이 논문에서는 앞서 수행된 국내의 화강풍화토의 실험 결과를 토대로 하여 화강풍화토의 함수특성곡선을 합리적으로 예측하기 위한 방법이 제안되었다. 이 방법은 인공신경망기법을 이용해서 Fredlund와 Xing의 함수특성곡선식의 계수들을 추정하도록 제안되었다. 이러한 계수들을 추정하기 위한 신경망 모델의 입력 자료로는 실험결과에서 함수특성곡선의 계수에 큰 영향을 미치는 것으로 확인된 입도분포곡선, 다짐함수비, 그리고 간극비가 사용되었다. Fredlund 와 Xing의 함수특성곡선식의 계수를 구하기 위해 본 연구에서 제안된 신경망 모델은 신뢰성 있는 예측결과를 보였으며 그 예측결과의 정확도가 이전의 다른 방법들에 비해 높게 나타났다.
이 논문에서는 앞서 수행된 국내의 화강풍화토의 실험 결과를 토대로 하여 화강풍화토의 함수특성곡선을 합리적으로 예측하기 위한 방법이 제안되었다. 이 방법은 인공신경망기법을 이용해서 Fredlund와 Xing의 함수특성곡선식의 계수들을 추정하도록 제안되었다. 이러한 계수들을 추정하기 위한 신경망 모델의 입력 자료로는 실험결과에서 함수특성곡선의 계수에 큰 영향을 미치는 것으로 확인된 입도분포곡선, 다짐함수비, 그리고 간극비가 사용되었다. Fredlund 와 Xing의 함수특성곡선식의 계수를 구하기 위해 본 연구에서 제안된 신경망 모델은 신뢰성 있는 예측결과를 보였으며 그 예측결과의 정확도가 이전의 다른 방법들에 비해 높게 나타났다.
In this paper, a method reasonably predicting soil water characteristic curve of domestic weathered granite soils was suggested, based on the test results obtained through experiments. In other words, a method to estimate the parameters of Fredlund and Xing's equation using an ANN (artificial neural...
In this paper, a method reasonably predicting soil water characteristic curve of domestic weathered granite soils was suggested, based on the test results obtained through experiments. In other words, a method to estimate the parameters of Fredlund and Xing's equation using an ANN (artificial neural network) was proposed. The particle size distribution, compacted water content and void ratio were used as input data in the ANN model for predicting the parameters, since it was found that these basic soil properties affect the parameters obtained from the test results and the fitting results of SWCC. The network model proposed in this study to obtain the parameters of Fredlund and Xing's SWCC equation produced reliable predictions, and the precision of the prediction results from the proposed method was high, in comparison with the prediction results of other methods.
In this paper, a method reasonably predicting soil water characteristic curve of domestic weathered granite soils was suggested, based on the test results obtained through experiments. In other words, a method to estimate the parameters of Fredlund and Xing's equation using an ANN (artificial neural network) was proposed. The particle size distribution, compacted water content and void ratio were used as input data in the ANN model for predicting the parameters, since it was found that these basic soil properties affect the parameters obtained from the test results and the fitting results of SWCC. The network model proposed in this study to obtain the parameters of Fredlund and Xing's SWCC equation produced reliable predictions, and the precision of the prediction results from the proposed method was high, in comparison with the prediction results of other methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 우리나라에 널리 분포하면서 각종 지반 구조물의 지반재료로 많이 이용되고 있는 화강풍화토 에 대한 함수특성곡선의 추정에 대한 연구는 많이 이 루어지지 않고 있다. 따라서 본 연구에서는 국내 화강 풍화토에 대한 실험을 통하여 얻어진 결과를 바탕으로 국내 풍화토의 함수특성곡선을 합리 적으로 추정할 수 있는 방법을 제안하고자 한다.
함수특성곡선은 불포화 지반 정수를 유도하는데 유 용한 정보로 평가된다. 따라서 본 연구에서는 특히 국내 풍화토를 대상으로 하여 기본적인 물성들이 미치는 영향을 평가하여 보다 쉽고 정확한 추정법을 제공하기 위한 연구를 수행하였다.
