WO2021246600A1 - 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법 - Google Patents

기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법 Download PDF

Info

Publication number
WO2021246600A1
WO2021246600A1 PCT/KR2020/018022 KR2020018022W WO2021246600A1 WO 2021246600 A1 WO2021246600 A1 WO 2021246600A1 KR 2020018022 W KR2020018022 W KR 2020018022W WO 2021246600 A1 WO2021246600 A1 WO 2021246600A1
Authority
WO
WIPO (PCT)
Prior art keywords
design
machine learning
model
database
regressor
Prior art date
Application number
PCT/KR2020/018022
Other languages
English (en)
French (fr)
Inventor
조정원
Original Assignee
현대엔지니어링 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대엔지니어링 주식회사 filed Critical 현대엔지니어링 주식회사
Publication of WO2021246600A1 publication Critical patent/WO2021246600A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates to a design technology of a building, and more particularly, to a design technology of an automated steel structure using machine learning.
  • the database of structures possessed through project execution which is used for reference in the quantity calculation and detailed design of the bidding project or execution project, has limitations in considering the characteristics of all structures, and the structural design and quantity in the range where the database cannot be utilized. The calculation depends on the subjectivity of the designer.
  • outsourcing costs are required and it is difficult to quickly build the database. Therefore, when data in the form of a new environment or additional steel structure is required, a technology capable of automatically designing it and selecting the optimal structure is required so that additional expenses and M/H are not required.
  • Japanese Patent Laid-Open Patent Publication No. 2019-75062 describes a configuration in which machine learning is used to determine the similarity between a design target building and existing design data in order to use existing design data.
  • An object of the present invention is to provide a system and method for designing a steel structure using machine learning.
  • Another object of the present invention is to provide a steel structure design system and method using machine learning that can select an optimal structure for various design conditions.
  • a basic structural analysis model for a steel structure generated by a structural analysis program is provided, and an automatic design result value for the input basic design condition is output.
  • automation design department a machine learning unit for generating a predictive model for a steel structure by machine learning the automatic design result value; and an extended database formed by storing more prediction result values than the automatic design result value for the extended design condition output from the prediction model, the steel structure design system is provided.
  • a basic structural analysis model for a steel structure generated by a structural analysis program is provided, and automatic design result data for input basic design conditions is obtained.
  • the automatic design result obtained by the automation design unit is learned through a machine learning algorithm to generate a predictive model, and design data is expanded through the predictive model, making it possible to select the optimal structure for various design conditions. do.
  • FIG. 1 is a block diagram showing the configuration of a steel structure design system using machine learning according to an embodiment of the present invention.
  • FIG. 2 is a flowchart schematically illustrating a method for designing a steel structure using machine learning according to an embodiment of the present invention.
  • an automated design unit having a basic structural analysis model for a steel structure generated by a structural analysis program and outputting an automatic design result value for an input basic design condition, and the automatic design result value by a machine
  • the machine learning Boo generates the prediction model using a stacking ensemble model technique
  • the stacking ensemble model technique uses Decision Tree Regressor, XGBoost Regressor, RandomForest Regressor, and Gradient Boosting Regressor algorithms as individual prediction algorithm models, and a Linear Support Vector Regressor is finally used. It provides a steel structure design system using machine learning, which is used as a meta-algorithm model.
  • FIG. 1 is a block diagram showing a steel structure design system using machine learning according to an embodiment of the present invention.
  • data for a plurality of structure types classified according to the shape of the steel structure is stored. It is equipped with a structure database 110 that is a structure to be used and a basic structural analysis model generated by a structural analysis program, receives data about the structure type from the structure database 110, and outputs an automatic design result value for the input basic design conditions.
  • the machine learning unit 140 for machine learning the automatic design result value stored in the basic database 130, and the machine learning unit 140 is generated by machine learning and outputs the predicted result value for the extended design condition
  • the structural database 110 constituting the steel structure design system 100 using machine learning, the automation design unit 120, the basic database 130, the machine learning unit 140, the predictive model 150, the extended database ( 160) and the optimal structure selection unit 170 will be described in detail.
  • the structure database 110 stores data for a plurality of structure types classified according to the shape of the structure of the steel structure. In this embodiment, it will be described that data for all 20 structure types, 9 warehouse type structure types and 11 compressor shelter type structure types, are stored in the structure database 110 .
  • the data about the structure type stored in the structure database 110 is provided to the automatic design unit 120 and the optimal structure selection unit 170 to be used for automatic design result value calculation and optimal structure selection.
  • the automation design unit 120 has a basic structural analysis model generated by the structural analysis program, receives data on the structural type from the structural database 110, and automatically design results values (steel frame quantity) for the input basic design conditions. print out
  • the structural analysis program used in this embodiment is Bentley's STAAD.
  • OpenSTAAD is an API (Application Program Interface) used for STAAD and connects STAAD with a computer programming language. Through OpenSTAAD, the code written by the computer programming language is sent to STAAD to automatically generate a basic structural analysis model. In this embodiment, it is described that Visual Basic is used as the computer programming language, but the present invention is not limited thereto.
  • the automation design unit 120 outputs an automatic design result value that is a structural analysis result for various basic design conditions by using the basic structural analysis model.
  • the automation design unit 120 receives information about a plurality of structure types classified according to the shape of the steel structure structure from the structure database 110 . Accordingly, the automation design unit 120 outputs an automatic design result value for the basic design condition according to the structural type of the steel structure.
  • the automatic design result value output through the automation design unit 120 is stored in the basic database 130 and converted into a database.
  • the number of automatic design result data for the warehouse type 9 structure types is 756 (EA)
  • the automatic design result value data for 11 structure types of the compressor shelter type is 924 pieces.
  • EA it is explained that the total number of automatic design result data is 1,680 (EA).
  • [Table 1] below is the design condition input data defined by the user.
  • the automatic design result data output from the automation design unit 120 is converted into a database and stored.
  • 1,680 (EA) automatic design result data output from the automation design unit 120 is stored in the basic database 130 .
  • the automatic design result data stored in the basic database 130 is provided to the machine learning unit 140 and used for machine learning.
  • the machine learning unit 140 machine learns the automatic design result values stored in the basic database 130 by machine learning Creates a predictive model 150 for the steel structure.
