KR102175187B1 - 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 - Google Patents
복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102175187B1 KR102175187B1 KR1020180169129A KR20180169129A KR102175187B1 KR 102175187 B1 KR102175187 B1 KR 102175187B1 KR 1020180169129 A KR1020180169129 A KR 1020180169129A KR 20180169129 A KR20180169129 A KR 20180169129A KR 102175187 B1 KR102175187 B1 KR 102175187B1
- Authority
- KR
- South Korea
- Prior art keywords
- reinforcement
- neural network
- artificial neural
- structural performance
- learning
- Prior art date
Links
- 238000010276 construction Methods 0.000 title claims abstract description 30
- 230000002787 reinforcement Effects 0.000 claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004880 explosion Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims description 130
- 239000002131 composite material Substances 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 10
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 229920002430 Fibre-reinforced plastic Polymers 0.000 claims description 7
- 239000011151 fibre-reinforced plastic Substances 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012938 design process Methods 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 11
- 238000012916 structural analysis Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 17
- 239000002360 explosive Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H9/00—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate
- E04H9/02—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate withstanding earthquake or sinking of ground
- E04H9/021—Bearing, supporting or connecting constructions specially adapted for such buildings
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H9/00—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate
- E04H9/02—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate withstanding earthquake or sinking of ground
- E04H9/027—Preventive constructional measures against earthquake damage in existing buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지진이나 폭발과 같은 복합재난에 취약한 건축물의 보강전략을 수립할 수 있도록 인공신경망-기반 구조성능 예측모델을 통해 건축물의 내진성능 및 내폭성능과 관련된 보강시스템의 핵심영향인자에 대응하는 구조성능 데이터베이스를 생성할 수 있고, 또한, 해당 건축물에 대하여 별도의 구조해석 모델링 과정 없이도 사용자가 필요에 따라 핵심영향인자를 입력하면 건축물의 내진성능 및 내폭성능을 즉시 확인할 수 있으며, 또한, 복합재난 취약 건축물의 정밀 내진성능 평가 및 보강 설계 과정 없이 기준에서 제시하는 구조 성능을 만족할 수 있는 보강전략에 대한 의사결정을 신속하게 수행할 수 있는, 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법이 제공된다.
Description
본 발명은 건축물의 구조성능 데이터베이스 구축에 관한 것으로, 보다 구체적으로, 지진이나 폭발과 같은 복합재난에 취약한 건축물의 보강전략을 수립할 수 있는 구조성능 데이터베이스 구축 시스템 및 그 방법에 관한 것이다.
일반적으로, 지진 취약 건축물에 대한 내진성능 및 내폭성능 평가와 보강시스템 설계 과정은 많은 인력, 비용 및 시간이 소모된다. 이러한 평가 및 설계 과정은 기존 건축물의 내진성능 및 내폭성능을 파악하기 위해서 다음과 같이 복잡한 과정으로 진행된다. 도 1은 종래의 기술에 따른 지진 취약 건축물에 대한 내진성능 및 내폭성능 평가와 보강시스템 설계 과정을 나타내는 동작흐름도이다.
도 1을 참조하면, 종래의 기술에 따른 지진 취약 건축물에 대한 내진성능 및 내폭성능 평가와 보강시스템 설계 과정은, 먼저, 건축 및 구조 상세도면 또는 현장조사를 바탕으로 기존 건축물, 예를 들면, 보강이 필요한 건축물의 구조해석 모델링을 수행한다(S10).
다음으로, 각 하중별 기준 또는 지침에서 제시하는 방법을 통해 해당 건축물의 내진성능 및 내폭성능 결과를 파악한다(S20).
다음으로, 기존 건축물의 내진성능 및 내폭성능 결과를 바탕으로 적합한 보강시스템을 선택하고, 이러한 보강시스템에 대한 기본 설계를 진행한다(S30).
다음으로, 보강시스템에 대한 기본 설계안을 다시 구조해석모델에 적용하여 전술한 S10 내지 S30 단계를 계속 반복하면서 현재 기준에서 정의하는 성능에 만족하고 가장 비용이 저렴한 설계안을 최종적으로 제시하게 된다(S40~S60).
종래 기술을 통해 건축물의 성능을 평가하고 보강 설계를 하는 것은, 국내 건축물의 내진율이 약 7%인 것을 감안하면, 엄청난 시간과 인력이 소모될 수밖에 없으며, 또한 전술한 복잡한 과정을 통해 도출된 보강 설계안은 성능 및 비용이 최적화된 것으로 간주하기도 어렵다.
이러한 전반적인 평가 및 설계 과정을 엔지니어가 반복 작업을 하지 않으면서 결과의 정밀도와 신속성을 확보하는 것은 매우 어려운 문제이다. 예를 들면, 빌딩정보모델(BIM)과 같은 기존 플랫폼은 건축물 설계와 함께 주어진 하중에 대한 구조해석 기능을 탑재하고 있지만, 실용적인 측면에서 적용하는 것은 많은 문제점을 내재하고 있으며, 구조엔지니어에 의해 많이 활용되지 않고 있는 실정이다.
