본 연구에서는 터널 설계구간의 대부분을 차지하는 미시추 구간의 지반 등급 분류를 정량적으로 수행할 수 있는 새로운 접근방법을 제안한다. 본 제안방법은 시추공에서 얻은 직접조사 결과와 시추구간의 전기 비저항 탐사결과를 이용해 인공 신경망을 학습시카고, 학습된 인공 신경망은 미시추 구간의 암반분류 등급을 추론하는데 적용된다. 지반등급 추론은 미시추 구간 영역에서 움직이는 격자형 창(window)의 중심점에서 이루어 지며 창내 귀속된 전기 비저항들은 추론을 위한 참고자료로 시용된다. 인공 신경망 학습은 최선 RPROP(Resilient backpropagation) 인공 신경망 학습 알고리즘과 early-stopping 기법을 이용하여 수행되었다. 본 연구에서는 실제 시추조사가 이루어진 터널현장에 제안기법을 적용하여 미시추 구간의 지반 등급을 추론하였으며, 전통적인 지구통계학적 크리깅(kriging) 기법에 의한 결과와도 상호 비교하였다. 결과적으로 본 연구를 통해 학습된 인공 신경망은 전통 크리깅 방법에 비해 매우 구체적이고 현실적인 예측결과를 제공하였다 또한, 인공 신경망 추론으로부터 얻어진 터널 종단 방향의 RMR과 Q-값의 분포에서는 전기 비저항 탐사로부터 추정된 취약지반 구간의 위치와 잘 일치하였으며, 두 값 상호간의 관계도 선행 연구 결과와 부합하였다.
This study proposes a new methodology for quantitative rock classification in unsampled rock zone, which occupies the most of tunnel design area. This methodology is to train an ANN (artificial neural network) by using results from a drilling investigation combined with electric resistivity survey in sampled zone, and then apply the trained ANN to making a prediction of grade of rock classification in unsampled zone. The prediction is made at the center point of a shifting window by using a number of electric resistivity values within the window as input reference information. The ANN training in this study was carried out by the RPROP (Resilient backpropagation) training algorithm and Early-Stopping method for achieving a generalized training. The proposed methodology is then applied to generate a rock grade distribution on a real tunnel site where drilling investigation and resistivity survey were undertaken. The result from the ANN based prediction is compared with one from a conventional kriging method. In the comparison, the proposed ANN method shows a better agreement with the electric resistivity distribution obtained by field survey. And it is also seen that the proposed method produces a more realistic and more understandable rock grade distribution.
