KR102589525B1 - Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function - Google Patents
Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function Download PDFInfo
- Publication number
- KR102589525B1 KR102589525B1 KR1020230048445A KR20230048445A KR102589525B1 KR 102589525 B1 KR102589525 B1 KR 102589525B1 KR 1020230048445 A KR1020230048445 A KR 1020230048445A KR 20230048445 A KR20230048445 A KR 20230048445A KR 102589525 B1 KR102589525 B1 KR 102589525B1
- Authority
- KR
- South Korea
- Prior art keywords
- earthquake
- information
- damage
- learning
- earthquake damage
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000006870 function Effects 0.000 title claims description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000003252 repetitive effect Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000012916 structural analysis Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000013433 optimization analysis Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 지진 취약 정보를 제공하기 위한 프로그램이 저장된 지진 취약 정보 제공 장치의 지진 취약 정보 제공 방법에 관한 것으로, 지진 피해 해석 정보를 획득하는 단계; 및 상기 지진 피해 해석 정보가 획득되면 상기 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함하되, 상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하도록 학습되고, 상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력할 수 있다.The present invention relates to a method of providing earthquake vulnerability information by an earthquake vulnerability information providing device storing a program for providing earthquake vulnerability information, comprising the steps of: acquiring earthquake damage analysis information; And when the earthquake damage analysis information is obtained, outputting an earthquake damage prediction result based on a learning model in the program, wherein the learning model randomly selects the parameters of the earthquake fragility curve in the earthquake damage analysis information. is learned to update the earthquake vulnerability curve by changing to , and actual earthquake damage data is additionally input to the learning model to output the earthquake damage prediction result.
Description
본 발명은 지진 취약 정보 제공 기술에 관한 것이고, 특히 지진 피해 기반의 지진 취약도 곡선을 도출하기 위한 기술과 관련이 있다.The present invention relates to technology for providing earthquake vulnerability information, and particularly to technology for deriving an earthquake vulnerability curve based on earthquake damage.
지진으로 인한 피해를 완화하고 위험성을 관리하기 위해서 지진 취약도 곡선이 흔히 사용된다. 지진 취약도 곡선은 지진 세기에 대해 구조물이 일정 수준 이상의 손상을 입을 확률로 정의되는데, 효율적인 지진 위험성 평가 및 관리를 위해서는 보다 정확한 지진 취약도 곡선의 도출이 중요하다.Seismic fragility curves are commonly used to mitigate damage and manage risks from earthquakes. The seismic fragility curve is defined as the probability that a structure will suffer damage above a certain level with respect to the intensity of the earthquake. For efficient earthquake risk assessment and management, it is important to derive a more accurate seismic fragility curve.
이를 위해 지진 취약도 곡선을 도출하기 위한 다양한 연구들이 시도되고 있으나, 시간이 오래 걸리는 구조해석의 반복적인 수행이 필요하기 때문에 비효율적인 경우가 많으며, 구조해석 없이 지진 피해 확률만으로 회귀(regression) 또는 베이지안(Bayesian) 등을 통해 지진 취약도 곡선 도출 과정을 단순화할 수도 있으나, 이 경우에도 다양한 구조물 형식들에 대해 개별적으로 지진 취약도 곡선을 도출해야 한다는 번거로움이 있다.To this end, various studies have been attempted to derive earthquake fragility curves, but they are often inefficient because they require repetitive, time-consuming structural analysis, and regression or Bayesian methods are used only with the probability of earthquake damage without structural analysis. It is possible to simplify the process of deriving the seismic fragility curve through (Bayesian), etc., but even in this case, there is the inconvenience of having to derive seismic fragility curves individually for various structural types.
본 발명의 실시예에서는, 실제 지진 피해 확률을 기반으로 구조물의 지진 취약도 곡선을 효율적으로 도출할 수 있는 지진 취약 정보 제공 기술을 제안한다.In an embodiment of the present invention, we propose a technology for providing earthquake vulnerability information that can efficiently derive the seismic vulnerability curve of a structure based on the actual probability of earthquake damage.
이를 위해 본 발명의 실시예에서는, 지진 취약도 곡선을 도출하기 위한 학습 모델, 예를 들어 ANN(Artificial Neural Network) 인공신경망을 학습 및 구축하기 위한 기술을 제안하고자 한다.To this end, in an embodiment of the present invention, we would like to propose a technology for learning and building a learning model for deriving an earthquake fragility curve, for example, an artificial neural network (ANN).
또한, 본 발명의 실시예에서는, 구축된 학습 모델을 이용하여 실제 지진 피해 데이터를 활용한 최적화 해석을 통한 지진 취약도 곡선을 도출할 수 있는 지진 취약 정보 제공 기술을 제안하고자 한다.In addition, in an embodiment of the present invention, we would like to propose a technology for providing earthquake vulnerability information that can derive an earthquake vulnerability curve through optimization analysis using actual earthquake damage data using a constructed learning model.
본 발명이 해결하고자 하는 과제는 상기에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재들로부터 본 발명이 속하는 통상의 지식을 가진 자에 의해 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to those mentioned above, and other problems to be solved that are not mentioned can be clearly understood by those skilled in the art from the description below. will be.
본 발명의 실시예에 따르면, 지진 취약 정보를 제공하기 위한 학습 모델이 저장된 지진 취약 정보 제공 장치의 학습 방법에 있어서, 학습용 지진 피해 해석 정보를 획득하는 단계; 및 상기 학습용 지진 피해 해석 정보가 획득되면 지진 피해 예측 결과를 출력하도록 상기 학습 모델을 학습시키는 단계;를 포함하되, 상기 학습시키는 단계는, 상기 학습용 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하는 단계를 포함하는 지진 취약 정보 제공을 위한 학습 모델의 학습 방법을 제공할 수 있다.According to an embodiment of the present invention, a learning method of an earthquake vulnerability information providing device storing a learning model for providing earthquake vulnerability information includes the steps of acquiring earthquake damage analysis information for learning; And a step of training the learning model to output an earthquake damage prediction result when the learning earthquake damage analysis information is acquired; wherein the training step includes parameters of the earthquake fragility curve in the learning earthquake damage analysis information. It is possible to provide a learning method of a learning model for providing earthquake vulnerability information, including the step of updating the earthquake vulnerability curve by changing it in a random manner.
여기서, 상기 획득하는 단계는, 상기 학습용 지진 피해 해석 정보를 전처리하는 단계; 및 상기 전처리에 의해 상기 학습용 지진 피해 해석 정보를 csv(comma separated value) 포맷 또는 xml(extensible markup language) 포맷으로 변환하는 단계;를 더 포함할 수 있다.Here, the acquiring step includes preprocessing the learning earthquake damage analysis information; and converting the learning earthquake damage analysis information into a comma separated value (CSV) format or an extensible markup language (XML) format through the preprocessing.
또한, 상기 학습용 지진 피해 해석 정보는, 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있다.Additionally, the learning earthquake damage analysis information may include at least one of the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information.
또한, 상기 지진 취약도 곡선은, 수학식 을 기초로 최적화 과정을 수행하여 도출되고, 상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 
또한, 상기 구조물 정보는, 건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일(shapefile)을 포함할 수 있다.Additionally, the structure information may include a shapefile including at least one of the building type, number of floors, and year of completion.
또한, 상기 지진 위치 정보는, WGS84(world geodetic system 84) 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함할 수 있다.Additionally, the earthquake location information may include latitude and longitude coordinate data based on the world geodetic system 84 (WGS84) coordinate system.
또한, 상기 매개변수는 로그 평균 및 로그 표준편차를 포함할 수 있다.Additionally, the parameters may include log mean and log standard deviation.
본 발명의 실시예에 따르면, 지진 취약 정보를 제공하기 위한 프로그램이 저장된 지진 취약 정보 제공 장치의 지진 취약 정보 제공 방법에 있어서, 지진 피해 해석 정보를 획득하는 단계; 및 상기 지진 피해 해석 정보가 획득되면 상기 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함하되, 상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하도록 학습되고, 상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력하는 지진 취약 정보 제공 방법을 제공할 수 있다.According to an embodiment of the present invention, a method of providing earthquake vulnerability information by an earthquake vulnerability information providing device storing a program for providing earthquake vulnerability information includes the steps of acquiring earthquake damage analysis information; And when the earthquake damage analysis information is obtained, outputting an earthquake damage prediction result based on a learning model in the program, wherein the learning model randomly selects the parameters of the earthquake fragility curve in the earthquake damage analysis information. It is learned to update the earthquake vulnerability curve by changing to , and actual earthquake damage data is additionally input to the learning model, thereby providing a method of providing earthquake vulnerability information that outputs the earthquake damage prediction result.
여기서, 상기 획득하는 단계는, 상기 지진 피해 해석 정보를 전처리하는 단계; 및 상기 전처리에 의해 상기 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환하는 단계;를 더 포함할 수 있다.Here, the obtaining step includes preprocessing the earthquake damage analysis information; And it may further include converting the earthquake damage analysis information into csv format or xml format by the preprocessing.
또한, 상기 지진 피해 해석 정보는, 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있다.Additionally, the earthquake damage analysis information may include at least one of the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information.
또한, 상기 지진 취약도 곡선은, 수학식 을 기초로 최적화 과정을 수행하여 도출되고, 상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 
또한, 상기 구조물 정보는, 건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일을 포함할 수 있다.Additionally, the structure information may include a shape file including at least one of building type, number of floors, and year of completion.
또한, 상기 지진 위치 정보는, WGS84(world geodetic system 84) 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함할 수 있다.Additionally, the earthquake location information may include latitude and longitude coordinate data based on the world geodetic system 84 (WGS84) coordinate system.
또한, 상기 매개변수는 로그 평균 및 로그 표준편차를 포함할 수 있다.Additionally, the parameters may include log mean and log standard deviation.
본 발명의 실시예에 따르면, 지진 피해 해석 정보를 획득하는 획득부; 지진 취약 정보를 제공하기 위한 프로그램이 저장된 저장부; 상기 지진 피해 해석 정보가 획득되면 상기 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하도록 처리하는 처리부;를 포함하되, 상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하도록 학습되고, 상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력하는 지진 취약 정보 제공 장치를 제공할 수 있다.According to an embodiment of the present invention, an acquisition unit for acquiring earthquake damage analysis information; A storage unit storing a program for providing earthquake vulnerability information; When the earthquake damage analysis information is acquired, a processing unit that processes to output an earthquake damage prediction result based on a learning model in the program, wherein the learning model randomly selects the parameters of the earthquake fragility curve in the earthquake damage analysis information. It is possible to provide an earthquake vulnerability information providing device that is learned to update the earthquake vulnerability curve by changing the method, and that actual earthquake damage data is additionally input to the learning model and outputs the earthquake damage prediction result.