전술한 바와 같이, 국내 건축물의 대다수는 내진설계 도입 이전에 지어진 건축물로 현재 내진율은 7%로 추정된다. 또한, 기존 건축물의 경우, 구조성능과 관련된 데이터베이스에 대한 정보가 거의 없기 때문에 지진 등의 자연재해 및 폭발 등의 인재에 대한 심각한 손상 또는 붕괴에 대한 잠재적 위험수준이 높다. 그러나 현재까지 건축물의 내진성능 평가 및 개선과 관련된 구조해석 및 설계 기술은 많은 비용, 시간 및 인력이 수반된다는 문제점이 있다.
한편, 지진, 폭발 등의 복합재난에 대한 구조 안전 데이터베이스의 부재로 인해, 재난/재해 발생 후에 사후처리 방식에 의존하고 있다. 또한, 재난/재해에 대한 컨트롤 타워의 부실로 인해 체계적이고 신속한 의사결정이 어렵고, 또한, 재난/재해의 잠재적 발생 가능에 대해 자연재해 및 인재에 대비한 데이터베이스 확보를 통한 사전대응방식으로 전환할 필요성이 있다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 지진이나 폭발과 같은 복합재난에 취약한 건축물의 보강전략을 수립할 수 있도록 인공신경망-기반 구조성능 예측모델을 통해 건축물의 내진성능 및 내폭성능과 관련된 보강시스템의 핵심영향인자에 대응하는 구조성능 데이터베이스를 생성할 수 있는, 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 해당 건축물에 대하여 별도의 구조해석 모델링 과정 없이도 사용자가 필요에 따라 핵심영향인자를 입력하면 건축물의 내진성능 및 내폭성능을 즉시 확인할 수 있는, 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 정밀 내진성능 평가 및 보강 설계 과정 없이 기준에서 제시하는 구조 성능을 만족할 수 있는 보강전략에 대한 의사결정을 신속하게 수행할 수 있는, 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템은, 복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 과거 수행된 실물 크기의 실험결과를 바탕으로 검증하는 유한요소해석-기반 수치해석모델; 상기 검증된 유한요소해석-기반 수치해석모델을 바탕으로 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하는 학습데이터 샘플 획득부; 상기 학습데이터 샘플의 입력과 출력을 사전에 구축하도록 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정하는 핵심영향인자 학습범위 설정부; 상기 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 인공신경망 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값을 갖도록 설계되는 인공신경망 스트럭처; 구조성능 데이터베이스 모델로서, 상기 인공신경망 스트럭처에 따라 생성되는 인공신경망-기반 수치해석모델; 및 상기 인공신경망-기반 수치해석모델의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델과 비교 검증하여 구조성능 DB를 구축하는 구조성능 DB 모델 검증부를 포함하되, 상기 핵심영향인자 학습범위 설정부는 상기 학습데이터 샘플의 입력과 출력을 사전에 구축하는 하중 및 보강시스템으로서, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자로서, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치를 설정하고, 지진하중에 대한 하중 핵심영향인자로 6) 최대 지진응답 가속도를 설정하며, 폭발하중에 대한 하중 핵심영향인자로 7) 폭발 규모를 설정히며; 그리고 상기 생성된 구조성능 데이터베이스 통해 복합재난 취약 건축물의 구조보강설계에 대한 의사결정을 수행하는 것을 특징으로 한다.
삭제
여기서, 상기 하중 및 보강시스템에 대한 7개의 핵심영향인자에 대한 기존의 기준 및 문헌을 바탕으로 학습범위를 설정하고, 각 핵심영향인자별 3개의 트레이닝 포인트로서, 핵심영향인자별 최소값, 최대값 및 대표값을 조합했을 때, 상기 지진하중에 대한 학습데이터 샘플은 78개로 구성되고, 상기 폭발하중에 대한 학습데이터 샘플은 84개로 구성될 수 있다.
여기서, 상기 학습데이터 샘플의 입력값을 상기 인공신경망-기반 수치해석모델에 입력하여 출력값을 추출하되, 상기 출력값은 내진성능 결과로서 1) 층간변위비 및 2) 에너지소산량을 추출하고, 내폭성능 결과로서 3) 연성도 및 4) 에너지소산량을 추출할 수 있다.
여기서, 상기 인공신경망 스트럭처는 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 상기 인공신경망-기반 수치해석모델의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 7개의 입력값과 4개의 출력값으로 설계될 수 있다.
여기서, 상기 인공신경망 스트럭처는 컴퓨터 언어로 구현되는 알고리즘으로서, 학습범위 내에서 입력값을 임의로 설정할 수 있다.
여기서, 상기 구조성능 DB 모델 검증부에서 상기 인공신경망-기반 수치해석모델의 정밀도 및 신뢰도는 회귀분석을 통해 상기 유한요소해석-기반 수치해석모델의 결과와 비교할 수 있다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법은, a) 복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 유한요소해석-기반 수치해석모델을 검증하는 단계; b) 상기 검증된 유한요소해석-기반 수치해석모델에 따라 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하여, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정하여 학습데이터 샘플의 입력과 출력을 사전에 구축하는 단계; c) 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값에 대한 인공신경망 스트럭처를 설계하는 단계; d) 상기 인공신경망 스트럭처에 따라 구조성능 데이터베이스 모델인 인공신경망-기반 수치해석모델을 생성하는 단계; 및 e) 상기 인공신경망-기반 수치해석모델의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델과 비교 검증하여 구조성능 데이터베이스를 구축하는 단계를 포함하되, 상기 b) 단계에서, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자로서, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치를 설정하고, 지진하중에 대한 하중 핵심영향인자로 6) 최대 지진응답 가속도를 설정하며, 폭발하중에 대한 하중 핵심영향인자로 7) 폭발 규모를 설정하며; 그리고 상기 생성된 구조성능 데이터베이스를 통해 복합재난 취약 건축물의 구조보강설계에 대한 의사결정을 수행하는 것을 특징으로 한다.
