Journal of the Korean Geotechnical Society. 31 October 2026. 87-96
https://doi.org/10.7843/kgs.2026.42.5.87

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 이론적 배경

  •   2.1 공간적 변동성

  •   2.2 콘관입저항

  •   2.3 분산감소함수 모멘트법

  • 3. 콘관입저항 자료 및 변동자 평가

  • 4. 결과 및 토의

  • 5. 결 론

1. 서 론

지반은 풍화, 침식, 이동 및 퇴적과 같은 자연적 작용과 매립, 준설 등의 인위적 활동에 의해 형성·변형되므로, 동일한 부지 내에서도 위치에 따라 물리적 특성이 달라지는 공간적 불균질성을 보인다. 이러한 공간적 변동성은 지반 물성 간 공간적 상관성이 유지되는 범위를 의미하는 변동자(scale of fluctuation, SOF)를 통해 정량화할 수 있으며, 이는 신뢰성 기반의 지반해석 및 설계에서 공간적 불확실성을 반영하는 주요 인자로 활용된다(Baecher and Christian, 2003). 특히, 연안 지역의 해성점토는 퇴적환경의 시·공간적 변화와 퇴적 이력의 차이로 인해 다른 지반에 비해 공간적 변동성이 더욱 크게 나타나는 대표적인 지반이다.

변동자를 추정하기 위해서는 깊이에 따라 연속적으로 획득된 고해상도 지반 자료가 필수적이다. 콘관입시험(cone penetration test, CPT)은 깊이에 따른 지반 물성치를 연속적으로 측정할 수 있어 공간적 변동성 평가에 널리 활용되고 있다(Cami et al., 2020). CPT에서 측정되는 콘관입저항(cone resistance, qc)은 콘 선단에 작용하는 관입저항을 나타내며, 깊이에 따른 연속적인 자료를 제공하므로 변동척도 추정에 가장 널리 활용되는 지반 물성치 중 하나이다. 그러나 현장에서 측정된 qc는 간극수압과 콘 단면적의 차이에 따른 영향을 받기 때문에 보정 콘관입저항(corrected cone resistance, qt)으로 보정되며, 이후 유효상재압의 영향을 제거하기 위해 정규화 콘관입저항(normalized cone resistance, Qtn)으로 변환되어 사용된다(Robertson, 2016).

지금까지 CPT 자료를 기반으로 세계 여러 지역의 지반을 대상으로 공간적 변동성에 관한 연구가 활발히 수행되어 왔다. Uzielli et al.(2005)은 터키 Adapazarı와 미국 Treasure Island, Oakland 및 Texas A&M 지역의 CPT 자료를 이용하여 모멘트법(method of moments)으로 변동자를 산정하고, 지질학적 특성에 따른 지역 간 차이를 분석하였다. Stuedlein et al.(2012)은 미국 Texas의 건조한 점토를 대상으로 모멘트법을 적용하여 3차원 랜덤필드를 구현하기 위한 수직 및 수평 변동자를 제시하였다. Firouzianbandpey et al.(2014)은 덴마크 Aalborg와 Frederikshavn 지역의 모래를 대상으로 모멘트법을 적용하여 변동자를 추정하였다. Xiao et al.(2018)은 최대우도추정법(maximum likelihood estimation)을 이용하여 대만 Wufeng 지역의 모래와 점토에 대한 수직 및 수평 변동자를 추정하고, 이를 기반으로 3차원 랜덤필드를 구현하였다. Liu et al.(2020)은 노르웨이 Trondheim 지역의 모래를 대상으로 모멘트법, 최대우도추정법 및 Vanmarcke 간편법을 적용하여 산정된 변동자를 비교하였다. 최근에는 Macedo et al.(2024)이 모멘트법을 이용하여 미국의 광미를 대상으로 변동자를 산정하였다.

