[논문]정준상관분석을 이용한 막장등급평가 수량화기법 연구

서용석; 김창용; 김광염; 이현우

정준상관분석을 이용한 막장등급평가 수량화기법 연구
Quantification Method of Tunnel Face Classification Using Canonical Correlation Analysis 원문보기

지질공학 = The journal of engineering geology, v.15 no.4 = no.42, 2005년, pp.463 - 473

서용석 (충북대학교 지구환경과학과, 기초과학연구소) , 김창용 (한국건설기술연구원 지반연구부) , 김광염 (한국건설기술연구원 지반연구부) , 이현우 (충북대학교 지구환경과학과, 기초과학연구소)

초록
AI-Helper

국내에서 터널 설계 시 널리 사용되는 RMR 분류법과 Q-system은 모든 암종에 대해 동일한 배점 체계를 적용하기 때문에, 지역적인 지질학적 특성을 반영할 수 없으며 암반의 공학적 이방성을 충분히 표현하지 못한다. 본 연구에서는 암종별 지질학적 특성차에 의한 각 RMR 항목의 중요도를 살펴보기 위하여, 퇴적암, 화강암, 천매암을 기반암으로 하는 터널을 대상으로 막장관찰자료에 대해 정준상관분석을 실시하였다. 분석결과에 의하면 암종의 변화에 따라 전체 RMR배점에서 각 인자가 차지하는 영향은 서로 큰 차이를 보였다

Abstract ▼ AI-Helper

Because of using the same rating ranges for every rock types the RMR or the Q-system could not usually consider local geological characteristics They also could not present sufficiently the engineering anisotropy of rocks. The canonical correlation analysis was carried out with 3 kinds of face mapping data obtained from granite, sedimentary rock and phyllite in order to clarify a discrepancy between rock types. According to analysis results, as a type of rocks changes, RM factors have different influences on the total rating of RMR.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

다음으로 위에서 구한 표본 정 준변수들이 원변 수집 단의 전체 분산을 얼마나 설명하는지에 대해 알아보자. 먼저 표준화된 종속변수 집 단과 독립변수집단을 각각 y* 와 X* 로 표현한다.

가설 설정

5.우리나라의 경우 터널D/B의 구축으로 자료가 축적되고, 지질공학적인 영역이 구분된다면 매우 신뢰성 있는RMR 배점이 각 영역마다 제시될 수 있을 것이다.

제안 방법

본연구에서는 괴상의 화강암과 이방성의 천매암, 그리고 퇴적암에서 굴착된 터널의 막장관찰 자료를 이용 하예기VIR 구성 요소의 평가결과와 지보패턴과의 관계에 대한 정준상관 분석을 실시하였으며, 이를 통하여 각암종별 지질학적 특성차에 의한암반평가 결과의 차이와 특성을 분석하였다. 분석 결과를 기초로 하여 각 지질조 건별 RMR 구성 요소의 점수 배 점 조정안을 제 안하였다.
서로 다른 지질 조건, 즉 괴상의 화강암, 이방성의 천매암과 퇴적암을 기반으로 하는 국내 3개소 터널의 RMR 구성 요소와 지보 패턴과의 관계에 대한 정준상관 분석을 통해 지질학적 특성차에 의한 막장평가 결과의 차이를 분석하여 기존 RMR 분류의 각 항목별 배점과 비 교분석하였다.

대상 데이터

각 터널은 굴착이 거의 완료된 상태이 며, 기본 자료는 한국 건설기술연구원에서 운용 중인 터널 D/B 시스템의 입력자료를 이용하였다. 본 연구에는 막장관찰 자료 중 RMR 분류와 지보패턴 관련 자료를 사용하였으며, A, B, C터 널 각각 1340, 168, 311개 막장의 자료를 분석에 이용하였다.
각 터널은 굴착이 거의 완료된 상태이 며, 기본 자료는 한국 건설기술연구원에서 운용 중인 터널 D/B 시스템의 입력자료를 이용하였다. 본 연구에는 막장관찰 자료 중 RMR 분류와 지보패턴 관련 자료를 사용하였으며, A, B, C터 널 각각 1340, 168, 311개 막장의 자료를 분석에 이용하였다.
본 연구에서는 국내에 널리 분포하는 암석인 퇴적암, 화강암, 천매암을 기반으로 하는 3개소의 터널을 분석 대상으로 하였다. 퇴적 암을 기반으로 하는 A터 널은 백악기 경상누층군의 하양층군에 속하며, 이들을 관입하는 불국사관입 암류로 구성된다.