여기서, 상기 a) 단계에서 과거 수행된 실물 크기의 실험결과를 바탕으로 유한요소해석-기반 수치해석모델을 검증하여, 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득할 수 있다.
본 발명에 따르면, 지진이나 폭발과 같은 복합재난에 취약한 건축물의 보강전략을 수립할 수 있도록 인공신경망-기반 구조성능 예측모델을 통해 건축물의 내진성능 및 내폭성능과 관련된 보강시스템의 핵심영향인자에 대응하는 구조성능 데이터베이스를 생성할 수 있다.
본 발명에 따르면, 해당 건축물에 대하여 별도의 구조해석 모델링 과정 없이도 사용자가 필요에 따라 핵심영향인자를 입력하면 건축물의 내진성능 및 내폭성능을 즉시 확인할 수 있다.
본 발명에 따르면, 복합재난 취약 건축물의 정밀 내진성능 평가 및 보강 설계 과정 없이 기준에서 제시하는 구조 성능을 만족할 수 있는 보강전략에 대한 의사결정을 신속하게 수행할 수 있다.
도 1은 종래의 기술에 따른 지진 취약 건축물에 대한 내진성능 및 내폭성능 평가와 보강시스템 설계 과정을 나타내는 동작흐름도이다.
도 2는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템의 구성도이다.
도 3은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법의 동작흐름도이다.
도 4는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 지진하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 폭발하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 핵심영향인자 범위를 예시하는 도면이다.
도 7은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 조합 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망 스트럭처의 설계를 예시하는 도면이다.
도 9는 도 8에 도시된 인공신경망 스트럭처를 컴퓨터 프로그램으로 코드화하는 것을 예시하는 도면이다.
도 10은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 신뢰도와 정밀도의 검증을 나타내는 도면이다.
도 11은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 데이터 생성속도의 검증을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템의 구성도이다.
도 3은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법의 동작흐름도이다.
도 4는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 지진하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 폭발하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 핵심영향인자 범위를 예시하는 도면이다.
도 7은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 조합 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망 스트럭처의 설계를 예시하는 도면이다.
도 9는 도 8에 도시된 인공신경망 스트럭처를 컴퓨터 프로그램으로 코드화하는 것을 예시하는 도면이다.
도 10은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 신뢰도와 정밀도의 검증을 나타내는 도면이다.
도 11은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 데이터 생성속도의 검증을 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
[복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템(100)]
도 2는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템의 구성도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템(100)은, 지진이나 폭발과 같은 복합재난 취약 건축물의 보강전략을 수립하기 위한 구조성능 데이터베이스 구축 시스템으로서, 유한요소해석-기반 수치해석모델(110), 학습데이터 샘플 획득부(120), 핵심영향인자 학습범위 설정부(130), 인공신경망 스트럭처(140), 인공신경망-기반 수치해석모델(150), 구조성능 DB 모델 검증부(160) 및 구조성능 DB(170)를 포함한다.
유한요소해석-기반 수치해석모델(110)은 복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 과거 수행된 실물 크기의 실험결과를 바탕으로 검증한다.
학습데이터 샘플 획득부(120)는 상기 검증된 유한요소해석-기반 수치해석모델(110)을 바탕으로 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득한다.
핵심영향인자 학습범위 설정부(130)는 상기 학습데이터 샘플의 입력과 출력을 사전에 구축하도록 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정한다. 여기서, 상기 핵심영향인자 학습범위 설정부(130)는 상기 학습데이터 샘플의 입력과 출력을 사전에 구축하는 하중 및 보강시스템으로서, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자로서, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치를 설정하고, 지진하중에 대한 하중 핵심영향인자로 6) 최대 지진응답 가속도를 설정하며, 폭발하중에 대한 하중 핵심영향인자로 7) 폭발 규모를 설정할 수 있다. 또한, 상기 하중 및 보강시스템에 대한 7개의 핵심영향인자에 대한 기존의 기준 및 문헌을 바탕으로 학습범위를 설정하고, 각 핵심영향인자별 3개의 트레이닝 포인트로서, 핵심영향인자별 최소값, 최대값 및 대표값을 조합했을 때, 상기 지진하중에 대한 학습데이터 샘플은 78개로 구성되고, 상기 폭발하중에 대한 학습데이터 샘플은 84개로 구성될 수 있다.
