KR20210059554A - 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 - Google Patents
건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 Download PDFInfo
- Publication number
- KR20210059554A KR20210059554A KR1020190147151A KR20190147151A KR20210059554A KR 20210059554 A KR20210059554 A KR 20210059554A KR 1020190147151 A KR1020190147151 A KR 1020190147151A KR 20190147151 A KR20190147151 A KR 20190147151A KR 20210059554 A KR20210059554 A KR 20210059554A
- Authority
- KR
- South Korea
- Prior art keywords
- model
- building
- information
- seismic performance
- nonlinear
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000004044 response Effects 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 230000006378 damage Effects 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 230000006698 induction Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000002787 reinforcement Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 239000004567 concrete Substances 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000007480 spreading 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
- 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
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
기계학습 딥러닝을 이용한 건축물의 데이터생성 엔진을 구현함으로써, 잠재적으로 발생 가능한 지진 등의 재난에 대한 사전 대응을 위해 건축물의 지진안전과 관련된 데이터베이스를 초고속으로 생성하여 기존 건축물에 대한 재난 피해를 최소화하고, 재난 발생 이후 건축물의 상태를 즉시 평가 및 대응할 수 있고, 또한, 비선형 비탄성 구조정보 생성모델과 동적응답 생성모델을 결합한 하이브리드 모델을 구현함으로써, 내진성능과 관련 데이터가 미확보된 건축물에 대한 다양한 재난시나리오에 대한 빅데이터를 생성하고 별도의 컴퓨터 해석 없이 빠른 속도로 건축물의 내진성능을 평가할 수 있고, 또한, 건축물의 구조안전과 관련된 데이터베이스가 미확보된 경우에 용이하게 활용함으로써, 재난 발생 이전 피해규모 최소화를 위한 건축물 안전관련 사전관리 시스템의 데이터생성 엔진으로 활용할 수 있고, 재난 발생 이후 즉시대응 시스템을 위한 데이터생성 엔진으로도 활용할 수 있는, 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법이 제공된다.
Description
본 발명은 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에 관한 것으로, 보다 구체적으로, 기계학습 딥러닝(Deep Learning)을 이용한 건축물의 데이터생성 엔진으로서, 다양한 재난시나리오에 따른 빅데이터를 생성하여 내진성능과 관련된 데이터가 미확보된 건축물에 대해서도 건축물의 내진성능을 평가할 수 있는 초고속 데이터생성 엔진 및 그 방법에 관한 것이다.
일반적으로, 지진으로 인한 인명 및 경제적 손실 규모는 국외에서 발생한 강진에 의한 피해사례에서 알 수 있듯이 하나의 국가가 감당할 수 없을 정도로 큰 경우가 많고, 이에 따라, 국가차원에서의 피해를 줄이기 위한 대비가 반드시 필요하다.
국내의 경우, 환태평양 지진대에 위치하는 주변국보다 그동안 지진에 대해 비교적 안전한 지역으로 인식되었으나, 최근 기상청 통계자료에 의하면 연평균 26회의 빈도를 보이고 있고, 이중에서 유감지진횟수가 212회이며 지진규모(M)가 3이상인 지진발생이 274회로서 그 발생빈도가 증가하고 있으며, 또한, 발생지역이 확산됨에 따라 지진재해에 대한 우려가 고조되고 있다.
구체적으로, 국내의 내진설계기준은 1986년 내진설계법이 마련되었고, 1988년 내진기준이 제정된 이후 3번의 개정을 통해 지금은 내용이 강화된 신내진기준(건축구조설계기준, KBC2009)이 사용되고 있다. 또한, 그 적용범위도 3층 이상 또는 연면적 1,000㎡??이상으로 확대되었다. 이와 같은 내진기준의 개정은 그동안 국내외에 수행되었던 지진에 대한 안전성을 확보하기 위한 연구의 결과물로서, 그 적용에 따라 새롭게 건설되는 건축물의 내진안전성은 과거에 비해 향상되고 있다.
하지만, 국내 건축물의 대다수의 중저층 건축물은 내진설계가 도입되기 이전에 건설되거나 또는 현재의 내진설계기준에 의해 설계되지 않은 것들로서, 이러한 건축물들의 내진성능에는 의문점이 있다. 이를 해소시키기 위해서는 우선 건축물이 보유하고 있는 내진성능을 효과적으로 평가할 수 있는 내진성능 평가방법이 필요하며, 이를 바탕으로 부족한 내진성능을 향상시킬 수 있는 적절한 내진보강이 필요하다. 이러한 내진성능 평가 결과는 해당 건축물의 내진성능 보수보강 공사 수행 유무를 결정할 수 있다.
한편, 도 1은 종래의 기술에 따른 건축물 내진성능 평가 방법의 동작흐름도이다.
종래의 기술에 따른 건축물 내진성능 평가는, 크게 현장조사, 예비평가, 1차 상세평가 및 2차 상세평가의 4단계에 걸쳐 개별 건축물의 내진성능을 평가하거나, 또는 구체적인 평가단계로서, 현장조사를 제외한 3단계에 걸쳐 개별 건축물의 내진성능을 평가할 수 있다.
도 1을 참조하면, 종래의 기술에 따른 건축물 내진성능 평가 방법은, 먼저, 건축물 현장 조사를 실시하고(S11), 정형 건축물인지 여부를 확인한다(S12).
다음으로, 정형 건축물인 경우, 정형 건축물에 대한 예비평가를 실시하며(S13), 이러한 예비평가 결과가 내진성능을 만족하는지 확인한다(S14). 이때, 예비평가 결과가 내진성능을 만족하는 경우 건축물 내진성능을 확정하지만, 예비평가 결과가 내진성능을 만족하지 않거나, 정형 건축물이 아닌 경우, 선형 해석을 통해 내진성능의 1차 상세평가를 실시한다(S15).
다음으로, 1차 상세평가 결과가 내진성능을 만족하는지 확인하고(S16), 1차 상세평가 결과가 내진성능을 만족하는 경우 건축물 내진성능을 확정하지만, 1차 상세평가 결과가 내진성능을 만족하지 않는 경우 비선형 해석을 통한 내진성능의 2차 상세평가를 실시한다(S17).
다음으로, 내진성능의 2차 상세평가를 실시한 후 건축물 내진성능을 확정하고(S18), 해당 건축물에 대한 내진보강이 필요한지 여부를 확인한다(S19).
다음으로, 해당 건축물에 대한 내진보강이 필요한 경우, 건축물 내진보강 계획을 수립하고(S20), 건축물 내진보강 시스템을 설계한다(S21).
전술한 현장조사, 예비평가, 1차 및 2차 상세평가를 통해서 하나의 건축물의 내진성능과 관련된 데이터가 생성된다. 하지만, 이러한 과정을 국내 약 700만동 건축물에 적용하여 데이터를 확보하고, 이를 바탕으로 재난 발생 전에 건축물의 구조안전을 확보하는 방법은 비현실적인 방법이라고 할 수 있다.
한편, 한국시설안전공단 내진성능 평가요령의 경우, 중층 및 저층의 기존 건축구조물의 내진평가에 사용할 수 있으며, 현장조사를 제외한 구체적인 평가단계로서, 예비평가, 1차 상세평가 및 2차 상세평가의 3단계로 평가한다.
구체적으로, 예비평가의 경우, 간단한 자료 및 약산식을 사용하여 산정된 강도를 통해 내진성능을 보수적으로 평가한다. 이때, 예비평가에서 매우 간략화된 약산식을 사용하므로 정형 건축물에만 적용할 수 있고, 특히, 비정형 건축물인 경우 예비평가를 무시할 수 있다.
종래의 기술에 따른 예비평가는 컴퓨터 해석 없이 간단한 구조계산으로 건축물의 성능을 예측할 수 있지만, 이것은 건축물에 손상이 많이 발생하는 비선형 비탄성 범위인 경우에 활용할 수 없다. 또한, 종래의 기술에 따른 예비평가는 단지 정적해석을 기반으로 하고 있으므로, 지진하중 특성을 반영할 수 없다는 문제점이 있다.
