인공신경망 기법과 굴진면 관찰자료를 활용한 터널 역해석 연구 = A tunnel back analysis using artificial neural network technique and face mapping data

다국어 초록 (Multilingual Abstract)

Considerable uncertainties are included in ground properties used for tunnel designs due to the limited investigation and tests. In this study, a back analysis was performed to find optimal ground properties based on artificial neural network using both face mapping data and convergence measurement data. First of all, the rock class of a study tunnel is determined from face mapping data. Then the possible ranges of ground properties were selected for each rock class through a literature review on the previous studies and utilized to establish more precise learning data. To find an optimal training model, a sensitivity analysis was also conducted by varying the number of hidden layers and the number of nodes more minutely than the previous study. As a result of this study, more accurate ground properties could be obtained. Therefore it was confirmed that the accuracy of the results could be increased by making use of not only convergence measurement data but also face mapping data in tunnel back analyses using artificial neural network. In future, it is expected that the methodology suggested in this study can be used to estimate ground properties more precisely.

국문 초록 (Abstract)

터널 설계 시 사용되는 지반물성치는 한정적인 조사 및 시험을 통해 산정되기 때문에 불확실성을 내포한다. 본 연구에서는 최적의 지반물성치를 찾기 위해 터널의 굴진면 관찰자료와 계측자료를 활용하여 인공신경망을 이용한 역해석을 수행하였다. 우선 굴진면 관찰자료를 이용하여 연구대상 터널의 암반등급이 선정되었다. 기존연구에 대한 문헌고찰을 통해서 암반등급별로 지반물성치의 가능한 범위를 지정하여 보다 정확한 학습자료 구축을 위해 활용되었다. 또한 최적의 학습모델을 찾기 위해 은닉층 수와 각 은닉층의 노드 수를 기존연구보다 세분하여 변화시켜가며 매개변수 연구를 수행하였다. 연구결과, 기존 연구와 비교했을 때, 보다 정확한 지반물성치를 얻을 수 있었다. 따라서 계측자료 뿐만 아니라 굴진면 관찰자료를 인공신경망을 이용한 역해석에 활용하면 결과의 정확성을 높일 수 있음을 확인하였다. 향후 본 연구에서 제시된 방법론을 사용하여 지반물성치를 보다 정확하게 추정할 수 있을 것으로 기대된다.

참고문헌 (Reference)

• 1 대우건설, "호남고속철도 제 ○○공구 노반신설 기타공사 터널해석보고서" 2009
• 2 박종원, "터널의 안전율 평가기법에 관한 연구" 수원대학교 대학원 2003
• 3 서영욱, "터널의 2차원 해석을 위한 하중분배율에 관한 연구" 수원대학교 대학원 2004
• 4 송기일, "터널 사전보강 영역의 효과적 수치해석을 위한 등가 물성치 결정기법" 사단법인 한국터널지하공간학회 8 (8): 151-163, 2006
• 5 허재록, "터널 발파시 암반의 RMR값이 상부구조물에 끼치는 영향" 단국대학교 대학원 2001
• 6 한명식, "인공신경망을 이용한 터널구간의 암반분류 예측" 사단법인 한국터널지하공간학회 4 (4): 277-286, 2002
• 7 유광호, "인공신경망 기법에 근거한 지반물성치의 불확실성을 최소화하기 위한 터널 역해석 사례연구" 사단법인 한국터널지하공간학회 14 (14): 37-53, 2012
• 8 김종규, "인공신경망 기법에 근거한 역해석을 이용한 터널 지보패턴의 적정성 평가 사례 연구" 수원대학교 대학원 2011
• 9 김문겸, "유한요소-경계요소 조합에 의한 터널 계측결과의 역해석" 5 (5): 205-213, 1995
• 10 한국도로공사 도로교통기술원, "암반등급에 따른 도로터널 지보체계 개선 연구" 2002
• 11 강승온, "신경망 학습알고리즘의 비교와 2차원 익형의 비정상 공력하중 예측기법에 관한 연구" 한국항공우주학회 36 (36): 425-432, 2009
• 12 박춘식, "시공과정 및 현장계측을 고려한 NATM 터널의 수치해석적 연구" 한국암반공학회 20 (20): 28-38, 2010
• 13 김주화, "수평경사계를 이용한 토사터널의 선행변위 예측" 한국암반공학회 18 (18): 355-365, 2008
• 14 권순섭, "수치해석에 의한 암반특성의 변화가 터널에 미치는 영향" 한국철도학회 12 (12): 31-38, 2009
• 15 신휴성, "미시추 구간의 정량적 지반 등급 분류를 위한 윈도우-쉬프팅 인공 신경망 학습 기법의 개발" 사단법인 한국터널지하공간학회 11 (11): 151-162, 2009
• 16 강창민, "대단면 근접 병설터널 필라구간 안정성 평가 및 보강방안" 경북대학교 대학원 2009
• 17 유일형, "굴착방법과 초기지압 조건을 고려한 하중분배율의 산정 연구" 수원대학교 대학원 2011
• 18 Wasserman, P. D., "Neural computing : Theory and practice" 230-, 1989
• 19 Math Works Inc., "MATLAB : Neural Network Toolbox TM User’s Guide, Ver. R2011b"
• 20 송원영, "Levenberg-Marquardt 알고리즘을 이용한 터널 거동의 역해석 사례 연구" 수원대학교 대학원 2012
• 21 Itasca Consulting Group, Inc., "Fast Lagrangian Analysis of Continua, Ver. 5.0" Itasca Consulting Group 2005
• 22 박연준, "3차원 수치해석을 이용한 터널막장 전방 지반 상태의 예측" 한국암반공학회 14 (14): 440-449, 2004