[논문]인공신경망을 이용한 DCM 처리된 연약지반 침하에 대한 연구

강윤경; 장원일

doi:10.5916/jkosme.2010.34.6.914

인공신경망을 이용한 DCM 처리된 연약지반 침하에 대한 연구
A Study on Subsidence of Soft Ground Using Artificial Neural Network 원문보기

한국마린엔지니어링학회지 = Journal of the Korean Society of Marine Engineering, v.34 no.6, 2010년, pp.914 - 921

강윤경 (한국해양대학교 대학원 해양에너지자원공학과) , 장원일 (한국해양대학교 에너지자원공학과)

초록
AI-Helper

연약지반에 구조물을 시공시 지반의 지지력 약화에 의해 지반침하가 발생한다. 이를 방지하기 위하여 연약지반의 개량이 요구될 뿐만아니라 합리적인 시공관리를 위하여 침하량 예측이 선행되어야 한다. 본 연구에서는 구조물 설계 및 시공 초기단계에서 지반의 침하량을 예측하기 위해 인공신경망을 이용하였다. 인공신경망을 이용하여 대상지역의 원지반에서 발생하는 침하량과 D.C.M공법을 적용하여 개량된 지반에서 발생하는 침하량을 예측하고, 대상지역의 침하거동 및 침하량을 Mohr-Coulomb모델을 이용한 연속체 해석 결과와 인공신경망을 수행한 결과를 비교하였다. 그 예측결과 D.C.M이 적용된 지반이 원지반보다 0.8배 감소한 침하량을 보였다. 연속체 해석과 인공신경망을 이용해 도출된 결과는 결정계수 0.79로 비교적 높은 상관관계를 보였다. 따라서 본 연구는 연약지반 개량공법의 침하량 예측이 실내실험자료를 통해 평가하는 것이 가능하다는 것을 확인하였다.

Abstract ▼ AI-Helper

When industrial structures are constructed on soft ground, ground subsidence is occurred by problems of bearing capacity. To protect ground subsidence have to improve soft ground, and have to predict settlement estimation for reasonable construction. Artificial Neural Networks(ANN) is adopted for prediction of settlement of construction during the initial design. In the study, Artificial Neural Networks are applied to predict the settlement estimation of initial condition ground and ground improved by D.C.M method. Also, this study compares results of Artificial Neural Networks and results of continuum analysis using Mohr-Coulomb models. In result, settlements of initial condition ground decreased over 0.7 times. Also, by comparing ANN and continuum analysis, coefficient of determination was comparatively high value 0.79. Thought this study, it was confirmed that settlements of improvement ground is predicted using laboratory experiment data.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 연약지반에 구조물 건설시에 발생하는 침하에 대한 대책을 마련하고자 지반개량 공법인 D.C.M공법을 이용하여 지반을 개량 후 발생할 침하량을 인공신경망을 이용하여 예측하였다.
비교적 정확한 측정값을 보이지만, 구조물을 설계 및 시공 초기단계에서 적용하기에는 불충분하다고 할 수 있다. 본 연구에서는 인공신경망을 이용하여 해안연약지반에 시공하는 구조물의 안정성을 확보하기 위하여 대상지반에 대한 조사와 함께 발생할 침하를 예측하였다. 대상지반인 울산항 염포부두 지역의 지질 조사 자료와 심층혼합처리기법으로 최근 효율성과 경제성에서 적합하다고 알려진 공법인 D.
따라서 Mohr-Coulomb모델을 이용한 연속체 해석을 실시하였다. 이는 D.C.M 공법을 적용한 지반의 실내실험을 실시함으로 적용한 공법에 의한 지반개량 효과를 알아보기 위함이다. 해석 결과 최대 침하량은 Figure 7(c)와 (d)에서 0.

