$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 인공신경망 기반 상업용 건축물의 화재 피난허용시간 평가
Evaluation on Fire Available Safe Egress Time of Commercial Buildings based on Artificial Neural Network 원문보기

한국구조물진단유지관리공학회 논문집 = Journal of the Korea Institute for Structural Maintenance and Inspection, v.25 no.6, 2021년, pp.111 - 120  

할리오나 (서울시립대학교, 건축공학과 스마트시티융합전공) ,  허인욱 (서울시립대학교, 건축공학과) ,  최승호 (서울시립대학교, 건축공학과) ,  김재현 (서울시립대학교, 건축공학과) ,  김강수 (서울시립대학교, 건축공학과 스마트시티융합전공)

초록
AI-Helper 아이콘AI-Helper

상업용 건축물에서 화재가 발생하는 경우에는 피난경로가 복잡하고 연기 및 화염의 진행방향이 재실자의 피난방향과 비슷하기 때문에 많은 인명피해가 발생하고 있다. 인명피해를 최소화하기 위해서는 건축물에 대한 성능기반 피난설계가 필수적으로 요구된다. 성능기반 피난설계를 건축물에 적용하기 위해서는 각 건축물에 대한 복잡한 화재 시뮬레이션을 필요로 하기 때문에 많은 인력과 시간이 소요된다. 이를 보완하기 위하여, 화재 시뮬레이션을 수행하지 않고도 합리적으로 피난허용시간을 도출할 수 있는 피난허용시간 예측 모델을 개발한다면 매우 유용하게 활용될 수 있을 것이다. 이 연구에서는 상업용 건축물에 대한 화재 시뮬레이션을 수행하여 온도와 가시거리, 온도와 유독가스 농도의 상관관계를 규명하였으며, 이에 대한 데이터베이스를 구축하였다. 또한, 이를 기반으로 피난허용시간을 예측할 수 있는 인공신경망(ANN) 모델을 개발하였다. 제안된 인공신경망 모델이 다른 상업용 건축물에도 적용될 수 있는지를 검토하기 위하여 다른 상업용 건축물에 대한 검증을 수행하였으며, 제안모델은 이 상업용 건축물의 화재 시 피난허용시간을 매우 우수한 정확도로 추정하는 것으로 나타났다.

Abstract AI-Helper 아이콘AI-Helper

When a fire occurs in a commercial building, the evacuation route is complicated and the direction of smoke and flame is similar to that of the egress route of occupants, resulting in many casualties. Performance-based evacuation design for buildings is essential to minimize human casualties. In ord...

Keyword

표/그림 (19)

참고문헌 (30)

  1. Goran, S., Stojan, P., Mitja, R. K., and Marko, P. P. V. (2013), Evacuation model managed through fuzzy logic during an accident in a LNG terminal, Scientific Journals, 36(108), 131-137. 

  2. Shin, D.C. (2014), Development of an Artificial Neural Networks Model for the Required Safety Egress Time of an Office Room, J. Korean Soc. Hazard Mitig, (14), 27-33. 

  3. Oh, H. J., Baek, S. T., Kim, W. S., and Lee, S. K. (2003), A study on the Evacuation Performance Review for the Office Buildings, T. of Korean Institute of Fire Sci. & Eng , (17), 1- 6. 

  4. Park, Y. J., Sung, W. K., and Kim, H. G. (2011), Developing Fire Scenario of High-Rise Buildings, Korean Institute of Fire Science and Engineering , 262-265. 

  5. Han, H. S., Hwang, C. H. (2019), Study on the Available Safe Egress Time (ASET) Considering the Input Parameters and Model Uncertainties in Fire Simulation, Fire Sci. Eng., (33), 112-120. 

  6. Jang, J. S., Kong, I. C., and Rie, D. H. (2019), A Study of Optimal Evacuation Simulation by Artificial Intelligence Evacuation Guidance Application, Journal of the Korean Society of Safety, (28), 118-122. 

  7. Kim, J. H., Joo, S. Y., and Lee, J. J. (2007), An Evaluation on Evacuation Safety in Multiplex Cinema based on Fire & Evacuation Simulation, Korean Institute of architectural sustainable environment and building system , (1), 7-13. 

  8. Nimlyat, P. S., Audu, A. U., Ola-Adisa, E. O., and Gwatau, D. (2017), An evaluation of the fire safety measures in high-rise buildings in Nigeria, Sust. Cities Soc., (35), 774-785. 

  9. Baek, E. S., Baek, G. J., Shin, H., Song, M. J., Kook, Ch., and Kim, S.W. (2010), "A study on the awareness of fire safety and evacuation guide system" J. of Korean Institute of Fire Sci. & Eng. (24), 45-53. 

  10. Stankovi, G., Petelin, S., Vidmar, P., and Perkovi. M., (2018), Impact of LNG Vapor Dispersion on Evacuation Routes inside LNG Terminals, Strojniski Vestn.-J. Mech. Eng. (64), 176-184. 

  11. Popescu, I., Nikitopoulos, D., Constantinou, P., and Nafornita, I. (2006), Comparison of ANN Based Models for Path Loss Prediction in Indoor Environment, IEEE Veh. Technol. 

  12. Saadatseresht, M., Varshosaz, M. (2007), Visibility prediction based on artificial neural networks used in automatic network design, Photogramm. Rec., (22), 336-355. 

  13. Kim, D, E., Kim, Ch, B., Lee, H, J. and Kwon, Y, J., (2012) ,A Relability Analysis on FDS through Full Scaled Fire Experiment of a Sing Fire Area, 한국화재소방학회. 

  14. Kim, H. Yeul., Yoo, Y. H., and Ahn, C. S. (2007), Fire Safety Assessment of Full Scale Construction according to Large Scale Fire Test and Computer Simulation Analysis, Korea Institute for Structural Maintenance and Inspection, (11), 6. 

  15. Kim, J. B., Lee, J. M., and Min, S. H. (2019), Study of the Reliability of the FDS Fire Model by Verification Experiments, J. Korean Soc. Hazard Mitig, (19), No. 1, 197-203. 

  16. McGrattan, K., Simo, H., Randall, M., Jason, F., Craig, W., and Kristopher, O. (2013), Fire Dynamics Simulator - User's Guide; 

  17. McGrattan, K., Hostikka, S., McDermott, R., Floyd J., Weinschenk, C., and Overholt, K. (2016), Fire Dynamics Simulator, Technical Reference Guide, National Institute of Standards and Technology Special Publication 1018-1: Maryland, USA. 

  18. National Institute of Standards and Technology Special Publication 1019: Maryland, USA. 

  19. DiNenno, P. J. (2002), SFPE Handbook of Fire Protection Engineering, National Fire Protection Association: Massachusetts, USA. 

  20. Kim, H. J., David, G. L. (2000), Heat Release Rates of Burning Items in Fires, 38th Aerospace Sciences Meeting & Exhibit . 

  21. NFPA 92B, (2005), Standard for Smoke Management Systems in Malls, Atria and Large Spaces, National Fire Protection Association. 

  22. Buchanan, A. H., Abu, A. K. (2001), Structural Design for Fire Safety. 

  23. Russell, S., Norvig, P. (2010), Artificial Intelligence A Modern Approach. 

  24. Cho, H. Ch., Lee, D. H., Ju, H. J., Kim, K. S., Kim, K. H., and Paulo, J. M. (2015), Monteiro. Remaining Service Life Estimation of Reinforced Concrete Buildings based on Fuzzy Approach, Comput. Concr. (15), 879-902. 

  25. Cho, H. Ch., Lee, D. H., Ju, H. J., Park, H. Ch., Kim, H. Y., and Kim, K.S. (2017), Fire Damage Assessment of Reinforced Concrete Structures Using Fuzzy Theory, Appl. Sci.-Basel, (7), 1-16. 

  26. Kang, H., Cho, H. Ch., Choi, S. H., Heo, I. W., Kim, H. Y., and Kim, K. S. (2019), Estimation of Heating Temperature for Fire-Damaged Concrete Structures Using Adaptive Neuro-Fuzzy Inference System, Materials, (12), 1-17. 

  27. Goodfellow, I., Y. Bengio., A. Courville., (2016), Deep Learning: MIT press. 

  28. Hagan, M. T., Menhaj, M. (1994), Training feedforward networks with the Marquardt algorithm, IEEE Trans. Neural Netw., (5). 

  29. Lee, J. S., Suh, K. D. (2016), Calculation of Stability Number of Tetrapods Using Weight and Biases of ANN Model, J Korean Soc Coast Ocean Eng, (28), 277-283. 

  30. Nielsen, R. H. (1989), Theory of the Backpropagation Neural Network, IEEE IJCNN, 1593-1605. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로