본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

Abstract

목차

제1장 서론 11

1.1. 연구 배경 및 목적 11

1.2. 연구 내용 및 구성 12

제2장 이론적 배경 13

2.1. 앵커설치 흙막이벽의 토압 13

2.1.1. 겉보기 토압 14

2.2. 지중경사계 16

2.2.1. 계측의 목적 16

2.2.2. 지중경사계 관리기준치 17

2.3. Support Vector Machine 18

2.3.1. Support와 Margin 18

2.3.2. 비선형 모형 20

제3장 데이터 분석 21

3.1. 데이터 수집 21

3.2. 데이터 전처리 23

3.2.1. 기본 통계량 23

3.2.2. 이상치(Outlier) 24

3.2.3. 데이터 분포 25

3.2.4. 상관관계 27

3.3. Support Vector Machine 29

3.3.1. 변수 선택 및 모델 선정 29

3.3.2. 모델 학습 및 결과 29

3.3.3. 교차검증 31

3.3.4. 긴장력 감소를 고려한 모형 33

제4장 결론 38

참고문헌 39

표목차

[표 2.1] 토류벽체 종류별 최대 변위량 17

[표 2.2] 지하안전영향평가서 표준 매뉴얼 18

[표 3.1] 데이터셋 나열표 22

[표 3.2] 변수들의 기본 통계량 23

[표 3.3] 각 변수에 대한 설명 27

[표 3.4] 각 모형의 학습에 사용된 변수 29

[표 3.5] 각 모형의 통계 지표 산출 결과 30

[표 3.6] Model 3의 교차검증 결과 통계 지표 31

[표 3.7] 앵커 긴장력 감소량 산정에 사용된 정수 34

[표 3.8] 앵커 긴장력 감소량과 설계축력 34

[표 3.9] 긴장력 감소를 고려한(Model 4) 데이터셋 35

[표 3.10] 초기 긴장력 감소를 고려한 모델의 통계 지표 37

그림목차

[그림 2.1] 앵커설치 벽체의 변형 14

[그림 2.2] Terzaghi와 Peck의 겉보기 토압 15

[그림 2.3] Weatherby의 겉보기 토압 16

[그림 3.1] 앵커설치 흙막이벽과 배면의 지중경사계와 지하수위계 22

[그림 3.2] 변수들의 Box-Whisker 그림 24

[그림 3.3] Cook's distance 그림 25

[그림 3.4] 각 변수의 히스토그램과 확률밀도 26

[그림 3.5] 각 변수의 상관관계 히트맵 28

[그림 3.6] 실측값과 Model 3 예측값 비교 31

[그림 3.7] 시간 변화에 따른 깊이-변위 그래프 33

[그림 3.8] 긴장력 감소를 고려한 모형의 시간 변화에 따른 깊이-변위 그래프 36

초록보기

 In recent years, there has been an increasing interest in complex problems caused by excavation, such as subsidence of the surrounding area due to deformation of the earth wall, safety of neighboring structures, and complaints from residents. Therefore, it is necessary to accurately predict the behavior of the earth wall in order to solve various problems caused by the deformation of the earth wall as well as the safety of the earth wall. Displacement occurs in response to a representative behavior, and the lateral displacement of an earthwork wall can be obtained using an inclinometer. In this study, inclinometer data, geotechnical survey data, and precipitation data from four sites were collected to generate a dataset of horizontal displacements of anchored retention walls with time and depth. The data were preprocessed for basic statistics, outliers, data distribution, and correlation to improve the understanding of the data. Since the behavior of the ground is nonlinear, the data is also nonlinearly distributed, so we used Support Vector Machines (SVM), a data mining technique, rather than the usual statistical methods. SVM is a class of supervised learning algorithms used for classification and regression tasks and are models for data classification. The kernel function allows for flexible processing of various types of data, and in this paper, we utilized the RBF kernel, which is nonlinear separable by efficiently mapping data to a high-dimensional feature space. Comparing the prediction results after training the model with the actual data, the uneven displacement of the anchor soil plate was well realized, but the displacement was not well realized. In the future, it is judged that the prediction of displacement shape will be improved by investigating high-quality data and geotechnical data or adding variables that can explain displacement well.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차