• 한국지반공학회논문집
• /
• 제38권12호
• /
• pp.7-17
• /
• 2022

본 연구에서는 물과 유동성 채움재, 팽창제의 배합을 통하여 건조수축으로 인한 시공 불량과 장기적인 압축강도 저하를 최소화 하고자 물과 유동성 채움재를 각각 1:0.4, 1:0.6, 1:0.8, 1:1.0, 1:1.2로 선정하였으며, 각각의 배합 조건당 팽창제 2%, 5%를 첨가하였다. 그 결과 모든 조건에서 물의 비중이 증가할수록 압축강도가 감소하는 경향을 보임과 동시에 팽창성은 증가하는 것으로 나타났다. 또한, 현장에 사용되는 기성품(유동성 채움재) 대비 재령 15일까지의 압축강도가 급격하게 증가하는 것을 확인하였다. 하지만 재령 28일 기준 압축강도가 재령 15일 대비 급격하게 감소하였으며, 현장에 사용되고 있는 기성품(유동성 채움재)와 유사한 공학적 특성을 나타냈다. 따라서 다양한 배합비 산정 시험결과 중 가장 양호한 압축강도와 팽창성을 보인 조건(물과 채움재를 1:0.8로 배합, 팽창제 5% 첨가)을 적용하여 현장시험을 수행하였으며, 그 결과 재령 28일 경과 후 핸디형 GPR 탐사 시스템을 활용하여 공동 파형을 관찰한 결과 공동 파형이 완화 또는 사라진 것으로 나타났다.

• 한국지반공학회논문집
• /
• 제39권7호
• /
• pp.31-37
• /
• 2023

터널은 지중에 건설되는 구조물이므로 육안으로 터널 강지보재의 위치 등의 확인이 불가능하다. 이에, 터널 유지관리시에는, 일반적으로 GPR 이미지를 활용하여 강지보재 탐지를 수행한다. 인공신경망을 통한 GPR 이미지 분석에 대한 연구는, 주로 지하배관, 도로 손상 등의 탐지에 집중되어 있으며, 강지보재 등의 터널 GPR 데이터를 분석한 사례는 해외와 국내 모두 제한적이다. 본 연구에서는, 합성곱 신경망을 기반으로 하는 1단계 객체인식 알고리즘인 YOLO를 활용하여, GPR 데이터를 바탕으로 한 터널 강지보재의 위치 탐지를 자동화하고, 그 성능을 분석한다. 원본 이미지 데이터는 총 512개이며 원본 이미지 데이터로 이루어진 데이터 세트와 원본 이미지 데이터와 증식기법이 적용된 이미지 데이터를 병합한 2,048개의 데이터로 이루어진 데이터 세트를 해석에 활용하였다. 증식한 데이터를 사용한 모델의 강지보재 누락율(전체 강지보재와 탐지하지 못한 지보재 숫자의 비율)은 0.38%, 원본 데이터만을 활용한 모델의 강지보재 누락율은 7.18%로 나타났다. 따라서, 분석 자동화 측면에서는, 증식기법이 적용된 데이터 세트를 활용하는 것이 더 실용적일 것으로 판단된다.