Journal Search Engine

Download PDF Export Citation Korean Bibliography
ISSN : 1226-525X(Print)
ISSN : 2234-1099(Online)
Journal of the Earthquake Engineering Society of Korea Vol.29 No.3 pp.151-161
DOI : https://doi.org/10.5000/EESK.2025.29.3.151

Machine Learning-Based Rapid Prediction Method for Seismic Performance of Reinforced Concrete Moment Frames

Hwang Heejin1), Oh Keunyeong2), Lee Kihak3), Shin Jiuk4)*
1)Ph.D. Student, Department of Architectural Engineering, Gyeongsang National University
2)Senior Researcher, Department of Building Research, Korea Institute of Civil Engineering and Building Technology
3)Professor (PhD), Department of Architectural Engineering, Sejong University
4)Associate Professor (PhD), Department of Architectural Engineering, Gyeongsang National University
*Corresponding author: Sihn, Jiuk E-mail: jiukshin@gnu.ac.kr
October 28, 2024 December 26, 2024 December 26, 2024

Abstract


Existing reinforced concrete buildings with seismically deficient columns experience reduced structural capacity and lateral resistance due to increased axial loads from green remodeling or vertical extensions aimed at reducing CO2 emissions. Traditional performance assessment methods face limitations due to their complexity. This study aims to develop a machine learning-based model for rapidly assessing seismic performance in reinforced concrete buildings using simplified structural details and seismic data. For this purpose, simple structural details, gravity loads, failure modes, and construction years were utilized as input variables for a specific reinforced concrete moment frame building. These inputs were applied to a computational model, and through nonlinear time history analysis under seismic load data with a 2% probability of exceedance in 50 years, the seismic performance evaluation results based on dynamic responses were used as output data. Using the input-output dataset constructed through this process, performance measurements for classifiers developed using various machine learning methodologies were compared, and the best-fit model (Ensemble) was proposed to predict seismic performance.



기계학습 기반 철근콘크리트 모멘트골조 신속 내진성능 예측 모델 개발

황희진1), 오근영2), 이기학3), 신지욱4)*
1)경상국립대학교 건축공학과 박사과정
2)한국건설기술연구원 건축연구본부 수석연구원
3)세종대학교 건축공학과 교수(공학박사)
4)경상국립대학교 건축공학과 부교수(공학 박사)

초록


    1. 서 론

    내진설계가 적용되기 전 건설된 철근콘크리트(Reinforced concrete, RC) 건축물은 중력 하중에 초점을 맞추어 설계되었다. 현재 내진설계 기준과 비교하여 최대 모멘트 발생 영역에 위치하는 겹침이음, 낮은 전단철근비, 90도 갈고리 전단철근 등과 같은 상세로 설계되어 지진 등에 취약함을 보인다[1-4]. 과거 해외에서 발생된 지진(1976년 Tangshan 지진, 1989년 Loma Prieta 지진)은 내진설계가 적용되지 않은 철근콘크리트 건축물의 횡 하중에 대한 저항 능력이 부족하여 조기에 파단이 발생한 사례가 보고되었다[5]. 또한, 반복적인 재난에 노출될 경우, 건축물에 손상이 누적되어 초기 설계 의도 대비 강도 및 강성 성능이 저하되는 결과가 나타난다[6]. Shin et al.[7]은 연속 지진에 노출되어 손상된 필로티형 철근콘크리트 건물의 내진 평가를 통해, 첫 번째 지진 후 손상이 누적되면 연속 지진에 의해 심각한 추가 손상 또는 붕괴가 발생할 수 있음을 확인하였다. 또한, Shin et al.[8] 연구에서는 연속 지진 시 기존 손상상태가 구조적 응답에 미치는 영향을 분석하여, 초기 지진 손상이 후속 지진에서 구조물의 취약성을 증가시키는 것을 보여주었다.