여기서, 상기 획득부는, 상기 지진 피해 해석 정보를 전처리하고, 상기 전처리에 의해 상기 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환할 수 있다.Here, the acquisition unit may preprocess the earthquake damage analysis information and convert the earthquake damage analysis information into csv format or xml format through the preprocessing.
또한, 상기 지진 피해 해석 정보는, 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있다.Additionally, the earthquake damage analysis information may include at least one of the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information.
또한, 상기 지진 취약도 곡선은, 수학식 을 기초로 최적화 과정을 수행하여 도출되고, 상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 
또한, 상기 구조물 정보는, 건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일을 포함할 수 있다.Additionally, the structure information may include a shape file including at least one of building type, number of floors, and year of completion.
또한, 상기 지진 위치 정보는, WGS84 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함할 수 있다.Additionally, the earthquake location information may include latitude and longitude coordinate data based on the WGS84 coordinate system.
또한, 상기 매개변수는 로그 평균 및 로그 표준편차를 포함할 수 있다.Additionally, the parameters may include log mean and log standard deviation.
또한, 상기 장치는, 마우스 및 키보드 제어가 필요한 응용 프로그램의 시스템 입력 이벤트를 생성하는 로봇 클래스(robot class)를 이용하여 GUI(graphic user interface)를 제공하는 입력부; 및 상기 입력부의 GUI의 입력을 기초로 상기 지진 취약도 곡선을 디스플레이 처리하는 출력부;를 더 포함할 수 있다.In addition, the device includes an input unit that provides a graphic user interface (GUI) using a robot class that generates system input events for an application that requires mouse and keyboard control; and an output unit that displays and processes the seismic fragility curve based on the input of the GUI of the input unit.
또한, 상기 학습 모델은, ANN(artificial neural network) 모델을 포함할 수 있다.Additionally, the learning model may include an artificial neural network (ANN) model.
본 발명의 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 지진 취약 정보를 제공하기 위한 학습 모델이 저장된 지진 취약 정보 제공 장치의 학습 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하고, 상기 방법은, 학습용 지진 피해 해석 정보를 획득하는 단계; 및 상기 학습용 지진 피해 해석 정보가 획득되면 지진 피해 예측 결과를 출력하도록 상기 학습 모델을 학습시키는 단계;를 포함하되, 상기 학습시키는 단계는, 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하는 단계를 포함할 수 있다.According to an embodiment of the present invention, there is a computer-readable recording medium storing a computer program, wherein the computer program allows a processor to perform a learning method of an earthquake vulnerability information providing device storing a learning model for providing earthquake vulnerability information. It includes instructions for: acquiring earthquake damage analysis information for learning; And a step of training the learning model to output an earthquake damage prediction result when the learning earthquake damage analysis information is acquired, wherein the training step randomly randomizes the parameters of the earthquake fragility curve in the earthquake damage analysis information. It may include updating the seismic fragility curve by changing the method.
본 발명의 실시예에 따르면, 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 지진 취약 정보를 제공하기 위한 프로그램이 저장된 지진 취약 정보 제공 장치의 지진 취약 정보 제공 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하고, 상기 방법은, 지진 피해 해석 정보를 획득하는 단계; 및 상기 지진 피해 해석 정보가 획득되면 상기 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함하되, 상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 상기 지진 취약도 곡선을 갱신하도록 학습되고, 상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력할 수 있다.According to an embodiment of the present invention, a computer program stored in a computer-readable recording medium, the computer program allows a processor to perform a method of providing earthquake vulnerability information of an earthquake vulnerability information providing device storing a program for providing earthquake vulnerability information. It includes instructions for: acquiring earthquake damage analysis information; And when the earthquake damage analysis information is obtained, outputting an earthquake damage prediction result based on a learning model in the program, wherein the learning model randomly selects the parameters of the earthquake fragility curve in the earthquake damage analysis information. is learned to update the earthquake vulnerability curve by changing to , and actual earthquake damage data is additionally input to the learning model to output the earthquake damage prediction result.
본 발명의 실시예에 의하면, 실제 지진피해 확률을 바탕으로 지진 취약도 곡선을 손쉽게 도출할 수 있으며, 또한 다양한 구조물 형식들의 지진 취약도 곡선을 동시에 도출해 낼 수 있다.According to an embodiment of the present invention, a seismic fragility curve can be easily derived based on the actual probability of earthquake damage, and seismic fragility curves of various structural types can be derived simultaneously.
도 1은 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)의 기능을 설명하기 위한 블록도이다.
도 2는 도 1의 지진 취약 정보 제공 장치(100)의 저장부(120) 내에 포함되는 지진 피해 평가 프로그램(122)의 개념도이다.
도 3은 도 2의 지진 피해 평가 프로그램(122) 내의 학습 모델(124)의 학습 방법을 예시적으로 설명하기 위한 기능 블록도이다.
도 4는 도 2의 지진 피해 평가 프로그램(122) 내의 학습 모델(124)을 이용하여 지진 취약 정보를 제공하기 위한 방법을 예시적으로 설명하기 위한 기능 블록도이다.
도 5는 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)의 개념도이다.
도 6은 도 1의 지진 취약 정보 제공 장치(100)의 입력부(140)의 기능을 예시한 개념도이다.
도 7은 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)를 이용하여 지진 피해 확률을 산출하기 위한 특정 지역의 격자 정보를 예시한 도면이다.
도 8은 도 7의 특정 지역의 무보강 조적 전단벽(unreinforced masonry wall line, URML) 건물에 대한 손상확률을 예측한 시뮬레이션 결과를 예시한 그래프이다.
도 9는 도 7의 특정 지역의 무보강 조적 전단벽(URML) 건물의 소파에 해당하는 지진 취약도 곡선의 갱신 결과를 예시한 그래프이다.Figure 1 is a block diagram for explaining the function of the earthquake vulnerability
FIG. 2 is a conceptual diagram of an earthquake
FIG. 3 is a functional block diagram illustrating an example of a learning method of the
FIG. 4 is a functional block diagram illustrating a method for providing earthquake vulnerability information using the
Figure 5 is a conceptual diagram of an earthquake vulnerability
FIG. 6 is a conceptual diagram illustrating the function of the
FIG. 7 is a diagram illustrating grid information of a specific area for calculating the probability of earthquake damage using the earthquake vulnerability
Figure 8 is a graph illustrating simulation results predicting the probability of damage to an unreinforced masonry wall line (URML) building in a specific area of Figure 7.
Figure 9 is a graph illustrating the update results of the seismic fragility curve corresponding to the sofa of the unreinforced masonry shear wall (URML) building in a specific area of Figure 7.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and can be implemented in various forms. The present embodiments are merely provided to ensure that the disclosure of the present invention is complete and to those skilled in the art to which the present invention pertains. It is provided to fully inform the person of the scope of the invention, and the scope of the invention is only defined by the claims.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing the embodiments of the present invention, detailed descriptions of well-known functions or configurations will be omitted except when actually necessary. The terms described below are terms defined in consideration of functions in the embodiments of the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, the definition should be made based on the contents throughout this specification.
지진은 막대한 구조적 피해와 경제적 손실, 인명 피해를 초래할 수 있는 위험한 자연재해 중 하나이다. 이러한 지진 재해를 완화하고 관리하기 위해서는 위험성 평가(risk assessment)가 필수적이며, 지진 취약도 곡선은 지진에 대한 위험성 평가의 핵심 요소로 인식되고 있다(Yoon et al. 2018).Earthquakes are one of the most dangerous natural disasters that can cause massive structural damage, economic losses, and casualties. Risk assessment is essential to mitigate and manage these earthquake disasters, and the seismic fragility curve is recognized as a key element of earthquake risk assessment (Yoon et al. 2018).
지진 취약도 곡선은 지진 세기에 대해 구조물이 일정 수준 이상의 피해를 입을 확률로 정의되며, 지진에 대한 구조물의 취약성을 나타내는데 흔히 사용된다. 예컨대, 지진 취약도 곡선을 도출하기 위한 다양한 프로그램은 지진 취약도 곡선을 사용하여 다양한 사회 기반 시설물들에 대해 지진 후 발생하는 손실을 추정하며, 이렇게 추정된 값들은 의사 결정자가 지진 피해를 완화하기 위한 계획을 수립하는 데 직접적인 영향을 미친다. 따라서, 정확한 지진 취약도 곡선을 도출하는 일은 효율적인 지진 위험성 평가 및 피해 완화, 위험성 관리를 위해 필수적이라 할 수 있다.The seismic fragility curve is defined as the probability that a structure will suffer damage above a certain level with respect to the intensity of an earthquake, and is commonly used to indicate the vulnerability of a structure to earthquakes. For example, various programs for deriving seismic fragility curves use seismic fragility curves to estimate post-earthquake losses for various infrastructure facilities, and these estimated values can be used to help decision-makers mitigate earthquake damage. It has a direct impact on planning. Therefore, deriving an accurate earthquake fragility curve is essential for efficient earthquake risk assessment, damage mitigation, and risk management.
