KR20220134421A - Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method - Google Patents
Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method Download PDFInfo
- Publication number
- KR20220134421A KR20220134421A KR1020210137362A KR20210137362A KR20220134421A KR 20220134421 A KR20220134421 A KR 20220134421A KR 1020210137362 A KR1020210137362 A KR 1020210137362A KR 20210137362 A KR20210137362 A KR 20210137362A KR 20220134421 A KR20220134421 A KR 20220134421A
- Authority
- KR
- South Korea
- Prior art keywords
- building
- earthquake
- damage
- information
- earthquake damage
- Prior art date
Links
- 230000006378 damage Effects 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title description 2
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006403 short-term memory Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 1
- 102100021133 Nuclear protein 1 Human genes 0.000 description 1
- 101150037899 REL1 gene Proteins 0.000 description 1
- 101100194362 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res1 gene Proteins 0.000 description 1
- 101100099158 Xenopus laevis rela gene Proteins 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G01V1/008—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
- G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
본 발명은 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것으로서, 보다 자세하게는, 기계 학습 알고리즘을 이용하여 지진에 의한 건물의 피해 정도를 예측하기 위한 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것이다. The present invention relates to a method for predicting earthquake damage of an artificial intelligence-based building, and an apparatus for implementing the same, and more particularly, to predicting the degree of damage to a building due to an earthquake using a machine learning algorithm. It relates to a damage prediction method, and an apparatus for implementing the same.
종래의 지진 피해 평가 시스템들은 건물 해석 데이터와 지반 감쇄식 데이터를 이용하여 지진에 의한 건물의 피해 정도를 평가하거나, GIS 정보 및 시설물 DB를 이용한 시뮬레이션 모델링을 통해 건물의 피해를 예측하는 방법을 사용하였다. 또한, 건물의 건축 정보를 이용한 모델링을 통해 지진에 의한 건물의 피해를 예측하는 방법도 사용되고 있다. Conventional earthquake damage evaluation systems use building analysis data and ground attenuation data to evaluate the degree of damage to a building due to an earthquake, or to predict damage to a building through simulation modeling using GIS information and facility DB. . In addition, a method of predicting damage to a building due to an earthquake through modeling using architectural information of the building is also used.
그러나, 건물 해석 데이터와 지반 감쇄식 데이터를 이용한 방법의 경우 데이터 분석에 많은 시간과 비용이 발생하므로 실시간으로 지진 피해를 예측하는 데 어려움이 있다. 또한, 모델링을 통해 피해를 예측하는 방법의 경우 실제 모든 건물들에 대해 모델링하는 것이 불가능하여 구현 가능성이 낮은 문제점이 있다. However, in the case of a method using building analysis data and ground attenuation data, it is difficult to predict earthquake damage in real time because a lot of time and money are incurred in data analysis. In addition, in the case of a method of predicting damage through modeling, it is impossible to model all buildings in practice, so there is a problem that the possibility of implementation is low.
이와 같은 문제점으로 인해, 지진에 의한 건물의 피해 정도를 예측함에 있어 기존의 방법 대비 적은 시간과 비용을 가지고 실시간으로 지진 피해를 예측할 수 방법이 요구된다. 또한, 지진 피해를 예측하기 위해 과거의 데이터를 이용하여 보다 정확도가 높은 예측 결과를 얻을 수 있는 기술이 요구된다. Due to such a problem, in predicting the degree of damage to a building due to an earthquake, a method capable of predicting earthquake damage in real time with less time and cost compared to conventional methods is required. In addition, in order to predict earthquake damage, a technology capable of obtaining more accurate prediction results using past data is required.
본 발명이 해결하고자 하는 기술적 과제는, 인공 신경망 기술을 이용하여 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다. The technical problem to be solved by the present invention is to provide an earthquake damage prediction method capable of predicting the degree of damage to a building caused by an earthquake in real time using artificial neural network technology, and an apparatus for implementing the same.
본 발명이 해결하고자 하는 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측 시, 건물의 위치에 따른 피해 정도를 시각적으로 식별 가능한 사용자 인터페이스를 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다. Another technical problem to be solved by the present invention is an earthquake damage prediction method capable of providing a user interface capable of visually identifying the degree of damage according to the location of a building when predicting the degree of damage to a building due to an earthquake, and for implementing the same to provide the device.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측 시, 기존의 방법에 비해 보다 높은 정확도를 가지는 예측 모델을 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다. Another technical problem to be solved by the present invention is an earthquake damage prediction method capable of providing a prediction model with higher accuracy than the conventional method when predicting the degree of damage to a building due to an earthquake, and an apparatus for implementing the same is to provide
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측한 결과를 이용하여 위험 지역이 제외된 지진 대피 경로를 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.Another technical problem to be solved by the present invention is an earthquake damage prediction method that can provide an earthquake evacuation route excluding a hazardous area using the result of predicting the degree of damage to a building caused by an earthquake, and an apparatus for implementing the same will provide
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 방법은, 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계, 및 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계를 포함하고, 상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것이다.In order to solve the technical problem, a method performed by a computing device according to an embodiment of the present invention includes the steps of inputting information about the occurrence of an earthquake into an earthquake damage prediction model, and from the earthquake damage prediction model to the earthquake and outputting the building damage information by the earthquake damage prediction model, which is generated by performing machine learning using learning data including the characteristic information of the building.
일 실시예로서, 상기 건물의 특징 정보는, 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있다.As an embodiment, the characteristic information of the building may include at least one of a building type, a use, a building year, and the number of floors.
일 실시예로서, 상기 지진에 의한 건물 피해 정보는, 상기 지진 피해 예측 모델을 이용하여 예측된 결과를 포함할 수 있다.As an embodiment, the information on damage to buildings due to the earthquake may include a result predicted using the earthquake damage prediction model.
일 실시예로서, 상기 지진 피해 예측 모델은, 복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것일 수 있다.As an embodiment, the earthquake damage prediction model may be generated by learning an LSTM-based neural network composed of a plurality of LSTM layers.
일 실시예로서, 상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 복수의 LSTM 레이어 중 적어도 하나의 레이어를 구성하는 복수의 노드 중 일부를 드롭 아웃(drop-out)할 수 있다.As an embodiment, in the process of learning the LSTM-based neural network, some of a plurality of nodes constituting at least one of the plurality of LSTM layers may be dropped out.
일 실시예로서, 상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 LSTM 레이어의 활성화 함수로 ReLU 함수를 사용하고, 상기 LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수를 사용할 수 있다.As an embodiment, in the process of learning the LSTM-based neural network, the ReLU function is used as the activation function of the LSTM layer, and softmax is used as the activation function of the fully connected layer connecting the LSTM layer and the output layer. function can be used.
일 실시예로서, 상기 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계는, 상기 지진의 진원지 및 규모에 관한 정보를 상기 지진 피해 예측 모델에 입력하는 단계를 포함할 수 있다.In an embodiment, the step of inputting information on the occurrence of an earthquake into the earthquake damage prediction model may include inputting information on the epicenter and magnitude of the earthquake into the earthquake damage prediction model.
일 실시예로서, 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계는, 상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급을 출력하는 단계를 포함할 수 있다.As an embodiment, the outputting of the building damage information due to the earthquake from the earthquake damage prediction model may include outputting the earthquake damage grade of the building predicted by the earthquake damage prediction model.
일 실시예로서, 상기 방법은, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 단계를 더 포함할 수 있다. As an embodiment, the method may further include providing the information on damage to a building caused by the earthquake by mapping it based on the location of the building.
일 실시예로서, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 단계는, 상기 건물 피해 정보에 기초하여 지도 상에 각 건물에 대응하는 위험 정보를 표시하는 단계를 포함할 수 있다. As an embodiment, the step of mapping and providing information on building damage caused by earthquakes based on the location of a building may include displaying risk information corresponding to each building on a map based on the damage information on the building. can
일 실시예로서, 상기 건물 피해 정보에 기초하여 지도 상에 각 건물에 대응하는 위험 정보를 표시하는 단계는, 상기 건물 피해 정보에 기초하여 상기 각 건물에 대응하는 위험 정보를 설정하되, 상기 위험 정보는 상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급에 의해 결정되는, 단계, 및 상기 설정된 각 건물의 위험 정보에 기초하여 상기 지도 상에 위험 지역과 안전 지역을 구분하여 표시하는 단계를 포함할 수 있다. As an embodiment, the displaying of risk information corresponding to each building on a map based on the building damage information includes setting risk information corresponding to each building based on the building damage information, but the risk information is determined by the earthquake damage rating of the building predicted by the earthquake damage prediction model, and displaying the dangerous area and the safe area separately on the map based on the set risk information of each building. may include
일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계를 더 포함할 수 있다.As an embodiment, the method may further include displaying an earthquake evacuation route on a map by using the building damage information.
일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로를 생성하는 단계를 포함할 수 있다.As an embodiment, displaying the earthquake evacuation route on the map using the building damage information may include generating a shortest evacuation route for moving from the location of the building to a place other than the dangerous area. .
일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 다중 대피 경로를 생성하는 단계를 포함할 수 있다.As an embodiment, the step of displaying the earthquake evacuation route on the map using the building damage information may include generating multiple evacuation routes for moving from the location of the building to a place other than the dangerous area. .
일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 복수의 대피 경로를 생성하여 표시하되, 각각의 대피 경로에 인접한 건물의 위험도에 기초하여 상기 복수의 대피 경로 각각에 대한 우선 순위를 표시하는 단계를 포함할 수 있다.As an embodiment, the step of displaying the earthquake evacuation route on the map by using the building damage information generates and displays a plurality of evacuation routes for moving from the location of the building to a place except for the danger area, each It may include displaying a priority for each of the plurality of evacuation routes based on the risk of the building adjacent to the evacuation route.
일 실시예로서, 상기 건물의 특징 정보는, 상기 건물과 관련된 복수의 변수 중 히트 맵(heat map) 분석을 통해 선택된 변수를 포함할 수 있다.As an embodiment, the characteristic information of the building may include a variable selected through heat map analysis among a plurality of variables related to the building.
일 실시예로서, 상기 히트 맵은, 상기 건물과 관련된 복수의 변수 각각과 상기 건물의 지진 피해 등급 상호 간 상관도를 산출하여 행렬 형태로 표시한 것일 수 있다. As an embodiment, the heat map may be displayed in a matrix form by calculating a correlation between each of a plurality of variables related to the building and the earthquake damage rating of the building.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨터 판독 가능한 비일시적 기록 매체는, 컴퓨터로 하여금 상기 방법을 수행하도록 하는 컴퓨터 프로그램이 저장된 것이다.In order to solve the above technical problem, a computer-readable non-transitory recording medium according to an embodiment of the present invention stores a computer program for causing a computer to perform the method.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치는, 하나 이상의 프로세서, 외부장치와 통신하는 통신 인터페이스, 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리, 및 상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작, 및 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하고, 상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것이다.For solving the above technical problem, the earthquake damage prediction apparatus of a building according to an embodiment of the present invention is one or more processors, a communication interface for communicating with an external device, and loading a computer program performed by the processor A memory, and a storage for storing the computer program, wherein the computer program outputs information on earthquake occurrence to an earthquake damage prediction model, and information on building damage caused by the earthquake from the earthquake damage prediction model and instructions for performing an operation, and the earthquake damage prediction model is generated by performing machine learning using learning data including characteristic information of a building.
일 실시예로서, 상기 컴퓨터 프로그램은, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 동작을 수행하기 위한 인스트럭션을 더 포함할 수 있다.As an embodiment, the computer program may further include instructions for performing an operation of mapping and providing information on damage to buildings due to the earthquake based on the location of the building.
일 실시예로서, 상기 컴퓨터 프로그램은, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 동작을 수행하기 위한 인스트럭션을 더 포함할 수 있다.As an embodiment, the computer program may further include instructions for performing an operation of displaying an earthquake evacuation route on a map using the building damage information.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치는, 외부 서버와 통신하는 통신부, 상기 외부 서버로부터 수집된 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 지진 피해 예측 모델을 생성하는 학습부, 및 지진 발생에 관한 정보를 상기 지진 피해 예측 모델에 입력하여 상기 지진에 의한 건물 피해 정보를 출력하는 예측부를 포함한다. For solving the above technical problem, the apparatus for predicting earthquake damage of a building according to an embodiment of the present invention, a communication unit communicating with an external server, machine learning using learning data including characteristic information of the building collected from the external server and a learning unit that generates an earthquake damage prediction model by performing , and a prediction unit that inputs information about earthquake occurrence into the earthquake damage prediction model and outputs information on building damage caused by the earthquake.
일 실시예로서, 상기 지진 피해 예측 모델은, 복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것일 수 있다.As an embodiment, the earthquake damage prediction model may be generated by learning an LSTM-based neural network composed of a plurality of LSTM layers.
도 1은 본 발명의 실시예에 따른 개념도이다.
도 2는 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다.
도 4 내지 도 6은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다.
도 8은 본 발명의 몇몇 실시예에 따른 지진 피해 등급의 분류를 도시한 예이다.
도 9는 본 발명의 몇몇 실시예에 따른 히트 맵 분석을 통해 건물의 특징 정보에 포함되는 변수를 선정하는 예이다.
도 10은 본 발명의 몇몇 실시예에 따른 건물의 지진 피해 예측을 위한 신경망 구조를 도시한 예이다.
도 11은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델의 성능을 보여주는 그래프의 예이다.
도 12는 본 발명의 몇몇 실시예에 따른 기계 학습 기반으로 지진 피해 예측 모델을 생성하여 건물 피해 정보를 제공하는 흐름을 도시한 예이다.
도 13 및 도 14는 본 발명의 몇몇 실시예에 따른 지진 피해 예측 결과에 기반하여 지도 상에 건물의 위험 정보를 표시하는 예이다.
도 15은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델로부터 출력되는 건물 피해 정보를 이용하여 지진 대피 경로를 제공하는 흐름을 도시한 예이다.
도 16은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 결과에 기반하여 지도 상에 지진 대피 경로를 표시하는 예이다.
도 17은 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다. 1 is a conceptual diagram according to an embodiment of the present invention.
2 is a block diagram illustrating the configuration of an earthquake damage prediction apparatus for a building according to an embodiment of the present invention.
3 is a block diagram illustrating the configuration of an earthquake damage prediction apparatus for a building according to another embodiment of the present invention.
4 to 6 are flowcharts for explaining a method for predicting earthquake damage of a building according to another embodiment of the present invention.
7 is an example illustrating the configuration of learning data according to some embodiments of the present invention.
8 is an example illustrating the classification of earthquake damage grades according to some embodiments of the present invention.
9 is an example of selecting a variable included in characteristic information of a building through heat map analysis according to some embodiments of the present invention.
10 is an example illustrating a neural network structure for predicting earthquake damage of a building according to some embodiments of the present invention.
11 is an example of a graph showing the performance of an earthquake damage prediction model according to some embodiments of the present invention.
12 is an example illustrating a flow of providing building damage information by generating an earthquake damage prediction model based on machine learning according to some embodiments of the present invention.
13 and 14 are examples of displaying risk information of a building on a map based on an earthquake damage prediction result according to some embodiments of the present invention.
15 is an example illustrating a flow of providing an earthquake evacuation route using building damage information output from an earthquake damage prediction model according to some embodiments of the present invention.
16 is an example of displaying an earthquake evacuation route on a map based on an earthquake damage prediction result according to some embodiments of the present invention.
17 is a hardware configuration diagram of an exemplary computing device that may implement methods according to some embodiments of the present invention.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시 예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.Hereinafter, preferred embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. Advantages and features of the present disclosure and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the technical spirit of the present disclosure is not limited to the following embodiments, but may be implemented in various different forms, and only the following embodiments complete the technical spirit of the present disclosure, and in the technical field to which the present disclosure belongs It is provided to fully inform those of ordinary skill in the scope of the present disclosure, and the technical spirit of the present disclosure is only defined by the scope of the claims.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.In adding reference numerals to the components of each drawing, it should be noted that the same components are given the same reference numerals as much as possible even though they are indicated on different drawings. In addition, in describing the present disclosure, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present disclosure, the detailed description thereof will be omitted.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless otherwise defined, all terms (including technical and scientific terms) used herein may be used with the meaning commonly understood by those of ordinary skill in the art to which this disclosure belongs. In addition, terms defined in a commonly used dictionary are not to be interpreted ideally or excessively unless clearly defined in particular. The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present disclosure. In this specification, the singular also includes the plural, unless specifically stated otherwise in the phrase.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In addition, in describing the components of the present disclosure, terms such as first, second, A, B, (a), (b), etc. may be used. These terms are only for distinguishing the elements from other elements, and the essence, order, or order of the elements are not limited by the terms. When it is described that a component is “connected”, “coupled” or “connected” to another component, the component may be directly connected or connected to the other component, but another component is between each component. It should be understood that elements may be “connected,” “coupled,” or “connected.”
