부산대학교 도서관

발파공법을 이용한 터널 건설 시 발생하는 진동을 최소화할 수 있는 폭약량의 결정을 위해서는 현장에서 시험발파, 혹은 유사조건에서의 진동기록을 분석하여 발파진동계수 K, n을 도출해야 한다. 본 연구에서는 시험발파를 수행하지 못할 경우, 합리적인 K 및 n을 도출할 수 있는 기법의 개발을 목적으로 하였다. 이를 위해 실규모시험발파 자료를 수집한 후, 심층학습(DL)을 활용하여 화약류의 종류, 심발공법, 암반의 성인 및 종류, 암반등급에 따라 발파진동계수(K, n)를 예측할 수 있는 방법을 연구하였다. 또한 시추공 시험발파 결과의 한계성을 보완하고, 현실에 좀 더 부합하는 설계 수행을 목적으로 실규모 및 시추공 시험발파 결과 간의 보정값을 산정하였다. 본 연구결과 시추공 시험발파 결과식에 따른 사용 가능한 폭약량을 비교하였을 경우, 심층학습(DL)에 의한 결과는 50%이상, 보정값을 반영한 결과는 기타 발파진동 추정식과 유사하거나 약 20% 더 사용할 수 있어서 보다 경제적 설계가 가능하였다.
In order to determine the amount of explosives that can minimize the vibration generated during tunnel construction using the blasting method, it is necessary to derive the blasting vibration coefficients, K and n, by analyzing the vibration records of trial blasting in the field or under similar conditions. In this study, we aimed to develop a technique that can derive reasonable K and n when trial blasting cannot be performed. To this end, we collected full-scale trial blast data and studied how to predict the blast vibration coefficient (K, n) according to the type of explosive, center cut blasting method, rock origin and type, and rock grade using deep learning (DL). In addition, the correction value between full-scale and borehole trial blasting results was calculated to compensate for the limitations of the borehole trial blasting results and to carry out a design that aligns more closely with reality. In this study, when comparing the available explosive amount according to the borehole trial blasting result equation, the predictions from deep learning (DL) exceed 50%, and the result with the correction value is similar to other blast vibration estimation equations or about 20% more, enabling more economical design.