이상과 같이 기존의 CPT 기반 변동자 연구에서는 qt 또는 Qtn 중 하나를 선택하여 변동자를 산정하였으나, 그 선택에 대한 공학적 근거나 정규화의 영향을 체계적으로 논의한 연구는 드물다. 또한, 동일한 CPT 자료를 이용하여 qt와 Qtn으로부터 추정된 변동자를 직접 비교하고 그 차이를 정량적으로 분석한 연구는 제한적이며, 특히 국내 해성점토를 대상으로 한 관련 연구는 더욱 부족한 실정이다. 콘관입저항의 정규화는 깊이에 따른 추세뿐만 아니라 자료의 자기상관구조에도 영향을 미칠 수 있으므로, 정규화 여부가 변동자 추정 결과에 미치는 영향을 체계적으로 평가할 필요가 있다.

본 연구에서는 광양항과 부산항 신항 인근에서 획득한 해성점토의 CPT 자료를 활용하여 qt와 Qtn으로부터 추정된 변동자를 비교하고, 한국 해성점토에서 콘관입저항 정규화의 필요성을 평가하였다. 또한, 변동자는 분산감소함수(variance reduction function, VRF)를 이용한 모멘트법으로 추정하였으며, 평균제곱근오차(root mean square error, RMSE)를 적합도 평가 지표로 적용하여 최대 지연 개수와 이론 분산감소함수의 종류가 변동자 추정에 미치는 영향을 분석하였다.

2. 이론적 배경

2.1 공간적 변동성

지반은 광물-지질-수리학적 환경의 영향으로 불균질하게 형성되며, 동일한 지층에서도 위치와 깊이에 따라 특성이 달라질 수 있다. 공간적 변동성은 자기상관성을 고려한 확률장으로 표현할 수 있으며, 확률장을 통해 위치에 따른 물성치의 변화를 평가할 수 있다(Phoon and Kulhawy, 1999). 일반적으로 지반공학 자료는 깊이에 따른 추세를 가진 비정상성 자료로, 공간적 변동성을 평가하기 위한 추세 제거가 필요하다(Cami et al., 2020). 깊이 z에서 지반 특성 x(z)는 추세 성분 t(z)와 잔차 성분 w(z)로 분해되며, 다음 식과 같다.

(1)
xz=tz+wz

추세 성분은 최소제곱법을 기반으로 한 다항 회귀를 통해 추정되며, 원자료에서 추세 성분을 제거한 잔차 성분은 약정상 공간 확률장으로 가정할 수 있다. 약정상성은 평균과 분산이 일정하고, 자기공분산이 두 지점의 거리에만 의존하는 상태를 의미하며 지반 물성치가 약정상성을 만족하면 확률장의 적용을 단순화할 수 있다. 잔차의 공간적 자기상관성은 상관성이 유지되는 범위를 길이 단위로 나타내는 변동자를 통해 정량화될 수 있다(Jaksa et al., 1997).

2.2 콘관입저항

CPT는 콘을 일정한 속도로 지반에 관입시키며 지반 물성을 연속적으로 측정하는 대표적인 현장시험이다. 이를 통해 콘관입저항(qc), 슬리브 마찰저항(fs), 간극수압(u)의 깊이별 분포를 얻게 된다(Robertson, 2016). 이 중 qc은 관입이 진행되는 동안 콘 선단 전방의 아직 교란되지 않은 지반저항을 측정하므로 지반의 고유한 공간적 변동성을 잘 반영하여 공간변동성 연구에 가장 널리 활용된다(Uzielli et al., 2005). qc로부터 앞 절에서 설명한 qt와 Qtn은 각각 다음 과 같이 산정할 수 있다.

(2)
qt=qc+1-au2
(3)
Qtn=paσv0'nqt-σv0pa

여기서, a는 콘의 순단면적비, u2는 콘 선단 뒤에서 측정된 간극수압이고, σv0와 σv0는 각각 전체연직응력과 유효연직응력이다. pa는 대기압이고 n은 응력보정지수이다. qt는 측정 깊이에 따른 유효응력과 지반의 고유강도가 반영된 관입저항 특성을 보이며, Qtn은 유효상재압의 영향이 제거된 관입저항 특성을 나타낸다.