많은 연구에서 다양한 구조물을 대상으로 지진 취약도 곡선을 개발했으며, 일부 연구자는 보다 정확한 지진 취약도 곡선을 도출하기 위해 실제 지진 피해 데이터를 기반으로 지진 취약도 곡선을 개선하려고 시도했다. 그러나, 지진 취약도를 도출하기 위한 기법은 여전히 간결성과 효율성 측면에 대해 추가 개발이 필요한 실정이다. 여러 연구에서 실제 지진피해 확률을 바탕으로 지진 취약도 곡선을 도출하고자 하는 시도들이 이루어지고 있으나(Lee et al. 2021), 보통은 시간이 오래 걸리는 구조해석의 반복적인 수행이 필요하기 때문에 비효율적인 경우가 많다. 구조해석 없이 실제 지진피해 확률만으로 회귀 또는 베이지안 등을 통해 지진 취약도 곡선 도출 과정을 단순화할 수도 있으나, 이 경우에도 다양한 구조물 형식들에 대해 개별적으로 지진 취약도 곡선을 도출해야 한다는 번거로움이 있다. Many studies have developed seismic fragility curves for various structures, and some researchers have attempted to improve seismic fragility curves based on actual earthquake damage data to derive more accurate seismic fragility curves. However, techniques for deriving earthquake vulnerability still require further development in terms of simplicity and efficiency. In several studies, attempts are being made to derive earthquake fragility curves based on actual earthquake damage probability (Lee et al. 2021), but these are usually inefficient because they require repetitive, time-consuming structural analysis. There are a lot. The process of deriving the seismic fragility curve can be simplified through regression or Bayesian using only the actual earthquake damage probability without structural analysis, but even in this case, there is the inconvenience of having to derive seismic fragility curves for various structural types individually.
이에, 본 발명의 실시예에서는, 실제 지진 피해 확률을 기반으로 구조물의 지진 취약도 곡선을 효율적으로 도출하는 지진 취약 정보 제공 기법을 제안하고자 한다.Accordingly, in an embodiment of the present invention, we would like to propose a technique for providing earthquake vulnerability information that efficiently derives the seismic vulnerability curve of a structure based on the actual probability of earthquake damage.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)의 기능을 설명하기 위한 블록도이다.Figure 1 is a block diagram for explaining the function of the earthquake vulnerability
도 1에 도시한 바와 같이, 지진 취약 정보 제공 장치(100)는 획득부(110), 저장부(120), 처리부(130), 입력부(140) 및 출력부(150)를 포함할 수 있다.As shown in FIG. 1, the earthquake vulnerability
획득부(110)는 지진 피해 해석 정보를 획득할 수 있다. 여기서, 지진 피해 해석 정보는, 예를 들어 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있다.The
지진 취약도 곡선은 지진으로 인한 지반 운동 강도와 특정 손상 수준을 초과할 확률 간의 관계를 나타내며, 이는 다양한 구조물의 취약도 분석 결과를 설명하는 데 널리 사용되어 왔다. 이러한 취약도 곡선은 도출 방법에 따라 경험적(empirical), 판단적(judgmental), 해석적(analytical), 하이브리드(hybrid), 네 가지 유형으로 구분할 수 있다. 경험적 방법은 지진 재해가 일어났던 지역에서 구조물들이 얼마나 많은 피해를 입었는가를 조사한 뒤, 각각의 재해 강도와 이에 상응하는 피해에 대한 상관성을 통계적으로 추출해 내는 것을 말한다. 이러한 경험적 방법은 실제 지진에 대한 데이터를 가장 잘 반영하지만, 규모가 큰 지진이 자주 발생하지 않는다면 구조적 손상과 관련한 현장 데이터를 충분하게 얻기가 어렵다는 한계점이 존재한다. 다음으로, 판단적 방법은 지진 피해 현장조사보다는 주로 해당 분야의 전문가들을 대상으로 한 설문조사를 통해 재해 강도와 구조물의 피해 확률에 대한 연관성을 분석하는 것을 의미한다. 판단적 방법의 경우 전문가의 의견을 바탕으로 다른 방법들보다 비교적 쉽게 취약도 곡선을 도출할 수 있지만, 전문가의 경험과 판단에 따라 주관적일 수 있다는 한계점이 있다. 세 번째로, 해석적 취약도 곡선은 유한요소모델과 같은 수치 모델들의 지진 피해 시뮬레이션을 통해 얻을 수 있으며, 이때 다양한 시뮬레이션 접근 방식이 사용된다. 이러한 해석적 방법은 다양한 구조 시스템에 대해 구조 해석 모델을 사용하여 수치적으로 개발할 수 있기 때문에 가장 널리 사용되나, 도출된 취약도 곡선은 수치 모델 및 개발 기술에 따라 정확하지 않을 수 있다.The seismic fragility curve represents the relationship between the intensity of ground motion due to an earthquake and the probability of exceeding a certain damage level, and it has been widely used to explain the results of fragility analysis of various structures. These vulnerability curves can be divided into four types depending on the derivation method: empirical, judgmental, analytical, and hybrid. The empirical method refers to investigating how much damage was suffered to structures in an area where an earthquake disaster occurred and then statistically extracting the correlation between the intensity of each disaster and the corresponding damage. Although this empirical method best reflects data on actual earthquakes, it has the limitation that it is difficult to obtain sufficient field data related to structural damage if large-scale earthquakes do not occur frequently. Next, the judgmental method refers to analyzing the relationship between disaster severity and the probability of structural damage through a survey of experts in the field, rather than an on-site earthquake damage survey. In the case of the judgmental method, the fragility curve can be derived relatively more easily than other methods based on the opinions of experts, but it has the limitation that it can be subjective depending on the experience and judgment of the expert. Third, analytical fragility curves can be obtained through earthquake damage simulations of numerical models such as finite element models, and various simulation approaches are used. This analytical method is the most widely used because it can be developed numerically using a structural analysis model for various structural systems, but the derived fragility curve may not be accurate depending on the numerical model and development technology.
이때, 획득부(110)는 본 발명의 실시예에 따른 지진 취약 정보 제공하거나 이를 위한 학습을 수행함에 있어 입력 데이터로 사용될 수 있는 지진 피해 해석 정보를 전처리할 수 있다. 획득부(110)는 이러한 전처리에 의해 지진 피해 해석 정보를 csv(comma separated value) 포맷 또는 xml(extensible markup language) 포맷으로 변환할 수 있다.At this time, the
저장부(120)에는 지진 취약 정보를 제공하기 위한 프로그램이 저장될 수 있다. 이러한 프로그램은 후술하는 처리부(130)에 의해 로드될 수 있고, 필요에 따라 갱신(update)될 수 있다. 저장부(120)는, 예를 들어 RAM(random access memory), ROM(read only memory) 등의 기록매체를 포함할 수 있고, 특정 기록매체에 한정될 필요는 없다.A program for providing earthquake vulnerability information may be stored in the
처리부(130)는 획득부(110)를 통해 지진 피해 해석 정보가 획득되면 저장부(120)의 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하도록 처리할 수 있다. 이를 위해, 처리부(130)는 획득부(110)를 통해 학습용 지진 피해 해석 정보를 획득하고, 이러한 학습용 지진 피해 해석 정보를 입력 데이터로 하여 지진 피해 예측 결과를 출력하도록 학습 모델을 학습시킬 수 있다. 또한, 처리부(130)는 학습용 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 지진 취약도 곡선을 갱신하도록 학습 모델(124)을 학습시킬 수 있다. 이때, 매개변수는 로그 평균 및 로그 표준편차를 포함할 수 있다.When earthquake damage analysis information is acquired through the
입력부(140)는 GUI 제어 모듈을 포함할 수 있으며, 로봇 클래스를 이용하여 사용자의 제어 명령을 입력 받을 수 있다. 이러한 입력부(140)에 대해서는 하기 도 6에서 상세히 설명하기로 한다.The
출력부(150)는 처리부(130)에서 처리되는 지진 피해 예측 결과를 기초로, 지진 취약도 곡선을 디스플레이 처리할 수 있다. 이러한 출력부(150)는 LCD(liquid crystal display), LED(light emitting diode), OLED(organic LED) 등의 디스플레이 수단을 포함할 수 있으며, 특정 디스플레이 수단에 한정될 필요는 없다.The
도 2는 도 1의 지진 취약 정보 제공 장치(100)의 저장부(120) 내에 포함되는 지진 피해 평가 프로그램(122)의 개념도이다.FIG. 2 is a conceptual diagram of an earthquake
지진 피해 평가 프로그램(122)은 지진 시나리오 기반 지진 피해 평가 소프트웨어를 포함할 수 있으며, 여러 구조물에 대한 지진 피해를 시뮬레이션하고 분석하는 데 사용될 수 있다. 이러한 지진 피해 평가 프로그램은 지진 피해를 완화하기 위한 여러 전략 수립, 이와 관련한 과학 및 공학적인 실험 그리고, 라이프라인과 사회적 또는 경제적 시스템에 대한 지진 재해가 미치는 영향을 평가하는 기능을 포함하고 있다. 이 기능들을 통하여 직접 손실 또는 간접 손실, 사회 기반 시설물 등의 작동 중단 시간, 사업 중단 등의 경제적 손실과 사회적 취약성, 인명피해, 피난민 등과 같은 사회적 손실과 같은 다양한 유형의 결과를 제공할 수 있다.The seismic
이러한 지진 피해 평가 프로그램(122) 내에는, 도 2에 도시한 바와 같이 본 발명의 실시예에 따른 학습 모델(124)이 포함될 수 있다.This earthquake
이러한 학습 모델(124)은, 예를 들어 ANN(artificial neural network) 모델을 포함할 수 있다. ANN 모델은 입력 및 출력 데이터의 패턴 인식을 통해 은닉층과 뉴런을 포함하는 전달 함수를 구성하는 인공 지능 기술로 알려져 있다. 이 기법은 지도 학습을 통해 입력 데이터와 출력 데이터 간의 비선형성을 포함한 복잡한 관계를 간단한 수학적인 함수로 표현될 수 있다. 최근 딥 러닝 및 머신 러닝 기술들은 기존 신경망을 기반으로 개발된 다수의 접근 방식들이 있으며, 이중 ANN 모델은 사용자가 다른 방식들에 비해 비교적 손쉽게 다룰 수 있으며, 빠른 계산 속도로 기존에 해석하던 방법에서 활용할 수 있다는 이점을 가지고 있다. 이러한 이유로, 많은 수의 연구자들이 구조 상태 모니터링, 구조 제어, 손상 감지, 구조 응답 추정과 같은 다양한 공학 연구 분야에서 ANN 기법을 사용해 왔다.This
실제 지진 피해 데이터를 활용한 효율적인 지진 취약도 곡선의 갱신을 위해, 본 발명의 실시예에서는 ANN 기반 대리 모델(surrogate model)을 구축하였다. 대리 모델을 구축하기 위해서는 초기에 학습 데이터 확보 및 모델이 학습하는 시간이 소요되지만, 한 번 구축하고 나면 이후 지진 시뮬레이션과 같이 계산 비용이 많이 소요되는 분석에 대해 적은 비용으로도 신속한 수행이 가능하다는 장점이 있다. 이렇게 구축된 대리 모델은 지진 취약도 곡선 도출뿐만 아니라 지진 위험성 평가, 확률론적 지진 재해 분석 및 최적화 문제와 같은 다양한 반복 해석에서 활용될 수 있으며, 본 발명의 실시예에서는 로그 정규분포를 따르는 지진 취약도 곡선의 로그평균과 로그표준편차를 ANN 모델의 입력변수로 고려하고 지진 피해 확률을 출력 변수로 설정하였다.In order to efficiently update the earthquake fragility curve using actual earthquake damage data, an ANN-based surrogate model was constructed in an embodiment of the present invention. In order to build a surrogate model, it takes time to initially secure training data and learn the model, but once built, analyzes that require high computational costs, such as earthquake simulation, can be performed quickly at a low cost. There is. The surrogate model constructed in this way can be used in various iterative analyzes such as seismic risk assessment, probabilistic seismic hazard analysis, and optimization problems as well as deriving the seismic fragility curve. In the embodiment of the present invention, the seismic fragility follows the log-normal distribution. The log mean and log standard deviation of the curve were considered as input variables of the ANN model, and the probability of earthquake damage was set as the output variable.