본 연구에서는 함수특성곡선의 실험결과를 수식 모 델화하여 함수특성곡선의 특성을 그 함수의 계수로 판 단할 수 있도록 합리적인 함수특성곡선의 수학적 모델을 선정하였다. 즉, 수학적 모델은 함수특성곡선 실험 결과에 곡선맞춤(curve fitting)하여 각각의 실험 대상 시료에서 적합한 함수의 계수를 얻을 수 있도록 하였다.
불포화토의 설계변수를 실험적인 방법으로 직접 측 정하는 데에는 실험장비 구축, 실험 소요 시간, 실험 중 오차 발생 등의 많은 어려움이 있어 실제 적용하기에 많은 제약이 있으므로, 본 논문에서는 간접적인 경험적 방법으로서 기본적인 지반 물성으로부터 국내 풍화토 에 대한 함수특성곡선 추정 방법을 제안하고자 하였다. 최종 목적으로 입도분포곡선, 다짐함수비, 간극비 등의 기본 물성과 함수특성곡선 모델의 계수와의 관계를 규 정하여 주어진 기본 물성들로부터 모델계수를 추정하여 함수특성곡선을 예측할 수 있도록 하는 것이다.
이러한 일반화기법은 Bayesian방법 과 오차가 목표치 에 도달하기 전에 학습을 중단시 키는 early stopping 방법이 주로 이용되는데, 본 연구에서는 보다 좋은 일반화 결과를 제공하는 것으로 알려져 있는 Bayesian 방법을 이용하였다. 이 방법은 평균제곱오차 로 이루어진 전형적인 수행함수(performance function) 에 신경망의 weight와 bias 의 평균제곱합에 대한 항을 추가하여 보다 일반화된 학습이 가능하도록 하였다. 더불어 보다 효과적인 신경망의 학습을 위해 각각의 입력자료들을 최대값과 최소값을 기준으로 {-1, 1}사이에서 정규화하는 작업을 수행할 수 있도록 하였다(Rafiq 등 2001).
불포화토의 설계변수를 실험적인 방법으로 직접 측 정하는 데에는 실험장비 구축, 실험 소요 시간, 실험 중 오차 발생 등의 많은 어려움이 있어 실제 적용하기에 많은 제약이 있으므로, 본 논문에서는 간접적인 경험적 방법으로서 기본적인 지반 물성으로부터 국내 풍화토 에 대한 함수특성곡선 추정 방법을 제안하고자 하였다. 최종 목적으로 입도분포곡선, 다짐함수비, 간극비 등의 기본 물성과 함수특성곡선 모델의 계수와의 관계를 규 정하여 주어진 기본 물성들로부터 모델계수를 추정하여 함수특성곡선을 예측할 수 있도록 하는 것이다. 이를 위하여 먼저 위와 같은 기본적인 시료의 물성 조건들을 달리하여 수행된 화강풍화토 시료들의 함수특성곡선
제안 방법
(1) 신경망 모델을 통해 함수특성곡선 식의 계수(S, % “)를 추정하는 방법을 이용하여 국내 화강풍화토의 함수특성곡선을 합리적으로 추정할 수 있는 방법을 제안하였다.
(a), 표 1), 실험에 사용된 국내 풍화토 중 서창 지역의 풍화토에 대해서는 기존 문헌에 발표된 입도분포곡선 의 범위를 참고하여 시료의 입도분포와 간극비를 인위 적으로 조성하여 실험을 추가적으로 수행하여 입도분 포와 간극비의 변화에 따른 함수특성곡선의 변화를 효과적으로 검토할 수 있도록 하였다(그림 1
식 (2)와 같이 체적함수비로 표현되는 모델에서 s는 간극률(porosity)과 같은 값을 갖는 계수로서 주어진 시료의 간극비에 따라 고정된 값으로 사용되었으나, 본 연구에서 실험 중에 발생되는 간극비의 변화에 따라 함수 특성곡선에 크게 영향을 주는 계수로 고려할 필요가 있음을 확인할 수 있었다(이성진 2004, 이인모 등 2000). 따라서 본 연구에서는 식 (2)와 같은 수정된 Fredlund 등의 모델을 적용함에 있어 계수 s를 포함하여 4개의 계 수로 함수특성곡선을 표현하도록 하였다.
