• Geomechanics and Engineering
• /
• 제17권6호
• /
• pp.527-534
• /
• 2019

There have been developed a number of methods to assess the abrasivity of rock materials with the increased use of mechanized rock excavation. These methods range from determination of abrasive and hard mineral content using petrographic thin section analysis to weight loss or development of wear flat on a specified cutting tool. The Cerchar abrasivity index (CAI) test has been widely accepted for the assessment of rock abrasiveness. This test has been considered to provide a reliable indication of rock abrasiveness for isotropic rocks. However, a great amount of rocks in nature are anisotropic. Hence, viability assessment of Cerchar abrasivity test for the anisotropic rocks is investigated in this research. The relationship between CAI value and quartz content for the isotropic rocks is well known in literature. However, a correlation between EQ, F-Schimazek value, Rock Abrasivity Index (RAI) and CAI of anisotropic rocks such as phyllite was done first time in literature with this research. The results obtained with this research show F-Schimazek values and RAI values should be considered when determination of the abrasivity of anisotropic rocks instead of just using Cerchar scratch test.

• Geomechanics and Engineering
• /
• 제29권3호
• /
• pp.219-228
• /
• 2022

The most widely used parameter to represent rock abrasiveness is the Cerchar abrasivity index (CAI). The CAI value can be applied to predict wear in TBM cutters. It has been extensively demonstrated that the CAI is affected significantly by cementation degree, strength, and amount of abrasive minerals, i.e., the quartz content or equivalent quartz content in rocks. The relationship between the properties of rocks and the CAI is investigated in this study. A database comprising 223 observations that includes rock types, uniaxial compressive strengths, Brazilian tensile strengths, equivalent quartz contents, quartz contents, brittleness indices, and CAIs is constructed. A linear model is developed by selecting independent variables while considering multicollinearity after performing multiple regression analyses. Machine learning-based regression methods including support vector regression, regression tree regression, k-nearest neighbors regression, random forest regression, and artificial neural network regression are used in addition to multiple linear regression. The results of the random forest regression model show that it yields the best prediction performance.

• 한국터널지하공간학회 논문집
• /
• 제26권1호
• /
• pp.39-58
• /
• 2024

TBM (Tunnel boring machine)은 터널 굴착 과정에서 여러 디스크 커터를 이용하여 암석을 절삭한다. 디스크 커터는 암석과의 지속적인 접촉과 마찰로 인해 마모된다. 디스크 커터의 표면이 마모되면 절삭 능력이 감소하고 굴착 효율이 떨어진다. 암석의 마모성은 디스크 커터 마모에 큰 영향을 미친다. 높은 마모도를 가진 암석은 커터에 더 큰 마모를 일으키며, 이는 디스크 커터의 수명을 단축시킨다. 세르샤 마모지수(Cerchar abrasivity index, CAI)는 암석의 마모성을 평가하는데 널리 사용되는 지표로 CAI는 암석의 마모특성을 나타내며, 디스크 커터의 수명과 성능 예측에 필수적인 요소로 인식되고 있다. 본 연구의 목적은 암석의 강도, 암석학적 특성과 선형회귀, 머신러닝 기법을 이용하여 CAI를 효과적으로 추정하는 새로운 방법을 개발하는 것이다. 문헌 조사를 통해 CAI, 일축압축강도, 압열인장강도, 등가석영함량이 포함된 데이터베이스를 구축하고 파생변수를 추가하였다. 통계적 유의성과 다중공선성을 고려하여 다중선형회귀분석을 위한 입력변수를 선정하였고, 머신러닝 모델의 입력변수는 변수중요도 분석을 통해 선정하였다. 머신러닝 예측모델 중 Gradient Boosting 모델의 예측 성능이 가장 높게 나타나 최적의 CAI 예측 모델로 선정되었다. 마지막으로 본 연구에서 도출한 다중선형회귀분석과 Gradient Boosting 모델의 예측 성능을 선행연구들의 CAI 예측모델과 비교하여 연구 결과의 타당성을 확인하였다.