ANN 모델을 활용한 지진피해 예측모델을 구축하여 지진 취약도 곡선 갱신에 활용하기 위해서는 먼저 정확한 지진 피해 예측이 요구된다. 이때, 보다 정교하게 지진피해를 예측하는 모델을 만들기 위해, 많은 수의 지진 피해 시뮬레이션 데이터를 확보되어야 하며, 이는 지진 취약도 곡선을 정의하는 다양한 파라미터에 대해 반복적으로 지진 피해 평가 프로그램의 해석을 수행해야 함을 의미한다.In order to build an earthquake damage prediction model using an ANN model and use it to update the earthquake vulnerability curve, accurate earthquake damage prediction is first required. At this time, in order to create a model that predicts earthquake damage more precisely, a large number of earthquake damage simulation data must be secured, which requires repeatedly analyzing the earthquake damage assessment program for various parameters that define the earthquake vulnerability curve. It means that
도 3은 도 2의 지진 피해 평가 프로그램(122) 내의 학습 모델(124)의 학습 방법을 예시적으로 설명하기 위한 기능 블록도이다.FIG. 3 is a functional block diagram illustrating an example of a learning method of the
먼저, 획득부(110)를 통해 학습용 지진 피해 해석 정보가 획득되면, 처리부(130)는 이러한 학습용 지진 피해 해석 정보를 입력으로 하여 지진 피해 예측 결과를 출력하도록 학습 모델(124)을 학습시킬 수 있다.First, when earthquake damage analysis information for learning is acquired through the
구체적으로, 학습 모델(124)은 획득부(110)를 통해 획득되는 학습용 지진 피해 해석 정보와 함께, 레이블 데이터로서 학습용 지진 피해 해석 정보에 대한 정답 결과를 입력 받으면, 학습용 지진 피해 해석 정보에 대한 지진 피해 예측 결과를 출력하도록 학습될 수 있다.Specifically, when the
이때, 획득부(110)는 학습용 지진 피해 해석 정보를 전처리하고, 전처리에 의해 학습용 지진 피해 해석 정보를 csv 또는 xml 포맷을 변환할 수 있다. 지진 피해 평가 프로그램(124)의 해석에서 주요한 입력 정보로 구조물 정보, 손상 수준 정보, 지진재해 정보, 지진 취약도 곡선 등의 지진 피해 해석 정보가 요구되며, 이러한 지진 피해 해석 정보를 지진 피해 평가 프로그램(124)에서 인식할 수 있도록 csv 포맷 또는 xml 포맷 등으로 변환하는 전처리 과정이 필요할 수 있다. 여기서 구조물의 위치 정보는 WGS84(world geodetic system 84) 좌표계를 기준으로 한 위도 및 경도 좌표 데이터와 구조물의 특성 정보로 건물 타입, 층수, 준공년도 등이 포함된 형상 파일(shapefile)형태의 데이터가 필요하다. 그리고, 지진 시나리오 생성을 위해 지반 감쇠 모델, 진원지의 위경도 좌표 데이터, 진원 깊이, 지진 규모 등의 결정론적 지진 위험 정보가 요구된다. 또한, 피해 예측 대상 구조물의 취약도 정보 역시 요구되며, 대상 구조물에 대한 지진취약도 함수의 손상 수준 별 매개변수, 손상 수준 정보 등과 구조물의 정보를 지진취약도 함수로 매핑하는 과정이 필요하다. 이러한 획득부(110)의 전처리 과정은 본 발명의 실시예에서 학습 모델(124)의 학습에 용이하도록 하는 과정이며, 필요에 따라 전처리 과정이 생략될 수도 있다.At this time, the
또한, 학습 모델(124)은, 학습용 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 지진 취약도 곡선을 갱신할 수 있으며, 매개변수는 로그 평균 및 로그 표준편차를 포함할 수 있다.In addition, the
여기서, 학습용 지진 피해 해석 정보는, 예를 들어 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있으며, [표 1]은 학습용 지진 피해 해석 정보에 포함되는 구조물 정보를 예시적으로 나타낸 것이다.Here, the earthquake damage analysis information for learning may include, for example, at least one of an earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information, and [Table 1] shows the structures included in the earthquake damage analysis information for learning. Information is shown as an example.
[표 1]에 예시한 바와 같이, 구조물 정보는 지진 피해를 추정하기 위해 선택된 지역에 있는 구조물에 대한 정보이며, 그 중에서도 손상 비용을 산출하기 위해서는 부동산 시세와 같은 정보가 특히 중요하다. 여기서 지진 피해 예측을 하고자 하는 대상 구조물에 따라 입력되는 데이터가 달라지지만, 먼저 공통적인 입력 데이터로 구조물의 위치를 나타내는 WGS84 좌표계의 위·경도, 구조물을 지도상에 단순화하여 표현하는 선 및 점과 같은 도형의 형태 그리고, 개별 구조물의 명칭 등이 있다. 두 번째 단계에서는 선택된 지역에서 발생할 수 있는 지진에 대한 시나리오를 생성하며, 지진 규모와 위치 등 몇 가지 정보를 시나리오 생성을 위해 입력해야 한다. 이 단계에서 사용되는 지진 재해도의 속성은 지진 감쇠(attenuation) 모델, 지진 규모, 진원 위치 정보 및 진원 깊이 등을 포함하고, 이때 위치 정보는 인벤토리와 마찬가지로 위·경도 좌표를 일컫는다. 이를 위해, 다양한 지진 감쇠 모델이 지진 피해 평가 프로그램(122) 내에 내장될 수 있으며, 이를 시나리오 생성 시 적절하게 활용할 수 있다. 세 번째 단계로, 지진 취약도 곡선을 정의한 뒤 이에 해당하는 구조물에 매핑(mapping)하게 되는데, 이를 통해 구조물의 손상 확률이 계산된다. 지진 취약도 곡선도 마찬가지로 다양한 구조물에 대하여 지진 피해 평가 프로그램(122) 내에 내장될 수 있으며, 취약도 곡선을 정의하기 위한 확률분포의 종류(정규분포 또는 로그 정규분포)와 해당 확률분포의 평균 및 표준편차가 지진 취약도 곡선을 정의하는 데에 있어 가장 중요하다고 할 수 있다. 여기서 산출된 손상 확률은 이후 정량적인 손실을 평가할 때 기초 자료가 되기 때문에 정확하게 지진취약도 함수를 정의해야 한다. 마지막으로, 건물 재건축 비용에 대한 건물의 보수 비용의 비를 사용하여 구조물의 손실이 평가된다.As illustrated in [Table 1], structure information is information about structures in a selected area to estimate earthquake damage, and among them, information such as real estate market prices is especially important to calculate damage costs. Here, the input data varies depending on the target structure for which earthquake damage prediction is to be made, but first, common input data is the latitude and longitude of the WGS84 coordinate system that indicates the location of the structure, and lines and points that represent the structure in a simplified form on the map. There are shapes of figures and names of individual structures. In the second step, a scenario for an earthquake that may occur in the selected area is created, and several information such as earthquake magnitude and location must be entered to create the scenario. The properties of the seismic hazard map used at this stage include an earthquake attenuation model, earthquake magnitude, epicenter location information, and epicenter depth. In this case, the location information refers to latitude and longitude coordinates like the inventory. To this end, various earthquake attenuation models can be embedded within the earthquake
이러한 여러 입력 정보들 중에서 정규분포 또는 로그 정규분포를 따르는 지진 취약도 곡선의 평균과 표준편차에 해당 확률분포로부터 발현되는 무작위성(randomness)을 인위적으로 부여하여 생성된 지진 취약도 곡선에 따라 여러 가지의 지진 피해 분석 결과를 얻을 수 있으며, 본 발명의 실시예에서는 보다 많이 사용되는 로그 정규분포를 사용하도록 한다. 구조물 정보, 지진 재해도 및 취약도 매핑은 기존에 입력된 정보를 유지하며, 평균과 표준편차 값들을 바꿔가며 수행하는 해석의 자동화를 통해 산출된 구조물의 여러 손상 확률을 결과값으로 얻을 수 있다. 이를 바탕으로 ANN과 같은 학습 알고리즘을 도입하여 대리 모델(surrogate model) 구축이 가능하다. 이렇게 구축된 대리 모델을 사용한다면 자동화 플랫폼 구축 이전 해석 시 소요되던 해석 비용을 낮출 수 있으며, 이를 활용하여 효율적인 실제 피해 데이터 기반 취약도 곡선 갱신이 가능하다.Among these various input information, various types of seismic susceptibility curves are created by artificially assigning randomness resulting from the corresponding probability distribution to the mean and standard deviation of the seismic susceptibility curve that follows a normal or lognormal distribution. Earthquake damage analysis results can be obtained, and in embodiments of the present invention, the more commonly used log normal distribution is used. Structure information, seismic hazard, and vulnerability mapping maintain existing input information, and various damage probabilities of the structure calculated through automation of the analysis performed by changing the average and standard deviation values can be obtained as results. Based on this, it is possible to build a surrogate model by introducing a learning algorithm such as ANN. If you use the surrogate model constructed in this way, the analysis cost required for analysis before building an automated platform can be reduced, and by using this, it is possible to efficiently update the vulnerability curve based on actual damage data.
도 4는 도 2의 지진 피해 평가 프로그램(122) 내의 학습 모델(124)을 이용하여 지진 취약 정보를 제공하기 위한 방법을 예시적으로 설명하기 위한 기능 블록도이다.FIG. 4 is a functional block diagram illustrating a method for providing earthquake vulnerability information using the
구축된 학습 모델(124)을 이용하여 지진 취약 정보를 제공하기 위한 처리부(130)의 과정은, 지진 피해 해석 정보를 획득부(110)로부터 획득하는 단계; 및 지진 피해 해석 정보가 획득되면 지진 피해 평가 프로그램(122) 내의 학습 모델(124)을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함할 수 있다.The process of the
이때, 학습 모델(124)은 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 랜덤 방식으로 변경하여 지진 취약도 곡선을 갱신하도록 학습될 수 있으며, 학습 모델(124)로 실제 지진 피해 데이터가 추가로 입력되어 지진 피해 예측 결과를 출력할 수 있다. 지진 피해 해석 정보는, 예를 들어 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보 중 적어도 하나를 포함할 수 있다.At this time, the
여기서, 획득하는 단계는, 지진 피해 해석 정보를 전처리하는 단계; 및 전처리에 의해 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환하는 단계;를 더 포함할 수 있다.Here, the acquiring step includes preprocessing earthquake damage analysis information; And it may further include converting the earthquake damage analysis information into csv format or xml format by preprocessing.
한편, 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)는 구축된 학습 모델(124)을 활용한 지진 피해 시뮬레이션 해석 수행을 통해서 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행할 수 있다.Meanwhile, the earthquake vulnerability
이때, 아래 [수학식 1]과 같은 목적함수를 정의하여 최적화 해석을 수행하였으며, 최적화를 수행하기 위해서는 참값으로 사용될 대상 지역의 구조물별로 실제 피해 데이터가 사전에 정의되어 있어야 한다.At this time, optimization analysis was performed by defining an objective function as shown in [Equation 1] below. In order to perform optimization, actual damage data for each structure in the target area to be used as the true value must be defined in advance.
[수학식 1]에서, θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, n은 지진 위치 정보의 개수, y는 지진 위치 정보의 피해 건물의 개수, 
이러한 [수학식 1]을 통해 최적의 지진 취약도 곡선을 도출해 낼 수 있다.Through this [Equation 1], the optimal seismic fragility curve can be derived.
도 5는 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)의 개념도이다.Figure 5 is a conceptual diagram of an earthquake vulnerability
본 발명의 실시예에서는 앞서 기술한 내용들을 바탕으로 사용자의 반복적인 해석이 불필요한 자동화 해석 플랫폼을 구축하고, 계산 비용이 절감되어 효율적인 지진 피해 예측을 위한 ANN 모델을 이용하여 기존 지진 취약도 곡선을 새로이 도출(즉, 갱신)하는 새로운 기법을 제시하였다. 지진 피해 평가 프로그램(122)의 해석에서 사용되는 입력 정보는 앞서 설명한 것처럼 구조물 정보, 손상 수준 정보, 지진 재해 정보 그리고 지진 취약도 곡선이다. 이러한 입력 정보 중 제안된 프레임 워크는 지진 취약도 곡선을 갱신하는 것에 초점을 두고 있다. 따라서, 이러한 지진 취약도 곡선을 갱신하기 위해서는 지진 취약도 곡선의 매개변수(로그평균과 로그표준편차)를 무작위로 바꿔가며 해석을 수행하여 ANN의 학습 데이터를 확보하는 것이 필수적이다. 하지만, 적절한 수의 학습 데이터를 확보하기 위해서는 대략적으로 수천 번 이상의 반복적인 해석이 요구되므로 지진 피해 평가 프로그램(122)의 해석 과정에서 자동화가 필요하다. 본 발명의 실시예에서는 GUI를 제어할 수 있는 매크로를 통해 자동화된 프로그램 해석을 가능하게 하여 대리모델 학습에 필요한 해석 데이터를 충분하게 확보할 수 있었다. 이렇게 구축된 대리모델의 해석을 통해 계산된 구조물의 추정 피해 확률이 실제 피해 확률을 잘 예측할 수 있도록 최적화 해석이 이뤄지게 되며, 궁극적으로는 최적의 지진 취약도 곡선을 얻게 된다.In an embodiment of the present invention, based on the contents described above, an automated analysis platform is built that does not require repetitive user analysis, and the existing earthquake fragility curve is updated using an ANN model for efficient earthquake damage prediction with reduced computational costs. A new technique for derivation (i.e. updating) was presented. The input information used in the analysis of the earthquake
도 6은 도 1의 지진 취약 정보 제공 장치(100)의 입력부(140)의 기능을 예시한 개념도이다.FIG. 6 is a conceptual diagram illustrating the function of the
입력부(140)는 마우스 및 키보드 제어가 필요한 응용 프로그램의 시스템 입력 이벤트를 생성하는 로봇 클래스(robot class)를 이용하여 GUI를 제공할 수 있다.The
지진 취약 정보 제공 장치(100)서는 도 6과 같이 로봇 클래스를 활용하여 GUI를 제어하는 모듈을 구축하였다.The earthquake vulnerability
로봇 클래스는 보통 마우스 및 키보드 제어가 필요한 응용 프로그램을 위해서 시스템 입력 이벤트를 생성하는데 사용된다. 지진 취약 정보 제공 장치(100)의 자동화 플랫폼에서는 이러한 로봇 클래스의 기능을 활용하여 도 6에 예시한 바와 같이 마우스 및 키보드 제어 명령어를 사용하여 DOS 환경에서는 불가능했던 소프트웨어 구동 및 지진 피해 시뮬레이션 해석을 수행할 수 있도록 하였다. 이를 통해서 지진 취약 정보 제공 장치(100) 자동화 플랫폼은 자동적으로 반복할 수 있는 지진 피해 시뮬레이션 해석 수행 기능이 갖춰졌으며, 대상 지역의 구조물들에 대한 여러 피해 확률 추정이 가능해진다.The Robot class is commonly used to generate system input events for applications that require mouse and keyboard control. The automation platform of the earthquake vulnerability
지진 취약 정보 제공 장치(100)는 입력부(140)의 반복적인 지진 해석 시뮬레이션을 자동적으로 수행해서 가상의 지진 피해 데이터 생성하게 되며, 생성된 데이터는 ANN 모델의 학습에 활용된다. 따라서, 학습된 ANN 모델을 활용해서 효율적인 지진피해 예측을 수행하고 이를 바탕으로 최적화 과정을 통해 지진 취약도 곡선의 갱신을 수행할 수 있게 된다.The earthquake vulnerability
도 7은 본 발명의 실시예에 따른 지진 취약 정보 제공 장치(100)를 이용하여 지진 피해 확률을 산출하기 위한 특정 지역의 격자 정보를 예시한 도면이다.FIG. 7 is a diagram illustrating grid information of a specific area for calculating the probability of earthquake damage using the earthquake vulnerability
본 발명의 실시예에서 제안된 프레임워크는 2017년 포항 지진 피해 데이터를 바탕으로 예제를 구성해 적용되었다. 여기서, 지진 피해 조사 데이터 중 무보강 조적 전단벽(URML) 건물 유형에 대한 피해 데이터를 사용하였는데, 집계된 데이터는 피해 수준에 따라 소파, 반파, 전파로 나뉘어 있다. 도 7에 예시한 것처럼 포항시에 해당하는 가로Х세로 2kmХ2km 격자별로 피해 확률이 산출되었고, 이는 [표 2]에 작성되어 있다.The framework proposed in the embodiment of the present invention was applied by constructing an example based on damage data from the 2017 Pohang earthquake. Here, among the earthquake damage survey data, damage data for the unreinforced masonry shear wall (URML) building type was used. The aggregated data is divided into full wave, half wave, and full wave depending on the level of damage. As shown in Figure 7, the probability of damage was calculated for each 2km x 2km grid corresponding to Pohang City, and this is written in [Table 2].
[표 2]는 도 7의 특정 지역의 무보강 조적 전단벽(URML) 건물의 실제 피해 확률을 예시한 것이다.[Table 2] illustrates the actual damage probability for unreinforced masonry shear wall (URML) buildings in specific areas in Figure 7.
실제 피해 확률Sofa
Actual Damage Probability
실제 피해 확률half wave
Actual Damage Probability
실제 피해 확률spread
Actual Damage Probability
한편, 지진 취약 정보 제공 장치(100)의 자동화 플랫폼의 반복 해석을 통해, 포항시 일대의 URML 건물에 대한 구조물 손상도 정보를 얻을 수 있다. 이를 기반으로 지진 피해 시뮬레이션 대리 모델의 학습데이터를 구축하였으며, 몬테카를로 시뮬레이션을 통해 구축된 ANN 대리 모델의 정확성을 검증하였다. 학습 데이터는 지진 취약도의 매개변수(로그평균, 로그표준편차)이며, URML 건물 손상확률을 출력 정보로 표출한다. 모델을 검증하기 위한 데이터는 지진 취약도의 매개변수를 몬테카를로 시뮬레이션으로 샘플링하여 취득했으며, 1,000개의 검증 데이터를 확보하여 대리 모델에 대한 검증을 수행하였다. 여기서 사용된 ANN 모델은 4개의 은닉층(hidden layer)과 각층별로 10개의 은닉 노드(hidden node)로 구성되어 있고 구축된 ANN 대리 모델의 예측 성능을 확인하기 위해서 검증 데이터에 대한 결정계수(R2)값을 확인하였으며, 결과에 대한 예시는 도 8과 같다.Meanwhile, through repeated analysis of the automated platform of the earthquake vulnerability
도 8은 도 7의 특정 지역의 무보강 조적 전단벽(URML) 건물에 대한 손상확률을 예측한 시뮬레이션 결과를 예시한 그래프이다.Figure 8 is a graph illustrating simulation results predicting the probability of damage to an unreinforced masonry shear wall (URML) building in a specific area of Figure 7.
[표 2]에 나와 있는 실제 피해 확률은 무보강 조적 전단벽(URML)유형 건물의 지진 취약도 곡선을 업데이트하는 데에 사용되었으며, 도 9 는 도 7의 특정 지역의 무보강 조적 전단벽(URML) 건물의 소파에 해당하는 지진 취약도 곡선의 갱신 결과를 보여주고 있다. 이를 통해 초기 취약도 곡선은 실제 피해 확률과 비교적 큰 오차를 보이나, 제안 프레임워크를 사용해 업데이트된 취약도 곡선은 실제 피해 확률에 훨씬 가깝게 접근하는 것을 확인할 수 있었다.The actual damage probabilities shown in [Table 2] were used to update the seismic fragility curves for unreinforced masonry shear wall (URML) type buildings, and Figure 9 shows the unreinforced masonry shear wall (URML) building in a specific region in Figure 7. It shows the update results of the seismic susceptibility curve corresponding to the sofa of . Through this, it was confirmed that the initial vulnerability curve shows a relatively large error with the actual damage probability, but the updated vulnerability curve using the proposed framework approaches much closer to the actual damage probability.
갱신된 지진 취약도 함수의 결과를 검증하기 위해 기존 취약도 함수와 갱신된 취약도 함수를 바탕으로 건물의 예측 피해 수량 산출하여 "|실제 건물 피해 수량 - 예측 건물 피해 수량|"을 통해 오차를 계산하였다. 이는 아래 [표 3]과 같이 예시될 수 있다.In order to verify the results of the updated seismic fragility function, the predicted damage quantity of the building was calculated based on the existing fragility function and the updated fragility function, and the error was calculated through "|Actual building damage quantity - Predicted building damage quantity|" did. This can be illustrated as in [Table 3] below.
예측 피해 동수Before update
Expected Damage Equal Number
예측 절대오차Before update
Prediction absolute error
예측 피해 동수After update
Expected Damage Equal Number
예측 절대오차After update
Prediction absolute error
[표 3]에서 알 수 있듯이, 본 발명의 실시예에서는 소파를 대상으로 한 하나의 지진 취약도 곡선에 대한 갱신을 수행하였으며, 갱신된 취약도 함수가 초기 지진 취약도 곡선 보다 상대적으로 정확한 피해 예측을 할 수 있음을 확인하였다.As can be seen in [Table 3], in the embodiment of the present invention, an update was performed on one seismic fragility curve targeting a sofa, and the updated fragility function predicted damage relatively more accurately than the initial seismic fragility curve. It was confirmed that it can be done.
이상 설명한 바와 같은 본 발명의 실시예에 의하면, 실제 지진 피해 데이터 기반으로 한 지진 취약도 곡선 도출 기법을 제안하였고, 이 기법은 지진 피해 평가 프로그램의 자동화 플랫폼과 ANN 대리 모델을 활용하여 지진 취약도 곡선의 매개변수를 도출하거나 업데이트 할 수 있도록 해준다. 제안된 기법의 검증을 위해 2017년 포항 지진 피해 데이터를 기반으로 예제를 구성하였으며, 무보강 조적 전단벽(URML) 건물 유형의 실제 피해 확률을 이용하여 지진 취약도 곡선을 업데이트 하였다. 그 결과, 실제 피해 확률에 가깝게 업데이트가 성공적으로 되었음을 확인하였다. 대상 지역에 지진 피해 평가 프로그램의 자동화 플랫폼을 활용해 다양한 변수를 고려한 많은 수의 지진 시뮬레이션 데이터를 확보해 둔다면, 추후 추가적인 실제 피해 데이터가 취득되어도 신속한 지진 피해 평가와 지진 취약도 곡선 업데이트를 수행할 수 있을 것으로 기대된다.According to the embodiment of the present invention as described above, a technique for deriving an earthquake fragility curve based on actual earthquake damage data was proposed, and this technique utilizes an automated platform of an earthquake damage assessment program and an ANN surrogate model to create a seismic fragility curve. Allows you to derive or update parameters. To verify the proposed method, an example was constructed based on damage data from the 2017 Pohang earthquake, and the seismic fragility curve was updated using the actual damage probability of the unreinforced masonry shear wall (URML) building type. As a result, it was confirmed that the update was successful, close to the actual damage probability. If a large number of earthquake simulation data considering various variables are secured by utilizing the automated platform of the earthquake damage assessment program in the target area, rapid earthquake damage assessment and earthquake vulnerability curve update can be performed even if additional actual damage data is acquired in the future. It is expected that there will be.
한편, 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록에서 설명된 기능들을 수행하는 수단을 생성하게 된다.Meanwhile, combinations of each block in the attached block diagram and each step in the flow diagram may be performed by computer program instructions. Since these computer program instructions can be mounted on the processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment, the instructions performed through the processor of the computer or other programmable data processing equipment are described in each block of the block diagram. It creates the means to perform functions.
이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리) 등에 저장되는 것도 가능하므로, 그 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체(또는 메모리)에 저장된 인스트럭션들은 블록도의 각 블록에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.These computer program instructions can be stored in a computer-readable or computer-readable recording medium (or memory) that can be directed to a computer or other programmable data processing equipment to implement a function in a specific way, so that the computer can be used. Alternatively, instructions stored in a computer-readable recording medium (or memory) can produce manufactured items containing instruction means that perform the functions described in each block of the block diagram.
그리고, 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다. In addition, computer program instructions can be mounted on a computer or other programmable data processing equipment, so a series of operation steps are performed on the computer or other programmable data processing equipment to create a process that is executed by the computer and run on the computer or other program. Instructions that perform possible data processing equipment may also provide steps for executing the functions described in each block of the block diagram.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.Additionally, each block may represent a module, segment, or portion of code that includes at least one or more executable instructions for executing specified logical function(s). Additionally, it should be noted that in some alternative embodiments it is possible for the functions mentioned in the blocks to occur out of order. For example, it is possible for two blocks shown in succession to be performed substantially at the same time, or it is possible for the blocks to be performed in reverse order depending on the corresponding function.
100: 지진 취약 정보 제공 장치
110: 획득부
120: 저장부
122: 지진 피해 평가 프로그램
124: 학습 모델
130: 처리부
140: 입력부
150: 출력부100: Earthquake vulnerability information provision device
110: Acquisition department
120: storage unit
122: Earthquake Damage Assessment Program
124: Learning model
130: processing unit
140: input unit
150: output unit
Claims (25)
상기 획득부가 학습용 지진 피해 해석 정보를 획득하는 단계; 및
상기 학습용 지진 피해 해석 정보가 획득되면 지진 피해 예측 결과를 출력하도록 상기 처리부가 상기 학습 모델을 학습시키는 단계;를 포함하되,
상기 처리부는 상기 학습용 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 입력 변수로 설정하고, 상기 학습용 지진 피해 해석 정보에 대한 정답 결과를 레이블 데이터로 이용하며, 상기 지진 피해 예측 결과인 지진 피해 확률을 출력 변수로 설정하여 상기 학습 모델을 학습시키고,
상기 획득하는 단계는,
상기 학습용 지진 피해 해석 정보를 전처리하는 단계; 및
상기 전처리에 의해 상기 학습용 지진 피해 해석 정보를 csv(comma separated value) 포맷 또는 xml(extensible markup language) 포맷으로 변환하는 단계;를 포함하며,
상기 학습용 지진 피해 해석 정보는 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보를 포함하고,
상기 학습 모델은 ANN(artificial neural network) 기반의 대리 모델(surrogate model)을 포함하며,
상기 처리부는 상기 대리 모델을 통해 상기 입력 변수를 랜덤 방식으로 변경함으로써 상기 지진 취약도 곡선을 갱신하고,
상기 대리 모델을 활용한 지진 피해 시뮬레이션 해석을 통해 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행하며,
상기 최적화 과정은 대상 지역의 구조물별로 실제 피해 데이터를 사전에 정의한 목적함수인 수학식 을 기초로 수행되고,
상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 는 상기 학습 모델로부터 계산된 지진 피해 확률과 상기 피해 건물의 개수를 곱하여 계산된 추정 피해 건물 개수인
지진 취약 정보 제공을 위한 학습 모델의 학습 방법.
In the learning method of an earthquake vulnerability information providing device that includes an acquisition unit, a storage unit, and a processing unit, and provides earthquake vulnerability information using a learning model stored in the storage unit,
The acquisition unit acquiring earthquake damage analysis information for learning; and
Including, when the learning earthquake damage analysis information is obtained, the processing unit trains the learning model to output an earthquake damage prediction result,
The processing unit sets the parameters of the earthquake fragility curve in the learning earthquake damage analysis information as input variables, uses the correct answer for the learning earthquake damage analysis information as label data, and earthquake damage probability that is the earthquake damage prediction result. Set as an output variable to train the learning model,
The obtaining step is,
Preprocessing the learning earthquake damage analysis information; and
Converting the learning earthquake damage analysis information into csv (comma separated value) format or xml (extensible markup language) format by the preprocessing,
The learning earthquake damage analysis information includes the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information,
The learning model includes a surrogate model based on an artificial neural network (ANN),
The processing unit updates the seismic fragility curve by randomly changing the input variables through the surrogate model,
An optimization process is performed based on the estimated damage probability for each structure calculated through earthquake damage simulation analysis using the above surrogate model,
The optimization process is a mathematical equation that is an objective function that predefines actual damage data for each structure in the target area. It is carried out on the basis of
The θ is a parameter vector of a lognormal distribution that determines the earthquake vulnerability curve, n is the number of earthquake location information, y is the number of damaged buildings in the earthquake location information, and is the estimated number of damaged buildings calculated by multiplying the earthquake damage probability calculated from the learning model and the number of damaged buildings.
Learning method of learning model to provide earthquake vulnerability information.
상기 지진 취약도 곡선은,
경험적(empirical) 유형, 판단적(judgmental) 유형, 해석적(analytical) 유형 및 하이브리드(hybrid) 유형으로 구분되는
지진 취약 정보 제공을 위한 학습 모델의 학습 방법.
According to claim 1,
The earthquake fragility curve is,
Divided into empirical type, judgmental type, analytical type and hybrid type.
Learning method of learning model to provide earthquake vulnerability information.
상기 구조물 정보는,
건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일(shapefile)을 포함하는
지진 취약 정보 제공을 위한 학습 모델의 학습 방법.
According to claim 1,
The structure information is,
Contains a shapefile containing at least one of the building type, number of floors, and year of completion.
Learning method of learning model to provide earthquake vulnerability information.
상기 지진 위치 정보는,
WGS84(world geodetic system 84) 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함하는
지진 취약 정보 제공을 위한 학습 모델의 학습 방법.
According to claim 1,
The earthquake location information is,
Contains latitude and longitude coordinate data based on the world geodetic system 84 (WGS84) coordinate system.
Learning method of learning model to provide earthquake vulnerability information.
상기 매개변수는 로그 평균 및 로그 표준편차를 포함하는
지진 취약 정보 제공을 위한 학습 모델의 학습 방법.
According to claim 1,
The parameters include log mean and log standard deviation.
Learning method of learning model to provide earthquake vulnerability information.
상기 획득부가 지진 피해 해석 정보를 획득하는 단계; 및
상기 지진 피해 해석 정보가 획득되면 상기 처리부가 상기 학습 모델을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함하되,
상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 입력 변수로 설정하고, 학습용 지진 피해 해석 정보에 대한 정답 결과를 레이블 데이터로 이용하며, 상기 지진 피해 예측 결과인 지진 피해 확률을 출력 변수로 설정하여 학습된 ANN 기반의 대리 모델을 포함하고,
상기 획득하는 단계는,
상기 학습용 지진 피해 해석 정보를 전처리하는 단계; 및
상기 전처리에 의해 상기 학습용 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환하는 단계;를 포함하며,
상기 학습용 지진 피해 해석 정보는 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보를 포함하고,
상기 처리부는 상기 대리 모델을 통해 상기 입력 변수를 랜덤 방식으로 변경함으로써 상기 지진 취약도 곡선을 갱신하고,
상기 대리 모델을 활용한 지진 피해 시뮬레이션 해석을 통해 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행하며,
상기 최적화 과정은 대상 지역의 구조물 별로 실제 피해 데이터를 사전에 정의한 목적함수인 수학식 을 기초로 수행되고,
상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 는 상기 학습 모델로부터 계산된 지진 피해 확률과 상기 피해 건물의 개수를 곱하여 계산된 추정 피해 건물 개수이며,
상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력하는
지진 취약 정보 제공 방법.
In the earthquake vulnerability information providing method of the earthquake vulnerability information providing device, which includes an acquisition unit, a storage unit, and a processing unit, and provides earthquake vulnerability information using a learning model stored in the storage unit,
The acquisition unit acquiring earthquake damage analysis information; and
When the earthquake damage analysis information is obtained, the processing unit outputs an earthquake damage prediction result based on the learning model;
The learning model sets the parameters of the earthquake fragility curve in the earthquake damage analysis information as input variables, uses the correct answer for the earthquake damage analysis information for learning as label data, and uses the earthquake damage probability, which is the earthquake damage prediction result, as label data. Contains an ANN-based surrogate model learned by setting it as an output variable,
The obtaining step is,
Preprocessing the learning earthquake damage analysis information; and
Containing a step of converting the learning earthquake damage analysis information into csv format or xml format by the preprocessing,
The learning earthquake damage analysis information includes the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information,
The processing unit updates the seismic fragility curve by randomly changing the input variables through the surrogate model,
An optimization process is performed based on the estimated damage probability for each structure calculated through earthquake damage simulation analysis using the above surrogate model,
The optimization process is a mathematical equation that is an objective function that predefines actual damage data for each structure in the target area. It is carried out on the basis of
The θ is a parameter vector of a lognormal distribution that determines the earthquake vulnerability curve, n is the number of earthquake location information, y is the number of damaged buildings in the earthquake location information, and is the estimated number of damaged buildings calculated by multiplying the probability of earthquake damage calculated from the learning model by the number of damaged buildings,
Actual earthquake damage data is additionally input to the learning model to output the earthquake damage prediction results.
How to provide earthquake vulnerability information.
상기 구조물 정보는,
건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일을 포함하는
지진 취약 정보 제공 방법.
According to claim 8,
The structure information is,
Contains a shape file containing at least one of the building type, number of floors, and year of completion.
How to provide earthquake vulnerability information.
상기 지진 위치 정보는,
WGS84(world geodetic system 84) 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함하는
지진 취약 정보 제공 방법.
According to claim 8,
The earthquake location information is,
Contains latitude and longitude coordinate data based on the world geodetic system 84 (WGS84) coordinate system.
How to provide earthquake vulnerability information.
상기 매개변수는 로그 평균 및 로그 표준편차를 포함하는
지진 취약 정보 제공 방법.
According to claim 8,
The parameters include log mean and log standard deviation.
How to provide earthquake vulnerability information.
지진 취약 정보를 제공하기 위한 프로그램이 저장된 저장부;
상기 지진 피해 해석 정보가 획득되면 상기 프로그램 내의 학습 모델을 기초로 지진 피해 예측 결과를 출력하도록 처리하는 처리부;를 포함하되,
상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 입력 변수로 설정하고, 학습용 지진 피해 해석 정보에 대한 정답 결과를 레이블 데이터로 이용하며, 상기 지진 피해 예측 결과인 지진 피해 확률을 출력 변수로 설정하여 학습된 ANN 기반의 대리 모델을 포함하고,
상기 획득부는,
상기 지진 피해 해석 정보를 전처리하고,
상기 전처리에 의해 상기 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환하며,
상기 학습용 지진 피해 해석 정보는 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보를 포함하고,
상기 처리부는 상기 대리 모델을 통해 상기 입력 변수를 랜덤 방식으로 변경함으로써 상기 지진 취약도 곡선을 갱신하고,
상기 대리 모델을 활용한 지진 피해 시뮬레이션 해석을 통해 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행하며,
상기 최적화 과정은 대상 지역의 구조물별로 실제 피해 데이터를 사전에 정의한 목적함수인 수학식 을 기초로 수행되고,
상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 는 상기 학습 모델로부터 계산된 지진 피해 확률과 상기 피해 건물의 개수를 곱하여 계산된 추정 피해 건물 개수이며,
상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력하는
지진 취약 정보 제공 장치.
An acquisition unit that acquires earthquake damage analysis information;
A storage unit storing a program for providing earthquake vulnerability information;
When the earthquake damage analysis information is obtained, a processing unit configured to output an earthquake damage prediction result based on a learning model in the program;
The learning model sets the parameters of the earthquake fragility curve in the earthquake damage analysis information as input variables, uses the correct answer for the earthquake damage analysis information for learning as label data, and uses the earthquake damage probability, which is the earthquake damage prediction result, as label data. Contains an ANN-based surrogate model learned by setting it as an output variable,
The acquisition department,
Preprocess the earthquake damage analysis information,
Converting the earthquake damage analysis information into csv format or xml format by the preprocessing,
The learning earthquake damage analysis information includes the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information,
The processing unit updates the seismic fragility curve by randomly changing the input variables through the surrogate model,
An optimization process is performed based on the estimated damage probability for each structure calculated through earthquake damage simulation analysis using the above surrogate model,
The optimization process is a mathematical equation that is an objective function that predefines actual damage data for each structure in the target area. It is carried out on the basis of
The θ is a parameter vector of a lognormal distribution that determines the earthquake vulnerability curve, n is the number of earthquake location information, y is the number of damaged buildings in the earthquake location information, and is the estimated number of damaged buildings calculated by multiplying the probability of earthquake damage calculated from the learning model by the number of damaged buildings,
Actual earthquake damage data is additionally input to the learning model to output the earthquake damage prediction results.
Earthquake vulnerability information provision device.
상기 구조물 정보는,
건물 타입, 층수 및 준공년도 중 적어도 하나를 포함하는 형상 파일을 포함하는
지진 취약 정보 제공 장치.
According to claim 15,
The structure information is,
Contains a shape file containing at least one of the building type, number of floors, and year of completion.
Earthquake vulnerability information provision device.
상기 지진 위치 정보는,
WGS84 좌표계에 기초한 위도 및 경도 좌표 데이터를 포함하는
지진 취약 정보 제공 장치.
According to claim 15,
The earthquake location information is,
Contains latitude and longitude coordinate data based on the WGS84 coordinate system
Earthquake vulnerability information provision device.
상기 매개변수는 로그 평균 및 로그 표준편차를 포함하는
지진 취약 정보 제공 장치.
According to claim 15,
The parameters include log mean and log standard deviation.
Earthquake vulnerability information provision device.
마우스 및 키보드 제어가 필요한 응용 프로그램의 시스템 입력 이벤트를 생성하는 로봇 클래스(robot class)를 이용하여 GUI(graphic user interface)를 제공하는 입력부; 및
상기 입력부의 GUI의 입력을 기초로 상기 지진 취약도 곡선을 디스플레이 처리하는 출력부;를 더 포함하는
지진 취약 정보 제공 장치.
According to claim 15,
An input unit that provides a graphic user interface (GUI) using a robot class that generates system input events for applications requiring mouse and keyboard control; and
It further includes an output unit that displays and processes the seismic fragility curve based on the input of the GUI of the input unit.
Earthquake vulnerability information provision device.
상기 컴퓨터 프로그램은,
획득부, 저장부 및 처리부를 포함하고, 상기 저장부에 저장된 학습 모델을 이용하여 지진 취약 정보를 제공하는 지진 취약 정보 제공 장치의 학습 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
상기 방법은,
상기 획득부가 학습용 지진 피해 해석 정보를 획득하는 단계; 및
상기 학습용 지진 피해 해석 정보가 획득되면 지진 피해 예측 결과를 출력하도록 상기 처리부가 상기 학습 모델을 학습시키는 단계;를 포함하되,
상기 처리부는 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 입력 변수로 설정하고, 상기 학습용 지진 피해 해석 정보에 대한 정답 결과를 레이블 데이터로 이용하며, 상기 지진 피해 예측 결과인 지진 피해 확률을 출력 변수로 설정하여 상기 학습 모델을 학습시키고,
상기 획득하는 단계는,
상기 학습용 지진 피해 해석 정보를 전처리하는 단계; 및
상기 전처리에 의해 상기 학습용 지진 피해 해석 정보를 csv(comma separated value) 포맷 또는 xml(extensible markup language) 포맷으로 변환하는 단계;를 포함하며,
상기 학습용 지진 피해 해석 정보는 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보를 포함하고,
상기 학습 모델은 ANN(artificial neural network) 기반의 대리 모델(surrogate model)을 포함하며,
상기 처리부는 상기 대리 모델을 통해 상기 입력 변수를 랜덤 방식으로 변경함으로써 상기 지진 취약도 곡선을 갱신하고,
상기 대리 모델을 활용한 지진 피해 시뮬레이션 해석을 통해 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행하며,
상기 최적화 과정은 대상 지역의 구조물별로 실제 피해 데이터를 사전에 정의한 목적함수인 수학식 을 기초로 수행되고,
상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 는 상기 학습 모델로부터 계산된 지진 피해 확률과 상기 피해 건물의 개수를 곱하여 계산된 추정 피해 건물 개수인
컴퓨터 판독 가능한 기록매체.
