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
- 김영수
- 발행연도
- 2021
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수16
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
최근 콘크리트 구조물의 고성능화, 대형화, 고층화됨에 따라 건축 분야에서 고유동 콘크리트의 사용량이 매년 증가하고 있다. 고유동 콘크리트는 굳지 않은 상태에서 재료분리 없이 높은 유동성을 가지기 때문에 펌프 압송이 불필요하고, 거푸집 내 모든 부위를 진동다짐기 없이 자체 유동만으로 채워져 초고층 건물 타설에 많이 쓰이고 있다. 하지만 고유동 콘크리트는 혼화재, 물, 골재, 고성능 감수제 등으로 구성된 복합체로써 구성 재료들 간의 작은 변화에도 매우 민감하게 반응하여 투입되는 재료의 양이 미세하게 달라지면 강도 및 유동성의 변동이 커진다. 배합설계 시 다수의 시험배합을 거치기 때문에 상당한 시간과 경비가 소요된다.
기존 연구에서는 이러한 문제점을 해결하기 위해 회귀분석을 통해 예측 식을 사용하여 배합설계를 도출하기 위한 연구가 진행하였으나, 입력 자료가 부족하면 올바른 회귀모델을 구축하기 어려운 점과 주어진 자료들 간의 상관성이 적음에도 변수들의 관련성을 확인해야 한다는 한계점을 가지고 있다. 퍼지이론은 각 대상이 어떤 모임에 속한다. 또는 속하지 않는다는 이진법 논리로부터 벗어나 수학적으로 표현이 가능하며, 임의성과 주관성 분석 등으로 결과를 해석하는데 한계를 지니고 있어 정확한 수치화가 필요한 고유동 콘크리트 배합에 적용하는데 어려움이 있다.
그에 비해 신경망 이론(Neural Network Theory)을 적용하면 종합적인 판단을 바탕으로 입·출력변수들을 반복 학습시켜 출력변수의 예측률을 높일 수 있을 것으로 판단된다. 그리고 신경망 이론은 기존의 회귀분석에 비해 수학적 제약이 적고 원하는 요구 성능을 설정하면 자동으로 최적화된 값을 도출해, 정확한 배합 인자와 압축강도의 예측으로 고유동 콘크리트의 배합안을 얻기 위해 소요되는 막대한 노력과 비용을 절감할 수 있을 것이라 예상된다.
기존 연구에서는 이러한 문제점을 해결하기 위해 회귀분석을 통해 예측 식을 사용하여 배합설계를 도출하기 위한 연구가 진행하였으나, 입력 자료가 부족하면 올바른 회귀모델을 구축하기 어려운 점과 주어진 자료들 간의 상관성이 적음에도 변수들의 관련성을 확인해야 한다는 한계점을 가지고 있다. 퍼지이론은 각 대상이 어떤 모임에 속한다. 또는 속하지 않는다는 이진법 논리로부터 벗어나 수학적으로 표현이 가능하며, 임의성과 주관성 분석 등으로 결과를 해석하는데 한계를 지니고 있어 정확한 수치화가 필요한 고유동 콘크리트 배합에 적용하는데 어려움이 있다.
그에 비해 신경망 이론(Neural Network Theory)을 적용하면 종합적인 판단을 바탕으로 입·출력변수들을 반복 학습시켜 출력변수의 예측률을 높일 수 있을 것으로 판단된다. 그리고 신경망 이론은 기존의 회귀분석에 비해 수학적 제약이 적고 원하는 요구 성능을 설정하면 자동으로 최적화된 값을 도출해, 정확한 배합 인자와 압축강도의 예측으로 고유동 콘크리트의 배합안을 얻기 위해 소요되는 막대한 노력과 비용을 절감할 수 있을 것이라 예상된다.
목차
1. 서론 11.1 연구배경 및 목적 11.2 기존연구의 동향 21.3 연구내용 및 방법 32. 신경망 이론에 대한 예비적 고찰 52.1 정의 52.1.1 인공지능 52.1.2 머신러닝 62.1.3 딥러닝 62.2 역사적 배경 62.3 구성요소 72.3.1 시그모이드 함수 72.3.2 연결 강도 82.3.3 학습률과 학습 횟수 82.4 모델링 92.4.1 신경망의 구조 92.4.2 오류 역전파 알고리즘 92.4.3 활성화 함수 103. 배합설계를 위한 모델링 113.1 개요 113.2 신경망 모델링 방법 113.3 입력변수 및 출력변수의 결정 133.4 자료수집 153.5 배합설계 모델 최적화 223.5.1 최적 신경망 구조 223.5.2 연결 강도의 결정 323.6 학습 검증 354. 모델 검증 374.1 개요 374.2 검증실험 374.2.1 시험체 제작 및 양생 374.2.2 사용재료 384.2.3 시험방법 404.3 결과 및 분석 415. 결론 46참고문헌 47부록 51Abstract 55
최근 본 자료
댓글(0)
0