2.3 분산감소함수 모멘트법

변동자는 표본 자료에서 산정된 통계량과 이론적 통계량을 일치시키는 모멘트법을 이용하여 추정할 수 있으며, 일반적으로 최소제곱법을 활용하여 두 통계량의 차이를 최소화한다. 이론적 통계량은 공간 평균 효과를 반영하여 자료의 불규칙성에 따른 영향을 완화할 수 있는 분산감소함수를 적용하여 산정한다(Fei et al., 2022). 분산감소함수 Γ2τ는 구간 평균의 표준편차와 전체 자료의 표준편차 비를 제곱한 값으로, 변동자는 다음 식으로 산정한다.

(4)
θ=limτ→∞τΓ2τ

여기서, θ는 변동자를 의미하며, τ는 공간 평균을 산정하는 지연거리 구간이다. 실제 자료는 유한한 길이의 값을 가지며, 식 (4)를 통해 변동자를 직접 추정하는 것은 제한적이다. 따라서 표본 자료에서 산정한 분산감소함수와 이론 분산감소함수를 적합하고, 두 함수의 차이가 최소가 되도록 하는 변동자를 추정한다(Fei et al., 2022). 표본 분산감소함수는 다음 식과 같다.

(5)
Γ2τj=NN-j+1∑i=1N-j+1xj,i-x¯2∑i=1Nxi-x¯2

이때 N은 전체 자료 개수이고, xi는 i번째 자료의 값, x¯는 전체 자료의 평균이다. xj,i는 i번째 자료부터 연속된 j개 자료에 대한 구간 평균으로, I = 1, 2, …, N ‒ j + 1에 대해 다음과 같이 산정된다.

(6)
xj,i=1j∑k=ii+j-1xk

표본 분산감소함수에 적합에는 이론 분산감소함수인 single exponential(SNX), squared exponential(SQX), cosine exponential(CSX) 및 second-order Markov(SMK)가 널리 사용되며(Uzielli et al., 2005, Cami et al., 2020), 이들은 다음 식과 같다.

(7)
Γ2τ=12θτ2exp-2τθ+2τθ-1
(8)
Γ2τ=1πθτ2exp-πτθ2+2τθexpπτθ-1
(9)
Γ2τ=θτ-θτ2sinτθexp-τθ
(10)
Γ2τ=θ2πexp-4τθ-34θτ1-exp-4τθ+2

본 연구에서는 변동자 산정을 위해 상기 네 가지 식을 적용하였다.

3. 콘관입저항 자료 및 변동자 평가

본 연구에서는 광양항과 부산항 신항 인근에서 수행된 지반조사보고서에서 30개의 콘관입저항(qc)를 활용하였으며, Table 1에 지반 물성치의 통계량를 요약한다. 실측된 자료에서 해성점토층에 해당하는 qc을 이용하였고 측정간격은 0.1 m이다. 수집된 qc 자료에 식 (2)와 (3)을 각각 적용하여 동일한 깊이 조건의 qt와 Qtn을 산정하였다.

Table 1.

Index properties of marine clay

Soil properties Mean Range
Water content (%) 67.54 41.20 - 88.90
Specific gravity 2.67 2.57 - 2.75
Liquid limit (%) 66.21 36.10 - 89.90
Plasticity index 33.35 18.10 - 51.80

Fig. 1에서 두 변수의 깊이별 분포를 나타낸다. qt는 깊이에 따라 증가하는 경향을 보이며, Qtn은 유효상재압의 영향이 완화되어 지반 특성에 따른 변동이 상대적으로 뚜렷하게 나타났다. qc 값은 심도 0.1 - 38.0 m 범위에 놓이며, 가장 짧은 자료 구간은 14.0 - 20.2 m, 가장 긴 자료 구간은 1.3 - 38.0 m로 나타났다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F1.jpg
Fig. 1