    2023년을 기준으로 대한민국의 전체 건축물 중 약 41%가 30년 이상의 노후 건축물로 분류되며, 이 중에는 내진설계가 적용되지 않은 건축물도 포함되어 있다[9]. Waddicor et al.[10]은 건축물이 노후화됨에 따라 건축물 구성요소의 성능이 저하되어 건축물에너지 성능이 저하됨을 확인하였다. 이러한 비효율적인 에너지 소비 및 건축물의 열적 성능이 떨어지는 노후 건축 물은 국가 온실가스 감축 목표(Nationally determined contribution, NDC)[11] 달성 방안으로 그린리모델링을 적용한 연구가 진행되고 있다. 그린리모델링은 단열재 설치, 옥상정원 조성 그리고 설비 및 장치의 설치를 통해 기존 건축물의 환경 부하를 최소화하는 방안이다[12, 13]. 그린리모델 링과 함께, 기존 건축물의 기능을 개선하며 활용도를 높여 탄소배출을 저감 할 수 있는 수직증축도 방안으로 고려된다. 그린리모델링 또는 수직증축은 기존 철근콘크리트 건축물의 하중을 증가시킴에 따라 주요 구조 부재인 기둥의 축력을 증가시킨다. 과거 실험연구에서 철근콘크리트 기둥의 축력 증가에 따른 연성능력의 저하를 보여주었다[14-16]. 이는 P-delta효과에 의한 전단요구 상승으로 기둥의 본래 전단성능을 초과하여 연성능력이 저하로 이어진 것이다.

    그린리모델링 또는 수직증축을 적용하기 전, 중력 하중 증가에 따른 기존 건축물의 구조적 안전성 검토는 필수적이다. 현재 사용되는 전통적인 구조 성능평가 방법론(컴퓨터 구조해석 기반 평가방법)은 도면과 현장조사를 통해 재료 강도와 구조물의 상태를 파악한 후, 성능목표를 설정하여 평가 지진 을 산정한다. 평가 절차는 크게 선형 및 비선형 해석에 따라 구분되며, 해석 방법에 따라서 모델링에 필요한 정보 및 모델링 절차가 달라진다[17]. 2017년 감사원에서 실시한 내진보강 사업의 감사결과, 내진설계와 내진성능 평가의 차이를 이해하지 못한 부적정 사례가 지적된 바 있다[18]. 또한, 국토안전관리원에서 수행하는 시설물안전법의 기존 시설물에 대한 ‘내진성능 평가결과의 적정성 검토’ 및 지진대책법의 ‘지진안전시설물인증’ 과정에서 내진성능 평가의 부실이 확인되었다. 이러한 문제는 평가요령이 강제규정이 아닌 참고자료로만 활용되어 평가자의 전문지식 부족과 평가방법에 대한 이해 부족으로 평가결과의 일관성이 부족하여 기준 부재 및 실무 혼선(관리기 관과 평가자 간)이 발생하였다[19, 20]. 이와 더불어 에너지 성능이 취약한 노후 건축물은 그린리모델링 또는 수직증축의 주요 대상이 되며, 노후 건축물의 수는 지속적으로 증가하고 있다. 전통적인 구조성능평가 방법론은 체계적이며 효율적인 구조적 안전성 평가 방법론의 부재뿐만 아니라, 많은 인력과 시간을 소모하기에 비용 부담이 커져 그린리모델링 및 수직증축의 적용이 제한되었다[21-23].

    기계학습(Machine learning, ML) 방식을 활용하여 전통적인 구조성능 평가 방법론의 한계를 극복할 수 있다. 기계학습은 데이터를 기반으로 패턴을 학습하여 예측이나 결정을 내릴 수 있는 모델을 만드는 인공지능 기술이다. Kazemi et al.[24]은 165개의 철근콘크리트 모멘트 저항 프레임을 대상으로 점진적 동적 해석(Incremental dynamic analyses, IDA)을 수행하여 데이터 수집하여 인공신경망(ANN)과 극단 그라디언트 부스팅(XGBoost) 알고리즘으로 최대 층간변위비를 예측하였다. Esteghamati and Flint[25] 은 720개의 중층 철근콘크리트 프레임 건물의 성능을 평가하기 위해 다양한 알고리즘을 훈련하였으며, 그 중 서포트 벡터머신(SVM) 알고리즘이 지진 손실 예측에서 0.96의 결정계수(R2)로 가장 높은 정확도를 보였다. 따라서 본 연구는 철근콘크리트 건축물의 간단한 기둥 상세 및 지진파 정보를 활용하여 철근콘크리트 건축물의 내진성능을 예측할 수 있는 기계학습 모델을 개발함으로써, 구조 성능평가 과정의 효율성을 개선하고자 하였다[26].

    본 연구의 목적은 철근콘크리트 모멘트골조 기둥의 단순 상세와 지진파에 대한 정보만으로 내진성능을 예측할 수 있는 기계학습 모델을 제안하는 것이다. 본 연구에서 개발된 기계학습 모델은 기둥 주요 구조 상세 변수(콘크리트 압축강도, 축력비, 형상비, 전단철근비 그리고 주철근비)와 지진하중 관련 변수(30 m 기준 전단파 속도, 단층 유형, 진앙 거리, 단층 거리, 지진 규모, 최대지반가속도, 최대지반속도 그리고 주파수)를 입력정보로 활용하여 목표 건축물에 대한 내진성능 평가결과를 예측할 수 있다. 이를 개발하기 위하여 기둥의 파괴유형 및 건설연도를 반영할 수 있는 입력 데이터세트를 설계하였으며, 철근콘크리트 모멘트골조의 비선형 시간이력해석을 바탕으로 내진성능 평가를 실시하여 출력 데이터세트를 수집하였다. 또한, 다양한 기계학습 기법의 성능을 분석하여 예측 모델을 결정하였다.

    2. 데이터 수집

    본 연구의 데이터 수집 과정은 Fig. 1에 나타낸 것과 같이 크게 두 가지 과정으로 구성된다. 첫 번째는 입력변수 선정 및 데이터 확장 과정이다. ACI(American concrete institute)와 PEER(Pacific earthquake engineering research center) 보고서[27]에서 발표한 330개의 직사각형 철근콘크리트 기둥 실험 데이터를 바탕으로 주요 구조 상세 변수(콘크리트 압축강도, 축력비, 형상비, 전단철근비 그리고 주철근비)를 선정하였다. 이 중 연도별 내진 설계 변동성을 반영할 수 있도록 전단철근비에 따라 건설연도를 구분하였으며, 로그정규분포를 활용하여 데이터세트를 확장하였다. 확장된 데이터세트는 Kim et al.[28]의 기계학습 기반 파괴유형 예측 모델을 통해 입력변수로서의 적합성을 검토하였다. 두 번째는 동적 해석 및 출력변수 수집 과정이다. 주요 구조 상세 변수를 변환하여 OpenSees[29]의 매크로해석 기법(Macroscopic approach) 기반 수치해석 모델에 적용한 후, 비선형 시간이력해석(Nonlinear time-history analysis, NTHA)을 수행하였다. 이를 통해 산출된 데이터로 최대 층간변위비(Peak interstory drift ratio)를 산정하여 내진성능을 평가한 결과로 출력변수 데이터세트를 구성하였다.

    기계학습 기반 철근콘크리트 모멘트골조의 내진성능 예측 모델을 개발하기 위한 데이터세트를 구성하기 위해, Kim et al.[28]의 기계학습 기반 철근 콘크리트 기둥의 파괴유형 예측 모델을 활용하였다. 330개 철근콘크리트 기둥 실험 결과를 데이터베이스로 사용하여 주요 입력변수로 콘크리트 압축강도, 철근 항복강도, 축력비, 형상비, 주철근비 그리고 전단철근비를 선정하였다. 이를 통해 휨 파괴, 휨-전단 파괴 그리고 전단 파괴 중 해당 기둥의 파괴유형을 예측하였다. 과거 연구에서는 인공신경망(Artificial neural network, ANN), K-최근접 이웃(K-Nearest neighbor, KNN), 의사결정나무(Decision tree, DT) 그리고 랜덤포레스트(Random forest, RF) 등의 분류 기법을 활용하였으며, 각 모델의 반복 학습을 통하여 하이퍼파라미터의 최적화하였다. 이 중 전단 파괴유형의 재현율이 가장 높은 모델인 RF 모델을 본 연구에 적용하였다. 각 분류기법에 대한 자세한 내용은 3.2장에 설명하고 있다.

    2.1 입력변수 데이터세트

    본 연구에서 철근콘크리트 기둥의 주요 구조 상세를 나타내는 변수로 콘크리트 압축강도(fc), 축력비(P/Agfc), 형상비(L/D), 전단철근비(ρt) 그리고 주철근비(ρl)를 선정하였다. Sheikh and Yeh[30]에 따르면, 콘크리트 압축강도는 철근콘크리트 기둥의 축 하중 저항 능력 및 연성능력에 영향을 미친다. Mo and Wang[31]은 축력비가 증가할수록 P-delta 효과에 의해 휨 모멘트가 증가하며, 기둥의 전단 성능과 연성능력이 저하될 수 있음을 보여주었다. Bažant and Kwon[32]은 세장비가 증가할수록 기둥이 좌굴로 인해 취성적으로 파괴되는 경향이 강해진다는 것을 확인하였다. 이는 세장비가 큰 기둥이 좌굴 과정에서 더 많은 변형 에너지를 저장하며, 파괴 시 이 에너지가 급격히 방출되기 때문이라고 설명하였다. 세장비가 클수록 기둥의 구조적 안정성이 낮아지고, 취성적 거동이 두드러질 수 있음을 보여주었다. Shi et al.[33]은 전단철근은 철근콘크리트 기둥의 구속 효과를 극대화하여 주철근의 좌굴을 억제하여 내진 성능을 향상시키며, 주철근의 비율과 강도는 기둥의 강도 증가에 기여하지만 변형 능력에 미치는 영향은 제한적임을 보여주었다. Table 1은 직사각형 철근콘크리트 기둥 실험 데이터를 바탕으로 주요 구조 상세 변수의 통계적 요약을 제시하였으며, 최소값, 최대값, 그리고 대표값을 나타내었다. 대표값은 통계 데이터에서 가장 집중되어있는 구간의 평균값으로 정하였다.

    철근콘크리트 기둥의 주요 구조 상세의 최소값, 최대값, 그리고 대표값으로 로그정규분포를 활용하여 데이터를 확장하기 이전에, 데이터의 다양성 확보 및 내진설계 기준의 변화를 반영하기 위해 건설연도를 추정하였다. 대한민국은 1988년에 내진설계가 도입되었으며, 2005년에는 내진설계와 관련한 규칙이 건축물 구조기준 등에 관한 규칙[34]에서 건축구조 기준 [35]으로 변경되었다. 이후 2017년에는 경주지진(2016년, Korea) 및 포항 지진(2017년, Korea)을 계기로 내진설계 기준이 강화되었다. 이러한 대한민국 내진설계 기준 변화와 건축법 시행령 제32조[36]를 바탕으로, 건설 연도를 크게 네 개로 구분하였다. Table 2은 1988년, 2005년 그리고 2017년을 기준으로 건설연도를 구분하였고 이에 따른 전단철근비(ρt )를 보여준다. 철근콘크리트 기둥의 주요 구조 상세 관련 변수를 건설연도에 따라 분류 하였을 때, 전단철근비가 가장 적합한 구분 기준으로 확인되었다. 2005년과 2017년을 기준으로 전단철근비의 변화가 유의미하게 나타났으며, 1988년에 대한 구분 기준을 세우기 위하여 휨 파괴가 발생한 데이터의 최소값을 확인하여 1988년 이전과 이후를 구분하였다. 연도별 데이터 비율을 맞추기 위하여 로그정규분포를 활용하여 데이터를 각각 1000개씩 확장하였다. Fig. 2 는 확장된 데이터의 분포를 보여주며, 데이터의 분포가 어느 한 곳에 집중되지 않고 고르게 확장되었음을 확인할 수 있다.

    Kim et al.[28]의 기계학습 기반 파괴유형 예측 모델을 활용하여 파괴유형을 예측하여 건설연도별 파괴유형의 비율을 Fig. 3에 보여주었다. 시간이 지남에 따라 전단 파괴 유형의 비율이 낮아지는 추세가 나타났으며, 이는 내 진설계 기준이 강화로 인해 횡 저항 성능이 높아진 것과 일치한다. 따라서 본 연구에서 구성한 입력 데이터세트가 기계학습 모델 학습에 적합하다고 판단하였다. 또한, 입력변수 데이터세트에 기둥의 주요 구조 상세 관련 변수와 함께 예측된 파괴유형도 포함하였다.

    2.2 출력변수 데이터세트

    입력변수 데이터세트의 철근콘크리트 기둥 주요 구조 상세 관련 변수에 따른 내진성능 평가 데이터를 확보하기 위해, 노후 철근콘크리트 모멘트골조의 수치해석 모델을 사용하여 비선형 시간이력해석(Nonlinear Time History Analysis)을 수행하여 모멘트골조의 지진 응답을 산정하였다.

    수치해석 모델은 과거 연구[37, 38]에서 수립된 것으로, 과거 실험을 바탕으로 검증된 모델링 방법론을 적용하였으며 이에 대한 자세한 내용은 해당 연구를 참고할 수 있다. Fig. 4에 나타낸 것과 같이 5층-11경간 골조로 구성 되었으며, 각 층의 높이는 형상비에 의해 산정되었고 모두 동일하게 가정하 였다. 외측 보의 길이는 6,300 mm로, 중앙부 보의 길이는 7,500 mm로 설정하였다. 내진설계가 적용되기 전의 중저층 철근콘크리트 건축물은 중력하 중만을 고려하여 설계되므로 약 기둥-강 보(WCSB, Weak column-strong beam) 시스템으로 구성하였다. 수치해석 모델은 섬유(Fiber) 요소를 기반으로 매크로 해석기법(Macroscopic approach)을 활용하였다. 철근콘크리트 기둥 모델은 재료 모델의 비선형 거동, 전단 철근에 의한 구속압의 영향 그리고 부착파괴 현상을 반영하였다. 기둥의 소성힌지 영역은 변위기반 요소(Displacement-based element)를 기둥의 중앙부 및 보는 탄성 요소(Elastic element)를 접합부 영역은 강성 요소(Rigid offset)로 설정하였다. 기둥의 다양한 파괴유형을 고려할 수 있는 전단 거동 묘사할 수 있는 모델을 활용하였다. 수치해석 모델에 기둥의 주요 구조 상세 관련 변수를 적용하기 위해 변환과정을 거쳤다.

    비선형 시간이력해석을 수행하기 위해 Table 3의 과거 연구에서 제공된 50년 동안 2% 발생확률을 가진 지반가속도(재현주기 약 2400년)를 선정하였다[39]. 지진파를 무작위로 4000개의 모델에 적용하였다. 내진성능 평가 에 사용된 지진하중의 특성을 반영하기 위해, 30 m 기준 전단파 속도(Vs_30), 단층 유형(FT), 진앙 거리(Ep), 단층 거리(JB), 지진 규모(M), 최대지반가속도(PGA), 최대지반속도(PGV) 그리고 주파수(Freq)에 대한 정보를 입력변수 데이터세트에 추가하였다. 비선형 시간이력해석을 통해 산정된 지진 응답을 바탕으로 최대 층간변위비를 계산하여 모멘트골조의 성능 수준을 평가하였다.

    기계학습 기반 파괴유형 예측 모델의 결과에 따라 성능 평가 기준을 다르게 적용하였다. 휨 파괴유형으로 예측된 경우는 FEMA356[40]를, 전단 파괴로 예측된 경우는 Hazus-MH[41]를 적용하였다. FEMA356[40]에서 제안하는 철근콘크리트 골조의 성능한계 IO(Immediate occupation), LS(Life safety), CP(Collapse prevention) 그리고 C(Collapse)에 대하여 하여, 각각 1.0%, 2.0%, 4.0%의 층간변위비(Story drift ratio)로 Table 4 에 나타내었다. 또한, Hazus-MH[41]에서는 철근콘크리트 골조의 성능한계를 경미(Slight), 중간(Moderate), 광범위(Extensive), 완전(Complete) 손상 수준으로 구분하며, 각 손상 수준은 층간변위비를 기준으로 Table 4에 나타내었다. 모멘트골조의 내진설계 적용 정도에 따라 High-code, Moderate-code, Low-code, Pre-code로 분류하여 평가 기준을 달리 적용하게 되어있으며, 본 연구에서는 예측된 건설연도를 바탕으로 평가 기준을 달리 사용하였다.

    적용된 지진파를 바탕으로 골조의 층간변위비와 최대 지반가속도와의 관계로 Fig. 5와 Fig. 6에 나타내었다. Fig. 5는 기둥의 휨 파괴가 예측되는 경우로, 층간변위비가 IO와 LS 성능 수준에 집중되어있으며, 최대 지반가속도가 증가함에 따라 층간변위비가 증가하는 두드러지지 않았다. 이러한 결과는 휨 파괴가 예측되는 건축물이 지진에 대해 상대적으로 높은 저항 성능을 가지고 있음을 보여주었다. Fig. 6은 기둥의 전단 파괴가 예측되는 골조의 층간변위비와 최대지반가속도 간의 관계를 나타내었다. 1988년 이전에 건설된 건축물의 경우, E(Extensive)와 C(Complete) 손상 수준에 데이터가 집중된 반면, 2017년 이후 건축물에서는 S(Slight)와 M(Moderate) 손상 수준에 집중되었다. 이러한 변화는 내진설계 기준의 강화로 건축물의 횡 저항 성능이 향상되었음을 보여준다. 또한, 모든 그래프에서 최대 지반가속도가 증가함에 따라 층간변위비가 증가하는 추세를 보이며, 이는 전단 파괴가 예측된 골조가 지진에 대한 저항 성능이 상대적으로 낮음을 나타낸다. 따라서 도출된 내진성능 평가 결과는 기계학습 모델 학습을 위한 적합한 출력 데이터세트로 판단되었다.

    3. 기계학습 기반 내진성능예측 모델 개발

    본 연구에서 입력 및 출력 데이터세트를 바탕으로 기계학습 기반 철근콘크리트 모멘트골조의 내진성능 예측 모델을 개발하는 과정을 Fig. 7에 나타내었다. 이 과정은 데이터 전처리, 변수 선택, 분류기법 선택, 하이퍼파라미터 튜닝, 교차검증 그리고 성능평가의 단계로 구성된다. 먼저 데이터세트를 읽어 들여 훈련 데이터세트(Training dataset)와 테스트 데이터세트(Test dataset)로 나누어 입력 및 출력변수로 분할된다. 훈련 데이터세트는 모델을 훈련하기 위해 사용되며, 테스트 데이터세트는 훈련된 모델의 예측 성능과 일반화 능력을 평가하기 위해 사용된다. 이러한 데이터 분할의 이점은 기계 학습 모델이 훈련에 사용되지 않은 데이터에 대해 테스트할 수 있어, 모델의 과적합 여부를 평가할 수 있다. 이후 변수 선택 단계에서는 상관관계 분석 및 통계분석을 통해 변수의 중요도를 평가하고 파생변수를 추가하여 모델의 성능을 개선하였다. 변수 선택이 완료된 후, 다양한 학습 알고리즘을 적용하여 모델 개발을 진행하였다.

    학습에는 수집된 입력변수 및 출력변수 데이터세트를 활용하였으며, 입력변수는 표준화나 정규화를 수행하지 않은 원래 값을 사용하였다. 지도학습은 라벨이 지정된 데이터세트를 사용하여 모델을 학습시키고, 이를 통해 새로운 데이터의 결과를 예측하는 기법이다. 주어진 데이터가 연속형 변수의 경우 회귀기법을, 이산형 변수의 경우 분류기법을 사용한다. 본 연구에서는 철근콘크리트 기둥의 내진성능을 예측하기 위해 분류기법을 사용하였다. 데이터세트에 적합한 다양한 알고리즘을 선정하여 모델 학습을 수행하였으며, 하이퍼파라미터 튜닝을 통해 각 모델의 성능을 최적화하였다. 최종적으로 교차검증을 통해 각 모델의 일반화 성능을 평가하고, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-Score, 그리고 AUC(Area under the curve) 등의 성능지표를 바탕으로 모델의 성능을 평가하여 가장 적합한 모델을 선정하였다.

    3.1 입력변수 및 파생변수 선정

    본 연구에서는 철근콘크리트 기둥의 내진성능을 예측하기 위한 기계학습 모델을 개발하기 위해, 입력 데이터세트의 구성 변수 간 상관관계를 분석하였다. Fig. 8에 나타낸 바와 같이, 입력 데이터세트 변수의 기초 변수로 구성 하였으며, 각 변수 간의 상호작용을 평가하였다. 분석에 포함된 변수로는 콘크리트 압축강도(fc), 축력(P), 기둥 단면적(Ag ), 전단철근 간격(s), 주철 근 단면적(As ), 질량(Mass), 주기(T), 30m 기준 전단파 속도(Vs_30), 단층 유형(FT), 진앙 거리(Ep), 단층 거리(JB), 지진 규모(M), 최대지반가속도(PGA), 최대지반속도(PGV) 그리고 주파수(Freq)가 있다. 상관관계 분석 결과, 주철근 단면적은 기둥 파괴유형과 밀접한 관계를 보였으며, 축력과 질량과 주기는 서로 높은 연관성을 보였다. 또한, 30 m 기준 전단파 속도는 지진 규모와 진앙 거리는 규모 및 단층 거리와 강한 상관성을 보였다. 반면, 콘크리트 압축강도, 전단철근 간격, 단층 유형, 최대지반속도는 다른 변수들과 상관관계가 낮은 독립적인 변수로 확인되었다. 본 연구에서는 상관관계가 높은 변수를 바탕으로 파생변수를 생성하였으며, 생성된 파생변수의 유의성을 평가하기 위해 통계적 분석을 수행하였다. R² 값을 통해 모델이 설명 할 수 있는 분산의 비율을 평가하였고, F-통계량은 회귀모델의 유의성을, p- 값은 변수의 통계적 유의성을 검토하였다. 이를 종합적으로 고려하여 선정된 파생변수는 기계학습 모델의 예측 성능을 극대화하고, 구조적 특성과 지진파 특성 간의 상호작용을 반영할 수 있는 역할을 하였다.

