• 터널과지하공간
• /
• 제30권3호
• /
• pp.256-269
• /
• 2020

본 연구의 목적은 KURT 화강암 시료의 포화유무에 따른 균열손상 기준과 파괴인성의 변화를 측정하는 것이다. 이를 위하여 일축압축시험을 이용한 소성체적변형률을 통해 KURT 화강암의 균열손상 기준을 도출하였다. 또한 암석의 파괴인성을 보다 신뢰성 있게 측정하기 위해 암석의 비선형적 변형에 대한 보정(Level II Method; ISRM, 1988) 을 통해 포화유무에 따른 KURT 화강암의 수정 파괴인성(corrected fracture toughness)을 측정하였다. 시험결과 건조시료의 평균 균열개시 응력(σ_ci)과 균열손상 응력(σ_cd)은 91.1 MPa과 128.7 MPa이었으며, 포화시료의 평균 균열개시 응력(σ_ci)과 균열손상 응력(σ_cd)은 58.2 MPa과 68.2 MPa이었다. 건조시료에 비해 포화시료의 균열개시 응력은 36% 감소하였으며 균열손상 응력은 건조시료 대비 47%나 감소되는 결과를 나타내었다. 균열손상 응력(σ_cd)이 상대적으로 더욱 감소하였음을 감안할 때 시료의 포화로 인해 더 낮은 응력조건에서 구조물에 대한 손상이 쉽게 발생할 수 있음을 알 수 있다. KURT 화강암의 비선형성을 고려한 수정 파괴인성은 0.811 MPa·m^0.5이었으며 포화시료의 수정 파괴인성은 0.620 MPa·m^0.5이었다. 즉 암석의 비선형성을 고려함으로써 파괴인성의 증가를 확인할 수 있었으며, 암석의 포화시 수정 파괴인성은 24% 감소하였다. 따라서 지하수 포화로 인해 암석 내 균열의 생성과 진전에 대한 저항성이 감소함을 알 수 있다.

• 터널과지하공간
• /
• 제31권5호
• /
• pp.374-384
• /
• 2021

본 논문에서는 암석시료의 CT 촬영 이미지상의 균열을 자동으로 탐지하는 새로운 인공지능 딥러닝 기법을 제안한다. 본 제안 기법은 2단계 딥러닝 객체인식 알고르즘인 Faster R-CNN을 기반으로 회전 가능한 경계박스(bounding box) 개념을 도입하여 알고리즘을 개조하였다. 회전 경계박스의 도입은 관심 균열 영역 밖의 배경의 불균질성 및 균열의 크기와 형태에 영향을 받는 딥러닝 객체인식기법 상의 고유한 어려움을 극복하기 위한 핵심 역할을 한다. 본 회전형 경계박스의 사용은 일반적으로 사용되는 영상 수평축과 평행한 경계박스 사용의 경우와 비교하여 긴 형태의 균열 형상 특성에 매우 잘 부합된다. 즉, 좋지않은 영향을 끼치는 경계박스 내 균열 이외 배경영역의 비율을 최소화 시킬 수 있다. 이외에도, 회전 경계박스의 추가적인 이점은 인식된 균열의 방향에 따라 회전하여 추론되는 경계박스를 통해 균열의 방향과 길이에 대한 정보를 직접적으로 얻을 수 있다. 본 제안기법의 적용성을 검증하기 위하여, 이미지상에서 매우 불균질한 화강암 시료에 인공적으로 균열을 발생시킨 다수의 암석시료 영상을 딥러닝 학습에 사용하고 추론 성능 실험을 진행하였다. 그 외에도, 동일 조건에서 사암과 셰일 암석 시료에도 적용하여 검증하였다. 결론적으로, 제안된 기법을 통해 균열 객체 인식의 평균 추론정확도(mAP)값이 0.89 정도 수준의 우수한 추론 성능을 보였으며, 기존 기법에 비해 추론된 경계박스 내 균열과 배경 영역의 비율 측면에서 배경의 비율이 획기적으로 최소화되는 유리한 추론 검증 결과를 보였다.