Compiled 30 profiles of (a) qt and (b) Qtn​ in marine clay

Fig. 2는 qc와 qt, Qtn의 기술통계량을 나타낸다. Fig. 2(a)는 전체 qc에 대한 자료수의 빈도를 보여준다. 각 심도에서의 qc 값은 60개 이상의 측정자료로 구성되며, 심도별 평균 측정자료 수 μ는 155개이다. Figs. 2(b)와 2(c)는 qt와 Qtn의 평균과 표준편차로서 평균은 qt와 Qtn에서 각각 0.145 - 1.372 MPa, 0.662 - 7.368의 범위를 보였으며, 표준편차는 각각 0.076 - 0.342 MPa와 0.098 - 2.572의 범위로 나타났다. Mayne et al.(2023)은 qt < 5 MPa인 경우를 점토질 지반으로 분류하였다. 본 연구의 평균 qt 역시 이 범위에 해당하여, 대상 지반은 낮은 관입저항을 갖는 점토질 지반의 특성을 나타낸다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F2.jpg
Fig. 2

Statistical characteristics of CPT profiles for (a) qc, (b) qt and (c) Qtn

Fig. 3은 하나의 qc 측정값으로부터 계산된 심도별 qt와 Qtn 분포와 이에 대응되는 추세 성분 및 잔차 성분을 나타낸 것이다. qc의 보정 및 정규화 이후에도 여전히 깊이에 따른 추세가 존재하는 것을 확인할 수 있다. 최소제곱법 기반 2차 다항 함수를 통해 추세함수를 산정하고(Jaksa et al., 1997), 원자료에서 추세 성분을 제거한다(식 (1)). 이와 같은 절차를 적용하여 30개의 qt와 Qtn의 원자료에서 추세 성분이 제거된 잔차 자료를 얻었다. qt와 Qtn의 잔차 자료는 약정상성을 만족하는 공간 확률장임을 확인하였으며, 각각의 잔차 자료를 이용하여 변동자를 평가하였다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F3.jpg
Fig. 3

Detrending of a CPT profile: (a) qt​ and (b) Qtn

4. 결과 및 토의

Fig. 4는 Fig. 3의 qt 잔차로부터 산정된 표본 분산감소함수를 나타낸다. 표본 분산감소함수는 0.1 m 간격으로 수집된 130개의 자료를 활용하여 계산된다. qt의 표본 분산감소함수는 초기 지연거리에서 급격하게 감소하며, 이후 지연거리가 증가할수록 완만하게 감소하여 0에 수렴하는 것을 볼 수 있다. 또한 Fig. 4는 최대 지연 개수 K에 따른 표본 분산감소함수의 변화를 보여준다. K는 적합에 포함되는 지연거리의 범위를 결정하며, K는 N/8, N/4, N/2, N 네 가지 조건을 적용하였다. 여기서, N은 전체 자료의 개수이다. 그림에서 보듯이, K가 증가할수록 구간 평균 계산에 사용되는 자료의 수가 감소하여 변동자의 추정값이 달라진다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F4.jpg
Fig. 4

Sample variance reduction functions of qt with different values of K

한편, Fig. 4는 표본 분산감소함수에 대한 이론 분산감소함수(SNX, SQX, CSX, SMK)의 적합도 결과를 나타낸다. 두 함수 간 적합도는 RMSE를 통해 정량화하였고 이는 다음과 같이 정의된다.

