논문 상세보기
pp.57-65
내화 구조물에서는 환기 계수, 재료 탄성 계수, 항복 강도, 열팽창 계수, 외력 및 화재 위치에서 불확실성이 관찰된다. 환기 불확실성 은 화재 온도에 영향을 미치고, 이는 다시 구조물 온도에 영향을 미친다. 이러한 온도는 재료 특성과 함께 불확실한 구조적 응답으로 이어지고 있다. 화재 시 구조적 비선형 거동으로 인해 몬테카를로 시뮬레이션을 사용하여 화재 취약성을 계산하는데, 이는 시간이 많 이 소요된다. 따라서 머신러닝 알고리즘을 활용해 화재 취약성 분석을 예측함으로써 효율성을 높이고 정확성을 확보하려는 연구가 진행되고 있다. 이 연구에서는 화재 크기, 위치, 구조 재료 특성의 불확실성을 고려하여 철골 모멘트 골조 건물의 화재 취약성을 예측 했다. 화재 시 비선형 구조 거동 결과를 기반으로 한 취약성 곡선은 로그 정규 분포를 따른다. 마지막으로 제안한 방법이 화재 취약성 을 정확하고 효율적으로 예측할 수 있음을 보여주었다.
In a fire-resistant structure, uncertainties arise in factors such as ventilation, material elasticity modulus, yield strength, coefficient of thermal expansion, external forces, and fire location. The ventilation uncertainty affects thefactor contributes to uncertainties in fire temperature, subsequently impacting the structural temperature. These temperatures, combined with material properties, give rise to uncertain structural responses. Given the nonlinear behavior of structures under fire conditions, calculating fire fragility traditionally involves time-consuming Monte Carlo simulations. To address this, recent studies have explored leveraging machine learning algorithms to predict fire fragility, aiming to enhance efficiency while maintaining accuracy. This study focuses on predicting the fire fragility of a steel moment frame building, accounting for uncertainties in fire size, location, and structural material properties. The fragility curve, derived from nonlinear structural behavior under fire, follows a log-normal distribution. The results demonstrate that the proposed method accurately and efficiently predicts fire fragility, showcasing its effectiveness in streamlining the analysis process.
2. 취약도 함수 및 제안한 방법론
2.1 구조물 화재 취약도 함수
2.2 제안한 모델의 프레임워크
3. 화재 구조물 모델링 대상
3.1 해석 대상구조물
3.2 구조물의 화재 하중
3.3 불확실성 변수
4. 수치 예제
4.1 화재-구조물 유한요소해석 모델 검증
4.2 취약도 해석 및 결과
5. 제안한 모델의 검증 및 성능
6. 결 론
References
요 지