본 연구에서도 연구 과정에서 수행된 실험 자료를 신 경망 모델의 입력 자료로 사용하였기 때문에 신경망 학 습과정에서 과적합문제가 우려되었다. 따라서 일반화 기법을 적용하였다. 이러한 일반화기법은 Bayesian방법 과 오차가 목표치 에 도달하기 전에 학습을 중단시 키는 early stopping 방법이 주로 이용되는데, 본 연구에서는 보다 좋은 일반화 결과를 제공하는 것으로 알려져 있는 Bayesian 방법을 이용하였다.
결과의 특성을 함수특성곡선 모델의 계수들을 통하여 파악하기 위하여 적합한 모델계수를 곡선 맞춤법(curve fitting)을 통하여 얻을 수 있었다. 앞에서 설명한 바와 같이 본 연구에서는 기본물성과의 관계를 규정할 함수 특성곡선식으로 Fredlund와 Xing이 1994년에 제안한 모 델식(식 (1))을 수정하여 이용하였다(식 (2)).
이상의 시료들에 대해 신경망 모델로 예측된 계수(s,”)를 적용하여 계산된 함수특성곡선을 실험결과와 함께 비교하였으며, 더불어 SoilVision(1996)에서 제공하는 함수특성곡선 추정법을 통해 추정된 결과도 함께 도시하였다. 이러한 결과들에서 볼 수 있는 바와 같이(그림 9~그림 12) 본 연구에서 제공되어진 신경망 모델은 다른 예측 방법의 추정결과에 비교하여 보다 신뢰할만 한 예측결과들을 제공하였다. 이는 다른 예측방법들이 모두 화강풍화토와는 다른 흙종류에 대한 실험결과를 기본 자료로 하여 개발되었기 때문으로 사료된다.
이상의 시료들에 대해 신경망 모델로 예측된 계수(s,”)를 적용하여 계산된 함수특성곡선을 실험결과와 함께 비교하였으며, 더불어 SoilVision(1996)에서 제공하는 함수특성곡선 추정법을 통해 추정된 결과도 함께 도시하였다. 이러한 결과들에서 볼 수 있는 바와 같이(그림 9~그림 12) 본 연구에서 제공되어진 신경망 모델은 다른 예측 방법의 추정결과에 비교하여 보다 신뢰할만 한 예측결과들을 제공하였다.
따라서 본 연구에서는 Fredlund 등의 함수특성곡선식 의 계수(s, «, ”)를 추정하기 위하여 인공신경망 기법을 이용하였다. 즉, 실험적 연구를 통해서 입도분포, 간극비, 다짐함수비 등의 기본적인 물성이 함수특성곡선을 표현 하는 계수들에 직접적으로 영향을 미치는 것으로 확인되 었으므로 신경망기법을 이용하여 함수특성곡선식의 계 수와 이상의 기본물성들과의 관계를 신경망 내부의 가중 치 (weights, biases)와 전달함수(transfer function)를 매개 로 규정하고 이후에는 이와 같이 얻어진 가중치와 전달 함수를 통해서 구하고자 하는 지반의 기본적인 물성으 로부터 함수특성곡선을 직접 추정하여 사용할 수 있도록 하고자 하였다.
대상 데이터
본 연구에서 수행된 화강풍화토에 대한 실험에서 얻어진 실험 자료 20개 세트를 신경망 모델에 이용하였 다(표 5). 그림 6은 본 연구에서 사용된 신경망 모델의 4-2-1 구조를 보여주고 있다.
이상의 훈련과정에서 얻어진 신경망 모델의 가중치 들의 적용성을 검증하기 위하여 실험결과 중 훈련과정 에 적용되지 않았던 7개의 실험결과(S-C2(0.8)-2, C-C4, S-C2(0.8)-4, O-Cl, S-C2(0.6)-2, S-C2(0.6)-3, S-C2(0.6)-4)에 대하여 계수값들(, S, a, “)을 예측해 실험결과와 비 교하였다(그림 8).
