PURPOSES : Pavement surface friction depends significantly on pavement surface texture characteristics. The mean texture depth (MTD), which is an index representing pavement surface texture characteristics, is typically used to predict pavement surface friction. However, the MTD may not be sufficient to represent the texture characteristics to predict friction. To enhance the prediction of pavement surface friction, one must select additional variables that can explain complex pavement surface textures. METHODS : In this study, pavement surface texture characteristics that affect pavement surface friction were analyzed based on the friction mechanism. The wavelength, pavement surface texture shape, and pavement texture depth were hypothesized to significantly affect the surface friction of pavement. To verify this, the effects of the three abovementioned pavement surface texture characteristics on pavement surface friction must be investigated. However, because the surface texture of actual pavements is irregular, examining the individual effects of these characteristics is difficult. To achieve this goal, the selected pavement surface texture characteristics were formed quantitatively, and the irregularities of the actual pavement surface texture were improved by artificially forming the pavement surface texture using threedimensionally printed specimens. To reflect the pavement surface texture characteristics in the specimen, the MTD was set as the pavement surface texture depth, and the exposed aggregate number (EAN) was set as a variable. Additionally, the aggregate shape was controlled to reflect the characteristics of the pavement surface texture of the specimen. Subsequently, a shape index was proposed and implemented in a statistical analysis to investigate its effect on pavement friction. The pavement surface friction was measured via the British pendulum test, which enables measurement to be performed in narrow areas, considering the limited size of the three-dimensionally printed specimens. On wet pavement surfaces, the pavement surface friction reduced significantly because of the water film, which intensified the effect of the pavement surface texture. Therefore, the pavement surface friction was measured under wet conditions. Accordingly, a BPN (wet) prediction model was proposed by statistically analyzing the relationship among the MTD, EAN, aggregate shape, and BPN (wet). RESULTS : Pavement surface friction is affected by adhesion and hysteresis, with hysteresis being the predominant factor under wet conditions. Because hysteresis is caused by the deformation of rubber, pavement surface friction can be secured through the formation of a pavement surface texture that causes rubber deformation. Hysteresis occurs through the function of macro-textures among pavement surface textures, and the effects of macro-texture factors such as the EAN, MTD, and aggregate shape on the BPN (wet) are as follows: 1) The MTD ranges set in this study are 0.8, 1.0, and 1.2, and under the experimental conditions, the BPN (wet) increases linearly with the MTD. 2) An optimum EAN is indicated when the BPN (wet) is the maximum, and the BPN decreases after its maximum value is attained. This may be because when the EAN increases excessively, the space for the rubber to penetrate decreases, thereby reducing the hysteresis. 3) The shape of the aggregate is closely related to the EAN; meanwhile, the maximum value of the pavement surface friction and the optimum EAN change depending on the aggregate shape. This is believed to be due to changes in the rubber penetration volume based on the aggregate shape. Based on the results above, a statistical prediction model for the BPN (wet) is proposed using the MTD, EAN, and shape index as variables. CONCLUSIONS : The EAN, MTD, and aggregate shape are crucial factors in predicting skid resistance. Notably, the EAN and aggregate shape, which are not incorporated into existing pavement surface friction prediction models, affect the pavement surface friction. However, the texture of the specimen created via three-dimensional printing differs significantly from the actual pavement surface texture. Therefore, the pavement surface friction prediction model proposed in this study should be supplemented with comparisons with actual pavement surface data in the future.

교량은 국가의 사회경제 발전과 국민 안전에 중대한 영향을 미치는 중요한 인프라이다. 하지만 다수 의 국내 교량이 1970년대와 1980년대의 고도의 경제성장기에 완공되었으며, 현재 교량의 노후화 비중 은 전체 교량의 30%에 달하고 있다. 현재 노후화 교량에 대한 유지 보수 시스템의 부족으로 인해 교 량 붕괴 사고가 발생한 사례들이 발생하고 있다. 따라서 노후화가 진행되는 교량에 대해 효율적으로 관리하기 위한 우선순위 평가 모델 개발은 중요시된다. 본 연구에서는 개발한 유지관리 우선순위 모델 을 개발하였고, 이를 실제 교량에 대해 적용하여 평가하였다. 제안된 모델의 활용을 통해 위험에 노출 된 교량의 유지 보수 및 관리를 효율적이고 신뢰할 수 있게 수행할 수 있을 것으로 판단된다.

