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
- 하승현
- 발행연도
- 2021
- 저작권
- 한국해양대학교 논문은 저작권에 의해 보호받습니다.
이용수10
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 논문에서는 전산구조해석 데이터를 기반으로 인공신경망을 활용하여 헬리데크에 대한 손상 추정 기법을 제안한다. 신경망은 헬리데크의 손상 및 비손상 상태의 동적 응답 특성에 대한 패턴 인식을 위해 구성된다. 헬리데크의 트러스 및 서포트 부재의 손상만이 고려되었으며, 해당 부재들에 대해서 연결 절점을 공유하는 부재들을 하나의 부분으로 그룹화 하였다. 그리고 손상은 동일한 그룹에 속한 모든 부재의 탄성 계수 감소로 구현하였다. 학습 모델의 성능을 높이기 위해 손상 그룹에 대해 개별적으로 인공신경망을 구성하였다. 손상 그룹 및 손상 정도를 무작위로 부여된 손상 시나리오를 생성하였으며, 전체 손상 시나리오를 사용 목적에 따라 학습, 유효성 검사, 검증 세트로 분리하였다. 인공신경망의 수렴 조건을 설정하여 학습을 수행하였으며, 최종적으로 검증 시나리오에 대한 인공신경망의 예측 값과 실제 값을 비교하였다. 그 결과 제시된 인공신경망이 손상 그룹과 손상 정도를 높은 정확도로 예측하는 것을 확인하였다.
목차
1. 서 론 12. 구조 건전성 평가 기법 42.1 고유진동수의 변화를 이용한 기법 42.2 감쇠의 변화를 이용한 기법 62.3 모드형상 변화를 이용한 기법 62.4 모드형상의 곡률 변화를 이용한 기법 83. 인공신경망 103.1 발전 과정 103.1.1 인공신경망(Artificial Neural Network) 103.1.2 퍼셉트론(Perceptron) 103.1.3 다층 퍼셉트론(Multi-Layer Perceptron) 113.1.4 역전파 알고리듬(Backpropagation Algorithm) 123.2 기법 133.2.1 지도 학습(Supervised Learning) 133.2.2 비지도 학습(Unsupervised Learning) 133.2.3 강화 학습(Reinforcement Learning) 143.3 인공신경망 구성 요소 153.3.1 활성화 함수(Activation Function) 153.3.2 손실 함수(Loss Function) 193.3.3 최적화기(Optimizer) 204. 연구 방법 234.1 헬리데크 모델 정의 234.2 헬리데크 손상 정의 및 데이터 생성 264.3 손상 시나리오 구성 284.4 손상 그룹 별 독립 학습 전략 314.5 인공 신경망 구성 324.6 학습 조건 및 과정 334.6.1 학습 조건 334.6.2 학습 과정 345. 결과 및 결론 365.1 손상 시나리오 검증 365.1.1 Case A 365.1.2 Case B 385.1.3 Other cases 395.2 회귀 그래프 및 결정 계수 415.3 결론 45
최근 본 자료
댓글(0)
0