(11)
RMSE=1m∑j=1mΓs2τj-Γt2τj2

이때 m은 적합에 사용된 분산감소함수 자료의 개수이고, Γs2τj와 Γt2τj는 각각 지연거리 τj에서의 표본 분산감소함수와 이론 분산감소함수이다. RMSE는 그 값이 0에 가까울수록 두 함수 간의 차이가 작아 적합도가 높다. 그림에서 보듯이, 주어진 K에 따라 이론 분산감소함수의 적합도가 달라지며 이에 따라 추정된 변동자와 RMSE도 변화한다. K에 따라 추정된 변동자의 범위는 K = N/8, N/4, N/2, N의 순서대로 각각 0.18 - 0.22 m, 0.18 - 0.21 m, 0.17 - 0.20 m, 0.16 - 0.19 m로 산정되었으며, K가 증가할수록 대체로 감소하는 경향을 보였다. RMSE는 K = N/8 및 N/4에서 전반적으로 낮게 나타났으며, K = N/2 및 N에서는 상대적으로 크게 나타났다. 이는 표본 분산감소함수가 초기 지연거리 구간에서 급격하게 감소한 후 지연거리가 증가함에 따라 완만하게 변화하는 특성을 보이기 때문이다(Stuedlein et al., 2012). 따라서 이러한 비선형적인 변화 양상을 단일한 이론 분산감소함수로 적절히 재현하는 데에는 한계가 있으며, 특히 K가 증가할수록 표본 분산감소함수의 전체적인 변화 특성을 충분히 반영하기 어려워 RMSE가 증가하는 것으로 판단된다. 또한, 각 이론 분산감소함수는 이러한 표본 분산감소함수의 변화 특성을 재현하는 정도에 차이가 있으므로, 동일한 K에서도 이론함수에 따라 RMSE와 추정된 변동자가 서로 다르게 나타난다. 분석 결과, SNX에서 추정된 변동자는 0.18 - 0.22 m로 상대적으로 넓은 범위를 나타낸 반면, CSX에서는 0.16 - 0.18 m로 가장 좁은 범위를 보였다. SQX와 SMK의 변동자는 각각 0.19 - 0.21 m의 범위에 분포하여 SNX와 CSX의 중간 수준을 나타냈다. 이는 해성점토의 CPT 자료에 가장 적합한 이론 분산감소함수가 K에 따라 달라질 수 있음을 의미한다(Fei et al., 2022).

Fig. 5는 Fig. 4와 동일한 방법을 Qtn 잔차에 적용한 결과를 보여준다. Qtn에서도 qt와 유사하게 초기 지연거리에서 급격한 감소가 나타났으며, 지연거리가 증가할수록 완만하게 감소하여 0에 수렴하는 경향을 확인할 수 있다. K = N/8 조건에서 RMSE가 0.009 - 0.014로 초기 지연거리 구간에서 높은 적합도를 보였고, K에 따른 변동자는 각각 0.14 - 0.17 m, 0.13 - 0.16 m, 0.13 - 0.15 m, 0.12 - 0.15 m이다. 이론 분산감소함수별 추정 결과는 SQX에서 0.15 - 0.17 m로 가장 큰 범위를 보였으나 이론 분산감소함수에 따른 변동자의 변화 폭은 전반적으로 크지 않은 것으로 나타났다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F5.jpg
Fig. 5

Sample variance reduction functions of Qtn​ with different values of K

Fig. 6은 qt와 Qtn에 대한 전체 CPT 자료의 개별 변동자 및 평균 변동자와 평균 RMSE를 나타낸다. 특히, 변동자 추정에 대한 K​의 영향을 확인할 수 있으며, 전반적으로 K​가 N/8에서 N/4로 증가함에 따라 평균 RMSE가 크게 감소한 후, K​​가 증가할수록 완만하게 증가하거나 수렴하는 경향을 나타낸다. 이러한 경향은 이론 분산감소함수의 종류와 관계없이 유사하게 나타났으며, 이는 K​ = N/4에서 산정된 변동자가 표본 분산감소함수에 가장 적합한 추정 결과를 제공함을 의미한다. 한편, 이론 분산감소함수에 따라 추정된 변동자의 분포 범위에는 차이가 있으며, SNX와 CSX 함수에서 각각 가장 넓은 범위와 가장 좁은 범위가 나타났다. 그러나 동일한 이론함수를 적용한 경우, qt와 Qtn의 개별 변동자 및 평균 변동자는 전반적으로 유사한 수준과 변화 양상을 나타냈다. 이러한 결과를 종합하여, 이후 콘관입저항의 정규화가 공간적 변동성에 미치는 영향을 평가하기 위한 분석에서는 K​ = N/4를 최적의 분석 조건으로 선정하였다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F6.jpg
Fig. 6

