• 한국멀티미디어학회논문지
• /
• 제15권9호
• /
• pp.1156-1164
• /
• 2012

한옥은 단순히 전통건축의 의미를 넘어서 우리 선조들의 삶에 대한 양식과 인식을 담고 있는 지금도 살아 숨 쉬는 문화유산이다. 최근 한옥이 자연친화적 건축으로 주목을 받게 되면서 한옥의 전통적 방식을 훼손하지 않으면서도 건축과정에 효율을 꾀할 수 있는 방안이 모색될 필요가 대두되었다. 이에, 본 논문에서는 건축정보모델링을 기반으로 하는 설계 지원도구를 개발하여 한옥의 설계에서 검증, 생산 공정에 이르는 전 과정을 지원하는 것을 목표로 한다. 이를 위해 먼저, 전통건축의 통시대적 고찰과 한옥의 목구조 방식에 대한 체계적인 분석을 통해 전통건축 설계에 필요한 부재들에 대한 효율적 설계 방식을 제시한다. 논문에서 제안하는 방식은 특성이 비슷한 부재들을 모아서 하나의 템플릿으로 설계하고 다양한 형태의 유사부재들을 속성 값에 따라 자유롭게 생성할 수 있도록 객체지향 방식의 표현기법을 사용하는 것이다. 이 방식은 객체지향 방식의 부재를 표현함에 있어서 연결 부재간의 상관관계를 부재와 부재간의 관련 파라미터들 사이의 결합규칙을 적용함으로써 설계의 오류를 최소화 하도록 지원할 수 있다. 또한 개발된 시스템은 서양건축 설계 위주의 CAD프로그램에 플러그 인 형태로 수행할 수 있기 때문에 전통적인 방식의 한옥설계는 물론 한옥 건축문화를 현대적 생활공간에 쉽게 접목할 있도록 고안되었다.

• 국제학술발표논문집
• /
• The 10th International Conference on Construction Engineering and Project Management
• /
• pp.1322-1322
• /
• 2024

Reinforced concrete (RC) , a major contributor to resource depletion and harmful emissions, fuels research on optimizing its design. Optimizing RC structures is challenging due to the mix of discrete and continuous variables, hindering traditional differentiation-based methods. Thus, this study aims to optimize RC structures cost-effectively using deep reinforcement learning. When the Agent selects design variables, Environment checks design criteria based on KDS 14-20 code (South Korea) and calculates reward. The Agent updates its Neural Network with this reward. Target for optimization is a simply supported doubly RC beam, with design variables including cross-section dimensions, sizes and quantities of tension and compression reinforcement, and size of stirrups. We used 200,000 training sets and 336 test sets, each with live load, dead load, beam length variables. To exclude labeled data, multiple training iterations were conducted. In the initial training, the reward was the ratio of maximum possible cost at beam length to the designed structure's cost. Next iterations used the ratio of optimal values by the previous Agent to the current Agent as the reward. Training ended when the difference between optimal values from the previous and current Agent was within 1% for test data. Brute Force Algorithm was applied to the test set to calculate the actual cost-optimal design for validation. Results showed within 10% difference from actual optimal cost, indicating successful deep reinforcement learning application without labeled data. This study benefits the rapid and accurate calculation of optimized designs and construction processes in Building Information Modeling (BIM) applications.