지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 윤홍식
- 발행연도
- 2018
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수39
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 국내 산사태 발생 데이터를 기반으로 시뮬레이션 모델을 머신러닝 기법을 통해 학습시켜 산사태의 토석류 흐름을 재현하는 알고리즘에 대한 연구이다.
우리나라는 국토의 70% 이상이 산지로 구성되어 있고 장마철 집중호우 및 태풍의 영향권에 놓이는 지리적 특성상 산사태로 인한 자연재난의 위험에 노출되어 있다. 이에 대한 기존의 산사태 연구는 통계적 분석을 통한 산사태 발생지역 예측에 대한 연구와 물리학적 계산을 통한 산사태 피해범위 예측에 대한 연구가 주를 이루고 있는 것으로 파악된다. 그러나 이러한 연구는 측정이 난해한 변수 및 하이퍼 파라메터가 분석 및 계산에 영향을 미치기 때문에 한계가 있다고 판단된다.
따라서 본 연구에서는 산사태 발생지역의 데이터를 바탕으로 시뮬레이션 모델을 설계하고 이를 머신러닝 기법을 통하여 학습시킴으로써 사용자 지정변수 및 하이퍼 파라메터의 사용을 최소화하여 산사태 시뮬레이션을 구현하는 것을 목표로 한다.
본 연구에서는 입력 데이터와 목표 결과 값 간의 연산을 통해서 프로그램을 도출 해내는 형태로 연구를 진행하여 입력데이터와 프로그램간의 연산을 통하여 결과가 출력되는 전통적인 프로그래밍의 형태가 아닌 입력 데이터와 목표 결과 값 간의 연산을 통해서 프로그램을 도출 해내는 형태로 연구를 진행하여 산사태 발생 이전 데이터와 산사태 발생 이후 데이터 간의 대한 연산을 통해서 산사태 시뮬레이션 모델을 도출하였다.
본 연구는 머신러닝 알고리즘 기반 산사태 시뮬레이션 모델을 설계하고 오픈소스 라이브러리를 통해 시각화된 래스터 공간상에서 이를 구현하는 것을 그 목표로 한다. 본 연구에서 다루는 데이터에는 우면산 북측사면에 포함된 래미안유역을 포함해 신동아아파트 1유역과 2유역이 포함되어 있으며 이 중 신동아 제 2유역의 데이터를 학습 데이터로 선정해 연구를 진행하였다.
학습데이터의 발생부에 에이전트, 즉 연산자를 배치하여 머신러닝 알고리즘을 진행해 보면 데이터로 구성된 환경은 현재의 시간 단위에서 에이전트에 영향을 미치는 환경변수를 상태로 출력된다. 본 연구에서 이에 포함되는 환경 변수로는 DEM데이터와 임상도 산림입지도를 기반으로 하여 높이, 경사, 곡률, 임상, 경급, 토심 총 6가지 변수가 포함되어 있다. 이러한 변수는 사전에 정의된 정책에 따라 가중치가 반영되어 에이전트에 입력되고 현재의 시간 단위에서 취할 행동을 선택한다. 이러한 에이전트의 행동에는 방향, 가속도, 확산범위, 깊이 네 가지 요소가 포함되어 있다. 선택한 행동에 따라 에이전트는 재배치되며 환경은 재배치된 에이전트에 적합한 환경변수를 상태로 출력하고 행동에 대한 평가 역시 보상치로 출력한다.
본 연구에서 이러한 평가는 에이전트가 취한 행동이 환경 변수 안에 포함된 실제 산사태 발생 결과 데이터와 얼마만큼의 유사도를 갖는지에 따라 이루어지게 된다. 보상치에 대한 출력이 완료되면 알고리즘은 다음 시간 단위로 넘어가고 앞선 단계의 수행을 반복하여 알고리즘을 진행해 나아간다. 알고리즘이 종료되면 각 시간단위에서 출력되는 보상은 누적 연산되어 진행된 알고리즘에 총괄 변수로 작용하는 사전 정의된 정책에 대한 평가가 이루어지게 되며 이러한 평가는 시각적으로 구현된 인디케이터를 통하여 확인할 수 있다.