Prestressed Concrete Containment Vessels(PCCV)는 중대사고 발생 시 방사능 누출을 막기 위한 최 후의 방벽이며 체르노빌 및 스리마일 섬 원전 사고 이후 PCCV의 내압성능에 대한 관심이 높아졌다. PCCV는 장비반입 및 작업자 출입 등을 위한 다양한 관통부가 존재한다. 이러한 관통부로 인해 PCCV는 비축대칭적인 변형을 보이며 관통부는 취약부위로 고려된다. 하지만 관통부의 거동은 전체모 델에서 정확히 모사할 수 없다. 따라서 PCCV의 내압성능 평가를 위한 규제지침인 Reguratory Guide(RG) 1.216은 관통부에 대한 내압성능 평가를 위해 상세국부모델을 작성하여 평가하도록 권고하고 있다. 하 지만 대부분의 국부모델을 이용한 PCCV의 내압성능 평가와 관련된 선행연구는 전체모델을 이용하여 관통부의 응답을 관측하고 보정인자를 사용하여 수행되었다. 따라서 본 연구는 내압을 받는 1:4 scale PCCV의 관통부에 대한 거동 분석과 내압성능 평가를 위해 관통부의 상세 국부 유한요소 모델을 구축 하였다. 미국의 Sandia National Laboratory의 실험적 연구 결과와 비교하여 구축된 모델을 검증하였 으며 관통부의 내압거동을 분석하였다.

전기 캐비닛은 병원 및 발전소와 같은 중요 시설물에서 운영과 관리를 위한 시스템 기기를 보관한 다. 지진과 같은 극한하중 하에서 중요 시설물은 지속적으로 운영 및 제어되어야 하기 때문에 전기 캐 비닛의 안전성은 평가되고 확보되어야 한다. 하지만 실험적 연구만으로 다양한 유형의 전기 캐비닛에 대한 내진성능 평가를 수행하는 것은 많은 제약이 있다. 따라서 다양한 연구자들은 전기 캐비닛의 유 한요소 모델을 구축하고 내진성능 평가를 수행하였다. 유한요소 모델은 beam-stick 요소를 기반으로 구축되거나 3차원 shell 요소를 기반으로 구축되어왔다. Beamk-stick 요소 기반 및 3차원 shell 요소 기반의 유한요소 모델에 대한 전체거동에 대한 비교를 수행한 사례는 있으나 국부거동에 대한 동적응 답을 비교한 연구사례는 없다. 전기 캐비닛은 내부에 시스템 기기가 보관되므로 내부의 국부거동 기반 의 내부응답을 포착할 수 있어야한다. 따라서 본 연구는 단문형 전기 캐비닛에 대한 beam-stick 요소 및 3차원 shell요소를 기반으로 유한요소 모델을 구축하고 동일한 높이에서 가속도 응답을 비교하였다. 결과적으로 beam-stick 요소 기반의 3차원 유한요소 모델은 전기 캐비닛 내부 응답 스펙트럼을 정확 히 예측할 수 없기 때문에 내부 응답 스펙트럼을 위해서는 3차원 shell요소 기반의 상세 유한요소 모 델을 사용해야 한다.

목적: 라이프스타일 행동에 반영된 가치체계를 측정하기 위한 Yonsei Lifestyle Profile-Values (YLP-V)의 구성타당도와 신뢰도를 검증하였다. 연구방법: 온라인 리서치 기관에 등록된 만 55세 이상의 지역사회 거주 중고령자 및 노인 300명을 대상으로 YLP-V를 사용하여 자료를 수집하였다. 수집된 자료는 기술통계, 차별기능문항, 요인분석을 실시하였다. 요인분석은 요인구조 추정을 위한 탐색적 요인분석과 4가지 경쟁모델(단일요인, 계층적 요인, 다차원 요인, 이중요인)에 대한 확인적 요인분석을 통해 비교하고 타당성을 확인하였다. 결과: 목표회전을 통한 탐색적 요인분석 결과, YLP-V의 활동(activity, 5문항), 관심(interest, 4문항), 의견 (opinion, 9문항)에서 목표행렬에서 0.4 이상의 부하량을 갖는 것을 확인하였다. 확인적 요인분석 결과, 이중요인 모델(χ2 = 164.58**, degree of freedom = 117, root mean square error of approximation = 0.05, standard root mean residual = 0.04, comparative fit index = 0.95, Turker Lewis index = 0.93)이 가장 우수하게 나타났다. 결론: 라이프스타일에서 미시적 접근이 가능한 YLP-V 개발 근거와 일관성 있는 요인구조를 확인하였다. 이는 YLP-V가 총 18문항의 활동, 관심, 의견에 대한 이중요인 구조로 타당성을 확인하였으며, 건강 라이프스타 일에서 행동에 반영된 가치체계 측정과 이해에서 활용될 수 있을 것이다.

이 논문은 직전 연구인 메타버스의 함정을 극복하기 위한 게임화된 동적 습관 형성 모델의 후 속 연구다. 2022년 12월 논문 연구에서는 사용자 참여를 방해할 수 있는 일반적인 함정을 극 복하기 위해 메타버스 공간을 설계하는 데 초점을 맞춘 게이미피케이션 동적 습관 형성 모델 을 제안하였다. 당시 제안했던 4단계 접근법을 통합한 역학 모델은 낮은 상호작용(P4)의 온보 딩 접근법, 기본 상호작용(P3) 온보딩 접근법, 중간 상호작용(P2)의 온보딩 접근법, 높은 상호 작용(P1) 온보딩 접근법의 네 단계로 구성되었으며, 간단한 모델의 개요를 설명한 바 있다. 본 고에서는 4단계의 세부 연구에 집중하였는데, P4-튜토리얼, 시즌 이벤트, 소셜 이벤트 및 모 임, P3-기본 아바타, 가상경제 및 아이템 획득/거래, 소셜경쟁과 리더보드, 도전과 경쟁, 커뮤 니티 강화, P2-아바타 개인화, 사용자 제작 콘텐츠. 보상 메커닉스 강화, 피드백 및 진행 상황 추적, P1-대화형 튜토리얼, 사회적 상호작용, 내러티브 중심 퀘스트, 스토리 기반 업적, 인터 렉티브 스토리 요소 등의 습관형성 증진 방안을 제시하였다. 각 단계는 게이미피케이션 및 게 임디자인 기법과 사용자 중심 디자인 원칙을 통합하여 사용자의 참여를 유도하고, 습관 형성 을 촉진하는 방향에서의 온보딩 접근법을 제시하고자 하였다. 이 논문에서는 게이미피케이션 및 게임디자인 이론과 실무를 바탕으로 각 단계에 대한 예시와 전략을 제공하여 메타버스에서 학습환경을 구현하는 데 도움을 줄 것이다. 다만, ‘게임’과 ‘메타버스’와의 개념과 용어에서의 명확한 구분이 어려운 상황이어서, 게이미피케이션 및 게임디자인 분야의 기초적인 이론과 온 보딩 방법론을 다룰 수 밖에 없었다.

상용 게임 엔진의 발달로 인해 게임 제작에서 기술력은 점차 평준화되고 있고, 게임 디자인 능력이 성공의 열쇠로 부각되고 있다. 재미있는 게임이란 무엇인지 이해하기 위해서는 게임을 상세 분석해서 이해할 필요가 있다. 본 연구는 게임 제작 실무에서도 도움이 되는 게임 디자 인 구성요소 모델을 제시하여 게임 디자인 과정에서 체계적인 게임 디자인이 이뤄지도록 가이 드라인을 제공하는데 목적이 있다. 본 연구는 국내외 게임 디자인 구성요소에 대한 선행 연구 를 통해 게임 디자인 구성요소 계층 모형을 설계했다. 모형은 5개의 상위계층과 15개의 하위 계층으로 구성됐다. 설계된 모형을 AHP 연구 방법론을 채택하여 싱글 플레이 게임과 멀티 플 레이 게임에 적용하여 중요도와 우선순위를 비교분석했다. 싱글 플레이 게임에서 중요한 구성 요소는 조작, 규칙, 게임 플레이, 스토리텔링, 캐릭터로 나타났으며, 멀티 플레이 게임에서 중 요한 구성요소는 밸런스, UI, 규칙, 조작, 게임 플레이로 나타났다.