  • a stacking ensemble model technique is used.
  • the automatic design result values stored in the basic database 130 are Linear Regression, Support Vector Regressor, Linear Support Vector Regressor, DecisionTree Regressor, XGBoost Regressor, LightGBM Regressor, RandomForest Regressor, GradientBoosting Regressor, Ridge Regressor, Lasso Regressor, ElasticNet Performance was measured by evaluating it with a regressor model.
  • the difference between the actual value and the predicted value is converted to an absolute value and then averaged. The lower the value, the higher the prediction accuracy.
  • MSE positive square root of the average value
  • the ratio of the predicted value to the variance of the actual value The closer to 1, the higher the prediction accuracy.
  • the Linear Support Vector Regressor is used as the final meta-algorithm model to re-predict was performed.
  • the machine learning unit 140 generates the prediction model 150 by the stacking ensemble model technique.
  • the prediction algorithm and application parameters used as individual base models and final meta-models for the stacking ensemble model will be described below. same as
  • DecisionTree Regressor Individual-based model 1
  • DecisionTree is a process that automatically finds rules in data through learning and divides them into subsets according to appropriate split criteria or split tests. This process continues until no more new predicted values are added due to partitioning or the partitioned set has the same value as the target variable.
  • GradientBoosting is an algorithm that corresponds to the Boosting series among ensemble methods that can perform classification and regression analysis. By using gradient descent to find the value at which the gradient of the cost function (error) becomes the minimum, it is possible to improve the error by assigning weights to the incorrectly predicted data while sequentially learning-predicting multiple learners. It is an algorithm.
  • the applied parameters are as follows.
  • XGBoost eXtra Gradient Boost
  • Gradient Boost eXtra Gradient Boost
  • machine learning is overfitting and shows high reliability in training data, but it has a built-in regularization function that can solve the problem of low reliability in prediction based on real data.
  • the applied parameters are as follows.
  • RandomForest is an ensemble method that learns multiple DecisionTrees and is used for classification and regression problems. Split the data set so that some overlapping (Boostrtapping) and train the overlapped individual data set with DecisionTree. And finally, the learned individual set makes a prediction decision through voting, so that a prediction value with higher reliability than the prediction of a single set can be obtained.
  • the applied parameters are as follows.
  • Support Vector Machine is a multi-purpose machine learning model that can be used for linear or non-linear classification, regression, and outlier detection. It was first proposed to solve the classification task and then extended to solve the regression problem (SVR). The fundamental idea of this methodology is to create the widest possible 'road' between classes, a method of reducing errors with the goal of maximizing the margin between the samples and the decision boundary that separates the two classes.
  • the applied parameters are as follows.
  • the prediction model 150 is generated by the stacking ensemble model technique in the machine learning unit 140 and outputs a prediction result value for the extended design condition.
  • the prediction result value output through the prediction model 150 is stored in the extended database 160 and converted into a database.
  • the predicted result data for 9 warehouse-type structure types is 12,572,469 (EA)
  • the predicted result data for 11 compressor shelter-type structure types is 14,855,841 (EA).
  • the total number of prediction result data is 27,428,310 (EA). That is, through the predictive model 150 generated by the machine learning unit 140 using the 1,680 (EA) result data obtained from the automation design unit 120, 27,428,310 (EA) extended result value data will be obtained.
  • the prediction result data output from the prediction model 150 is converted into a database and stored.
  • the prediction result data output from the prediction model 150 is stored in the extended database 160 .
  • the predictive design result data stored in the extended database 160 is provided to the optimal structure selector 170 and is used to select the optimal structure.
  • the optimal structure selection unit 170 satisfies the required design condition among a plurality of structure types stored in the structure database 110 by using tens of millions of prediction result data stored in the extension database 160, and the smallest amount of steel frame is expected. Select and print the optimal structure.
  • FIG. 2 is a flowchart schematically illustrating a method for designing a steel structure using machine learning according to an embodiment of the present invention. Since the steel structure design method using machine learning shown in FIG. 2 uses the steel structure design system 100 using machine learning shown in FIG. 1, referring to FIG. 2 together with FIG. 1 in an embodiment of the present invention A method for designing a steel structure using machine learning is described. Referring to FIG. 2 together with FIG. 1 , the method for designing a steel structure using machine learning according to an embodiment of the present invention generates an automated design unit 120 that outputs an automatic design result value for an input basic design condition.
  • the automatic design unit generation step (S10) the basic structural analysis model generated by the structural analysis program is provided, data on the structural type is provided from the structural database 110, and the automatic design result value (steel frame quantity) for the input basic design condition is provided. ), the automation design unit 120 that outputs is generated.
  • the automated design unit generation step ( S10 ) may be performed by automatically generating a basic structural analysis model by transmitting a code written in a computer programming language to STAAD through OpenSTAAD.
  • the automation design unit 120 outputs an automatic design result value that is a structural analysis result for various basic design conditions by using the basic structural analysis model.
  • the automation design unit 120 receives information about a plurality of structure types classified according to the shape of the steel structure structure from the structure database 110 . Accordingly, the automation design unit 120 outputs an automatic design result value for the basic design condition according to the structural type of the steel structure.
  • the basic database construction step (S20) is performed.
  • the automatic design result value data output from the automation design unit 120 is stored in the memory device, so that the basic database 130 is built. That is, the basic database 130 stores the automatic design result data output from the automation design unit 120 as a database.
  • the predictive model 150 is generated by machine learning the automatic design result value stored in the basic database 130 .
  • the machine learning algorithm used in the predictive model generation step S30 is as described in detail above through the machine learning unit 140 of FIG. 1 .
  • the prediction model 150 is generated by the stacking ensemble model technique in the machine learning unit 140 and outputs a prediction result value for the extended design condition.
  • the prediction result output through the prediction model 150 is converted into a database through the extended database construction step (S40).
  • the prediction result data output from the prediction model 150 is stored in the memory device to build the extended database 160 . That is, the prediction result data output from the prediction model 150 is converted into a database and stored in the extended database 160 .
  • the required design condition is satisfied among a plurality of structure types stored in the structure database 110 by using the prediction result data stored in the extended database 160 by the optimum structure selection unit 170, The optimal structure that is expected to have the smallest amount of steel frame is selected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에 의하면, 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부; 상기 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 기계학습부; 및 상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스를 포함하는 철골구조물 설계 시스템이 제공된다.

