공학종합설계

- 인공지능을 활용한 화재 구조물 반응 예측

5.13 ( 월 ) 발표

2020143085 서정우
- 총정리

1. 인공지능 모델 개발

2. Pyrosim 을 이용한 학습 및 테스트 데이터 확보

철골

3. OK/NOK 기준을 만들기

- 인공신경망 개발

1. MLP 를 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. CNN 의 경우 학습시간이 과도함에 철회
- 인공신경망 개발

 TEST Model
- Pyrosim 을 이용한 학습 및 테스트 데이터 확보

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

데이터 예시 1
- Pyrosim 을 이용한 학습 및 테스트 데이터 확보

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

데이터 예시 2
- Pyrosim 을 이용한 학습 및 테스트 데이터 확보

완료
- Pyrosim 을 이용한 학습 및 테스트 데이터 확보

데이터의 양이 많기 때문에 .csv 파일 데이터를 효율적으로 받을 레이아웃이 필요함

시간 위치 부재 저감비율 O/X

INPUT OUTPUT
- Pyrosim 을 이용한 학습 및 테스트 데이터 확보

결론 : 총 데이터를 뽑는 시간

- 기존에 추출한 데이터는 개별 부재에 대응되지 않기 때문에 폐기

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

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

- OK/NOK 기준을 만들기

1. 부재 찾기  SN490B( 37 층 )

- 출처 -
- OK/NOK 기준을 만들기

2. SN490B 를 사용한 논문 찾기
- OK/NOK 기준을 만들기

2. SN490B 를 사용한 논문 찾기
- OK/NOK 기준을 만들기

3. SN490B 를 이용한 열해석  열적 성질

- OK/NOK 기준을 만들기

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

- OK/NOK 기준을 만들기

4. 결론

부재의 온도가 400 도에 도달할 때 항복강도는 급격하게 감소된다 .

따라서 아바쿠스를 이용해 어느 시점에 400 도에 도달하는 지 파악한 후

그 시점을 NOK 로 판단 , 저감 비율 출력