KR-20260061789-A - PRECAST SLAB CONNECTION PROPERTY PREDICTION SYSTEM AND METHOD

KR20260061789AKR 20260061789 AKR20260061789 AKR 20260061789AKR-20260061789-A

Abstract

본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템은 프리캐스트 슬래브 연결부의 물성치 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부가 수집한 데이터를 분석하여 독립변수와 종속변수를 결정하는 변수 결정부; 상기 데이터 수집부가 수집한 데이터를 예측 모델에 이용될 수 있는 형태로 전처리하는 전처리부; 랜덤 포레스트 회귀모델을 사용하여 상기 독립변수를 기반으로 나머지 물성치를 예측하는 랜덤 포레스트 예측모델을 구축하는 예측모델 구축부; 상기 예측모델 구축부에 의해 구축된 랜덤 포레스트 예측모델을 반복적으로 학습하여 최적의 하이퍼 파라미터를 찾아 적용하는 모델 학습부; 상기 랜덤 포레스트 예측모델의 예측성능을 평가하는 주제어부; 및 상기 랜덤 포레스트 예측모델을 사용하여 입력되는 상기 독립변수로 설정된 새로운 물성치에 대해 종속변수에 해당되는 물성치들을 예측하는 물성치 예측부;를 포함하여 시공 전 연결부의 강도와 안정성을 예측할 수 있으며, 설계와 시공 과정에서의 효율성을 극대화하고, 품질 관리의 수준을 높일 수 있는 효과가 있다.

Inventors

이희영
강선호
장진욱

Assignees

조선대학교산학협력단

Dates

Publication Date: 20260506
Application Date: 20241028

Claims (7)

프리캐스트 슬래브 연결부의 물성치 데이터를 수집하는 데이터 수집부; 상기 데이터 수집부가 수집한 데이터를 분석하여 독립변수와 종속변수를 결정하는 변수 결정부; 상기 데이터 수집부가 수집한 데이터를 예측 모델에 이용될 수 있는 형태로 전처리하는 전처리부; 랜덤 포레스트 회귀모델을 사용하여 상기 독립변수를 기반으로 나머지 물성치를 예측하는 랜덤 포레스트 예측모델을 구축하는 예측모델 구축부; 상기 예측모델 구축부에 의해 구축된 랜덤 포레스트 예측모델을 반복적으로 학습하여 최적의 하이퍼 파라미터를 찾아 적용하는 모델 학습부; 상기 랜덤 포레스트 예측모델의 예측성능을 평가하는 주제어부; 및 상기 랜덤 포레스트 예측모델을 사용하여 입력되는 상기 독립변수로 설정된 새로운 물성치에 대해 종속변수에 해당되는 물성치들을 예측하는 물성치 예측부;를 포함하는 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 시스템.
제 1항에 있어서, 상기 주제어부는 물성치의 예측값과 실제값 간의 상관관계이 성능지표값 값을 확인하여 랜덤 포레스트 예측모델의 예측성능을 평가하되, 0부터 1사이의 값을 가지는 상기 성능지표값이 1에 가까울수록 모델의 예측성능이 우수한 것으로 평가하는 것을 특징으로하는 프리캐스트 슬래브 연결부 물성치 예측 시스템.
제 1항에 있어서, 상기 주제어부는 평가한 모델의 성능이 기준치에 미달할 경우, 상기 하이퍼 파라미터를 조정하거나, 모델 학습수행 중, 추가로 수집되는 데이터의 추가 전처리를 통해 모델을 개선하는 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 시스템.
제 1항에 있어서, 상기 데이터 수집부는 논문이나 문헌에서 사용되는 물성치 데이터를 추가로 수집하여 데이터베이스를 구축하는 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 시스템.
제 1항에 있어서, 상기 하이퍼 파라미터는 트리의 개수, 트리의 최대 깊이, 노드를 분할할 때 필요한 최소 샘플수, 사용할 특성의 최대개수, 또는 노드의 크기인 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 시스템.
(a) 데이터 수집부가 프리캐스트 슬래브 연결부의 물성치 데이터를 수집하는 단계; (b) 변수 결정부가 상기 데이터 수집부가 수집한 데이터를 분석하여 독립변수와 종족변수를 결정하는 단계; (c) 전처리부가 예측 모델에 이용될 수 있는 형태로 데이터를 전처리하는 단계; (d) 예측모델 구축부가 랜덤 포레스트 회귀모델을 사용하여 상기 독립변수를 기반으로 종속변수에 해당되는 물성치를 예측하는 랜덤 포레스트 예측모델을 구축하는 단계; (e) 모델 학습부가 상기 예측모델 구축부에 의해 구축된 랜덤 포레스트 예측모델의 학습을 반복적으로 수행하는 단계; (f) 주제어부가 상기 하이퍼 파라미터를 적용하고 테스트 데이터 셋을 통해 랜덤 포레스트 예측모델의 예측성능을 평가하는 단계; (g) 상기 주제어부가 상기 (f)단계의 평가결과에 따라 정확도가 기준치 이상인지 이하인지 판단하는 단계; 및 (h) 상기 (g)단계의 평가결과가 기준치를 이상인 경우, 물성치 예측부가 상기 모델 학습부에 의해 학습된 랜덤 포레스트 예측모델을 사용하여 설정된 독립변수를 기반으로 종속변수들의 물성치를 예측하는 단계;를 포함하는 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 방법.
제 6항에 있어서, 상기 주제어부는 상기 (g)단계의 평가결과가 기준치를 이하인 경우, 상기 하이퍼 파라미터를 조정하거나, 모델 학습수행 중, 추가로 수집되는 데이터의 추가 전처리를 통해 모델을 개선하기 위해 상기 (a)단계 이후의 단계를 반복 수행하는 것을 특징으로 하는 프리캐스트 슬래브 연결부 물성치 예측 방법.

Description

프리캐스트 슬래브 연결부 물성치 예측 시스템 및 방법{PRECAST SLAB CONNECTION PROPERTY PREDICTION SYSTEM AND METHOD} 본 발명은 프리캐스트 슬래브 연결부 물성치 예측 시스템 및 방법에 관한 것으로써, 더욱 상세하게는 랜덤 포레스트 알고리즘을 이용하여 슬래브와 슬래브 사이를 이어주는 연결부의 물성치를 예측할 수 있는 프리캐스트 슬래브 연결부 물성치 예측 시스템 및 방법에 관한 것이다. 현대 건설 산업에서 시공 속도, 비용 절감, 품질 향상 등의 요구가 높아짐에 따라 프리캐스트 콘크리트(Precast Concrete)의 활용이 점점 증가하고 있다. 그 중 프리캐스트 슬래브는 공장에서 미리 제작된 후 현장에서 조립하는 방식으로, 일관된 품질과 빠른 시공이 가능하여 기존 현장타설 방법에 비해 효율성이 높다. 하지만, 슬래브와 슬래브 사이를 이어주는 연결부는 제작 방법에 따라 품질 저하 및 안전 문제가 발생한다. 이러한 문제를 해결하기 위해 실제 시험을 통해 구조물의 거동을 확인할 수 있지만, 비용, 시간 및 공간의 제약으로 인해 강도에 따른 다수의 시험체를 제작하여 거동을 확인하기에는 어려움이 따른다. 프리캐스트 슬래브 연결부의 물성치는 구조물 전체의 성능과 안전성에 큰 영향을 미치므로, 정확한 물성치를 통해 유한요소해석을 수행해야 한다. 그러나 실제 시험을 통해 얻어진 물성치 데이터는 강도별로 충분하지 않아, 예측에 한계가 있다. 이와 같은 데이터 부족 문제는 구조물의 안전성과 신뢰성을 저해할 수 있다. 이러한 문제를 해결하기 위해, 실제 실험 데이터를 토대로 랜덤 포레스트 회귀모델을 학습시켜 부족한 데이터를 보완하고 예측하고자 한다. 랜덤 포레스트 회귀모델은 변수 간의 복잡한 상호작용을 잘 포착할 수 있으며, 데이터의 양을 확대하고 더 정확한 분석이 가능하다. 이러한 이유로 건설 분야에서 적합한 모델로 평가받고 있다. 도 1은 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템의 구성도 이다. 도 2는 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템의 데이터 수집예를 설명하기 위한 도면이다. 도 3은 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템에 의한 물성치 데이터의 램덤 포레스트 회기 모델 분석을 설명하기 위한 도면이다. 도 4는 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템에 의한 프리캐스트 슬래브 유한요소해석 모델 예시도 이다. 도 5는 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템의 모델 예측성능 향상 과정을 설명하기 위한 도면이다. 도 6은 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 방법의 플로우차트이다. 도 7은 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 방법의 전체 모식도 이다. 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템 및 방법에 대해 설명한다. 