Jo, Seon-Ah;Kim, Kyoung-Yul;Ryu, Hee-Hwan;Cho, Gye-Chun
Journal of Korean Tunnelling and Underground Space Association
/
v.21
no.3
/
pp.347-362
/
2019
Underground excavation using TBM machines has been increasing to reduce complaints caused by noise, vibration, and traffic congestion resulted from the urban underground construction in Korea. However, TBM excavation design and construction still need improvement because those are based on standards of the technologically advanced countries (e.g., Japan, Germany) that do not consider geological environment in Korea at all. Above all, although TBM performance is a main factor determining the TBM machine type, duration and cost of the construction, it is estimated by only using UCS (uniaxial compressive strength) as the ground parameters and it often does not match the actual field conditions. This study was carried out as part of efforts to predict penetration rate suitable for Korean ground conditions. The effective parameters were defined through the correlation analysis between the penetration rate and the geotechnical parameters or TBM performance parameters. The effective parameters were then used as variables of the multiple regression analysis to derive a regression model for predicting TBM penetration rate. As a result, the regression model was estimated by UCS and joint spacing and showed a good agreement with field penetration rate measured during TBM excavation. However, when this model was applied to another site in Korea, the prediction accuracy was slightly reduced. Therefore, in order to overcome the limitation of the regression model, further studies are required to obtain a generalized prediction model which is not restricted by the field conditions.
We evaluated the applicability of machine learning techniques and the Kuz-Ram model for predicting the mean fragmentation size in open-pit mines. The characteristics of the in-situ rock considered here were uniaxial compressive strength, tensile strength, rock factor, and mean in-situ block size. Seventy field datasets that included these characteristics were collected to predict the mean fragmentation size. Deep neural network, support vector machine, and extreme gradient boosting (XGBoost) models were trained using the data. The performance was evaluated using the root mean squared error (RMSE) and the coefficient of determination (r2). The XGBoost model had the smallest RMSE and the highest r2 value compared with the other models. Additionally, when analyzing the error rate between the measured and predicted values, XGBoost had the lowest error rate. When the Kuz-Ram model was applied, low accuracy was observed owing to the differences in the characteristics of data used for model development. Consequently, the proposed XGBoost model predicted the mean fragmentation size more accurately than other models. If its performance is improved by securing sufficient data in the future, it will be useful for improving the blasting efficiency at the target site.
Kim, Tae-Hwan;Ko, Tae Young;Park, Yang Soo;Kim, Taek Kon;Lee, Dae Hyuk
Tunnel and Underground Space
/
v.30
no.3
/
pp.214-225
/
2020
Uniaxial compressive strength (UCS) of rock is one of the important factors to determine the advance speed during shield TBM tunnel excavation. UCS can be obtained through the Geotechnical Data Report (GDR), and it is difficult to measure UCS for all tunneling alignment. Therefore, the purpose of this study is to predict UCS by utilizing TBM machine driving data and machine learning technique. Several machine learning techniques were compared to predict UCS, and it was confirmed the stacking model has the most successful prediction performance. TBM machine data and UCS used in the analysis were obtained from the excavation of rock strata with slurry shield TBMs. The data were divided into 8:2 for training and test and pre-processed including feature selection, scaling, and outlier removal. After completing the hyper-parameter tuning, the stacking model was evaluated with the root-mean-square error (RMSE) and the determination coefficient (R2), and it was found to be 5.556 and 0.943, respectively. Based on the results, the sacking models are considered useful in predicting rock strength with TBM excavation data.
Journal of the Society of Naval Architects of Korea
/
v.48
no.3
/
pp.281-287
/
2011
This paper explains the basic theory and a new development of for the residual strength prediction program of the asymmetrically damaged ships, being capable of searching moment-curvature relations considering neutral axis mobility. It is noted that moment plane and neutral axis plane should be separately defined for asymmetric sections. The validity of the new program is verified by comparing moment-curvature curves of 1/3 scaled frigate model where the results from new algorithm well coincide with experimental and nonlinear FEA results for intact condition and with nonlinear FEA results for damaged condition. Applicability of new algorithm is also verified by applying VLCC model to the newly developed program. It is proved that reduction of residual strengths is visually presented using the new algorithm when damage specifications of ABS, DNV and IMO are applied. It is concluded that the new algorithm shows very good performance to produce moment-curvature relations with neutral axis mobility on the asymmetrically damaged ships. It is expected that the new program based on the developed algorithm can largely reduce design period of FE modeling and increase user conveniences.
In order to obtain high bearing capacity and good ductility simultaneously, a structural column with hybrid normal and high strength steel (HNHSS) welded box section has been developed. Residual stress is an important factor that can influence the behaviour of a structural member in steel structures. Accordingly, the magnitudes and distributions of residual stresses in HNHSS welded box sections were investigated experimentally using the sectioning method. In this study, the following four box sections were tested: one normal strength steel (NSS) section, one high strength steel (HSS) section, and two HNHSS sections. Based on the experimental data from previous studies and the test results of this study, the effects of the width-to-thickness ratio of plate, yield strength of plate, and the plate thickness of the residual stresses of welded box sections were investigated in detail. A unified residual stress model for NSS, HSS and HNHSS welded box sections was proposed, and the corresponding simplified prediction equations for the maximum tensile residual stress ratio (${\sigma}_{rt}/f_y$) and average compressive residual stress ratio (${\sigma}_{rc}/f_y$) in the model were quantitatively established. The predicted magnitudes and distributions of residual stresses for four tested sections in this study by using the proposed residual stress model were compared with the experimental results, and the feasibility of this proposed model was shown to be in good agreement.
