[논문]RNN 모델을 이용한 스마트 중간층 면진시스템의 제어성능 평가

김현수

doi:10.5762/kais.2020.21.1.774

RNN 모델을 이용한 스마트 중간층 면진시스템의 제어성능 평가
Control Performance Evaluation of Smart Mid-story Isolation System with RNN Model 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.1, 2020년, pp.774 - 779

김현수 (선문대학교 건축사회환경공학부)

초록
AI-Helper

본 논문에서는 RNN 순환 신경망 (Recurrent Neural Network) 모델을 사용하여 스마트 중간층 면진 시스템의 지진 응답 제어 성능을 수치 해석을 통하여 검토하였다. 이를 위해서 지진 하중을 받는 건물의 동적 지진 응답 예측을 위한 RNN 모델을 개발하였다. 보다 실제적인 연구를 위하여 중간층 면진 시스템이 설치된 실존하는 건물인 시오도메 스미토모 건물을 예제 구조물로 선택하였다. 스마트 중간층 면진 시스템은 기존의 납 댐퍼를 대신하여 MR (Magnetorheological) 댐퍼를 사용하여 구성하였다. 그 외 고무 베어링이나 강재 댐퍼는 그대로 사용 하였다. 수치 해석을 통하여 개발된 RNN 모델이 기존의 FEM (Finite Element Method) 모델과 비교해서 매우 정확한 응답을 예측하는 것을 확인할 수 있었다. RNN 모델을 사용하면 자유도가 많은 FEM 모델을 사용한 경우에 비하여 해석 시간을 대폭 줄일 수 있다. 개발된 RNN 모델을 사용한 수치 해석 결과 스마트 중간층 면진 시스템이 기존의 수동 중간층 면진 시스템에 비하여 구조물의 지진 응답을 대폭 저감시킬 수 있는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

The seismic response reduction capacity of a smart mid-story isolation system was investigated using the RNN model in this study. For this purpose, an RNN model was developed to make a dynamic response prediction of building structures subjected to seismic loads. An existing tall building with a mid-story isolation system was selected as an example structure for realistic research. A smart mid-story isolation system was comprised of an MR damper instead of existing lead dampers. The RNN model predicted the seismic responses accurately compared to those of the FEM model. The simulation time of the RNN model can be reduced significantly compared to the FEM model. After the numerical simulations, the smart mid-story isolation system could effectively reduce the seismic responses of the existing building compared to the conventional mid-story isolation system.

주제어

표/그림 (14)

그림 Fig. 1. The repeating module in an LSTM[5]
그림 Fig. 2. Input and output of RNN model
그림 Fig. 3. Inter-story drift time histories
그림 Fig. 4. Isolator drift time histories
그림 Fig. 5. Artificial ground acceleration
그림 Fig. 6. Fuzzy rule with gaussian membership function
그림 Fig. 7. Pareto optimal solutions
그림 Fig. 8. Rule surface of FLC1
그림 Fig. 9. Rule surface of FLC2
그림 Fig. 10. Rule surface of FLC3
표 Table 1. Description of comparative models
표 Table 2. Comparison of seismic responses
그림 Fig. 11. Peak inter-story drift time histories
그림 Fig. 12. Peak isolator drift time histories

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 인공지능 기반의 스마트 구조 제어시스템이 설치된 고층건물 지진응답 시간이력 예측 모델을 개발하였다.
본 연구에서는 스마트 구조제어시스템 개발 과정에서 반드시 필요한 수치해석 및 시뮬레이션 작업의 효율성을 개선하기 위해서 구조 시스템 식별 및 구조제어 분야에 중점을 두고 연구를 수행하였다.

제안 방법

Fig. 5에 나타낸 인공 지진 하중을 사용하여 수치해석을 수행하였으며 수치해석 시간간격은 0.005초를 사용하여 퍼지논리 제어기의 진동제어성능을 평가하였다.
개발한 RNN 예측모델을 고층건물의 스마트 중간층 면진시스템 개발에 적용하여 그 효용성을 검토하였다.
구조물의 안전성을 대표하는 면진층 변위와 건물의 최대 층간변위를 두 개의 출력 변수로 선택하였다.
기존에 중간층 면진시스템을 구성하는 납댐퍼를 대신하여 MR 감쇠기를 사용하여 스마트 구조시스템을 구성하였다.
또한 파레토 최적해 집합 중 최대 면진층변위와 최대 층간 변위를 가장 효율적으로 제어하는 알고리즘을 각각 선택하여 FLC1과 FLC2로 나타내었고 두 응답을 모두 적절 하게 제어하는 알고리즘을 FLC3로 표현하였다.
본 논문에서는 딥러닝 기법 중 시계열 데이터의 예측에 우수한 성능을 보이는 RNN 모델을 사용하여 스마트 중간층 면진시스템이 설치된 고층건물의 지진응답 제어 성능을 평가하였다. 개발한 RNN 모델은 정확해로 가정한 FEM 모델과 비교하여 매우 우수한 정확성을 나타내 는 것을 확인하였다.
본 연구에서 사용한 MR 감쇠기 모델은 0 volt에서 5 volt까지 조절할 수 있으므로 퍼지 제어기의 출력도 0-5 volt 사이의 명령전압으로 하였다.
본 연구에서는 구조물의 안전성에 큰 영향을 미치는 면진층 변위와 최대 층간변위가 발생하는 11층의 층간변위를 입력변수로 선택하였고 명령전압을 출력변수로 선택하였다.
본 연구에서는 납댐퍼를 대신하여 MR 감쇠기를 사용하여 스마트 중간층 면진시스템을 구성하였다.
본 연구에서는 공학분야에 널리 사용되고 있는 NSGA-II (Non-dominated Sorting Genetic Algorithm) 다목 적 유전자알고리즘[7]을 이용하여 퍼지제어기를 최적화 하였다.
본 연구에서는 이러한 단점을 보완하기 위하여 인공신경망기법 중 시간이력 응답예측에 우수한 성능을 보이는 순환 신경망(Recurrent Neural Network, 이하 RNN)을 이용해 구조물의 지진응답 예측모델을 개발하여 정확성을 검증하였다.
스마트 중간층 면진시스템을 구성하기 위해서 본 연구는 MR (magnetorheological) 감쇠기를 사용하였다.
예제구조물인 시오도메 스미토모 건물을 대상으로 설계한 스마트 중간층 면진시스템의 MR 감쇠기 최적 용량을 파라미터 연구를 통해 검토하였고 1,000 kN 용량의 감 쇠기를 27개 사용하여 27,000 kN으로 결정하였다.
이러한 단점을 보완하기 위하서 본 연구에서는 복잡하고 불확실하며 애매한 조건아래서 적용되어 좋은 성능을 나타내는 퍼지 논리제어 (Fuzzy Logic Control, 이한 FLC)를 사용하였다.
이를 기반으로 한 인공지반가속도를 생성하기 위해서 선행연구[6]에서 사용한 역사지진의 지진동 파형과 동일한 위상특성을 가지면서 설계용 가속도 응답스펙트럼에 매우 근접한 응답스펙트럼을 갖는 인공지진을 작성하는 방법을 사용하였다.
이를 해결하는 대표적인 모델로 Fig. 1에 나타낸 장단기 메모리 (Long-Short Term Memory, 이하 LSTM) 방식의 순환신경망[5]이 제안되었고 본 연구에서는 LSTM 방식의 RNN을 사용하였다.
특정한 지진하중을 선택하면 선택한 지진하중에만 과적합된 (Over Fitting) 순환신경망 모델 이 생성될 수 있으므로 백색파를 지진하중의 특성을 갖도록 필터링한 3,000초의 인공지반가속도를 작성하였다. 작성된 인공 지반가속도를 사용하여 순환신경망 모델을 학습하고 학습에 사용되지 않은 지반가속도를 사용하여 정확도를 검증하였다.
지반가속도, 지반속도, 지반변위 및 MR 감쇠기로 전달되는 명령전압을 입력변수로 선택하였다.
특정한 지진하중을 선택하면 선택한 지진하중에만 과적합된 (Over Fitting) 순환신경망 모델 이 생성될 수 있으므로 백색파를 지진하중의 특성을 갖도록 필터링한 3,000초의 인공지반가속도를 작성하였다.

