• 대한토목학회논문집
• /
• 제13권2호
• /
• pp.95-109
• /
• 1993

본(本) 연구(研究)에서는 Mode분할기법(分割技法)을 이용(利用)하여 아치구조물(構造物)의 형상최적화(形狀最適化)를 시도(試圖)하였다. 본(本) 연구(研究)에서는 아치리브를 유한개(有限個)의 직선부재(直線部材)로 구성(構成)되어 있는 것으로 하고 상관방정식(相關方程式)과 허용응력(許容應力) 및 좌굴제약(挫屈制約)까지 포함(包含)하여 2골절(滑節)아치와 양단고정(兩端固定)아치의 형상(形狀)을 최적화(最適化)할 수 있도록 최적화(最適化) 문제(問題)를 형성(形成)하였다. 본(本) 연구(研究)의 제(第) 1단계(段階)(level 1)에서는 다른 연구(研究)와 달리 근사화(近似化)한 아치구조물(構造物)의 강성도행렬(剛性度行列)(stiffness matrix)과 기하강성도행렬(幾何剛性度行列)(geometric stiffness matrix)관계(關係)로부터 Ray leigh-Ritz법(法)으로 좌굴하중(挫屈荷重)을 구(求)하고, 설계공간법(設計空間法)에 의한 감도해석(感度解析)으로 부재력(部材力)을 근사화(近似化)함으로써 구조해석수(構造解析數)를 줄일 수 있었다. 목적함수(目的凾數)는 구조물(構造物)의 중량(重量)이 최소(最小)가 되도록 중량함수(重量凾數)로 택(擇)하였다. 제약조건식(制約條件式)으로는 허용응력(許容應力), 좌굴응력(挫屈應力) 및 설계변수( 設計變數) 상(上) 하한치제약(下限値制約)을 부과(附課)하여 최적화문제(最適化問題)를 형성(形成)하였다. 제(第) 2단계(段階)(level 2)에서는 설계변수(設計變數) 및 조정변수(調整變數)를 절점좌표(節點座標)로 하고 목적함수(目的凾數)로는 중량함수(重量凾數)로 하여 최적화(最適化) 문제(問題)를 형성(形成)하였다. 절점좌표(節點座標)만을 설계변수(設計變數)로 함으로써 무제약최적화문제(無制約最適化問題)로 형성(形成)되므로 최적화(最適化) 과정(過程)이 용이(容易)하다. 본(本) 연구(研究)의 알고리즘을 아치구조물(構造物)에 적용(適用)한 결과(結果) 본(本) 연구(研究)는 아치구조물(構造物)의 형태(形態), 제약조건식(制約條件式)에 구애(拘碍)받지 않고 최적해(最適解)에 효율적(效率的)으로 수렴(收斂)하였고 아치구조물(構造物)의 최적형상(最適形狀)은 제약조건식(制約條件式)에 따라 상이(相異)하였으며 중량(重量)은 제약조건식(制約條件式) 및 아치의 형상(形狀)에 따라 다소(多少)의 차이(差異)는 있으나 형상최적화(形狀最適化)로 17.7%-91.7%까지 감소(減少)시킬 수 있다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.