Dynamic responses of nuclear power plant structure subjected to earthquake loads should be carefully investigated for safety. Because nuclear power plant structure are usually constructed by material of reinforced concrete, the aging deterioration of R.C. have no small effect on structural behavior of nuclear power plant structure. Therefore, aging deterioration of R.C. nuclear power plant structure should be considered for exact prediction of seismic responses of the structure. In this study, a machine learning model for seismic response prediction of nuclear power plant structure was developed by considering aging deterioration. The OPR-1000 was selected as an example structure for numerical simulation. The OPR-1000 was originally designated as the Korean Standard Nuclear Power Plant (KSNP), and was re-designated as the OPR-1000 in 2005 for foreign sales. 500 artificial ground motions were generated based on site characteristics of Korea. Elastic modulus, damping ratio, poisson’s ratio and density were selected to consider material property variation due to aging deterioration. Six machine learning algorithms such as, Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost), were used t o construct seispic response prediction model. 13 intensity measures and 4 material properties were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks present good prediction performance considering aging deterioration.

Existing reinforced concrete (RC) building frames constructed before the seismic design was applied have seismically deficient structural details, and buildings with such structural details show brittle behavior that is destroyed early due to low shear performance. Various reinforcement systems, such as fiber-reinforced polymer (FRP) jacketing systems, are being studied to reinforce the seismically deficient RC frames. Due to the step-by-step modeling and interpretation process, existing seismic performance assessment and reinforcement design of buildings consume an enormous amount of workforce and time. Various machine learning (ML) models were developed using input and output datasets for seismic loads and reinforcement details built through the finite element (FE) model developed in previous studies to overcome these shortcomings. To assess the performance of the seismic performance prediction models developed in this study, the mean squared error (MSE), R-square (R2), and residual of each model were compared. Overall, the applied ML was found to rapidly and effectively predict the seismic performance of buildings according to changes in load and reinforcement details without overfitting. In addition, the best-fit model for each seismic performance class was selected by analyzing the performance by class of the ML models.

본 연구에서는 2 016년부터 2 02 0년까지 내륙 관측소 중 안개 최다발 지역인 안동을 대상으로 XGBoost-DART 머신러닝 알고리즘을 이용하여 1 시간 후 안개 유무를 예측하였다. 기상자료, 농업관측자료, 추가 파생자료와 각 자료 를 오버 샘플링한 확장자료, 총 6개의 데이터 세트를 사용하였다. 목측으로 획득한 기상현상번호와 시정계 관측으로 측 정된 시정거리 자료를 각각 안개 유[1]무[0]로 이진 범주화하였다. 총 12개의 머신러닝 모델링 실험을 설계하였고, 안개 가 사회와 지역사회에 미치는 유해성을 고려하여 모델의 성능은 재현율과 AUC-ROC를 중심으로 평가하였다. 전체적으 로, 오버샘플링한 기상자료와 기상현상번호 기반의 예측 목표를 조합한 실험이 최고 성능을 보였다. 이 연구 결과는 머 신러닝 알고리즘을 활용한 안개 예측에 있어서, 목측으로 획득한 기상현상번호의 중요성을 암시한다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

국내 주요 사회기반시설의 70% 이상이 철근콘크리트 구조물로 구성되어 있다. 최근 다양한 사회적ㆍ환경적 변화로 인한 내하력 저하 및 노후화 진행이 발생됨에 따라 섬유강화 복합소재(FRP)를 활용한 유지보수 수요 및 비용이 급격히 증가되 고 있다. 이에 따라 보다 경제적이고 효율적으로 FRP 보강재를 활용함에 있어서 성능을 예측할 수 있는 방법이 요구된다. 본 연구에서는 CFRPㆍBFRP 복합재료를 실험 대상으로 선정하고 성능을 결정하는 주요 인자인 섬유/수지 함침률을 54.3%, 43.9%, 39% 3가지로 분류하여 성능을 평가하고 이를 활용하여 FRP의 성능을 예측할 수 있는 모델식을 개발하고자 하였다. 매개변수에 따른 성능평가 결과, 두 섬유 모두 함침률이 낮아질수록 재료성능 또한 감소되는 것이 확인되었으며, 특히 BFRP의 경우 39%의 함침률에서 감소폭이 CFRP 대비 더 큰 것으로 나타났다. 실험 결과와 기존의 예측 모델식과의 성능 비교를 통해 약 15%의 오 차가 나타나는 것을 확인하였으며, 이에 따른 보정계수를 산정하여 예측 모델식을 재정립하였다.

부공력감쇠는 풍직각방향의 와류공진을 예측하는데 있어서 매우 중요한 요소이다. 부공력감쇠는 진동유발하중 또는 피드백 하중을 구성하는 주요인자로 와류진동이 급격히 발현되는 현상을 설명하는 도구이기도 하다. 본 연구에서는 공력감쇠의 수학적 모델 을 제시하고 와류유발하중모델과 함께 와류진동을 예측하는 프러세스를 제안한다. 직사각형단면에 대한 공기력진동실험을 수행하여, 계측된 가속도로부터 공력감쇠와 와류유발하중을 추정하고 이에 기반하여 공력감쇠모델과 와류유발하중모델을 구축하는 과정을 다룬 다. 최종적으로 공력감쇠모델과 와류유발하중 모델에 대한 재해석을 통하여 가속도응답을 구하고 계측된 가속도와 비교하여 모델의 진동예측성능을 평가한다. 본 연구에서 제안된 와류하중모델의 진동예측성능을 평가한 결과 안정적이며, 신뢰도가 높은 와류진동예측 이 가능함을 알 수 있었다.

역삼투 해수담수화 공정에서 막 오염은 생산수량 감소 및 공정의 에너지 소비량 증가를 야기한다. 막간 차압 증가, 생산수량 감소 외에 막 저항 값의 증가는 막 오염 정도를 판단하는 수치로 사용이 가능하다. 특히 막 저항 값 기반의 세정은 막 오염 제어를 통해 역삼투 해수담수화 공정에서 막의 성능 유지 시 사용 가능하다. 이에 본 연구에서는 해수 수질 인자 및 공정 운전 인자에 기반하여 막 저항 값을 예측하는 알고리즘을 제안한다. 알고리즘은 해수담수화 플랜트의 운전 데이터에 기반하여 인자들과 막 저항 값 사이의 관계를 학습하고 검증과정을 거쳐 막 오염 발생 시점을 사전에 예측하는 방식으로 개발되었다. 예측 정확도를 분석하고 개발된 알고리즘의 수정을 통해 예측 정확도 향상을 위한 연구를 진행하였다.

Concrete has recently been modified to have various performance and properties. However, the conventional method for predicting the compressive strength of concrete has been suggested by considering only a few influential factors. so, In this study, nine influential factors (W/B ratio, Water, Cement, Aggregate(Coarse, Fine), Fly ash, Blast furnace slag, Curing temperature, and humidity) of papers opened for 10 years were collected at 4 conferences in order to know the various correlations among data and the tendency of data. The selected mixture and compressive strength data were used for learning the Deep Learning Algorithm to derive a prediction model. The purpose of this study is to suggest a method of constructing a prediction model that predicts the compression strength with high accuracy based on Deep Learning Algorithms.

This study was evaluated compressive strength of age 28 days of binary blended concrete according to there type of superplasticizer and there type of w/c. In addition, we are proposed modification prediction model equation that can reflect efficiency of water reducing and influence of binders using Lyse equation to predict the compression strength through the conventional W/C.

과거에는 생애주기에 기반 유지관리 계획에 대한 인식이 부족하였기 때문에 검측자료의 축적은 이루어졌으나 이러한 검측 자료를 이용한 구성품의 수명예측 및 보수보강 시나리오 선정 등 유지관리 의사결정 지원을 위해 사용되지는 못하였다. 이에 본 연구에서는 자료 분석을 위한 궤도 검측 데이터 필터링 및 정제기법을 개발하고, 검측데이터 분석 기법 적용을 통한 궤도의 성능 평가 지표 결정, 다변수 구간특성 및 환경인자를 고려한 레일 마모 및 궤도 틀림에 대한 민감도 분석, 파형과 파장을 고려한 검측데이터 분석 등을 수행하였으며, 이러한 연구 결과를 기반으로 하여 검측된 레일 마모데이터를 이용한 불확실성 기반 궤도성능 예측모델 개봘과 관련한 연구를 수행하였다.

과거에는 생애주기에 기반 유지관리 계획에 대한 인식이 부족하였기 때문에 검측자료의 축적은 이루어졌으나 이러한 검측 자료를 이용한 구성품의 수명예측 및 보수보강 시나리오 선정 등 유지관리 의사결정 지원을 위해 사용되지는 못하였다. 따라서 축적된 검측 데이터로부터 궤도 구성품의 건전도를 평가할 수 있는 방법을 정립하고 잔존수명을 예측하여 효율적 유지관리를 실현할 수 있는 기법 개발의 필요성이 대두되고 있다. 이에 본 연구에서는 검측된 레일 마모데이터를 이용한 불확실성 기반 궤도성능 예측모델 개봘과 관련한 연구를 수행하였다.

고성능 콘크리트의 자기수축은 초기균열을 유도할 수 있기 때문에 내구성 측면에서 매우 중요하다. 이에 따라, 본 연구에서는 실험을 통해 혼화재료를 혼입한 고성능 콘크리트의 자기수축 특성을 분석한 후 예측모델을 제안하였다. 이를 위해 다양한 실험변수를 가진 시편에 대해 광범위한 실험을 수행하였다. 주요 실험변수는 혼화재료의 종류 및 혼입률로 설정하였으며 물-시멘트비는 30%로 고정하였다. 실험결과 플라이애시를 치환한 경우에는 자기수축량이 다소 감소하였으며, 고로슬래그를 사용한 경우에는 자기수축이 증가하였다. 또한, 수축저감제 및 팽창재의 혼입량이 클수록 고성능 콘크리트의 자기수축은 감소하는 경향을 보였다. 한편, 본 논문에서는 회귀분석을 통해 혼화재료를 사용한 고성능 콘크리트의 자기수축 예측식을 제안하였으며, 제안된 자기수축 예측식은 실험결과와 비교적 일치하였다