• 한국소프트웨어감정평가학회 논문지
• /
• 제15권1호
• /
• pp.63-70
• /
• 2019

최근 딥 러닝(Deep leaning)을 이용한 이미지 인식 분야의 연구가 활발히 진행되고 있다. 본 연구에서는 육안으로 관찰하여 분류하기 어려운 암석을 이미지만으로 분류하기 위해 딥 러닝 오픈 소스 프레임워크인 Tensorflow 기반의 CNN모델을 사용하여 고등학교 교육과정에서 다루는 암석 18종(화성암 6종, 변성암 6종, 퇴적암 6종)의 이미지를 통해 암석을 분류하는 시스템을 제안한다. 암석의 이미지를 학습시켜 암석을 구별하는 분류기를 개발하여 분류 성능을 확인하였으며 최종적으로 구현한 모바일 어플리케이션을 통해 교실 내 학습 또는 현장체험학습 등에서 학생들의 학습 보조도구로서 사용할 수 있다.

• 화약ㆍ발파
• /
• 제8권4호
• /
• pp.30-43
• /
• 1990

본고는 현존하는 암석과 암반의 풍화분류방법에 대한 고찰 및 이러한 방법들을 실제로 우리나라의 토목현장에 적용할 경우 발생되는 여러 가지 문제점을 서술하고, 이에 따른 문제점 극복을 위해 우리나라의 여건에 맞도록 암석 및 암반의 풍화상태를 조사 기술하므로서 각종 토목공사에서 보다 유용하게 사용할 수 있는 풍화분류방법을 제시한다.

• 한국지구과학회지
• /
• 제35권6호
• /
• pp.467-483
• /
• 2014

이 연구는 예비과학교사들의 암석에 대한 이해수준에 따른 육안분류 능력을 알아보기 위한 것이다. 이를 위하여 광물과 암석에 대한 비과학적 개념과 관련된 설문지를 개발한 후 예비 과학교사 132명에게 응답하게 하였고, 수집된 자료는 라쉬 모형을 이용하여 암석에 대한 이해수준에 따라 숙달 집단과 미숙달 집단으로 구분하였다. 이렇게 구분된 집단의 육안분류 능력을 알아보기 위해 17종(화성암 6종, 퇴적암 5종, 변성암 6종)을 제시한 후 각자의 기준에 따라 암석을 분류하도록 하였다. 분석 결과 예비 과학교사들은 주로 조직, 색깔, 입자 크기 등을 분류기준으로 사용하였다. 또한 화성암을 분류하는 것은 비교적 쉽게 해결하였지만 퇴적암과 변성암은 동일한 기준을 사용하여 분류하는데 혼동하고 있었다. 한편 암석에 대한 이해수준과 생성원인에 따른 분류능력은 유의미한 상관관계를 보였지만 암석명을 정확하게 분류하는 능력과는 유의미한 상관관계가 없었다. 하지만 생성원인에 따른 분류 능력과 암석명을 정확하게 분류하는 능력과는 높은 상관관계를 보였다.

• 암석학회지
• /
• 제28권4호
• /
• pp.307-317
• /
• 2019

제주도 남서부에 위치하는 산방산 용암돔에 대하여 암석학적 연구를 수행하였다. 산방산 용암돔의 형태를 용암분출 방식에 따라 분류하면, 화구내의 하부로부터 상부로 계속적인 마그마 주입에 의하여 서서히 밀면서 상승 팽창한 '내부 기원형'에 해당하며, 용암돔 외곽부에 발달하는 테일러스 에이프런은 대부분 침식 제거되고 그 내부의 용암류의 냉각에 의한 수직절리가 발달하고 있는 '낮은 용암돔형'에 해당한다. 산방산을 구성하는 암석을 화산암 TAS 분류도에 적용하여 분류하면, Cox et al.(1979) 분류도에서 일부 벤모리아이트 영역에 도시되나 대부분이 조면암의 영역에 도시되며, 최근 사용하는 Le Maitre et al.(2002)의 분류도와 Zr/TiO₂-Nb/Y 분류도에서는 모두 조면암의 영역에 도시된다. 그러므로 산방산 용암돔을 구성하는 암석을 '조면암질 안산암'이라고 설명한 표현은 마땅히 '조면암'으로 수정되어야 할 것이다. 산방산 용암돔을 구성하는 화산암은 노옴 석영을 함유하는 조면암으로 SiO₂ 59.75-63.46 wt.%의 범위에서 일정한 분화 경향을 보인다.

