The Optimal Column Grouping Technique for the Compensation of Column Shortening

기둥축소량 보정을 위한 기둥의 최적그루핑기법

  • Received : 2010.09.01
  • Accepted : 2011.01.02
  • Published : 2011.04.30

Abstract

This study presents the optimal grouping technique of columns which groups together columns of similar shortening trends to improve the efficiency of column shortening compensation. Here, Kohonen's self-organizing feature map which can classify patterns of input data by itself with unsupervised learning was used as the optimal grouping algorithm. The Kohonen network applied in this study is composed of two input neurons and variable output neurons, here the number of output neuron is equal to the column groups to be classified. In input neurons the normalized mean and standard deviation of shortening of each columns are inputted and in the output neurons the classified column groups are presented. The applicability of the proposed algorithm was evaluated by applying it to the two buildings where column shortening analyses had already been performed. The proposed algorithm was able to classify columns with similar shortening trends as one group, and from this we were able to ascertain the field-applicability of the proposed algorithm as the optimal grouping of column shortening.

본 논문에서는 기둥축소량 보정의 효율성을 증진시키기 위한 방안으로서 유사한 축소 경향을 보이는 기둥들을 동일 그룹으로 묶는 기둥의 최적그루핑기법에 대하여 연구하였다. 기둥의 최적그루핑은 무감독학습에 의해 입력데이타의 패턴을 스스로 분류할 수 있는 코호넨의 자기조직화 형상지도 알고리즘을 이용하였다. 본 연구에 적용된 코호넨 네트워크는 두 개의 입력뉴런과 분류할 기둥그룹 개수만큼의 출력뉴런으로 구성된다. 입력뉴런에는 기둥축소량의 정규화된 평균과 표준편차가 입력되며, 출력뉴런에는 각 기둥이 속하게 될 기둥그룹이 출력된다. 제안된 알고리즘을 실제 축소량 해석이 수행된 두 개의 건물에 적용하여 그 적용성을 평가하였다. 적용결과 동일 그룹으로 분류된 기둥들은 서로 인접하고 있으며 서로 다른 기둥그룹끼리는 교차하지 않는 등 유사한 축소 경향을 보였다. 이로부터 본 연구의 기둥축소량의 최적그루핑 알고리즘은 충분한 실무적용성이 있음을 확인하였다.

Keywords

References

  1. 김대수 (1998) 신경망 이론과 응용(I), 하이테크정보, 서울, p.364.
  2. 김영민 (2008) 고층건물의 멀티 기둥그룹에 대한 부등기둥축소량의 최적보정기법, 한국전산구조공학회 논문집, 21(2), pp.189-197.
  3. 김영민 (2010) 현장 적용성을 고려한 기둥축소량의 최적보정 시스템 개발, 한국전산구조공학회 논문집, 23(2), pp.189-197.
  4. 마이다스아이티 (2004) 더 샾 스타시티 기둥축소량 계측 및 보정 본해석 보고서, (주)마이다스아이티, p.420.
  5. 마이다스아이티 (2005) 영등포 SK Leader's View 기둥축소량 계측 및 보정 본해석 보고서, (주)마이다스아이티, p.200.
  6. 이상원 (1995) 학습하는 기계 신경망, Ohm사, 서울, p.466.
  7. 이상현 (2007) 비선형 구조물에 대한 수정 슬라이딩모드 제어 알고리즘 성능 평가, 한국전산구조공학회 논문집, 20(2), pp.147-155.
  8. 조강표, 신성우, 정승환, 조수연 (2007) 고층 건축물의 수평 진동에 대한 거주자의 지각임계가속도, 한국전산구조공학회 논문집, 20(3), pp.371-377.
  9. Chester M. (1993) Neural Networks : a Tutorial, Prentice Hall, Englewood Cliffs, p.182.
  10. Hagan M.T., Demuth H.B., Beale M. (1996) Neural Network Design, PWS Publishing Co., Boston, p.712.
  11. Kohonen T. (1982) Self-Organized Formation of Topologically Correct Feature Maps, Biological Cybernetics, 43, pp.59-69. https://doi.org/10.1007/BF00337288
  12. Park H.S. (2003) Optimal Compensation of Differential Column Shortening in High-Rise Buildings, The Structural Design of Tall and Special Buildings, 12(1), pp.49-66. https://doi.org/10.1002/tal.212