$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

투수 및 이완하중 파악을 위한 터널 라이닝의 인공신경망 역해석

Tunnel-lining Back Analysis Based on Artificial Neural Network for Characterizing Seepage and Rock Mass Load

초록

터널과 관련된 여러 영향인자중 시간의 따른 투수상태와 지반의 장기거동은 터널의 이상 거동을 이해하는데 있어서 중요하다. 터널은 이러한 인자에 의해서 심각한 손상을 입을 수 있으나 시공 후 이러한 인자들에 의해 발생한 영향을 정량적으로 분석해 내는 것은 쉽지 않다. 입력과 출력간의 상관관계가 비교적 독립적이라면 터널거동에 미치는 인자들의 영향은 역해석 기법을 적용하여 예측할 수 있다. 모델을 구성하는 입출력 자료의 특성에 따라 인공신경망 기법이나 최소제곱법 등 다양한 역해석 방법이 개발 될 수 있으며 수치해석, 실험 또는 계측 결과가 역해석 모델의 구성 및 검증을 위해 쓰일 수 있다. 본 연구에서는 시공 후 터널의 내공 변위 변화로부터 투수 및 지반의 장기거동과 관련된 인자들 중 배수재의 투수계수, 지하수위, 장기 이완 하중 크기 및 암반 손상 패턴 등의 변화에 의한 영향을 정량적으로 분석할 수 있는 역해석 기법을 개발하였다. 역해석은 인공신경망 기법을 적용하였으며 학습데이터 확보를 위해 수치해석 모델이 개발 되고 다양한 하중 상태에 대한 거동 분석이 이루어졌다.

Abstract

Among a variety of influencing components, time-variant seepage and long-term underground motion are important to understand the abnormal behavior of tunnels. Excessiveness of these two components could be the direct cause of severe damage on tunnels, however, it is not easy to quantify the effect of these on the behavior of tunnels. These parameters can be estimated by using inverse methods once the appropriate relationship between inputs and results is clarified. Various inverse methods or parameter estimation techniques such as artificial neural network and least square method can be used depending on the characteristics of given problems. Numerical analyses, experiments, or monitoring results are frequently used to prepare a set of inputs and results to establish the back analysis models. In this study, a back analysis method has been developed to estimate geotechnically hard-to-known parameters such as permeability of tunnel filter, underground water table, long-term rock mass load, size of damaged zone associated with seepage and long-term underground motion. The artificial neural network technique is adopted and the numerical models developed in the first part are used to prepare a set of data for learning process. Tunnel behavior, especially the displacements of the lining, has been exclusively investigated for the back analysis.

참고문헌 (15)

  1. 이준석, 최일윤 (2002), '정적 내공변위를 이용한 터널 라이닝 손상 검출기법에 관한 연구', 한국지반공학회논문집, Vol.18, No.6, pp.153-160 
  2. 최준우 (2005), 투수 및 이완하중 파악을 위한 터널 라이닝의 해석 및 역해석, 석사학위논문, 고려대학교 
  3. 한국도로공사 (2003), 도로설계요령 제4권 터널, pp.16-28 
  4. Khanna, T. (1989), Foundations of Neural Networks, Addison-Wesley 
  5. Hertz, J., Krogh, A. and Palmer, R. (1991), 'Introduction to the Theory of Neural Computation', Addison-Wesley 
  6. Aleksander, I. and Morton, H. (1990), An Introduction to Neural Computing, Chapman and Hall 
  7. Barton, N. (2002), 'Some New Q-value Correlations to Assist in Site Characterisation and Tunnel Design', Journal of Rock Mechanics and Mining Science & Geomechanics, Vol.39, No.2, pp.185-216 
  8. Hagan, M.T., Demuth, H.B. and Beale, M.H. (1996), Neural Network Design, PWS Pub 
  9. 한국시설안전기술공단 (2003), 공용중인 터널(산악터널)에 작용하는 지반응력 측정에 관한 연구, 한국시설안전기술공단 
  10. Hoek, E., Carranza-Torres, C. and Corkum, B. (2002). 'Hoek-Brown Failure Criterion - 2002 Edition', North American rock mechanics symposium, pp.267-274 
  11. Dowla, F.U. and Rogers, L.L. (1995), Solving Problems in Environmental Engineering and Geoscience with Artificial Neural Networks, MIT 
  12. Kohonen, T. (1988), 'An Introduction to Neural Computing', Neural Networks, Vol.1, No.1, pp.3-16 
  13. 이성진, 이승래, 장범수 (2002), '인공신경망 모델을 이용한 불포화토 겉보기 점착력 추정에 관한 연구', 대한토목학회논문집, Vol.22, No.3, pp.331-344 
  14. Forsee, F.D. and Hagan, M.T. (1997), 'Gauss-Newton Aproximation to Bayesian Learning', Proceedings of the 1997 International Join Conference on Neural Networks, pp.1930-1935 
  15. Kurup, P.U. and Dudani, N.K. (2002), 'Neural Networks for Profiling Stress History of Clays from PCPT Data.', Journal of Geotechnical and Geoenvironmental Engineering, Vol.28, No.7, pp.569-578 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일