성능/효과

1. 퇴적암을 기반 암으로 하는 터널에서는 대규모 단층대에 인접하여 터널구간중 절리의 간격 변화가 심하며, 절리 상태는 노출이 거의 없는 지하의 막장에서 신선 한절리 상태를 거의 유지한다. 따라서 절리 상태의 배점이 30점에서 10점으로 매우 낮아졌으며, 절리 간격이 20점에서 36점으로 높은 변별력을 가진다.
2.화강암을 기반 암으로 하는 터널에서는 토피가 매 우깊은 괴상의 암반에 건설되어 절리의 발달이 심하지 않기 때문에, 절리간격과절리상태는각각20점과 30점 에서 9점과 20점으로 매우 낮아진다.
3.천 매 암을 기반 암으로 하는 터널에서는 고각의 엽리 가 매우 잘 발달하며, 단층이 잘 발달하는 변성대 에 해당되므로 절리 상태의 변화가 심하며, 암석은 대부분 신선한 상태를 유지한다. 따라서 절리 상태는 30점에서 40점으로 높아진 반면 암석의 강도는 15점에서 13점으로 변별력이 다소 떨어진다.
4.서로 다른 지질 조건에서의 막장관찰 결과 분석에 의해 지보 패 턴에 영향을 주는 RMR의 항목별 배점은 차이가 있다. 따라서 RMR의 항목별 배점을 지질학적 환경 이 변하는 영역마다 조정함으로써 현장에서 가장 변별 력 있는 요소를 이용하여 암반 평가를 수행할 수 있을 것이다.
천매암터널인 B터널의 경우 다른 두터널과 많이 다른 결과를 보여주고 있는데, 절리 상태에서는 40점으로 RMR 배 점 인 30점에 비하여 높고, 암석강도는 13점으로 나타났다. 그 원인은 엽리가 매우 잘 발달하고 있는 암질이면서 단층이 잘 발달하는 변성대에서 절리상태의 변화가 상당히 심함을 알 수 있고, 암석강도는 대부분 신선함을 유지하기 때문에 변별력이 떨어져 낮게 평가되었다.
본연구에서는 괴상의 화강암과 이방성의 천매암, 그리고 퇴적암에서 굴착된 터널의 막장관찰 자료를 이용 하예기VIR 구성 요소의 평가결과와 지보패턴과의 관계에 대한 정준상관 분석을 실시하였으며, 이를 통하여 각암종별 지질학적 특성차에 의한암반평가 결과의 차이와 특성을 분석하였다. 분석 결과를 기초로 하여 각 지질조 건별 RMR 구성 요소의 점수 배 점 조정안을 제 안하였다.
천매암터널인 B터널의 경우 다른 두터널과 많이 다른 결과를 보여주고 있는데, 절리 상태에서는 40점으로 RMR 배 점 인 30점에 비하여 높고, 암석강도는 13점으로 나타났다. 그 원인은 엽리가 매우 잘 발달하고 있는 암질이면서 단층이 잘 발달하는 변성대에서 절리상태의 변화가 상당히 심함을 알 수 있고, 암석강도는 대부분 신선함을 유지하기 때문에 변별력이 떨어져 낮게 평가되었다.
각 항목별로 RMR의 배점과 계산 결과를 비교 검토하면 다음과 같다. 퇴적암터널인 A터널의 계산 결과를 보면 절리 상태의 배점이 10점으로서 현저히 낮게 나타나며, 반면에 절리 간격이 36점으로 높게 나타났다. 이는 터널 건설지역이 대규모 단층대에 인접하여 위치하는 관계로 터널 구간 중 절리의 간격 변화가 심하여 변별력이 높게 나타났으며, 절리 상태는 지표 노 출이 없는 지하의 막장에서 비교적 신선한 절리 상태를 유지하였으므로 전 구간에서 변화가 심하지 않았음을 나타내는 것이다.

후속연구

서로 다른 지질 조건에서의 막장관찰 결과 분석에 의해 지보 패 턴에 영향을 주는 RMR의 항목별 배점은 차이가 있다. 따라서 RMR의 항목별 배점을 지질학적 환경 이 변하는 영역마다 조정함으로써 현장에서 가장 변별 력 있는 요소를 이용하여 암반 평가를 수행할 수 있을 것이다.
왜냐하면 RMR 평가에 영향을 미치는 광역적지질 지 질특성이 지역별로 차이가 크기 때문이다. 앞으로 터널 데이터에 대한 D/B가 더욱 축적되고 이들을 분석하면 지역별로 유의한 수준의 배점 조정안이 도출될 수 있을 것으로 판단된다.

참고문헌 (6)

Bieniawski, Z.T., 1989. Engineering rock mass classifications., John Wiley & Sons, 52
Kim, B.H., and Yang, H.S., 2004, Suggestion of reformed RMR by multivariate analysis., SINOROCK2004, 3A03
Moon, V., Russel, G., and Stewart, M., 2001, TIle value of rock mass classification systems for weak rock masses: a case example from Huntly, New Zealand, Engineering Geology, 61, 53-67

상세보기
Seo, Y.S., Jeong, G.C, Kim, J .S., and Ichikawa, Y, 2002. Microscopic observation and contact stress analysis of granite under compression, Engineering Geology, 63(3-4), 259-275

상세보기
Suzuki,S., Furukawa, K., Inoue, H.and Nakagawa, K., 1991. A study on the evaluation for the preliminary design of supports based on the past records of tunnel construction by NATM., JSCE journal 427(VI-14),261-270
Yasar, E., 2001, A new rock mass classification for coal measures rocks, Engineering geology, 62, 293-300

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

정준상관분석을 이용한 막장등급평가 수량화기법 연구
Quantification Method of Tunnel Face Classification Using Canonical Correlation Analysis 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (6)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

정준상관분석을 이용한 막장등급평가 수량화기법 연구 Quantification Method of Tunnel Face Classification Using Canonical Correlation Analysis 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (6)

이 논문을 인용한 문헌

저자의 다른 논문 :

서용석 (87) 김창용 (59) 김광염 (66)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

정준상관분석을 이용한 막장등급평가 수량화기법 연구
Quantification Method of Tunnel Face Classification Using Canonical Correlation Analysis 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper