하중 속도에 따른 콘크리트 재료의 역학적 특성은 구조물의 동적파괴거동에 영향을 미친다. 본 연구는, rigid-body-spring network를 이용하여 파괴해석을 수행하고, 거시적 시뮬레이션에서 속도효과를 표현하기 위하여 점소성 파괴모델을 적용하였다. 보정을 위해서 Perzyna 구성관계식의 점소성 계수들이 다양한 하중속도에 따른 직접인장실험을 통해서 결정되었다. 동정상승계수를 이용하여 하중 속도가 증가함에 따른 강도 증가를 표현하였고 이를 실험결과와 비교하였다. 다음으로 느린 하중속도와 빠른 하중속도에 따라 단순 콘크리트 보와 철근 콘크리트 보에 대한 휨 실험을 수행하였으며, 하중 속도에 따라서 서로 다른 균열 패턴을 관찰할 수 있었다. 빠른 하중은 보의 파괴가 국부적으로 나타나게 만드는데, 이는 속도 의존적 재료의 특성 때문이다. 구조적인 측면에서, 보강재는 느린 하중속도에서 균열의 크기를 줄이고 연성을 높이는 데 큰 영향을 미친다. 본 논문은 속도 의존적 거동에 대한 이해와 동적하중에 대한 보강효과를 제시한다.
The objective of this study is to reveal the sufficiency of neural networks (NN) as a securer, quicker, more robust and reliable method to be used in seismic assessment of existing reinforced concrete buildings. The NN based approach is applied as an alternative method to determine the seismic performance of each existing RC buildings, in terms of damage level. In the application of the NN, a multilayer perceptron (MLP) with a back-propagation (BP) algorithm is employed using a scaled conjugate gradient. NN based model wasd eveloped, trained and tested through a based MATLAB program. The database of this model was developed by using a statistical procedure called P25 method. The NN based model was also proved by verification set constituting of real existing RC buildings exposed to 2003 Bingol earthquake. It is demonstrated that the NN based approach is highly successful and can be used as an alternative method to determine the seismic performance of each existing RC buildings.
Slabs prevent harmful effects of fire that may occur in any floor. However, it is necessary to protect the slabs from fire. Insulation materials may be appropriate to protect reinforced concrete (RC) slab from elevated temperature. In the present study, a model has been developed in artificial neural network (ANN) to predict the moment capacity ($M_r$) of RC slabs exposed to fire with insulation material. 672 data were obtained for ANN model through author's prepared program. Input layer in model consisted of seven input parameters; such as effective depth (d), ratio of d'/d, thermal conductivity coefficient ($k_{insulation}$), insulation materials thickness ($L_{insulation}$), reinforcement area ($A_{st}$), fire exposure time ($t_{\exp}$), and concrete compressive strength ($f_c$). The predicted $M_r$ by ANN was consistent with the obtained $M_r$ by author. It is proposed to ease computational complexity in determining $M_r$ using ANN. The effects of using insulation material on the moment capacity in RC slabs were also investigated. Insulating material with low thermal conductivity has been found to be more effective for durability to high temperature.
The parameters of the multiple-vertical-line-element model (MVLEM) of reinforced concrete (RC) shear walls are often empirically determined, which causes large simulation errors. To improve the simulation accuracy of the MVLEM for RC shear walls, this paper proposed a novel method to determine the MVLEM parameters using the artificial neural network (ANN). First, a comprehensive database containing 193 shear wall specimens with complete parameter information was established. And the shear walls were simulated using the classic MVLEM. The average simulation errors of the lateral force and drift of the peak and ultimate points on the skeleton curves were approximately 18%. Second, the MVLEM parameters were manually optimized to minimize the simulation error and the optimal MVLEM parameters were used as the label data of the training of the ANN. Then, the trained ANN was used to generate the MVLEM parameters of the collected shear walls. The results show that the simulation error of the predicted MVLEM was reduced to less than 13% from the original 18%. Particularly, the responses generated by the predicted MVLEM are more identical to the experimental results for the testing set, which contains both flexure-control and shear-control shear wall specimens. It indicates that establishing MVLEM for RC shear walls using ANN is feasible and promising, and that the predicted MVLEM substantially improves the simulation accuracy.
This study provides fragility-based assessment of seismic performance of reinforced concrete bridges. Seismic fragility curves were created using nonlinear analysis (NA) and artificial neural networks (ANNs). Nonlinear response history analyses were performed, in order to calculate the seismic performances of the bridges. To this end, 306 bridge-earthquake cases were considered. A multi-layered perceptron (MLP) neural network was implemented to predict the seismic performances of the selected bridges. The MLP neural networks considered herein consist of an input layer with four input vectors; two hidden layers and an output vector. In order to train ANNs, 70% of the numerical results were selected, and the remained 30% were employed for testing the reliability and validation of ANNs. Several structures of MLP neural networks were examined in order to obtain suitable neural networks. After achieving the most proper structure of neural network, it was used for generating new data. A total number of 600 new bridge-earthquake cases were generated based on neural simulation. Finally, probabilistic seismic safety analyses were conducted. Herein, fragility curves were developed using numerical results, neural predictions and the combination of numerical and neural data. Results of this study revealed that ANNs are suitable tools for predicting seismic performances of RC bridges. It was also shown that yield stresses of the reinforcements is one of the important sources of uncertainty in fragility analysis of RC bridges.
In this paper, soft learning techniques are used to predict the ultimate torsional capacity of Reinforced Concrete beams strengthened with Fiber Reinforced Polymer. Soft computing techniques, namely Artificial Neural Network, trained by various back propagation algorithms, and Particle Swarm Optimization (PSO) algorithm, have been used to model and predict the torsional strength of Reinforced Concrete beams strengthened with Fiber Reinforced Polymer. The performance of each model has been evaluated by using statistical parameters such as coefficient of determination (R2), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The hybrid PSO NN model resulted in an R2 of 0.9292 with an RMSE of 5.35 for training and an R2 of 0.9328 with an RMSE of 4.57 for testing. Another model, ANN BP, produced an R2 of 0.9125 with an RMSE of 6.17 for training and an R2 of 0.8951 with an RMSE of 5.79 for testing. The results of the PSO NN model were in close agreement with the experimental values. Thus, the PSO NN model can be used to predict the ultimate torsional capacity of RC beams strengthened with FRP with greater acceptable accuracy.
In recent years, multiple experimental studies have been performed on using fiber reinforced polymer (FRP) bars in reinforced concrete (RC) structural members. FRP bars provide a new type of reinforcement that avoids the corrosion of traditional steel reinforcement. In this study, predicting the shear strength of RC beams with FRP longitudinal bars using artificial neural networks (ANNs) is investigated as a different approach from the current specific codes. An ANN model was developed using the experimental data of 104 FRP-RC specimens from an existing database in the literature. Seven different input parameters affecting the shear strength of FRP bar reinforced RC beams were selected to create the ANN structure. The most convenient ANN algorithm was determined as traingdx. The results from current codes (ACI440.1R-15 and JSCE) and existing literature in predicting the shear strength of FRP-RC beams were investigated using the identical test data. The study shows that the ANN model produces acceptable predictions for the ultimate shear strength of FRP-RC beams (maximum $R^2{\approx}0.97$). Additionally, the ANN model provides more accurate predictions for the shear capacity than the other computed methods in the ACI440.1R-15, JSCE codes and existing literature for considering different performance parameters.
직류 전철변전소의 가선전압은 전동차들의 회생제동 및 역행가속패턴에 따라 급격히 상승 또는 하강하는 특성을 갖는다. 가선전압 순시 변동폭을 최소로 유지함으로써, 전철변전소와 전동차들의 에너지 효율을 개선시키기 위한 다양한 연구들이 이루어지고 있다. 본 논문은 직류전철 변전소의 가선전압의 급격한 변동특성을 모델링하고 선형인공 신경망 알고리즘을 이용한 가선전압 회로모델의 파라메터 추정 방법을 제안하며, 최소자승법을 이용한 추정방법과의 비교를 통해 이 방법의 타당성을 입증한다. 가선전압 및 피더전류들의 누적 측정값을 사용하여 일괄처리 최소자승법으로 RC 병렬회로의 파라메터들을 추정한 결과를 제시하며, 실시간 가선전압 및 피더전류 측정값을 이용하여 오차역 전파방식으로 학습되는 선형인공신경망 기법 추정 결과를 분석한다.
본 논문은 Ultra-Low-Power (ULP) Radoi를 위한 Sub-${\mu}$W 급 저 전력 발진기 회로에 관한 것이다. 저 전력 발진기의 구조로서 Relaxation 구조와 Wien-Bridge 구조의 시뮬레이션 비교를 통하여, 소모 전류의 최소화 및 저 전력 동작에 최적인 Wien-Bridge 구조를 선택 하였다. Wien-Bridge 발진기 회로는 폐쇄 루프 이득이 ($1+R_2/R_1$) 인 비반전 OPAMP 증폭회로에 부귀환 경로로 RC 회로망이 접속 되어 있다. 이 회로망의 RC값과 증폭기의 폐쇄 루프 이득에 의해 발진 주파수가 정해지게 된다. 본 연구에서는 루프 이득 조정을 위해 일반적으로 사용하는 가변저항대신, MIM 커패시터와 MOS 버랙터를 조합한 가변 커패시터를 사용하여, 발진기의 폐쇄 루프 이득을 적절히 조절 하는 방식을 제안하고 이를 구현하였다. 폐쇄 루프 이득을 안정적으로 조절 할 수 있음에 따라 발진기 출력의 안정화를 얻을 수 있으며, 출력신호의 비선형성도 개선 할 수 있다. $0.18{\mu}m$ CMOS 공정을 이용해 구현된 발진기는 22 kHz 출력주파수에서 560 nA의 전류를 소모한다.
Background: The fruit of Rubus coreanus (RC), a perennial herb, has been cultivated for a long time as a popular vegetable. The anti-allergy mechanism of RC is unknown. The purpose of this study is to investigate the inhibitory effect of RC on compound 48/80- or anti-DNP IgE-induced mast cell activation. Methods: For this, influences of RC on the compound 48/80-induced degranulation, histamine release, calcium influx and the change of the intracellular cAMP (cyclic adenosine-3',5' monophosphate) levels of rat peritoneal mast cells (RPMC) and on the anti-DNP IgE-induced histamine release of RPMC were observed. Results: The pretreatment of RC inhibited compound 48/80-induced degranulation, histamine release and intracelluar calcium uptake of RPMC. The anti-DNP IgE-induced histamine release of RPMC was significantly inhibited by pretreatment of RC. The RC increased the level of intracellular cAMP of RPMC, and the pretreatment of RC inhibited compound 48/80-induced decrement of intracellular cAMP of RPMC. Conclusion: These results suggest that RC contains some substances with an activity to inhibit the compound 48/80- or anti-DNP IgE-induced mast cell activitation. The inhibitory effects of RC are likely due to the stabilization of mast cells by blocking the calcium uptake and enhancing the level of intracellular cAMP.
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.