인공신경망 스트럭처(140)는 상기 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 인공신경망 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값을 갖도록 설계된다. 여기서, 상기 인공신경망 스트럭처(140)는 상기 학습데이터 샘플의 입력값을 상기 인공신경망-기반 수치해석모델(150)에 입력하여 출력값을 추출하되, 상기 출력값은 내진성능 결과로서 1) 층간변위비 및 2) 에너지소산량을 추출하고, 내폭성능 결과로서 3) 연성도 및 4) 에너지소산량을 추출할 수 있다.
구체적으로, 상기 인공신경망 스트럭처(140)는 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 상기 인공신경망-기반 수치해석모델(150)의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 7개의 입력값과 4개의 출력값으로 설계되며, 또한, 상기 인공신경망 스트럭처(140)는 컴퓨터 언어로 구현되는 알고리즘으로서, 학습범위 내에서 입력값을 임의로 설정할 수 있고, 건축물의 내진성능 및 내폭성능 결과를 간단하게 도출할 수 있다.
인공신경망-기반 수치해석모델(150)은 구조성능 데이터베이스 모델로서, 상기 인공신경망 스트럭처(140)에 따라 생성된다.
구조성능 DB 모델 검증부(160)는 상기 인공신경망-기반 수치해석모델(150)의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델(110)과 비교 검증하여 구조성능 DB(170)를 구축한다. 이때, 상기 구조성능 DB 모델 검증부(160)는 상기 인공신경망-기반 수치해석모델(150)의 정밀도 및 신뢰도는 회귀분석을 통해 상기 유한요소해석-기반 수치해석모델(110)의 결과와 비교하게 된다.
이에 따라, 상기 생성된 구조성능 데이터베이스(170)를 통해 복합재난 취약 건축물의 구조보강설계에 대한 의사결정을 수행할 수 있다. 즉, 복합재난 취약 건축물의 정밀 내진성능 평가 및 보강 설계 과정 없이 기준에서 제시하는 구조 성능을 만족할 수 있는 보강전략에 대한 의사결정을 신속하게 수행할 수 있다.
또한, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템(100)의 경우, 사용자 단말(300)을 통해 예상 재난/재해 시나리오/해당 지역을 입력할 경우, 지역/국가 단위 건물 구조성능을 출력할 수 있다. 이때, BIM/CAD/GIS 등 기존 플랫폼(200)이 탑재되어 연계될 수 있다.
구체적으로, 상기 사용자 단말(300)을 통해 건축 설계 단계별 건축물 부재량/위치, 및 시공 단계별 건축물 부재/위치를 입력하면, 건축물 보강전략 의사결정부(400)를 통해 각 단계별 개별 건물의 전반적인 구조성능을 출력할 수 있다. 이에 따라, 해당 건축물에 대하여 별도의 구조해석 모델링 과정 없이도 사용자가 필요에 따라 핵심영향인자를 입력하면 건축물의 내진성능 및 내폭성능을 즉시 확인할 수 있다.
또한, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템(100)은 별도의 서버/클라우드 없이 적용할 수 있도록 구현할 수 있다.
[복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법]
도 3은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법의 동작흐름도이다.
도 3을 참조하면, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법은, 먼저, 복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 유한요소해석-기반 수치해석모델(110)을 검증한다(S110). 즉, 학습데이터 샘플 생성을 위한 유한요소해석-기반 수치해석모델(110)을 개발하여 실험검증을 수행하였다. 구체적으로, 과거 수행된 실물 크기의 실험결과를 바탕으로 유한요소해석-기반 수치해석모델(110)이 개발되었으며, 실제 실험결과와 비교했을 때 12% 이내의 차이를 나타내므로, 우수한 정밀도의 수치해석모델인 것으로 검증하고, 이와 같이 검증된 유한요소해석-기반 수치해석모델(110)을 바탕으로 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득한다.
구체적으로, 도 4는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 지진하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면으로서, 도 4의 a)는 과거 실물크기 진동기 실험을 나타내며, 도 4의 b)는 지진하중에 대한 유한요소해석 수치해석모델을 나타내며, 도 4의 c)는 실험결과를 나타낸다.
도 4에 도시된 바와 같이, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 지진하중에 대한 유한요소해석 수치해석모델은 과거 실물크기 진동기 실험과 비교하면 약 12%의 오차를 보이며, 이에 따라, 상기 유한요소해석 수치해석모델(110)의 검증이 완료된다.
또한, 도 5는 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 폭발하중에 대한 유한요소해석 수치해석모델을 설명하기 위한 도면으로서, 도 5의 a)는 과거 폭발하중 건축물 실험을 나타내며, 도 5의 b)는 폭발하중에 대한 유한요소해석 수치해석모델을 나타내며, 도 5의 c)는 실험결과를 나타낸다.
도 5에 도시된 바와 같이, 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 폭발하중에 대한 유한요소해석 수치해석모델은 과거 실험 및 해석과 비교하면 약 5%의 오차를 보이며, 이에 따라, 상기 유한요소해석 수치해석모델(110)의 검증이 완료된다.
다음으로, 도 3을 다시 참조하면, 상기 검증된 유한요소해석-기반 수치해석모델(110)에 따라 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하여, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정하여 학습데이터 샘플의 입력과 출력을 사전에 구축한다(S120).
