인공신경망모형과 군집분석을 이용한 교각 세굴심 예측

Prediction of Scour Depth Using Incorporation of Cluster Analysis into Artificial Neural Networks

  • 이창환 (한양대학교 대학원 건설환경공학과) ;
  • 안재현 (서경대학교 토목공학과) ;
  • 이주헌 (중부대학교 토목공학과) ;
  • 김태웅 (한양대학교 건설환경시스템공학전공)
  • 투고 : 2008.07.22
  • 심사 : 2009.01.16
  • 발행 : 2009.03.31

초록

교각주위의 국부세굴은 교량붕괴의 주원인 중 하나로 알려져 있다. 세굴심을 산정하는 방법에는 경험식에 의한 방법과 수치모형을 이용한 시뮬레이션이 있다. 하지만 경험식에 의한 방법은 공식이 적용될 수 있는 유사한 상황에서만 제한적으로 사용가능하며, 수치모형을 이용한 방법은 비용이 많이 든다는 단점을 가지고 있다. 그러므로 본 연구에서는 세굴심 예측을 위한 CSU 공식, 다중회귀분석, 다양한 인공신경망 모형의 유용성을 비교분석하였다. 또한 세굴심을 산정하는데 있어 넓은 범위의 오차를 발생시키는 인공신경망 모형의 단점을 보완하기 위하여 본 연구에서는 인공신경망 모형에 군집분석을 결합하여 오차를 감소시키고자 하였다. 세굴심 예측을 위해 CSU 공식, 다중회귀분석, 다양한 인공신경망 모형을 적용해 본 결과 역전파알고리즘을 이용하는 인공신경망 모형이 가장 높은 정확성을 보였으며, 인공신경망 모형에 군집분석을 적용한 세굴심 예측에서는 군집수가 3일 때 가장 높은 정확도를 보였다. 군집분석을 적용한 인공신경망 모형의 정확도는 다른 모형과 비교할 때 최고 42.73%가 향상된 결과를 보여 인공신경망 모형내의 군집분석의 적용이 인공신경망의 오차를 줄이는데 큰 역할을 할 수 있음을 알 수 있었다.

A local scour around a bridge pier is known as one of important factors of bridge collapse. Two approaches are usually used in estimating a scour depth in practice. One is to use empirical formulas, and the other is to use computational methods. But the use of empirical formulas is limited to predict a scour depth under similar conditions to which the formulas were derived. Computational methods are currently too expensive to be applied to practical engineering problems. This study presented the application of artificial neural networks (ANN) to the prediction of a scour depth around a bridge pier at an equilibrium state. This study also investigated various ANN algorithms for estimating a scour depth, such as Backpropagation Network, Radial Basis Function Network, and Generalized Regression Network. Preliminary study showed that ANN models resulted in very wide range of errors in predicting a scour depth. To solve this problem this study incorporated cluster analysis into ANN. The incorporation of cluster analysis provided better estimations of scour depth up to 42% compared with other approaches.

키워드

참고문헌

  1. 강진구, 심우배, 송재우(2002) 신경망 이론을 이용한 교각 주위 국부세굴심 예측. 대한토목학회논문집, 대한토목학회, 제22권, 제2-B호, pp. 125-133.
  2. 김만식, 이영신(2007) 하천수질예측을 위한 역전파알고리즘(BP) 적용. 대한토목학회논문집, 대한토목학회, 제22권, 제2-B호, pp. 125-133.
  3. 박성식, 송재우(1999) 하천 만곡부의 연속교각 세굴심 변화 특성. 2007년도 정기학술대회논문집, 대한토목학회, pp. 4185-4192.
  4. 안상진, 전계원(2001) RBF를 이용한 홍수유출량 예측. 대한토목학회논문집, 대한토목학회, 제21권, 제6-B호, pp. 599-607.
  5. 이성진, 이승래, 장범수(2002) 인공신경망 모델을 이용한 불포화토 겉보기점착력 추정에 관한 연구, 대한토목학회논문집, 대한토목학회, 제22권, 제3-C호, pp. 331-344.
  6. 윤용남, 윤재영, 이재수(1995) 2차원 수리모형을 이용한 홍수시 교량에서의 최대세굴심도 예측. 대한토목학회논문집, 대한토목학회, 제15권, 제6호, pp. 1689-1696.
  7. 윤태훈, 윤성범(1995) 국내외 세굴에 의한 교량붕괴 사례 및 감시대책. 한국수자원학회지, 한국수자원학회, 제28권, 제6호, pp. 28-34.
  8. 이철응(2000) 교각주위의 국부 세굴에 대한 신뢰성 해석. 대한토목학회논문집, 대한토목학회, 제20권, 제4-B호, pp. 491-501.
  9. 최성욱, 정상화(2002) Monte-Carlo 시뮬레이션이 포함된 인공신경망을 통한 세굴심 예측. 2002년도 학술발표대회 논문집, 대한토목학회, pp. 596-599.
  10. 한국수자원학회(2005) 하천설계기준. (주)건설교통저널.
  11. Choi, S.-U. and Cheng, S. (2006) Prediction of local scour around bridge piers using artificial neural networks. Journal of the American Water Resources Association, Vol. 43, pp. 487-493.
  12. Haykin, S. (1999) Neural Networks A Comprehensive Foundation. Macmillian College Publishing Company, New York, N.Y.
  13. Jeng, D.-S. (2005) Neural Network Assessment for Scour Depth Around Bridge Piers. Research Report, NO. R855, University of Sydney, Australia.
  14. Jonhson, P.A. (1992) Reliability-based pier scour engineering. Journal of Hydraulic Engineering, ASCE, Vol. 118, No. 10, pp. 1344-1358. https://doi.org/10.1061/(ASCE)0733-9429(1992)118:10(1344)
  15. Moody, J. and Darken, C.J. (1989) Fast learning in networks of locally-tuned processing units. Neural Computation, Vol. 1, pp. 281-294. https://doi.org/10.1162/neco.1989.1.2.281