Many school buildings are vulnerable to earthquakes because they were built before mandatory seismic design was applied. This study uses machine learning to develop an algorithm that rapidly constructs an optimal reinforcement scheme with simple information for non-ductile reinforced concrete school buildings built according to standard design drawings in the 1980s. We utilize a decision tree (DT) model that can conservatively predict the failure type of reinforced concrete columns through machine learning that rapidly determines the failure type of reinforced concrete columns with simple information, and through this, a methodology is developed to construct an optimal reinforcement scheme for the confinement ratio (CR) for ductility enhancement and the stiffness ratio (SR) for stiffness enhancement. By examining the failure types of columns according to changes in confinement ratio and stiffness ratio, we propose a retrofit scheme for school buildings with masonry walls and present the maximum applicable stiffness ratio and the allowable range of stiffness ratio increase for the minimum and maximum values of confinement ratio. This retrofit scheme construction methodology allows for faster construction than existing analysis methods.

Existing reinforced concrete buildings with seismically deficient column details affect the overall behavior depending on the failure type of column. This study aims to develop and validate a machine learning-based prediction model for the column failure modes (shear, flexure-shear, and flexure failure modes). For this purpose, artificial neural network (ANN), K-nearest neighbor (KNN), decision tree (DT), and random forest (RF) models were used, considering previously collected experimental data. Using four machine learning methodologies, we developed a classification learning model that can predict the column failure modes in terms of the input variables using concrete compressive strength, steel yield strength, axial load ratio, height-to-dept aspect ratio, longitudinal reinforcement ratio, and transverse reinforcement ratio. The performance of each machine learning model was compared and verified by calculating accuracy, precision, recall, F1-Score, and ROC. Based on the performance measurements of the classification model, the RF model represents the highest average value of the classification model performance measurements among the considered learning methods, and it can conservatively predict the shear failure mode. Thus, the RF model can rapidly predict the column failure modes with simple column details.

문화재의 보존⋅관리 및 활용은 원형유지를 기본원칙으로 하므로 비파괴적인 분석법을 통한 무기질 문화재 및 그 원료물질의 광물조성을 연구하는 것은 중요한 분야이다. 본 연구는 비파괴 표면 X-선 회절분석법(ND-XRD)을 석재, 채색된 안료, 토제, 금속 등 유형별 무기질 문화재 및 시편들을 대상으로 적용하여 문화재의 비파괴 분석법 중 하나로써 활용가능성을 검토하였다. 그 결과, 기기 내에 거치가 가능하며, 구성입자의 크기나 배열 및 굴곡 등 분석대상면의 특성이 스캔에 적합한 시료일 경우 모든 유형에서 광물조성 해석에 활용 가능한 회절패턴이 획득되는 것으로 나타났다. 또한 시료의 기질부에 비하여 표면의 회절정보가 우세하게 획득되므로 수평적 또는 수직적으로 다른 물질로 구성된 대상에 적용할 경우 각 부위별 광물조성정보와 함께 이들의 선후관계 파악을 통한 제작기법 및 변질양상 등의 해석에도 활용 가능할 것으로 사료된다. 반면 시료채취 및 분말화 과정을 생략한채 문화 재시료 자체를 스캔하는 분석방법의 특성으로 인하여 특정 결정면의 정보가 강하게 중첩되는 경우가 일부 발생되었다. 이와 같은 회절패턴은 점토광물의 편향성효과와 같이 광물동정에 유리하게 활용되는 경우도 있으며, 단결정에 가까운 크기와 배열을 갖는 입자로 인하여 불규칙한 회절강도 비가 획득 되어 컴퓨터 프로그램을 통한 광물동정이 어려운 경우가 있으므로 해석에 주의가 필요하다.

우수관의 성능이 한계상태(performance limit state)에 도달할 확률을 정량적으로 산정할 수 있는 FORM(First-Order Reliability Model)의 AFDA(Approximate Full Distribution Approach) 신뢰성 모형을 개발하였다. 우수관망에서 각각의 관으로 유입하는 유량이 그 관의 허용 가능 배출량을 초과하여 성능한계상태에 도달할 때 이를 파괴상태(failure state)라 정의하여 신뢰함수를 수