도 6은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 핵심영향인자 범위를 예시하는 도면이고, 도 7은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 학습데이터 샘플의 조합 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 이러한 학습데이터 샘플의 입력과 출력을 사전에 구축하기 위해서, 예를 들면, 섬유보강 폴리머 재킷 시스템이라는 하중 및 보강시스템을 고려하였으며, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자를 총 5개, 예를 들면, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치로 단순화할 수 있다. 또한, 지진하중에 대해 최대 지진응답 가속도를 하중 핵심영향인자로 하고, 폭발하중(인재에 의한 가스폭발 등)에 대해 폭발 규모를 하중 핵심영향인자로 단순화하였다.
이와 같이 구성된 하중 및 보강시스템에 대한 7개의 핵심영향인자에 대한 기존의 기준 및 문헌을 바탕으로 학습범위를 설정하고, 도 7의 a) 및 c)에 각각 도시된 바와 같이, 각 핵심영향인자별 3개의 트레이닝 포인트로서, 핵심영향인자별로 최소값, 최대값 및 대표값을 조합했을 때, 지진하중에 대한 학습데이터 샘플은 78개로 구성되고, 폭발하중에 대한 학습데이터 샘플은 84개로 구성될 수 있지만, 이에 국한되는 것은 아니다.
이러한 학습데이터 샘플의 입력값을 인공신경망-기반 수치해석모델에 입력하여 출력값, 예를 들면, 내진성능 결과로서 층간변위비 및 에너지소산량을 추출하고, 내폭성능 결과로서 연성도 및 에너지소산량을 추출한다.
다음으로, 도 3을 다시 참조하면, 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값에 대한 인공신경망 스트럭처(140)를 설계한다(S130). 즉, 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델(150)의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 7개의 입력값과 4개의 출력값에 대한 인공신경망 스트럭처(140)를 설계한다. 이때, 상기 인공신경망 스트럭처(140)의 구성은 당업자에게 자명하므로 상세한 설명은 생략한다.
도 8은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망 스트럭처의 설계를 예시하는 도면이고, 도 9는 도 8에 도시된 인공신경망 스트럭처를 컴퓨터 프로그램으로 코드화하는 것을 예시하는 도면이다. 여기서, 상기 인공신경망 스트럭처(140)를 컴퓨터 언어로 구현되며, 해당 알고리즘을 통해 학습범위 내에 입력값을 임의로 설정할 경우에도, 높은 신뢰도와 정밀도의 결과를 도출할 수 있다.
다음으로, 도 3을 다시 참조하면, 상기 인공신경망 스트럭처(140)에 따라 구조성능 데이터베이스 모델인 인공신경망-기반 수치해석모델(150)을 생성한다(S140).
다음으로, 도 3을 다시 참조하면, 상기 인공신경망-기반 수치해석모델(150)의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델(110)과 비교 검증하여 구조성능 데이터베이스(170)를 구축한다. 즉, 상기 인공신경망-기반 수치해석모델(150)의 알고리즘 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델(110)과 비교 및 검증한다.
구체적으로, 도 10은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 신뢰도와 정밀도의 검증을 나타내는 도면이다.
도 10을 참조하면, 상기 인공신경망-기반 수치해석모델(150)의 정밀도 및 신뢰도는 회귀분석을 통해 상기 유한요소해석-기반 수치해석모델(110)의 결과와 상기 인공신경망-기반 수치해석모델(150) 사이의 매우 높은 상관관계를 나타냈으며, 예를 들면, 상기 인공신경망-기반 수치해석모델(150)의 구조성능 예측모델은 R2 = 0.98을 나타내고, 상기 인공신경망-기반 수치해석모델(150)의 내폭성능예측모델은 R2 = 0.99를 각각 나타내었다.
또한, 도 10의 b) 및 c)에 도시된 바와 같이, 인공신경망 학습에 사용되지 않은 수치해석모델의 결과와 비교했을 때 10% 이내의 차이가 나타난 것을 봤을 때, 본 발명의 실시예에 따른 인공신경망-기반 수치해석모델(150)은 매우 우수한 정밀도를 갖는 구조성능 데이터베이스 생성 모델이라고 할 수 있다.
또한, 도 11은 본 발명의 실시예에 따른 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법에서 인공신경망-기반 구조성능 데이터베이스의 데이터 생성속도의 검증을 나타내는 도면으로서, 도 11의 a)는 지진에너지와 폭발에너지의 관계를 나타내며, 도 11의 b)는 지진 및 폭발 타겟 성능에 만족하는 보강전략 구축을 위해 신속하게 의사결정하는 것을 예시한다.
도 11을 참조하면, 상기 인공신경망-기반 수치해석모델(150)의 데이터 생성 속도는 일반 컴퓨터를 기준으로 비교했을 때, 상기 유한요소해석-기반 수치해석모델(110)은 1개의 데이터를 생성하는데 소요된 시간은 약 7일(0.0001개/분)이 소요되었으며, 상기 인공신경망-기반 수치해석모델(150)은 4000개의 데이터를 생성하는데 약 5분(800개/분)이 소요되었다. 그러므로 상기 인공신경망-기반 수치해석모델(150)과 상기 유한요소해석-기반 수치해석모델(110)의 데이터 생성속도는 약 8백만배의 차이를 보였다.