A computer-readable recording medium storing a computer program,
The computer program is,
It includes an acquisition unit, a storage unit, and a processing unit, and includes instructions for causing the processor to perform a learning method of an earthquake vulnerability information providing device that provides earthquake vulnerability information using a learning model stored in the storage unit,
The above method is,
The acquisition unit acquiring earthquake damage analysis information for learning; and
Including, when the learning earthquake damage analysis information is obtained, the processing unit trains the learning model to output an earthquake damage prediction result,
The processing unit sets the parameters of the earthquake fragility curve in the earthquake damage analysis information as input variables, uses the correct answer for the learning earthquake damage analysis information as label data, and uses the earthquake damage probability, which is the earthquake damage prediction result, as label data. Train the learning model by setting it as an output variable,
The obtaining step is,
Preprocessing the learning earthquake damage analysis information; and
Converting the learning earthquake damage analysis information into csv (comma separated value) format or xml (extensible markup language) format by the preprocessing,
The learning earthquake damage analysis information includes the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information,
The learning model includes a surrogate model based on an artificial neural network (ANN),
The processing unit updates the seismic fragility curve by randomly changing the input variables through the surrogate model,
An optimization process is performed based on the estimated damage probability for each structure calculated through earthquake damage simulation analysis using the above surrogate model,
The optimization process is a mathematical equation that is an objective function that predefines actual damage data for each structure in the target area. It is carried out on the basis of
The θ is a parameter vector of a lognormal distribution that determines the earthquake vulnerability curve, n is the number of earthquake location information, y is the number of damaged buildings in the earthquake location information, and is the estimated number of damaged buildings calculated by multiplying the earthquake damage probability calculated from the learning model and the number of damaged buildings.
A computer-readable recording medium.
상기 컴퓨터 프로그램은,
획득부, 저장부 및 처리부를 포함하고, 상기 저장부에 저장된 학습 모델을 이용하여 지진 취약 정보를 제공하는 지진 취약 정보 제공 장치의 지진 취약 정보 제공 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
상기 방법은,
상기 획득부가 지진 피해 해석 정보를 획득하는 단계; 및
상기 지진 피해 해석 정보가 획득되면 상기 처리부가 상기 학습 모델을 기초로 지진 피해 예측 결과를 출력하는 단계;를 포함하되,
상기 학습 모델은 상기 지진 피해 해석 정보 내의 지진 취약도 곡선의 매개변수를 입력 변수로 설정하고, 학습용 지진 피해 해석 정보에 대한 정답 결과를 레이블 데이터로 이용하며, 상기 지진 피해 예측 결과인 지진 피해 확률을 출력 변수로 설정하여 학습된 ANN 기반의 대리 모델을 포함하고,
상기 획득하는 단계는,
상기 학습용 지진 피해 해석 정보를 전처리하는 단계; 및
상기 전처리에 의해 상기 학습용 지진 피해 해석 정보를 csv 포맷 또는 xml 포맷으로 변환하는 단계;를 포함하며,
상기 학습용 지진 피해 해석 정보는 상기 지진 취약도 곡선, 구조물 정보, 지진 규모 정보 및 지진 위치 정보를 포함하고,
상기 처리부는 상기 대리 모델을 통해 상기 입력 변수를 랜덤 방식으로 변경함으로써 상기 지진 취약도 곡선을 갱신하고,
상기 대리 모델을 활용한 지진 피해 시뮬레이션 해석을 통해 계산된 구조물별 추정 피해 확률을 기반으로 최적화 과정을 수행하며,
상기 최적화 과정은 대상 지역의 구조물별로 실제 피해 데이터를 사전에 정의한 목적함수인 수학식 을 기초로 수행되고,
상기 θ는 상기 지진 취약도 곡선을 결정하는 대수 정규 분포의 매개변수 벡터, 상기 n은 상기 지진 위치 정보의 개수, 상기 y는 상기 지진 위치 정보의 피해 건물의 개수, 상기 는 상기 학습 모델로부터 계산된 지진 피해 확률과 상기 피해 건물의 개수를 곱하여 계산된 추정 피해 건물 개수이며,
상기 학습 모델로 실제 지진 피해 데이터가 추가로 입력되어 상기 지진 피해 예측 결과를 출력하는
기록매체에 저장된 컴퓨터 프로그램.
A computer program stored on a computer-readable recording medium,
The computer program is,
It includes an acquisition unit, a storage unit, and a processing unit, and includes instructions for causing the processor to perform an earthquake vulnerability information providing method of an earthquake vulnerability information providing device that provides earthquake vulnerability information using a learning model stored in the storage unit,
The above method is,
The acquisition unit acquiring earthquake damage analysis information; and
When the earthquake damage analysis information is obtained, the processing unit outputs an earthquake damage prediction result based on the learning model;
The learning model sets the parameters of the earthquake fragility curve in the earthquake damage analysis information as input variables, uses the correct answer for the earthquake damage analysis information for learning as label data, and uses the earthquake damage probability, which is the earthquake damage prediction result, as label data. Contains an ANN-based surrogate model learned by setting it as an output variable,
The obtaining step is,
Preprocessing the learning earthquake damage analysis information; and
Containing a step of converting the learning earthquake damage analysis information into csv format or xml format by the preprocessing,
The learning earthquake damage analysis information includes the earthquake fragility curve, structure information, earthquake magnitude information, and earthquake location information,
The processing unit updates the seismic fragility curve by randomly changing the input variables through the surrogate model,
An optimization process is performed based on the estimated damage probability for each structure calculated through earthquake damage simulation analysis using the above surrogate model,
The optimization process is a mathematical equation that is an objective function that predefines actual damage data for each structure in the target area. It is carried out on the basis of
The θ is a parameter vector of a lognormal distribution that determines the earthquake vulnerability curve, n is the number of earthquake location information, y is the number of damaged buildings in the earthquake location information, and is the estimated number of damaged buildings calculated by multiplying the probability of earthquake damage calculated from the learning model by the number of damaged buildings,
Actual earthquake damage data is additionally input to the learning model to output the earthquake damage prediction results.
A computer program stored on a recording medium.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230048445A KR102589525B1 (en) | 2023-04-12 | 2023-04-12 | Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230048445A KR102589525B1 (en) | 2023-04-12 | 2023-04-12 | Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102589525B1 true KR102589525B1 (en) | 2023-10-13 |
Family
ID=88289676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230048445A KR102589525B1 (en) | 2023-04-12 | 2023-04-12 | Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102589525B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744444A (en) * | 2023-12-26 | 2024-03-22 | 广州大学 | BSPLS-RSM-based structural seismic vulnerability curved surface prediction method |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200072944A (en) | 2018-12-13 | 2020-06-23 | 세종대학교산학협력단 | Device for Predicting Fragility of Structures due to Disasters and the Method |
-
2023
- 2023-04-12 KR KR1020230048445A patent/KR102589525B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200072944A (en) | 2018-12-13 | 2020-06-23 | 세종대학교산학협력단 | Device for Predicting Fragility of Structures due to Disasters and the Method |
Non-Patent Citations (1)
| Title |
|---|
| Ehsan Khojastehfar et al., "Collapse fragility curve development using Monte Carlo simulation and artificial neural network," Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability (2014.01.16.)* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744444A (en) * | 2023-12-26 | 2024-03-22 | 广州大学 | BSPLS-RSM-based structural seismic vulnerability curved surface prediction method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180357343A1 (en) | Optimization methods for physical models | |
| Fragiadakis et al. | Seismic assessment of structures and lifelines | |
| Ferrario et al. | Bootstrapped Artificial Neural Networks for the seismic analysis of structural systems | |
| Bayram et al. | Comparison of multi layer perceptron (MLP) and radial basis function (RBF) for construction cost estimation: the case of Turkey | |
| Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
| Sony et al. | Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network | |
| Jalayer et al. | Effects of two alternative representations of ground‐motion uncertainty on probabilistic seismic demand assessment of structures | |
| Silva et al. | Service life prediction models for exterior stone cladding | |
| Rao et al. | Damage diagnostic technique for structural health monitoring using POD and self adaptive differential evolution algorithm | |
| KR102589525B1 (en) | Method and apparatus for providing earthquake fragility function, learning method for providing earthquake fragility function | |
| Liu et al. | Machine learning-based stochastic subspace identification method for structural modal parameters | |
| CN114792020B (en) | Quick evaluation method and system for building anti-seismic toughness based on machine learning | |
| US20240084561A1 (en) | Systems and methods for water distribution network leakage detection and/or localization | |
| CN111583067A (en) | Urban underground large space construction safety early warning and emergency decision-making method and system | |
| Byun et al. | A general framework of Bayesian network for system reliability analysis using junction tree | |
| Salkhordeh et al. | A rapid neural network-based demand estimation for generic buildings considering the effect of soft/weak story | |
| Cioffi-Revilla | Socio-Ecological Systems. | |
| Galera-Zarco et al. | A deep learning approach to improve built asset operations and disaster management in critical events: an integrative simulation model for quicker decision making | |
| Pankratova et al. | System approach to the underground construction objects planning based on foresight and cognitive modelling methodologies | |
| Bojórquez et al. | Probabilistic seismic response transformation factors between SDOF and MDOF systems using artificial neural networks | |
| CN114091883A (en) | Method, device, medium and equipment for predicting well leakage risk horizon before drilling | |
| Ahn et al. | Fuzzy Cognitive Maps as a tool for modeling construction labor productivity | |
| Green et al. | Modeling wildfire using evolutionary cellular automata | |
| Derras et al. | Prediction of recovery time of infrastructure functionalities after an earthquake using machine learning | |
| KR20190120729A (en) | System Modeling Method by Machine Learning using Big data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |