• International Journal of Naval Architecture and Ocean Engineering
• /
• 제12권1호
• /
• pp.755-767
• /
• 2020

A significant development has been made on a new fatigue damage model applicable to Gaussian wide band stress response spectra using numerical approximation methods such as data processing, time simulation, and regression analysis. So far, most of the alternative approximate models provide slightly underestimated or overestimated damage results compared with the rain-flow counting distribution. A more reliable approximate model that can minimize the damage differences between exact and approximate solutions is required for the practical design of ships and offshore structures. The present paper provides a detailed description of the development process of a new fatigue damage model. Based on the principle of the Gaussian wide band model, this study aims to develop the best approximate fatigue damage model. To obtain highly accurate damage distributions, this study deals with some prominent research findings, i.e., the moment of rain-flow range distribution MRR(n), the special bandwidth parameter μk, the empirical closed form model consisting of four probability density functions, and the correction factor QC. Sequential prerequisite data processes, such as creation of various stress spectra, extraction of stress time history, and the rain-flow counting stress process, are conducted so that these research findings provide much better results. Through comparison studies, the proposed model shows more reliable and accurate damage distributions, very close to those of the rain-flow counting solution. Several significant achievements and findings obtained from this study are suggested. Further work is needed to apply the new developed model to crack growth prediction under a random stress process in view of the engineering critical assessment of offshore structures. The present developed formulation and procedure also need to be extended to non-Gaussian wide band processes.

• Structural Engineering and Mechanics
• /
• 제81권5호
• /
• pp.565-574
• /
• 2022

The infrastructures such as offshore, bridges, power plant, oil and gas piping and aircraft operate in a harsh environment during their service life. Structural integrity of engineering components used in these industries is paramount for the reliability and economics of operation. Two regression models based on the concept of Gaussian process regression (GPR) and Minimax probability machine regression (MPMR) were developed to predict stress intensity factor range (𝚫K). Both GPR and MPMR are in the frame work of probability distribution. Models were developed by using the fatigue crack growth data in MATLAB by appropriately modifying the tools. Fatigue crack growth experiments were carried out on Eccentrically-loaded Single Edge notch Tension (ESE(T)) specimens made of API 5L X65 Grade steel in inert and corrosive environments (2.0% and 3.5% NaCl). The experiments were carried out under constant amplitude cyclic loading with a stress ratio of 0.1 and 5.0 Hz frequency (inert environment), 0.5 Hz frequency (corrosive environment). Crack growth rate (da/dN) and stress intensity factor range (𝚫K) values were evaluated at incremental values of loading cycle and crack length. About 70 to 75% of the data has been used for training and the remaining for validation of the models. It is observed that the predicted SIF range is in good agreement with the corresponding experimental observations. Further, the performance of the models was assessed with several statistical parameters, namely, Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Coefficient of Efficiency (E), Root Mean Square Error to Observation's Standard Deviation Ratio (RSR), Normalized Mean Bias Error (NMBE), Performance Index (ρ) and Variance Account Factor (VAF).

• 정보보호학회논문지
• /
• 제28권3호
• /
• pp.617-623
• /
• 2018

본 연구는 안드로이드 정적분석을 기반으로 추출된 AndroidManifest 권한 특징을 통해 악성코드를 탐지하고자 한다. 특징들은 AndroidManifest의 권한을 기반으로 분석에 대한 자원과 시간을 줄였다. 악성코드 탐지 모델은 1500개의 정상어플리케이션과 500개의 악성코드들을 학습한 SVM(support vector machine), NB(Naive Bayes), GBC(Gradient Boosting Classifier), Logistic Regression 모델로 구성하여 98%의 탐지율을 기록했다. 또한, 악성앱 패밀리 식별은 알고리즘 SVM과 GPC (Gaussian Process Classifier), GBC를 이용하여 multi-classifiers모델을 구현하였다. 학습된 패밀리 식별 머신러닝 모델은 악성코드패밀리를 92% 분류했다.

• Geomechanics and Engineering
• /
• 제28권3호
• /
• pp.313-324
• /
• 2022

Rock properties are important in the design of mines and civil engineering excavations to prevent the imminent failure of slopes and collapse of underground excavations. However, the time, cost, and expertise required to perform experiments to determine those properties are high. Therefore, empirical models have been developed for estimating the mechanical properties of rock that are difficult to determine experimentally from properties that are less difficult to measure. However, the inherent variability in rock properties makes the accurate performance of the empirical models unrealistic and therefore necessitate the use of soft computing models. In this study, Gaussian process regression (GPR), artificial neural network (ANN) and response surface method (RSM) have been proposed to predict the static and dynamic rock properties from the P-wave and rock density. The outcome of the study showed that GPR produced more accurate results than the ANN and RSM models. GPR gave the correlation coefficient of above 99% for all the three properties predicted and RMSE of less than 5. The detailed sensitivity analysis is also conducted using the RSM and the P-wave velocity is found to be the most influencing parameter in the rock mechanical properties predictions. The proposed models can give reasonable predictions of important mechanical properties of sedimentary rock.

• Structural Engineering and Mechanics
• /
• 제84권1호
• /
• pp.101-111
• /
• 2022

It is widely known that axially loaded fiber-reinforced polymer (FRP) confined concrete presents significant and enhanced mechanical properties with reference to the unconfined concrete. Therefore, to predict the mechanical behavior of FRP-confined concrete two quantities-peak strength and ultimate strain are required. Despite the significant advances, the determination of the ultimate strain of FRP-confined concrete is one of the most challenging problems to be resolved. This is often attributed to our persistence in desiring the conventional methods as the sole technique to examine this phenomenon and the complex nature of the ultimate strain of FRP-confined concrete. To bridge the research gap, this study adopted two machine learning (ML) techniques-artificial neural network (ANN) and Gaussian process regression (GPR)-to analyze observations obtained from 627 datasets of FRP-confined concrete circular and non-circular sections under axial loading test. Besides, the techniques are also used to predict the ultimate strain of FRP-confined concrete. Seven parameters namely width/diameter of the specimens, corner radius ratio, the strength of concrete, FRP elastic modulus, FRP thickness, FRP tensile rupture strain, and the axial strain of unconfined concrete-are the input parameters used to predict the ultimate strain of FRP-confined concrete. The results of the current study highlight the merit of using AI techniques in structural engineering applications given their extraordinary ability to comprehend multidimensional phenomena of FRP-confined concrete structures with ease, low computational cost, and high performance over the existing empirical models.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.440-440
• /
• 2021

본 연구에서는 다양한 수문지수와 생태지수간의 상관성 분석을 통해 하천의 유량이 하천 생태계와 하천 건강성에 어떤 영향을 끼치는지 분석했다. 수문지수는 각 유역의 유량 자료를 이용하여 구하였다. 각 유역의 평균 일일 유량, 평균 월 유량, 일 중앙 유량, 월 중앙 유량, 유량의 왜곡, 유량의 변동계수, 유량 빈도 등을 구하였다. 생태지수는 Benthic Macroinvertebrates Index (BMI)를 이용하였다. 피어슨 상관계수 분석(Pearson's correlation coefficient analysis)을 통해 수문지수와 생태지수 간의 상관성을 분석했다. 또한 Gaussian Process Regression(GPR) Model을 이용하여 수문지수와 유역의 지형적 특성을 이용한 회귀모형을 통해 미래의 BMI를 예측할 수 있었다. 각 수문지수별로 생태지수와 높은 상관성을 보이는 것과 낮은 상관성을 보이는 것을 확인할 수 있었다. GPR 모형을 이용하여 미래의 BMI의 값을 예측해 하천 건강성 평가로 이용될 수 있는 수문지수를 얻을 수 있었다. 본 연구를 통해서 수문학적 지수와 생태지수를 이용해 정량적으로 건강성을 평가할 수 있을 것으로 기대한다. 또한 GPR 모형을 통해 미래 생태지수의 값을 예측해보고 해당 연구 유역의 하천 건강을 위한 하나의 지표를 제안 할 수 있을 것으로 예상된다.

• 한국가스학회지
• /
• 제24권6호
• /
• pp.91-97
• /
• 2020

리튬이온 배터리(LIB)는 다른 배터리에 비해 수명이 길고, 에너지 밀도가 높으며, 자체 방전율이 낮아, 에너지 저장장치(ESS)로 선호되고 있다. 하지만, 2017~2019년 기간 동안 국내에서만도 28건의 화재사고가 발생하였으며, LIB의 운영 중 안전성 및 신뢰성을 보장하기 위해 LIB의 정확한 용량추정은 필수요소이다. 본 연구에서는 LIB의 충방전 cycle에 따른 용량변화를 예측하는 기계학습 기반 모델의 설계에 있어 중요한 요소인 최적 머신러닝 모델의 선정을 위해, Decision Tree, 앙상블학습법, Support Vector Regression, Gaussian Process Regression (GPR) 각각을 이용한 예측모델을 구현하고 성능비교를 실시하였다. 학습을 위해 NASA에서 제공하는 시험데이터를 사용하였으며, GPR이 가장 좋은 예측성능을 보였다. 이를 바탕으로 추가 시험데이터 학습을 통해 개선된 LIB 용량예측과 잔여 수명추정 모델을 개발하여, 운영 중 이상 감지 및 모니터링 성능을 높여, 보다 안전하고 안정된 ESS 운용에 활용하고자 한다.

• 터널과지하공간
• /
• 제32권6호
• /
• pp.586-597
• /
• 2022

본 연구에서는 국내 주요 연약지반으로 알려진 낙동강 조간대 지역의 압밀침하 취약성 평가에 활용할 상부 점성토층의 위치별 두께 정보를 추정할 수 있는 모델을 개발하였다. 두께정보 추정을 위하여 기계학습 알고리즘인 RF (Random Forest), SVR (Support Vector Regression), GPR (Gaussian Process Regression)과 지구통계기법인 정규크리깅(Ordinary Kriging)을 이용한 4가지 공간추정 모델을 개발하고 상호 비교하였다. 모델 개발을 위하여 수집한 연구지역의 시추공 자료 4,712개 중 상부점성토층이 존재하는 2,948개의 시추공 자료를 사용하였으며, 개발된 모델들의 성능을 정량적으로 평가하기 위하여 피어슨(Pearson) 상관계수와 오차제곱평균(mean squared error)을 사용하였다. 또한, 정성적 평가를 위하여 연구지역 전역에 상부점성토층의 두께를 추정하여 점성토층의 지역별 분포 특성을 상호 비교하였다.

• Computers and Concrete
• /
• 제24권1호
• /
• pp.7-17
• /
• 2019

The complex phenomenon of the bond formation in geopolymer is not well understood and therefore, difficult to model. This paper present applied statistical models for evaluating the compressive strength of geopolymer. The applied statistical models studied are divided into three different categories - linear regression [least absolute shrinkage and selection operator (LASSO) and elastic net], tree regression [decision and bagging tree] and kernel methods (support vector regression (SVR), kernel ridge regression (KRR), Gaussian process regression (GPR), relevance vector machine (RVM)]. The performance of the methods is compared in terms of error indices, computational effort, convergence and residuals. Based on the present study, kernel based methods (GPR and KRR) are recommended for evaluating compressive strength of Geopolymer concrete.

• 한국해안·해양공학회논문집
• /
• 제34권6호
• /
• pp.315-324
• /
• 2022

2차원 조파수조 내에서 취득된 규칙파 실험데이터를 머신러닝 기법으로 분석하여 천수 변형을 경험한 파랑으로부터 조파기의 입력파고를 예측하는 모델을 수립하고 그 성능을 검증하였다. 이를 위해 가장 대표적인 머신러닝 기법인 인공신경망(NN)과 비모수 회귀분석 방법 중 하나인 가우시안 과정 회귀(GPR) 모델을 각각 수립하고 두 모델의 예측 성능을 비교하였다. 전체 실험자료를 모두 한꺼번에 활용한 경우와 쇄파 발생 여부에 따라 자료를 구분한 경우에 대해 독립적으로 분석을 수행하였다. 데이터를 구분하지 않은 경우에는 NN 및 GPR 모델 모두 조파기 입력파고 값과 계측값 사이의 오차가 비교적 크게 나타났다. 반면에 데이터를 비쇄파 및 쇄파 조건으로 구분하면 조파기 입력파고의 예측 정확도가 크게 향상되었다. 두 모델 중에서는 NN 모델보다 GPR 모델의 성능이 전반적으로 더 우수한 것으로 나타났다.