Journal of Korean Tunnelling and Underground Space Association (한국터널지하공간학회 논문집)

Korean Tunnelling and Underground Space Association (한국터널지하공간학회)
권호 표지
DOI QR코드

DOI QR Code

A case study on a tunnel back analysis to minimize the uncertainty of ground properties based on artificial neural network

인공신경망 기법에 근거한 지반물성치의 불확실성을 최소화하기 위한 터널 역해석 사례연구

  • 유광호 (수원대학교 토목공학과) ;
  • 송원영 (수원대학교 토목공학과)
  • Received : 2011.12.13
  • Accepted : 2012.01.13
  • Published : 2012.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

There is considerable uncertainty in ground properties used in tunnel designs. In this study, a back analysis was performed to find optimal ground properties based on the artificial neural network facility of MATLAB program of using tunnel monitoring data. Total 81 data were constructed by changing elastic modulus and coefficient of lateral pressure which have great influence on tunnel convergence. A sensitivity analysis was conducted to establish an optimal training model by varying the number of hidden layers, the number of nodes, learning rate, and momentum. Meanwhile, the optimal training model was selected by comparing MSE (Mean Squared Error) and coefficient of determination ($R^2$) and was used to find the correct elastic moduli of layers and the coefficient of lateral pressure. In future, it is expected that the suggested method of this study can be applied to determine the optimum tunnel support pattern under given ground conditions.

터널 설계 시 사용되는 지반 물성치는 불확실성을 내포한다. 본 연구에서는 최적의 지반물성치를 찾기 위해 터널 계측자료를 활용하여 MATLAB 프로그램의 인공신경망 분석 기능을 이용한 역해석을 수행하였다. 터널 내공변위에 많은 영향을 주는 탄성계수와 측압계수를 변화시켜 총 81개의 학습자료를 구축하였다. 최적의 학습모델을 구축하기 위해 은닉층 수와 노드(node) 수 및 학습율과 관성항을 변화시켜가며 매개변수 연구를 수행하였다. 한편 최적의 학습모델은 평균제곱오차(MSE, Mean Squared Error)와 결정계수($R^2$)를 비교하여 선정되었고, 이를 이용하여 정확한 지층의 탄성계수와 측압계수를 찾았다. 향후 주어진 지반조건에서 최적의 터널 지보패턴을 결정하는 등의 목적으로 본 연구에서 제시된 방법이 적용될 수 있을 것으로 기대된다.

Keywords

References

  1. 김대수 (1992), "신경망 이론과 응용 1 = Neural networks : theory and applications", 하이테크정보, 364p.
  2. 김문겸, 장정범 (1995), "유한요소-경계요소 조합에 의한 터널 계측결과의 역해석", 한국암반공학회 논문집, 제5권, 제3호, pp. 205-213.
  3. 김종규 (2011), "인공신경망 기법에 근거한 역해석을 이용한 터널 지보패턴의 적정성 평가 사례 연구", 수원대학교 대학원 박사학위 논문, 94p.
  4. 김주화, 채영수, 박연준 (2008), "수평경사계를 이용한 토사터널의 선행변위 예측", 한국암반공학회 논문집, 제18권, 제5호, pp. 355-365.
  5. 대우건설 (2009), "호남고속철도 제 OO공구 노반신설 기타공사 터널해석보고서", 1074p.
  6. 송기일, 조계춘 (2006), "터널 사전보강 영역의 효과적 수치해석을 위한 등가 물성치 결정 기법", 한국터널공학회 논문집, 제8권, 제2호, pp. 151-163.
  7. 유충식, 김선빈, 유광호 (2008), "IT 기반의 터널 최적 설계를 위한 시스템 개발", 한국터널공학회 논문집, 제10권, 제2호, pp. 153-166.
  8. 이종구 (2002), "인공신경망을 이용한 터널 거동예측 시스템 개발", 경희대학교 대학원, 박사학위 논문, 122p.
  9. 임안식 (2006), "인공신경망을 이용한 터널 굴착에 따른 지표면침하 및 터널거동 예측", 경북대학교 대학원, 박사학위 논문, 224p.
  10. 전양수 (2002), "역해석을 이용한 터널의 설계정수산정에 관한 연구", 전남대학교 대학원 박사학위 논문, 123p.
  11. 정용훈 (2001), "터널 발파에서 비장약량 및 진동속도 예측을 위한 신경망 이론의 적용", 서울대학교 대학원 석사학위 논문, 107p.
  12. 한명식, 양인재, 김광명 (2002), "인공신경망을 이용한 터널구간의 암반분류 예측", 한국터널공학회 논문집, 제4권, 제4호, pp. 277-286.
  13. Fakhimi, A., Salehic, D., Mojtabai, N. (2004), "Numerical back analysis for estimation of soil parameters in the Resalat tunnel project", Tunnelling and Underground Space Technology, Vol. 19, pp. 56-67.
  14. Itasca Consulting Group, Inc. (2005), "Fast Lagrangian Analysis of Continua", Ver. 5.0, Itasca Consulting Group, Minnesota, USA.
  15. Math Works Inc. (2010), "MATLAB : Neural Network $Toolbox^{TM}$ User's Guide", Ver. R2011b, Math Works Inc., 404p.
  16. Wasserman, P.D. (1989), "Neural computing : Theory and practice", Anza Research Inc, 230p.
  17. Zhang, L.Q., Yue, Z.Q., Yang, Z.F., Qi, J.X., Liu, F.C. (2006), "A displacement - based back-analysis method for rock mass modulus and horizontal in situ stress in tunneling - illustrated with a case study", Tunnelling and Underground Space Technology, Vol. 21, pp. 636-649. https://doi.org/10.1016/j.tust.2005.12.001

Cited by

  1. A study on the fast prediction of the fragmentation zone using artificial neural network when a blasting occurs around a tunnel vol.15, pp.2, 2013, https://doi.org/10.9711/KTAJ.2013.15.2.081
  2. A case study on the utilization of tunnel face mapping data for a back analysis based on artificial neural network vol.18, pp.3, 2014, https://doi.org/10.1007/s12205-014-0329-1