이론/모형
결과의 특성을 함수특성곡선 모델의 계수들을 통하여 파악하기 위하여 적합한 모델계수를 곡선 맞춤법(curve fitting)을 통하여 얻을 수 있었다. 앞에서 설명한 바와 같이 본 연구에서는 기본물성과의 관계를 규정할 함수 특성곡선식으로 Fredlund와 Xing이 1994년에 제안한 모 델식(식 (1))을 수정하여 이용하였다(식 (2)).
따라서 본 연구에서는 Fredlund 등의 함수특성곡선식 의 계수(s, «, ”)를 추정하기 위하여 인공신경망 기법을 이용하였다. 즉, 실험적 연구를 통해서 입도분포, 간극비, 다짐함수비 등의 기본적인 물성이 함수특성곡선을 표현 하는 계수들에 직접적으로 영향을 미치는 것으로 확인되 었으므로 신경망기법을 이용하여 함수특성곡선식의 계 수와 이상의 기본물성들과의 관계를 신경망 내부의 가중 치 (weights, biases)와 전달함수(transfer function)를 매개 로 규정하고 이후에는 이와 같이 얻어진 가중치와 전달 함수를 통해서 구하고자 하는 지반의 기본적인 물성으 로부터 함수특성곡선을 직접 추정하여 사용할 수 있도록 하고자 하였다.
본 연구에서 수행한 실험 결과에서 초기 포화 과정을 배제한 상태로 초기의 함수비 상태에서 직접 건조과정 과 습윤과정을 반복적으로 수행하여 부피변화를 보정 한 함수특성곡선을 얻은 결과 그 이 력 현상이 크게 감소 하여 건조과정과 습윤과정의 곡선이 큰 차이를 보이지 않았음을 확인할 수 있었다(이성진, 2004). 또한 큰 흡인 력(suction)단계에서 얻어진 곡선은 건조과정의 단계와 같이 얻어졌으므로 본 연구에서는 건조과정과 습윤과 정의 반복적인 실험으로부터 얻어진 곡선 중 마지막 건 조과정의 함수특성곡선을 선정하여 Fredlund et al의 모 델에 적용하였다. 본 연구에서 실험으로 얻어진 화강풍 화토의 함수특성곡선은 그림 3과 같다.
, 1994)에 의해 수행된 바 있다. 본 연구에서는 합리적인 함수특성곡 선 모델식으로 평가받고 있는 Fredlund et al이 제안한 식을 이용하였다(신은철 등, 2004). Fredlund와 Xing의 함수특성곡선 모델의 특성은 다음과 같다.
신경망모델의 입력층 계수로서는 AASHTO 분류법 에 의한 sand성분비, silt와 clay성분비, 간극비, 다짐함 수비를 이용하였으며, 출력층의 계수로는 Fredlund 등의 함수특성곡선 식의 계수 중에서 a와 n 그리고 를 적용하였다. 여기서 4는 효과적인 s계수의 추정을 위하여 사용한 계수로서 실험에서 얻어진 포화시의 체적 함수비와 초기 간극비로 계산된 포화체적함수비와의 차이를 의미한다.
따라서 일반화 기법을 적용하였다. 이러한 일반화기법은 Bayesian방법 과 오차가 목표치 에 도달하기 전에 학습을 중단시 키는 early stopping 방법이 주로 이용되는데, 본 연구에서는 보다 좋은 일반화 결과를 제공하는 것으로 알려져 있는 Bayesian 방법을 이용하였다. 이 방법은 평균제곱오차 로 이루어진 전형적인 수행함수(performance function) 에 신경망의 weight와 bias 의 평균제곱합에 대한 항을 추가하여 보다 일반화된 학습이 가능하도록 하였다.
성능/효과
(2) 함수특성곡선의 실험결과를 수정된 Fredlund 식에 적합(fitting)시켰을 때 식의 계수 중 계수 me 국내 화강풍화토에 대한 실험결과에 대하여 1.7로 적용 할 수 있었다.