후속적으로, 상기 구조성능 데이터베이스(170)를 통해 복합재난 취약 건축물의 보강전략 설계에 대한 의사결정을 수행할 수 있다.
전술한 바와 같이, 본 발명의 실시예에 따르면, 구축 및 검증된 복합재난 대응 구조성능 데이터베이스 생성 시스템은 해당 건축물에 대하여 별도의 구조해석 모델링 등 앞에 언급된 전 과정 없이 사용자가 필요에 따라 핵심영향인자를 입력하면 건축물의 내진성능 및 내폭성능을 즉시 확인할 수 있다.
또한, 본 발명의 실시예에 따르면, 기존 건축물의 내진 및 내폭 보강설계시, 엔지니어에 의해 기준에서 제시하는 구조 성능을 만족시키기 위해 보강시스템을 설계하고, 구조 성능 결과에 따라 재설계하는 반복 과정이 필요 없으므로, 고급 엔지니어가 구조해석 컴퓨터 모델링에 소모되는 시간 및 내진성능과 내폭성능 평가에 소모되는 시간을 크게 감소시킬 수 있다. 이를 통해 지진 취약 건축물의 구조 성능을 향상시키기 위하여 많은 시간과 비용 그리고 고급인력이 필요한 정밀 내진성능 평가 및 보강 설계 과정 없이 기준에서 제시하는 구조 성능에 만족할 수 있는 보강전략에 대한 신속한 의사결정 수단으로 활용될 수 있다.
또한, 본 발명의 실시예에 따르면, 기별도의 서버나 클라우드 장치 없이 컴퓨터 언어로 전환된 알고리즘만 필요하므로, 기존 구축된 BIM, CAD 플랫폼 및 모바일 앱 등에 다양하게 적용할 수 있고, 이에 따라, 전문 엔지니어를 포함한 건축물에 거주하는 일반인도 쉽고 빠르게 활용할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 구조성능 데이터베이스 구축 시스템
110: 유한요소해석-기반 수치해석모델 120: 학습데이터 샘플 획득부
130: 핵심영향인자 학습범위 설정부 140: 인공신경망 스트럭처
150: 인공신경망-기반 수치해석모델
160: 구조성능 DB 모델 검증부 170: 구조성능 DB
200: 기존 플랫폼(BIM/CAD/GIS) 300: 사용자 단말
400: 건축물 보강전략 의사결정부
110: 유한요소해석-기반 수치해석모델 120: 학습데이터 샘플 획득부
130: 핵심영향인자 학습범위 설정부 140: 인공신경망 스트럭처
150: 인공신경망-기반 수치해석모델
160: 구조성능 DB 모델 검증부 170: 구조성능 DB
200: 기존 플랫폼(BIM/CAD/GIS) 300: 사용자 단말
400: 건축물 보강전략 의사결정부
Claims (15)
- 지진이나 폭발과 같은 복합재난 취약 건축물의 보강전략을 수립하기 위한 구조성능 데이터베이스 구축 시스템에 있어서,
복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 과거 수행된 실물 크기의 실험결과를 바탕으로 검증하는 유한요소해석-기반 수치해석모델(110);
상기 검증된 유한요소해석-기반 수치해석모델(110)을 바탕으로 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하는 학습데이터 샘플 획득부(120);
상기 학습데이터 샘플의 입력과 출력을 사전에 구축하도록 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정하는 핵심영향인자 학습범위 설정부(130);
상기 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 인공신경망 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값을 갖도록 설계되는 인공신경망 스트럭처(140);
구조성능 데이터베이스 모델로서, 상기 인공신경망 스트럭처(140)에 따라 생성되는 인공신경망-기반 수치해석모델(150); 및
상기 인공신경망-기반 수치해석모델(150)의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델(110)과 비교 검증하여 구조성능 DB(170)를 구축하는 구조성능 DB 모델 검증부(160)를 포함하되,
상기 핵심영향인자 학습범위 설정부(130)는 상기 학습데이터 샘플의 입력과 출력을 사전에 구축하는 하중 및 보강시스템으로서, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자로서, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치를 설정하고, 지진하중에 대한 하중 핵심영향인자로 6) 최대 지진응답 가속도를 설정하며, 폭발하중에 대한 하중 핵심영향인자로 7) 폭발 규모를 설정하며; 그리고
상기 생성된 구조성능 데이터베이스(170)를 통해 복합재난 취약 건축물의 구조보강설계에 대한 의사결정을 수행하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 삭제
- 제1항에 있어서,
상기 하중 및 보강시스템에 대한 7개의 핵심영향인자에 대한 기존의 기준 및 문헌을 바탕으로 학습범위를 설정하고, 각 핵심영향인자별 3개의 트레이닝 포인트로서, 핵심영향인자별 최소값, 최대값 및 대표값을 조합했을 때, 상기 지진하중에 대한 학습데이터 샘플은 78개로 구성되고, 상기 폭발하중에 대한 학습데이터 샘플은 84개로 구성되는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 제3항에 있어서,
상기 학습데이터 샘플의 입력값을 상기 인공신경망-기반 수치해석모델(150)에 입력하여 출력값을 추출하되, 상기 출력값은 내진성능 결과로서 1) 층간변위비 및 2) 에너지소산량을 추출하고, 내폭성능 결과로서 3) 연성도 및 4) 에너지소산량을 추출하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 제4항에 있어서,
상기 인공신경망 스트럭처(140)는 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 상기 인공신경망-기반 수치해석모델(150)의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 7개의 입력값과 4개의 출력값으로 설계되는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 제1항에 있어서,
상기 인공신경망 스트럭처(140)는 컴퓨터 언어로 구현되는 알고리즘으로서, 학습범위 내에서 입력값을 임의로 설정할 수 있는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 제1항에 있어서,
상기 구조성능 DB 모델 검증부(160)에서 상기 인공신경망-기반 수치해석모델(150)의 정밀도 및 신뢰도는 회귀분석을 통해 상기 유한요소해석-기반 수치해석모델(110)의 결과와 비교하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템. - 지진이나 폭발과 같은 복합재난 취약 건축물의 보강전략을 수립하기 위한 구조성능 데이터베이스 구축 방법에 있어서,
a) 복합재난 취약 건축물에 대한 학습데이터 샘플을 생성하기 위해 유한요소해석-기반 수치해석모델(110)을 검증하는 단계;
b) 상기 검증된 유한요소해석-기반 수치해석모델(110)에 따라 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하여, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 핵심영향인자에 대한 학습범위를 설정하여 학습데이터 샘플의 입력과 출력을 사전에 구축하는 단계;
c) 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 인공신경망-기반 수치해석모델의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 소정 개수의 입력값과 출력값에 대한 인공신경망 스트럭처(140)를 설계하는 단계;
d) 상기 인공신경망 스트럭처(140)에 따라 구조성능 데이터베이스 모델인 인공신경망-기반 수치해석모델(150)을 생성하는 단계; 및
e) 상기 인공신경망-기반 수치해석모델(150)의 정밀도와 데이터 생성속도를 상기 유한요소해석-기반 수치해석모델(110)과 비교 검증하여 구조성능 데이터베이스(170)를 구축하는 단계를 포함하되,
상기 b) 단계에서, 건축물 구조성능인 내진성능 및 내폭성능에 영향을 미칠 수 있는 보강 핵심영향인자로서, 1) 섬유보강 폴리머 재료 강도, 2) 재킷 두께, 3) 그라우팅 재료 강도, 4) 기둥 확장 면적 및 5) 보강 위치를 설정하고, 지진하중에 대한 하중 핵심영향인자로 6) 최대 지진응답 가속도를 설정하며, 폭발하중에 대한 하중 핵심영향인자로 7) 폭발 규모를 설정하며; 그리고
상기 생성된 구조성능 데이터베이스(170)를 통해 복합재난 취약 건축물의 구조보강설계에 대한 의사결정을 수행하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 제8항에 있어서,
상기 a) 단계에서 과거 수행된 실물 크기의 실험결과를 바탕으로 유한요소해석-기반 수치해석모델(110)을 검증하여, 인공신경망 학습에 사용하기 위한 학습데이터 샘플을 획득하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 삭제
- 제8항에 있어서,
상기 하중 및 보강시스템에 대한 7개의 핵심영향인자에 대한 기존의 기준 및 문헌을 바탕으로 학습범위를 설정하고, 각 핵심영향인자별 3개의 트레이닝 포인트로서, 핵심영향인자별 최소값, 최대값 및 대표값을 조합했을 때, 상기 지진하중에 대한 학습데이터 샘플은 78개로 구성되고, 상기 폭발하중에 대한 학습데이터 샘플은 84개로 구성되는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 제11항에 있어서,
상기 c) 단계에서 학습데이터 샘플의 입력값을 상기 인공신경망-기반 수치해석모델(150)에 입력하여 출력값을 추출하되, 상기 출력값은 내진성능 결과로서 1) 층간변위비 및 2) 에너지소산량을 추출하고, 내폭성능 결과로서 3) 연성도 및 4) 에너지소산량을 추출하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 제12항에 있어서,
상기 c) 단계의 인공신경망 스트럭처(140)는 사전에 구축된 입력과 출력에 대한 학습데이터 샘플을 바탕으로 상기 인공신경망-기반 수치해석모델(150)의 결과와 학습을 통해 나타난 결과를 최소화할 수 있도록 7개의 입력값과 4개의 출력값으로 설계되는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 제8항에 있어서,
상기 c) 단계의 인공신경망 스트럭처(140)는 컴퓨터 언어로 구현되는 알고리즘으로서, 학습범위 내에서 입력값을 임의로 설정할 수 있는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법. - 제8항에 있어서,
상기 e) 단계에서 상기 인공신경망-기반 수치해석모델(150)의 정밀도 및 신뢰도는 회귀분석을 통해 상기 유한요소해석-기반 수치해석모델(110)의 결과와 비교하는 것을 특징으로 하는 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180169129A KR102175187B1 (ko) | 2018-12-26 | 2018-12-26 | 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180169129A KR102175187B1 (ko) | 2018-12-26 | 2018-12-26 | 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200079708A KR20200079708A (ko) | 2020-07-06 |
| KR102175187B1 true KR102175187B1 (ko) | 2020-11-06 |
Family
ID=71571499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180169129A KR102175187B1 (ko) | 2018-12-26 | 2018-12-26 | 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102175187B1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994465B (zh) * | 2022-12-14 | 2024-03-26 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 意外爆炸空气冲击波对桥梁毁伤效果kNN评估方法、装置及介质 |
| CN116011285B (zh) * | 2023-01-04 | 2023-12-08 | 国网湖北省电力有限公司经济技术研究院 | 一种地基-基础-杆塔结构体系抗震性能分析方法 |
| CN116630814B (zh) * | 2023-07-24 | 2023-09-29 | 中国建筑科学研究院有限公司 | 一种基于机器学习的建筑灾害快速定位评估方法 |
| CN117538430B (zh) * | 2024-01-04 | 2024-03-26 | 西安建筑科技大学 | 一种基于数据识别的建筑结构加固方法及监测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009150817A (ja) * | 2007-12-21 | 2009-07-09 | Tohoku Univ | 早期地震情報処理システム |
| KR101227776B1 (ko) * | 2011-09-15 | 2013-01-29 | 연세대학교 산학협력단 | Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7711662B2 (en) | 2003-01-15 | 2010-05-04 | Bracco Imaging S.P.A. | System and method for optimization of a database for the training and testing of prediction algorithms |
| KR101025550B1 (ko) | 2010-04-28 | 2011-04-13 | (주)위니텍 | 재난 관리 시스템 및 그 방법 |
| KR101551203B1 (ko) * | 2014-02-20 | 2015-09-09 | 경일대학교산학협력단 | 건축 문화재의 건물 정보통합 모델링 방법 |
| WO2018135696A1 (ko) | 2017-01-20 | 2018-07-26 | 주식회사 더디엔에이시스템 | 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 |
| KR102077804B1 (ko) | 2017-04-26 | 2020-04-07 | 김정희 | 학습 데이터 전처리 방법 및 시스템 |
| KR101891267B1 (ko) | 2017-12-14 | 2018-08-24 | 한국건설기술연구원 | 재난 피해 분석을 위한 bim 데이터 간소화 방법 및 이를 이용한 위험 등급 예측 방법 |
-
2018
- 2018-12-26 KR KR1020180169129A patent/KR102175187B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009150817A (ja) * | 2007-12-21 | 2009-07-09 | Tohoku Univ | 早期地震情報処理システム |
| KR101227776B1 (ko) * | 2011-09-15 | 2013-01-29 | 연세대학교 산학협력단 | Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200079708A (ko) | 2020-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102175187B1 (ko) | 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법 | |
| Gidaris et al. | Kriging metamodeling in seismic risk assessment based on stochastic ground motion models | |
| CN103020529B (zh) | 一种基于场景模型的软件漏洞分析方法 | |
| CN108881110B (zh) | 一种安全态势评估与防御策略联合决策方法及系统 | |
| Ercolino et al. | Vulnerability analysis of industrial RC precast buildings designed according to modern seismic codes | |
| Altunişik et al. | Automated model updating of historical masonry structures based on ambient vibration measurements | |
| Castellano et al. | Cumulative merging percolation and the epidemic transition of the susceptible-infected-susceptible model in networks | |
| Shadab Far et al. | Approximation of the Monte Carlo sampling method for reliability analysis of structures | |
| Zhang et al. | Robust fault detection filter design for a class of neutral‐type neural networks with time‐varying discrete and unbounded distributed delays | |
| CN111797535A (zh) | 一种面向多种代理模型的结构可靠性分析自适应加点方法 | |
| He et al. | A new optimal sensor placement strategy based on modified modal assurance criterion and improved adaptive genetic algorithm for structural health monitoring | |
| Cheng et al. | Performance of unscented Kalman filter for model updating with experimental data | |
| Khorramian et al. | New learning functions for active learning Kriging reliability analysis using a probabilistic approach: KO and WKO functions | |
| CN105262719A (zh) | 一种Web环境下用户行为的信任评估方法 | |
| CN109376865B (zh) | 一种基于离散型贝叶斯网络的桁架结构安全性评估方法 | |
| Hassan et al. | Probabilistic beam–column joint model for seismic analysis of concrete frames | |
| Mariotti et al. | Extending a security ontology framework to model CAPEC attack paths and TAL adversary profiles | |
| Nasr et al. | Optimal sensor placement using a combined genetic algorithm–Ensemble Kalman filter framework | |
| Gidaris et al. | Probabilistic fragility analysis and resilience assessment of bridges subjected to earthquake mainshocks and aftershocks | |
| Fragiadakis et al. | Performance-based earthquake engineering using structural optimisation tools | |
| Ebrahimi et al. | Assessment of axial load effect on nonlinear modeling and seismic response of reinforced concrete‐structures based on fuzzy set theory using genetic algorithm | |
| Ahmadi et al. | Probabilistic Assessment of Degree of Bending in Tubular X‐Joints of Offshore Structures Subjected to Bending Loads | |
| Zain et al. | Progressive structural capacity loss assessment—a framework for modern reinforced concrete buildings | |
| Arroyo et al. | A method to improve the seismic performance of steel moment resisting frames based on eigenfrequency optimization | |
| Bulleit | Uncertainty in the design and maintenance of social systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |