Abstract
This paper presents the application of a neural network for prediction of the unconfined compressive strength from physical properties and schmidt hardness number on rock samples. To investigate the suitability of this approach, the results of analysis using a neural network are compared to predictions obtained by statistical relations. The data sets containing 55 rock sample records which are composed of sandstone and shale were assembled in Daegu area. They were used to learn the neural network model with the back-propagation teaming algorithm. The rock characteristics as the teaming input of the neural network are: schmidt hardness number, specific gravity, absorption, porosity, p-wave velocity and S-wave velocity, while the corresponding unconfined compressive strength value functions as the teaming output of the neural network. A data set containing 45 test results was used to train the networks with the back-propagation teaming algorithm. Another data set of 10 test results was used to validate the generalization and prediction capabilities of the neural network.
암석의 물리적 특성과 슈미트반발경도 결과로부터 일축압축강도를 예측하기 위한 인공신경망 이론의 적용과 최적 모델 구성에 대하여 연구하였다. 대구지 역의 퇴적암(사암, 셰일) 시료 55개가 사용되었으며, 이들 중 인공신경망 학습을 위하여 45개가 사용되었고 학습결과의 검증을 위하여 10개의 시료가 이용되었다. 인공신경망에 의한 추산 결과와 비교하기 위하여 통계적 방법을 통한 회귀분석을 통하여 역학특성의 상관식을 도출하였으며, 인공신경망의 유효성 검증을 위하여 모델 구축 시 에 사용하지 않은 새로운 자료에 대해 예측을 실시하고 통계적 방법에 의한 결과 및 실내 시험 결과와 비교하였다. 본 연구에 사용한 인공신경망모델에는 백프로퍼게이션 학습 알고리즘(back-propagation teaming algorithm)이 적용되었으며, 인공신경망의 학습효율 및 예측능력에 영향을 미치는 입ㆍ출력층 및 은닉층의 구조, 학습율, 시스템오차율 등을 달리 하며 학습을 시행하였다. 그 결과 통계적 분석보다는 인공신경망의 학습에 의한 예측결과가 더 나은 예측능력을 나타냈다.