Scale of fluctuation of qt and Qtn for (a, b) SNX, (c, d) SQX, (e, f) CSX, and (g, h) SMK

Fig. 7은 이론 분산감소함수에 따른 qt와 Qtn의 변동자 분포를 상자수염그림으로 비교하여 나타낸 것이다. 여기서 상자는 제1사분위수와 제3사분위수 사이의 사분위 범위를 나타내며, 상자 내부의 선은 각 분포의 중앙값을 의미한다. 양쪽으로 연장된 수염은 이상치를 제외한 변동자의 범위를 나타낸다. 분석 결과, qt와 Qtn의 변동자 분포는 전반적으로 유사한 형태와 범위를 보였다. SNX에서 가장 큰 중앙값을 가지며, CSX에서 가장 작은 중앙값을 보여 Fig. 6의 결과와 일치하는 것을 확인할 수 있다.

https://cdn.apub.kr/journalsite/sites/kgs/2026-042-05/N0990420508/images/kgs_42_05_08_F7.jpg
Fig. 7

Comparison of scales of fluctuation using qt and Qtn​ data

Table 2는 이론 분산감소함수에 따른 qt와 Qtn의 기술통계량을 요약한다. 기술통계량에는 Fig. 7에서 직접 확인하기 어려운 변동자의 범위, 평균, 표준편차, 변동계수 및 RMSE의 범위를 포함한다. 이론 분산감소함수에 따라 자기상관의 감소 형태가 다르며, SNX, SQX 및 SMK는 지연거리 증가에 따라 자기상관성이 감소하는 단조 감소 경향을 보이는 함수이고, CSX는 비단조 감소 자기상관구조를 나타낸다(Chang et al., 2021). RMSE의 범위를 비교한 결과, SNX 함수가 가장 작은 오차 범위를 나타내어 표본 분산감소함수에 가장 적합한 것을 확인할 수 있다. 이는 해당 자료의 자기상관구조가 SNX 함수의 감소 형태와 상대적으로 잘 부합함을 의미한다. SNX 함수로 추정된 qt와 Qtn의 변동자 범위는 각각 0.10 - 1.37 m와 0.10 - 1.38 m이며, 평균 변동자는 각각 0.47 m와 0.49 m로 나타났다. 두 변수에서 추정된 변동자는 매우 유사한 수준을 나타내므로, 본 연구에서 분석한 해성점토의 CPT 자료에서는 콘관입저항의 정규화가 변동자 추정에 미치는 영향이 제한적인 것으로 판단된다.

Table 2.

Descriptive statistics of scale of fluctuation for qt​ and Qtn

Parameter Model Range (m) Mean (m) SD (m) COV RMSE
qt SNX 0.10 - 1.37 0.47 0.31 0.65 0.005 - 0.059
SQX 0.11 - 1.11 0.40 0.24 0.58 0.006 - 0.066
CSX 0.10 - 1.06 0.37 0.23 0.62 0.010 - 0.059
SMK 0.10 - 1.19 0.43 0.26 0.60 0.005 - 0.060
Qtn SNX 0.10 - 1.38 0.49 0.33 0.66 0.004 - 0.056
SQX 0.12 - 1.11 0.43 0.25 0.59 0.007 - 0.062
CSX 0.10 - 1.08 0.38 0.23 0.61 0.006 - 0.060
SMK 0.10 - 1.15 0.44 0.26 0.59 0.009 - 0.059

Note: SD = standard deviation, COV = coefficient of variance, RMSE = root mean square error.

