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.
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.
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 o...
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.
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.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 터널 라이닝의 거동으로부터 지반의 투 수상태와 하중상태를 예측하고, 이로부터 변상유발 주요 요인들의 시간에 따른 변화를 분석할 수 있는 방법을 개 발하였다. 터널 라이닝의 거동 분석(최준우 2005)을 통해 토사터널에 대해서는 부직포 투수계수 저하와 수위 변화 를 주요 변상유발 인자로 보았으며, 암반터널에 대해서는 암반의 점소성 거동과 이완하중을 주요 변상유발 인자로 보았다.
본 연구에서는 터널변상의 주요 요인인 시공 후 부직 포의 투수계수 저호卜, 수위 증가 및 지반의 점소성 거동, 이완하중에 의한 터널 라이닝의 거동경향으로부터 시 공 후 부직포의 투수계수의 저하 및 지반의 이완하중 발생크기를 예측할 수 있는 역해석 방법을 제시하였다. 터널 주변의 시공 후 부직포 투수계수 저하와 수위상 승 및 터널에 작용하는 이완하중의 크기 및 손상범위를 예측하기 위해 수치해석을 통하여 해석결과를 확보하 였으며, 인공신경망 모델을 통해 부직포 투수계수와 수 위상승 및 이완하중의 크기와 손상범위를 예측해 보았 다.
가설 설정
지반의 장기거동인자들에 대한 매개변수 분석을 위 한 암반터널의 해석 단면과 물성치는 그림 4와 표 2에나타내 었으며 , 도로터 널 표준단면(한국도로공사, 2003) 을 대상으로 한 것이다. 손상범위에 대한 매개변수 분석 을 제외한 나머지 해석에서는 과발파 손상범위를 3m로 가정하였으며 , 발파손상정도를 D=0.6 으로 가정하였다. 시공후 발생하는 이완하중은 콘크리트 라이닝에 재하 되는 것으로 가정하였다.
6 으로 가정하였다. 시공후 발생하는 이완하중은 콘크리트 라이닝에 재하 되는 것으로 가정하였다.
지반의 투수계수가 클수록, 즉 지반 투수 계수와 설치전 부직포 투수계수의 비율㈤巧K刎)이 작 을수록, 콘크리트라이닝의 내공변위가 크게 나타남을 확인하였다. 이 때, 설치전 부직포의 투수계수는 Icm/sec 로 가정하였고, 그라우팅의 투수계수는 지반의 투수계 수의 1/20로 가정하였다{Barton, 2002). 그라우팅의 물 성치도 콘크리트 라이닝의 내공변위에 영향을 미칠 수 있으나, 그라우팅 부분의 물성치는 지반의 물성치에 영 향을 많이 받아 독립적이지 않다.
제안 방법
표 6은 수치해석 을 실시한 단면에 사용된 물성치를 나타내고 있다. 85개의 데이터에 Bayesian기법을 이용한 인공신경망 학습을 수행하였으며, 인공신경망 모델은 그림 13에 나 타낸 바와 같이 모델 B-I, 모델 B-II의 두가지로 구성하 였다. 모델 B-I은 입 력 유니트 2개, 은닉 유니트 4개 그 리고 출력유니트 2개의 노드를 갖는 인공신경망구조 (2X4X2)로 구성되어 있다.
터널 주변의 시공 후 부직포 투수계수 저하와 수위상 승 및 터널에 작용하는 이완하중의 크기 및 손상범위를 예측하기 위해 수치해석을 통하여 해석결과를 확보하 였으며, 인공신경망 모델을 통해 부직포 투수계수와 수 위상승 및 이완하중의 크기와 손상범위를 예측해 보았 다. 각 경우에 85가지 해석결과를 학습에 활용한 뒤, 학 습결과를 이용하여 15가지 상황에 대하여 검증을 수행 하여 각 상황에 적합한 인공신경망 모델을 선정하였다. 본 연구에서 선정된 인공신경망 모델은 주어진 해석 결 과에 대하여 높은 학습률을 보였으며, 검증에서도 목표 값 (수치해석 적용값)과 유사한 출력값(인공신경망 예 측값)을 산출하였다.
더불어 보다 효과적인 신경망의 학습을 위해 각각의 입력자료들을 최대값과 최소값을 기준으로 {-1, 1}사이 에서 정규화하는 작업을 수행할 수 있도록 하였다. 훈련 에 적용되는 자료의 선처리 과정으로서 입력자료(Pn) 및 목표출력값(tn)이 식 (6)과 같이 정규화 되었다(Kurup and Dudani, 2002).
따라서, 인공신경망을 통한 이완하중 및 소성 발생범 위 예측에는 콘크리트라이닝의 천단 및 측벽 변위와 함 께 지반의 탄성계수를 사용하였다.
한 변위가 발생하는 것을 볼 수 있으나, 그 차이가 지반 투수계수나 수위에 의한 차이보다 상대적으로 작았다. 따라서, 인공신경망을 통한 투수계수 및 수위 상승량 예 측에는 콘크리트라이닝의 천단과 측벽 변위와 함께 지 하수위 및 라이닝 설치 직전의 부직포-지반 투수계수 간 의 비율을 사용하였다.
본 연구에서 선정된 인공신경망 모델은 주어진 해석 결 과에 대하여 높은 학습률을 보였으며, 검증에서도 목표 값 (수치해석 적용값)과 유사한 출력값(인공신경망 예 측값)을 산출하였다. 본 연구에서 개발된 방법에서는, 시공 후 콘크리트라이닝에 발생하는 추가적인 내공변 위의 계측을 통하여 부직포 투수계수 변화, 수위증감량 및 이완하중의 크기와 손상범위의 변화를 역으로 추정 해 낼 수 있는 효율적인 방법을 제시하였다.
각 경우에 85가지 해석결과를 학습에 활용한 뒤, 학 습결과를 이용하여 15가지 상황에 대하여 검증을 수행 하여 각 상황에 적합한 인공신경망 모델을 선정하였다. 본 연구에서 선정된 인공신경망 모델은 주어진 해석 결 과에 대하여 높은 학습률을 보였으며, 검증에서도 목표 값 (수치해석 적용값)과 유사한 출력값(인공신경망 예 측값)을 산출하였다. 본 연구에서 개발된 방법에서는, 시공 후 콘크리트라이닝에 발생하는 추가적인 내공변 위의 계측을 통하여 부직포 투수계수 변화, 수위증감량 및 이완하중의 크기와 손상범위의 변화를 역으로 추정 해 낼 수 있는 효율적인 방법을 제시하였다.
수치해석 을 통해 초기수위, 증가수위, 지반의 투수계수, 부직포 의 투수계수를 달리한 85가지 상황에서의 천단 및 측벽 변위를 구하였고, 이 85개의 데이터에 Bayesian기법을 적용하여 수치해석 결과에 대한 학습을 수행하였으며, 인공신경망 모델 두가지(A-I, A-II)를 구성하였다. 부직포와 지반의 투수계수는 절대값이 아닌 부직포- 지반 투수계수의 비율(妇/心')을 입출력 변수로 활용 하였다. 모델 A-I은 그림 9(a)에 나타낸 바와 같이 입력 유니트 3개, 은닉 유니트 6개 그리고 출력 유니트 2개의 노드를 갖는 인공신경망구조(3X6X2)로 구성되어 있다.
터널 굴착 중에는 부직포 투수계수를 Icm/sec로 가정 하였고, 시공이 완료된 후 부직포 투수계수를 저하시키 고 지하수위를 상승시켜 해석을 수행하였으며, 시공 후 추가로 발생한 변위를 역해석에 활용하였다. 수치해석 을 통해 초기수위, 증가수위, 지반의 투수계수, 부직포 의 투수계수를 달리한 85가지 상황에서의 천단 및 측벽 변위를 구하였고, 이 85개의 데이터에 Bayesian기법을 적용하여 수치해석 결과에 대한 학습을 수행하였으며, 인공신경망 모델 두가지(A-I, A-II)를 구성하였다. 부직포와 지반의 투수계수는 절대값이 아닌 부직포- 지반 투수계수의 비율(妇/心')을 입출력 변수로 활용 하였다.
하 지만, 이는 연속체(solid)요소로 지반을 묘사한 수치해석 모델의 한계로 실제 거동과 차이가 있다. 실제 상태에서 의 이완하중은 손상된 암반이 연속체가 아닌 불연속체로 거동하면서 발생하는 것이기 때문에, 보다 정확한 분석 을 위해서 이완영역 확장에 따른 이완하중을 단계별로 계산 한 후 라이닝에 직접 재하하여 해석하였다. 일반적 으로 실제 암반에서 암반의 이완하중이 발생하게 되면, 얕은 터널에서는 지표면 근처까지 이완하중으로 작용할 가능성이 높으며, 깊은 터널에서는 이완하중이 터널 주 변 손상영역까지만 분포하고 더 이상 전이되지 않을 가능성이 높다.
이러한 기본 개념을 토대로 검측 가능한 다양한 내공 변위 중 입력 인자의 변화에 따른 독립적 패턴을 확보할 수 있는 내공 변위의 설정이 중요하다. 역해석을 통한 터널 상태 진단 시 고려해야할 효율적 영향 인자의 파악을 위해, 콘크리트 라이닝의 거동에 영 향을 미칠 수 있는 영향인자들에 대한 매개변수 분석을 실시하였다. 이를 위해 TENTAGON-2D, 해석 프로그 램이 사용되었다.
터널 라이닝의 거동 분석(최준우 2005)을 통해 토사터널에 대해서는 부직포 투수계수 저하와 수위 변화 를 주요 변상유발 인자로 보았으며, 암반터널에 대해서는 암반의 점소성 거동과 이완하중을 주요 변상유발 인자로 보았다. 이를 이용하여, 변상 발생 터널 및 시공 후 공용중 인 터널 주변 지반의 투수상태와 하중상태를 예측할 수 있는 역해석 기법을 인공신경망을 토대로 개발하였다.
인공신경망(Artificial Neural Networks) 이론을 활용하 여, 시공 후 터널에 발생하는 변위를 계측하여 토사터널 에서는 부직포 투수계수저하와 수위상승량, 암반 터널에 서는 이완하중 및 점소성 거동의 진행정도가 각각 어느 정도인지 예측하였다. 토사터널에서의 이완하중과 암반 터널에서의 투수계수저하는 투수 및 암반거동에 의한 터 널 라이닝의 거동 분석(최준우, 2005)의 터 널 변상 발생 과정 분석에 따르면 발생 가능성이 닞一으므로 해석에 포 함하지 않았다.
인공신경망을 이용하여 시공후 터널의 부직포 투수 계수와 수위상승량을 예측하기 위한 학습 및 검증 데이 터를 확보하기 위해 그림 8과 같은 단면에 대하여 수치 해석을 실시하였다.
투수해석 인자들에 대한 매개변수 분석을 위한 토사터 널의 해석 단면과 물성치는 그림 1에 나타내었으며, 지하 철 5호선구간의 터널 단면을 기준으로 한 것이다. 입력치 변화에 따른 내공 변위의 패턴 변화를 분석하기 위하여 지반 물성치를 바꾸어가면서 매계변수 분석을 실시하였 다. 투수계수의 변화에 따른 내공변위의 변화 분석을 위 해 시공 후 터널에 대해 부직포의 투수계수를 Icm/sec에 서 0.
터널 굴착 중에는 부직포 투수계수를 Icm/sec로 가정 하였고, 시공이 완료된 후 부직포 투수계수를 저하시키 고 지하수위를 상승시켜 해석을 수행하였으며, 시공 후 추가로 발생한 변위를 역해석에 활용하였다. 수치해석 을 통해 초기수위, 증가수위, 지반의 투수계수, 부직포 의 투수계수를 달리한 85가지 상황에서의 천단 및 측벽 변위를 구하였고, 이 85개의 데이터에 Bayesian기법을 적용하여 수치해석 결과에 대한 학습을 수행하였으며, 인공신경망 모델 두가지(A-I, A-II)를 구성하였다.
본 연구에서는 터널변상의 주요 요인인 시공 후 부직 포의 투수계수 저호卜, 수위 증가 및 지반의 점소성 거동, 이완하중에 의한 터널 라이닝의 거동경향으로부터 시 공 후 부직포의 투수계수의 저하 및 지반의 이완하중 발생크기를 예측할 수 있는 역해석 방법을 제시하였다. 터널 주변의 시공 후 부직포 투수계수 저하와 수위상 승 및 터널에 작용하는 이완하중의 크기 및 손상범위를 예측하기 위해 수치해석을 통하여 해석결과를 확보하 였으며, 인공신경망 모델을 통해 부직포 투수계수와 수 위상승 및 이완하중의 크기와 손상범위를 예측해 보았 다. 각 경우에 85가지 해석결과를 학습에 활용한 뒤, 학 습결과를 이용하여 15가지 상황에 대하여 검증을 수행 하여 각 상황에 적합한 인공신경망 모델을 선정하였다.
상기 해석 프로그램은 지반 및 구조물 의 상호거동을 2차원 연속체 모델과 유한요소법을 이용 하여 해석하는 프로그램이며, 지하수 해석과 역학적 해 석의 독립적 수행 가능하며 두 하중이 동시에 작용하는 경우에 대해서도 하중 단계별 중첩법에 의한 분석 결과 의 통합으로 연계해석을 수행할 수 있다. 토사터널을 대 상으로 투수해석 인자들을 고려하여 매개변수 분석을 실시하였고, 암반터널을 대상으로 지반의 장기거동 인 자들에 대해 매개변수 분석을 실시하였다.
입력치 변화에 따른 내공 변위의 패턴 변화를 분석하기 위하여 지반 물성치를 바꾸어가면서 매계변수 분석을 실시하였 다. 투수계수의 변화에 따른 내공변위의 변화 분석을 위 해 시공 후 터널에 대해 부직포의 투수계수를 Icm/sec에 서 0.25cm/sec로 변화시키며 결과를 해석하였다.
대상 데이터
85개의 데이터에 Bayesian기법을 이용한 인공신경망 학습을 수행하였으며, 인공신경망 모델은 그림 13에 나 타낸 바와 같이 모델 B-I, 모델 B-II의 두가지로 구성하 였다. 모델 B-I은 입 력 유니트 2개, 은닉 유니트 4개 그 리고 출력유니트 2개의 노드를 갖는 인공신경망구조 (2X4X2)로 구성되어 있다. 입력변수는 천단과 측벽의 내공변위(Qy, 〃x)이 며, 출력 변수는 이완하중의 크기 0”伙)와 손상범위以)이다.
부직포-지반투수계수 비율의 학습 및 검증 결과는 그 림 10과 같으며, 수위상승량에 대한 학습 및 검증결과는 그림 11과 같다. 인공신경망의 검증에는 표 4의 데이터 15개를 사용하였다. 그림 10의 부직포-지반투수계수비 율에 대한 모델 A-I을 이용한 학습 및 검증의 상관계수 는 각각 0.
인공신경망 학습 및 검증 결과는 그림 14, 그림 15와 같다. 인공신경망의 검증에는 표 7의 15개 데이터를 사 용하였다. 그림 14를 보면 이완하중 예측을 위해 모델 B-I을 이용한 학습 및 검증의 상관계수는 0.
지반의 장기거동인자들에 대한 매개변수 분석을 위 한 암반터널의 해석 단면과 물성치는 그림 4와 표 2에나타내 었으며 , 도로터 널 표준단면(한국도로공사, 2003) 을 대상으로 한 것이다. 손상범위에 대한 매개변수 분석 을 제외한 나머지 해석에서는 과발파 손상범위를 3m로 가정하였으며 , 발파손상정도를 D=0.
데이터처리
인공신경망을 이용하여 터널의 이완하중 및 손상범위 를 예측하기 위한 학습 및 검증 데이터를 확보하기 위해 그림 12와 같은 단면에 대하여 수치해석을 실시하였다. 굴착중 발파에 의해 터널 주변 암반이 손상을 받은 뒤, 시공 후에 점소성 거동에 의해 손상 암반이 이완되어 콘 크리트 라이닝에 하중으로 작용하도록 수행하였으며, 발파로 인해 손상된 지반의 물성치는 Hoek-Brown(2002)파괴기준의 적용을 통해 산정하였다.
이론/모형
토사터널에서의 이완하중과 암반 터널에서의 투수계수저하는 투수 및 암반거동에 의한 터 널 라이닝의 거동 분석(최준우, 2005)의 터 널 변상 발생 과정 분석에 따르면 발생 가능성이 닞一으므로 해석에 포 함하지 않았다. 인공신경망의 학습 자료는 유한요소 해 석 프로그램인 "PENTAGON-2D, 의 해석 결과를 사용하 였으며, 인공신경망의 학습 및 검증에는 'MATLAB, 프 로그램을 활용하였다.
인공신경망을 이용하여 터널의 이완하중 및 손상범위 를 예측하기 위한 학습 및 검증 데이터를 확보하기 위해 그림 12와 같은 단면에 대하여 수치해석을 실시하였다. 굴착중 발파에 의해 터널 주변 암반이 손상을 받은 뒤, 시공 후에 점소성 거동에 의해 손상 암반이 이완되어 콘 크리트 라이닝에 하중으로 작용하도록 수행하였으며, 발파로 인해 손상된 지반의 물성치는 Hoek-Brown(2002)파괴기준의 적용을 통해 산정하였다. 표 6은 수치해석 을 실시한 단면에 사용된 물성치를 나타내고 있다.
그라우팅의 물 성치도 콘크리트 라이닝의 내공변위에 영향을 미칠 수 있으나, 그라우팅 부분의 물성치는 지반의 물성치에 영 향을 많이 받아 독립적이지 않다. 그라우팅의 물성치 역 시 실측이 쉽지 않기 때문에 인공신경망을 이용한 역해 석에서 그라우팅 부분의 투수계수는 공칭투수계수를 이용하였다.
따라서 많은 자료를 확보하는 것이 필요하 지만, 충분히 많은 자료가 확보되지 않은 상황에서는 일 반화 기법을 이용하여 신경망의 학습결과에 대한 신뢰 도를 확보할 수 있다. 이러한 일반화 기법은 Bayesian방 법과 오차가 목표치에 도달하기 전에 학습을 중단시키 는 Early stopping방법이 주로 이용되는데, 본 연구에서 는 보다 좋은 일반화 결과를 제공하는 것으로 알려져 있는 Bayesian방법을 이용하였다. 평균 제곱오차로 이 루어진 전형적인 수행함수(perfbrmance function)에 신 경망의 weight와 bias의 평균제곱합에 대한 항을 추가하 여 보다 일반적인 학습이 가능하도록 하였다(이성진, 2002; Foresee and Hagan, 1997).
여기서, P = 입력행렬, t = 목표출력값, Pn = 정규화된 입력행렬 tn = 정규화된 목표출력값, pmax = 입력물성 치에서 최대값으로 구성된 입력행렬, Pmin = 입력물성치 에서 최대값으로 구성된 입력행렬, tmax = 목표출력값들 중에서 최대값, tmin = 목표줄력값들 중에서 최소값이다. 정규화된 자료들이 가중치 값들을 구하기 위해 인공 신경망 모델의 학습과정에 사용된다. 따라서, 최종적으 로 구해진 정규화된 출력값은 식 ⑺을 통하여 실제적인 출력값으로 환산될 수 있다.
성능/효과
그러나 수위 상승에 대한 검증결과를 보면 A-I모델의 경우에 더 정확한 예측이 가능함을 확인하였다. 따라서, 부직포 투수계수 저하와 수위상승량 예측을 위한 인공 신경망의 구성에는 설치 전 부직포-지반 투수계수의 비 율이 입력변수로서 고려되지 않은 A-L모델이 적합하다.
즉, 지반의 탄성계수를 입력변수로 고려할 경우에 손상범위에 대한 인공신공망의 학습률 과 예측도가 높아지는 것을 확인하였다. 따라서, 시공 후 이완하중과 손상범위 예측을 위한 인공신경망 구성 에는 터널 라이닝의 천단 및 측벽 변위와 지반의 탄성계 수를 고려한 모델 B-II가 모델 B-I에 보다 더 적합하다. 85가지 데이터를 모델 B-II를 통해 인공 신경망 학습 을 통해 구해진 모델 B-I과 모델 B-II의 연결가중치(wi, bi, W2, 氐)는 각각 표 8에 나타내었으며, 그림 13(b)의 식에 적용 되는 값들이다.
853보 다 작게 나타났다. 즉, 지반의 탄성계수를 입력변수로 고려할 경우에 손상범위에 대한 인공신공망의 학습률 과 예측도가 높아지는 것을 확인하였다. 따라서, 시공 후 이완하중과 손상범위 예측을 위한 인공신경망 구성 에는 터널 라이닝의 천단 및 측벽 변위와 지반의 탄성계 수를 고려한 모델 B-II가 모델 B-I에 보다 더 적합하다.
그림 3은 지반의 투수계수에 다른 상황에서 시공후 부직포 투수계수가 감소할 경우 발생하는 내공변위를 나타낸 것이다. 지반의 투수계수가 클수록, 즉 지반 투수 계수와 설치전 부직포 투수계수의 비율㈤巧K刎)이 작 을수록, 콘크리트라이닝의 내공변위가 크게 나타남을 확인하였다. 이 때, 설치전 부직포의 투수계수는 Icm/sec 로 가정하였고, 그라우팅의 투수계수는 지반의 투수계 수의 1/20로 가정하였다{Barton, 2002).
후속연구
즉, 실제 거동 시 터널 심도에 의한 이완하 중의 발생경향이 다르므로, 이완하중의 발생에 대한 터 널 심도의 영향을 고려하는 것이 타당하다. 그러나, 본 연구에 사용된 프로그램이 기능의 한계를 가지고 있는 연속체해석 전용 프로그램이기 때문에, 심도에 따른 이 완하중 발생경향을 파악하는 데에는 한계가 있어, 심도 에 따른 이완하중 발생경향은 고려하지 않았다.
참고문헌(최준우, 2005)의 해석 결과에 따르면 손상 범위증가에 의해 발생하는 터널 내공변위의 크기는 이 완하중 증가에 의해 발생하는 내공변위에 비해 작다. 따 라서 손상범위증가에 의해 발생하는 변위는 계측시에 노이즈로 인식될 수도 있기 때문에, 본 연구에서 구성한 인공신경망 모델을 적절히 활용하기 위해서는 내공변 위계측에 주의할 필요가 있다.
참고문헌 (15)
이성진, 이승래, 장범수 (2002), '인공신경망 모델을 이용한 불포화토 겉보기 점착력 추정에 관한 연구', 대한토목학회논문집, Vol.22, No.3, pp.331-344
이준석, 최일윤 (2002), '정적 내공변위를 이용한 터널 라이닝 손상 검출기법에 관한 연구', 한국지반공학회논문집, Vol.18, No.6, pp.153-160
최준우 (2005), 투수 및 이완하중 파악을 위한 터널 라이닝의 해석 및 역해석, 석사학위논문, 고려대학교
한국시설안전기술공단 (2003), 공용중인 터널(산악터널)에 작용하는 지반응력 측정에 관한 연구, 한국시설안전기술공단
한국도로공사 (2003), 도로설계요령 제4권 터널, pp.16-28
Aleksander, I. and Morton, H. (1990), An Introduction to Neural Computing, Chapman and Hall
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
Dowla, F.U. and Rogers, L.L. (1995), Solving Problems in Environmental Engineering and Geoscience with Artificial Neural Networks, MIT
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
Hertz, J., Krogh, A. and Palmer, R. (1991), 'Introduction to the Theory of Neural Computation', Addison-Wesley
Hoek, E., Carranza-Torres, C. and Corkum, B. (2002). 'Hoek-Brown Failure Criterion - 2002 Edition', North American rock mechanics symposium, pp.267-274
Khanna, T. (1989), Foundations of Neural Networks, Addison-Wesley
Kohonen, T. (1988), 'An Introduction to Neural Computing', Neural Networks, Vol.1, No.1, pp.3-16
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
※ AI-Helper는 부적절한 답변을 할 수 있습니다.