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
- 주영규
- 발행연도
- 2022
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수23
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
4차산업혁명이 발전하면서 다양한 산업 분야에 영향을 미치고 있다. 4차산업혁명의 주요 기술 중 빅데이터와 인공지능은 빠르게 발전하였으며, 새로운 전환점을 맞이하게 되었다. 구조 안전 점검 분야에서는 구조 측정 장비의 발전과 구조 공학과 인공지능 컴퓨터 공학의 융합 학문 분야의 출현으로 빌딩포렌식 기술의 개념이 나타났다.
콘크리크 균열은 구조물의 안전을 위협할 뿐만 아니라 구조물의 붕괴까지 초래할 수 있으므로 콘크리트 균열 조사는 필수적으로 시행해야 한다. 본 연구에서 열화상 이미지로부터 추출한 온도와, 대기 온도, 대기 온도, 조도의 환경변수를 분석하여 콘크리트 균열 깊이 평가 기법을 제시하였다. 환경변수 측정과 콘크리트 균열 모사실험체를 촬영하여 얻은 데이터의 신뢰성을 검증하였다. 모든 취득된 특성의 기초통계량과 변수 간 상관관계를 제시하였다. 콘크리트 균열 깊이를 7개의 머신러닝 모델에 의해 예측하였다: 다층신경망, 의사결정나무, 엑스트라 트리, 랜덤 포레스트, 그래디언트 부스팅, XG부스트, 에이다부스트. 결정계수와 정확도, 평균절대비오차를 통해 7개 모델을 평가하였다. 특성 선택 분석과 차원축소법, 설명 가능한 AI를 이용하여 에이다부스트 모델을 분석하였다. 분석 결과 다음과 같은 결론을 얻었다.
1. 균열 깊이에 따른 균열부 온도와 표면 온도의 차이의 평균값 및 표준편차, 분위수차가 결정계수 0.87 이상의 선형성을 만족하였다. 그중 균열 깊이에 따른 온도 차이의 분위수차가 결정계수 0.9354로 가장 높은 값을 얻었다.
2. 7개의 머신러닝 모델 중 에이다부스트가 가장 높은 성능을 얻었으며, 에이다부스트는 97.70%의 ±1mm 정확도와 0.6%의 평균절대비오차 성능을 확보하였다. 에이다부스트가 높은 성능을 얻기 위하여 최대의사결정깊이 11 이상과 에스티메이터 개수 25개 이상을 요구한다.
3. 특성 선택 기법을 통해 6개의 모든 특성(균열부 온도, 표면 온도, 대기 온도, 대기 습도, 조도, 균열 폭)을 가진 에이다부스트 모델이 가장 높은 성능을 가진다는 것을 검증하였다. 또한, 차원축소법을 활용하여 데이터 편향을 방지하는 모델을 제시하였으며, 개선 모델 중 주성분 분석이 적용된 에이다부스트의 성능이 결정계수 0.9776으로 가장 높았으며 데이터 편향을 방지할 수 있다고 판단하였다.
4. 설명 가능한 AI로써 특성중요도와 부분의존도, 누적국소효과를 에이다부스트에 적용하여 분석하였다. 대기 습도가 에이다부스트에서 불순도를 감소시키는데 가장 높은 영향력을 가졌음을 알 수 있었으며, 부분의존도에서 대기 습도에 따른 콘크리트 균열 깊이 변화의 반비례적인 상관관계를 보여주었다. 반면, 누적국소효과에서는 대기습도에 따른 균열 깊이 예측 변화는 거의 없었고 균열부 온도와 표면 온도에 따른 누적국소효과의 비선형적 변화를 확인할 수 있었다.
콘크리크 균열은 구조물의 안전을 위협할 뿐만 아니라 구조물의 붕괴까지 초래할 수 있으므로 콘크리트 균열 조사는 필수적으로 시행해야 한다. 본 연구에서 열화상 이미지로부터 추출한 온도와, 대기 온도, 대기 온도, 조도의 환경변수를 분석하여 콘크리트 균열 깊이 평가 기법을 제시하였다. 환경변수 측정과 콘크리트 균열 모사실험체를 촬영하여 얻은 데이터의 신뢰성을 검증하였다. 모든 취득된 특성의 기초통계량과 변수 간 상관관계를 제시하였다. 콘크리트 균열 깊이를 7개의 머신러닝 모델에 의해 예측하였다: 다층신경망, 의사결정나무, 엑스트라 트리, 랜덤 포레스트, 그래디언트 부스팅, XG부스트, 에이다부스트. 결정계수와 정확도, 평균절대비오차를 통해 7개 모델을 평가하였다. 특성 선택 분석과 차원축소법, 설명 가능한 AI를 이용하여 에이다부스트 모델을 분석하였다. 분석 결과 다음과 같은 결론을 얻었다.
1. 균열 깊이에 따른 균열부 온도와 표면 온도의 차이의 평균값 및 표준편차, 분위수차가 결정계수 0.87 이상의 선형성을 만족하였다. 그중 균열 깊이에 따른 온도 차이의 분위수차가 결정계수 0.9354로 가장 높은 값을 얻었다.
2. 7개의 머신러닝 모델 중 에이다부스트가 가장 높은 성능을 얻었으며, 에이다부스트는 97.70%의 ±1mm 정확도와 0.6%의 평균절대비오차 성능을 확보하였다. 에이다부스트가 높은 성능을 얻기 위하여 최대의사결정깊이 11 이상과 에스티메이터 개수 25개 이상을 요구한다.
3. 특성 선택 기법을 통해 6개의 모든 특성(균열부 온도, 표면 온도, 대기 온도, 대기 습도, 조도, 균열 폭)을 가진 에이다부스트 모델이 가장 높은 성능을 가진다는 것을 검증하였다. 또한, 차원축소법을 활용하여 데이터 편향을 방지하는 모델을 제시하였으며, 개선 모델 중 주성분 분석이 적용된 에이다부스트의 성능이 결정계수 0.9776으로 가장 높았으며 데이터 편향을 방지할 수 있다고 판단하였다.
4. 설명 가능한 AI로써 특성중요도와 부분의존도, 누적국소효과를 에이다부스트에 적용하여 분석하였다. 대기 습도가 에이다부스트에서 불순도를 감소시키는데 가장 높은 영향력을 가졌음을 알 수 있었으며, 부분의존도에서 대기 습도에 따른 콘크리트 균열 깊이 변화의 반비례적인 상관관계를 보여주었다. 반면, 누적국소효과에서는 대기습도에 따른 균열 깊이 예측 변화는 거의 없었고 균열부 온도와 표면 온도에 따른 누적국소효과의 비선형적 변화를 확인할 수 있었다.
목차
초 록 ⅰ목 차 ⅴ표 목차 ⅷ그림 목차 ⅸ제1장 서론 11.1 연구 배경 11.2 연구 범위 31.3 연구 구성 4제2장 연구 동향 분석 52.1 콘크리트 균열 평가 기법 52.2 적외선 열화상 기법 62.3 머신러닝 활용 균열 점검 82.4 소결 9제3장 콘크리트 균열 평가 예측 방법 113.1 개요 113.2 데이터 구축 실험 123.2.1 실험 계획 123.2.2 실험체 계획 133.2.3 실험체 설치 및 촬영 143.2.4 데이터 구축 실험 결과 153.3 머신러닝 분석 173.3.1 머신러닝 분석 계획 173.3.2 머신러닝 모델 203.3.2.1 다층신경망 203.3.2.2 의사결정나무 213.3.2.3 랜덤 포레스트 223.3.2.4 엑스트라 트리 233.3.2.5 그래디언트 부스팅 243.3.2.6 XG부스트 253.3.2.7 에이다부스트 263.4 소결 27제4장 머신러닝 모델 비교 분석 284.1 개요 284.2 열화상 이미지 및 환경변수 분석 294.2.1 데이터 분포 분석 294.2.2 데이터 신뢰성 분석 364.2.3 선형 상관관계 분석 454.3 모델 비교 분석 결과 484.3.1 결정계수 504.3.2 정확도 524.3.3 평균절대비오차 534.4 머신러닝 검증 544.4.1 의사결정깊이별 비교 544.4.2 에스티메이터 개수별 비교 564.4 소결 58제5장 머신러닝 상세 분석 605.1 개요 605.2 특성 선택 615.2.1 특성 선택 필요성 615.2.2 주성분 분석 625.2.3 재귀적 특성 제거 675.2.4 SelectFromModel 705.3 데이터 편향 735.3.1 데이터 편향 분석 735.3.2 편향 방지 모델 745.3.2.1 주성분 분석 745.3.2.2 특이값 분해 745.3.2.3 독립성분 분석 765.3.3 모델 비교 분석 765.4 머신러닝 구조 분석 805.4.1 특성중요도 805.4.1.1 불순도 감소분 평균 805.4.1.2 순열중요도 825.4.2 비선형 상관관계 분석 835.4.2.1 부분 의존도 835.4.2.2 누적 국소 효과 865.5 소결 88제6장 결론 91참고문헌 93
최근 본 자료
댓글(0)
0