(3) 실험결과를 Fredlund와 Xing이 제안한 식에 적합 (fitting)한 결과 얻어진 함수특성곡선식의 계수들에 영향을 미치는 기본물성인 시료의 입도분포, 간극 브I, 다짐함수비를 신경망 모델의 입력자료로 적용 하여, 기본물성들과 계수들과의 상관관계를 신경망 의 가중치(weights와 biases)로 얻을 수 있었다.
(4) 실험결과를 바탕으로 얻어진 신경망 모델의 가중치 와 전달함수(transfer function)를 이용하여 기본물성 으로부터 함수특성곡선을 추정하여 실험결과와 비 교해본 결과, 다른 흙의 실험결과를 바탕으로 개발 된 추정방법들의 결과에 비해 보다 정확한 예측결과를 보였다.
계수 s는 시료가 밀도가 크고, 작은 입자가 많거나 건조측에서 다 져진 경우에 보다 큰 값을 보이는 것으로 나타났으며 계수 a와 "은 일반적으로 시료에 작은 입자가 많이 포함 되어 있을 때 보다 큰 값을 보였다. 그러나 계수 力은 기 본적인 물성에 크게 예민한 결과를 보이지 않았으며, 그 범위가 매우 좁은 범위에서 얻어짐을 알 수 있었다.
1차적으로 SWCC를 표현하는 수학모델의 적합성이 SWCC실험 데이터를 표현하는 데에 큰 영향을 미치게 되고 SWCC곡선의 함수로서 SWCC모델식(Fredlund & Xing)이 SWCC실험 데이터를 fitting하여 얻어진 계수들을 투수계수 함수 추정 등에 사용하게 되는 경우에는 SWCC 모델식이 얼마나 실험 자료를 잘 표현하는지에 따라 중요한 의미를 갖게 될 것이지만, 결 국 실험으로 SWCC를 구하기에 어려운 여건에서 쉽게 얻을 수 있는 기본 물성들로부터 Fredlund & Xing의 식 의 계수들을 구할 수 있다면 결국 기본적인 물성으로부터 우리가 적용하고자 하는 지반에 대한 SWCC를 보다 쉽게 얻을 수 있을 것이다. 따라서 SWCC를 적용하고자 할 때 보다 간편하고 신뢰성 있는 방법으로 SWCC를 구해서 적용할 수 있을 것으로 판단되었다.
본 연구에서 수행한 실험 결과에서 초기 포화 과정을 배제한 상태로 초기의 함수비 상태에서 직접 건조과정 과 습윤과정을 반복적으로 수행하여 부피변화를 보정 한 함수특성곡선을 얻은 결과 그 이 력 현상이 크게 감소 하여 건조과정과 습윤과정의 곡선이 큰 차이를 보이지 않았음을 확인할 수 있었다(이성진, 2004). 또한 큰 흡인 력(suction)단계에서 얻어진 곡선은 건조과정의 단계와 같이 얻어졌으므로 본 연구에서는 건조과정과 습윤과 정의 반복적인 실험으로부터 얻어진 곡선 중 마지막 건 조과정의 함수특성곡선을 선정하여 Fredlund et al의 모 델에 적용하였다.
하지만 4개의 계수에 대해 Curve Fitting한 결과는 최적화과정에서 주어진 데이터에 대해서만 곡선을 보다 높은 정도로 fitting하기 위해 계수 a가 갖는 물리적 의 미의 경향을 왜곡하는 결과가 나타나는 것을 알 수 있었다. 이러한 배경으로 실제 SWCC를 적용하는 데에 가장 작은 범위에서 움직이고 있으며 곡선에서 특별한 물리적 의미를 반영하지는 않고 곡선의 모양에 영향을 미치는 계수인 刀값을 평균적인 값으로 고정하고 다시 fitting 한 결과의 계수 a가 보다 실험 결과의 경향성을 잘 나타내고 있었다. 이에 a는 m을 고정한 후에 fitting한 결과 로 채택하여 사용하였다.
여기서 4는 효과적인 s계수의 추정을 위하여 사용한 계수로서 실험에서 얻어진 포화시의 체적 함수비와 초기 간극비로 계산된 포화체적함수비와의 차이를 의미한다. 이러한 신경망 모델의 적용과정에서 그림 3에서 볼 수 있는 바와 같이 높은 흡인력범위에서 의 함수특성곡선 범위가 매우 좁은 범위내에 있으며 m 을 적합계수로 사용하여 4개의 적합계수를 이용하였을 때 계수 a의 경향이 합리적인 경향을 보여주지 않았으 며(표 3), m을 그 평균값이 1.7로 고정한 후 식에 적합 (fitting)시켜 3개의 적합계수를 이용하였을 때, m을 적 합계수로 이용하였을 때에 비교하여 그 적합도에서는 큰 차이를 보이지 않으며 높은 정도로 실험결과를 잘 표현해냈다. 또한 계수 a의 경향도 기본물성과의 관계 에서 의미있는 일관된 경향을 나타내는 결과를 보였다 (그림 5, 표 4).
이상과 같이 실험에서 얻어진 화강풍화토에 대한 함 수특성곡선들이 Fredlund 등의 함수특성곡선 식에 사용 되었던 계수에 의해 적절히 표현될 수 있음을 확인할 수 있었다. 1차적으로 SWCC를 표현하는 수학모델의 적합성이 SWCC실험 데이터를 표현하는 데에 큰 영향을 미치게 되고 SWCC곡선의 함수로서 SWCC모델식(Fredlund & Xing)이 SWCC실험 데이터를 fitting하여 얻어진 계수들을 투수계수 함수 추정 등에 사용하게 되는 경우에는 SWCC 모델식이 얼마나 실험 자료를 잘 표현하는지에 따라 중요한 의미를 갖게 될 것이지만, 결 국 실험으로 SWCC를 구하기에 어려운 여건에서 쉽게 얻을 수 있는 기본 물성들로부터 Fredlund & Xing의 식 의 계수들을 구할 수 있다면 결국 기본적인 물성으로부터 우리가 적용하고자 하는 지반에 대한 SWCC를 보다 쉽게 얻을 수 있을 것이다.
본 연구에서는 함수특성곡선의 실험결과를 수식 모 델화하여 함수특성곡선의 특성을 그 함수의 계수로 판 단할 수 있도록 합리적인 함수특성곡선의 수학적 모델을 선정하였다. 즉, 수학적 모델은 함수특성곡선 실험 결과에 곡선맞춤(curve fitting)하여 각각의 실험 대상 시료에서 적합한 함수의 계수를 얻을 수 있도록 하였다. 함수특성곡선을 수학적 모델로 수식화하는 연구는 과거 많은 연구자들(Gardner, 1956; Brooks & Corey, 1964; van Genuchten, 1980; Fredlund et al.
하지만 4개의 계수에 대해 Curve Fitting한 결과는 최적화과정에서 주어진 데이터에 대해서만 곡선을 보다 높은 정도로 fitting하기 위해 계수 a가 갖는 물리적 의 미의 경향을 왜곡하는 결과가 나타나는 것을 알 수 있었다. 이러한 배경으로 실제 SWCC를 적용하는 데에 가장 작은 범위에서 움직이고 있으며 곡선에서 특별한 물리적 의미를 반영하지는 않고 곡선의 모양에 영향을 미치는 계수인 刀값을 평균적인 값으로 고정하고 다시 fitting 한 결과의 계수 a가 보다 실험 결과의 경향성을 잘 나타내고 있었다.
후속연구
(5) 본 연구에서는 실험 대상 시료들의 물성(입도분포, 다짐함수비, 간극비)들이 미치는 영향을 효과적으로 관찰하기 위하여 시료 제작 과정에서 이러한 물 성들을 인공적으로 조성하여 실험을 수행하였기 때문에 비슷한 물성들의 많은 실험자료들에 비해 훨 씬 양질의 자료로 활용될 수 있었다고 판단된다. 즉, 많은 실험 자료를 갖고 있다해도 비슷한 물성을 가진 시료들 사이에서 변하는 SWCC의 특성은 크지 않아 오히려 error를 유발시키는 역할을 할 수도 있을 것이다.
(6) 국내의 화강풍화토에 대하여 앞으로 보다 많은 실 험이 수행되어 양질의 실험 결과가 축적되어진다면 신경망 모델을 이용한 예측방법이 보다 개선되어질 것으로 사료된다.
(7) 본 연구에서 제시되어진 화강풍화토에 대한 함수특 성곡선을 보다 간편하게 예측하는 방법은 이와 같은 지반재료로 이루어진 많은 지반구조물의 불포화 개념의 해석을 보다 용이하게 이끌 수 있을 것으로 기대된다.
(8) 본 연구에서 화강풍화토를 대상으로 고려한 기본 물성인 입도분포 중 세립분 함유량, 조립분의 함유 량, 다짐함수비, 간극비 이외에도 화강풍화토의 광 물 조성을 비롯하여 보다 많은 인자들을 대상으로 더 많은 기본 물성과 광물 조성 등을 변화시켜가며 그 영향을 파악하는 연구가 더 필요할 것으로 사료 된다.
이상과 같이 실험에서 얻어진 화강풍화토에 대한 함 수특성곡선들이 Fredlund 등의 함수특성곡선 식에 사용 되었던 계수에 의해 적절히 표현될 수 있음을 확인할 수 있었다. 1차적으로 SWCC를 표현하는 수학모델의 적합성이 SWCC실험 데이터를 표현하는 데에 큰 영향을 미치게 되고 SWCC곡선의 함수로서 SWCC모델식(Fredlund & Xing)이 SWCC실험 데이터를 fitting하여 얻어진 계수들을 투수계수 함수 추정 등에 사용하게 되는 경우에는 SWCC 모델식이 얼마나 실험 자료를 잘 표현하는지에 따라 중요한 의미를 갖게 될 것이지만, 결 국 실험으로 SWCC를 구하기에 어려운 여건에서 쉽게 얻을 수 있는 기본 물성들로부터 Fredlund & Xing의 식 의 계수들을 구할 수 있다면 결국 기본적인 물성으로부터 우리가 적용하고자 하는 지반에 대한 SWCC를 보다 쉽게 얻을 수 있을 것이다. 따라서 SWCC를 적용하고자 할 때 보다 간편하고 신뢰성 있는 방법으로 SWCC를 구해서 적용할 수 있을 것으로 판단되었다.
이는 다른 예측방법들이 모두 화강풍화토와는 다른 흙종류에 대한 실험결과를 기본 자료로 하여 개발되었기 때문으로 사료된다. 따라서 국내 풍화토에 대한 함수특성곡선을 예측하여 사용할 경우 본 연구에서 제공된 방법과 같이 풍화토에 대한 실험결과를 기본으로 개발된 예측 방법을 적용하여야 할 것으로 판단된다. 이상의 과정에서 얻어진 국내 풍화 토에 대한 신경망 모델의 가중치(weights와 biases)는 3개의 계수:4, % 心게 대하여 표 7과 같다.
즉, 많은 실험 자료를 갖고 있다해도 비슷한 물성을 가진 시료들 사이에서 변하는 SWCC의 특성은 크지 않아 오히려 error를 유발시키는 역할을 할 수도 있을 것이다. 많은 실험 자료를 확보하는 것이 일차적 으로 필요한 작업임은 분명한 사실이지만 이와 함께 실험 자료의 질이 확보되는 것이 반드시 필요할 것이므로 본 연구과정에서는 시료의 기본 물성 변화에 따른 실험 자료를 확보함과 동시에 일반화 기법을 도입하여 상대적으로 적은 실험자료의 약점을 보완할 수 있었다고 사료된다. 하지만 본 연구결과는 화강풍화토를 대상으로 한 실험 자료를 사용하 였으므로 적용 대상은 화강풍화토로 제한되는 것이 바람직할 것으로 판단된다.