또한, 1차 상세평가의 경우, 대상 건축물에 대한 탄성해석의 결과와 부재의 강도에 m계수를 곱하여 비교하며, 주로 부재의 강도측면에서 내진성능을 평가한다. 이때, 1차 상세평가는 탄성해석을 사용하므로 구조실무자가 접근하기는 쉽지만 각 부재의 m계수를 개별적으로 구해야 하므로 작업량이 많고, 따라서 엑셀시트 등으로 자동화하는 것이 필수적이다. 그리고 이러한 1차 상세평가는 비정형 건축물이나 고차모드 건축물에도 비교적 합리적인 결과를 제공하므로, 2단계 상세평가인 Pushover 해석보다 신뢰성 있는 결과를 제공할 수 있다.
또한, 2차 상세평가의 경우, 비선형 정적해석으로 불리는 Pushover 해석을 통해서 건축물의 비탄성변위와 내진성능 수준별 회전각을 비교하여 내진성능을 평가하는 방법으로서, 탄성 이후의 비탄성 구간까지 항복 이후의 소성상태까지 고려하여 평가할 수 있는 장점이 있다. 하지만, 고차모드 또는 비정형 건축물인 경우, 해석 결과의 신뢰성이 많이 떨어지며, 저차모드가 지배하는 저층의 정형 건축물에 대해서만 적용할 수 있기 때문에 해석대상 범위가 매우 한정적이라는 것이 단점이라고 볼 수 있다. 따라서 2차 상세평가에 따른 고차모드 또는 비정형 건축물은 반드시 전술한 1차 상세평가와 상호 보완적으로 평가하는 것이 바람직하다.
종래의 기술에 따른 1차 및 2차 상세평가의 경우, 기존 건축물의 내진성능 데이터 확보와 관련하여 막대한 인력, 비용, 시간 소모가 불가피하다. 즉, 종래의 기술에 따른 1차 및 2차 상세평가의 경우, 예측 정확도는 전술한 예비평가에 비해 높지만, 컴퓨터 시뮬레이션을 바탕으로 개별 건축물의 성능을 파악하는 기법으로서, 대다수의 건축물에 대한 내진성능 데이터가 미구축된 상황에서 1차 및 2차 상세평가를 통해 데이터를 구축하는 것은 막대한 인력, 비용 그리고 시간 소모가 불가피하다는 문제점이 있다.
연구보고서, "기존 건축물 내진성능 평가 활성화를 위한 연구", 한국시설안전공단, 2013년 12월.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 기계학습 딥러닝을 이용한 건축물의 데이터생성 엔진을 구현함으로써, 잠재적으로 발생 가능한 지진 등의 재난에 대한 사전 대응을 위해 건축물의 지진안전과 관련된 데이터베이스를 초고속으로 생성하여 기존(또는 노화) 건축물에 대한 재난 피해를 최소화하고, 재난 발생 이후 건축물의 상태를 즉시 평가 및 대응할 수 있는, 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 비선형 비탄성 구조정보 생성모델과 동적응답 생성모델을 결합한 하이브리드 모델을 구현함으로써, 별도의 컴퓨터 해석 없이 빠른 속도로 건축물의 내진성능을 평가할 수 있도록 내진성능과 관련 데이터가 미확보된 건축물에 대한 다양한 재난시나리오에 대한 빅데이터를 생성할 수 있는, 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진은, 건축물 내진성능 평가를 위한 데이터생성 엔진에 있어서, 건축물 내진성능 프로필과 지진하중 프로필을 고려하여 학습데이터 샘플을 생성하는 학습 데이터생성모듈; 건축물에 대한 구조부재정보, 지진하중정보 및 건축물 고유특성 정보를 입력하는 사용자 입력모듈; 비선형 비탄성 구간정보 생성모델 및 동적응답 생성모델을 결합한 하이브리드 모델로서, 상기 사용자 입력모듈을 통해 입력되는 구조부재정보에 따라 상기 비선형 비탄성 구간정보 생성모델이 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하고, 상기 비선형 비탄성 정보, 상기 사용자 입력모듈을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 상기 동적응답 생성모델이 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 하이브리드 모델 결합모듈; 및 상기 하이브리드 모델 결합모듈로부터 최대 동적응답을 추출하여 최대 변위 및 최대 전단력을 출력하는 최대 동적응답 추출부를 포함하되, 상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능이 최대 동적응답 기반으로 평가되는 것을 특징으로 한다.
여기서, 상기 하이브리드 모델 결합모듈은 별도의 비선형 비탄성 정보를 추출하기 위한 해석을 수행하는 대신에, 상기 사용자 입력모듈을 통해 입력해야 하는 변수를 최소화하고 상기 구조부재정보로 변환하여 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 추출할 수 있다.
여기서, 상기 학습 데이터생성모듈은, 건축물 내진성능 프로필로서, 주기 정보, 강도 정보, 연성도, 항복후 강성비 및 강도저감계수를 입력하는 건축물 내진성능 프로필 입력부; 상기 건축물 내진성능 프로필을 단자유도모델에 결합하여 비선형 단자유도모델을 도출하는 비선형 단자유도모델 도출부; 지진하중 프로필로서, 지진 규모, 지반 정보인 지반등급, 지진파 속성인 최대가속도 및 진앙지로부터의 거리를 입력하는 지진하중 프로필 입력부; 상기 지진하중 프로필을 상기 비선형 단자유도모델 도출부에 입력하여 동적응답을 생성하는 동적응답 생성부; 상기 건축물 내진성능 프로필을 다변화시키도록 가변시키는 내진성능 프로필 가변부; 및 상기 건축물 내진성능 프로필과 상기 지진하중 프로필을 고려하여 학습데이터 샘플을 생성하는 학습데이터 샘플 생성부를 포함할 수 있다.
여기서, 상기 사용자 입력모듈은, 건축물에 대한 구조부재정보를 상기 비선형 비탄성 구간정보 생성모델에 입력하는 구조부재정보 입력부; 지진하중정보로서 지진 규모, 지반 정보인 지반등급, 지진파 속성인 최대가속도 및 진앙지로부터의 거리를 상기 동적응답 생성모델에 입력하는 지진하중정보 입력부; 및 매트릭스-기반 고유치 해석을 통해 건축물 고유특성 정보인 주기 정보, 건축물 유효 질량 및 건축물 유효 높이를 자동으로 산정하여 상기 동적응답 생성모델에 입력하는 매트릭스-기반 고유치 해석부를 포함할 수 있다.
여기서, 상기 구조부재정보는 콘크리트 강도, 철근 강도, 전단철근비, 휨철근비, 축력비, 단면 형상비 높이-길이비 및 파괴모드를 포함하며, 상기 구조부재정보는 육안으로 간단하게 확인할 수 있다.
여기서, 상기 하이브리드 모델 결합모듈은, 사용자 입력모듈을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하는 비선형 비탄성 구간정보 생성모델; 및 상기 비선형 비탄성 구간정보 생성모델과 결합하며, 상기 비선형 비탄성 구간정보 생성모델이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 동적응답 생성모델을 포함할 수 있다.
여기서, 상기 비선형 비탄성 구간정보 생성모델은, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 비선형 비탄성 구간정보를 생성하는 1차 인공신경망 모델; 및 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 1차 인공신경망 모델을 재적용하여 모델을 완성하는 1차 피드백부를 포함할 수 있다.
여기서, 상기 동적응답 생성모델은, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 최대 동적응답을 생성하는 2차 인공신경망 모델; 및 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 2차 인공신경망 모델을 재적용하여 모델을 완성하는 2차 피드백부를 포함할 수 있다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법은, 건축물 내진성능 평가를 위한 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 초고속 데이터생성 방법으로서, a) 건축물 내진성능 프로필 및 지진하중 프로필에 따른 학습데이터를 생성하는 단계; b) 사용자 입력모듈을 통해 건축물에 대한 구조부재정보를 입력하는 단계; c) 하이브리드 모델 결합모듈의 비탄성 구간정보 생성모델이 상기 구조부재정보를 입력정보로 하는 1차 인공신경망 모델을 적용하여 비선형 비탄성 구간정보를 생성하는 단계; d) 상기 사용자 입력모듈을 통해 지진하중정보를 입력하고 매트릭스 기반 고유치를 해석하는 단계; e) 상기 하이브리드 모델 결합모듈의 동적응답 생성모델이 상기 비선형 비탄성 구간정보, 상기 지진하중정보 및 매트릭스 기반 고유치 해석결과를 입력정보로 하는 2차 인공신경망 모델을 적용하여 동적응답을 생성하는 단계; 및 f) 건축물의 최대 동적응답으로서 최대 변위 및 최대 전단력을 추출하는 단계를 포함하되, 상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능이 최대 동적응답 기반으로 평가되는 것을 특징으로 한다.
여기서, 상기 a) 단계는, a-1) 건축물 내진성능 프로필을 정의하여 입력하는 단계; a-2) 상기 입력된 건축물 내진성능 프로필을 단자유도 모델에 결합하여 비선형 단자유도모델을 도출하는 단계; a-3) 상기 비선형 단자유도모델에 지진하중 프로필을 입력하여 동적응답을 생성하는 단계; a-4) 상기 내진성능 프로필을 가변시키면서 a-1) 내지 a-3) 단계를 반복수행하는 단계; 및 a-5) 상기 내진성능 프로필과 지진하중 프로필을 고려한 학습데이터 샘플을 생성하는 단계를 포함할 수 있다.
본 발명에 따르면, 기계학습 딥러닝을 이용한 건축물의 데이터생성 엔진을 구현함으로써, 잠재적으로 발생 가능한 지진 등의 재난에 대한 사전 대응을 위해 건축물의 지진안전과 관련된 데이터베이스를 초고속으로 생성하여 기존(또는 노화) 건축물에 대한 재난 피해를 최소화하고, 재난 발생 이후 건축물의 상태를 즉시 평가 및 대응할 수 있다.
본 발명에 따르면, 비선형 비탄성 구조정보 생성모델과 동적응답 생성모델을 결합한 하이브리드 모델을 구현함으로써, 별도의 컴퓨터 해석 없이 빠른 속도로 건축물의 내진성능을 평가할 수 있도록 내진성능과 관련 데이터가 미확보된 건축물에 대한 다양한 재난시나리오에 대한 빅데이터를 생성할 수 있다. 이에 따라, 기존의 복잡한 컴퓨터 해석기법을 이용하여 지진에 대한 건축물의 구조안전성을 평가하고 데이터를 확보하는 기술에 비해, 소요 시간, 비용 및 인력을 획기적으로 절약할 수 있다.
본 발명에 따르면, 건축물의 구조안전과 관련된 데이터베이스가 미확보된 경우에 용이하게 활용함으로써, 재난 발생 이전 피해규모 최소화를 위한 건축물 안전관련 사전관리 시스템의 데이터생성 엔진으로 활용할 수 있고, 재난 발생 이후 즉시대응 시스템을 위한 데이터생성 엔진으로도 활용할 수 있다.
도 1은 종래의 기술에 따른 건축물 내진성능 평가 방법의 동작흐름도이다.
도 2는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개략적인 구성도이다.
도 3은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 학습데이터 생성모듈의 구체적인 구성도이다.
도 5는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 건축물 내진성능 프로필을 나타내는 도면이다.
도 6은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 하이브리드 모델 결합모듈의 구체적인 구성도이다.
도 7은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에 적용되는 다층컨셉트론 인공신경망 모델을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 단자유도모델 기반 학습데이터생성을 설명하기 위한 도면이다.
도 9a 및 도 9b는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 비탄성 구간정보 생성모델을 구체적으로 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 동적응답 생성모델을 구체적으로 설명하기 위한 도면이다.
도 11은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진엔진에서 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 하이브리드형 모델을 구체적으로 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법의 동작흐름도이다.
도 13은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법에서 학습데이터 샘플 생성 과정을 구체적으로 나타내는 동작흐름도이다.
도 2는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개략적인 구성도이다.
도 3은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 학습데이터 생성모듈의 구체적인 구성도이다.
도 5는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 건축물 내진성능 프로필을 나타내는 도면이다.
도 6은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 하이브리드 모델 결합모듈의 구체적인 구성도이다.
도 7은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에 적용되는 다층컨셉트론 인공신경망 모델을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 단자유도모델 기반 학습데이터생성을 설명하기 위한 도면이다.
도 9a 및 도 9b는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 비탄성 구간정보 생성모델을 구체적으로 설명하기 위한 도면이다.
도 10은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 동적응답 생성모델을 구체적으로 설명하기 위한 도면이다.
도 11은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진엔진에서 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 하이브리드형 모델을 구체적으로 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법의 동작흐름도이다.
도 13은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법에서 학습데이터 샘플 생성 과정을 구체적으로 나타내는 동작흐름도이다.
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.
[건축물 내진성능 평가를 위한 초고속 데이터생성 엔진(100)]
도 2는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개략적인 구성도이고, 도 3은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 개념을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진은, 학습 데이터생성모듈(100), 사용자 입력모듈(200), 하이브리드 모델 결합모듈(300) 및 최대 동적응답 추출부(400)를 포함한다.
학습 데이터생성모듈(100)은 건축물 내진성능 프로필과 지진하중 프로필을 고려하여 학습데이터 샘플을 생성한다. 이때, 상기 학습데이터 샘플은 하이브리드 모델 결합모듈(300)의 동적응답 생성모델(320)에 입력된다.
사용자 입력모듈(200)은 건축물에 대한 구조부재정보, 지진하중정보 및 건축물 고유특성 정보를 입력한다. 여기서, 상기 구조부재정보는, 후술하는 바와 같이, 콘크리트 강도(), 철근 강도(), 전단철근비(), 휨철근비(), 축력비(), 단면 형상비(), 높이-길이비() 및 파괴모드()를 포함하되, 여기서, 는 축 부하(Axial Load), 는 전체 단면적(Gross Area), 는 수직단면의 폭, 는 수직단면의 높이, 는 높이, 은 길이를 나타내며, 상기 구조부재정보는 육안으로 간단하게 확인할 수 있다.
구체적으로, 상기 사용자 입력모듈(200)은, 도 3을 참조하면, 구조부재정보 입력부(210), 지진하중정보 입력부(220) 및 매트릭스-기반 고유치 해석부(230)를 포함하며, 상기 구조부재정보 입력부(210)는 건축물에 대한 구조부재정보를 상기 비선형 비탄성 구간정보 생성모델(310)에 입력한다. 또한, 상기 지진하중정보 입력부(220)는 지진하중정보로서 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 상기 동적응답 생성모델(320)에 입력한다. 또한, 상기 매트릭스-기반 고유치 해석부(230)는 매트릭스-기반 고유치 해석을 통해 건축물 고유특성 정보인 주기 정보(), 건축물 유효 질량() 및 건축물 유효 높이()를 자동으로 산정하여 상기 동적응답 생성모델(320)에 입력한다.
하이브리드 모델 결합모듈(300)은 비선형 비탄성 구간정보 생성모델(310) 및 동적응답 생성모델(320)을 결합한 하이브리드 모델로서, 상기 사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 상기 비선형 비탄성 구간정보 생성모델(310)이 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하고, 상기 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 상기 동적응답 생성모델(320)이 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력한다.
구체적으로, 도 3에 도시된 바와 같이, 상기 하이브리드 모델 결합모듈(300)은, 사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하는 비선형 비탄성 구간정보 생성모델(310); 및 상기 비선형 비탄성 구간정보 생성모델(310)과 결합하며, 상기 비선형 비탄성 구간정보 생성모델(310)이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 동적응답 생성모델(320)을 포함할 수 있다.
이때, 상기 하이브리드 모델 결합모듈(300)은 별도의 비선형 비탄성 정보를 추출하기 위한 해석을 수행하는 대신에, 상기 사용자 입력모듈(200)을 통해 입력해야 하는 변수를 최소화하고 상기 구조부재정보로 변환하여 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 추출할 수 있다.
도 2를 다시 참조하면, 최대 동적응답 추출부(400)는 상기 하이브리드 모델 결합모듈(300)로부터 최대 동적응답을 추출하여 최대 변위 및 최대 전단력을 출력한다.
후속적으로, 최대 동적응답-기반 내진성능 평가모듈(500)이 상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능을 최대 동적응답 기반으로 평가할 수 있다.
한편, 도 4는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 학습데이터 생성모듈의 구체적인 구성도이고, 도 5는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 건축물 내진성능 프로필을 나타내는 도면이다.
도 4를 참조하면, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 학습데이터 생성모듈(100)은 건축물 내진성능 프로필 입력부(110), 비선형 단자유도모델 도출부(120), 지진하중 프로필 입력부(130), 동적응답 생성부(140), 내진성능 프로필 가변부(150) 및 학습데이터 샘플 생성부(160)를 포함한다.
구체적으로, 건축물의 내진성능은 다양한 영향인자에 의해 결정될 수 있지만, 이를 단순화하면 주기 정보(), 강도 정보(), 비탄성-비선형 정보인 , 및 로 정의할 수 있다. 여기서, 는 건축물의 파괴유형과 관련된 연성도를 나타내며, 는 극한 강도를 결정하는데 영향을 줄 수 있는 항복후 강성비를 나타내고, 그리고 은 강도저감계수를 나타낸다.
이러한 5개의 내진성능 프로필 정보(, , , 및 )는 건축물의 특성에 따라 모두 다르게 구성되어 있으며, 이를 이용하여 건축물의 동적응답을 예측할 수 있고, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 경우, 해당 파라미터 또는 도 5에 도시된 곡선을 건축물의 내진성능 프로필(profile)로 정의하였다.
비선형 단자유도모델 도출부(120)는 상기 건축물 내진성능 프로필을 단자유도모델에 결합하여 비선형 단자유도모델을 도출한다.
지진하중 프로필 입력부(130)는 지진하중 프로필로서, 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 입력한다. 구체적으로, 지진은 발생되는 위치, 지반 조건, 규모, 에너지 등에 따라 다른 특성을 갖는 지진파가 생성되며, 이러한 다양한 지진시나리오를 고려하기 위하여, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 경우, 지진규모, 지반정보, 지진파 속성, 진앙지로부터의 거리를 지진하중의 프로필로 설정하여 학습 데이터를 생성한다.
동적응답 생성부(140)는 상기 지진하중 프로필을 상기 비선형 단자유도모델 도출부(120)에 입력하여 동적응답을 생성한다.
내진성능 프로필 가변부(150)는 상기 건축물 내진성능 프로필을 다변화시키도록 가변시킨다.
학습데이터 샘플 생성부(160)는 상기 건축물 내진성능 프로필과 상기 지진하중 프로필을 고려하여 학습데이터 샘플을 생성한다.
이에 따라, 전술한 학습데이터 샘플 생성을 통해 건축물 내진성능 프로필과 다양한 지진하중 프로필이 고려된 학습데이터가 생성되며, 이를 바탕으로 건축물의 지진 응답을 초고속으로 생성할 수 있는 인공신경망 기반의 데이터생성 엔진을 구현할 수 있다.
한편, 도 6은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 하이브리드 모델 결합모듈의 구체적인 구성도이고, 도 7은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에 적용되는 다층컨셉트론 인공신경망 모델을 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 하이브리드 모델 결합모듈(200)은 비선형 비탄성 구간정보 생성모델(310) 및 동적응답 생성모델(320)을 결합한 모델이다.
상기 비선형 비탄성 구간정보 생성모델(310)은 1차 인공신경망 모델(311) 및 1차 피드백부(312)를 포함하고, 상기 1차 인공신경망 모델(311)은 모델 입력부(311a), 신경망모델 연산처리부(311b) 및 모델 출력부(311c)로 이루어지고, 상기 1차 피드백부(312)는 오차 계산부(312a) 및 피드백 제어부(312b)로 이루어진다. 이때, 상기 모델 입력부(311a)에는 상기 구조부재정보 입력부(210)로부터 , , , , , , 및 이 입력되며, 상기 신경망모델 연산처리부(311b)에 의해 연산처리된 후, 상기 모델 출력부(311c)로부터 , , 및 이 출력된다.
또한, 상기 동적응답 생성모델(320)은 2차 인공신경망 모델(321) 및 2차 피드백부(322)를 포함하고, 상기 2차 인공신경망 모델(321)은 모델 입력부(321a), 신경망모델 연산처리부(321b) 및 모델 출력부(321c)로 이루어지고, 상기 2차 피드백부(322)는 오차 계산부(322a) 및 피드백 제어부(322b)로 이루어진다.
이때, 상기 모델 입력부(321a)에는 상기 비선형 비탄성 구간정보 생성모델(310)로부터 , , 및 이 입력되고, 또한, 상기 지진하중정보 입력부(220)로부터 , , 및 이 입력되며, 또한, 상기 매트릭스-기반 고유치 해석부(230)로부터 , 및 이 입력된다. 이후, 상기 신경망모델 연산처리부(321b)에서 연산처리된 후, 상기 모델 출력부(321c)로부터 최대 변위(Disp) 및 최대 전단력(Shear)이 출력된다.
또한, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진은 하이브리드 인공신경망 모델(311, 321)에 의하여 비선형 모델을 수립할 수 있다. 이러한 인공신경망 모델(311, 321) 적용시, 도 7에 도시된 바와 같이, 입력층과 출력층 간에 적어도 하나 이상의 은닉층을 두는 다층 구조를 갖고, 데이터베이스에서 추출된 과거 데이터를 훈련시키는 다층 퍼셉트론 알고리즘을 이용한다.
이러한 인공신경망 모델(311, 321)은 블랙박스 모델을 갖는 구조이기 때문에 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조정한다. 또한, 모델 형성을 위한 피드백부(312, 322)는, 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하고, 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 인공신경망 모델(311, 321)을 재적용하여 모델을 완성한다.
상기의 연결강도 노드를 조절함에 있어 인공신경망 모델(311, 321)은 델타 규칙이 적용한다. 즉, 인공신경망 모델(311, 321)은 p번째의 입력패턴 및 출력 패턴이 제시되는 경우에 노드 i에서 노드 j로의 연결강도를 다음의 수학식 1을 이용하여 조절한다.
여기서, 는 p번째 목표패턴의 j 성분이고, 는 p번째 입력패턴에서 인공신경망 모델이 계산한 출력패턴의 j 성분이고, 는 p번째 입력패턴의 i 성분이고, = ( - )는 목표패턴과 실제패턴의 차이(오차)를 나타낸다.
특히, 상기 인공신경망 모델(311, 321) 알고리즘에서는 자기회귀 모델(Autoregressive model) 알고리즘이 포함되는데, 다음의 수학식 2로 나타낸 바와 같이, 주어진 현재시간에서의 시스템 출력값은 과거의 시스템 입력값은 물론, 출력값에도 의존적으로 결정된다.
여기서, 종속변수인 출력 값 y(t)의 다음 값은 이전 출력값 및 독립 입력값(외부입력) u(t)의 이전 값에 회귀된다.
다시 말하면, 본 발명의 실시예에 따른 인공신경망 모델(311, 321)은 입력층 및 출력층 사이에 은닉층을 둔 다층구조에서 데이터를 훈련시키는 알고리즘을 내포하는 다층 퍼셉트론을 이용한 기계적 학습을 통해 이루어지며, 이러한 인공신경망모델(311, 321)은, 입력조건이 입력층에 입력되면, 각각의 은닉층에 있는 노드에 의해 수행된 연산결과가 다음 레벨에 있는 노드의 입력값이 되며, 이러한 과정을 출력층까지 수행하여 최종 결과를 도출한다. 이때, 각 층에 있는 노드를 연결시켜 주는 역할을 수행하는 것이 연결강도이다.
이러한 연결은 같은 층에 있는 노드를 연결할 수 없고, 다른 층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결된다. 또한, 인공신경망 모델(311, 321)의 경우, 각 노드를 인공 뉴런으로 모델화시킬 수 있다. 각 뉴런은 입력된 외부 자극을 합산하여 그 결과에 따라 반응한다.
한편, 도 8은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 단자유도모델 기반 학습데이터생성을 설명하기 위한 도면이다.
도 8에 도시된 바와 같이, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진의 경우, 단자유도모델을 적용하여 학습데이터 샘플을 신속하게 생성할 수 있는데, 다양한 지진시나리오에 적용할 수 있다.
즉, 상기 비선형 단자유도모델 도출부(130)는 상기 건축물 내진성능 프로필을 단자유도모델에 결합하여 비선형 단자유도모델을 도출한다. 여기서, 은 건축물 유효 질량을 나타내고, 은 건축물 유효 높이를 나타낸다.
한편, 도 9a 및 도 9b는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 비탄성 구간정보 생성모델을 구체적으로 설명하기 위한 도면으로서, 도 9a는 학습데이터 샘플 및 주요 입력변수 설정을 나타내며, 도 9b는 비선형 비탄성 구간정보 생성모델을 나타낸다.
도 9a에 도시된 바와 같이, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 비탄성 구간정보 생성모델의 경우, 주요 영향인자로서, 재료강도, 철근비, 축력비, 단면비, 형상비 및 파괴모드 등을 입력할 수 있으며, 이때, 상기 비선형 비탄성 구간정보 생성모델(310)은, 도 9b에 도시된 바와 같이, 기계학습 기반 건축물 비선형 비탄성 정보 생성모델로서, 간단한 정보를 입력하는 건축물 비선형 및 비탄성 정보 자동 추출 알고리즘으로, 건축물 내진성능 프로필을 자동으로 입력할 수 있고, 이후, 2차 인공신경망 모델의 입력정보로 제공될 수 있다.
구체적으로, 비선형 비탄성 구간정보 생성모델(310)은 동적응답 생성모델(320)에 입력 정보를 최소화하기 위한 목적으로, 비선형 해석을 통해 산출될 수 있는 비선형 비탄성 구간 정보를 출력하기 위한 신경망 모델이다. 이때, 전술한 건축물 내진성능 프로필 중에서 , , 및 은 별도의 컴퓨터 해석을 수행하지 않으면 그 값을 알 수 없지만, 본 발명의 실시예에서는 과거에 수행된 실험 데이터를 수집하여 학습 모델을 만들고, 이를 바탕으로 건축물 내진성능 프로필을 재구성할 수 있다. 즉, 1차 인공신경망 모델을 이용했을 때, 별도의 비선형 비탄성 정보를 추출하기 위한 해석을 수행할 필요가 없으며, 사용자가 입력해야 하는 변수를 최소화하여 도와 같이 간단한 정보인 ,, , , , , 및 로 변환할 수 있다.
여기서, 는 콘크리트 강도, 는 철근 강도, 는 전단철근비, 는 휨철근비를 나타낸다. 또한, 는 축력비(Axial Load Level Ratio)로서, 는 축 부하(Axial Load), 는 전체 단면적(Gross Area)을 나타낸다. 또한, 는 단면 형상비로서, 는 수직단면의 폭, 는 수직단면의 높이를 나타내며, 또한, 는 높이-길이비로서, 는 높이, 은 길이를 나타내고, 또한, 은 파괴모드(Failure Mode)를 나타낸다. 이러한 대부분의 정보는 육안으로 확인할 수 있는 간단한 정보로서, 재료 강도는 연도별로 추정할 수 있다.
한편, 도 10은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 동적응답 생성모델을 구체적으로 설명하기 위한 도면이다.
도 10에 도시된 바와 같이, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 동적응답 생성모델(320)의 경우, 전술한 학습샘플 데이터를 바탕으로 11개의 입력인자로서, 5개의 건축물 내진성능 프로필인 주기 정보(), 강도 정보(), 연성도(), 항복후 강성비() 및 강도저감계수(), 4개의 지진하중 프로필인 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리() 그리고 2개의 고차모드에 대한 영향변수인 건축물 유효 질량() 및 건축물 유효 높이()를 반영하며, 2개의 출력인자로서 최대 변위(Disp) 및 최대 전단력(Shear)을 출력하도록 인공신경망 기법을 통해 학습한 후, 11개의 입력인자에 대한 2개의 출력인자가 학습의 출력결과와 가장 유사한 값을 도출할 수 있는 인공신경망 모델을 구축하였다.
이를 이용하여 학습 범위 내에서 사용자가 입력 변수를 다양하게 입력하더라도, 신뢰도 높은 출력결과를 빠른 속도로 산출할 수 있다.
한편, 도 11은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진에서 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 하이브리드형 모델을 구체적으로 설명하기 위한 도면이다.
도 11에 도시된 바와 같이, 상기 하이브리드 모델 결합모듈(300)은, 비선형 비탄성 구간정보 생성모델(310) 및 동적응답 생성모델(320)을 포함한다.
비선형 비탄성 구간정보 생성모델(310)은 사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력한다.
동적응답 생성모델(320)은 상기 비선형 비탄성 구간정보 생성모델(310)과 결합하며, 상기 비선형 비탄성 구간정보 생성모델(310)이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력한다.
다시 말하면, 상기 하이브리드 모델 결합모듈(300)은 비선형 비탄성 구간정보 생성모델(310) 및 동적응답 생성모델(320)을 결합한 모델로서, 사용자가 입력하는 변수를 최소화 및 단순화한 초고속 데이터생성 엔진을 구축할 수 있다. 이때, 건축물 고유특성 정보인 , 및 은 건축물의 간단한 정보를 활용하여 매트릭스-기반 고유치 해석을 통해 자동으로 산정할 수 있다. 여기서, 는 건축물 주기 정보, 은 건축물 유효 질량, 은 건축물 유효 높이를 각각 나타낸다.
결국, 본 발명의 실시예에 따르면, 기계학습 딥러닝을 이용한 건축물의 데이터생성 엔진을 구현함으로써, 잠재적으로 발생 가능한 지진 등의 재난에 대한 사전 대응을 위해 건축물의 지진안전과 관련된 데이터베이스를 초고속으로 생성하여 기존(또는 노화) 건축물에 대한 재난 피해를 최소화하고, 재난 발생 이후 건축물의 상태를 즉시 평가 및 대응할 수 있다.
본 발명의 실시예에 따르면, 비선형 비탄성 구조정보 생성모델과 동적응답 생성모델을 결합한 하이브리드 모델을 구현함으로써, 내진성능과 관련 데이터가 미확보된 건축물에 대한 다양한 재난시나리오에 대한 빅데이터를 생성하고 별도의 컴퓨터 해석 없이 빠른 속도로 건축물의 내진성능을 평가할 수 있다. 즉, 기존의 복잡한 컴퓨터 해석기법을 이용하여 지진에 대한 건축물의 구조안전성을 평가하고 데이터를 확보하는 기술에 비해, 소요 시간, 비용 및 인력을 획기적으로 절약할 수 있다.
또한, 건축물의 구조안전과 관련된 데이터베이스가 미확보된 경우에 용이하게 활용함으로써, 재난 발생 이전 피해규모 최소화를 위한 건축물 안전관련 사전관리 시스템의 데이터생성 엔진으로 활용할 수 있고, 재난 발생 이후 즉시대응 시스템을 위한 데이터생성 엔진으로도 활용할 수 있다. 이를 통해 건축물 중 내진성능 관련 데이터가 미확보된 대다수의 건축물, 예를 들면, 80% 이상의 건축물에 대한 건축물 내진성능 데이터베이스를 구축할 수 있다.
[건축물 내진성능 평가를 위한 초고속 데이터생성 방법]
도 12는 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법의 동작흐름도이고, 도 13은 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법에서 학습데이터 샘플 생성 과정을 구체적으로 나타내는 동작흐름도이다.
도 12 및 도 13을 참조하면, 본 발명의 실시예에 따른 건축물 내진성능 평가를 위한 초고속 데이터생성 방법은, 건축물 내진성능 평가를 위한 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 초고속 데이터생성 방법으로서, 먼저, 건축물 내진성능 프로필 및 지진하중 프로필에 따른 학습데이터를 생성한다(S110). 구체적으로, 도 13에 도시된 바와 같이, 건축물 내진성능 프로필을 정의하여 입력한다(S111). 이때, 상기 건축물 내진성능 프로필은 주기 정보(), 강도 정보(), 연성도(), 항복후 강성비() 및 강도저감계수()를 포함하되, 상기 5개의 건축물 내진성능 프로필을 이용하여 건축물의 동적응답을 예측할 수 있다. 이후, 상기 입력된 건축물 내진성능 프로필을 단자유도 모델에 결합하여 비선형 단자유도모델을 도출한다(S112). 이때, 상기 비선형 단자유도모델은 고차모드에 대한 영향변수인 건축물 유효 질량() 및 건축물 유효 높이()에 따라 단자유도모델이 비선형 단자유도모델로 도출된다. 이후, 상기 비선형 단자유도모델에 지진하중 프로필을 입력하여 동적응답을 생성하고(S113), 이때, 상기 지진하중 프로필은 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 포함한다. 이후, 상기 내진성능 프로필을 가변시키면서 S111 내지 S113) 단계를 반복하여 수행한다(S114). 이후, 상기 내진성능 프로필과 지진하중 프로필을 고려한 학습데이터 샘플을 생성한다(S115).
다음으로, 사용자 입력모듈(200)을 통해 건축물에 대한 구조부재정보를 입력한다(S120). 여기서, 상기 사용자 입력모듈(200)은, 건축물에 대한 구조부재정보를 상기 비선형 비탄성 구간정보 생성모델(310)에 입력하는 구조부재정보 입력부(210); 지진하중정보로서 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 상기 동적응답 생성모델(320)에 입력하는 지진하중정보 입력부(220); 및 매트릭스-기반 고유치 해석을 통해 건축물 고유특성 정보인 주기 정보(), 건축물 유효 질량() 및 건축물 유효 높이()를 자동으로 산정하여 상기 동적응답 생성모델(320)에 입력하는 매트릭스-기반 고유치 해석부(230)를 포함할 수 있다. 이때, 상기 구조부재정보는 콘크리트 강도(), 철근 강도(), 전단철근비(), 휨철근비(), 축력비(), 단면 형상비(), 높이-길이비() 및 파괴모드()를 포함하되, 여기서, 는 축 부하(Axial Load), 는 전체 단면적(Gross Area), 는 수직단면의 폭, 는 수직단면의 높이, 는 높이, 은 길이를 나타내며, 상기 구조부재정보는 육안으로 간단하게 확인할 수 있다.
다음으로, 하이브리드 모델 결합모듈(300)의 비선형 비탄성 구간정보 생성모델(310)은 상기 구조부재정보를 입력정보로 하는 1차 인공신경망 모델을 적용하여 비선형 비탄성 구간정보를 생성한다(S130). 이때, 상기 비선형 비탄성 구간정보는 강도 정보(), 연성도(), 항복후 강성비() 및 강도저감계수()를 포함하며, 상기 비선형 비탄성 구간정보는 상기 구조부재정보를 입력정보로 하는 1차 인공신경망 모델을 적용하여 생성된다.
여기서, 상기 하이브리드 모델 결합모듈(300)은, 사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하는 비선형 비탄성 구간정보 생성모델(310); 및 상기 비선형 비탄성 구간정보 생성모델(310)과 결합하며, 상기 비선형 비탄성 구간정보 생성모델(310)이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 동적응답 생성모델(320)을 포함한다.
다음으로, 상기 사용자 입력모듈(200)을 통해 지진하중정보를 입력하고 매트릭스 기반 고유치를 해석한다(S140). 여기서, 상기 지진하중정보는 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 포함할 수 있고, 상기 매트릭스 기반 고유치 해석결과는 주기 정보(), 건축물 유효 질량() 및 건축물 유효 높이()를 포함할 수 있다.
다음으로, 상기 하이브리드 모델 결합모듈(300)의 동적응답 생성모델(320)은 상기 비선형 비탄성 구간정보, 상기 지진하중정보 및 매트릭스 기반 고유치 해석결과를 입력정보로 하는 2차 인공신경망 모델을 적용하여 동적응답을 생성한다(S150).
다음으로, 건축물의 최대 동적응답으로서 최대 변위 및 최대 전단력을 추출한다(S160). 이에 따라, 상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능이 최대 동적응답 기반으로 평가될 수 있다.
결국, 본 발명의 실시예에 따르면, 하이브리드형 초고속 데이터생성 엔진은 추후 발생가능한 재난에 대한 건축물의 내진성능 관련 데이터베이스를 빠른 속도로 구축할 수 있으므로, 지진안전 건축물 사전대응시스템으로 활용 가능한 기술이며, 이를 바탕으로 재난에 의한 인명 및 재산 피해를 최소화할 수 있다.
또한, 본 발명의 실시예에 따르면, 종래의 기술에 따른 복잡한 컴퓨터 해석모델에 비해 획기적으로 단순한 알고리즘으로 구성되고, 그 정밀도 또한 신뢰도가 높은 학습모델이며, 별도의 데이터베이스가 필요하지 않으므로, 기존 GIS 플랫폼, BIM/CAD 및 모바일앱 등에 용이하게 연동시킬 수 있다.
또한, 본 발명의 실시예에 따르면, 건축물의 특성 정보를 변환하여, 쉽게 건축물의 지진안전 데이터를 업데이트할 수 있으므로, 장기적인 측면에서 재난대비 건축물의 유지관리 기술로도 활용할 수 있으묘, 재난 발생 직후에 즉시 대응 용도로 활용할 수 있다.
또한, 본 발명의 실시예에 따르면, 종래 복잡한 컴퓨터 해석모델 알고리즘에 비해 획기적으로 단순하고, 정밀도 또한 높은 학습 모델로 기존 개발된 또는 개발 중인 플랫폼에 용이하게 탑재할 수 있기 때문에, 광역단위의 내진성능을 평가하거나, 또는 보급형 기술로서 거주자가 간단한 정보 입력만으로 건축물의 내진성능을 파악하는데 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: 학습 데이터생성모듈
200: 사용자 입력모듈
300: 하이브리드 모델 결합모듈
400: 최대 동적응답 추출부
500: 최대 동적응답 기반 내진성능 평가모듈
110: 건축물 내진성능 프로필 입력부
120: 비선형 단자유도모델 도출부
130: 지진하중 프로필 입력부
140: 동적응답 생성부
150: 내진성능 프로필 가변부
160: 학습데이터 샘플 생성부
210: 구조부재정보 입력부
220: 지진하중정보 입력부
230: 매트릭스-기반 고유치 해석부
310: 비선형 비탄성 구간정보 생성모델
311: 1차 인공신경망 모델 312: 1차 피드백부
320: 동적응답 생성모델
321: 2차 인공신경망 모델 322: 2차 피드백부
200: 사용자 입력모듈
300: 하이브리드 모델 결합모듈
400: 최대 동적응답 추출부
500: 최대 동적응답 기반 내진성능 평가모듈
110: 건축물 내진성능 프로필 입력부
120: 비선형 단자유도모델 도출부
130: 지진하중 프로필 입력부
140: 동적응답 생성부
150: 내진성능 프로필 가변부
160: 학습데이터 샘플 생성부
210: 구조부재정보 입력부
220: 지진하중정보 입력부
230: 매트릭스-기반 고유치 해석부
310: 비선형 비탄성 구간정보 생성모델
311: 1차 인공신경망 모델 312: 1차 피드백부
320: 동적응답 생성모델
321: 2차 인공신경망 모델 322: 2차 피드백부
Claims (20)
- 건축물 내진성능 평가를 위한 데이터생성 엔진에 있어서,
건축물 내진성능 프로필과 지진하중 프로필을 고려하여 학습데이터 샘플을 생성하는 학습 데이터생성모듈(100);
건축물에 대한 구조부재정보, 지진하중정보 및 건축물 고유특성 정보를 입력하는 사용자 입력모듈(200);
비선형 비탄성 구간정보 생성모델(310) 및 동적응답 생성모델(320)을 결합한 하이브리드 모델로서, 상기 사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 상기 비선형 비탄성 구간정보 생성모델(310)이 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하고, 상기 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 상기 동적응답 생성모델(320)이 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 하이브리드 모델 결합모듈(300); 및
상기 하이브리드 모델 결합모듈(300)로부터 최대 동적응답을 추출하여 최대 변위 및 최대 전단력을 출력하는 최대 동적응답 추출부(400)를 포함하되,
상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능이 최대 동적응답 기반으로 평가되는 것을 특징으로 하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제1항에 있어서,
상기 하이브리드 모델 결합모듈(300)은 별도의 비선형 비탄성 정보를 추출하기 위한 해석을 수행하는 대신에, 상기 사용자 입력모듈(200)을 통해 입력해야 하는 변수를 최소화하고 상기 구조부재정보로 변환하여 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 추출하는 것을 특징으로 하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제1항에 있어서, 상기 학습 데이터생성모듈(100)은,
건축물 내진성능 프로필로서, 주기 정보(), 강도 정보(), 연성도(), 항복후 강성비() 및 강도저감계수()를 입력하는 건축물 내진성능 프로필 입력부(110);
상기 건축물 내진성능 프로필을 단자유도모델에 결합하여 비선형 단자유도모델을 도출하는 비선형 단자유도모델 도출부(120);
지진하중 프로필로서, 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 입력하는 지진하중 프로필 입력부(130);
상기 지진하중 프로필을 상기 비선형 단자유도모델 도출부(120)에 입력하여 동적응답을 생성하는 동적응답 생성부(140);
상기 건축물 내진성능 프로필을 다변화시키도록 가변시키는 내진성능 프로필 가변부(150); 및
상기 건축물 내진성능 프로필과 상기 지진하중 프로필을 고려하여 학습데이터 샘플을 생성하는 학습데이터 샘플 생성부(160)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제1항에 있어서, 상기 사용자 입력모듈(200)은,
건축물에 대한 구조부재정보를 상기 비선형 비탄성 구간정보 생성모델(310)에 입력하는 구조부재정보 입력부(210);
지진하중정보로서 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 상기 동적응답 생성모델(320)에 입력하는 지진하중정보 입력부(220); 및
매트릭스-기반 고유치 해석을 통해 건축물 고유특성 정보인 주기 정보(), 건축물 유효 질량() 및 건축물 유효 높이()를 자동으로 산정하여 상기 동적응답 생성모델(320)에 입력하는 매트릭스-기반 고유치 해석부(230)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제1항에 있어서, 상기 하이브리드 모델 결합모듈(300)은,
사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하는 비선형 비탄성 구간정보 생성모델(310); 및
상기 비선형 비탄성 구간정보 생성모델(310)과 결합하며, 상기 비선형 비탄성 구간정보 생성모델(310)이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 동적응답 생성모델(320)을 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제6항에 있어서, 상기 비선형 비탄성 구간정보 생성모델(310)은,
모델 입력부(311a), 신경망모델 연산처리부(311b) 및 모델 출력부(311c)를 포함하며, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 비선형 비탄성 구간정보를 생성하는 1차 인공신경망 모델(311); 및
오차 계산부(312a) 및 피드백 제어부(312b)를 포함하며, 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 1차 인공신경망 모델(311)을 재적용하여 모델을 완성하는 1차 피드백부(312)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 제6항에 있어서, 상기 동적응답 생성모델(320)은,
모델 입력부(321a), 신경망모델 연산처리부(321b) 및 모델 출력부(321c)를 포함하며, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 최대 동적응답을 생성하는 2차 인공신경망 모델(321); 및
오차 계산부(322a) 및 피드백 제어부(322b)를 포함하며, 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 2차 인공신경망 모델(321)을 재적용하여 모델을 완성하는 2차 피드백부(322)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진. - 건축물 내진성능 평가를 위한 비선형 비탄성 구간정보 생성모델과 동적응답 생성모델이 결합된 초고속 데이터생성 방법으로서,
a) 건축물 내진성능 프로필 및 지진하중 프로필에 따른 학습데이터를 생성하는 단계;
b) 사용자 입력모듈(200)을 통해 건축물에 대한 구조부재정보를 입력하는 단계;
c) 하이브리드 모델 결합모듈(300)의 비탄성 구간정보 생성모델(310)이 상기 구조부재정보를 입력정보로 하는 1차 인공신경망 모델을 적용하여 비선형 비탄성 구간정보를 생성하는 단계;
d) 상기 사용자 입력모듈(200)을 통해 지진하중정보를 입력하고 매트릭스 기반 고유치를 해석하는 단계;
e) 상기 하이브리드 모델 결합모듈(300)의 동적응답 생성모델(320)이 상기 비선형 비탄성 구간정보, 상기 지진하중정보 및 매트릭스 기반 고유치 해석결과를 입력정보로 하는 2차 인공신경망 모델을 적용하여 동적응답을 생성하는 단계; 및
f) 건축물의 최대 동적응답으로서 최대 변위 및 최대 전단력을 추출하는 단계를 포함하되,
상기 최대 변위 및 최대 전단력에 따라 건축물의 내진성능이 최대 동적응답 기반으로 평가되는 것을 특징으로 하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법. - 제9항에 있어서, 상기 a) 단계는,
a-1) 건축물 내진성능 프로필을 정의하여 입력하는 단계;
a-2) 상기 입력된 건축물 내진성능 프로필을 단자유도 모델에 결합하여 비선형 단자유도모델을 도출하는 단계;
a-3) 상기 비선형 단자유도모델에 지진하중 프로필을 입력하여 동적응답을 생성하는 단계;
a-4) 상기 내진성능 프로필을 가변시키면서 a-1) 내지 a-3) 단계를 반복수행하는 단계; 및
a-5) 상기 내진성능 프로필과 지진하중 프로필을 고려한 학습데이터 샘플을 생성하는 단계를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법. - 제9항에 있어서, 상기 사용자 입력모듈(200)은,
건축물에 대한 구조부재정보를 상기 비선형 비탄성 구간정보 생성모델(310)에 입력하는 구조부재정보 입력부(210);
지진하중정보로서 지진 규모(), 지반 정보인 지반등급(), 지진파 속성인 최대가속도() 및 진앙지로부터의 거리()를 상기 동적응답 생성모델(320)에 입력하는 지진하중정보 입력부(220); 및
매트릭스-기반 고유치 해석을 통해 건축물 고유특성 정보인 주기 정보(), 건축물 유효 질량() 및 건축물 유효 높이()를 자동으로 산정하여 상기 동적응답 생성모델(320)에 입력하는 매트릭스-기반 고유치 해석부(230)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법. - 제9항에 있어서, 상기 하이브리드 모델 결합모듈(300)은,
사용자 입력모듈(200)을 통해 입력되는 구조부재정보에 따라 1차 인공신경망 모델을 적용하여 비선형 비탄성 정보를 출력하는 비선형 비탄성 구간정보 생성모델(310); 및
상기 비선형 비탄성 구간정보 생성모델(310)과 결합하며, 상기 비선형 비탄성 구간정보 생성모델(310)이 출력하는 비선형 비탄성 정보, 상기 사용자 입력모듈(200)을 통해 입력되는 지진하중정보 및 건축물 고유특성 정보에 따라 2차 인공신경망 모델을 적용하여 최대 동적응답을 출력하는 동적응답 생성모델(320)을 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법. - 제18항에 있어서, 상기 비선형 비탄성 구간정보 생성모델(310)은,
모델 입력부(311a), 신경망모델 연산처리부(311b) 및 모델 출력부(311c)를 포함하며, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 비선형 비탄성 구간정보를 생성하는 1차 인공신경망 모델(311); 및
오차 계산부(312a) 및 피드백 제어부(312b)를 포함하며, 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 1차 인공신경망 모델(311)을 재적용하여 모델을 완성하는 1차 피드백부(312)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법. - 제18항에 있어서, 상기 동적응답 생성모델(320)은,
모델 입력부(321a), 신경망모델 연산처리부(321b) 및 모델 출력부(321c)를 포함하며, 예측값 및 실제 값에 대한 오차를 감소시키는 방향으로 연결강도를 조정하여 최대 동적응답을 생성하는 2차 인공신경망 모델(321); 및
오차 계산부(322a) 및 피드백 제어부(322b)를 포함하며, 실제값과 예측값 간의 오차가 임계치 이하인 경우, 상호간 일치하는 것으로 간주하여 최종 모델을 완성하고, 임계치 이상이면, 반복 알고리즘으로 2차 인공신경망 모델(321)을 재적용하여 모델을 완성하는 2차 피드백부(322)를 포함하는 건축물 내진성능 평가를 위한 초고속 데이터생성 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190147151A KR102316603B1 (ko) | 2019-11-15 | 2019-11-15 | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190147151A KR102316603B1 (ko) | 2019-11-15 | 2019-11-15 | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210059554A true KR20210059554A (ko) | 2021-05-25 |
KR102316603B1 KR102316603B1 (ko) | 2021-10-25 |
Family
ID=76145749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190147151A KR102316603B1 (ko) | 2019-11-15 | 2019-11-15 | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102316603B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741758A (zh) * | 2022-04-12 | 2022-07-12 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
CN117494590A (zh) * | 2024-01-03 | 2024-02-02 | 国泰新点软件股份有限公司 | 建筑设施抗震性能的评估方法、装置、设备及存储介质 |
CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008276474A (ja) | 2007-04-27 | 2008-11-13 | Fujitsu Fip Corp | 建築物の耐震性能診断方法及び耐震性能診断プログラム |
KR101477464B1 (ko) | 2014-09-16 | 2015-01-06 | 충남대학교산학협력단 | 기존 건축물의 내진보강을 위한 철근 콘크리트 구조로 이루어진 슬릿 끼움벽의 내진 성능 예측방법 |
KR20150114613A (ko) | 2014-04-01 | 2015-10-13 | 고려대학교 산학협력단 | 다이아그리드 구조 시스템 내진성능 평가 방법 |
JP6027797B2 (ja) | 2012-07-09 | 2016-11-16 | 株式会社Nttファシリティーズ | 建物耐震性評価システム及び建物耐震性評価方法 |
KR101751432B1 (ko) * | 2016-05-16 | 2017-06-27 | 김진 | 파형강판을 이용한 기존 철근 콘크리트 구조체의 내진보강 구조 |
KR101903879B1 (ko) | 2017-02-17 | 2018-10-02 | 부산대학교 산학협력단 | 구조물 지진 안전성 평가 장치 및 구조물 지진 안전성 평가 방법 |
KR101935558B1 (ko) * | 2017-11-01 | 2019-01-04 | 한국건설기술연구원 | 건축물 지진 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
-
2019
- 2019-11-15 KR KR1020190147151A patent/KR102316603B1/ko active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008276474A (ja) | 2007-04-27 | 2008-11-13 | Fujitsu Fip Corp | 建築物の耐震性能診断方法及び耐震性能診断プログラム |
JP6027797B2 (ja) | 2012-07-09 | 2016-11-16 | 株式会社Nttファシリティーズ | 建物耐震性評価システム及び建物耐震性評価方法 |
KR20150114613A (ko) | 2014-04-01 | 2015-10-13 | 고려대학교 산학협력단 | 다이아그리드 구조 시스템 내진성능 평가 방법 |
KR101477464B1 (ko) | 2014-09-16 | 2015-01-06 | 충남대학교산학협력단 | 기존 건축물의 내진보강을 위한 철근 콘크리트 구조로 이루어진 슬릿 끼움벽의 내진 성능 예측방법 |
KR101751432B1 (ko) * | 2016-05-16 | 2017-06-27 | 김진 | 파형강판을 이용한 기존 철근 콘크리트 구조체의 내진보강 구조 |
KR101903879B1 (ko) | 2017-02-17 | 2018-10-02 | 부산대학교 산학협력단 | 구조물 지진 안전성 평가 장치 및 구조물 지진 안전성 평가 방법 |
KR101935558B1 (ko) * | 2017-11-01 | 2019-01-04 | 한국건설기술연구원 | 건축물 지진 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Non-Patent Citations (3)
Title |
---|
김태용 외 2인, "딥러닝을 활용한 구조물의 비선형 지진 응답 예측 기법", 2017 대한토목학회 정기학술대회(2017.10.20.)* * |
김태용 외 2인, "딥러닝을 활용한 비선형 구조물의 확률론적 지진 응답 예측", 대한토목학회 학술대회,(2018.10.)* * |
연구보고서, "기존 건축물 내진성능 평가 활성화를 위한 연구", 한국시설안전공단, 2013년 12월. |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741758A (zh) * | 2022-04-12 | 2022-07-12 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
CN114741758B (zh) * | 2022-04-12 | 2024-04-05 | 大连理工大学 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
CN117494590A (zh) * | 2024-01-03 | 2024-02-02 | 国泰新点软件股份有限公司 | 建筑设施抗震性能的评估方法、装置、设备及存储介质 |
CN117494590B (zh) * | 2024-01-03 | 2024-04-05 | 国泰新点软件股份有限公司 | 建筑设施抗震性能的评估方法、装置、设备及存储介质 |
CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR102316603B1 (ko) | 2021-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102316603B1 (ko) | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 | |
Bommer et al. | Displacement spectra for seismic design | |
Mackie et al. | Performance‐based seismic bridge design for damage and loss limit states | |
Frigui et al. | Global methodology for damage detection and localization in civil engineering structures | |
CN114117617B (zh) | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 | |
Vargas et al. | Probabilistic seismic risk evaluation of reinforced concrete buildings | |
Maleki et al. | Probabilistic seismic assessment of SMFs with drilled flange connections subjected to near-field ground motions | |
Pinto et al. | Existing buildings: the new Italian provisions for probabilistic seismic assessment | |
Wang et al. | A Bayesian framework for estimating fragility curves based on seismic damage data and numerical simulations by adaptive neural networks | |
Siyam et al. | Collapse fragility evaluation of ductile reinforced concrete block wall systems for seismic risk assessment | |
CN116738556A (zh) | 施工墙体的建模方法、装置、设备及存储介质 | |
He et al. | Earthquake damage assessment for RC structures based on fuzzy sets | |
O’Reilly et al. | Fragility functions for eccentrically braced steel frame structures | |
Marcos et al. | Shear strength prediction of unusual interior reinforced concrete beam-column joint using multi-layer neural network: A data collection by digital 3D finite element simulation | |
KR101547156B1 (ko) | 면진구조물의 지진응답분포 추정방법 | |
Gislason et al. | Rapid and automated damage detection in buildings through ARMAX analysis of wind induced vibrations | |
KR102323721B1 (ko) | 내진성능 평가 데이터베이스-기반 필로티 구조의 내진성능 평가 시스템 및 그 방법 | |
Alothman et al. | The effect of ground motion characteristics on the fragility analysis of reinforced concrete frame buildings in Australia | |
Gubana et al. | Fragility curves for different intensity measures for a gravity load-designed RC hospital building: A case study | |
Jahangir et al. | Damage localization of structures using adaptive neuro-fuzzy inference system | |
Segal et al. | An automated robust design methodology for suspended structures | |
Esmaeilnia Amiri et al. | Evaluation of performance levels of Zipper-Braced frames using structural damage index | |
KR101582820B1 (ko) | 면진구조물의 등가모델의 모델링방법 | |
Pukl et al. | The possibility of using BIM for nonlinear life-cycle analysis of concrete structures | |
Haddad et al. | The use of sensitivity analysis for the probabilistic-based seismic assessment of existing buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |