논문 상세보기
pp.39-48
Because a railway bridge is designed over a long period of time and covers a large site, it involves various environmental factors and uncertainties. For this reason, design changes often occur, even if the design was thoroughly reviewed in the initial design stage. In particular, design changes of large-scale facilities, such as railway bridges, consume significant time and cost, and it is extremely inefficient to repeat all the procedures each time. In this study, a technique that can improve the efficiency of learning after design change was developed by utilizing the learning result before design change through transfer learning among deep-learning algorithms. For analysis, scenarios were created, and a database was built using a previously developed railway bridge deep-learning-based prediction system. The proposed method results in similar accuracy when learning only 1000 data points in the new domain compared with the 8000 data points used for learning in the old domain before the design change. Moreover, it was confirmed that it has a faster convergence speed.
철도교량의 설계는 장기간에 걸쳐 수행되고 대규모의 부지를 대상으로 하기 때문에 다양한 환경적인 요인과 불확실성을 동반하게 된다. 이러한 연유로 초기 설계단계에서 충분히 검토하였더라도 설계변경이 종종 발생하고 있다. 특히 철도교량과 같은 대규모 시설 물의 설계변경은 많은 시간과 인력을 소모하며, 매번 모든 절차를 반복하는 것은 매우 비효율적이다. 본 연구에서는 딥러닝 알고리즘 중 전이학습을 통해 설계변경 전의 학습 결과를 활용하여 설계변경 후의 학습의 효율성을 향상시킬 수 있는 기법을 제안하였다. 분석 을 위해 기개발한 철도교량 딥러닝 기반 예측 시스템을 활용하여 시나리오들을 작성하고 데이터베이스를 구축하였다. 제안된 기법은 설계변경 전 기존 도메인에서 학습에 사용한 8,000개의 학습데이터 대비 새로운 도메인에서 1,000개의 데이터만을 학습하여 유사한 정확도를 나타내었고 보다 빠른 수렴속도를 가지는 것을 확인하였다.
2. 전이학습 기반 예측 시스템 개발
2.1 기존 딥러닝 기반 예측 시스템
2.2 전이학습 기반 예측 시스템
3. 철도교량 설계변경 예제
3.1 설계변경 시나리오
3.2 전이학습을 위한 데이터베이스 구축
3.3 전이학습 시나리오
3.4 전이학습 결과분석
4. 결 론
감사의 글