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.As used herein, "comprises" and/or "comprising" refers to the presence of one or more other components, steps, operations and/or elements mentioned. or addition is not excluded.
이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.Hereinafter, some embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 개념도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 학습 데이터(2)를 이용하여 기계 학습을 수행함에 의해 생성되는 지진 피해 예측 모델(31)을 이용하여 지진 발생 시 건물 피해 정보(5)를 출력할 수 있다. 1 is a conceptual diagram according to an embodiment of the present invention. Referring to FIG. 1 , an earthquake
도시된 예에서, 학습 데이터(2)는 건물의 특징 정보와 지진 피해 정보로 구성되고, 학습 데이터(2)를 이용하여 기계 학습 알고리즘인 LSTM 기반의 신경망(3)을 학습함에 의해 지진 피해 예측 모델(31)이 생성될 수 있다. 이 때, 학습 데이터(2)를 구성하는 건물의 특징 정보는, 예컨대 건물의 종류(structure type), 용도(use type), 건축연도(year built), 층수(stories) 중 적어도 하나를 포함하고, 지진 피해 정보는, 예컨대 진원지로부터의 거리(distance), 및 지진 피해 등급(damage grade)을 포함할 수 있다. In the illustrated example, the training data (2) is composed of building feature information and earthquake damage information, and the earthquake damage prediction model by learning the LSTM-based neural network (3), which is a machine learning algorithm, using the training data (2) (31) can be generated. At this time, the characteristic information of the building constituting the learning
지진 피해 예측을 위해, 입력 정보(4)로서 지진 발생 정보와 건물 데이터가 지진 피해 예측 모델(31)에 입력되면, 지진 피해 예측 모델(31)을 이용하여 예측 결과가 생성되고, 예측 결과로서 건물 피해 정보(5)가 출력될 수 있다. 여기서, 입력 정보(4) 중 지진 발생 정보는 예컨대 지진의 진원지 및 지진 규모에 관한 정보를 포함하고, 건물 데이터는 건물의 ID, 명칭, 주소 등에 관한 정보를 포함할 수 있다. 건물 피해 정보(5)는 지진 피해 예측 모델(31)에 의해 실시간으로 예측된 건물의 지진 피해 등급을 포함할 수 있다.For earthquake damage prediction, when earthquake occurrence information and building data are input to the earthquake
상기와 같은 본 발명의 실시예에 따라, 인공 신경망 기술을 이용하여 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있다.According to an embodiment of the present invention as described above, the degree of damage to a building due to an earthquake can be predicted in real time using artificial neural network technology.
도 2는 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다. 도 2를 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 학습부(11) 및 예측부(12)를 포함하고, 외부 서버(20), 및 사용자 단말(10)과 네트워크를 통해 연결될 수 있다. 지진 피해 예측 장치(1)는 사용자 단말(10)로부터 수신되는 지진에 의한 건물 피해 예측을 위한 기계 학습 모델의 생성 및 분석 요청을 처리하여, 그 결과를 제공한다. 2 is a block diagram illustrating the configuration of an earthquake damage prediction apparatus for a building according to an embodiment of the present invention. Referring to FIG. 2 , an earthquake
외부 서버(20)는 건물의 특징 정보 및 지진 피해 정보를 제공하는 서버로 구현되고, 이로부터 제공되는 건물 및 지진 관련 데이터를 수집하여 학습 데이터(2)를 구성할 수 있다. 이 때, 학습 데이터(2)에 포함되는 건물의 특징 정보는 지진에 의한 건물 피해에 영향을 미치는 복수의 정보들을 포함하고, 예컨대 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있다. 또한, 학습 데이터(2)에 포함되는 지진 피해 정보는, 예컨대 진원지로부터의 거리, 및 지진에 의한 건물의 피해 등급을 포함할 수 있다. The
학습부(11)는 수집 모듈(111), 전처리 모듈(112), 및 학습 모듈(113)로 구성되고, 이 중 수집 모듈(111)은 외부 서버(20)로부터 제공되는 건물의 특징 정보 및 지진 피해 정보를 수집하여 학습 데이터(2)를 구성하고, 이를 데이터베이스에 저장한다. The
전처리 모듈(112)은 수집 모듈(111)에 의해 데이터베이스에 저장된 학습 데이터(2)를 읽어 오고, 학습 데이터(2)를 기계 학습이 가능한 형태로 변환한다. 일 실시예로서, 전처리 모듈(112)은 학습 데이터(2)를 기계 학습이 가능하도록 벡터 형식의 데이터로 변환한다. 이 때, 벡터 형식의 데이터로 변환하기 위한 텍스트 임베딩(Text Embedding) 작업이 수행될 수 있다. 텍스트 임베딩 모델로서, 예컨대 Word2Vec, FastText, Glove, Sent2Vec, 및 Elmo 등 단어 또는 문장 기반의 모델이 적용될 수 있다.The
학습 모듈(113)은 전처리 모듈(112)에서 전처리가 완료된 학습 데이터(2)를 이용하여 기계 학습을 수행하고, 이로부터 지진 피해 예측 모델(31)을 생성한다. 이 때, 학습을 위해 사용되는 기계 학습 알고리즘으로서 예컨대 LSTM(Long Short Term Memory) 신경망이 사용될 수 있다. LSTM(Long Short Term Memory) 신경망은 RNN(Recurrent Neural Network)의 한 종류로서, 3개의 게이트를 사용하여 시간 단위로 입력 노드를 통해 들어오는 데이터를 입력, 저장, 출력하도록 제어함으로써 과거의 정보를 참조해야 하는 장기 기억의 연결에 있어 높은 성능을 나타내는 특징을 가진다. The
예측부(12)는 입력 모듈(121), 전처리 모듈(122), 및 예측 모듈(123)로 구성되고, 사용자 단말(10)로부터 입력되거나 외부 장치로부터 제공되는 예측 대상 데이터를 이용하여 건물에 대한 지진 피해 예측 결과를 출력한다. The
입력 모듈(121)에서는 사용자 단말(10) 또는 외부 장치로부터 제공되는 예측 대상 데이터가 입력된다. 이 때, 예측 대상 데이터는 지진 발생 정보 및 건물 데이터를 포함할 수 있다. In the
전처리 모듈(122)은 입력 모듈(121)에서 입력된 예측 대상 데이터를 기계 학습 모델 기반으로 예측이 가능한 형태로 변환한다. 이 때, 예측 대상 데이터의 변환 과정은 학습부(11)의 전처리 모듈(112)에서 수행되는 과정과 동일하다. The
일 실시예로서, 전처리 모듈(122)는 입력된 지진 발생 정보 및 건물 데이터를 기계 학습 모델 기반으로 예측이 가능한 형태인 벡터 형식의 데이터로 변환 및 정규화(normalize) 작업을 수행할 수 있다. As an embodiment, the
예측 모듈(123)은 학습 모듈(113)에서 생성된 지진 피해 예측 모델(31)을 로드하고, 로드된 지진 피해 예측 모델(31)을 이용하여 예측 대상 데이터로서 입력된 건물의 지진 피해 정도에 관한 예측 결과를 생성한다.