여름철은 타 계절에 비해 장마와 불안정한 대기 등으로 인하여 빗길 교통사고의 위험성이 크게 증대될 수 있으며, 최근 5년 (2018~2022)간 여름철 빗길 교통사고는 전체 빗길 교통사고의 39%를 차지할 정도로 높은 수준이다. 이러한 빗길 운전은 노면의 배수 불량 및 미끄럼 저항 감소 등으로 인하여 수막현상을 발생시키게 된다. 이에 본 연구에서는 우천 시 도로의 안전성 강화 및 사고 위 험을 최소화하기 위한 요소인 수막두께를 산정하기 위하여 Manning의 평균 유속식을 기반으로 콘크리트 노면의 조도계수 예측 모델을 개발하는 것을 목표로 하였다. 조도계수의 영향인자를 고려하기 위하여 실외 강우 모의 장비를 이용하여 콘크리트를 타설한 뒤 실험 인자로 포장 경사, 배수거리, 강우강도, 노면 조직 특성을 고려하였으며, 이 중 노면 조직 특성은 타이닝 처리를 하지 않은 구간만 고 려한 타 연구의 기존 예측 모델 단점을 보완하기 위하여 16, 25mm 간격의 타이닝 표면 처리한 구간을 추가로 고려하였다. 수막두께 측정은 측정 범위 0.3~5mm의 수막두께 측정 게이지를 제작하여 강우가 모사된 조건에서 배수 거리 1~5m 이내 지점의 노면 조직 상 단과 수면이 접하는 수직 높이를 총 3회 측정하여 평균값을 사용하였다. 실측된 수막두께 데이터베이스를 기반으로 Manning 공식을 이용하여 조도계수를 역산한 결과, 강우강도가 증가함에 따라 조도계수는 감소하였으며, 이는 강우의 증가로 인해 물의 흐름과 콘크리 트 노면 사이의 마찰 저항 감소에 기인한 것으로 판단되었다. 또한 포장 경사가 높고 배수 거리가 짧을수록 배수성이 증가하여 마찰 저항의 지표인 조도계수가 증가하는 것으로 확인되었다. 평균 조직 깊이에 따른 조도계수 영향의 경우, 평균 조직 깊이가 증가할수록 콘크리트 표면에 노출되는 표면적이 증가하여 수막두께가 얕게 생성되고, 얕은 수심으로 인해 물의 흐름 저항이 감소하여 조도계수는 감소하는 것으로 산정되었다. 이후 135개의 데이터를 종합하여 조도계수를 종속변수로 하고 강우강도, 포장경사, 배수거리, 평균 조직 깊이, 수막두께를 독립변수로 하는 회귀분석을 수행하여 조도계수 산정식을 개발하였다.

Existing reinforced concrete buildings with seismically deficient column details affect the overall behavior depending on the failure type of column. This study aims to develop and validate a machine learning-based prediction model for the column failure modes (shear, flexure-shear, and flexure failure modes). For this purpose, artificial neural network (ANN), K-nearest neighbor (KNN), decision tree (DT), and random forest (RF) models were used, considering previously collected experimental data. Using four machine learning methodologies, we developed a classification learning model that can predict the column failure modes in terms of the input variables using concrete compressive strength, steel yield strength, axial load ratio, height-to-dept aspect ratio, longitudinal reinforcement ratio, and transverse reinforcement ratio. The performance of each machine learning model was compared and verified by calculating accuracy, precision, recall, F1-Score, and ROC. Based on the performance measurements of the classification model, the RF model represents the highest average value of the classification model performance measurements among the considered learning methods, and it can conservatively predict the shear failure mode. Thus, the RF model can rapidly predict the column failure modes with simple column details.

PURPOSES : This study develops a model that can estimate travel speed of each movement flow using deep-learning-based probe vehicles at urban intersections. METHODS : Current technologies cannot determine average travel speeds for all vehicles passing through a specific real-world area under obseravation. A virtual simulation environment was established to collect information on all vehicles. A model estimate turning speeds was developed by deep learning using probe vehicles sampled during information processing time. The speed estimation model was divided into straight and left-turn models, developed as fully-offset, non-offset, and integrated models. RESULTS : For fully-offset models, speed estimation for both straight and left-turn models achieved MAPE within 10%. For non-offset models, straight models using data drawn from four or more probe vehicles achieved a MAPE of less than 15%. The MAPE for left turns was approximately 20%. CONCLUSIONS : Using probe-vehicle data(PVD), a deep learning model was developed to estimate speeds each movement flow. This, confirmed the viability of real-time signal control information processing using a small number of probe vehicles.

빠르게 발전하는 이미지 인식 기술에도 불구하고 표 형식의 문서와 수기로 작성된 문서를 완벽하게 디지털화하기에는 아직 어려움이 따른다. 본 연구는 표 형식의 수기 문서인 선박 항해일지를 작성하는 데에 사용되는 규칙을 이용하여 보정 작업을 수행함으로 써 OCR 결과물의 정확도를 향상시키고자 한다. 이를 통해 OCR 프로그램을 통하여 추출된 항해일지 데이터의 정확성과 신뢰성을 높일 것 으로 기대된다. 본 연구는 목포해양대학교 실습선 새누리호의 2023년에 항해한 57일간의 항해일지 데이터를 대상으로 OCR 프로그램 인 식 후 발생한 오류를 보정하여 그 정확도를 개선하고자 하였다. 이 모델은 항해일지 기재 시 고려되는 몇 가지 규칙을 활용하여 오류를 식별한 후, 식별된 오류를 보정하는 방식으로 구성하였다. 모델을 활용하여 오류를 보정 후, 그 효과를 평가하고자 보정 전과 후의 데이터 를 항차별로 구분한 후, 같은 항차의 같은 변수끼리 비교하였다. 본 모델을 활용하여 실제 셀 오류율은 약 11.8% 중 약 10.6%의 오류를 식 별하였고, 123개의 오류 중 56개를 개선하였다. 본 연구는 항해일지 중 항해정보를 기입하는 Dist.Run부터 Stand Course까지의 정보만을 대 상으로 수행하였다는 한계점이 있으므로, 추후 항해정보 뿐만 아니라 기상정보 등 항해일지의 더 많은 정보를 보정하기 위한 연구를 진 행할 예정이다.

신뢰성 있는 토양의 이산요소모델을 개발하기 위해서는 토양의 특성을 고려하여 매개변수를 교정해야 한다. 본 연구에서는 이산요소모델을 구성하는 각 매개변수가 토양 입자의 거동에 미치는 영향을 분석하였고, 분석된 결과를 이용하여 토양의 이산요소모델을 개발하였다. 민감도 분석의 대상이 되는 매개변수는 전단 계수, 마찰 계수, 표면 에너지 등으로 선정하였으며, 교정의 기준이 되는 토양의 특성은 가비중, 안식각, 점착력 및 내부마찰각으로 선정하였다. 또한, 토성이 서로 다른 해안가, 논 및 밭을 구성하는 토양을 대상으로 연구를 수행하여 다양한 토성에 대한 적용성을 확인하였다. 결과적으로 본 연구에서 수행한 민감도 분석 결과를 이용하여 각 토양의 거동을 모사할 수 있는 이산요소모델을 교정하였으며, 시험 결과와의 비교를 통해 교정된 이산요소모델을 검증하였다.

This study deals with the application of an artificial neural network (ANN) model to predict power consumption for utilizing seawater source heat pumps of recirculating aquaculture system. An integrated dynamic simulation model was constructed using the TRNSYS program to obtain input and output data for the ANN model to predict the power consumption of the recirculating aquaculture system with a heat pump system. Data obtained from the TRNSYS program were analyzed using linear regression, and converted into optimal data necessary for the ANN model through normalization. To optimize the ANN-based power consumption prediction model, the hyper parameters of ANN were determined using the Bayesian optimization. ANN simulation results showed that ANN models with optimized hyper parameters exhibited acceptably high predictive accuracy conforming to ASHRAE standards.

현대 해양 산업은 기술적 발전을 통해 신속한 발전을 이루고 있다. 이러한 발전을 주도하는 주요 기술 중 하나는 데이터 처리 기술이며, 이 중 자연어 처리 기법은 사람의 언어를 기계가 이해하고 처리할 수 있도록 하는 기술이다. 본 연구는 자연어 처리 기법을 통해 해양안전심판원의 재결서를 분석하여 이미 재결이 이루어진 선박 충돌사고의 원인 제공 비율을 학습한 후, 새로운 재결서를 입력 하면 원인 제공 비율을 예측하는 모델을 개발하고자 하였다. 이 모델은 사고 당시 적용되는 항법과 원인 제공 비율에 영향을 주는 핵심 키워드의 가중치를 이용하여 사고의 원인 제공 비율을 계산하는 방식으로 구성하였다. 이 연구는 이러한 방식을 통해 제작한 모델의 정 확도를 분석하고, 모델의 실무 적용 가능성을 검토함과 동시에 충돌사고 재발 방지 및 해양사고 당사자들의 분쟁 해결에 기여할 것으로 기대한다.

In order to present a predictive drift model, Jeju National University's training ship was tested for about 11 hours and 40 minutes, and 81 samples that selected one of the entire samples at ten-minute intervals were subjected to regression analysis after verifying outliers and influence points. In the outlier and influence point analysis, although there is a part where the wind direction exceeds 1 in the DFBETAS (difference in Betas) value, the CV (cumulative variable) value is 6%, close to 1. Therefore, it was judged that there would be no problem in conducting multiple regression analyses on samples. The standard regression coefficient showed how much current and wind affect the dependent variable. It showed that current speed and direction were the most important variables for drift speed and direction, with values of 47.1% and 58.1%, respectively. The analysis showed that the statistical values indicated the fit of the model at the significance level of 0.05 for multiple regression analysis. The multiple correlation coefficients indicating the degree of influence on the dependent variable were 83.2% and 89.0%, respectively. The determination of coefficients were 69.3% and 79.3%, and the adjusted determination of coefficients were 67.6% and 78.3%, respectively. In this study, a more quantitative prediction model will be presented because it is performed after identifying outliers and influence points of sample data before multiple regression analysis. Therefore, many studies will be active in the future by combining them.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

PURPOSES : In this study, an optimal model for compressive strength prediction was derived by learning and directly comparing several machine learning models based on the same data. METHODS : Approximately 478 pieces of concrete compressive strength data were obtained to compare the performance of the machine learning models. In addition, five machine learning models were trained based on the obtained data. The performance of the learned model was compared using three performance indicators. Finally, the performance of the model trained using additional data was reviewed. RESULTS : As a result of comparing the performance of machine learning models, the XGB(eXtra Gradient Boost) model showed the best performance. In addition, as a result of the verification based on additional data, highly reliable results can be obtained if the XGB model is used to predict the compressive strength of concrete. CONCLUSIONS : If a concrete strength prediction model is derived based on a machine learning model, a highly reliable model can be derived.

PURPOSES : In this study, the applicability of the water content, suction, and suction stress in a resilient modulus prediction model for a subbase was reviewed. METHODS : To compare the applicability of water content, suction, and suction stress models for resilient modulus prediction, the suction stress was determined based on the soil water characteristic curve. The model parameters for each approach were derived from the measured resilient moduli. Finally, the relationships between the degree of saturation and resilient modulus were analyzed using the calculated model parameters. RESULTS : Prediction models of the resilient modulus based on water content and suction demonstrated high correlation with measured values, but overestimated the resilient modulus at saturation levels beyond the laboratory testing range. In contrast, the model accounting for suction stress effectively reduced this overestimation, likely owing to a decrease in suction stress as the suction increased. CONCLUSIONS : Based on the above results, the resilient modulus of subbase materials could be estimated through the change in the degree of saturation and the stress-dependent resilient modulus model using the suction stress proposed in this study.

PURPOSES : In this study, an empirical approach was established to estimate the parameters of the resilient modulus based on various geotechnical properties of subgrade soils. METHODS : Multiple regression analyses were performed to analyze the relationship between resilient modulus (k1) and deformation. The most important factors are the #200 sieve passing ratio, moisture content, and dry unit weight of the soil. The applicability of this approach was verified using selected field data and the literature. RESULTS : The correlation between the results predicted using the prediction equation of the model constant (k1) and the actual k1-value was high. The applicability of the prediction equation was considered high owing to its high suitability with the existing data. The range of values obtained using the constant prediction equation of the proposed model was also judged to be reasonable. In the comparison of the CBR value of the subgrade material of the actual design section and the predicted elastic modulus (k1), almost no relationship was observed between the CBR and the model coefficient (k1). Thus, the estimation of the elastic modulus through CBR is likely to contain errors. CONCLUSIONS : Based on these results, the parameters of the universal model can be predicted using the stress-dependent modulus model proposed in this study.