우리나라는 국토의 70% 이상이 산지로 구성되어 있고 장마철 집중호우 및 태풍의 영향권에 놓이는 지리적 특성상 산사태로 인한 자연재난의 위험에 노출되어 있다. 이에 대한 기존의 산사태 연구는 통계적 분석을 통한 산사태 발생지역 예측에 대한 연구와 물리학적 계산을 통한 산사태 피해범위 예측에 대한 연구가 주를 이루고 있는 것으로 파악된다. 그러나 이러한 연구는 측정이 난해한 변수 및 하이퍼 파라메터가 분석 및 계산에 영향을 미치기 때문에 한계가 있다고 판단된다.
따라서 본 연구에서는 산사태 발생지역의 데이터를 바탕으로 시뮬레이션 모델을 설계하고 이를 머신러닝 기법을 통하여 학습시킴으로써 사용자 지정변수 및 하이퍼 파라메터의 사용을 최소화하여 산사태 시뮬레이션을 구현하는 것을 목표로 한다.
본 연구에서는 입력 데이터와 목표 결과 값 간의 연산을 통해서 프로그램을 도출 해내는 형태로 연구를 진행하여 입력데이터와 프로그램간의 연산을 통하여 결과가 출력되는 전통적인 프로그래밍의 형태가 아닌 입력 데이터와 목표 결과 값 간의 연산을 통해서 프로그램을 도출 해내는 형태로 연구를 진행하여 산사태 발생 이전 데이터와 산사태 발생 이후 데이터 간의 대한 연산을 통해서 산사태 시뮬레이션 모델을 도출하였다.
본 연구는 머신러닝 알고리즘 기반 산사태 시뮬레이션 모델을 설계하고 오픈소스 라이브러리를 통해 시각화된 래스터 공간상에서 이를 구현하는 것을 그 목표로 한다. 본 연구에서 다루는 데이터에는 우면산 북측사면에 포함된 래미안유역을 포함해 신동아아파트 1유역과 2유역이 포함되어 있으며 이 중 신동아 제 2유역의 데이터를 학습 데이터로 선정해 연구를 진행하였다.
학습데이터의 발생부에 에이전트, 즉 연산자를 배치하여 머신러닝 알고리즘을 진행해 보면 데이터로 구성된 환경은 현재의 시간 단위에서 에이전트에 영향을 미치는 환경변수를 상태로 출력된다. 본 연구에서 이에 포함되는 환경 변수로는 DEM데이터와 임상도 산림입지도를 기반으로 하여 높이, 경사, 곡률, 임상, 경급, 토심 총 6가지 변수가 포함되어 있다. 이러한 변수는 사전에 정의된 정책에 따라 가중치가 반영되어 에이전트에 입력되고 현재의 시간 단위에서 취할 행동을 선택한다. 이러한 에이전트의 행동에는 방향, 가속도, 확산범위, 깊이 네 가지 요소가 포함되어 있다. 선택한 행동에 따라 에이전트는 재배치되며 환경은 재배치된 에이전트에 적합한 환경변수를 상태로 출력하고 행동에 대한 평가 역시 보상치로 출력한다.
본 연구에서 이러한 평가는 에이전트가 취한 행동이 환경 변수 안에 포함된 실제 산사태 발생 결과 데이터와 얼마만큼의 유사도를 갖는지에 따라 이루어지게 된다. 보상치에 대한 출력이 완료되면 알고리즘은 다음 시간 단위로 넘어가고 앞선 단계의 수행을 반복하여 알고리즘을 진행해 나아간다. 알고리즘이 종료되면 각 시간단위에서 출력되는 보상은 누적 연산되어 진행된 알고리즘에 총괄 변수로 작용하는 사전 정의된 정책에 대한 평가가 이루어지게 되며 이러한 평가는 시각적으로 구현된 인디케이터를 통하여 확인할 수 있다.
목차
목차제1장 서 론 ····································································································· 11.1 연구의 배경 및 목적 ··················································································· 11.2 연구의 범위 및 방법 ··················································································· 21.2.1 연구의 범위 ··························································································· 21.2.2 연구방법 ································································································ 5제2장 이론적 배경 ······························································································ 82.1 강화학습 ····································································································· 82.2 탐색 알고리즘 ··························································································· 11제3장 시뮬레이션 모델 설계 ············································································ 163.1 시뮬레이션 모델 설계 ··············································································· 16제4장 산사태 시뮬레이션 구현 ········································································ 224.1 학습 모델을 통한 산사태 시뮬레이션 정책 선정 ······································· 224.2 구축된 시뮬레이션의 예측모델로서의 활용성 ············································ 25제5장 결 론 ···································································································· 295.1 결 론 ····································································································· 29
최근 본 자료
댓글(0)
0