대상 데이터

건물은 25층의 철골조 구조물이고 지하층은 3층으로 구성되어 있다.
본 연구에서 사용한 유전자알고리즘인 NSGA-II에서 한 세대를 이루는 개체군은 100개의 개체로 이루어지며 최적화는 1000세대까지 수행하였다.
본 연구에서 예제구조물로 선택한 시오도메 스미토모 건물의 높이는 126.1m이고 일반 층의 층고는 4.2m이다 [4].
04 m로 결정하였다. 선택한 제어알고리즘의 스마트 중간층 면진시스템에 대한 제어성능을 비교검토하기 위하여 Table 1에 나타낸 3가지 해석모델을 사용하였다. Model1은 중간층 면진시스템이 없는 일반 고층건물이고 Model2는 수동 중간층 면진시스템이 적용된 시오도메 스미모토 건물이다.
스마트 구조시스템이 적용된 고층 예제구조물을 작성하기 위하여 실제구조물에서 중간층 면진시스템이 사용된 시오도메 스미토모 건물[4]을 선택하였다.
실제 건물의 지진격리층은 41개의 적층고 무면진장치와 100개의 납 댐퍼 및 14개의 강재 댐퍼로 구성되어 있다.
인공지반가속도로서 작성한 3,000초의 백색파 중 80%인 2,400초는 RNN 모델의 학습을 위해서 사용하였고 학습에 사용하지 않은 나머지 600초는 RNN 모델의 정확성 검증을 위해 사용하였다.
인공지진 작성을 위해서 구조물의 지진응답 거동을 분석할 때 널리 사용되고 있는 El Centro (1940, NS) 지진하중을 사용하였다.

데이터처리

개발된 RNN 지진응답 예측모델의 정확성을 검증하기 위하여 유한요소해석 (Finite Element Method,이하 FEM) 모델과 비교하였다.
학습에 사용하지 않은 데이터를 RNN 모델의 검증에 사용함으로써 정확성 평가의 신뢰도를 높였다.

이론/모형

개발된 RNN 지진응답 예측모델의 정확성을 검증하기 위하여 유한요소해석 (Finite Element Method,이하 FEM) 모델과 비교하였다. 예제구조물을 나타내기 위한 FEM 모델의 강성, 감쇠 및 질량 값은 선행연구[4]에서 제시된 값을 사용하였다. LSTM 기반 RNN 모델을 개발하기 위해서 학습데이터 시퀀스 길이를 200으로 하였고 히든 레이어를 40개로 두었다.
지진응답 평가를 위한 인공지진하중을 작성하기 위하여 강진지역의 특성을 나타내는 LA지역을 기반으로 IBC2012 설계기준에 근거한 설계 응답스펙트럼을 사용하였다.

성능/효과

본 논문에서는 딥러닝 기법 중 시계열 데이터의 예측에 우수한 성능을 보이는 RNN 모델을 사용하여 스마트 중간층 면진시스템이 설치된 고층건물의 지진응답 제어 성능을 평가하였다. 개발한 RNN 모델은 정확해로 가정한 FEM 모델과 비교하여 매우 우수한 정확성을 나타내 는 것을 확인하였다. 개발한 RNN 모델을 사용하면 매시간 스텝마다 동적평형방정식을 계산해야하는 FEM 모델에 비하여 대폭 줄어든 시간으로 비교적 정확한 지진 응답을 예측할 수 있었다.
개발한 RNN 모델은 정확해로 가정한 FEM 모델과 비교하여 매우 우수한 정확성을 나타내 는 것을 확인하였다. 개발한 RNN 모델을 사용하면 매시간 스텝마다 동적평형방정식을 계산해야하는 FEM 모델에 비하여 대폭 줄어든 시간으로 비교적 정확한 지진 응답을 예측할 수 있었다. 개발한 RNN 모델을 이용하여 스마트 중간층 면진시스템의 지진응답 제어성능을 검토하였고 기존의 수동 중간층 면진시스템에 비하여 최대 층간변위 및 면진층변위를 동시에 효과적으로 저감시키는 것을 확인하였다.
개발한 RNN 모델을 사용하면 매시간 스텝마다 동적평형방정식을 계산해야하는 FEM 모델에 비하여 대폭 줄어든 시간으로 비교적 정확한 지진 응답을 예측할 수 있었다. 개발한 RNN 모델을 이용하여 스마트 중간층 면진시스템의 지진응답 제어성능을 검토하였고 기존의 수동 중간층 면진시스템에 비하여 최대 층간변위 및 면진층변위를 동시에 효과적으로 저감시키는 것을 확인하였다.
따라서 스마트 중간층 면진시스템의 설계목적도 면진층의 최대변위응답을 줄이는 것과 지진하중에 의한 건물의 최대 층간변위비를 허용치 (1.5%) 이하로 줄이는 것으로 나눌 수 있다.
가장 큰 응답이 발생하는 6초 및 10초 근처에서 각 제어시스템별 응답의 차이가 많이 발생하였다. 즉 구조물의 피해가 가장 클 것으로 예상되는 최대 응답구간에서 스마트 제어시스템이 상충되 는 두 응답을 동시에 효과적으로 제어할 수 있는 것을 확인하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	퍼지논리제어의 특징은 무엇인가?	이러한 단점을 보완하기 위하서 본 연구에서는 복잡하고 불확실하며 애매한 조건아래서 적용되어 좋은 성능을 나타내는 퍼지 논리제어 (Fuzzy Logic Control, 이한 FLC)를 사용하였다. 퍼지논리제어는 고유의 견실성과 비선형 및 불확실성을 쉽게 다룰 수 있는 능력 때문에 스마트 제어시스템을 제어하는데 용이하다. 퍼지논리 제어알고리즘의 개발 과정에서 입력 및 출력 변수를 어떤 값으로 선택하느냐에 따라서 제어성능이 크게 달라질 수 있다.
	구조공학분야에서 기계학습은 어떠한 형태로 이용되는가?	최근 구조공학 분야에서도 인공지능 및 첨단 제어공학을 적용한 연구가 다양하게 수행되고 있다[1-3]. 인공지능 분야에서 각광을 받고 있는 기계학습 (Machine Learning)이 구조공학분야에 구조해석 및 설계, 설계자 동화와 최적화, 구조제어, 구조시스템 식별, 구조 상태 평가 및 모니터링 등 매우 다양한 형태로 적용되고 있다. 본 연구에서는 스마트 구조제어시스템 개발 과정에서 반드시 필요한 수치해석 및 시뮬레이션 작업의 효율성을 개선하기 위해서 구조 시스템 식별 및 구조제어 분야에 중점을 두고 연구를 수행하였다.
	RNN 모델에서 심층 신경망 사용 시 발생하는 문제점은 무엇인가?	RNN 모델의 정확성을 높이기 위해서는 매 시점에 심층 신경망 (Deep Neural Network)을 사용하는 것이 필요하다. 그러나 이러한 경우 오래전의 데이터에 의한 기울기 값이 소실되는 문제(Vanishing Gradient Problem)로 학습이 어려워진다. 이를 해결하는 대표적인 모델로 Fig.

참고문헌 (7)

H. Salehi, R. Burgueno, "Emerging artificial intelligence methods in structural engineering", Engineering Structures, Vol. 171, pp.170-189, May 2018.

상세보기
Q. Wang, J. Wang, X. Huang, L. Zhang, "Semiactive nonsmooth control for building structure with deep learning", Complexity, Vol. 2017, Article ID 6406179, Nov. 2017. DOI: https://doi.org/10.1155/2017/6406179

상세보기
H. S. Kim, "Multi-objective optimal design using genetic algorithm for semi-active fuzzy control of adjacent buildings", Journal of the Korea Academia-Industrial cooperation Society, Vol. 17, No. 1 pp.219-224, 2016.
T. Sueoka, S. Torii, Y. Tsuneki, "The Application of Response Control Design using Middle-Story Isolation System to High-Rise Builsing", Proceeding of The 13th World Conference on Earthquake Engineering, 2004.
C. Olah, Understanding LSTM Networks, Available From: http://colah.github.io/posts/2015-08-Understanding-LSTMs (accessed Sep. 20, 2019)
H. S. Kim, J. W. Kang, "Vibration control performance evaluation of hybrid mid-story isolation system for a tall building", Journal of Korean Association for Spatial Structures, Vol. 18, No. 3 pp.37-44, 2018.

원문보기 상세보기
K. Deb, A. Pratap, S. Agrawal, T. Meyarivan, "A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II", Technical Report No. 200001, Kanpur: Indian Institute of Technology Kanpur, India, 2000.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증