원심모형실험을 이용한 주문진 표준사 지반내 알루미늄 모형 터널 복공의 역학적 거동에 관한 연구

김택곤(Taek-Kon Kim),김영근(Young-Geun Kim),박중배(Joong-Bae Park),이희근(Hi-Keun Lee) 한국암반공학회 1999 터널과지하공간 Vol.9 No.2

아시아와 유럽을 잇다 , SK건설이 터키 이스탄불에서 위대함을 짓습니다

김택곤(Taek-Kon Kim),조정식(Jung-Sik Cho) 대한토목학회 2015 대한토목학회지 Vol.63 No.4

경주지역 3기 역암퇴적층의 공학적 특성 및 암반분류사례

김택곤 ( Taek Kon Kim ),최성순 ( Sung Soon Choi ),정의진 ( Yi Jin Jeong ) 대한지구물리학회 2004 지구물리 Vol.7 No.4

암반터널 설계시 절리방향 및 강도를 고려한 균질절리영역의 분류기법

김택곤(Taek-Kon Kim),김치환(Chee-Hwan Kim) 한국암반공학회 2001 한국암반공학회 학술대회 및 세미나 자료집 Vol.- No.-

터널의사결정체계 (DAT)를 이용한 도로터널의 시공 시뮬레이션 연구

민상윤,김택곤,이준석,김호영,Min, Sangyoon,Kim, Taek Kon,Einstein, H.H.,Lee, Jun S.,Kim, Ho Young 한국터널지하공간학회 2003 터널기술 Vol.5 No.2

터널의사결정체계중의 하나인 DAT기법의 효용성 평가를 위해서 현재 시공중인 2차로 병설터널현장에 적용하였다. 이를 위해 지질조건, 굴착패턴, 설계단가 등으로부터 지질모듈과 시공모듈 자료를 입력하고, 병설터널 시공과정 모사를 위해 위치별로 다양한 시뮬레이션을 수행하였다. 그 결과 다양한 공기-공사비 분포를 얻을 수 있었으며, 각 시공과정마다 각기 다른 분포 특성을 분석하였다. "each cycle" 시뮬레이션은 공기분포에 비해 공사비의 불확실성 분포가 더 크게 나타났으며, "one time" 시뮬레이션에 비해 공기분포의 불확실성은 작게 나타남을 알 수 있었다. 향후 현장자료의 지속적인 갱신과 다양한 매개변수 연구를 통해 이러한 불확실성을 줄여나갈 것이다. Applicability of the Decision Aids for Tunneling (DAT) technique is investigated in this study to better understand the efficiency of the decision making process during tunnel construction. For this, a traffic tunnel under construction is adopted and information on the construction procedure, i.e., overall geology, unit cost and construction time for each excavation process, is provided periodically. Various scattergrams in which cost-time simulation results are plotted are obtained according to the simulation methods and final prediction on the construction time/cost is made. It is found that the uncertainty in the cost distribution is greater than the uncertainty in the time distribution for each cycle simulation and the uncertainties in time and cost for the one time simulations are comparable. Future work will be concentrated on the updating scheme using the face mapping data and various parametric studies will also be performed.

암반구간의 슬러리 쉴드 TBM의 버력운송 파이프 마모에 관한 연구

박영택,김택곤,고태영,Pak, Yeong Taek,Kim, Taek Kon,Ko, Tae Young 한국터널지하공간학회 2017 한국터널지하공간학회논문집 Vol.19 No.1

본 연구에서는 광산이나 오일샌드 등의 분야에서 적용되고 있는 슬러리 파이프 마모량 측정 방법과 슬러리 파이프의 마모량 예측에 관련된 이론식들을 문헌연구를 통해 살펴보고, 실제 싱가포르 슬러리 쉴드 TBM 현장에서 주기적으로 측정한 직선부 슬러리 파이프의 두께 측정 자료로부터 평균 일일 마모율과 굴착거리당 마모율을 산정하였다. Bukit Timah Granite의 풍화등급에 따른 마모율을 구하였는데, 풍화토에 가까운 G (V) 등급 지반 및 G (III)/G (V)의 복합지반에서의 마모율이 G(I)~G (IV)의 암반 등급지반에 비해서 1.5배 높게 나타났다. 슬러리 파이프 마모율은 슬러리 운송속도에 비례하여 증가하는 경향을 보였다. 향후 지반특성 별 파이프 마모율과 합리적인 관리두께 선정을 통하여 보다 최적화된 슬러리 파이프의 교체 및 회전 주기를 산정할 수 있을 것으로 판단된다. In this study, we investigated the wear measurement methods for slurry pipe applied in the field of mining and oil sand industry and theoretical equations related to the prediction of wear in slurry pipe through literature review. Average daily wear rate and wear rate per excavated distance were determined from slurry discharge pipe thickness measurement data periodically measured at the actual slurry shield TBM site in Singapore. The wear rate of slurry pipe for Bukit Timah Granite was obtained. The wear rates for G (V) grade and mixed zone were 1.5 times higher than that of G (I) to G (IV) grade. Slurry pipe wear rate tends to increase in proportion to the slurry discharge velocity. The optimal slurry pipe replacement or rotation frequency can be estimated through the selection of the pipe wear rate considering geological condition and the reasonable pipe management thickness.

터널 라이닝 보수ㆍ보강 효과에 관한 실험적 연구

김영근(Kim Young Geun),김택곤(Kim Taek Kon),김성운(Kim Sung Woon) 대한토목학회 2000 대한토목학회 학술발표회 논문집 Vol.2000 No.2

심층 신경망을 이용한 TBM 데이터 기반의 굴착 지반 예측 연구

김태환,곽노상,김택곤,정사범,고태영,Kim, Tae-Hwan,Kwak, No-Sang,Kim, Taek Kon,Jung, Sabum,Ko, Tae Young 한국터널지하공간학회 2021 한국터널지하공간학회논문집 Vol.23 No.1

암반 및 연약지반을 포함한 다양한 지반 조건에서 TBM (Tunnel Boring Machine) 터널링이 활용되고 있다. 굴착 성능을 높이기 위해서 지반 조건에 따라 최적으로 장비를 운영해야 하며, 이를 통해 공기단축을 통한 비용 절감 효과를 기대할 수 있다. 하지만 시추 조사를 통해 획득한 지반 정보는 시추공 사이 불확실성이 존재하므로, 실시간 최적 운전에 부족함이 있다. 본 연구에서는 지반의 불확실성 문제를 해결하고자 5초마다 기록된 TBM 데이터를 활용하여 굴착 지반 예측시스템을 구축하고자 한다. 싱가포르 현장에서 획득한 화강암의 풍화도를 고려하여 암반, 토사, 복합지반 세 가지로 지질로 재분류하였고, 실시간으로 도출되는 기계 데이터로 이를 예측하고자 한다. 현장에서 획득한 TBM 데이터에 대해 이상치 제거, 정규화, 특성 추출 등의 전처리 방법을 적용하였고, 지질을 분류하기 위해 6개의 은닉층을 가진 심층 신경망(Deep Neural Network, DNN)을 활용하였다. 10겹 교차검증을 통해 분류 시스템을 평가한 결과, 평균 75.4%의 정확도를 확인하였다(총 데이터 388,639개). 본 연구를 통해 지질 불확실성을 감소시키고, 지반 조건에 따른 실시간 최적 운전에 도움이 될 것으로 판단된다. Tunnel boring machine (TBM) is widely used for tunnel excavation in hard rock and soft ground. In the perspective of TBM-based tunneling, one of the main challenges is to drive the machine optimally according to varying geological conditions, which could significantly lead to saving highly expensive costs by reducing the total operation time. Generally, drilling investigations are conducted to survey the geological ground before the TBM tunneling. However, it is difficult to provide the precise ground information over the whole tunnel path to operators because it acquires insufficient samples around the path sparsely and irregularly. To overcome this issue, in this study, we proposed a geological type classification system using the TBM operating data recorded in a 5 s sampling rate. We first categorized the various geological conditions (here, we limit to granite) as three geological types (i.e., rock, soil, and mixed type). Then, we applied the preprocessing methods including outlier rejection, normalization, and extracting input features, etc. We adopted a deep neural network (DNN), which has 6 hidden layers, to classify the geological types based on TBM operating data. We evaluated the classification system using the 10-fold cross-validation. Average classification accuracy presents the 75.4% (here, the total number of data were 388,639 samples). Our experimental results still need to improve accuracy but show that geology information classification technique based on TBM operating data could be utilized in the real environment to complement the sparse ground information.

쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측

김태환(Tae-Hwan Kim),고태영(Tae Young Ko),박양수(Yang Soo Park),김택곤(Taek Kon Kim),이대혁(Dae Hyuk Lee) 한국암반공학회 2020 터널과지하공간 Vol.30 No.3

쉴드 TBM(Tunnel Boring Machine) 터널 굴착 시 암반의 상태는 굴진 성능을 결정하는 중요한 요소 중 하나이다. 암석 강도는 지반조사 시 실내시험을 통해 얻을 수 있으나, 전체 TBM 굴진 구간에 대해 모두 알 수 없다. TBM 굴진 시 최적 Operation Parameter를 적용하기 위해서는 굴진 속도에 영향을 미치는 암석 강도를 파악하는 것이 매우 중요하다. 이에 본 연구에서는 TBM 굴착 중 생성되는 기계 데이터와 머신러닝(Machine Learning) 기법을 활용하여 암석 강도를 예측하고자 한다. 암석 강도를 예측하기 위해 여러 머신러닝 기법을 사용하여 비교하였고, 가장 예측 성능이 좋은 스태킹 모델을 최종 모델로 선택하였다. 암반 구간 Slurry 쉴드 TBM 굴진 사례에서 지반조사 및 시공 중 조사한 암석 강도와 강도를 획득한 위치에서의 TBM 굴착 데이터를 사용하였다. TBM 굴착 데이터는 Training과 Test용으로 8:2로 분할하였으며, 변수 선택(feature selection), 표준화(scaling), 이상치(outlier) 제거 등 전처리 과정을 수행하였다. 하이퍼파라미터 튜닝까지 마친 후, 스태킹 모델에 대해 평균 제곱근 오차(Root Mean Square Error, RMSE)와 결정 계수(R2)로 모델을 평가한 결과 각각 5.556과 0.943로 나타났으며, TBM 굴착 데이터로 암석 강도를 예측하는 모델로 유용할 것으로 판단된다. 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.

암반굴착용 TBM 가동율의 통계적 특성 및 합리적 추정에 관한 연구

고태영(Tae Young Ko),김택곤(Taek Kon Kim),이대혁(Dae Hyuck Lee) 한국암반공학회 2019 터널과지하공간 Vol.29 No.5

다양한 TBM 성능 예측 모델이 개발되었기만 대부분 관입율 예측에 한정되어 있다. 일부 모델들이 수식과 그래프를 이용하여 TBM 가동율을 추정하는 방법을 제시하기도 하지만, TBM 가동율에 대한 연구는 매우 드문 편이다. TBM 가동율은 TBM 장비의 종류, 운영, 유지보수, 지질 조건, 시공자의 경험 등에 영향을 받는다. 본 연구에서는 100여개 이상의 사례 분석을 통해서 TBM 가동율과 RMR, 암종 등의 지반조건, TBM의 종류, 터널의 연장 및 직경 등과의 관계를 조사하였다. 단순 및 다중 회귀분석을 수행하여 TBM 가동율 예측모델을 개발하였다. 암종 등의 지반조건, TBM의 종류, 터널의 연장 및 직경 등을 설명변수로 갖는 회귀모델은 낮은 상관계수를 나타내었다. RMR을 설명변수로 갖는 회귀모델이 더 높은 상관계수를 나타내었다. Various TBM performance prediction models have been developed and most of them were considered penetration rate only. Despite the fact that some models have suggested equations and charts for estimating the utilization factor, but there are a few studies to estimate the TBM utilization factor. Utilization factor is affected by the type of TBM machine, operation, maintenance of machine, geological conditions, contractor experience and other factors. In this study, more than 100 case studies are analyzed to determine the relationship between the utilization factor and RMR, geological conditions, TBM types, tunnel length, and TBM diameter. Simple and multiple linear regression analysis are performed to develop predictive models for the utilization factor. The predictive model with explanatory variables of geological conditions, TBM types, tunnel length, and TBM diameter does not give a good correlation. The predictive models with explanatory variable of RMR give higher values of the coefficient of determination.