Information-Based Hybrid Modeling Framework on the Systematic use of Artificial Neural-Networks

국문 초록 (Abstract)

본 논문에서는 수학적 구조 모델과 인공신경망 기법을 상호 유기적으로 결합하여 구조물의 거동 데이터로부터 부재모델 또는 재료모델의 정확도를 높이는 정보기반 하이브리드 모델 업데이트 기법을 개발하였다. 유한요소와 같은 수학적 모델을 사용하여 구조물의 거동을 모사하기 위해서는 재료, 부재, 그리고 시스템의 정확한 모델링이 우선하여야 한다. 그러나 재료, 부재의 각 레벨에서의 수학적인 모델은 이상화과정을 거치면서 중요한 특성을 생략하거나, 시스템 구성시 부재간의 상호작용이나 경계조건의 단순화로 인해 유한요소 모델은 실제 구조물의 거동과 차이를 보이게 된다. 본 논문에서 제시된 하이브리드 모델 업데이트 기법은 구조물의 거동과 수학적 모델의 해석결과 차이를 인공신경망 기법을 사용하여 보완함으로써 시스템 모델의 정확도를 높일 수 있다. 이때 시스템의 거동 데이터로부터 부재 또는 재료모델을 개선할 수 있는 데이터를 추출하여 부재 또는 재료모델을 개선한다. 제시된 기법은 보-기둥 접합부의 이력모델을 개선하는 것으로 검증하였으며, 복잡한 거동을 보이는 시스템 모델링에 광범위하게 사용될 수 있다.

다국어 초록 (Multilingual Abstract)

In this study, a new information-based hybrid modeling framework is proposed. In the hybrid framework, a conventional mathematical model is complemented by the informational methods. The basic premise of the proposed hybrid methodology is that not all features of system response are amenable to mathematical modeling, hence considering informational alternatives. This may be because (i) the underlying theory is not available or not sufficiently developed, or (ii) the existing theory is too complex and therefore not suitable for modeling within building frame analysis. The role of informational methods is to model aspects that the mathematical model leaves out. Autoprogressive algorithm and self-learning simulation extract the missing aspects from a system response. In a hybrid framework, experimental data is an integral part of modeling, rather than being used strictly for validation processes. The potential of the hybrid methodology is illustrated through modeling complex hysteretic behavior of beam-to-column connections.

참고문헌 (Reference)

• 1 Hashash, Y.M.A., "Systematic Update of a Deep Excavation Model Using Field Performance Data" 30 (30): 477-488, 2003
• 2 Shin, H.S., "On self-learning Finite Element Codes Based on Monitored Response of Structures" 27 (27): 161-178, 2000
• 3 Hashash, Y.M.A, "Novel Approach to Integration of Numerical Modeling and Field Observations for Deep Excavations" 132 (132): 1019-1031, 2006
• 4 Ghaboussi J., "New Nested Adaptive Neural Networks (NANN) for Constitutive Modeling" 22 (22): 29-52, 1998
• 5 Ghaboussi J., "Nested Adaptive Neural Network: A NewArchitecture" 1997
• 6 Kim, J.H., "Mechanical and Informational Modeling of Steel Beam-to-Column Connections" 32 (32): 449-458, 2010
• 7 Ghaboussi, J., "Material Modeling with Neural Networks" 701-717, 1990
• 8 Ghaboussi J., "Knowledge-based Modeling of Material Behavior with Neural Networks" 117 (117): 132-153, 1991
• 9 Bernuzzi, C., "Experimental Analysis and Modelling of Semi-Rigid Steel Joints under Cyclic Reversal Loading" 38 (38): 95-123, 1996
• 10 Ghaboussi, J., "Autoprogressive Training of Neural Network Constitutive Models" 42 (42): 105-126, 1998