• 한국지반공학회:학술대회논문집
• /
• 한국지반공학회 2003년도 암반역학위원회 학술세미나 논문집
• /
• pp.51-64
• /
• 2003

Bieniawski에 의해 개발된 RMR은 암석강도 및 불연속면, 지하수 등의 6개 인자에 따라 분류되어, 이들을 합산하여 결정된다. RMR 분류법은 각 요소들에 대한 평가가 비교적 쉽고, 다양한 응용을 거쳐 여러 분야에 적용되어 국내에서도 가장 널리 사용하고 있는 암반분류 방법 중의 하나이다. RMR 분류결과는 터널의 유지시간, 최대 무지보폭의 예측, 지보량 산정, 암반의 물리적 특성값 예측 등에 적용될 수 있다. 또한 RMR 분류법을 사면안정, 댐 기초, 심부 광산 등에 적용하거나, RMR 분류법의 미비한 부분을 보완하기 위한 여러 가지 수정방법이 제시되었다.

• 자원환경지질
• /
• 제55권3호
• /
• pp.309-316
• /
• 2022

암석 분류에 필요한 인적, 시간적 소모를 최소화하기 위해 최근 인공지능을 활용한 암석 분류 연구가 대두되었다. 이에 본 연구에서는 편광현미경 박편 이미지를 활용하여 염기성 화산암을 세분류하고자 하였다. 분류에 사용된 인공지능 모델은 Tensorflow, Keras 라이브러리를 기반으로 합성곱 신경망 모델을 자체 제작하였다. Olivine basalt, basaltic andesite, olivine tholeiite, trachytic olivine basalt 기준시료 박편을 개방 니콜, 직교 니콜, 그리고 gypsum plate를 장착하고 촬영한 이미지 총 720장을 인공지능 모델에 training : test = 7 : 3 비율로 학습시켰다. 학습결과, 80~90%이상의 분류 정확도를 보였다. 각각의 인공지능 모델의 분류 정확도를 확인하였을 때, 본 모델의 암석분류 방식이 지질학자의 암석 분류 프로세스와 크게 다르지 않을 것으로 예상된다. 나아가 본 모델 뿐 아니라 보다 다양한 암석종을 세분시키는 모델을 제작하여 통합한다면, 데이터 분류의 신속성과 비전문가의 접근성 모두를 만족시키는 인공지능 모델을 개발할 수 있으며, 이를 통해 암석학 기초연구의 새로운 틀을 마련할 수 있을 것으로 생각된다.

• 터널과지하공간
• /
• 제30권5호
• /
• pp.462-472
• /
• 2020

암종 분류은 현장의 지질학적 또는 지반공학적 특성 파악을 위해 요구되는 매우 기본적인 행위이나 암석의 성인, 지역, 지질학적 이력 특성에 따라 동일 암종이라 하여도 매우 다양한 형태와 색 조성을 보이므로 깊은 지질학적 학식과 경험 없이는 쉬운 일은 아니다. 또한, 다른 여러 분야의 분류 작업에서 딥러닝 영상 처리 기법들이 성공적으로 적용되고 있으며, 지질학적 분류나 평가 분야에서도 딥러닝 기법의 적용에 대한 관심이 증대되고 있다. 따라서, 본 연구에서는 동일 암종임에도 다양한 형태와 색을 갖게 되는 실제 상황을 감안하여, 정확한 자동 암종 분류를 위한 딥러닝 기법의 적용 가능성에 대해 검토하였다. 이러한 기법은 향후에 현장 암종분류 작업을 수행하는 현장 기술자들을 지원할 수 있는 효과적인 툴로 활용 가능할 것이다. 본 연구에서 사용된 딥러닝 알고리즘은 매우 깊은 네트워크 구조로 객체 인식과 분류를 할 수 있는 것으로 잘 알려진 'ResNet' 계열의 딥러닝 알고리즘을 사용하였다. 적용된 딥러닝에서는 10개의 암종에 대한 다양한 암석 이미지들을 학습시켰으며, 학습 시키지 않은 암석 이미지들에 대하여 84% 수준 이상의 암종 분류 정확도를 보였다. 본 결과로 부터 다양한 성인과 지질학적 이력을 갖는 다양한 형태와 색의 암석들도 지질 전문가 수준으로 분류해 낼 수 있는 것으로 파악되었다. 나아가 다양한 지역과 현장에서 수집된 암석의 이미지와 지질학자들의 분류 결과가 학습데이터로 지속적으로 누적이 되어 재학습에 반영된다면 암종분류 성능은 자동으로 향상될 것이다.

• 한국터널지하공간학회 논문집
• /
• 제6권3호
• /
• pp.237-245
• /
• 2004

터널의 설계에 있어서 RMR 분류방법은 암반을 분류하고 암반등급에 따른 지보패턴을 결정하기 위하여 널리 사용하여 왔다. 하지만 이러한 RMR 분류방법은 현장상태를 고려하여야만 구할 수 있는 변수들을 사용하고 암반을 분류하는 기술자의 경험적 판단에 의존될 수 밖에 없다. RMR 암반분류 방법을 설계단계에서 활용할 때 RMR의 평가요소들을 모두 고려하는 것은 실무적으로 불가능하다. 따라서 설계시 정량적인 요소만을 사용하여 RMR 분류 가능성을 확인하기 위하여 판별분석을 수행하였다. 정량적 데이터인 암석강도 혹은 RQD는 RMR 값과의 상관계수가 높으며, 기존 암반분류기준을 살펴볼 때 암석강도와 RQD는 암반분류를 위한 중요한 요소이다. 기존의 RMR 암반분류 방법을 통한 암반분류와 두 가지 변수만을 고려한 판별분석을 수행한 암반분류 결과 암석강도를 독립변수로 사용한 판별분석시 74.8%, RQD를 독립변수로 사용한 판별분석시 74.3%의 정확도로 RMR 암반분류가 가능하였다. 암석강도와 RQD를 함께 고려한 판별분석을 하였을 때 82.5%의 정확도로 RMR 암반분류가 가능하였다. 기존의 사례분석에서 RMR 전체 요소를 통하여 수행된 설계단계의 전체 적중률은 40.3% 정도 수준임을 감안할 때 설계단계에서는 암석강도와 RQD 만으로도 충분한 RMR 암반분류가 가능할 것이다.

• 한국암석학회:학술대회논문집
• /
• 한국암석학회 2001년도 춘계학술대회
• /
• pp.100-102
• /
• 2001

• 자원환경지질
• /
• 제37권3호
• /
• pp.355-364
• /
• 2004

국내에 분포하는 화강암 및 화강편마암의 풍화 등급에 따른 정성적ㆍ정량적인 분류법을 고찰하였다. 정성적인 분류는 암석의 외적 관찰과 상대적 강도 측정에 의존하는 주관적인 방법이 사용되었으며, 정량적 분류를 위하여서는 실내 외 실험을 통한 암석의 기본적 물성을 이용한 풍화 지수를 사용하여 암석을 풍화에 따라 분류를 하였다. 풍화 분류 기준은 기존의 여러 문헌에서 얻은 방법 및 본 연구에서 사용한 방법을 추가 혹은 수정하여 제시하였다. 또한, 풍화 등급별로 채취된 암석 시료의 박편 관찰을 통하여 암석 구성 광물의 변화와 미세절리발달을 풍화 등급별로 관찰하였다. 풍화에 약한 광물인 사장석 및 흑운모의 화학적 풍화 정도는 풍화가 진행됨에 따라 점점 발달됨을 살펴볼 수 있었으며, 신선한 암석에서도 사장석 및 흑운모의 풍화가 어느 정도 발달되어 있음을 살펴볼 수 있었다. 서로 다른 풍화 등급의 암석 분말에 대한 XRD분석을 수행하여, 암석 구성 광물의 풍화에 따른 동적변화를 살펴보았다. 즉, 풍화에 약한 광물의 비율이 풍화가 진행됨에 따라 감소되며, 풍화에 강한 광물의 비율은 반면에 증가되는 경향을 보여주고 있다. 풍화의 정량적인 분류를 위해서 여러 암석 물성 값을 이용한 Fookes et al.(1988)이 제안한 $RDI_{sq}$및 본 연구에서 제안한 $I_{a}$(Woo, 2003)를 사용하였다. 그 결과, 연구대상 암석의 신선한 풍화등급 F는 $i_{a}$＞7, 약간풍화 SW는 3.5＜$i_{a}$＜10, 보통풍화 MW는 1.0＜$I_{a}$＜6.0 그리고 심한풍화 HW는 $I_{a}$＜2.5로 분류될 수 있다. 실내ㆍ외 실험을 통한 풍화에 따른 국내 화강암 및 화강편마암의 물리적 혹은 공학적 물성 값을 고려하여 본 풍화 지수들의 범위를 결정하여 간편하고 빠르게 암석의 풍화 등급을 결정할 수 있게 하였다.