http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이병식(Byung-Sik Lee) 한국산학기술학회 2021 한국산학기술학회논문지 Vol.22 No.10
이론적, 경험적 방법으로 예측한 말뚝지지력은 현장 재하시험을 통해 신뢰도를 검증해야 한다. 하지만 일반적으로 말뚝재하시험은 비용이 많이 소요되므로 시험횟수에 제약이 따른다. 최근에는 말뚝지지력 예측의 보조수단으로서 머신러닝이나 딥러닝 등 인공지능 모델을 이용한 연구가 수행되고 있다. 인공지능 알고리즘, 개발플랫폼과 하드웨어, 데이터 등의 매우 빠른 변화와 발전을 감안하면 보다 명확하고 타당한 모델의 개발과 적용 가능성은 무한하다. 이 연구에서는 다음의 목적으로 말뚝 지지력 추정을 위한 선형회귀 및 결정트리 알고리즘에 기반한 앙상블 머신러닝 모델들의 적용성을 평가하였다. 1) 오픈소스 파이선 플랫폼, 구글코랩, 쥬피터노트북 등 인공지능모델 개발을 위한 최신 개발 환경구축, 2) 말뚝지지력 예측을 위한 머신러닝 모델의 평가, 3) 말뚝기초 인공지능 모델 개발을 위한 기존 말뚝재하시험 데이터베이스 검토 및 활용, 4) 향후 말뚝기초의 침하, 하중-변위 추정까지 모델을 확장하기 위한 기반연구로서 수행하였다. 검토한 머신러닝모델들은 검증데이터셋트에 대해서 결정계수 0.5 이상의 점수로 말뚝지지력을 예측할 수 있는 것으로 평가되었다. 앙상블모델 중 말뚝지지력 예측 적합성이 높은 모델로서 그라디언트부스팅과 XG 부스팅 모델의 적용을 제안하였다. 향후 연구로서 과적합의 효율적 배제 방안, 적정한 하이퍼파라미터 결정, 추가 데이터 축적 등의 문제를 제안할 수 있었다. Field pile load tests are essential to ensure the reliability of pile capacities determined using theoretical and empirical methods. However, the number of such tests is generally restricted due to their high cost. Recently, artificial intelligence (AI) models involving machine learning and deep learning are being developed as supplemental methods to estimate pile capacities. Clearer and more reliable models need to be developed on an ongoing basis, considering the rapid evolution of artificial intelligence algorithms, hardware and developing platforms, and data. The applicability of machine learning models using linear regression and decision tree ensemble algorithms to estimate pile bearing capacities were evaluated in this study for the following purposes: 1) building up the environment for developing artificial intelligence models, such as the open-source Python platform, Google Colab, Jupyter Notebook, etc., 2) evaluation of machine learning models for estimating a pile load capacity, 3) reviewing and utilizing the existing pile load test databases for developing AI models of pile foundations, 4) conducting base studies for the future extension of models for the estimation of the settlement and load-displacement of piles. The investigated machine learning models were found to estimate pile load capacities with scores in terms of the coefficient of determinant over 0.5. The most appropriate ensemble models for the pile load estimation were the gradient boosting and XB boosting models. Further studies could include subjects such as eliminating overfitting, deciding on the proper hyperparameters, and accumulating additional data.
강우유출수 침투필터의 폐색 예측을 위한 딥러닝 모델 개발
이병식(Byung-Sik Lee) 한국산학기술학회 2021 한국산학기술학회논문지 Vol.22 No.9
필터폐색은 강우유출수 침투시설 기능저하의 주된 요인이다. 침투시설의 수명예측과 효율적인 유지관리를 위해서는 폐색도의 명확한 예측이 필수적으로 요구된다. 폐색현상을 조사하기 위한 시험연구들이 꾸준히 수행되어 왔다. 시험연구 결과에 근거하여 폐색예측을 위한 시험모델들이 제안되어 왔다. 시험모델 개발에는 적지 않은 시간과 비용이 소요된다. 따라서 시험모델을 보완하기 위해 다양한 이론모델의 적용이 시도되었다. 하지만 제안된 이론모델을 적용함에 있어서 문제점이 상존한다. 일반적으로 결정하기 힘든 많은 수의 자료 입력이 요구된다. 또한 많은 경우에 얻은 결과의 신뢰도도 낮다. 최근에는 여러 분야에서 기존 이론모델을 대체하는 데이터 기반 모델 개발을 위해 딥러닝 기법을 적용하고 있다. 개발된 딥러닝 모델들은 기존 이론모델의 단점을 보완할 수 있을 것으로 기대된다. 이 논문에서는 장단기기억순환신경망(LSTM-RNN : Long Short Term Memory - Recurrent Neural Network)을 이용하여 강우유출수 침투시설의 폐색을 추정하는 모델을 개발하였다. 침투시험 결과에 대한 훈련 및 검증을 통해 개발된 모델의 실용 가능성을 실증하였다. 결과에 근거하여 폐색 데이터 축적과 적용성이 기대되는 딥러닝 기법을 필터폐색 모델에 적용하기 위한 지속적인 연구를 제안할 수 있었다. Filter clogging is a major problem resulting in the failure of a stormwater infiltration system. Definite knowledge about the degree of clogging is essential to plan effective maintenance and estimate the lifespan of the facility. Experimental studies have been conducted continuously to investigate clogging phenomena. Based on experiment results, experimental models to estimate clogging have been suggested. A relatively long period and high cost are required to develop experimental models. Thus, the applications of various theoretical models have been attempted to supplement experimental models. On the other hand, problems have limited the applications of the suggested theoretical models. A large number of difficult-to-determine inputs are usually required. Therefore, the obtained results are not confident. Deep learning techniques have recently been applied to develop new data-driven models replacing conventional models in various fields. The developed deep learning models are expected to exclude the shortcomings of theoretical models. The LSTM-RNN (Long Short Term Memory-Recurrent Neural Network) model was developed to estimate the clogging of stormwater infiltration systems. The applicability of the model was validated by implementing the model train and evaluation by the experimental infiltration test results. As a result, ongoing studies could be suggested to accumulate clogging data and apply promising deep learning algorithms to clogging models.
給排氣口의 形狀과 汚染物發生位置가 換氣效果에 미치는 影響에 관한 硏究
이병식(Byung-Sik Lee) 산업기술교육훈련학회 2011 산업기술연구논문지 (JITR) Vol.16 No.4
This study described on that how to decide effective ventilation plan in the indoor place where contains air pollution source. Then it mentioned indoor air current and transferring of contaminant. We considered and compared the results of experiment with computational fluid dynamics numerical analysis. The experiment has the same geometric structure and boundary conditions of numerical analysis. We measured flow velocity and concentration distribution in indoor place. Both results of the experiment and numerical analysis showed similar output. If the same diameter of admission and exhaust mechanism, the shape of admission and exhaust mechanism influences on flow distribution of indoor air current and concentration distribution of contaminant but the shape of exhaust mechanism does not affect them. If the contaminant occurred in center of inside room, it has more influenced than other position, So shape of admission mechanism must be considered properly shape of admission mechanism. The shape of admission and exhaust mechanism have excellent ventilation function with aspect ratio of 4 without air pollution occurring position. Also, the left side ceil admission mechanism has excellent ventilation function without air pollution. Being an admission mechanism under the right wall side bottom, being an exhaust mechanism under the right wall side bottom area evaluated the best position among them without air pollution.