최적의 인공신경망 구조 설계를 통한 지반 물성치 추정

Evaluation of Geotechnical Parameters Based on the Design of Optimal Neural Network Structure

  • 박형일 (삼성물산(주) 건설부문 기술연구소) ;
  • 황대진 (동의대학교 토목공학과) ;
  • 권기철 (삼성물산(주) 건설부문 기술연구소) ;
  • 이승래 (한국과학기술원, 건설 및 환경공학과)
  • 발행 : 2005.11.01

초록

본 연구에서는 최적의 인공신경망 구조 설계를 위하여 인공신경망과 유전자 알고리즘이 결합된 신경망구조 설계기법이 제안되었다. 저자들은 신경망 구조설계시 인공지능 적용에 따른 계산적인 복잡함을 줄이며, 신경망에 의한 예측의 정확성을 증가시키기 위하여 인공신경망과 유전자 알고리즘의 특성을 조합하였다. 최적의 신경망 구조를 얻기 위하여 신경망 구조의 설계변수들에 대한 유전자 선별기법을 적용하였다. 제안된 합성 기법의 적용성을 평가하기 위하여 여러 지반공학 물성치들을 추정하는 해석에 적용되었다.

This paper proposes a selection methodology composed of neural network (NN) and genetic algorithm (GA) to design optimal NN structure. We combine the characteristics of GA and NN to reduce the computational complexity of artificial intelligence applications and increase the precision of NN' prediction in the design of NN structure. Genetic selection approach of design parameters of NN is introduced to obtain optimal NN structure. Analyzed results for geotechnical problems are given to evaluate the performance of the proposed hybrid methodology.

키워드

참고문헌

  1. 김병탁, 김영수, 배상근 (2001), '압축지수의 추정을 위한 인공신경망 적용과 경험식 제안', 한국지반공학회논문집, 제17권, 제6호, pp.25-36
  2. 박찬란 (1998), 개선된 운전자 알고리즘을 이용한 최적의 신경망 구조 설계, 박사학위논문, 조선대학교, 전산통계학과
  3. 박현일, 권기철, 오세붕 (2005), '인공 신경망 모델에 근거한 노상토 및 보조기층의 탄성계수값 추정', 대한토목학회논문집, 제25권, 제2-C호, pp.61-72
  4. 이성진, 이승래, 장범수 (2002), '인공신경망 모델을 이용한 불포화 겉보기점착력 추정에 관한 연구' 대한토목학회논문집, 제22권, 제3-C호, pp.331-344
  5. 황명기, 김지형, 김영욱 (2003), '초음파-토양수세법을 이용한 오염지반 복원률증대에 인공신경망의 적용', 한국지반공학회논문집, 제19권, 제6호, pp.343-350
  6. 홍동헌 (1999), 유전자 알고리즘을 이용한 인공신경망 구조의 최적화에 관한 연구, 박사학위논문, 영남대학교, 경영학과
  7. Back, T. and Hoffmeister, F. (1991) Extended Selection Mechanisms in Genetic Algorithms, 4th Int. Conf. of Genetic Algorithm, San Mateo, California, USA, pp.92-99
  8. Goldberg, D. E. (1989) 'Genetic algorithms in search, optimization, and machine learning', New York: Addison-Wesley
  9. Huang, J. S., and Liu, H. C. (1997), 'Object Recognition using Genetic Algorithms with a Hopfield's Neural Model', Expert Systems with Applications, Vol.13, No.3, pp.191-199 https://doi.org/10.1016/S0957-4174(97)00024-9
  10. Lee, I. M., and Lee, J. H. (1996), 'Prediction of Pile Bearing Capacity Using Artificial Neural Networks', Computers and Geotechnics, Vol.18, No.3, pp.189-200 https://doi.org/10.1016/0266-352X(95)00027-8
  11. Marcelin, J. L. (1999), 'Evolutionary Optimization of Mechanical Structures:Towards an Integrated Optimization', Engineering with Computer, Vol.15, pp.326-333 https://doi.org/10.1007/s003660050027
  12. Mok, S. L., Kwong, C. K., and Lau, W. S. (2001), 'A Hybrid Neural Network and Genetic Algorithm Approach to the Determination of Initial Process Parameter for Injection Moulding', International Journal of Advanced Manufacturing Technology, Vol.18, pp.404-409 https://doi.org/10.1007/s001700170050
  13. Ozturk, N., and Ozturk, F. (2001), 'Neural Newtorks Based Non-standard Feature Recognition to Integrate CAD and CAM', Journal of Computers in Industry, Vol.45, No.2, pp.123-135 https://doi.org/10.1016/S0166-3615(01)00090-2
  14. Rahman, M. S., Wang, J., Deng, W., and Carter, J. P. (2001), 'A Neural Network Model for the Uplift Capacity of Suction Caissions', Computers and Geotechnics, Vol.28, pp.269-287 https://doi.org/10.1016/S0266-352X(00)00033-1
  15. Yu, H. and Liang, W. (2001), 'Neural Network and Genetic Algorithm based Hybrid Approach to Expanded Job-Shop Scheduling', Computers and Industrial Engineering, Vol.39, pp.337-356 https://doi.org/10.1016/S0360-8352(01)00010-9