절리중심체적 수치모사를 통한 암반절리 직경분포 추정

Abstract

암반구조물의 역학적 안정성과 수리적 특성을 분석하는데 있어 암반절리는 매우 중요한 역할을 한다. 암반절리는 형상, 위치, 방향, 크기, 체적빈도 등 다양한 파라미터를 가지고 있으며, 이러한 파라미터들은 암반의 노출면 조사 또는 시추공 조사를 통한 실측결과로부터 확률분포 형태로 분석된다. 여기서 암반절리의 크기는 직접적인 측정이 불가능하기 때문에 가장 불확실성이 큰 파라미터 중 하나로 알려져 있다. 대부분 계산의 효율성을 위해 암반절리를 원판형으로 가정하여, 원판형 절리의 직경분포를 암반절리의 크기를 나타내는 파라미터로 활용하고 있으며, 실측이 가능한 절리선 길이분포로부터 이러한 직경분포를 추정하는 방법을 이용하고 있다. 지금까지의 연구들은 절리선 길이분포를 측정하는데 이용되는 조사창을 평면으로 한정하였으며, 여기서 검출되는 절리선들을 통해 암반절리의 직경분포를 추정해왔다. 그러나 대부분의 암반 노출면은 불규칙한 형상으로 나타나기 때문에 충분한 크기의 평면 조사창의 설치가 불가능한 경우가 많으며, 이로 인해 평면 조사창에서의 암반절리 직경분포 추정기법은 적용에 제한을 많이 받게 된다. 본 연구는 암반 노출면의 형상과 관계없이 암반절리의 직경분포를 추정할 수 있도록 조사창의 개념을 확장시키고자 하였다. 이를 위해 모든 형상을 포함하는 개념인 임의형상 조사면(Arbitrarily shaped sampling surface)을 정의하였으며, 절리선의 종류 또한 새롭게 정의하였다. 정의된 임의형상 조사면에서 절리중심체적(Joint Center Volume, JCV)을 산정하는 기법과 이를 이용한 암반절리 직경분포 추정 기법을 제안하였으며, 다양한 조건에서의 검증 과정을 통해 제안된 기법의 적용성을 분석하였다. 또한 본 연구에서는 절리선 길이분포를 측정하기 위한 디지털 절리선 조사 프로세스를 함께 제안하였다. 이는 암반절리 직경분포 추정기법의 적용성 확보를 위해 필요한 대형 조사면에서의 절리선 조사를 가능하게 하기 위해서이며, 기존의 알고리즘 기반의 이미지처리(Image processing)기법의 한계를 극복하고자 종단간 학습(End-to-End learning)이 가능한 딥러닝(Deep learning) 네트워크로 학습된 분류기(Trained classifier)를 적용하였다. 픽셀 단위 데이터의 3차원 데이터 구조화 기법을 함께 제시하여 최종적으로 절리군 별 절리선 길이분포를 도출 가능하도록 구성 하였으며, 단순 평탄면 모델, 비평탄면 모델에서 디지털 절리선 조사 프로세스의 적용성을 분석하였다.

Rock joints play a important role in analyzing the mechanical stability and hydraulic properties of rock structures. Rock joints are characterized by various parameters such as shape, position, orientation, size, and volumetric frequency, and these parameters are analyzed in the form of probability distribution which are derived from observation results by surveys of exposed surfaces or boreholes of a rock mass. Since the size of a rock joint cannot be measured directly, joint size is known as one of the most uncertain parameters. In most cases, for the efficiency of calculation, rock joints are assumed to be disk-shaped and the diameter distribution of the disks is used to represent the size of the rock joints. To estimate the diameter distribution of the disk-shaped joints, the length distribution of joint traces is used. Previous studies have limited the sampling window used to measure the trace length distribution to a plane, and the joint diameter distribution has been estimated through the observed joint traces in the planar sampling window. However, since most rock exposed surfaces have irregular shapes, it is often impossible to install a sufficient sized planar sampling window. As a result, methods for estimating the joint diameter distribution in planar sampling windows are limited in application. This study tries to expand the concept of the sampling window so that the rock joint diameter distribution can be estimated regardless of the shape of the rock exposure. For this purpose, arbitrarily shaped sampling surface, which is a concept that includes all shapes is defined, and the type of joint trace is also newly defined. A method for estimating Joint Center Volume (JCV) in the defined arbitrarily shaped sampling surface and a method for estimating the joint diameter distribution are suggested, and the suggested methods are evaluated for reliability through verification under various conditions. In addition, a digital joint trace survey process is suggested to measure the trace length distribution digitally. This is to enable the joint trace survey of a large-scale sampling surface, which is necessary to ensure the applicability of the rock joint diameter distribution estimation method. To overcome the limitations of existing algorithm-based image processing techniques, a trained classifier based on deep learning technology capable of end-to-end learning is applied. The 3D data structuring technique of pixel-wise data is proposed together to ultimately derive the joint trace length distribution. The applicability of the proposed digital joint trace survey process is analyzed in flat and uneven surface models.