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
- 정종원
- 발행연도
- 2022
- 저작권
- 충북대학교 논문은 저작권에 의해 보호받습니다.
이용수17
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 탄소중립을 위해 해상풍력발전이 주목받고 있다. 석션 케이슨 기초는 부유식 해양 구조물에 적합한 기본 설계 방법이다. 설계는 주로 유한요소해석을 통해 이루어지며, 석션케이슨 기초의 지지력을 예측하기 위한 다양한 방법이 시도되고 있다. 그러나 딥 러닝을 통한 방법은 시도되지 않는 실정이다. 이에 딥러닝을 이용하여 석션 케이슨의 지지력을 예측하고자 하였다. 본 연구에서는 파라미터 분석 및 최적화를 수행하였다. 격자 탐색을 통해 하이퍼파라미터와 네트워크 파라미터에 따른 모델의 성능 변화를 조사하였다. 최적화 과정에서 과적합 문제, 무작위 초기 가중치, 시행착오 방법을 고려하기 위해 베이지안 최적화, 모델 체크포인트 및 조기 종료 기법을 사용하여 반복 학습을 수행하였다. 매개변수 분석 결과 네트워크 파라미터의 수가 특정 범위 내에선 모델 성능이 증가하지만 그 이후에는 성능이 저하된다. 최적화 결과 베이지안 최적화로 검증 모델 RMSE 9.27, 결정 계수 0.9997을 얻었고, 모델 체크포인트와 조기 종료 기법을 이용한 반복 학습을 통해 검증 모델 RMSE 8.88, 결정 계수 0.9998을 얻었다. 파라미터 분석 시 가장 낮은 검증 RMSE는 10.38이었고 최적화 과정을 통해 검증 RMSE가 낮은 모델을 얻었다.
목차
Abstract ⅲ표 차례 ⅴ그림 차례 ⅵ기호 ⅷⅠ. 서 론 11.1 연구 배경 및 내용 11.2 연구 동향 31.3 연구 방법 및 목적 8Ⅱ. 이론적 배경 92.1 석션 케이슨 기초 92.2 인공지능의 공학적 발전 92.2.1 퍼셉트론 102.2.2 다층 퍼셉트론(Multi Layer Perceptron, MLP) 122.2.3 다층 퍼셉트론의 학습 연산 과정 132.3 인공신경망 성능 결정 요소 162.3.1 네트워크 파라미터 162.3.2 하이퍼 파라미터 172.3.2.1 손실 함수 172.3.2.2 활성화 함수 182.3.2.1 가중치 초기화 202.3.2.4 옵티마이저(Optimizer) 222.3.3 과적합 222.4 성능 최적화 방안 232.4.1 베이지안 최적화 252.4.2 조기 종료 기법 262.4.3 모델 체크포인트 기법(Model Checkpoint) 272.4.4 반복학습 272.5 성능 평가 지표 28Ⅲ. 딥러닝 기법 적용 과정 293.1 학습에 활용된 석션 케이슨 기초 데이터 293.2 딥러닝 모델 학습 과정 323.2.1 매개변수 분석 323.2.2 최적화 과정 33Ⅳ. 결과 및 분석 344.1 매개변수 분석 344.2 최적화 결과 434.2.1 베이지안 최적화 결과 434.2.2 반복학습 결과 45Ⅳ. 결 론 48참고문헌 50부록 64감사의 글 68
최근 본 자료
댓글(0)
0