논문 상세보기
pp.55-62
강풍에 대한 피해가 증가하면서 시설물의 취약도를 예측하여 대응하는 것이 필요하다. 이때, 풍속의 변동성을 고려하여 확률 론적 예측이 필요하여 물리 기반 인공신경망(PINN) 기반의 기초적인 확률론적 예측 모델을 개발하였다. 입력변수를 마르코프체인 몬 테카를로 시뮬레이션을 통해 랜덤 샘플링하여 이를 PINN 모델로 입력하고, 물리식 기반의 손실함수를 통해 신호등을 대상으로 취약 도를 예측하였다. 모델을 통해 예측한 결과 신호등에서 파손이 발생할 수 있는 신호 접합부와 지면 접합부에 대해 확률적으로 취약도 를 산출할 수 있었고, 이를 기반으로 신호 접합부가 더 취약함을 확인할 수 있었다. 기초 모델로 물리식 만을 기반으로 예측하여 얻은 결과로 추후 실측 데이터를 통해 학습과 검증을 거쳐야하나 충분히 강풍에 의한 시설물 취약도를 예측할 수 있으며 이러한 예측에 확 률론적 모델이 유용함을 확인하었다.
As damage from strong winds increases, it is necessary to predict and respond to the fragility of infrastructure facilities. In this context, stochastic prediction is required considering the variability of wind speed, so a basic stochastic prediction model based on Physics-Informed Neural Networks (PINN) was developed. Input variables were randomly sampled through Markov Chain Monte Carlo and fed into the PINN model, and fragility was predicted for traffic lights through physics-based loss functions. The model prediction results showed that stochastic fragility could be calculated for signal connection joints and ground connection joints where damage can occur in traffic lights, and based on this, it was confirmed that signal connection joints are more fragile. As results obtained by predicting based only on physical equations as a basic model, future learning and validation through actual measurement data are required, but it can sufficiently predict facility fragility due to strong winds, and it was confirmed that stochastic models are useful for such predictions.
요 약
I. 서 론
II. 모델 이론
2.1 확률론적 입력 변수 생성 : 마르코프체인 몬테카를로시뮬레이션(MCMC)
2.2 물리 정보 기반 신경망
2.3 강풍 하중 및 유동역학 이론
2.4 구조물 취약도 및 손상 확률 이론
III. SFEM-PINN 모델
3.1 SFEM-PINN 모델 구성
3.2 모델 입력 변수
3.3 학습 과정
IV. 예측 결과
4.1 신호등 취약도 예측 결과
4.2 손실함수 수렴
V. 토 의
5.1 신호등의 취약도 분석
5.2 구조물 설계 시사점
5.3 SFEM-PINN을 통한 확률론적 예측 강점
5.4 한계점 및 향후 연구
VI. 결 론
감사의 글
참고문헌
