The undrained shear strength is known to be the most reliable and useful parameter obtained by DMT. However, the existing relationships which were established for other local deposits depend on the regional geotechnical characteristics. In addition, the flat dilatometer test results have been interpreted using three intermediate indices - material index $(I_D)$, horizontal stress index $(K_D)$, and dilatometer modulus (E$_{D}$) and the undrained shear strength has been estimated merely using the horizontal stress index $(K_D)$. In this paper, the applicability of the flat dilatometer to Korean soft clay deposit has been investigated. Then an artificial neural network was developed to evaluate the undrained shear strength by DMT and the ANN, based on the $p_0, p_1, p_2, {\sigma '}_v$ and porewater pressure. The ANN which adopts the back-propagation algorithm was trained based on the DMT data obtained from Korean soft clay. To investigate the feasibility of ANN model, the prediction results obtained from data which were not used to train the ANN and those obtained from existing relationships were compared.
The flat dilatometer test (DMT) is a geotechnical tool to estimate in-situ properties of various types of ground materials. The undrained shear strength is known to be the most reliable and useful parameter obtained by DMT. However, the existing relationships which were established for other local deposits depend on the regional geotechnical characteristics. In addition, the flat dilatometer test results have been interpreted using three intermediate indices - material index $(I_D)$, horizontal stress index $(K_D)$, and dilatometer modulus (E$_{D}$) and the undrained shear strength has been estimated merely using the horizontal stress index $(K_D)$. In this paper, the applicability of the flat dilatometer to Korean soft clay deposit has been investigated. Then an artificial neural network was developed to evaluate the undrained shear strength by DMT and the ANN, based on the $p_0, p_1, p_2, {\sigma '}_v$ and porewater pressure. The ANN which adopts the back-propagation algorithm was trained based on the DMT data obtained from Korean soft clay. To investigate the feasibility of ANN model, the prediction results obtained from data which were not used to train the ANN and those obtained from existing relationships were compared.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
표현하기가 매우 어렵다. 따라서 본 연구에서는 DMT 자료로부터 직접 이러한 상호 연관성을 고려하여 비배수 전단강도를 예측하기 위하여 인공신경망 모델의 적용성을 검토하였다.
따라서 본 연구에서는 Marchetti가 제안한 지수가 아닌 DMT 시험 자료인 po, pi, P2를 직접 이용하여 대상 지반의 다양한 공학적 특성을 포함할 수 있도록 인공신경망 모델을 구축하였다. 이는 기존에 제안된 통계적 회귀분석 모델에 포함된 오류나 현장 지반 조건의 다양성 등으로 발생되는 경험적 상관관계의 오차 등을 최소화할 수 있다는 장점이 있다.
본 연구에서는 국내 서 . 남해안에 위치한 4개 지역의 연약지반을 대상으로 총 20회의 DMT 시험을 수행하였으며 일축, UU 그리고 현장 베인 시험에서 각각 얻어진 비배수 전단강도를DMT 시험으로 예측된 값과 비교하였다.
본 연구에서는 현장 시험 방법 중에 하나인 flat DMT 를 이용하여 연약지반의 신뢰성 있는 비배수 전단 강도를 추정하는 연구를 수행하였다. 이를 위해 기존에 제안된 Marchetti(1980) 방법과 Kamei & Iwasaki(1995) 방법을 적용하여 실내시험인 일축과 UU시험 그리고 현장시험인 현장 베인 시험을 통해서 구한 비배수 전단 강도를 비교하였다.
따라서 국내 지반과는 다른 조건과 특성을 나타내는 자료를 활용하여 제안된 기존의 여러 상관관계식들을 그대로 국내 지반에 적용할 경우, 예측된 결과의 신뢰성을 확보하기 어려운 경우가 빈번히 발생하고 있다. 이에 본 연구에서는 국내 연약지반에서 수행된 DMT 자료를 활용하여 보다 신뢰성있는 비배수 전단강도를 예측할 수 있도록 인공신경망 이론의 적용성을 검토하였다.
제안 방법
4개 지역의 지반을 대상으로 DMT 시험을 수행한 자료를 활용하여 Marchetti(1980)가 제안한 상관관계식 (4)와 Kamei & Iwasaki(1995)가 제안한 상관관계식 ⑹ 을 이용하여 비배수 전단강도를 추정하였고 기준이 되는 시험(reference tests)으로부터 얻어진 비배수 전단강 도와 비교하였다.
본 연구에서는 국내 서 . 남해안에 위치한 4개 지역의 연약지반을 대상으로 총 20회의 DMT 시험을 수행하였으며 일축, UU 그리고 현장 베인 시험에서 각각 얻어진 비배수 전단강도를DMT 시험으로 예측된 값과 비교하였다. 그림 1에는 DMT 시험을 통한 대상 지역의 대표적인 지반 특성을 보여주고 있다(Marchetti, 1980).
또한 비 배수 전단강도는 비교란 시료를 이용한 UU, UC 또는 현장 베 인 시험으로부터 구할 수 있으며 여러 연구자들에 의해 이러한 시험 방법들이 비교적 타당한 결과를 제공하는 것으로 알려지고 있다. 따라서 UU, UC 그리고 현장 베인 시험을 기준이 되는 시험(reference tests) 으로 선택하여 DMT 시험 결과와 비교하였으며 인공신 경망 모델 적용 시 최종목표(target) 자료로 활용하였다
또한 표 5와 같이 최적의 인공신경망 모델을 선정하기 위하여 다양한 전달 함수들의 조합을 통해서 인공신경망 모델을 검토하였다.
본 연구에서는 4개 지역의 대상 연약지반지역에서 수행된 DMT 자료들과 실내시험 결과들을 이용하여 인공 신경망 모델을 훈련, 검증하였다. 표 3과 4에 제시된 바와 같이 인공신경망 모델을 학습하기 위하여 19개의 학습 자료를 구축하였으며 구축된 모델을 검증하기 위하여 7개의 자료를 사용하였다.
대상 데이터
DMT 자료들과 실내시험 결과들을 이용하여 인공 신경망 모델을 훈련, 검증하였다. 표 3과 4에 제시된 바와 같이 인공신경망 모델을 학습하기 위하여 19개의 학습 자료를 구축하였으며 구축된 모델을 검증하기 위하여 7개의 자료를 사용하였다.
데이터처리
구축된 모델을 검증하기 위하여 모델 구축 시 사용되지 않은 총 7개의 자료를 활용하여 인공신경망 모델을 검증하였으며 결과는 그림 11과 같다. 또한 인공신경망 모델을 통해서 추정된 비배수 전단강도 예측 결과를 기존 상관관계식들로 예측된 결과와 비교하여 그림 12에 도시하였다.
이론/모형
오차 역전파 알고리즘은 입력값과 결과값의 비선형적인 관계를 구축하는 함수근사화에 매우 효율적인 방법으로 알려져 있다(김영상, 2003). 또한 본 연구에서는 인공신경망 모델의 적용시 발생되는 문제 중에 하나인 과적합 (overfitting) 문제를 해결하기 위하여 이용되는 일반화 기법 중에 하나인 Bayesian 방법을 적용하였다. 그리고 인공신경망 모델을 효과적으로 학습하기 위하여 식 (7) 을 이용하여 각각의 입력 자료와 출력 자료들을 최대값과 최소값을 기준으로 (-1, 1) 사이에서 정규화(normalized) 하여 사용하였다.
본 연구에서 구축된 인공신경망 모델은 매트랩 툴박스(Matlab neural network toolbox)를 이용하였으며 오차 역전파 알고리즘을 학습 모델로 사용하였다. 오차 역전파 알고리즘은 입력값과 결과값의 비선형적인 관계를 구축하는 함수근사화에 매우 효율적인 방법으로 알려져 있다(김영상, 2003).
추정하는 연구를 수행하였다. 이를 위해 기존에 제안된 Marchetti(1980) 방법과 Kamei & Iwasaki(1995) 방법을 적용하여 실내시험인 일축과 UU시험 그리고 현장시험인 현장 베인 시험을 통해서 구한 비배수 전단 강도를 비교하였다. 현장 베인 시험의 경우 Kamei & Iwasaki (1995) 방법이 비교적 실험값과 일치하는 경향을 보이지만 전반적으로 Marchetti(1980)와 Kamei & Iwasaki (1995) 방법 모두 분산이 크고 일관성이 결여된 결과를 도출하는 경향을 보인다.
성능/효과
결과적으로 본 연구에서 DMT 시험 자료를 활용한 비 배수 전단강도를 추정하기 위한 인공신경망 모델은 그림 7과 같으며 이는 그림 8에 제시된 전달함수를 이용한 5-3-1 구조로 po, pi, p2, uo, s'으로 구성된 입력층 (input layer)과 3개의 뉴런으로 구성된 단일 은닉층 (hidden layer) 그리고 비배수 전단강도를 제공하는 출력층(output layer)으로 모델이 되었음을 의미한다.
22을 사용하여 도출한 상관관계식이며 Kamei & Iwasaki(1995)의 제안 식 (6)은 UU와 UC 실험 결과로부터 얻어진 상관관계식이다. 그러나 그림 2에서 알 수 있듯이 현장 베인 시험 결과와 비교한 경우 Marcetti (1980) 식보다는 Kamei & Iwasaki(1995) 식이 다소 유사한 결과를 추정하는 것으로 판단되며 전체적으로 기존에 제안된 상관관계식으로부터 추정된 비배수 전단 강도는 기준이 되는 시험결과와는 차이가 나며 분산이 큰 것을 알 수 있다(그림 2). 이러한 이유는 여러 가지가 있으며 이 중에서 몇 가지를 제시하면 다음과 같다.
모델을 구축하였다. 이는 기존에 제안된 통계적 회귀분석 모델에 포함된 오류나 현장 지반 조건의 다양성 등으로 발생되는 경험적 상관관계의 오차 등을 최소화할 수 있다는 장점이 있다. 총 26개의 자료 중 19개의 학습자료와 7개의 검증자료를 구분하여 인공신경망 모델을 구축하고 검증하였으며 기존에 제안된 상관관계식으로부터 얻어진 비배수 전단강도와 비교하였을 때 신뢰성 있는 결과를 제공하는 것을 알 수 있었다.
이는 기존에 제안된 통계적 회귀분석 모델에 포함된 오류나 현장 지반 조건의 다양성 등으로 발생되는 경험적 상관관계의 오차 등을 최소화할 수 있다는 장점이 있다. 총 26개의 자료 중 19개의 학습자료와 7개의 검증자료를 구분하여 인공신경망 모델을 구축하고 검증하였으며 기존에 제안된 상관관계식으로부터 얻어진 비배수 전단강도와 비교하였을 때 신뢰성 있는 결과를 제공하는 것을 알 수 있었다. 이는 제안된 인공신경망 모델이 현장 지반 조건의 다양성과 입력된 자료의 부적절성까지 학습할 수 있으므로 기존의 경험적인 상관관계보다 높은 신뢰성을 제공할 수 있기 때문으로 사료된다.
결과와 비교하였다. 학습된 인공신경망 모델의 예측결과가 기존 상관관계식보다 매우 적은 분산을 보이며 실험으로 얻어진 비배수 전단강도와 잘 일치하는 신뢰성 있는 결과를 제시하는 것으로 볼 때 구축된 신경망 구조가 효율적으로 구축되었음을 알 수 있다.
후속연구
추후 국내 지반에 대한 보다 많은 실험 자료가 추가될 경우 기존의 인공신경망 모델을 재학습함으로써 손쉽게 수정할 수 있으며 이로부터 국내 지반에 보다 적합한 모델을 구축할 수 있을 것으로 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.