Substructure pseudo-dynamic hybrid simulation (SPDHS) combining the advantages of physical experiments and numerical simulation has become an important testing method for evaluating the dynamic responses of structures. Various parameter identification methods have been proposed for online model updating. However, if there is large model gap between the assumed numerical models and the real models, the parameter identification methods will cause large prediction errors. This study presents an ANN (artificial neural network) method based on forgetting factor. During the SPDHS of model updating, a dynamic sample window is formed in each loading step with forgetting factor to keep balance between the new samples and historical ones. The effectiveness and anti-noise ability of this method are evaluated by numerical analysis of a six-story frame structure with BRBs (Buckling Restrained Brace). One BRB is simulated in OpenFresco as the experimental substructure, while the rest is modeled in MATLAB. The results show that ANN is able to present more hysteresis behaviors that do not exist in the initial assumed numerical models. It is demonstrated that the proposed method has good adaptability and prediction accuracy of restoring force even under different loading histories.
The PLS(Partial Least Square) and ANN(Artificial Neural Network) were introduced to develop the soluble solids content prediction model of apples which is followed by making a subsequent selection of photosensor. For the optimal PLS model, number of factors needed for spectrum analysis were increased until the convergence of prediction residual error sum of squares. Analysis has shown that even part of the overall wavelength with no pretreatment may turn out better performing. The best PLS model was found in the 800 to 1,100nm wavelength region without pretreatment of second derivation, having $R^2$=0.9236, bias= -0.0198bx, SEP=0.2527bx for unknown samples. On the other hand, for the ANN model the second derivation led to higher performance. On partial range of 800 to 1,100nm wavelengh region, prediction model with second derivation for unknown samples reached $R^2$=0.9177, SEP=0.2903bx in contrast to $R^2$=0.7507, SEP =0.4622bx without pretreatment.
This study aims at developing and applying a hybrid model to the wind power prediction (WPP). The hybrid model for a very-short-term WPP (VSTWPP) is achieved through analytical data, multiple linear regressions and least square methods (MLR&LS). The data used in our hybrid model are based on the historical records of wind power from an offshore region. In this model, the WPP is achieved in four steps: 1) transforming historical data into ratios; 2) predicting the wind power using the ratios; 3) predicting rectification ratios by the total wind power; 4) predicting the wind power using the proposed rectification method. The proposed method includes one-step and multi-step predictions. The WPP is tested by applying different models, such as the autoregressive moving average (ARMA), support vector machine (SVM), and artificial neural network (ANN). The results of all these models confirmed the validity of the proposed hybrid model in terms of error as well as its effectiveness. Furthermore, forecasting errors are compared to depict a highly variable WPP, and the correlations between the actual and predicted wind powers are shown. Simulations are carried out to definitely prove the feasibility and excellent performance of the proposed method for the VSTWPP versus that of the SVM, ANN and ARMA models.
In this study, two powerful techniques, namely particle swarm optimization (PSO) and imperialist competitive algorithm (ICA) were selected and combined with a pre-developed ANN model aiming at improving its performance prediction of the compressive strength of concrete modified with fly ash. To achieve this study's aims, a comprehensive database with 379 data samples was collected from the available literature. The output of the database is the compressive strength (CS) of concrete samples, which are influenced by 9 parameters as model inputs, namely those related to mix composition. The modeling steps related to ICA-ANN (or neuro-imperialism) and PSO-ANN (or neuro-swarm) were conducted through the use of several parametric studies to design the most influential parameters on these hybrid models. A comparison of the CS values predicted by hybrid intelligence techniques with the experimental CS values confirmed that the neuro-swarm model could provide a higher degree of accuracy than another proposed hybrid model (i.e., neuro-imperialism). The train and test correlation coefficient values of (0.9042 and 0.9137) and (0.8383 and 0.8777) for neuro-swarm and neuro-imperialism models, respectively revealed that although both techniques are capable enough in prediction tasks, the developed neuro-swarm model can be considered as a better alternative technique in mapping the concrete strength behavior.
A disc cutter is an excavation tool on a tunnel boring machine (TBM) cutterhead; it crushes and cuts rock mass while the machine excavates using the cutterhead's rotational movement. Disc cutter wear occurs naturally. Thus, along with the management of downtime and excavation efficiency, abrasioned disc cutters need to be replaced at the proper time; otherwise, the construction period could be delayed and the cost could increase. The most common prediction models for TBM performance and for the disc cutter lifetime have been proposed by the Colorado School of Mines and Norwegian University of Science and Technology. However, design parameters of existing models do not well correspond to the field values when a TBM encounters complex and difficult ground conditions in the field. Thus, this study proposes a series of machine learning models to predict the disc cutter lifetime of a shield TBM using the excavation (machine) data during operation which is response to the rock mass. This study utilizes five different machine learning techniques: four types of classification models (i.e., K-Nearest Neighbors (KNN), Support Vector Machine, Decision Tree, and Staking Ensemble Model) and one artificial neural network (ANN) model. The KNN model was found to be the best model among the four classification models, affording the highest recall of 81%. The ANN model also predicted the wear rate of disc cutters reasonably well.
International Journal of Concrete Structures and Materials
/
제9권2호
/
pp.159-172
/
2015
Estimation of the residual strength of corroded reinforced concrete beams has been studied from experimental and theoretical perspectives. The former is arduous as it involves casting beams of various sizes, which are then subjected to various degrees of corrosion damage. The latter are static; hence cannot be generalized as new coefficients need to be re-generated for new cases. This calls for dynamic models that are adaptive to new cases and offer efficient generalization capability. Computational intelligence techniques have been applied in Construction Engineering modeling problems. However, these techniques have not been adequately applied to the problem addressed in this paper. This study extends the empirical model proposed by Azad et al. (Mag Concr Res 62(6):405-414, 2010), which considered all the adverse effects of corrosion on steel. We proposed four artificial neural networks (ANN) models to predict the residual flexural strength of corroded RC beams using the same data from Azad et al. (2010). We employed two modes of prediction: through the correction factor ($C_f$) and through the residual strength ($M_{res}$). For each mode, we studied the effect of fixed and random data stratification on the performance of the models. The results of the ANN models were found to be in good agreement with experimental values. When compared with the results of Azad et al. (2010), the ANN model with randomized data stratification gave a $C_f$-based prediction with up to 49 % improvement in correlation coefficient and 92 % error reduction. This confirms the reliability of ANN over the empirical models.
Circular concrete filled steel tube (CFST) columns have an advantage over all other sections when they are used in compression members. This paper proposes a new approach for deriving a new empirical equation to predict the axial compressive capacity of circular CFST columns using the Artificial Neural Network (ANN). The developed ANN model uses 5 input parameters that include the diameter of circular steel tube, the length of the column, the thickness of steel tube, the steel yield strength and the compressive strength of concrete. The only output parameter is the axial compressive capacity. Training and testing the developed ANN model was carried out using 219 available sets of data collected from the experimental results in the literature. An empirical equation is then proposed as an important result of this study, which is practically used to predict the axial compressive capacity of a circular CFST column. To evaluate the performance of the developed ANN model and the proposed equation, the predicted results are compared with those of the empirical equations stated in the current design codes and other models. It is shown that the proposed equation can predict the axial compressive capacity of circular CFST columns more accurately than other methods. This is confirmed by the high accuracy of a large number of existing test results. Finally, the parametric study result is analyzed for the proposed ANN equation to consider the effect of the input parameters on axial compressive strength.
태양광 시스템의 안정성과 신뢰성 향상을 위해서는 배터리의 잔존량 (State of Charge, SOC)을 정확하게 추정하여야 한다. 본 연구에서는 gradient descent, Levenberg-Marquardt 및 scaled conjugate gradient 학습방법을 사용한 인공 신경회로망 (Artificial Neural Networks, ANN)과 적응형 뉴로-퍼지 추론 시스템 (Adaptive Neuro-Fuzzy Inference System, ANFIS)을 사용한 SOC 추정방법을 제안한다. 입력으로는 충전 시작 전압 및 적류적산법을 통해 구한 충전 전류를 사용하여 추정된 SOC를 출력한다. 4개의 모델 (ANN-GD, ANN-LM, ANN-SCG, 및 ANFIS)을 사용하여 SOC 추정 방법을 구현하였고 실험을 통해 MATLAB을 사용하여 4개의 모델의 성능을 비교 분석하였다. 실험 결과로부터 ANFIS 모델을 사용한 배터리의 SOC 추정이 가장 정확도가 높았으며 빠른 속도로 수렴함을 확인하였다.
연구의 목적은 가정에서 안정 시 인체의 생리적 활력 정보를 센서와 ICT 정보 기술을 통해 연속적으로 수집하는 시스템과 수집된 정보를 이용하여 당뇨병증 유무를 예측하는 인공신경망 기계학습 방법과 필수적인 기본 변수 값을 제시하였다. 연구 방법은 정상인(DM-) 20명과 당뇨병(DM+) 15명을 대상으로 BCG와 ECG 센서의 심박수 측정값의 상관 관계를 분석하였으며 상관 계수는 R2=0.959이다. Artificial Neural Network(ANN) 기계학습 프로그램을 이용하여 당뇨병증 예측 가능성을 확인하였고 입력 변수는 심박변이도의 시계열정보와 심박수, 심박변이도, 호흡율, 박동량 정보, 최저혈압, 최고혈압, 년령, 성별이며 ANN 기계학습 예측 정확도는 99.53%이다. 그리고 향후 ANN 기계학습 방법을 활용하여 BMI 정보를 이용한 당뇨예측 모델, 심장 기능 장애 예측 모델, 수면장애 분석 모델 등의 계속적인 연구가 필요하다.
The measurement and monitoring of the biochemical oxygen demand (BOD) play an important role in the planning and operation of wastewater treatment plants. The most basic method for determining biochemical oxygen demand is direct measurement. However, this method is both expensive and takes a long time. A five-day period is required to determine the biochemical oxygen demand. This study has been carried out in a wastewater treatment plant in Turkey (Hurma WWTP) in order to estimate the biochemical oxygen demand a shorter time and with a lower cost. Estimation was performed using artificial neural network (ANN) method. There are three different methods in the training of artificial neural networks, respectively, multi-layered (ML-ANN), teaching learning based algorithm (TLBO-ANN) and artificial bee colony algorithm (ABC-ANN). The input flow (Q), wastewater temperature (t), pH, chemical oxygen demand (COD), suspended sediment (SS), total phosphorus (tP), total nitrogen (tN), and electrical conductivity of wastewater (EC) are used as the input parameters to estimate the BOD. The root mean squared error (RMSE) and the mean absolute error (MAE) values were used in evaluating performance criteria for each model. As a result of the general evaluation, the ML-ANN method provided the best estimation results both training and test series with 0.8924 and 0.8442 determination coefficient, respectively.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.