(5) 본 연구에서는 실험 대상 시료들의 물성(입도분포, 다짐함수비, 간극비)들이 미치는 영향을 효과적으로 관찰하기 위하여 시료 제작 과정에서 이러한 물 성들을 인공적으로 조성하여 실험을 수행하였기 때문에 비슷한 물성들의 많은 실험자료들에 비해 훨 씬 양질의 자료로 활용될 수 있었다고 판단된다. 즉, 많은 실험 자료를 갖고 있다해도 비슷한 물성을 가진 시료들 사이에서 변하는 SWCC의 특성은 크지 않아 오히려 error를 유발시키는 역할을 할 수도 있을 것이다. 많은 실험 자료를 확보하는 것이 일차적 으로 필요한 작업임은 분명한 사실이지만 이와 함께 실험 자료의 질이 확보되는 것이 반드시 필요할 것이므로 본 연구과정에서는 시료의 기본 물성 변화에 따른 실험 자료를 확보함과 동시에 일반화 기법을 도입하여 상대적으로 적은 실험자료의 약점을 보완할 수 있었다고 사료된다.
많은 실험 자료를 확보하는 것이 일차적 으로 필요한 작업임은 분명한 사실이지만 이와 함께 실험 자료의 질이 확보되는 것이 반드시 필요할 것이므로 본 연구과정에서는 시료의 기본 물성 변화에 따른 실험 자료를 확보함과 동시에 일반화 기법을 도입하여 상대적으로 적은 실험자료의 약점을 보완할 수 있었다고 사료된다. 하지만 본 연구결과는 화강풍화토를 대상으로 한 실험 자료를 사용하 였으므로 적용 대상은 화강풍화토로 제한되는 것이 바람직할 것으로 판단된다.
Arya, L. M. and Paris, J. F. (1981), 'A physico-empirical model to predict the soil moisture characteristic from particle size distribution and bulk density data' , Soil Science American Journal, Vol.45, pp.1023-1030
Brooks, R. H, and Corey, A. T. (1964), 'Hydraulic properties of porous media', Colorado State Univ. Hydrol. Paper, No.3, pp.27
Gardner, W. (1956), 'Mathematics of isothermal water conduction in unsaturated soils', High way Research Board Special Report 40 International Symposium on Physico-Chemical Phenomenon in Soils. Washington D.C. pp.78-87
Hagan, M. T, Demuth, H. B. and Beale. M. (1996), 'Neural Network Design', PWS publishing company
van Genuchten, M. T. (1980), 'A closed form equation for prediction the hydraulic conductivity of unsaturated soils', Soil Science Society America Journal, Vol.44, pp.892-898
Fredlund, M. D., Wilson, G. W. and Fredlund, D. G. (1997), 'Prediction of the soil water characteristic curve from the grain size distribution curve', Proceedings of the 3rd Symposium on Unsaturated Soil, Rio de Janeiro, Brazil, April 20-22, pp.13-23
Fredlund, D. G., Xing, A., and Huang, S. (1994), 'Predicting the permeability function for unsaturated soils using the soil-water characteristic curve', Canadian Geotechnical Journal, 31, pp.533-546
Rawls, W. J. and Brakensiek, D. L. (1985), 'Prediction of soil water properties for hydrologic modeling', In E.B. Jones and T.J. Ward (Eds). Watershed Management in the Eighties. Proc. Of Symp. Sponsored by Comm. On Watershed Management, r&D Division, ASCE Convention, Denver, Co, April 30-May 1, pp. 293-299
Scheinost, A. C., Sinowski, W. and Auerswald, K. (1996), 'Regionalization of soil water characteristic curves in a highly variable soil scape', I. Developing a new pedotransfer function, Geoderma, Vol.78, pp.129-143
Sillers, W. (1997), 'The mathematical representation of the soil water characteristic curve', M.Sc. thesis, University of Saskatchewan, Saskatoon, Canada
SoilVision (1996), version 3.0 2nd Edition, SoilVision System Ltd., Saskatoon, Saskatchewan, Canada
Tyler, S. W. and Wheatcraft, S. W. (1989), 'Application of fractal mathematics to soil water retention estimation', Soil Science Society American Journal, Vol.53, No.4, pp.987-996
Vereecken, H., Maes, J. Feyen, J. and Darius, P. (1989), 'Estimating the soil moisture retention characteristic from texture, bulk density, and carbon content', Soil Science, Vol.148, No.6, pp.389-403
※ AI-Helper는 부적절한 답변을 할 수 있습니다.