공학종합설계 4월29일발표 merged

공학종합설계 - 발표 4.
29(월)
- 인공지능을 활용한 화재건물 구조 예측 시스템
2020143085 서정우
Part 1. 시뮬레이션 결과
Peak: 828°C
Average: 711°C
Peak: 860°C
Average: 349°C
Peak: 830°C
Average: 340°C
Peak: 500~600°C
Average: 약 180°C
Part 2. Beam, Girder
Q460에 대한 실험데이터
- 실험데이터를 바탕으로 비선형 회귀 분석 후 실제 데이터와 오차를 측정
→ 평균 10% 오차 + 특정구간에서는 오차가 거의 0에 수렴
→ 위 비선형 회귀 분석식을 사용하여 부재의 성능을 평가해도 무관하다 판단

약 700도에 2시간 노출되는 부분 약 350도에 2시간 노출되는 부분
→ 그 외 나머지 부분은 보수적으로 200도 정도에 노출된다고 볼 수 있다.

단, 부재의 온도 상승은 조사가 더 필요함(추정치) 빠른 시일 내에 해결할 문제
옆의 그래프를 이용해 함수식을 추정한 자료

700
600
500
400
300
200
100
0
0 1000 2000 3000 4000 5000 6000 7000 8000
약 700도에 2시간 노출되는 부분 Elastic modulus (GPa) Yield Strength(MPa) Ultimate Strength(MPa)
210
205
200
195
190
185
0 1000 2000 3000 4000 5000 6000 7000 8000
Elastic modulus (GPa)
700
600
500
400
300
200
100
0
약 350도에 2시간 노출되는 부분 0 1000 2000 3000 4000 5000 6000 7000 8000
Yield Strength(MPa) Ultimate Strength(MPa)

Part 3. Column
Part 3. Column
Part 3. Column
- 총정리
1. 인공지능 모델 개발
2. Pyrosim을 이용한 학습 및 테스트 데이터 확보
철골
3. OK/NOK 기준을 만들기

- 인공신경망 개발
1. MLP를 이용해서 인공신경망 개발 2. 신경망 호출을 통한 출력
- Input Data 반복문을 이용해 기존에 학습된 인공신경망을 호출

1. 시간 (0s ~ 3600s)
2. 화재 위치
3. 부재 한번에 모든 부재의 OK,NOK 리스트 확보 가능
→ 연구 목적에 부합
- Output Data
1. 기준에 따른 OK or NOK
2. 성능 저감도
3. CNN의 경우 학습시간이 과도함에 철회
- 인공신경망 개발
→ TEST Model
- Pyrosim을 이용한 학습 및 테스트 데이터 확보
총 1000(시간) x 224(부재수) x 32(화재 위치) = 7,168,000개의 데이터 확보 가능
데이터 예시 1
총 1000(시간) x 224(부재수) x 32(화재 위치) = 7,168,000개의 데이터 확보 가능
데이터 예시 2
완료
데이터의 양이 많기 때문에 .csv파일 데이터를 효율적으로 받을 레이아웃이 필요함
시간 위치 부재 저감비율 O/X
INPUT OUTPUT
결론: 총 데이터를 뽑는 시간
- 기존에 추출한 데이터는 개별 부재에 대응되지 않기 때문에 폐기
- 개당 6 시간 , 현재 위치 8개 데이터 추출 , 위치 24개의 데이터가 남음
- 따라서 144시간(6일) + a 해서 약 8일에서 9일 추가로 걸릴 예정 (5/21~22)

- OK/NOK 기준을 만들기
1. 부재 찾기 → SN490B( 37층 )
- 출처 -
2. SN490B를 사용한 논문 찾기
2. SN490B를 사용한 논문 찾기
3. SN490B를 이용한 열해석 → 열적 성질

3. SN490B(600x300)를 이용한 열해석 → 부재의 특정온도에 도달하는 시간 측정위해 → 진행중

4. 결론
부재의 온도가 400도에 도달할 때 항복강도는 급격하게 감소된다.
따라서 아바쿠스를 이용해 어느 시점에 400도에 도달하는 지 파악한 후
그 시점을 NOK로 판단 , 저감 비율 출력
Part 1. MLP Test Model
현재 테스트 모델은 저감도가 아닌 O/X만으로 훈련시킴

Part 1. MLP Architecture – Test Model
Input Layer Hidden Layer Output Layer
Time
Linear Linear
Location Layer ReLU Layer O/X
Member
Part 2. MLP Architecture – Final Model
Input Layer Hidden Layer Output Layer
Time
Yield
Strength
Linear Linear
Location Layer ReLU Layer
Elastic
Modulus
Member
Part 3. 문제 상황 시각화
• 화재 구조물 예측 모델
1. 건물 데이터를 이용한
2. 실시간 구조 반응 예측 인공지능 학습
3. 본 연구 모델을 활용한 구조
→ 앞선 사례와 같이 소방관이 직접 구조할 때 불필요한 인명피해를 줄일 수 있다.
이미지: flaticon.com'. 이 커버는 Flaticon.com의 자료를 사용해 디자인되었습니다

Part 4. 훈련 및 테스트 데이터
Training & Test Data
Time Location Member Yield Strength Elastic Modulus
부재의 내부온도가 필요
Part 5. 내부 온도
→ Internal Temperature을 구하기 위한 열해석 및 유효성을 입증
공기의 대류열전달 및 고온의 이산화탄소에 의한 복사 열전달에 의해 부재로 열이 전달되는 형태
따라서 대류 열전달은 뉴턴의 냉각법칙을 이용, 복사 열전달은 슈테판 볼츠만 법칙을 이용
∆𝒕 𝒉𝑨 𝑻∞ − 𝑻𝒔 + 𝝈𝜺𝑨 𝑻𝟒∞ − 𝑻𝟒𝒔

𝑻𝒔,𝒏𝒆𝒘 = 𝑻𝒔,𝒐𝒍𝒅 +
𝒎𝒄
ε ∶ 이산화탄소의 방사율 (0.284) Ts ∶ 부재의 온도

h ∶ 대류열전달 계수 A ∶ 부재의 표면적
σ ∶ 슈테판 볼츠만 상수 𝑐 ∶ 비열
→ 유효성 입증
이용한 열해석 프로그램, Simscale , 오픈 프로그램
해당 식을 이용한 부재의 온도 측정
시간(s) 외부온도(°C) 부재의 온도(°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

→ 전제 (SN490B)
500mm
→ 10s
시간 외부온도 부재의 온도
(s) (°C) (°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

→ 50s
(s) (°C) (°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

→ 60s
(s) (°C) (°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

→ 80s
(s) (°C) (°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

→ 100s
(s) (°C) (°C)
11 39 20.79639
50 928 330.4592
60 977 424.6293
80 974 581.4684
100 862 662.9293

Part 6. 현재상황
Pandas를 이용해서 1,889,896개의 데이터 정리

Part 6. 현재상황
이전에 언급한 비선형회귀 방정식을
내부 온도가 구해질 때 바로 대입해서
각 부재의 시간에 따른 항복 강도, 탄성계수를

구할 수 있다.
부재 넘버가 바뀔때 마다 온도를 20도로 초기화 해야 하는데,

Pandas를 이용하면 엑셀 수식이 날라가는 문제가 있어서
Openpyxl을 이용하는 방법 또는 236번 하나하나 진행하는 방법

공학종합설계 4월29일발표 merged

Uploaded by

Copyright:

Available Formats

You might also like

공학종합설계 4월29일발표 merged

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

공학종합설계 4월29일발표 merged

Uploaded by

Copyright:

Available Formats

공학종합설계 - 발표 4.

- 실험데이터를 바탕으로 비선형 회귀 분석 후 실제 데이터와 오차를 측정

→ 평균 10% 오차 + 특정구간에서는 오차가 거의 0에 수렴

→ 위 비선형 회귀 분석식을 사용하여 부재의 성능을 평가해도 무관하다 판단

약 700도에 2시간 노출되는 부분 약 350도에 2시간 노출되는 부분

→ 그 외 나머지 부분은 보수적으로 200도 정도에 노출된다고 볼 수 있다.

단, 부재의 온도 상승은 조사가 더 필요함(추정치) 빠른 시일 내에 해결할 문제

옆의 그래프를 이용해 함수식을 추정한 자료

Elastic modulus (GPa)

Yield Strength(MPa) Ultimate Strength(MPa)

2. Pyrosim을 이용한 학습 및 테스트 데이터 확보

3. OK/NOK 기준을 만들기

1. MLP를 이용해서 인공신경망 개발 2. 신경망 호출을 통한 출력

- Input Data 반복문을 이용해 기존에 학습된 인공신경망을 호출

총 1000(시간) x 224(부재수) x 32(화재 위치) = 7,168,000개의 데이터 확보 가능

총 1000(시간) x 224(부재수) x 32(화재 위치) = 7,168,000개의 데이터 확보 가능

데이터의 양이 많기 때문에 .csv파일 데이터를 효율적으로 받을 레이아웃이 필요함

- 기존에 추출한 데이터는 개별 부재에 대응되지 않기 때문에 폐기

- 개당 6 시간 , 현재 위치 8개 데이터 추출 , 위치 24개의 데이터가 남음

- 따라서 144시간(6일) + a 해서 약 8일에서 9일 추가로 걸릴 예정 (5/21~22)

3. SN490B를 이용한 열해석 → 열적 성질

3. SN490B(600x300)를 이용한 열해석 → 부재의 특정온도에 도달하는 시간 측정위해 → 진행중

부재의 온도가 400도에 도달할 때 항복강도는 급격하게 감소된다.

따라서 아바쿠스를 이용해 어느 시점에 400도에 도달하는 지 파악한 후

현재 테스트 모델은 저감도가 아닌 O/X만으로 훈련시킴

Input Layer Hidden Layer Output Layer

Input Layer Hidden Layer Output Layer

→ 앞선 사례와 같이 소방관이 직접 구조할 때 불필요한 인명피해를 줄일 수 있다.

이미지: flaticon.com'. 이 커버는 Flaticon.com의 자료를 사용해 디자인되었습니다

Training & Test Data

Time Location Member Yield Strength Elastic Modulus

→ Internal Temperature을 구하기 위한 열해석 및 유효성을 입증

공기의 대류열전달 및 고온의 이산화탄소에 의한 복사 열전달에 의해 부재로 열이 전달되는 형태

따라서 대류 열전달은 뉴턴의 냉각법칙을 이용, 복사 열전달은 슈테판 볼츠만 법칙을 이용

∆𝒕 𝒉𝑨 𝑻∞ − 𝑻𝒔 + 𝝈𝜺𝑨 𝑻𝟒∞ − 𝑻𝟒𝒔

ε ∶ 이산화탄소의 방사율 (0.284) Ts ∶ 부재의 온도

이용한 열해석 프로그램, Simscale , 오픈 프로그램

100 862 662.9293

100 862 662.9293

100 862 662.9293

100 862 662.9293

100 862 662.9293

100 862 662.9293

Pandas를 이용해서 1,889,896개의 데이터 정리

이전에 언급한 비선형회귀 방정식을

내부 온도가 구해질 때 바로 대입해서

각 부재의 시간에 따른 항복 강도, 탄성계수를

부재 넘버가 바뀔때 마다 온도를 20도로 초기화 해야 하는데,

You might also like