또한, 예측 모듈(123)은 학습 모듈(113)에서 생성된 지진 피해 예측 모델(31)의 성능 수치를 로드한다. 여기서, 지진 피해 예측 모델(31)의 성능 수치는, 기계 학습을 통해 출력되는 모델의 정확도(accuracy) 및 손실 값(loss)을 포함할 수 있다. In addition, the
상기와 같은 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 건물의 지진 피해 예측을 위한 학습 과정 및 예측 과정을 모두 수행하는 장치로 구현될 수 있다. 이에 따라, 지진 피해 예측 장치(1)는 기존의 방법 대비 높은 정확도를 가지는 예측 모델을 생성하고, 이를 통해 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있다. The earthquake
도 3은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다. 도 3을 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(7)는 예측부(12)를 포함하고, 네트워크를 통해 연결되는 서버(6)와 연결된다. 서버(6)는 학습부(11)를 포함하고, 외부 서버(20)와 네트워크를 통해 연결될 수 있다. 3 is a block diagram illustrating the configuration of an earthquake damage prediction apparatus for a building according to another embodiment of the present invention. Referring to FIG. 3 , the earthquake
도시된 예에서, 서버(6)는 기계 학습을 통해 지진 피해 예측 모델(31)을 생성하는 학습부(11)의 구성을 포함하고, 지진 피해 예측 장치(7)는 서버(6)에서 생성된 지진 피해 예측 모델(31)을 이용하여 입력되는 예측 대상 데이터에 대한 예측 결과를 생성하는 예측부(12)의 구성을 포함한다. 이 때, 서버(6)에 포함된 학습부(11)와 지진 피해 예측 장치(7)에 포함된 예측부(12)는 도 2에 도시된 지진 피해 예측 장치(1)에 포함된 학습부(11)와 예측부(12)에 각각 대응하는 구성이므로, 각 구성이 수행하는 동작에 대한 구체적인 설명은 생략하도록 한다. In the illustrated example, the server 6 includes the configuration of the
서버(6)는 건물의 지진 피해 예측을 위한 모델을 생성하는 동작을 수행한다. 서버(6)는 외부 서버(20)로부터 제공되는 건물의 특징 정보 및 지진 피해 정보를 수집하여 학습 데이터(2)를 구성하고, 이를 이용하여 기계 학습을 수행함에 의해 지진 피해 예측 모델(31)을 생성한다.The server 6 performs an operation of generating a model for predicting earthquake damage of a building. The server 6 collects the characteristic information of the building and the earthquake damage information provided from the
지진 피해 예측 장치(7)는 사용자로부터 입력되는 건물의 지진 피해 예측을 위한 분석 요청을 처리하고, 그 결과를 화면을 통해 제공한다. The earthquake
일 실시예로서, 지진 피해 예측 장치(7)는 지진 피해 예측을 위한 모델(31)의 생성 요청을 서버(6)로 전송하고, 서버(6)에서 생성되는 지진 피해 예측 모델(31)에 관한 정보를 제공받을 수 있다. 지진 피해 예측 장치(7)는 서버(6)로부터 제공된 지진 피해 예측 모델(31)을 이용하여 사용자로부터 입력되는 예측 대상 데이터에 대한 건물의 지진 피해 정도에 관한 예측 결과를 생성하고, 이를 화면에 표시할 수 있다. 이 때, 사용자로부터 입력되는 예측 대상 데이터는, 지진 발생 정보 및 건물 데이터를 포함할 수 있다. As an embodiment, the earthquake
상기와 같은 본 발명의 실시예에 따른 지진 피해 예측 장치(7)는 건물의 지진 피해 예측을 위한 예측 과정만을 수행하고, 예측을 위한 모델을 생성하는 학습 과정은 별도의 서버(6)를 통해 수행될 수 있다. 이에 따라, 건물의 지진 피해 예측을 위한 학습 과정 및 예측 과정이 서로 다른 장치에서 수행되므로, 지진에 의한 건물 피해 정도를 실시간으로 예측함에 있어 지연되는 시간 없이 높은 성능으로 예측 결과를 제공해줄 수 있다. The earthquake
도 4 내지 도 6은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 방법을 설명하기 위한 순서도이다. 본 실시예에 따른 건물의 지진 피해 예측 방법은 컴퓨팅 장치(100)에 의하여 실행될 수 있고, 예컨대 지진 피해 예측 장치(7)에 의해 실행될 수 있다. 본 실시예에 따른 방법을 실행하는 상기 컴퓨팅 장치(100)는 응용 프로그램 실행 환경을 구비한 컴퓨팅 장치일 수 있다. 본 실시예에 따른 방법에 포함되는 일부 동작의 수행 주체에 대한 기재가 생략될 수 있으며, 그러한 경우 그 주체는 상기 컴퓨팅 장치(100)임을 유의한다.4 to 6 are flowcharts for explaining a method for predicting earthquake damage of a building according to another embodiment of the present invention. The earthquake damage prediction method of a building according to the present embodiment may be executed by the
도 4를 참조하면, 먼저, 동작 S41에서, 지진 발생에 관한 정보가 지진 피해 예측 모델(31)에 입력된다. 이 때, 지진 발생에 관한 정보 외에 추가적으로 건물 데이터가 지진 피해 예측 모델(31)에 입력될 수 있다. 지진 발생에 관한 정보는, 예컨대 지진의 진원지 및 지진 규모에 관한 정보를 포함하고, 건물 데이터는 예컨대 건물의 ID, 명칭, 주소 등에 관한 정보를 포함할 수 있다. Referring to FIG. 4 , first, in operation S41 , information on the occurrence of an earthquake is input to the earthquake
일 실시예로서, 지진 피해 예측 모델(31)은 건물의 특징 정보와 지진 피해 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것일 수 있다. 건물의 특징 정보는 예컨대 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있고, 지진 피해 정보는 예컨대 지진에 의한 건물의 피해 등급을 포함할 수 있다. 이 때, 건물의 특징 정보는, 건물과 관련된 복수의 변수 중 지진 피해 정도에 영향을 미치는 변수들을 히트 맵 분석을 통해 선택한 것으로서, 복수의 변수 각각과 건물의 지진 피해 등급 상호 간 상관도가 임계치 이상인 변수들로 구성될 수 있다. As an embodiment, the earthquake
여기서, 지진 피해 예측 모델(31)은 다양한 기계 학습 알고리즘을 이용하여 생성될 수 있고, 예컨대 LSTM(Long Short Term Memory) 기반의 신경망을 학습하여 생성될 수 있다. 이 때, LSTM 기반 신경망은 복수의 LSTM 레이어(LSTM layer)와 완전 연결 레이어(fully-connected layer)로 구성될 수 있고, 복수의 LSTM 레이어 중 적어도 하나의 레이어에서 일정 비율의 노드를 드롭 아웃(drop-out)하는 동작을 통해 모델의 성능을 높일 수 있다. 또한, LSTM 기반의 신경망을 학습하는 과정에서, LSTM 레이어의 활성화 함수로 ReLU 함수가 사용되고, LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수가 사용될 수 있다. Here, the earthquake
다음으로, 동작 S42에서, 지진 피해 예측 모델(31)로부터 지진에 의한 건물 피해 정보(5)가 출력된다. 건물 피해 정보(5)는 지진 피해 예측 모델(31)에 의해 실시간으로 예측된 건물의 지진 피해 등급을 포함할 수 있다. 이 때, 지진 피해 등급은 지진에 의한 건물의 피해 예측 정도에 따라 소정 개수의 등급으로 분류될 수 있다. Next, in operation S42 ,
도 5를 참조하면, 동작 S42가 수행된 이후에 동작 S43 및 동작 S44 가 추가적으로 수행될 수 있다. 동작 S43에서, 지진에 의한 건물 피해 정보(5)가 건물의 위치를 기준으로 매핑하여 제공된다. Referring to FIG. 5 , after operation S42 is performed, operations S43 and S44 may be additionally performed. In operation S43, information on damage to buildings due to
일 실시예로서, 동작 S43은, 건물 피해 정보(5)에 기초하여 지도 상에 각 건물에 대응하는 위험 정보가 표시되는 동작을 포함할 수 있다. 여기서, 위험 정보는 지진 피해 예측 모델(31)에 의해 예측된 건물의 지진 피해 등급에 의해 결정될 수 있다. 예로서, 사용자 인터페이스를 통해 제공되는 지도 이미지 상에 지진 피해 예측 모델(31)에 의해 예측된 지진 피해 등급을 각 건물 별로 표시함에 의해, 사용자가 각 건물 별 피해 정도를 시각적으로 식별 가능하도록 할 수 있다. As an embodiment, operation S43 may include an operation of displaying risk information corresponding to each building on a map based on the
일 실시예로서, 도 6에 도시된 바와 같이, 동작S43은, 건물 피해 정보에 기초하여 각 건물에 대응하는 위험 정보가 설정되는 동작 S431과, 설정된 각 건물의 위험 정보에 기초하여 지도 상에 위험 지역과 안전 지역이 구분되어 표시되는 동작 S432를 포함할 수 있다. 예로서, 지진 피해 예측 모델(31)에 의한 예측 결과를 이용하여 각 건물 별로 지진 피해 등급을 설정하고, 사용자 인터페이스를 통해 제공되는 지도 이미지 상에 건물 별로 설정된 지진 피해 등급을 이용하여 지진 피해 등급이 임계치 이상인 건물이 모여 있는 지역은 위험 지역으로 표시되도록 하고, 지진 피해 등급이 임계치 미만인 건물들이 모여 있는 지역은 안전 지역으로 표시되도록 할 수 있다. As an embodiment, as shown in FIG. 6 , operation S43 includes operation S431 in which risk information corresponding to each building is set based on the building damage information, and risk information on a map based on the set risk information of each building. An operation S432 in which an area and a safety area are divided and displayed may be included. For example, the earthquake damage grade is set for each building using the prediction result by the earthquake
마지막으로, 동작 S44에서는, 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로가 표시된다. Finally, in operation S44, an earthquake evacuation route is displayed on the map using the building damage information.
