• 논리연구
• /
• 제20권2호
• /
• pp.241-271
• /
• 2017

양진주의는 참인 모순이 존재한다는 입장이다. 필자는 이 글에서 괴델 정리가 양진주의의 근거라는 프리스트의 논변이 설득력이 없음을 논할 것이다. 이는 괴델 증명이 우리에게 주는 교훈은 임의의 충분히 강한 산수에 관한 이론이 완전하면서 일관적일 수 없다는 것이기 때문이다. 다음으로 필자는 프리스트의 비일관적이고 완전한 산수에서 모순이 도출될 수 있음을 설명할 것이다. 그리고 괴델 문장이 비일관적이고 완전한 산수이론에 적용되어 양진주의에 관한 대안논변을 제시할 수 있음을 소개하고 이 경우에는 순환성의 문제가 있음을 논할 것이다. 요약해서, 필자는 괴델 정리 및 그와 관련된 정리는 완전한 이론들과 일관적인 이론들 간의 관계를 보여줄 뿐임을 주장할 것이다. 괴델 문장의 적용을 통해 도출된 모순이 중간값과 같은 참인 문장의 값을 지닐 수 있는 것 역시 산수에 관한 비일관 모형에서일 뿐이다. 비일관성이나 완전성에 관한 가정을 하지 않는다면, 괴델 문장의 적용이 참인 모순을 이끌어 낼 수 없으며 그렇기에 괴델 정리 및 그와 관련된 정리는 양진주의의 근거가 될 수 없다.

• Geomechanics and Engineering
• /
• 제36권3호
• /
• pp.259-276
• /
• 2024

The undrained shear strength is widely acknowledged as a fundamental mechanical property of soil and is considered a critical engineering parameter. In recent years, researchers have employed various methodologies to evaluate the shear strength of soil under undrained conditions. These methods encompass both numerical analyses and empirical techniques, such as the cone penetration test (CPT), to gain insights into the properties and behavior of soil. However, several of these methods rely on correlation assumptions, which can lead to inconsistent accuracy and precision. The study involved the development of innovative methods using extreme gradient boosting (XGB) to predict the pile set-up component "A" based on two distinct data sets. The first data set includes average modified cone point bearing capacity (q_t), average wall friction (f_s), and effective vertical stress (σ_vo), while the second data set comprises plasticity index (PI), soil undrained shear cohesion (S_u), and the over consolidation ratio (OCR). These data sets were utilized to develop XGBoost-based methods for predicting the pile set-up component "A". To optimize the internal hyperparameters of the XGBoost model, four optimization algorithms were employed: Particle Swarm Optimization (PSO), Social Spider Optimization (SSO), Arithmetic Optimization Algorithm (AOA), and Sine Cosine Optimization Algorithm (SCOA). The results from the first data set indicate that the XGBoost model optimized using the Arithmetic Optimization Algorithm (XGB - AOA) achieved the highest accuracy, with R2 values of 0.9962 for the training part and 0.9807 for the testing part. The performance of the developed models was further evaluated using the RMSE, MAE, and VAF indices. The results revealed that the XGBoost model optimized using XGBoost - AOA outperformed other models in terms of accuracy, with RMSE, MAE, and VAF values of 0.0078, 0.0015, and 99.6189 for the training part and 0.0141, 0.0112, and 98.0394 for the testing part, respectively. These findings suggest that XGBoost - AOA is the most accurate model for predicting the pile set-up component.