This paper presents a novel technique that combines machine learning (ML) with moth-flame optimization (MFO) methods to predict the axial compressive strength (ACS) of concrete filled double skin steel tubes (CFDST) columns. The proposed model is trained and tested with a dataset containing 125 tests of the CFDST column subjected to compressive loading. Five ML models, including extreme gradient boosting (XGBoost), gradient tree boosting (GBT), categorical gradient boosting (CAT), support vector machines (SVM), and decision tree (DT) algorithms, are utilized in this work. The MFO algorithm is applied to find optimal hyperparameters of these ML models and to determine the most effective model in predicting the ACS of CFDST columns. Predictive results given by some performance metrics reveal that the MFO-CAT model provides superior accuracy compared to other considered models. The accuracy of the MFO-CAT model is validated by comparing its predictive results with existing design codes and formulae. Moreover, the significance and contribution of each feature in the dataset are examined by employing the SHapley Additive exPlanations (SHAP) method. A comprehensive uncertainty quantification on probabilistic characteristics of the ACS of CFDST columns is conducted for the first time to examine the models' responses to variations of input variables in the stochastic environments. Finally, a web-based application is developed to predict ACS of the CFDST column, enabling rapid practical utilization without requesting any programing or machine learning expertise.
Fibre-added concretes are frequently used in large site applications such as slab and airports as well as in bearing system elements or prefabricated elements. It is very difficult to determine the mechanical properties of the fibre-added concretes by experimental methods in situ. The purpose of this study is to develop an artificial neural network (ANN) model in order to predict the compressive and bending strengths of hybrid fibre-added and non-added concretes. The strengths have been predicted by means of the data that has been obtained from destructive (DT) and non-destructive tests (NDT) on the samples. NDTs are ultrasonic pulse velocity (UPV) and Rebound Hammer Tests (RH). 105 pieces of cylinder samples with a dimension of $150{\times}300mm$, 105 pieces of bending samples with a dimension of $100{\times}100{\times}400mm$ have been manufactured. The first set has been manufactured without fibre addition, the second set with the addition of %0.5 polypropylene and %0.5 steel fibre in terms of volume, and the third set with the addition of %0.5 polypropylene, %1 steel fibre. The water/cement (w/c) ratio of samples parametrically varies between 0.3-0.9. The experimentally measured compressive and bending strengths have been compared with predicted results by use of ANN method.
Marti-Vargas, J.R.;Arbelaez, C.A.;Serna-Ros, P.;Navarro-Gregori, J.;Pallares-Rubio, L.
Structural Engineering and Mechanics
/
v.26
no.2
/
pp.211-229
/
2007
An experimental investigation to determine the transfer length of a seven-wire prestressing strand in different concretes is presented in this paper. A testing technique based on the analysis of bond behaviour by means of measuring the force supported by the prestressing strand on a series of specimens with different embedment lengths has been used. An analytical bond model to calculate the transfer length from an inelastic bond stress distribution along the transfer length has been obtained. A relationship between the plastic bond stress for transfer length and the concrete compressive strength at the time of prestress transfer has been found. An equation to predict the average and both the lower bound and the upper bound values of transfer length is proposed. The experimental results have not only been compared with the theoretical prediction from proposed equations in the literature, but also with experimental results obtained by several researchers.
Mahmoodzadeh, Arsalan;Nejati, Hamid Reza;Ibrahim, Hawkar Hashim;Ali, Hunar Farid Hama;Mohammed, Adil Hussein;Rashidi, Shima;Majeed, Mohammed Kamal
Geomechanics and Engineering
/
v.30
no.1
/
pp.75-91
/
2022
This paper aims to show how to use several Machine Learning (ML) methods to estimate the TBM penetration rate systematically (TBM-PR). To this end, 1125 datasets including uniaxial compressive strength (UCS), Brazilian tensile strength (BTS), punch slope index (PSI), distance between the planes of weakness (DPW), orientation of discontinuities (alpha angle-α), rock fracture class (RFC), and actual/measured TBM-PRs were established. To evaluate the ML methods' ability to perform, the 5-fold cross-validation was taken into consideration. Eventually, comparing the ML outcomes and the TBM monitoring data indicated that the ML methods have a very good potential ability in the prediction of TBM-PR. However, the long short-term memory model with a correlation coefficient of 0.9932 and a route mean square error of 2.68E-6 outperformed the remaining six ML algorithms. The backward selection method showed that PSI and RFC were more and less significant parameters on the TBM-PR compared to the others.
Park, Je Young;Chung, Kyung Soo;Kim, Woo Jae;Lee, Jong In;Kim, Yong Min
Journal of the Korea Concrete Institute
/
v.26
no.6
/
pp.707-714
/
2014
CFT (Concrete-Filled Tube) is a type of steel column comprised of steel tube and concrete. Steel tube holds concrete and the concrete inside tube takes charge of compressive load. This study presents structural performance of the CFT column which has 73~100 MPa high strength concrete inside. Fluidity, mechanical compression, pump pressure test in flexible pipe were conducted for understanding properties of the high strength concrete. Material properties were achieved by various experimental tests, such as slump, slump flow, air content, U-box, O-Lot, L-flow. In addition, mock-up tests were conducted to monitor concrete filling, hydration heat, compressive strength. From construction sites in Sang-am dong and University of Seo-kang, long-term behaviors could be effectively predicted in terms of ACI 209 material model considering elastic deformation, shrinkage and creep.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.