• 한국지반신소재학회논문집
• /
• 제4권4호
• /
• pp.3-11
• /
• 2005

본 연구에서는 지오텍스타일 백으로 보강된 철도노반 강화효과를 확인하기 위하여 실대형실험 및 2차원 평면 수치해석을 수행하였다. 선정된 지오텍스타일 백 축조노반위에 모사열차하중을 고려한 정적하중을 재하하여 무보강 노반과의 비교를 통해 정량적인 보강효과 및 성능을 평가하였으며, 2차원 평면 수치해석은 실대형실험과 동일 조건하에서 범용 FEM 프로그램인 Pentagon 2D를 이용하여 수치해석을 수행하여 비교 분석하였다. 각각의 실대형실험 및 2차원 수치해석결과 지오텍스타일 백의 재료특성, 인장특성, 지오텍스타일 백간의 마찰특성등에 의해 하중분산효과 및 침하저감효과를 확인하였으며, 2차원 수치해석결과가 실대형 실험결과 보다 전반적으로 작게 나타남을 확인하였다.

• 자원환경지질
• /
• 제43권2호
• /
• pp.185-196
• /
• 2010

열수변질에 의한 점토맥이 존재하는 사면 발생시 사면의 안전성에 영향을 미치는 것으로 알려져 있다. 파괴면의 형성 위치에 따라 접촉면 조건과 비접촉면 조건으로 분류하여 점토맥의 점착력, 내부마찰각, 방향성, 지하수위, 강우강도, 강우 지속시간 등의 인자에 따라 점토맥이 사면 안전율에 미치는 영향을 수치 모델링 연구를 통해 조사하였다. 지반 정수가 클수록 사면 안전율이 증가하였다. 사면 내 지히수위가 상승하면 사면 안전율이 감소하는 것을 확인하였다. 다양한 토양에 대한 강우 침투 모델링 결과 이질토는 강우강도에 따라 다양한 지하수위 발달 경향을 보인다. 반면에 사질토는 빠른 배수로 인해 지하수위의 상승이 거의 나타나지 않았다. 따라서 점토맥이 존재하는 사면에서 사질토는 이질토에 비해 사면 안전율에 미치는 영향이 적었다.

• 한국재난정보학회 논문집
• /
• 제10권1호
• /
• pp.40-48
• /
• 2014

최근 철도의 고속화와 효율적인 기존철도 노선의 활용화가 요구됨에 따라 다양한 철도노반의 강화에 대한 시도가 진행되어 왔다. 그 중 지오그리드는 기존의 연구들을 통해 보강효과가 있음이 인지되어왔고 이에 활용범위가 늘어나고 있다. 본 논문에서는, 물성치가 다른 노반재료들로 구성된 궤도하부 노반을 형성 후 두 종류의 지오그리드를 각각 설치하고, 상재하중에 대한 인발강도에 미치는 영향을 알아보았다. 실험결과 인발강도와 상재하중은 비례하는 경향을 보여준 반면, 상호작용 인발계수는 감소되었으며 이는 상재하중 크기뿐만 아니라 접속면에서의 마찰각, 격자와 입자간의 결합상태등 복합적인 영향을 받는 것으로 판단된다. 또한, 일-에너지 개념을 이용한 지오그리드 효과를 산정하는 방법을 제시하였고 제한적으로 실험결과를 이용하여 검증하였다.

• Geomechanics and Engineering
• /
• 제37권5호
• /
• pp.475-498
• /
• 2024

The prediction of the susceptibility of soil to liquefaction using a limited set of parameters, particularly when dealing with highly unbalanced databases is a challenging problem. The current study focuses on different ensemble learning classification algorithms using highly unbalanced databases of results from in-situ tests; standard penetration test (SPT), shear wave velocity (V_s) test, and cone penetration test (CPT). The input parameters for these datasets consist of earthquake intensity parameters, strong ground motion parameters, and in-situ soil testing parameters. liquefaction index serving as the binary output parameter. After a rigorous comparison with existing literature, extreme gradient boosting (XGBoost), bagging, and random forest (RF) emerge as the most efficient models for liquefaction instance classification across different datasets. Notably, for SPT and V_s-based models, XGBoost exhibits superior performance, followed by Light gradient boosting machine (LightGBM) and Bagging, while for CPT-based models, Bagging ranks highest, followed by Gradient boosting and random forest, with CPT-based models demonstrating lower G_mean(error), rendering them preferable for soil liquefaction susceptibility prediction. Key parameters influencing model performance include internal friction angle of soil (ϕ) and percentage of fines less than 75 µ (F₇₅) for SPT and V_s data and normalized average cone tip resistance (q_c) and peak horizontal ground acceleration (a_max) for CPT data. It was also observed that the addition of V_s measurement to SPT data increased the efficiency of the prediction in comparison to only SPT data. Furthermore, to enhance usability, a graphical user interface (GUI) for seamless classification operations based on provided input parameters was proposed.