Description

기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법
본 발명은 건축물의 설계 기술에 관한 것으로서, 더욱 상세하게는 기계학습을 이용한 자동화 철골구조물의 설계 기술에 관한 것이다.
입찰사업이나 실행사업의 물량산출 및 실시설계에 참고하기 위해 활용되는 사업수행을 통해 보유하고 있는 구조물의 데이터베이스는 모든 구조물의 특성을 고려하기에는 한계가 있으며, 데이터베이스를 활용할 수 없는 범위의 구조설계 및 물량산출 시 설계자의 주관에 의존하게 된다. 또한 추가 데이터베이스를 구축하고자 할 때마다 외주비가 소요되고 신속하게 데이터베이스를 구축하기도 어렵다. 따라서, 새로운 환경이나 추가적인 철골구조물 형태의 데이터가 필요한 경우 추가경비 및 M/H가 소요되지 않도록, 이를 자동으로 설계하고 최적의 구조를 선정할 수 있는 기술이 요구된다.
건축물의 설계에 기계학습이 활용되는 선행기술로서 일본공개특허 특개2019-75062에는 기존의 설계 데이터를 이용하기 위하여 설계 대상 건축물과 기존 설계 데이터의 유사성 판단에 기계학습이 활용되는 구성이 기재되어 있다.
본 발명의 목적은 기계학습을 이용한 철골구조물 설계 시스템 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 다양한 설계 조건에 대하여 최적의 구조를 선정할 수 있는 기계학습을 이용한 철골구조물 설계 시스템 및 방법을 제공하는 것이다.
상기한 본 발명의 목적을 달성하기 위하여, 본 발명의 일 측면에 따르면, 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부; 상기 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 기계학습부; 및 상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스를 포함하는, 철골구조물 설계 시스템이 제공된다.
상기한 본 발명의 목적을 달성하기 위하여, 본 발명의 다른 측면에 따르면, 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값 데이터를 출력하는 자동화 설계부를 생성하는 자동화 설계부 생성 단계; 상기 자동설계 결과값 데이터를 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 예측 모델 생성 단계; 및 상기 예측 모델로부터 출력되는 상기 자동설계 결과값 데이터보다 많은 예측 결과값이 메모리장치에 저장되어서 확장 데이터베이스가 구축되는 확장 데이터베이스 구축 단계를 포함하는, 철골구조물 설계 방법이 제공된다.
본 발명에 의하면 앞서서 기재한 본 발명의 목적을 모두 달성할 수 있다. 구체적으로는, 자동화 설계부에 의해 획득된 자동설계 결과값이 기계학습 알고리즘을 통해 학습되어서 예측 모델이 생성되고, 예측 모델을 통해 설계 데이터가 확장되므로, 다양한 설계 조건에 대해 최적의 구조 선정이 가능하게 된다.
도 1은 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 방법을 개략적으로 설명하는 순서도이다.
본 발명의 실시예에 따르면, 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부, 상기 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 기계학습부 및 상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스를 포함하며, 상기 기계학습부는 스태킹 앙상블 모델 기법을 이용하여 상기 예측 모델을 생성하며, 상기 스태킹 앙상블 모델 기법은 Decision Tree Regressor, XGBoost Regressor, RandomForest Regressor 및 Gradient Boosting Regressor 알고리즘을 개별적인 예측 알고리즘 모델로 사용하고, Linear Support Vector Regressor를 최종 메타 알고리즘 모델로 사용하는, 기계학습을 이용한 철골구조물 설계 시스템을 제공한다.
이하, 도면을 참조하여 본 발명의 실시예의 구성 및 작용을 상세히 설명한다.
도 1에는 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 시스템이 블록도로서 도시되어 있다. 도 1을 참조하면, 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 시스템(100)은, 철골구조물을 구조의 형태에 따라 분류된 복수개의 구조 타입(type)들에 대한 데이터가 저장되는 구조 데이터베이스(110)와, 구조해석 프로그램에 의해 생성된 기본 구조해석 모델을 구비하고 구조 데이터베이스(110)로부터 구조 타입에 대한 데이터를 제공받으며 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부(120)와, 저장된 구조 타입 데이터를 자동화 설계부(120)에 제공하는 구조 데이터베이스(110)와, 자동화 설계부(120)로부터 출력되는 자동설계 결과값이 데이터베이스화되어서 저장되는 기본 데이터베이스(130)와, 기본 데이터베이스(130)에 저장된 자동설계 결과값을 기계학습시키는 기계학습부(140)와, 기계학습부(140)에서의 기계학습에 의해 생성되고 확장 설계조건에 대한 예측 결과값을 출력하는 예측 모델(150)과, 예측 모델(150)로부터 출력되는 예측 결과값이 데이터베이스화되어서 저장되는 확장 데이터베이스(160)와, 확장 데이터베이스(160)에 저장된 데이터를 이용하여 구조 데이터베이스(110)에 저장된 복수개의 구조 타입들 중 요구 설계조건을 만족하는 최적의 구조를 선정하는 최적 구조 선정부(170)를 포함한다. 이하, 기계학습을 이용한 철골구조물 설계 시스템(100)을 구성하는 구조 데이터베이스(110), 자동화 설계부(120), 기본 데이터베이스(130), 기계학습부(140), 예측 모델(150), 확장 데이터베이스(160), 최적 구조 선정부(170) 각각을 상세하게 설명한다.
구조 데이터베이스(110)는 철골구조물을 구조의 형태에 따라 분류된 복수개의 구조 타입(type)들에 대한 데이터를 저장한다. 본 실시예에서는 구조 데이터베이스(110)에 웨어하우스(Warehouse)형 9개의 구조 타입과, 컴프레서 쉘터(Compressor Shelter)형 11개의 구조 타입, 모두 20개의 구조 타입에 대한 데이터가 저장되어 있는 것으로 설명한다. 구조 데이터베이스(110)에 저장된 구조 타입에 대한 데이터는 자동화 설계부(120)와, 최적 구조 선정부(170)에 제공되어서 자동설계 결과값 산출과 최적 구조 선정에 사용된다.