5. 결 론

본 연구에서는 광양항과 부산항 신항 인근에서 획득한 30개의 CPT 자료를 활용하여 해성점토의 변동자를 평가하였다. 최대 지연 개수 K와 이론 분산감소함수가 qt와 Qtn로부터 산정되는 변동자에 미치는 영향을 분석하였다. 본 연구로부터 얻은 결론은 다음과 같다.

(1) qt와 Qtn의 변동자 추정에는 최대 지연 개수 K를 N/8, N/4, N/2, N 네 가지 조건으로 적용하였다. 초기 지연거리에서 표본 분산감소함수는 급격히 감소하고, 지연거리가 증가할수록 완만하게 감소하여 0에 수렴하는 경향이 나타났다. 또한, 최대 지연 개수가 증가함에 따라 표본 분산감소함수의 양상과 추정된 변동자에 차이가 나타났다.

(2) 최대 지연 개수 K가 변동자에 미치는 영향을 보면 N/8에서 N/4로 증가할 때 평균 RMSE가 크게 감소하였으며, 이후 완만하게 변화하는 경향을 나타냈다. 평균 RMSE의 변화와 변동자 추정 결과를 종합적으로 고려하여 K = N/4를 최적의 분석 조건으로 선정하였다.

(3) qt와 Qtn의 변동자 추정에 이론 분산감소함수는 SNX, SQX, CSX, SMK를 적용하였다. 동일한 최대 지연 개수 조건에서도 이론 분산감소함수의 종류에 따라 추정된 변동자와 RMSE에 차이가 나타났다. qt와 Qtn 모두 SNX에서 상대적으로 큰 변동자가 산정되었으며, CSX에서 가장 작은 변동자가 나타났다. 또한, RMSE 범위를 비교한 결과 SNX가 가장 작은 오차 범위를 보여, 본 연구의 해성점토 CPT 자료에 가장 적합한 이론 분산감소함수로 나타났다.

(4) K = N/4의 조건에서 SNX 함수로 추정된 변동자는 qt와 Qtn에서 각각 0.10 - 1.37 m와 0.10 - 1.38 m의 범위를 보였으며, 평균 변동자는 각각 0.47 m와 0.49 m로 나타났다. 두 변수에서 산정된 변동자의 범위와 평균이 유사하게 나타나, 본 연구에서 분석한 해성점토에서는 콘관입저항 정규화가 변동자 추정에 미치는 영향이 제한적인 것으로 판단된다.

본 연구에서는 연직 방향의 공간적 변동성을 평가하는 연직 변동자를 중심으로 분석하였으며, 향후 수평 변동자를 추가적으로 분석하여 수평 및 연직 방향의 공간적 상관구조를 함께 고려할 필요가 있다.

Acknowledgements

본 논문은 과학기술정보통신부의 재원으로 한국연구재단의 개인기초연구사업(RS-2025-24523111)의 지원을 받아 수행되었습니다.

References

1

Baecher, G.B. and Christian, J.T. (2003), Reliability and Statistics in Geotechnical Engineering, John Wiley & Sons Ltd., Chichester, England.

2

Cami, B., Javankhoshdel, S., Phoon, K.K., and Ching, J. (2020), “Scale of Fluctuation for Spatially Varying Soils: Estimation Methods and Values”, ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, Vol.6, No.4, 03120002, https://doi.org/10.1061/AJRUA6.0001083.

10.1061/AJRUA6.0001083
3

Chang, Y.C., Ching, J., Phoon, K.K., and Yue, Q. (2021), “On the Hole Effect in Soil Spatial Variability”, ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, Vol.7, No.4, 04021039, https://doi.org/10.1061/AJRUA6.0001168.

10.1061/AJRUA6.0001168
4

Fei, S., Tan, X., Lin, X., Xiao, Y., Zha, F., and Xu, L. (2022), “Evaluation of the Scale of Fluctuation based on Variance Reduction Method”, Engineering Geology, Vol.308, 106804, https://doi.org/10.1016/j.enggeo.2022.106804.

10.1016/j.enggeo.2022.106804
5

Firouzianbandpey, S., Griffiths, D.V., Ibsen, L.B., and Andersen, L.V. (2014), “Spatial Correlation Length of Normalized Cone Data in Sand: Case Study in the North of Denmark”, Canadian Geotechnical Journal, Vol.51, No.8, pp.844-857, https://doi.org/10.1139/cgj-2013-0294.

10.1139/cgj-2013-0294
6

Jaksa, M.B., Brooker, P.I., and Kaggwa, W.S. (1997), “Inaccuracies Associated with Estimating Random Measurement Errors”, Journal of Geotechnical and Geoenvironmental Engineering, Vol.123, No.5, pp.393-401, https://doi.org/10.1061/(ASCE)1090-0241(1997)123:5(393).

10.1061/(ASCE)1090-0241(1997)123:5(393)
7

Liu, Z., Amdal, Å.M.W., L'Heureux, J.S., Lacasse, S., Nadim, F., and Xie, X. (2020), “Spatial Variability of Medium Dense Sand Deposit”, AIMS Geosciences, Vol.6, No.1, pp.6-30, https://doi.org/10.3934/geosci.2020002.

10.3934/geosci.2020002
8

Macedo, J., Vergaray, L., Liu, C., Sharp, J., Morrison, K.F., and Byler, B. (2024), “CPTu-based Spatial Variability Assessment of Thickened and Conventional Mine Tailings”, Journal of Geotechnical and Geoenvironmental Engineering, Vol.150, No.10, 04024091, https://doi.org/10.1061/JGGEFK.GTENG-11969.

10.1061/JGGEFK.GTENG-11969
9

Mayne, P.W., Cargill, E., and Greig, J. (2023), The Cone Penetration Test: Better Information, Better Decisions: A CPT Design Parameter Manual, First Edition, ConeTec Group, Burnaby, B.C., Canada.

10

Phoon, K.K. and Kulhawy, F.H. (1999), “Characterization of Geotechnical Variability”, Canadian Geotechnical Journal, Vol.36, No.4, pp.612-624, https://doi.org/10.1139/t99-038.

10.1139/t99-038
11

Robertson, P.K. (2016), “Cone Penetration Test (CPT)-based Soil Behaviour Type (SBT) Classification System—An Update”, Canadian Geotechnical Journal, Vol.53, No.12, pp.1910-1927, https://doi.org/10.1139/cgj-2016-0044.

10.1139/cgj-2016-0044
12

Stuedlein, A.W., Kramer, S.L., Arduino, P., and Holtz, R.D. (2012), “Geotechnical Characterization and Random Field Modeling of Desiccated Clay”, Journal of Geotechnical and Geoenvironmental Engineering, Vol.138, No.11, pp.1301-1313, https://doi.org/10.1061/(ASCE)GT.1943-5606.0000723.

10.1061/(ASCE)GT.1943-5606.0000723
13

Uzielli, M., Vannucchi, G., and Phoon, K.K. (2005), “Random Field Characterisation of Stress-normalised Cone Penetration Testing Parameters”, Géotechnique, Vol.55, No.1, pp.3-20, https://doi.org/10.1680/geot.2005.55.1.3.

10.1680/geot.2005.55.1.3
14

Xiao, T., Li, D.Q., Cao, Z.J., and Zhang, L.M. (2018), “CPT-based Probabilistic Characterization of Three-dimensional Spatial Variability Using MLE”, Journal of Geotechnical and Geoenvironmental Engineering, Vol.144, No.5, 04018023, https://doi.org/10.1061/(ASCE)GT.1943-5606.0001875.

10.1061/(ASCE)GT.1943-5606.0001875
페이지 상단으로 이동하기