• 한국건축시공학회지
• /
• 제9권4호
• /
• pp.119-129
• /
• 2009

최근의 건축활동은 초고층화 대형화 복잡화 되고 있으며 도심지내에 근접 시공되어 짐에 따라 건축물의 지상층 높이증가와 더불어 지가의 앙등, 토지이용의 극대화로 지하구조물의 중요성이 증가되고 있으며 지하층의 면적 및 층수가 증가되어 가는 추세이다. 이에 따라 지하굴착심도가 깊어지고 있으며 토지 이용의 효율극대화 측면에서 우리나라의 경우 해안매립지등 매립지반에서의 건축활동이 급증하는 추세로 연약지반에 대한 대책과 아울러 지하수위에 대한 영향을 신중하게 검토해야할 필요성이 증대되고 있는 실정이다. 일반적으로 지하굴착 후 시공되는 건축물은 지층의성상과 토질, 수압 등에 대한 고려로 건물의 최하층 바닥슬라브 하부에 위치하게 되는 지하수위와의 수두압차에 의한 정수학적 압력(Hydrostatic Pressure), 즉 부력(Uplift Water Pressure)이 건물저면에 작용하게 되므로, 이러한 부력(浮力)합리적으로 대처할 수 있는 설계 및 시공법의 개발과 이를 적용하기 위한 노력은 지하층공사에 있어서 안전, 공기, 비용, 건축의질 측면에서 필수적이라고 할 수 있다. 그러나 이제까지의 지하층 공사는 부력 처리방법 등에 대한 연구가 미흡하며 기존의 공법 중 대상 프로젝트의 합리적인 수행을 위한 설계초기단계에서의 지반에 대한 사전조사와 면밀한 분석이 이루어지지 않고, 경험에 의존하는 경향이 크다. 본 연구는 상기와 같은 문제점을 바탕으로 O O 건설현장 실 사례를 중심으로 현장은 한강에 인접한 지리적 요인에 의해 지하수위가 한강의 수위와 연계되어 있는바 최초 계획되었던 Rock anchor System 대신 Drain mat System을 적용하여 유입되는 지하수를 유도, 배수함으로써 지하수위에 따른 상향수압을 통제할 수 있는 최적공법 선정을 통해 직접공사비 406,702,000원 및 Life Cycle Cost 차원에서 검토한 결과 건물수명 50년 기준 절감액 운용수익률 년 4% 절감의 효과로 이는 건설초기단계에서의 과다설계에 따른 투입 공사비의 과다책정, 공기의 증가 등에 따른 채산성 문제를 합리적으로 제어하여 건설공사의 원가절감을 위한 성공사례로 평가되고 있다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.