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템은 도 1에 도시된 바와 같이 데이터 수집부(100), 변수 결정부(200), 전처리부(300), 예측모델 구축부(400), 모델 학습부(500), 주제어부(600), 및 물성치 예측부(700)를 포함한다. 상기 데이터 수집부(100)는 실제 실험을 통해 얻어진 프리캐스트 슬래브 연결부의 물성치 데이터를 수집한다. 보다 구체적으로, 상기 데이터 수집부(100)는 다양한 강도를 가지는 슬래브를 대상으로 압축강도(Intensity), 탄성계수(Young modulus), 항복응력(Yield stress), 균열 변형률(Cracking Strain), 비탄성 변형률(Inelastic Strain) 측정을 통해 얻어진 데이터를 수집하여 데이터베이스를 구축한다. 이때, 상기 데이터 수집부(100)는 다른 논문이나 문헌 등에서 사용되는 물성치 데이터를 추가로 수집하여 데이터베이스를 구축할 수도 있다. 상기 변수 결정부(200)는 상기 데이터 수집부(100)가 수집한 데이터를 분석하여 독립변수와 종족변수를 결정한다. 예를 들어, 상기 변수 결정부(200)는 상기 압축강도를 독립변수로 설정하고, 탄성계수, 항복응력, 균열 변형률, 비탄성 변형률을 종속변수로 설정한다. 상기 전처리부(300)는 상기 데이터 수집부(100)가 수집한 데이터에 대해 결측치 처리, 이상치 제거, 또는 데이터 스케일링을 통해 데이터 품질을 향상시키고, 예측 모델에 적합한 형태로 데이터를 전처리한다. 상기 예측모델 구축부(400)는 랜덤 포레스트 회귀모델을 사용하여 독립변수인 압축강도를 기반으로 나머지 물성치를 예측하는 모델을 구축한다. 참고로, 상기 램덤 포레스트는 다수의 결정 트리를 결합한 앙상블 학습 방법으로 복잡한 변수간 상호작용을 잘 포착하며 데이터의 다양한 특성을 반영하여 예측의 정확성을 높일 수 있다. 상기 모델 학습부(500)는 수집되어 전처리된 전체 데이터에 대해 8대2 비율로 랜덤하게 훈련 데이터와 테스트 데이터로 나눠 데이터를 추출한다. 이후, 상기 모델 학습부(500)는 상기 예측모델 구축부(400)에 의해 구축된 램덤 포레스트 모델의 최적화를 위해 모델의 학습을 반복적으로 수행한 후 가장 성능이 좋은 하이퍼 파라미터를 찾아 적용한다. 이때, 상기 모델 학습부(500)는 상기 하이퍼 파라미터가 모델의 성능에 큰 영향을 미치므로 교차검증 등의 방법을 통해 최적의 설정을 찾아낸다. 또한, 램덤 포레스트 모델을 최적화한 후, 산출된 결과는 실제 물성치와 기울기의 차이 그리고 편차가 발생할 수 있다. 따라서 정확도 향상을 위해 아래의 [수학식 1]을 이용하여 피팅하게 되는데 과적합이나 과소적합이 일어날 수 있으므로 주의해야 한다. 아래의 [수학식 1]은 램덤 포레스트 예측모델에 사용된 식으로, X는 독립변수, Y는 종속변수, β0은 절편(회귀 직선이 y축과 만나는 점), β1은 기울기, ε는 편차를 나타낸다. 상기 하이퍼 파라미터는 트리의 개수, 트리의 최대 깊이, 노드를 분할할 때 필요한 최소 샘플수, 사용할 특성의 최대개수, 노드의 크기 등이 해당된다. 참고로,'파이썬'패키지를 사용하는 경우 n_estimators, max_depth, min_samples_split 등이 사용된다. 최적의 하이퍼 파라미터를 탐색하기 위해 1차로 탐색할시, 트리의 개수를 100개 간격으로 넓게 탐색하며 2차로 탐색할시, 1차에서 탐색된 적절한 값이 있는 구간을 세밀하게 5~10개 간격으로 탐색한다. 이후 상기 주제어부(600)는 최적의 하이퍼 파라미터를 적용하고 테스트 데이터 셋을 통해 모델의 예측성능을 평가하며, 예측값과 실제값 간의 상관관계인 R²값을 확인하여 모델의 성능을 측정한다. 이때, 상기 주제어부(600)는 평가(측정)한 모델의 성능이 기준치에 미달할 경우, 하이퍼 파라미터를 조정하거나, 모델 학습수행 중, 추가로 수집되는 데이터의 추가 전처리를 통해 모델을 개선하는 것이 바람직하다. 예측 모델의 성능을 개선하기 위해 하이퍼 파라미터 조정과 데이터 비교를 통해 검증하는 과정을 도 5를 참조하여 좀더 구체적으로 설명한다. 상기 R2는 성능지표로서 0부터 1사이의 값을 가지며 1에 가까울수록 모델의 예측성능이 뛰어나다는 것을 의미한다. 3개의 레이어와 512개의 뉴런, 학습률 0.1의 설정에서 R²은 0.85의 값을 가지는 반면, 다른 설정에서는 0.95의 값을 갖는다. 모델의 예측 성능은 하이퍼 파라미터 설정에 크게 좌우되며, 최적의 조합을 찾는 과정이 모델 성능 향상의 핵심임을 알 수 있다. 또한 실험 데이터를 추가 수집하여 모델의 정확성 및 신뢰성을 반복적으로 강화할 수 있다. 상기 물성치 예측부(700)는 하이퍼 파라미터 조정을 통해 상기 모델 학습부(500)에 의해 학습된 모델을 사용하여 독립변수로 설정한 새로운 압축강도 값에 대한 탄성계수(Young modulus), 항복응력(Yield stress), 균열 변형률(Cracking Strain), 비탄성 변형률(Inelastic Strain)을 예측한다. 상기 물성치 예측부(700)에 의해 예측된 물성치는 아바쿠스(ABAQUS) 내 Property에서 재료의 물성치로 사용된다. 상기 주제어부(600)는 프리캐스트 슬래브 연결부의 해석 모델을 구축하고, 이 과정에서 슬래브의 기하학적 특성, 메쉬크기, 지점 조건 등을 정의한다. 상기 주제어부(600)는 구축한 해석 모델에 의한 해석결과를 실제 하중 조건을 반영해 구조물의 응력분포, 변형, 파괴 양상 등을 분석하는데 사용한다. 상기 주제어부(600)는 상술한 바와 같이 얻어진 유한요소해석 결과를 기존의 실험 데이터와 비교하여 일관성과 정확성을 검증한다. 또한, 상기 주제어부(600)는 물성치 예측부(700)에 의해 예측된 물성치가 구조물의 안전성을 충분히 보장하는지 평가한다. 상기 주제어부(600)는 설계 개선이나 시공계획에 활용할 수 있도록 상기 해석결과를 시각화한다. 상술한 바와 같은 구성을 갖는 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 시스템에 의한 예측 방법에 대해 도 6을 참고하여 설명한다. 도 6은 본 발명에 따른 프리캐스트 슬래브 연결부 물성치 예측 방법의 플로우 차트이다. 상기 데이터 수집부(100)는 실제 실험을 통해 얻어진 프리캐스트 슬래브 연결부의 물성치 데이터를 수집하는 단계를 수행한다(S100). 상기 S100 단계에서 상기 데이터 수집부(100)는 논문 또는 문헌에서 사용되는 데이터를 추가로 수집할 수도 있다. 이후, 상기 변수 결정부(200)는 상기 데이터 수집부(100)가 수집한 데이터를 분석하여 독립변