자동화 설계부(120)는 구조해석 프로그램에 의해 생성된 기본 구조해석 모델을 구비하고 구조 데이터베이스(110)로부터 구조 타입에 대한 데이터를 제공받으며 입력된 기본 설계조건에 대한 자동설계 결과값(철골 물량)을 출력한다. 본 실시예에서 사용되는 구조해석 프로그램은 Bentley사의 STAAD이다. OpenSTAAD는 STAAD에 사용되는 API(Application Program Interface)로서 STAAD와 컴퓨터 프로그래밍 언어를 연결해준다. OpenSTAAD를 통해 컴퓨터 프로그래밍 언어에 의해 작성된 코드가 STAAD로 전송되어서 기본 구조 해석 모델이 자동으로 생성된다. 본 실시예에서는 컴퓨터 프로그래밍 언어로 비주얼 베이직(Visual Basic)이 사용되는 것으로 설명하는데, 본 발명은 이에 제한되는 것은 아니다. 자동화 설계부(120)는 기본 구조해석 모델을 이용하여 다양한 기본 설계조건에 대한 구조해석 결과인 자동설계 결과값을 출력한다. 자동화 설계부(120)는 구조 데이터베이스(110)로부터 철골구조물을 구조의 형태에 따라 분류된 복수개의 구조 타입(type)들에 대한 정보를 제공받는다. 그에 따라, 자동화 설계부(120)는 철골구조물의 구조 타입에 따라 기본 설계조건에 대한 자동설계 결과값을 출력한다. 자동화 설계부(120)를 통해 출력되는 자동설계 결과값은 기본 데이터베이스(130)에 저장되어서 데이터베이스화된다. 본 실시예에서는 웨어하우스(warehouse)형 9개의 구조 타입에 대한 자동설계 결과값 데이터가 756개(EA)이고, 컴프레서 쉘터(Compressor Shelter)형 11개의 구조 타입에 대한 자동설계 결과값 데이터가 924개(EA)로서, 전체 자동설계 결과값 데이터가 1,680개(EA)인 것으로 설명한다. 아래 [표 1]은 사용자에 의해 정의되는 설계조건 입력 데이터이다.
카테고리
(Category)		 파라미터
(Parameter)		 입력 데이터
(Input Data)		 설명
(Description)
GENERAL W 건물 폭(m)
C 기둥 간격(m) Space로 구분하여 Variable Span 입력 가능(예:6 7 5)
B BAY 수(EA)
H 건물 높이(m) Pedestal Top부터 Eave까지 높이
CRANE Crane Capacity(Ton) 3~100 Ton
CRANE GIRDER SIZE Crane Girder Section(선택) Japanese, American, European
선택 가능
TYPE OF STRUCTURE 건물 Type(선택) Warehouse(Without Crane) 9EA, Compressor(With Crane) 11EA Type 선택 가능
SECTION PROFILE Section Profile(선택) Japanese, American, European선택 가능
GENERAL LOAD Dead Load-Wall kN/m2
Dead Load-Roof kN/m2
Roof Live Load kN/m2
WIND LOAD
(ASCE 7-10)		 Basic Wind Speed(V) m/s
Topographic Factor(Kzt) 1.00, 1.05, 1.09, 1.11, 1.18, 1.21, 1.27, 1.41
Directionality Factor(Kd) Factor
Exposure Category B, C, D
SEISMIC LOAD
(ASCE 7-10)		 Site Class A, B, C, D, E, F
Importance Factor Factor
SDS SDS Design response acceleration parameter at 0.2 periods(SDS=2/3 SMS):
SD1 SD1 Design response acceleration parameter at 1.0 periods(SDS=2/3 SM1):
DETAIL PARAMETER SLOPE 기울기, :10 기울기에 따라 Roof 부재의 Perpendicular 방향으로 Win Load가 Y,Z축 Loading으로 분할되어 입력됨
FYLD Yield Strength(kN/m2)
Deflection Limit Deflection Limit X, Y, Z 방향 조합 상대 처짐
Deflection Limit(Crane) Crane Girder의 Deflection Limit Crane Girder의 계산은 별도로 진행해야 함
Sway Limit Sway Limit
Sway Limit(Crane Bay) Crane Bay에 있는 Column의 Sway Limit
CG Location Crane Girder의 위치, Eave부터의 거리(m)
Truss Depth Truss의 Depth(m)
Support Condition FIXED, PINNED Main Column의 Support Condition
Main Column Height, Width(mm) RC
SUB Column Height, Width(mm) RC
TIE GIRDER Height, Width(mm) RC
TARGET RATIO Main Column Main Column Design Target Ratio Member Group:SC
Sub Column Sub Column Design Target Ratio Member Group:WC1, WC2
Roof Girder Roof Girder Design Target Ratio Member Group:RSG
Roof Beam Roof Beam Design Target Ratio Member Group:RSB1, RSB2
Middle Beam Middle Beam Design Target Ratio Member Group:MSB1, MSB2
Horizontal Brace Horizontal Brace Design Target Ratio Member Group:HB
Vertical Brace Vertical Brace Design Target Ratio Member Group:VB, VB2, STVB
Crane Crane Design Target Ratio Member Group:CG, CB, CHB
TRUSS TOP TRUSS TOP Design Target Ratio Member Group:STT
TRUSS BOT TRUSS BOTTOM Design Target Ratio Member Group:STB
TRUSS VERT TRUSS VERTICAL Design Target Ratio Member Group:STV
TRUSS DIA TRUSS DIAGONAL Design Target Ratio Member Group:STD
기본 데이터베이스(130)에는 자동화 설계부(120)로부터 출력되는 자동설계 결과값 데이터가 데이터베이스화되어서 저장된다. 본 실시예에서는 자동화 설계부(120)로부터 출력되는 1,680개(EA)의 자동설계 결과값 데이터가 기본 데이터베이스(130)에 저장되는 것으로 설명한다. 기본 데이터베이스(130)에 저장된 자동설계 결과값 데이터는 기계학습부(140)로 제공되어서 기계학습에 이용된다.기계학습부(140)는 기본 데이터베이스(130)에 저장된 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델(150)을 생성한다. 기계학습 예측의 정확도를 높이기 위하여, 본 실시예에서는 스태킹 앙상블 모델(Stacking Ensemble Model) 기법을 사용하는 것으로 설명한다. 본 실시예에서는 기본 데이터베이스(130)에 저장된 자동설계 결과값을 Linear Regression, Support Vector Regressor, Linear Support Vector Regressor, DecisionTree Regressor, XGBoost Regressor, LightGBM Regressor, RandomForest Regressor, GradientBoosting Regressor, Ridge Regressor, Lasso Regressor, ElasticNet Regressor 모델로 평가하여 성능을 측정하였다.
성능 평가는 다음과 같은 평가 지표(MAE, RMSE, R2)를 사용하여 Cross-Validation을 수행하였다.
MAE(Mean Absolute Error)
Figure PCTKR2020018022-appb-I000001
실제값과 예측값의 차이를 절대값으로 변환 후 평균한 값으로, 낮을수록 예측 정확도가 높다.
RMSE(Root Mean Squared Error)
Figure PCTKR2020018022-appb-I000002
실제값과 예측값의 차이를 제곱 후 평균한 값(MSE)의 양의 제곱근으로, 낮을수록 예측 정확도가 높다.
R2 = (Coefficient of determination)
Figure PCTKR2020018022-appb-I000003
실제값의 분산 대비 예측값의 비율로, 1에 가까울수록 예측 정확도가 높다.
아래 [표 2]는 각 모델에 대한 성능평가 결과이다.
모델명 MAE RMSE R2
Decision Tree Regressor 5.545 8.877 0.937
XGBoost Regressor 4.261 8.329 0.944
GradientBoosting Regressor 4.410 8.226 0.948
RandomForest Regressor 4.366 7.088 0.960
Linear Regression 11.646 14.217 0.836
Support Vector Regressor 18.946 25.124 0.501
Linear Support Vector Regressor 10.633 14.742 0.828
LightGBM Regressor 18.195 22.488 0.601
Ridge Regressor 11.520 14.117 0.838
Lasso Regressor 11.295 13.972 0.841
ElasticNet Regressor 11.278 13.956 0.842
Stacking Ensemble Model 1.765 2.248 0.970
성능평가 결과 우수한 성능을 보인 Decision Tree Regressor, XGBoost Regressor, RandomForest Regressor, Gradient Boosting Regressor 알고리즘을 개별적인 예측 알고리즘 모델로 사용하여 예측한 데이터를 기반으로, Linear Support Vector Regressor를 최종 메타 알고리즘 모델로 사용하여 다시 예측을 수행하였다. 이와 같이 일련의 예측 알고리즘을 연결하는 작업을 통해 개별 모델보다 성능이 우수한 스태킹 앙상블 모델이 생성될 수 있다. 기계학습부(140)에서 스태킹 앙상블 모델 기법에 의해 예측 모델(150)이 생성된다.본 실시예에서 스태킹 앙상블 모델에 개별 기반 모델 및 최종 메타 모델로 사용된 예측 알고리즘 및 적용 파라미터에 대하여 설명하면 다음과 같다.
개별기반모델 1(DecisionTree Regressor) : DecisionTree는 데이터에 있는 규칙을 학습을 통해 자동으로 찾아내 적절한 분할 기준 또는 분할 테스트에 따라 부분 집합들로 나누는 과정이다. 이러한 과정은 분할로 인해 더 이상 새로운 예측 값이 추가되지 않거나 분할된 집합이 목표 변수와 같은 값을 지닐 때까지 계속된다. 결정 트리에는 분류와 회귀 클래스가 존재하는데, 목표 변수가 연속하는 값에는 회귀 트리 모델(DecisionTree Regressor)을 적용한다. 적용 파라미터는 다음과 같다.
- min_sample_split:3(노드를 분할하기 위한 최소한의 샘플 데이터 수)
- max_depth:4(분할 트리의 최대 깊이)
개별기반모델 2(GradientBoosting Regressor) : GradientBoosting은 분류 및 회귀 분석을 수행할 수 있는 Ensemble Method 중 Boosting 계열에 해당하는 알고리즘이다. 비용 함수(오류)의 기울기가 최소가 되는 값을 찾는 경사 하강법(Gradient Descent)을 이용하여 여러 개의 학습기를 순차적으로 학습-예측하면서 잘못 예측된 데이터에 가중치를 부여하여 오류를 개선(Boosting)하는 알고리즘이다. 적용 파라미터는 다음과 같다.
- n_estimators:30(분할 세트의 최대 개수)
- learning_rate:0.1(학습을 진행할 때마다의 학습률)
- max_depth:3(분할 세트의 최대 깊이)
개별기반모델 3(XGB Regressor) : XGBoost(eXtra Gradient Boost)는 Gradient Boost에 기반하는 모델이다. 표준 Gradient Boost의 경우 기계학습이 과하게 학습되어(Overfitting) 학습 데이터에서는 높은 신뢰도를 보이지만, 실제 데이터를 기반으로 하는 예측에서는 신뢰도가 떨어지는 문제를 해결할 수 있는 과적합 규제(Regularization) 기능을 자체적으로 내장하고 있다. 적용 파라미터는 다음과 같다.
- n_estimators:100(분할 세트의 최대 개수)
- learning_rate:0.1(학습을 진행할 때마다의 학습률)
- max_depth:2(분할 세트의 최대 깊이)
개별기반모델 4(RandomForest Regressor) : RandomForest는 다수의 DecisionTree를 학습하는 Ensemble Method로, 분류 및 회귀 문제에 사용된다. 데이터 세트를 일부가 중첩되게 분리하고(Boostrtapping) 중첩된 개별 데이터 세트를 DecisionTree로 학습시킨다. 그리고 최종적으로 학습된 개별 세트가 보팅을 통해 예측 결정을 하게 되어, 단일 세트의 예측보다 신뢰성이 높은 예측값을 얻을 수 있다. 적용 파라미터는 다음과 같다.
- n_estimators:100(DecisionTree의 개수)
- max_depth:7(DecisionTree 분할 트리의 최대 깊이)
최종메타모델(Linear Support Vector Regressor) : 개별 기반 모델을 Stacking한 후, 성능 평가 결과 가장 좋은 최종 결합 성능을 보인 Support Vector Machine 모델을 최종메타모델로 선정하였다. Support Vector Machine은 선형이나 비선형 분류, 회귀, 이상치 탐색에 사용될 수 있는 다목적 기계학습 모델이다. 처음 분류 작업을 해결하기 위해 제안된 후 회귀 문제(SVR)를 해결하도록 확장되었다. 이 방법론의 근본적인 아이디어는 클래스 사이에 가능한 가장 넓은 '도로'를 내는 것으로, 두 클래스를 구분하는 결정 경계와 샘플 사이의 마진을 가능한 가장 크게 하는 것을 목적으로 오차를 줄여나가는 방법이다. 적용 파라미터는 다음과 같다.
- Epsilon:2.0(마진, 도로의 폭)
예측 모델(150)은 기계학습부(140)에서 스태킹 앙상블 모델 기법에 의해 생성되고 확장 설계조건에 대한 예측 결과값을 출력한다. 예측 모델(150)을 통해 출력되는 예측 결과값은 확장 데이터베이스(160)에 저장되어서 데이터베이스화된다. 본 실시예에서는 웨어하우스(Warehouse)형 9개의 구조 타입에 대한 예측 결과값 데이터가 12,572,469개(EA)이고, 컴프레서 쉘터(Compressor Shelter)형 11개의 구조 타입에 대한 예측 결과값 데이터가 14,855,841개(EA)로서, 전체 예측 결과값 데이터가 27,428,310개(EA)인 것으로 설명한다. 즉, 자동화 설계부(120)에서 획득한 1,680개(EA)의 결과값 데이터를 이용하여 기계학습부(140)에 의해 생성된 예측 모델(150)을 통해 27,428,310개(EA)의 확장된 결과값 데이터를 획득하게 되는 것이다.
확장 데이터베이스(160)에는 예측 모델(150)로부터 출력되는 예측 결과값 데이터가 데이터베이스화되어서 저장된다. 본 실시예에서는 예측 모델(150)로부터 출력되는 27,428,310개(EA)의 예측 결과값 데이터가 확장 데이터베이스(160)에 저장되는 것으로 설명한다. 확장 데이터베이스(160)에 저장된 예측 설계 결과값 데이터는 최적 구조 선정부(170)로 제공되어서 최적 구조의 선정에 사용된다.
최적 구조 선정부(170)는 확장 데이터베이스(160)에 저장된 수천만개의 예측 결과값 데이터를 이용하여 구조 데이터베이스(110)에 저장된 복수개의 구조 타입들 중 요구 설계조건을 만족하며 가장 적은 철골 물량이 예상되는 최적의 구조를 선정하여 출력한다.
도 2에는 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 방법을 개략적으로 설명하는 순서도가 도시되어 있다. 도 2에 도시된 기계학습을 이용한 철골구조물 설계 방법은 도 1에 도시된 기계학습을 이용한 철골구조물 설계 시스템(100)을 이용하므로, 도 1과 함께 도 2를 참조하여 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 방법이 설명된다. 도 1과 함께 도 2를 참조하면, 본 발명의 일 실시예에 따른 기계학습을 이용한 철골구조물 설계 방법은, 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부(120)를 생성하는 자동화 설계부 생성 단계(S10)와, 자동화 설계부(120)로부터 출력되는 자동설계 결과값 데이터가 저장된 기본 데이터베이스(130)를 구축하는 기본 데이터베이스 구축 단계(S20)와, 기본 데이터베이스(130)에 저장된 자동설계 결과값을 기계학습시켜서 예측 모델(150)을 생성하는 예측 모델 생성 단계(S30)와, 예측 모델(150)로부터 출력되는 예측 결과값 데이터가 저장된 확장 데이터베이스(160)를 구축하는 확장 데이터베이스 구축 단계(S40)와, 확장 데이터베이스(160)에 저장된 예측 결과값 데이터를 이용하여 최적의 철골 구조를 선정하는 최적 구조 선정 단계(S50)를 포함한다.
자동화 설계부 생성 단계(S10)에서는 구조해석 프로그램에 의해 생성된 기본 구조해석 모델을 구비하고 구조 데이터베이스(110)로부터 구조 타입에 대한 데이터를 제공받으며 입력된 기본 설계조건에 대한 자동설계 결과값(철골 물량)을 출력하는 자동화 설계부(120)가 생성된다. 본 실시예에서 자동화 설계부 생성 단계(S10)는 OpenSTAAD를 통해 컴퓨터 프로그래밍 언어에 의해 작성된 코드가 STAAD로 전송되어서 기본 구조 해석 모델이 자동으로 생성됨으로써 수행될 수 있다. 자동화 설계부(120)는 기본 구조해석 모델을 이용하여 다양한 기본 설계조건에 대한 구조해석 결과인 자동설계 결과값을 출력한다. 자동화 설계부(120)는 구조 데이터베이스(110)로부터 철골구조물을 구조의 형태에 따라 분류된 복수개의 구조 타입(type)들에 대한 정보를 제공받는다. 그에 따라, 자동화 설계부(120)는 철골구조물의 구조 타입에 따라 기본 설계조건에 대한 자동설계 결과값을 출력한다. 자동화 설계부 생성 단계(S10)를 통해 자동화 설계부(120)가 생성된 후에는 기본 데이터베이스 구축 단계(S20)가 수행된다.
기본 데이터베이스 구축 단계(S20)에서는 자동화 설계부(120)로부터 출력되는 자동설계 결과값 데이터가 메모리 장치에 저장되어서 기본 데이터베이스(130)가 구축된다. 즉, 기본 데이터베이스(130)는 자동화 설계부(120)로부터 출력되는 자동설계 결과값 데이터가 데이터베이스화 되어서 저장된다.
예측 모델 생성 단계(S30)에서는 기본 데이터베이스(130)에 저장된 자동설계 결과값을 기계학습시켜서 예측 모델(150)이 생성된다. 예측 모델 생성 단계(S30)에서 사용되는 기계학습 알고리즘은 도 1의 기계학습부(140)를 통해 위에서 상세하게 설명된 바와 같다. 예측 모델(150)은 기계학습부(140)에서 스태킹 앙상블 모델 기법에 의해 생성되고 확장 설계조건에 대한 예측 결과값을 출력한다. 예측 모델(150)을 통해 출력되는 예측 결과값은 확장 데이터베이스 구축 단계(S40)를 통해 데이터베이스화된다.
확장 데이터베이스 구축 단계(S40)에서는 예측 모델(150)로부터 출력되는 예측 결과값 데이터가 메모리 장치에 저장되어서 확장 데이터베이스(160)가 구축된다. 즉, 확장 데이터베이스(160)에는 예측 모델(150)로부터 출력되는 예측 결과값 데이터가 데이터베이스화 되어서 저장된다.
최적 구조 선정 단계(S50)에서는 최적 구조 선정부(170)에 의해 확장 데이터베이스(160)에 저장된 예측 결과값 데이터를 이용하여 구조 데이터베이스(110)에 저장된 복수개의 구조 타입들 중 요구 설계조건을 만족하며 가장 적은 철골 물량이 예상되는 최적의 구조가 선정된다.
이상 실시예를 통해 본 발명을 설명하였으나, 본 발명은 이에 제한되는 것은 아니다. 상기 실시예는 본 발명의 취지 및 범위를 벗어나지 않고 수정되거나 변경될 수 있으며, 본 기술분야의 통상의 기술자는 이러한 수정과 변경도 본 발명에 속하는 것임을 알 수 있을 것이다.

Claims (4)

  1. 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부;
    상기 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 기계학습부; 및
    상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스를 포함하며,
    상기 기계학습부는 스태킹 앙상블 모델 기법을 이용하여 상기 예측 모델을 생성하며,
    상기 스태킹 앙상블 모델 기법은 Decision Tree Regressor, XGBoost Regressor, RandomForest Regressor 및 Gradient Boosting Regressor 알고리즘을 개별적인 예측 알고리즘 모델로 사용하고, Linear Support Vector Regressor를 최종 메타 알고리즘 모델로 사용하는,
    기계학습을 이용한 철골구조물 설계 시스템.
  2. 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부;
    상기 자동설계 결과값을 기계학습시켜서 철골구조물에 대한 예측 모델을 생성하는 기계학습부;
    상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스;
    철골구조물을 구조의 형태에 따라 분류한 복수개의 구조 타입에 대한 데이터가 저장된 구조 데이터베이스; 및
    상기 확장 데이터베이스에 저장된 상기 예측 결과값 데이터를 이용하여 요구 설계조건을 만족하면서 최소의 철골 물량이 예상되는 최적의 구조를 선정하는 최적 구조 선정부를 포함하며,
    상기 최적 구조 선정부는 상기 구조 데이터베이스에 저장된 상기 복수개의 구조 타입들 중 최적의 구조 타입을 선정하는,
    기계학습을 이용한 철골구조물 설계 시스템.
  3. 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부와, 철골구조물에 대한 예측 모델을 생성하는 기계학습부와, 상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스와, 최적의 구조를 선정하는 최적 구조 선정부를 포함하는 설계 시스템을 이용하여 철골구조물을 설계하는 방법에 있어서,
    상기 기계학습부가 상기 자동설계 결과값 데이터를 스태킹 앙상블 모델 기법을 이용하여 기계학습시켜서 상기 예측 모델을 생성하는 예측 모델 생성 단계; 및
    상기 최적 구조 선정부가 상기 예측 결과값 데이터를 이용하여 요구 설계조건을 만족하면서 최소의 철골 물량이 예상되는 최적의 구조를 선정하는 최적 구조 선정 단계를 포함하며,
    상기 스태킹 앙상블 모델 기법은 Decision Tree Regressor, XGBoost Regressor, RandomForest Regressor 및 Gradient Boosting Regressor 알고리즘을 개별적인 예측 알고리즘 모델로 사용하고, Linear Support Vector Regressor를 최종 메타 알고리즘 모델로 사용하는,
    기계학습을 이용한 철골구조물 설계 방법.
  4. 철골구조물을 구조의 형태에 따라 분류한 복수개의 구조 타입에 대한 데이터가 저장된 구조데이터베이스와, 구조해석 프로그램에 의해 생성된 철골구조물에 대한 기본 구조해석 모델을 구비하고 입력된 기본 설계조건에 대한 자동설계 결과값을 출력하는 자동화 설계부와, 철골구조물에 대한 예측 모델을 생성하는 기계학습부와, 상기 예측 모델로부터 출력되는 확장 설계조건에 대한 상기 자동설계 결과값보다 많은 예측 결과값이 저장되어서 형성되는 확장 데이터베이스와, 최적의 구조를 선정하는 최적 구조 선정부를 포함하는 설계 시스템을 이용하여 철골구조물을 설계하는 방법에 있어서,
    상기 기계학습부가 상기 자동설계 결과값 데이터를 기계학습시켜서 상기 예측 모델을 생성하는 예측 모델 생성 단계; 및
    상기 최적 구조 선정부가 상기 예측 결과값 데이터를 이용하여 요구 설계조건을 만족하면서 최소의 철골 물량이 예상되는 최적의 구조를 상기 구조 데이터베이스에 저장된 복수개의 구조 타입들 중에서 선정하는 최적 구조 선정 단계를 포함하는,
    기계학습을 이용한 철골구조물 설계 방법.
PCT/KR2020/018022 2020-06-05 2020-12-10 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법 WO2021246600A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200068314A KR102157613B1 (ko) 2020-06-05 2020-06-05 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법
KR10-2020-0068314 2020-06-05

Publications (1)

Publication Number Publication Date
WO2021246600A1 true WO2021246600A1 (ko) 2021-12-09

Family

ID=72670262

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/018022 WO2021246600A1 (ko) 2020-06-05 2020-12-10 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법

Country Status (3)

Country Link
US (1) US20210383034A1 (ko)
KR (1) KR102157613B1 (ko)
WO (1) WO2021246600A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102157613B1 (ko) * 2020-06-05 2020-09-18 현대엔지니어링(주) 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법
US20220198095A1 (en) * 2020-12-18 2022-06-23 Autodesk, Inc. Techniques for automatically designing frame systems associated with buildings
CN113536662B (zh) * 2021-06-16 2022-06-21 三峡大学 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法
CN114091360B (zh) * 2022-01-21 2022-04-22 武汉格蓝若智能技术有限公司 一种多模型融合的电压互感器误差状态评估方法
KR20240039579A (ko) 2022-09-19 2024-03-26 한국생산기술연구원 클라우드 기반 디지털 엔지니어링 설계 지원 서비스 제공 방법, 그 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 및 그 프로그램을 실행하는 서버
CN116150858B (zh) * 2023-04-19 2023-07-14 深圳市嘉闰州生态建工有限公司 建筑工程模板支架的自动排布系统及方法
CN116577061B (zh) * 2023-07-14 2023-09-15 常州市建筑科学研究院集团股份有限公司 金属屋面抗风性能的检测方法、计算机设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002122571A (ja) * 2000-10-12 2002-04-26 Kenzo Miya 欠陥検査方法と欠陥検査装置
JP2014149818A (ja) * 2013-01-30 2014-08-21 Honda Research Institute Europe Gmbh 物理的構造／物体の設計の最適化
KR20190036494A (ko) * 2017-09-27 2019-04-04 이화여자대학교 산학협력단 Dna 복제수 변이 기반의 암 종 예측 방법
KR20190130212A (ko) * 2018-04-24 2019-11-22 주식회사 피도텍 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법
KR20200047006A (ko) * 2018-10-26 2020-05-07 주식회사 피도텍 머신 러닝 기반의 근사모델 구축 방법 및 시스템
KR20200052450A (ko) * 2018-10-31 2020-05-15 주식회사 인실리코 인공지능을 활용한 소재 조성 추천 방법 및 이를 이용한 소재 조성 추천 장치
KR102157613B1 (ko) * 2020-06-05 2020-09-18 현대엔지니어링(주) 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5815394A (en) * 1996-04-04 1998-09-29 The Ohio State University Research Foundation Method and apparatus for efficient design automation and optimization, and structure produced thereby
US8954297B2 (en) * 2012-01-02 2015-02-10 Flux Factory, Inc. Automated and intelligent structure design generation and exploration
JP2019075062A (ja) 2017-10-12 2019-05-16 株式会社エプコ 設計支援装置および設計支援方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002122571A (ja) * 2000-10-12 2002-04-26 Kenzo Miya 欠陥検査方法と欠陥検査装置
JP2014149818A (ja) * 2013-01-30 2014-08-21 Honda Research Institute Europe Gmbh 物理的構造／物体の設計の最適化
KR20190036494A (ko) * 2017-09-27 2019-04-04 이화여자대학교 산학협력단 Dna 복제수 변이 기반의 암 종 예측 방법
KR20190130212A (ko) * 2018-04-24 2019-11-22 주식회사 피도텍 엔지니어링 빅데이터 기반의 설계 전문가 시스템 및 그 설계 방법
KR20200047006A (ko) * 2018-10-26 2020-05-07 주식회사 피도텍 머신 러닝 기반의 근사모델 구축 방법 및 시스템
KR20200052450A (ko) * 2018-10-31 2020-05-15 주식회사 인실리코 인공지능을 활용한 소재 조성 추천 방법 및 이를 이용한 소재 조성 추천 장치
KR102157613B1 (ko) * 2020-06-05 2020-09-18 현대엔지니어링(주) 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법

Also Published As

Publication number Publication date
KR102157613B1 (ko) 2020-09-18
US20210383034A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
WO2021246600A1 (ko) 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법
Marzouk et al. Decision support for tower crane selection with building information models and genetic algorithms
Smith et al. Creating models of truss structures with optimization
CN110969183B (zh) 一种根据图像数据确定目标对象受损程度的方法及系统
Safari et al. Optimum design of steel frames using a multiple-deme GA with improved reproduction operators
CN112241950A (zh) 一种塔式起重机裂缝图像的检测方法
CN116738556B (zh) 施工墙体的建模方法、装置、设备及存储介质
Camacho et al. Optimizing earthquake design of reinforced concrete bridge infrastructures based on evolutionary computation techniques
Kaveh et al. New enhanced colliding body optimization algorithm based on a novel strategy for exploration
CN114741766A (zh) 基于联合结构优化神经网络的建筑结构设计方法和装置
Zhao et al. Design-condition-informed shear wall layout design based on graph neural networks
Kaveh et al. Damage-based optimization of large-scale steel structures
JP7362473B2 (ja) 架構データ判断装置、架構データ判断方法及び架構データ判断プログラム
Tam et al. Decision making and operations research techniques for construction management
Fischer et al. Wall‐diaphragm interactions in seismic response of building systems ii: Inelastic response and design
CN115203797B (zh) 一种智能识别结合人工复检对梁支座进行判断的方法
CN116956740A (zh) 面向平面桁架结构的用户偏好模型构建方法、系统、应用
Kaveh et al. Optimal design of barrel vaults using charged search system
CN109740753A (zh) 一种神经网络构建方法
CN112115914B (zh) 目标检测方法及装置、电子设备和存储介质
CN111881494B (zh) 一种古建筑模型自动组装系统
CN113343918A (zh) 一种电力设备识别方法、系统、介质及电子设备
Domer Performance enhancement of active structures during service lives
JPH1173207A (ja) ルックアップテーブル設計方法及び記録媒体
JP6196490B2 (ja) 架構体の設計方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20938797

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20938797

Country of ref document: EP

Kind code of ref document: A1