제안 방법

(1) D.C.M공법이 반영된 지반특성을 알고자, 실내시험을 실시하여 지반 자료를 얻었다.
M 공법에 의한 개량 후의 특성을 알기위해 조사 지역의 시료를 채취하였고, 각 시추공의 대표값은 Table 2와 같다. FLAC 3D의 Mohr-Coulomb 모델의 입력 Data는 직접 측정할 수 없기 때문에 간접적으로 계산하기 위해 일축압축강도시험 및 압열인장강도시험을 실시하여 일축압축강도 및 변형률을 측정하였고 원지반의 침하거동을 알기 위한 연속체 해석을 위하여 간접적으로 계산하였다.
본 연구에서는 인공신경망을 이용하여 해안연약지반에 시공하는 구조물의 안정성을 확보하기 위하여 대상지반에 대한 조사와 함께 발생할 침하를 예측하였다. 대상지반인 울산항 염포부두 지역의 지질 조사 자료와 심층혼합처리기법으로 최근 효율성과 경제성에서 적합하다고 알려진 공법인 D.C.M. 공법(Deep Cement Mixing Method)을 반영한 실내시험을 통하여 개량된 지반 자료를 얻어 원지반과 개량된 지반의 침하량을 비교하였다. 또한 본 연구에 앞서 울산항 염포부두 지역의 침하거동 및 침하량에 대하여 Mohr-Coulomb모델을 이용한 연속체 해석을 수행하였다[3].
침하거동 및 침하량을 예측할 때 자료의 일관성을 위하여 수치해석에 필요한 지반설계정수와 인공신경망에 사용되는 데이터를 동일한 자료로 실시하였다. 원지반에 구조물 시공시 발생할 침하량을 예측하기 위해서 상부에 2000ton의 등분포 하중을 가하였다. 이 때 Figure 7(a)와 같이 최대 2.
총 101개의 데이터 중 71개의 데이터를 이용하여 훈련시킨 후에 30개의 데이터를 이용하여 시뮬레이션을 실시하였다. 은닉층의 수는 하나이고 뉴런의 수는 입력 자료의 수인 6개를 기준으로 하여 1.0배 1.5배 2배로 증가시켰고 보다 나은 결과를 얻기 위하여 뉴런의 수를 6~15개까지 다양하게 변화시켰으며, 수렴한계는 10^-3에서 10^-7까지 수행하였다. 뉴런의 수를 변화시켜 수행한 결과 Figure 8과 같고 뉴런의 수가 11개 일 때, 뉴런의 수를 고정시킨 뒤 반복횟수에 따라 수행한 결과 Figure 9와 같다.
또한 본 연구에 앞서 울산항 염포부두 지역의 침하거동 및 침하량에 대하여 Mohr-Coulomb모델을 이용한 연속체 해석을 수행하였다[3]. 이와 같은 결과를 바탕으로 하여 연속체 해석 결과와 인공신경망을 수행한 결과를 비교하였다.
인공신경망으로 해석하기 위하여 실험을 통해 얻은 개량지반의 자료를 얻었으며, 자료 범위 내에서 난수를 발생시켜 데이터의 수를 증가시켰다. 본 입력 자료는 변형률, 포아송비, 탄성계수, 체적탄성계수, 전단탄성계수, 점착력으로, 연속체 해석에서 필요한 지반설계정수와 같은 자료를 이용하였다.
침하거동 및 침하량을 예측할 때 자료의 일관성을 위하여 수치해석에 필요한 지반설계정수와 인공신경망에 사용되는 데이터를 동일한 자료로 실시하였다. 원지반에 구조물 시공시 발생할 침하량을 예측하기 위해서 상부에 2000ton의 등분포 하중을 가하였다.

대상 데이터

Table 1에서 연약지반 판정 기준이 나타나 있다. D.C.M 공법에 의한 개량 후의 특성을 알기위해 조사 지역의 시료를 채취하였고, 각 시추공의 대표값은 Table 2와 같다. FLAC 3D의 Mohr-Coulomb 모델의 입력 Data는 직접 측정할 수 없기 때문에 간접적으로 계산하기 위해 일축압축강도시험 및 압열인장강도시험을 실시하여 일축압축강도 및 변형률을 측정하였고 원지반의 침하거동을 알기 위한 연속체 해석을 위하여 간접적으로 계산하였다.
연약지반이 가지는 공학적 성질은 다양하므로 임의의 값으로 연약지반의 특성을 판단하는 것은 어렵다. 본 연구에서는 실제 천해지역인 울산항 염포부두의 지질조사 자료를 참고로 하였다. 조사 지역은 현재 D.
인공신경망으로 해석하기 위하여 실험을 통해 얻은 개량지반의 자료를 얻었으며, 자료 범위 내에서 난수를 발생시켜 데이터의 수를 증가시켰다. 본 입력 자료는 변형률, 포아송비, 탄성계수, 체적탄성계수, 전단탄성계수, 점착력으로, 연속체 해석에서 필요한 지반설계정수와 같은 자료를 이용하였다. 총 101개의 데이터 중 71개의 데이터를 이용하여 훈련시킨 후에 30개의 데이터를 이용하여 시뮬레이션을 실시하였다.
본 연구에서는 실제 천해지역인 울산항 염포부두의 지질조사 자료를 참고로 하였다. 조사 지역은 현재 D.C.M공법으로 연약지반을 개량중인 울산항 염포부두 지역으로, 주상단면도는 Figure 5, 위치는 Figure 6과 같다. 지층단면도에서 심도 약 40m까지 점토층이 존재하는 것을 확인할 수 있다.
본 입력 자료는 변형률, 포아송비, 탄성계수, 체적탄성계수, 전단탄성계수, 점착력으로, 연속체 해석에서 필요한 지반설계정수와 같은 자료를 이용하였다. 총 101개의 데이터 중 71개의 데이터를 이용하여 훈련시킨 후에 30개의 데이터를 이용하여 시뮬레이션을 실시하였다. 은닉층의 수는 하나이고 뉴런의 수는 입력 자료의 수인 6개를 기준으로 하여 1.

이론/모형

본 연구에서의 대상 지역은 해양 저질 연약지반이므로 불연속면이나 파괴와 관련된 거동 특성과는 거리가 멀다. 따라서 Mohr-Coulomb모델을 이용한 연속체 해석을 실시하였다. 이는 D.
공법(Deep Cement Mixing Method)을 반영한 실내시험을 통하여 개량된 지반 자료를 얻어 원지반과 개량된 지반의 침하량을 비교하였다. 또한 본 연구에 앞서 울산항 염포부두 지역의 침하거동 및 침하량에 대하여 Mohr-Coulomb모델을 이용한 연속체 해석을 수행하였다[3]. 이와 같은 결과를 바탕으로 하여 연속체 해석 결과와 인공신경망을 수행한 결과를 비교하였다.
이 연구에서 적용된 학습 알고리즘은 순방향 다층 신경망의 학습에 효과적으로 사용할 수 있으며 다양한 분야에 널리 사용되는 역전파(backpropagation) 알고리즘을 사용하였다. 이 알고리즘은 출력층의 오차 신호를 은닉층에 역전파하여 입력층과 은닉층과의 연결강도를 변경하는 학습방법이다.
이 연구에서는 다양한 분야에서 널리 사용되는 역전파 신경망을 이용하였고, 학습 알고리즘으로 SCG(Scaled Conjugate Gradient) 알고리즘을 사용하였다. SCG 알고리즘이란 다차원함수의 최소값을 구하기 위한 최적화 방법 중의 하나이며, 탐색 방향은 앞의 모든 단계에서의 구배 변화에 직교하는 방향을 취함으로써 2차 미분값의 계산이 필요치 않다[5].

성능/효과

(2) 울산 염포 부두의 원지반 상태의 침하량은 최대 2.248m로 예측되었으며 D.C.M공법을 반영한 개량된 지반에서의 침하량은 연속체 해석시 최대 0.4653m, 인공신경망의 예측시 최대 0.348m로 예측되어 원지반보다 0.8배 이상 감소된 침하량이 예측되었다.
(3) 연속체 해석에 의해 예측된 침하량과 인공신경망에 의해 예측된 침하량은 상관계수 0.89, 결정계수 0.79로 비교적 높은 상관관계를 보였다.
또한 반복회수는 117000일 때, 수렴한계에 따른 수행결과 Figure 10와 같으며 10^-4일 때 높은 상관관계를 보였다. D.C.M공법으로 인한 지반개량 효과를 알아보기 위해 인공신경망을 수행한 결과 최대 침하량 0.348m, 최소 침하량은 0.2054m로 예측되었다. 연속체 해석 결과 비교해 보았을 때 Figure 11과 Figure 12에서 볼수 있는 것과 같이 상관계수 0.
검증된 지반개량공법과 연속체 해석 결과로 인공신경망을 통해 침하량을 예측하였고 비교적 높은 상관관계를 보였다. 따라서 본 연구는 앞으로 침하량에 대한 연구의 기초자료 설계시 활용할 수 있을 것으로 사료된다.
2054m로 예측되었다. 연속체 해석 결과 비교해 보았을 때 Figure 11과 Figure 12에서 볼수 있는 것과 같이 상관계수 0.89, 결정계수 0.79로 비교적 높은 상관관계를 보였다.

후속연구

검증된 지반개량공법과 연속체 해석 결과로 인공신경망을 통해 침하량을 예측하였고 비교적 높은 상관관계를 보였다. 따라서 본 연구는 앞으로 침하량에 대한 연구의 기초자료 설계시 활용할 수 있을 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	국내에서 보편적으로 사용하는 침하예측기법으로는 무엇이 있는가?	연약지반을 예측하기 위해 향상된 다양한 방법들이 연구되고 있다[1]. 연약지반의 합리적인 시공관리를 위해서 침하량 예측이 선행되어야 하는데 현재 국내에서 보편적으로 사용하는 침하예측기법으로는 Terzagi의 압밀이론을 응용한 Asaoka법과 경험식인 Hyperblic법, Hoshino법 등이 있다[2]. 이와 같은 기법들은 상당한 기간 동안 압밀이 진행된 시점에서 계측이 이루어진 후에그 계측결과로 침하량을 예측한다.
	산업발전을 위한 구조물이 연약지반에 시공되고 있는 이유는?	끊임없는 산업발달 및 경제규모의 확장으로 인하여 국토가 협소한 국내 여건상 양호한 지반의 확보가 어려워져 각종 산업발전을 위한 구조물이 연약지반에 시공되고 있다. 이러한 연약지반에 구조물을 시공하게 되면 구조물의 하중으로 인하여 지반의 지지력이 약화되어 지반침하가 발생하고, 이로 인해 구조물에 위험한 영향을 미친다.
	연약지반의 개량이 요구되고 있는 이유는?	끊임없는 산업발달 및 경제규모의 확장으로 인하여 국토가 협소한 국내 여건상 양호한 지반의 확보가 어려워져 각종 산업발전을 위한 구조물이 연약지반에 시공되고 있다. 이러한 연약지반에 구조물을 시공하게 되면 구조물의 하중으로 인하여 지반의 지지력이 약화되어 지반침하가 발생하고, 이로 인해 구조물에 위험한 영향을 미친다. 따라서 이를 방지하기 위하여 연약지반의 개량이 요구되고 있다.

참고문헌 (5)

Andisheh Alimoradi, Ali Moradzadeh, Reza Naderi, Mojtaba Zad Salehi, Afshin Etemadi, "Prediction of geological hazardous zones in front of a tunnel face using TSP-203 and artificial neural networks", Tunnelling and Underground Space Technology 23, pp. 711-717, 2008

상세보기
김영수, 정성관, 이상웅, 이동현, "인공신경망을 이용한 현장지반 장래 침하량 산정", 한국지반공학회, vol. 19, no. 5, pp. 27-33, 2003
영남씨그랜트대학사업단, "해양풍력발전 단지건설을 위한 해저지반 특성 추정기법 개발", 국토해양부, 2008
노재호, 원효재, 오두환, 황선근, "인공신경망을 이용한 연약지반 침하량 산정", 한국철도학회 2006년도 추계학술대회 논문집, pp. 1405-1410, 2006
Moller, M.F."A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning", University of Aarhus, Denmark, 1990

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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