일 실시예로서, 동작 S44는, 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로가 생성되는 동작을 포함할 수 있다. 예로서, 지진 피해 예측 모델(31)에 의한 예측 결과로서 각 건물 별 지진 피해 등급이 제공되면, 지진 피해 등급에 따라 각 건물은 위험 건물 또는 안전 건물로 설정될 수 있다. 이 때, 위험 건물의 개수가 임계치 이상인 지역을 위험 지역으로 설정하고, 설정된 위험 지역을 회피하는 방식으로 지진 대피소까지의 최단 대피 경로를 생성할 수 있다.As an embodiment, operation S44 may include an operation in which the shortest evacuation route for moving from the location of the building to a place other than the dangerous area is generated. For example, if an earthquake damage grade for each building is provided as a prediction result by the earthquake
일 실시예로서, 동작 S44는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 다중 대피 경로가 생성되는 동작을 포함할 수 있다. 예로서, 예측 결과로서 제공된 지진 피해 등급을 이용하여 설정된 위험 지역을 회피하여 대피 경로를 생성하되, 지진 대피소와 같은 안전한 장소까지 이동할 수 있는 복수 개의 다양한 대피 경로를 모두 생성하여 지도 상에 표시할 수 있다. 이 경우, 지도 상에 표시되는 복수 개의 대피 경로 중 사용자의 판단에 따라 사용자가 선호하는 대피 경로를 선택하도록 유도할 수 있다. As an embodiment, operation S44 may include an operation of generating multiple evacuation routes for moving from the location of the building to a place other than the dangerous area. For example, an evacuation route is generated by avoiding the set danger area using the earthquake damage rating provided as a prediction result, but a plurality of various evacuation routes that can move to a safe place such as an earthquake shelter can all be created and displayed on the map. have. In this case, it is possible to induce the user to select a preferred evacuation route according to the user's judgment among a plurality of evacuation routes displayed on the map.
일 실시예로서, 동작 S44는, 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 복수의 대피 경로를 생성하여 표시하되, 각각의 대피 경로에 인접한 건물의 위험도에 기초하여 복수의 대피 경로 각각에 대한 우선 순위가 표시하는 동작을 포함할 수 있다. 예로서, 건물의 위치로부터 지진 대피소와 같은 안전한 장소까지 이동할 수 있는 복수 개의 다양한 대피 경로를 모두 생성하여 지도 상에 표시하되, 각각의 대피 경로에 인접한 건물들의 지진 피해 등급에 기초하여 지진 피해 등급이 임계치 이상인 건물의 수가 최소인 대피 경로에 대해 가장 높은 우선 순위를 부여하여 표시할 수 있다. 또한, 지진 피해 등급이 임계치 이상인 건물의 수가 최대인 대피 경로에 대해 가장 낮은 우선 순위를 부여하여 표시할 수 있다.As an embodiment, operation S44 generates and displays a plurality of evacuation routes for moving from the location of the building to a place other than the danger area, and based on the risk of the building adjacent to each evacuation route, each of the plurality of evacuation routes It may include an operation indicated by a priority for the operation. For example, a plurality of various evacuation routes that can move from the location of a building to a safe place such as an earthquake shelter are all created and displayed on the map, but the earthquake damage rating is based on the earthquake damage rating of the buildings adjacent to each evacuation route. The evacuation route with the minimum number of buildings above the threshold can be displayed by giving the highest priority. In addition, the lowest priority can be given to the evacuation route with the largest number of buildings having an earthquake damage rating above a threshold and displayed.
상기와 같은 본 발명의 실시예에 의하면, 지진에 의한 건물 피해 정도를 예측 시, 건물의 위치에 따른 피해 정도를 시각적으로 식별 가능한 사용자 인터페이스를 제공할 수 있다. 또한, 건물의 위치에 따른 피해 정도를 고려하여 건물로부터 가장 안전한 장소로 이동할 수 있는 최적의 대피 경로를 제공할 수 있다. According to the embodiment of the present invention as described above, when predicting the degree of damage to a building due to an earthquake, it is possible to provide a user interface that can visually identify the degree of damage according to the location of the building. In addition, it is possible to provide an optimal evacuation route from the building to the safest place in consideration of the degree of damage according to the location of the building.
도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다. 도 7을 참조하면, 지진 피해 예측 모델(31)을 생성하기 위해 사용되는 학습 데이터(70)의 구성을 보여준다. 7 is an example illustrating the configuration of learning data according to some embodiments of the present invention. Referring to FIG. 7 , the configuration of the
도시된 예에서, 학습 데이터(70)는 건물의 종류(structure type), 용도(use type), 건축연도(year built), 층수(stories), 진원지로부터 거리(distance), 및 지진 피해 등급(damage grade)으로 구성된다. 여기서, 건물의 종류는, 예컨대 C(concrete, 철근콘크리트), S(steel: 철골구조), W(wood, 나무구조), URM(unreinforced masonry, 무보강 조적 전단벽 구조) 등의 값을 포함하고, 건물의 용도는, 예컨대 COM1(소매상), RES3(아파트, 빌라 등 다가구 주택), COM8(레스토랑, 술집 등 오락 시설), COM2(도매상, 창고), REL1(교회, 비영리 단체), RES1(1가구 주택) 등의 값을 포함할 수 있다. In the illustrated example, the
또한, 도 8에 도시된 바와 같이, 지진 피해 등급은 지진에 의한 건물의 피해 정도에 따라 1 부터 5 까지의 값을 가질 수 있다. 예로서, 건물의 파괴도가 25% 미만으로 피해가 경미한 경우 지진 피해 등급은 1의 값으로 저장되고, 건물의 파괴도가 95% 초과로 건물이 붕괴 상태인 경우 지진 피해 등급은 5의 값으로 저장될 수 있다.Also, as shown in FIG. 8 , the earthquake damage grade may have a value from 1 to 5 depending on the degree of damage to the building due to the earthquake. For example, if the degree of destruction of a building is less than 25% and the damage is minor, the earthquake damage grade is stored as a value of 1, and if the degree of destruction of the building exceeds 95% and the building is in a collapsed state, the earthquake damage grade is stored as a value of 5. can be saved.
일 실시예로서, 학습 데이터(70)를 구성하는 변수 중 건물의 특징 정보에 해당되는 건물의 종류, 용도, 건축연도, 및 층수는, 건물과 관련된 복수의 변수들 중 지진 피해 등급과 상관도가 높은 변수들로 선정된 것일 수 있다. 예로서, 도 9에 도시된 바와 같이, 건물과 관련된 복수의 변수들 각각과 지진 피해 등급 상호 간 상관도를 산출하여 행렬 형태로 표시하는 히트 맵(15)을 생성하고, 히트 맵(15)의 각 셀 상에 표시되는 상관도가 임계치 이상인 변수들을 선택하여 학습 데이터(70)로 구성할 수 있다. As an embodiment, among the variables constituting the learning
도 10은 본 발명의 몇몇 실시예에 따른 건물의 지진 피해 예측을 위한 신경망 구조를 도시한 예이다. 도 10을 참조하면, 학습 데이터(70)를 이용한 기계 학습을 수행하기 위해, LSTM(Long Short Term Memory) 신경망(90)이 사용될 수 있다. 10 is an example illustrating a neural network structure for predicting earthquake damage of a building according to some embodiments of the present invention. Referring to FIG. 10 , in order to perform machine learning using the
LSTM(Long Short Term Memory) 신경망(90)은 히든 레이어(hidden layer)에 해당되는 3개의 LSTM 레이어(91, 92, 93)와, 완전 연결 레이어(fully connected layer)에 해당되는 덴스 레이어(dense layer)(94)의 구성을 포함한다. LSTM 신경망(90)은 다른 신경망 모델들과 달리 학습 데이터(90)로서 입력되는 정보들에 대해 서로 상호 작용을 하는 네트워크를 구현함에 의해, 모델의 정확도를 좀더 높일 수 있다.The LSTM (Long Short Term Memory)
일 실시예로서, LSTM 신경망(90)을 구성하는 3개의 LSTM 레이어(91, 92, 93) 중 어느 하나의 레이어에서 지정된 비율로 일부 노드에 대한 드롭 아웃(drop-out)이 수행될 수 있다. 드롭 아웃은, 노드를 임의로 삭제하면서 학습을 수행하는 방법으로, 모델의 성능을 향상시키기 위해 사용될 수 있다. 예로서, 3개의 LSTM 레이어(91, 92, 93) 중 제1 레이어(91)에 대해 드롭 아웃을 수행하여, 제1 레이어(91)를 구성하는 노드의 50%만을 이용하여 랜덤하게 학습을 수행하도록 할 수 있다. 또한, 제2 레이어(92) 및 제3 레이어(93)에 대해서는 드롭 아웃을 수행하지 않을 수 있다.As an embodiment, drop-out of some nodes may be performed at a specified rate in any one of the three
일 실시예로서, LSTM 신경망(90)을 학습하는 과정에서, LSTM 레이어(91, 92, 93)의 활성화 함수로 ReLU 함수가 사용되고, LSTM 레이어(91, 92, 93)와 출력 레이어(95)를 연결하는 덴스 레이어(94)의 활성화 함수로 소프트맥스(softmax) 함수가 사용될 수 있다. As an embodiment, in the process of learning the LSTM
상기와 같이 본 발명의 실시예에 따른 LSTM 신경망(90)을 적용하는 경우, 도 11에 도시된 바와 같이, 모델의 성능 수치를 제공하는 그래프(161) 상에서 모델의 정확도(accuracy)는 0.93%이고, 모델의 손실 값(loss)은 0.066로서 높은 성능을 보여준다. 따라서, 지진에 의한 건물 피해 정도를 예측 시, LSTM 신경망(90)을 이용함에 의해 다른 신경망 모델에 비해 보다 높은 정확도를 가지는 예측 모델을 제공할 수 있다. When the LSTM
도 12는 본 발명의 몇몇 실시예에 따른 기계 학습 기반으로 지진 피해 예측 모델을 생성하여 건물 피해 정보를 제공하는 흐름을 도시한 예이다. 도 12를 참조하면, 먼저 지진 피해 예측 모델(1002)에 대한 입력 정보로서 지진 발생 정보 및 건물 데이터가 입력(1001)되면, 지진 피해 예측 모델(1002)로부터 지진에 의한 건물 피해 정보(5)가 출력(1003)된다. 이 때, 지진 피해 예측 모델(1002)은 건물의 특징 정보 및 지진 피해 정보를 포함하는 학습 데이터(1020)를 이용한 기계 학습을 수행하여 생성된 것일 수 있다. 12 is an example illustrating a flow of providing building damage information by generating an earthquake damage prediction model based on machine learning according to some embodiments of the present invention. 12 , when earthquake occurrence information and building data are
지진 피해 예측 모델(1002)로부터 출력(1003)되는 건물 피해 정보(5)는, 지진 피해 예측 모델(1002)에 의해 실시간으로 예측된 건물의 지진 피해 등급(1030)을 포함할 수 있다. 이 때, 지진 피해 등급(1030)은 지진에 의한 건물의 피해 예측 정도에 따라 소정 개수의 등급으로 분류될 수 있다. The
일 실시예로서, 건물 피해 정보(5)에 기초하여 각 건물에 대응하는 위험 정보가 제공(1004)될 수 있다. 위험 정보는 지진 피해 예측 모델(1002)에 의해 예측된 건물의 지진 피해 등급(1030)에 의해 결정될 수 있다. 이 때, 각 건물에 대응하는 위험 정보는 사용자 인터페이스를 통해 제공되는 지도 이미지(1040) 상에 식별 가능하도록 표시될 수 있다. As an embodiment, risk information corresponding to each building may be provided 1004 based on the
일 실시예로서, 도 13에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급이 각 건물 별로 표시될 수 있다. 예로서, 지도 이미지(1040) 상에 건물 A(아파트)와 건물 B(공장)의 위치와, 각 건물에 대해 예측된 지진 피해 등급이 표시(1101, 1102)될 수 있다. 이에 따라, 사용자가 각 건물 별로 예측되는 지진 피해 정도를 시각적으로 식별 가능하도록 할 수 있다. As an embodiment, as shown in FIG. 13 , the earthquake damage grade predicted by the earthquake
다른 실시예로서, 도 14에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 각 건물에 대응하는 위험 정보가 표시될 수 있다. 예로서, 지도 이미지(1040) 상에 건물 A(아파트)와 건물 C(주택)의 위치와 함께, 건물 A에 대해 예측된 지진 피해 등급이 임계치 이상이므로 위험 정보는 '위험'으로 표시되고, 건물 C에 대해 예측된 지진 피해 등급이 임계치 미만이므로 위험 정보는 '안전'으로 표시될 수 있다. 또한, 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 지진 피해 등급이 임계치 이상인 건물이 모여 있는 지역은 위험 지역(1202)으로 표시될 수 있고, 지진 피해 등급이 임계치 미만인 건물들이 모여 있는 지역은 안전 지역(1204)으로 표시될 수 있다. As another embodiment, as shown in FIG. 14 , risk information corresponding to each building may be displayed on the
도 15는 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델로부터 출력되는 건물 피해 정보를 이용하여 지진 대피 경로를 제공하는 흐름을 도시한 예이다. 도 15를 참조하면, 지진 피해 예측 모델(1002)로부터 지진에 의한 건물 피해 정보(5)가 출력(1003)되면, 건물 피해 정보(5)를 이용하여 각 건물에 대응하는 위험 정보가 제공(1004)된다. 위험 정보는 지진 피해 예측 모델(1002)에 의해 예측된 건물의 지진 피해 등급(1030)에 의해 결정될 수 있다.15 is an example illustrating a flow of providing an earthquake evacuation route using building damage information output from an earthquake damage prediction model according to some embodiments of the present invention. Referring to FIG. 15 , when building
일 실시예로서, 각 건물에 대응하는 위험 정보를 이용하여 각 지역이 위험 지역인지 또는 안전 지역인지 여부가 판단되고, 이로부터 위험 지역 및 안전 지역에 대한 정보(1006, 1007)가 데이터베이스에 각각 저장될 수 있다. 이 때, 데이터베이스에 저장된 위험 지역 및 안전 지역에 대한 정보(1006, 1007)를 이용하여 각 건물의 위치로부터 안전하게 이동 가능한 대피 경로가 생성될 수 있다. 각 건물에 대해 생성되는 대피 경로는, 위험 지역을 회피하면서 안전 지역만을 경유하는 경로를 포함하고, 각 건물의 위치로부터 지진 대피소와 같은 목적지까지의 최단 대피 경로 또는 다중 대피 경로를 포함할 수 있다. As an embodiment, it is determined whether each area is a hazardous area or a safe area using the risk information corresponding to each building, and
일 실시예로서, 도 16에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 설정된 위험 지역(142)과 안전 지역(141)이 표시되고, 위험 지역(142)을 회피하여 건물의 현재 위치로부터 지진 대피소로 이동하기 위한 최단 대피 경로가 표시될 수 있다. As an embodiment, as shown in FIG. 16 , the
도 17은 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다. 도 17에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 프로세서(101), 버스(107), 네트워크 인터페이스(102), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램(105)을 로드(load)하는 메모리(103)와, 컴퓨터 프로그램(105)를 저장하는 스토리지(104)를 포함할 수 있다. 다만, 도 17에는 본 발명의 실시예와 관련 있는 구성요소들 만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 17에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 17 is a hardware configuration diagram of an exemplary computing device that may implement methods according to some embodiments of the present invention. 17 , the
프로세서(101)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.The
메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(104)로부터 하나 이상의 프로그램(105)을 로드(load) 할 수 있다. 예를 들어, 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 로직(또는 모듈)이 메모리(103) 상에 구현될 수 있다. 메모리(103)의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.The
버스(107)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(107)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.The
네트워크 인터페이스(102)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 네트워크 인터페이스(102)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(102)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.The
스토리지(104)는 하나 이상의 컴퓨터 프로그램(105)을 비임시적으로 저장할 수 있다. 스토리지(104)는 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다. The
컴퓨터 프로그램(105)은 본 발명의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 프로세서(101)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 발명의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.The
예를 들어, 컴퓨터 프로그램(105)은 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작, 및 지진 피해 예측 모델(31)로부터 지진에 의한 건물 피해 정보를 출력하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함할 수 있다. 이 때, 지진 피해 예측 모델(31)은, 건물의 특징 정보를 포함하는 학습 데이터(90)를 이용한 기계 학습을 수행하여 생성된 것일 수 있다. For example, the
지금까지 도 1 내지 도 17을 참조하여 본 발명의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.So far, various embodiments of the present invention and effects according to the embodiments have been described with reference to FIGS. 1 to 17 . Effects according to the technical spirit of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
지금까지 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.The technical ideas of the present invention described so far may be implemented as computer-readable codes on a computer-readable medium. The computer-readable recording medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disk, USB storage device, removable hard disk) or a fixed recording medium (ROM, RAM, computer-equipped hard disk). can The computer program recorded in the computer-readable recording medium may be transmitted to another computing device through a network such as the Internet and installed in the other computing device, thereby being used in the other computing device.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.In the above, even though all the components constituting the embodiment of the present invention are described as being combined or operating in combination, the technical spirit of the present invention is not necessarily limited to this embodiment. That is, within the scope of the object of the present invention, all of the components may operate by selectively combining one or more.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.Although acts are shown in a particular order in the drawings, it should not be understood that the acts must be performed in the specific order or sequential order shown, or that all depicted acts must be performed to obtain a desired result. In certain circumstances, multitasking and parallel processing may be advantageous. Moreover, the separation of the various components in the embodiments described above should not be construed as necessarily requiring such separation, and the program components and systems described may generally be integrated together into a single software product or packaged into multiple software products. It should be understood that there is
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although embodiments of the present invention have been described above with reference to the accompanying drawings, those of ordinary skill in the art to which the present invention pertains can practice the present invention in other specific forms without changing the technical spirit or essential features. can understand that there is Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. The protection scope of the present invention should be interpreted by the following claims, and all technical ideas within the equivalent range should be interpreted as being included in the scope of the technical ideas defined by the present invention.
Claims (17)
지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계;
상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계; 및
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계를 포함하고,
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는,
상기 각 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로를 생성하는 단계를 포함하고,
상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것인,
건물의 지진 피해 예측 방법.A method performed by a computing device, comprising:
inputting information about the occurrence of an earthquake into an earthquake damage prediction model;
outputting information on damage to buildings due to the earthquake from the earthquake damage prediction model; and
Displaying an earthquake evacuation route on a map using the building damage information,
The step of displaying an earthquake evacuation route on a map using the building damage information includes:
Including the step of generating the shortest evacuation route for moving from the location of each building to a place excluding the danger area,
The earthquake damage prediction model is one that is generated by performing machine learning using learning data including the characteristic information of the building,
A method of predicting earthquake damage to a building.
상기 건물의 특징 정보는, 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The characteristic information of the building includes at least one of a building type, a use, a building year, and the number of floors,
A method of predicting earthquake damage to a building.
상기 지진에 의한 건물 피해 정보는, 상기 지진 피해 예측 모델을 이용하여 예측된 결과를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The building damage information due to the earthquake includes a result predicted using the earthquake damage prediction model,
A method of predicting earthquake damage to a building.
상기 지진 피해 예측 모델은,
복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것인,
건물의 지진 피해 예측 방법.The method of claim 1,
The earthquake damage prediction model is,
It is generated by learning an LSTM-based neural network composed of a plurality of LSTM layers.
A method of predicting earthquake damage to a building.
상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 복수의 LSTM 레이어 중 적어도 하나의 레이어를 구성하는 복수의 노드 중 일부를 드롭 아웃(drop-out)하는,
건물의 지진 피해 예측 방법.5. The method of claim 4,
In the process of learning the LSTM-based neural network, dropping out some of a plurality of nodes constituting at least one of the plurality of LSTM layers,
A method of predicting earthquake damage to a building.
상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 LSTM 레이어의 활성화 함수로 ReLU 함수를 사용하고, 상기 LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수를 사용하는,
건물의 지진 피해 예측 방법.5. The method of claim 4,
In the process of learning the LSTM-based neural network, a ReLU function is used as an activation function of the LSTM layer, and a softmax function is used as an activation function of a fully connected layer connecting the LSTM layer and the output layer.
A method of predicting earthquake damage to a building.
상기 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계는,
상기 지진의 진원지 및 규모에 관한 정보를 상기 지진 피해 예측 모델에 입력하는 단계를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The step of inputting the information on the occurrence of the earthquake into the earthquake damage prediction model,
Including the step of inputting information about the epicenter and magnitude of the earthquake into the earthquake damage prediction model,
A method of predicting earthquake damage to a building.
상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계는,
상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급을 출력하는 단계를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The step of outputting the building damage information due to the earthquake from the earthquake damage prediction model,
Comprising the step of outputting the earthquake damage rating of the building predicted by the earthquake damage prediction model,
A method of predicting earthquake damage to a building.
상기 지진에 의한 건물 피해 정보를 상기 각 건물의 위치를 기준으로 매핑하여 제공하는 단계를 더 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
Further comprising the step of providing the information on damage to buildings due to the earthquake by mapping based on the location of each building,
A method of predicting earthquake damage to a building.
상기 지진에 의한 건물 피해 정보를 상기 각 건물의 위치를 기준으로 매핑하여 제공하는 단계는,
상기 건물 피해 정보에 기초하여 지도 상에 상기 각 건물에 대응하는 위험 정보를 표시하는 단계를 포함하는,
건물의 지진 피해 예측 방법.10. The method of claim 9,
The step of mapping and providing information on damage to buildings due to the earthquake based on the location of each building,
Comprising the step of displaying risk information corresponding to each building on a map based on the building damage information,
A method of predicting earthquake damage to a building.
상기 건물 피해 정보에 기초하여 지도 상에 상기 각 건물에 대응하는 위험 정보를 표시하는 단계는,
상기 건물 피해 정보에 기초하여 상기 각 건물에 대응하는 위험 정보를 설정하되, 상기 위험 정보는 상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급에 의해 결정되는, 단계; 및
상기 설정된 각 건물의 위험 정보에 기초하여 상기 지도 상에 위험 지역과 안전 지역을 구분하여 표시하는 단계를 포함하는,
건물의 지진 피해 예측 방법.11. The method of claim 10,
The step of displaying risk information corresponding to each building on a map based on the building damage information,
setting risk information corresponding to each building based on the building damage information, wherein the risk information is determined by the earthquake damage rating of the building predicted by the earthquake damage prediction model; and
Comprising the step of distinguishing and displaying a dangerous area and a safe area on the map based on the set risk information of each building,
A method of predicting earthquake damage to a building.
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는,
상기 각 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 다중 대피 경로를 생성하는 단계를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The step of displaying an earthquake evacuation route on a map using the building damage information includes:
Including the step of creating a multi-evacuation route for moving from the location of each building to a place excluding the hazardous area,
A method of predicting earthquake damage to a building.
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는,
상기 각 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 복수의 대피 경로를 생성하여 표시하되, 각각의 대피 경로에 인접한 건물의 위험도에 기초하여 상기 복수의 대피 경로 각각에 대한 우선 순위를 표시하는 단계를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The step of displaying an earthquake evacuation route on a map using the building damage information includes:
Create and display a plurality of evacuation routes for moving from the location of each building to a place other than the danger area, and display the priority for each of the plurality of evacuation routes based on the risk of buildings adjacent to each evacuation route comprising steps,
A method of predicting earthquake damage to a building.
상기 건물의 특징 정보는, 상기 건물과 관련된 복수의 변수 중 히트 맵 분석을 통해 선택된 변수를 포함하는,
건물의 지진 피해 예측 방법.The method of claim 1,
The characteristic information of the building includes a variable selected through heat map analysis among a plurality of variables related to the building,
A method of predicting earthquake damage to a building.
상기 히트 맵은, 상기 건물과 관련된 복수의 변수 각각과 상기 건물의 지진 피해 등급 상호 간 상관도를 산출하여 행렬 형태로 표시한 것인,
건물의 지진 피해 예측 방법.15. The method of claim 14,
The heat map is that the correlation between each of a plurality of variables related to the building and the earthquake damage rating of the building is calculated and displayed in a matrix form,
A method of predicting earthquake damage to a building.
외부장치와 통신하는 통신 인터페이스;
상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
상기 컴퓨터 프로그램은,
지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작,
상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 동작, 및
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하고,
상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 동작은,
상기 각 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로를 생성하는 동작을 포함하고,
상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것인,
건물의 지진 피해 예측 장치.one or more processors;
a communication interface for communicating with an external device;
a memory for loading a computer program executed by the processor; and
a storage for storing the computer program;
The computer program is
The operation of inputting information about the occurrence of an earthquake into the earthquake damage prediction model;
an operation of outputting information on damage to buildings due to the earthquake from the earthquake damage prediction model, and
Including instructions for performing an operation of displaying an earthquake evacuation route on a map using the building damage information,
The operation of displaying an earthquake evacuation route on a map using the building damage information is,
Including the operation of generating the shortest evacuation route for moving from the location of each building to a place excluding the danger area,
The earthquake damage prediction model is one that is generated by performing machine learning using learning data including the characteristic information of the building,
Earthquake damage prediction device for buildings.
상기 외부 서버로부터 수집된 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 지진 피해 예측 모델을 생성하는 학습부; 및
지진 발생에 관한 정보를 상기 지진 피해 예측 모델에 입력하여 상기 지진에 의한 건물 피해 정보를 출력하고, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 예측부를 포함하고,
상기 예측부는, 상기 각 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로를 생성하는,
건물의 지진 피해 예측 장치.a communication unit for communicating with an external server;
a learning unit for generating an earthquake damage prediction model by performing machine learning using learning data including the characteristic information of the building collected from the external server; and
A prediction unit for inputting information on earthquake occurrence into the earthquake damage prediction model, outputting information on damage to buildings due to the earthquake, and displaying an earthquake evacuation route on a map using the building damage information,
The prediction unit generates the shortest evacuation route for moving from the location of each building to a place excluding the danger area,
Earthquake damage prediction device for buildings.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210137362A KR102545314B1 (en) | 2021-03-26 | 2021-10-15 | Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210039217 | 2021-03-26 | ||
| KR1020210137362A KR102545314B1 (en) | 2021-03-26 | 2021-10-15 | Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210039217 Division | 2021-03-26 | 2021-03-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220134421A true KR20220134421A (en) | 2022-10-05 |
| KR102545314B1 KR102545314B1 (en) | 2023-06-20 |
Family
ID=83596402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210137362A KR102545314B1 (en) | 2021-03-26 | 2021-10-15 | Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102545314B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663752A (en) * | 2023-07-31 | 2023-08-29 | 山东省地质测绘院 | Geological disaster intelligent early warning system based on big data analysis |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006170739A (en) * | 2004-12-15 | 2006-06-29 | Kajima Corp | Earthquake disaster prevention system using urgent earthquake prompt report |
| KR102027252B1 (en) | 2017-12-28 | 2019-10-01 | (주)대우건설 | Methods for differentiation of earthquake signal and prediction of earthquake intensity using randomly generated artificial seismic training data for an arbitrary zone |
| KR102064328B1 (en) * | 2018-11-08 | 2020-01-10 | 한국건설기술연구원 | Apparatus for providing earthquake damage prediction information of building and method thereof |
| KR102225926B1 (en) * | 2019-09-03 | 2021-03-09 | 유정호 | Seismic alerting method and device thereof using application |
-
2021
- 2021-10-15 KR KR1020210137362A patent/KR102545314B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006170739A (en) * | 2004-12-15 | 2006-06-29 | Kajima Corp | Earthquake disaster prevention system using urgent earthquake prompt report |
| KR102027252B1 (en) | 2017-12-28 | 2019-10-01 | (주)대우건설 | Methods for differentiation of earthquake signal and prediction of earthquake intensity using randomly generated artificial seismic training data for an arbitrary zone |
| KR102064328B1 (en) * | 2018-11-08 | 2020-01-10 | 한국건설기술연구원 | Apparatus for providing earthquake damage prediction information of building and method thereof |
| KR102225926B1 (en) * | 2019-09-03 | 2021-03-09 | 유정호 | Seismic alerting method and device thereof using application |
Non-Patent Citations (3)
| Title |
|---|
| 구본화 외. 한국음향학회지 제39권 제6호 PP. 592～599 (2020) * |
| 김광영. 디지털콘텐츠학회논문지(J. DCS) VOL. 20. NO. 4. PP. 885_890. APR. 2019 * |
| 인터넷기사 2018.04.22 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663752A (en) * | 2023-07-31 | 2023-08-29 | 山东省地质测绘院 | Geological disaster intelligent early warning system based on big data analysis |
| CN116663752B (en) * | 2023-07-31 | 2023-10-10 | 山东省地质测绘院 | Geological disaster intelligent early warning system based on big data analysis |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102545314B1 (en) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks | |
| Xiong et al. | Framework for city‐scale building seismic resilience simulation and repair scheduling with labor constraints driven by time–history analysis | |
| Bayraktarli et al. | On the application of Bayesian probabilistic networks for earthquake risk management | |
| Silva et al. | Evaluation of analytical methodologies used to derive vulnerability functions | |
| Xu et al. | A prediction method of building seismic loss based on BIM and FEMA P-58 | |
| Alirezaei et al. | BIM-based damage estimation of buildings under earthquake loading condition | |
| Xu et al. | Seismic damage simulation in urban areas based on a high-fidelity structural model and a physics engine | |
| JP7442059B2 (en) | Structural information display device, structural design support device, and structural design support model learning device | |
| KR102152251B1 (en) | Apparatus and method for converting BIM data into disaster-safe spatial data | |
| Shi et al. | Research on IFC-and FDS-based information sharing for building fire safety analysis | |
| Marasco et al. | A computational framework for large-scale seismic simulations of residential building stock | |
| KR102545314B1 (en) | Method for predicting earthquake damage in buildings based on artificial intelligence and apparatus implementing the same method | |
| Mousavi et al. | BIM and machine learning in seismic damage prediction for non-structural exterior infill walls | |
| Noureldin et al. | Machine learning-based seismic assessment of framed structures with soil-structure interaction | |
| Noureldin et al. | Fragility-based framework for optimal damper placement in low-rise moment-frame buildings using machine learning and genetic algorithm | |
| Guven et al. | Providing guidance for evacuation during an emergency based on a real-time damage and vulnerability assessment of facilities | |
| Noori et al. | Smart cities to improve resilience of communities | |
| KR101890708B1 (en) | System and method for damage prediction of structures | |
| KR102495864B1 (en) | Apparatus, method and computer program for deriving digital twin model | |
| CN115775055A (en) | Method, device, equipment and medium for predicting personnel evacuation time of multi-story building | |
| EP3968202A1 (en) | Customizable reinforcement of learning column placement in structural design | |
| Kang | From rupture to recovery: Integrating probabilistic building performance assessment, decision-making and socioeconomic vulnerability to model post-earthquake housing recovery | |
| KR20200049956A (en) | System and method of budget optimization for earthquake maintenance by earthquake forecasting | |
| Liu | Seismic design of steel moment-resisting frame structures using multiobjective optimization | |
| Park et al. | Genetic optimization for seismic retrofit of soft-story woodframe buildings using FEMA P-807 methodology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |