탑다운 현장의 대심도 지하구조물 철거방안 선정을 위한 인공신경망 모델 An artificial neural network model for selection of demolition method of deep underground structures in top-down projects원문보기
도심지에서 건물 신축은 용적률 및 주차장 확보 등을 위하여 기존건물 규모보다 고층화 및 대심도로 지어지고 있으며, 이에 따른 신축현장 내에 철거대상인 기존지하구조물의 규모도 갈수록 대심도화되고 있어 신축공사와 더불어 지하구조물 철거공사가 더욱 어려워지고 있다, 특히 탑다운 현장의 대심도 지하구조물 철거공사는 실적자료의 부족과 적정한 철거방안을 선정할 수 있는 활용도구가 없어 설계 및 공사초기단계에서 철거계획 수립의 오류 및 비효율성이 커지고 있다. 이로 인해 대심도 지하구조물 철거공사의 계획상 검토내용의 오류나 누락으로, 철거공사의 리스크가 증가하고 근접공사의 안전성 확보가 어려워지는 원인이 되고 있다. 본 연구에서는 탑다운 현장의 대심도 지하구조물 철거계획 수립 시 철거공사의 계획상 오류 및 리스크를 최소화하고, 합리적인 철거방안을 수립하기 위해 ...
도심지에서 건물 신축은 용적률 및 주차장 확보 등을 위하여 기존건물 규모보다 고층화 및 대심도로 지어지고 있으며, 이에 따른 신축현장 내에 철거대상인 기존지하구조물의 규모도 갈수록 대심도화되고 있어 신축공사와 더불어 지하구조물 철거공사가 더욱 어려워지고 있다, 특히 탑다운 현장의 대심도 지하구조물 철거공사는 실적자료의 부족과 적정한 철거방안을 선정할 수 있는 활용도구가 없어 설계 및 공사초기단계에서 철거계획 수립의 오류 및 비효율성이 커지고 있다. 이로 인해 대심도 지하구조물 철거공사의 계획상 검토내용의 오류나 누락으로, 철거공사의 리스크가 증가하고 근접공사의 안전성 확보가 어려워지는 원인이 되고 있다. 본 연구에서는 탑다운 현장의 대심도 지하구조물 철거계획 수립 시 철거공사의 계획상 오류 및 리스크를 최소화하고, 합리적인 철거방안을 수립하기 위해 인공신경망 모델을 개발하였다. 주요 연구결과는 다음과 같다. (1)기존연구는 주로 지상구조물 철거공사에 국한되어 있어, 증가되고 있는 지하구조물 철거공사에 관련된 연구와 개선이 필요한 것으로 조사되었다. (2)28개 사례현장을 분석한 결과 이전에 없었던 지하구조물 철거와 신축을 병행하는 철거방안이 2009년부터는 증가되고 있는 것으로 조사되었다. (3)전문가면담을 통하여 지하구조물 철거방안 선정의 문제점과 영향을 미치는 요인을 파악하고 개선방향을 제시하였다. (4)28개 사례현장을 분석하고 기존문헌 고찰과 전문가 면담을 통하여 입력변수를 8가지 항목으로 선정하고 철거방안을 5가지 유형으로 분류하였다. (5)상용프로그램인 IBM SPSS Modeler 18 평가판을 이용하여 철거방안 선정을 위한 인공신경망 모델의 프레임워크를 제시하였다. (6)인공신경망 모델 1차는 28개 사례현장의 입·출력 변수에 대해 3가지 모델로 분류하여 다음과 같은 결과 값을 나타내었다 1차 모델“A”는 28개중 무작위 23개를 학습하고, 나머지 5개의 사례는 검증에 사용하여 학습은 96.2%, 검증은 100%의 예측적중률을 나타났으며, 1차모델“B”는 28개중 무작위 25개와 1차모델“C”는 28개중 무작위 26개를 학습하고, 나머지 사례는 검증에 사용하여 학습은 98.8%, 검증은 100%의 예측적중률을 나타내었다. 2차 모델에서는 28개 현장 중 사업일정 조정으로 철거공사가 지연되는 2개 현장을 제외한 26개 현장에 대해 아래와 같은 결과 값을 나타내었다 2차 모델“A”는 26개중 무작위 21개를 학습하고, 나머지 5개의 사례는 검증에 사용하여 학습은 100%, 검증은 80%의 예측적중률을 나타났으며, 2차 모델“B”는 무작위로 26개중 23개와 2차 모델“C”는 26개중 24개를 학습하고, 나머지는 검증에 사용하여 학습은 100%, 검증은 100%의 예측적중률을 나타내었다. (7)1차 모델의 학습오류율과 2차 모델의 예측오류율에 대한 원인을 분석한 결과 개발된 인공신경망 모델이 유효성이 있는 것으로 사료된다 본 연구는 기존연구에서 고려되지 않았던 탑다운 현장의 기존지하구조물 철거방안 선정을 위한 인공신경망 모델을 개발하였다는 점과 설계 및 공사 초기단계에 탑다운 현장의 대심도 지하구조물 철거계획 수립 시 개발된 모델을 통하여 적정한 철거방안을 선정할 수 있도록 했다는 점에 연구의 의의가 있다. 향후 예측모델의 신뢰도를 높이기 위해서는 현장별 제한조건에 대한 사례현장의 데이터를 축적하고 연구사례의 수를 보다 많이 확보한 다양한 사례적용을 통하여 예측모델의 신뢰도 향상이 필요하다. 주요어 : 대심도 지하구조물, 탑다운 현장, 철거방안, 인공신경망 모델 지도교수 : 구 교 진
도심지에서 건물 신축은 용적률 및 주차장 확보 등을 위하여 기존건물 규모보다 고층화 및 대심도로 지어지고 있으며, 이에 따른 신축현장 내에 철거대상인 기존지하구조물의 규모도 갈수록 대심도화되고 있어 신축공사와 더불어 지하구조물 철거공사가 더욱 어려워지고 있다, 특히 탑다운 현장의 대심도 지하구조물 철거공사는 실적자료의 부족과 적정한 철거방안을 선정할 수 있는 활용도구가 없어 설계 및 공사초기단계에서 철거계획 수립의 오류 및 비효율성이 커지고 있다. 이로 인해 대심도 지하구조물 철거공사의 계획상 검토내용의 오류나 누락으로, 철거공사의 리스크가 증가하고 근접공사의 안전성 확보가 어려워지는 원인이 되고 있다. 본 연구에서는 탑다운 현장의 대심도 지하구조물 철거계획 수립 시 철거공사의 계획상 오류 및 리스크를 최소화하고, 합리적인 철거방안을 수립하기 위해 인공신경망 모델을 개발하였다. 주요 연구결과는 다음과 같다. (1)기존연구는 주로 지상구조물 철거공사에 국한되어 있어, 증가되고 있는 지하구조물 철거공사에 관련된 연구와 개선이 필요한 것으로 조사되었다. (2)28개 사례현장을 분석한 결과 이전에 없었던 지하구조물 철거와 신축을 병행하는 철거방안이 2009년부터는 증가되고 있는 것으로 조사되었다. (3)전문가면담을 통하여 지하구조물 철거방안 선정의 문제점과 영향을 미치는 요인을 파악하고 개선방향을 제시하였다. (4)28개 사례현장을 분석하고 기존문헌 고찰과 전문가 면담을 통하여 입력변수를 8가지 항목으로 선정하고 철거방안을 5가지 유형으로 분류하였다. (5)상용프로그램인 IBM SPSS Modeler 18 평가판을 이용하여 철거방안 선정을 위한 인공신경망 모델의 프레임워크를 제시하였다. (6)인공신경망 모델 1차는 28개 사례현장의 입·출력 변수에 대해 3가지 모델로 분류하여 다음과 같은 결과 값을 나타내었다 1차 모델“A”는 28개중 무작위 23개를 학습하고, 나머지 5개의 사례는 검증에 사용하여 학습은 96.2%, 검증은 100%의 예측적중률을 나타났으며, 1차모델“B”는 28개중 무작위 25개와 1차모델“C”는 28개중 무작위 26개를 학습하고, 나머지 사례는 검증에 사용하여 학습은 98.8%, 검증은 100%의 예측적중률을 나타내었다. 2차 모델에서는 28개 현장 중 사업일정 조정으로 철거공사가 지연되는 2개 현장을 제외한 26개 현장에 대해 아래와 같은 결과 값을 나타내었다 2차 모델“A”는 26개중 무작위 21개를 학습하고, 나머지 5개의 사례는 검증에 사용하여 학습은 100%, 검증은 80%의 예측적중률을 나타났으며, 2차 모델“B”는 무작위로 26개중 23개와 2차 모델“C”는 26개중 24개를 학습하고, 나머지는 검증에 사용하여 학습은 100%, 검증은 100%의 예측적중률을 나타내었다. (7)1차 모델의 학습오류율과 2차 모델의 예측오류율에 대한 원인을 분석한 결과 개발된 인공신경망 모델이 유효성이 있는 것으로 사료된다 본 연구는 기존연구에서 고려되지 않았던 탑다운 현장의 기존지하구조물 철거방안 선정을 위한 인공신경망 모델을 개발하였다는 점과 설계 및 공사 초기단계에 탑다운 현장의 대심도 지하구조물 철거계획 수립 시 개발된 모델을 통하여 적정한 철거방안을 선정할 수 있도록 했다는 점에 연구의 의의가 있다. 향후 예측모델의 신뢰도를 높이기 위해서는 현장별 제한조건에 대한 사례현장의 데이터를 축적하고 연구사례의 수를 보다 많이 확보한 다양한 사례적용을 통하여 예측모델의 신뢰도 향상이 필요하다. 주요어 : 대심도 지하구조물, 탑다운 현장, 철거방안, 인공신경망 모델 지도교수 : 구 교 진
More buildings in the downtown area are generally constructed with the features of higher above ground and lower below ground compared to the existing buildings for higher floor area ratio and acquisition of parking space. Therefore, the existing underground structures which are the target for demol...
More buildings in the downtown area are generally constructed with the features of higher above ground and lower below ground compared to the existing buildings for higher floor area ratio and acquisition of parking space. Therefore, the existing underground structures which are the target for demolition for the construction of new build get bigger and deeper, thus making the demolition of the underground structure more difficult along with the construction of new building. Especially as the demolition of deep underground structure at the top-down project site has no sufficient performance data and no tool of selecting the proper demolition method, there is more risk of error and inefficiency in the establishment of demolition plan at the stage of design and initial work. Due to the resulting increase in error or missed items in the establishment of the demolition of deep underground multi-storied structure, there is the increased risk in demolition work and in the safety of nearby works. In this study, the artificial neural network mode is established in order to minimize the error and risk in the demolition work plan when the demolition plan for the deep underground structure is made and establish the reasonable demolition method. The key research results are as follows. (1)The conventional studies mainly focused on the demolition work for the structures above ground. Therefore, there is the necessity of study and improvement related to the demolition work of the underground structures. (2)The analysis of 28 sites showed that since 2009, there have been the increase in the method of doing both the removal of underground structure and the construction of new structures at the same time, which had not existed before. (3)Through the interview with experts, the problems and effect of the selection of the method of removal of the underground structures were identified and the improvement method was suggested. (4)28 sites were analyzed and through the literature review and the interview with experts, 8 input variables were selected and 5 types in the removal method were classified. (5)The framework for the artificial neural network model for the selection of the removal method was suggested using the commercial program SPSS Modeler 18 Evaluation Edition. (6)In the first model of artificial neural network model, input and output variables form 28 project sites were classified into 3 models with the following values. In the first model "A", randomly selected 23 data out of 28 were learned and the rest 5 cases were used for verification. Here the prediction accuracy of the learning was found to be 96.2% while that of the verification was found to be 100%. In the first model B, randomly selected 25 data out of 28 were learned and in the first model C, randomly selected 26 data out of 28 were learned and the other cases were used for verification. Here the prediction accuracy of the learning was found to be 98.8% while that of the verification was found to be 100%. In the second model, the study was made on 26 fields as 2 fields were delayed due to the modification of the project schedule and were removed for study. The findings are as follows. In the second model A, 21 data randomly selected out of 26 were learned as the learning data while the rest 5 cases were used for verification. Here, the prediction accuracy of the learning was found to be 100% while that of the verification was found to be 80%. In the second model B, 23 data randomly selected out of 26 were learned while in the second model C, 24 data randomly selected out of 26 were learned as the learning data and other cases were used for verification. Here, the prediction accuracy of the learning was found to be 100% while that of the verification was found to be 100%. (7) The learning error rate in the first model and the prediction error rate in the second model were analyzed. It is considered that the artificial neural model developed from it is effective. This study has implications in that it has developed the artificial neural network model for the selection of demolition of the existing underground structure in the top-down construction sites which has not been handled in the conventional studies and that the developed model can be used to select the proper demolition method when the demolition plan of the deep underground structures is prepared at the stages of design and initial construction. For the enhancement of the prediction model in the future, it is required to acquire more data on the constraints in the fields and more research cases. Keywords : Deep underground structure, top-down construction site, demolition method, artificial neural network model Thesis Supervisor : Professor Kyo-Jin Koo
More buildings in the downtown area are generally constructed with the features of higher above ground and lower below ground compared to the existing buildings for higher floor area ratio and acquisition of parking space. Therefore, the existing underground structures which are the target for demolition for the construction of new build get bigger and deeper, thus making the demolition of the underground structure more difficult along with the construction of new building. Especially as the demolition of deep underground structure at the top-down project site has no sufficient performance data and no tool of selecting the proper demolition method, there is more risk of error and inefficiency in the establishment of demolition plan at the stage of design and initial work. Due to the resulting increase in error or missed items in the establishment of the demolition of deep underground multi-storied structure, there is the increased risk in demolition work and in the safety of nearby works. In this study, the artificial neural network mode is established in order to minimize the error and risk in the demolition work plan when the demolition plan for the deep underground structure is made and establish the reasonable demolition method. The key research results are as follows. (1)The conventional studies mainly focused on the demolition work for the structures above ground. Therefore, there is the necessity of study and improvement related to the demolition work of the underground structures. (2)The analysis of 28 sites showed that since 2009, there have been the increase in the method of doing both the removal of underground structure and the construction of new structures at the same time, which had not existed before. (3)Through the interview with experts, the problems and effect of the selection of the method of removal of the underground structures were identified and the improvement method was suggested. (4)28 sites were analyzed and through the literature review and the interview with experts, 8 input variables were selected and 5 types in the removal method were classified. (5)The framework for the artificial neural network model for the selection of the removal method was suggested using the commercial program SPSS Modeler 18 Evaluation Edition. (6)In the first model of artificial neural network model, input and output variables form 28 project sites were classified into 3 models with the following values. In the first model "A", randomly selected 23 data out of 28 were learned and the rest 5 cases were used for verification. Here the prediction accuracy of the learning was found to be 96.2% while that of the verification was found to be 100%. In the first model B, randomly selected 25 data out of 28 were learned and in the first model C, randomly selected 26 data out of 28 were learned and the other cases were used for verification. Here the prediction accuracy of the learning was found to be 98.8% while that of the verification was found to be 100%. In the second model, the study was made on 26 fields as 2 fields were delayed due to the modification of the project schedule and were removed for study. The findings are as follows. In the second model A, 21 data randomly selected out of 26 were learned as the learning data while the rest 5 cases were used for verification. Here, the prediction accuracy of the learning was found to be 100% while that of the verification was found to be 80%. In the second model B, 23 data randomly selected out of 26 were learned while in the second model C, 24 data randomly selected out of 26 were learned as the learning data and other cases were used for verification. Here, the prediction accuracy of the learning was found to be 100% while that of the verification was found to be 100%. (7) The learning error rate in the first model and the prediction error rate in the second model were analyzed. It is considered that the artificial neural model developed from it is effective. This study has implications in that it has developed the artificial neural network model for the selection of demolition of the existing underground structure in the top-down construction sites which has not been handled in the conventional studies and that the developed model can be used to select the proper demolition method when the demolition plan of the deep underground structures is prepared at the stages of design and initial construction. For the enhancement of the prediction model in the future, it is required to acquire more data on the constraints in the fields and more research cases. Keywords : Deep underground structure, top-down construction site, demolition method, artificial neural network model Thesis Supervisor : Professor Kyo-Jin Koo
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.