http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
심부 터널 주변 과응력 암반의 압출 거동에 관한 수치해석적 연구
이근채,문현구,Lee, Kun-Chai,Moon, Hyun-Koo 한국터널지하공간학회 2016 한국터널지하공간학회논문집 Vol.18 No.6
심부 터널을 굴착하는 동안 발생할 수 있는 현상인 압출은 큰 소성 변형과 터널 축소 그리고 지보 붕괴를 일으킬 수 있다. 따라서 압출 현상의 발생 가능성과 변형량, 응력 변화의 정량적 예측은 합리적인 시공 방안을 수립하기 위하여 매우 중요하다. 본 연구는 변형률 연화 구성모델을 이용한 3차원 수치해석을 수행하여 압출 거동을 합리적으로 모사하고 변형량과 소성 범위 등을 정량적으로 예측하고자 하였다. 다양한 범위의 응력 조건과 강도 조건의 42가지 경우에 대한 해석을 수행한 결과 최대접선응력과 암반강도비가 소성 변형량과 소성 깊이를 합리적으로 예측할 수 있었으며 이들의 관계식을 제안하였다. Squeezing is a phenomenon that may occur in deep tunneling and could bring about a large plastic deformation, tunnel closure and collapse of tunnel supports. Therefore, quantitative estimations of deformation and stress from squeezing and its possibility are necessary for establishment of a rational tunneling method. This study carried out three dimensional numerical analyses using a strain softening model in order to simulate the behaviour of squeezing and to estimate deformation and yield area around tunnels quantitatively. Numerical analyses were performed for 42 cases of various stress and strength conditions. As a result, the maximum tangential stress and strength of rock mass ratio could estimate plastic deformation and yield depth around tunnels and equations of relations between them were proposed.
이근채,문현구,Lee, Kun-Chai,Moon, Hyun-Koo 한국터널지하공간학회 2016 한국터널지하공간학회논문집 Vol.18 No.5
심부 터널 주변 암반의 파괴는 불연속면의 영향을 크게 받는 천부 터널 주변과 다르게 응력의 크기와 방향이 지배한다. 응력 지배 파괴의 양상은 응력 조건, 암석의 특성에 따라 연성과 취성으로 구분할 수 있으며 파석, 판상 파괴, 암석 파열 현상의 결과로 나타나는 V-형 홈 형태 취성 파괴 영역의 범위와 깊이는 심부 터널의 굴착과 보강 설계의 주요 인자이므로 이를 파악하는 것은 중요하다. 취성 파괴의 특성은 응력 조건에 따라 점착력 상실과 마찰력 전이로 구성된다는 점과 진행성 파괴라는 점이다. 본 연구는 이중 선형 절단 파괴 포락선과 탄성-탄소성 연계 해석과 점진적 탄소성 영역 확대라는 해석 절차와 방법을 도입하여 터널 주변 취성 암반의 파괴를 합리적으로 모사할 수 있는 3차원 수치 모델을 구현하였다. 이 수치 모델이 예상한 취성 파괴 영역의 깊이는 기존 사례 연구를 통한 경험식의 결과와 부합되었다. The failure of rock mass around deep tunnel, different from shallow tunnel largely affected by discontinuities, is dominated by magnitudes and directions of stresses, and the failures dominated by stresses can be divided into ductile and brittle features according to the conditions of stresses and the characteristics of rock mass. It is important to know the range and the depth of the V-shaped notch type failure resulted from the brittle failure, such as spalling, slabbing and rock burst, because they are the main factors for the design of excavation and support of deep tunnels. The main features of brittle failure are that it consists of cohesion loss and friction mobilization according to the stress condition, and is progressive. In this paper, a three-dimensional numerical model has been developed in order to simulate the brittle behavior of rock mass around deep tunnel by introducing the bi-linear failure envelope cut off, elastic-elastoplastic coupling and gradual spread of elastoplastic regions. By performing a series of numerical analyses, it is shown that the depths of failure estimated by this model coincide with an empirical relation from a case study.
글로벌 경제기사의 단어분포를 이용한 익일 코스피 지수 예측
이근채(Geunchae Lee),심찬영(Chanyeong Sim),임동현(Donghyun Lim),김명진(Myeongjin Kim),이어진(Eojin Lee),심현정(Hyeonjeong Sim),강태원(Taewon Kang) 한국정보기술학회 2020 Proceedings of KIIT Conference Vol.2020 No.10
본 논문은 베이즈 분류기를 이용하여 익일 코스피(KOSPI) 지수가 상승할지 아닐지 분류하는 것을 다룬다. 코스피 지수가 오른 전날의 글로벌 경제 기사와 코스피 지수가 떨어진 전날의 글로벌 경제 기사를 수집하여, 각 기사에 포함된 단어의 문서 내 빈도와 분포를 계산해서 베이즈 분류기를 학습한 후, 익일 코스피 지수가 상승할 지를 아닐지를 예측한다. 실험 결과 학습 데이터에 대해 93%, 검증 데이터에 대해 97% 정확도로 상승을 분류할 수 있었으나, 하락의 경우 분류 성능이 좋지 않았다. This paper deals with the classification of whether the KOSPI index will rise the next day using the Bayesian classifier. After collecting the global economy articles from the day before the KOSPI index rose and the global economy articles from the day before the KOSPI index fell, learning the Bayesian classifier by calculating the frequency and distribution of the words included in each article, then predict the next day’s KOSPI index will rise or not. As a result of the experiment, it was possible to classify the rise with an accuracy of 93% for the training data and 97% for the verification data, but the classification performance was poor in the case of decline.