• Journal of the Korean Wood Science and Technology
• /
• 제32권4호
• /
• pp.66-73
• /
• 2004

본 연구에서는 국내산 이태리 포플러, 소나무 및 굴참나무를 공시재료로 초산비닐(PVAc), 레조시놀-페놀 공축합 수지(RPR)접착제를 사용하여 핑거공차별(0, 0.15, 0.30, 0.45 mm)로 핑거 접합재를 제작하였고, 종압축 강도성능 시험을 실시하여 다음의 결과를 얻었다.종압축 영률 유효율은 3수종 모두 소재에 비해 현저히 감소하였고, 종압축 강도 유효율은 3수종 모두 평균 90%이상의 높은 유효율을 나타내었다. 특히 소나무재의 경우 모든 조건에서 97% 이상의 높은 유효율을 나타내었다. 최대 변위 유효율은 이태리 포플러재의 경우 소재의 2배, 소나무재와 굴참나무재의 경우 각각 소재의 1.2와 1.3배 정도로 높게 나타났다. 핑거공차에 따른 영향에서는 이태리 포플러재의 경우 핑거공차 0에서 가장 높은 압축강도 유효율을 나타내었고, 소나무재와 굴참나무재의 경우 핑거공차 0.15와 0.30에서 가장 높은 강도 유효율을 나타내는 것이 확인되었다.

• 한국터널지하공간학회 논문집
• /
• 제23권6호
• /
• pp.469-484
• /
• 2021

터널 설계 시 지반조사를 통한 암반분류 결과는 공사기간 및 공사비 산출, 그리고 터널안정성 평가에 지대한 영향을 미친다. 국내에서 지금까지 완공된 3,526개소의 터널들의 설계 및 시공을 통해 관련 기술들은 지속적으로 발전되어 왔지만, 터널 설계 시 암질 및 암반등급을 보다 정확하게 평가하기 위한 방법에 대한 연구는 미미하여 평가자의 경험 및 주관에 따라 결과의 차이가 큰 경우가 적지 않다. 따라서 본 연구에서는 암석샘플에 대한 주관적 평가를 통한 기존의 인력에 의한 암반분류 대신, 최근 지반분야에서도 그 활용도가 급증하고 있는 머신러닝 알고리즘을 이용하여 시추조사에서 획득한 다양한 암석 및 암반정보를 분석하여 보다 신뢰성있는 RMR에 의한 암반분류 모델을 제시하고자 하였다. 국내 13개 터널을 대상으로 11개의 학습 인자(심도, 암종, RQD, 전기비저항, 일축압축강도, 탄성파 P파속도 및 S파 속도, 영률, 단위중량, 포아송비, RMR)를 선정하여 337개의 학습 데이터셋과 60개의 시험 데이터셋을 확보하였으며, 모델의 예측성능을 향상시키기 위해 6개의 머신러닝 알고리즘(DT, SVM, ANN, PCA & ANN, RF, XGBoost)과 각 알고리즘별 다양한 초매개변수(hyperparameter)를 적용하였다. 학습된 모델의 예측성능을 비교한 결과, DT 모델을 제외한 5개의 머신러닝 모델에서 시험데이터에 대한 RMR 평균절대오차 값이 8 미만으로 수렴되었으며, SVM 모델에서 가장 우수한 예측성능을 나타내었다. 본 연구를 통해 암반분류 예측에 대한 머신러닝 기법의 적용 가능성을 확인하였으며, 향후 다양한 데이터를 지속적으로 확보하여 예측모델의 성능을 향상시킨다면 보다 신뢰성 있는 암반 분류에 활용될 수 있을 것으로 기대된다.