A Study on the Settlement Prediction of Soft Ground Embankment Using Artificial Neural Network

Various geotechnical problems due to insufficient bearing capacity or excessive settlement are likely to occur when constructing roads or large complexes on soft ground. Accurate predictions of the magnitude of settlement and the consolidation time provide numerous options of ground improvement methods and, thus, enable to save time and expense of the whole project. Asaoka's method is probably the most frequently used one for settlement prediction and the empirical formulae such as Hyperbolic method and Hoshino's method are also often used. To find an elaborate method of predicting the embankment settlement, two recurrent type neural network models, such as Jordan model and Elman-Jordan model, are adopted. The data sets of settlement measured at several domestic sites are analyzed to obtain the most suitable model structures. It was shown from the comparison between predicted and measured settlements that Jordan model provides better predictions than Elman-Jordan model does and that the predictions using CPT results are more accurate than those using SPT results. It is believed that RNN using cone penetration test results can be a highly efficient tool in predicting settlements if enough field data can be obtained.

인공신경망을 이용한 연약지반성토의 침하예측 연구

연약점토지반에 도로, 대규모 단지조성공사에 따른 지지력의 부족과 과대한 침하량으로 인하여 여러 가지 어려운 문제가 발생하며 최종 침하량 및 침하시간의 정확한 예측은 지반개량공법의 선정은 물론 사업비, 사업기간에 중대한 영향을 미치게 된다. 현재 사용되고 있는 침하량 예측기법으로는 Terzaghi의 압밀이론을 응용한 Asaoka법과 경험식인 Hyperbolic법, Hoshino법 등이 있다. 그러나 이러한 방법들에 의하여 예측된 침하량과 실제 침하량이 정확히 일치하지 않는 경향이 있다고 알려지고 있다. 게다가 이런 방법 등은 계측결과가 없는 설계단계에서는 사용할 수 없는 단점을 가지고 있다. 본 논문에서는 국내 단지조성공사에서의 데이터와 다양한 테스트 결과값를 이용하여 성토시 침하를 보다 정확하게 예측하기 위해 인공신경망 기법인 Jordan 모델과 Elman-Jordan 모델을 적용하여 가장 적합한 모델구조를 얻고자 하였다. 개선된 인공신경망 모델에 의한 예측치를 실측치와 비교하였고, 결과값에 의하면 Jordan 모델이 Elman-Jordan 모델보다 실측치와 잘 일치하고 콘관입 저항을 이용한 예측치가 표준관입시험을 이용한 결과치보다 실제에 더 가깝다는 것을 알 수 있다. 따라서 더 많은 현장실험 데이터가 확보된다면 콘관입시험을 이용한 순환형 인공신경망 기법이 침하량 예측에 있어 가장 효과적인 방법이 될 것이라 사료된다.