    3.2 분류형 기계학습 방법론

    철근콘크리트 모멘트골조의 내진 성능을 예측하기 위해 다양한 기계학습 기법을 활용하여 예측 모델을 개발하였다. 기계학습은 데이터를 바탕으로 입력변수와 출력변수 간의 상호작용을 분석하여 새로운 데이터를 예측할 수 있다. 본 연구에서는 모델의 성능을 최적화하고 과적합을 방지하기 위해 하 퍼파라미터(Hyper-parameter) 최적화와 교차 검증(Cross- validation)을 적용하였다. 사용된 분류기법으로는 의사결정 트리, 나이브 베이즈(Naive bayes, NB), 서포트 벡터 머신(Support vector machine, SVM), K-최근접 이웃, 커널(Kernel), 앙상블(Ensemble) 그리고 인공 신경망이 있으며, 이를 통해 철근콘크리트 모멘트골조의 내진성능을 효율적으로 예측 할 수 있는 최적의 모델을 도출하고자 하였다.

    DT는 데이터를 기반으로 분류 규칙을 생성하며, 그 과정에서 데이터를 분할해 나가며 예측 규칙을 도출한다. 주요 하이퍼파라미터로는 데이터를 나누는 방법을 결정하는 분할 기준(Split criterion)과 분할을 위한 부모 노드의 최소 샘플 수(Min parent)가 있으며, 가지치기(Prune)를 통해 과적합 을 방지한다. NB는 조건부 확률에 기반하여 학습을 수행하는 알고리즘으로, 변수 간의 독립성을 가정하여 학습한다. 분포(Distribution) 및 지원 범위(Support)를 통하여 모델이 처리할 데이터의 경계를 정의한다. SVM은 주어진 데이터를 선형 또는 비선형으로 분류하기 위해 최적의 하이퍼플레인을 찾는 알고리즘이다. 비선형 데이터는 커널 함수(Kernel function)를 통해 데이터를 고차원 공간으로 변환한다. C-제약 조건으로 모델의 복잡도를 제어하며 그리드 서치(Grid search)로 최적화한다. KNN은 이웃 수(Num neighbors)를 기준으로 새로운 데이터를 분류하는 알고리즘이다. 거리 측정법(Distance)으로 유클리드 거리(Euclidean distance)를 주로 사용하여 가까운 이웃을 찾아 분류를 수행한다. 계산 비용이 줄이기 위해 적합한 샘플링 기법(Sampling method)을 사용한다. Kernel 기법은 비선형 데이터를 확장 차원(Expansion dimension)을 통해 고차원 공간으로 변환하여 선형적으로 분리할 수 있게 하는 알고리즘이다. 정규화 강도(Regularization strength) 및 커널 스케일(Kernel scale)으로 모델의 과적합을 방지한다. Ensemble 기법은 여러 약한 학습기(Weak learners)를 결합하여 성능을 향상시키는 방식으로, 배깅(Bagging)과 부스팅(Boosting)이 대표적인 방법이다. 그리드 서치를 활용하여 최적의 학습기 수(Num learners)를 결정한다. ANN은 다층 퍼셉트론(Multi layer perceptron)을 통해 비선형 데이터의 복잡한 패턴을 학습할 수 있는 알고리즘이다. 주요 하이퍼파라미터로는 계층 크기(Layer Sizes)와 활성화 함수(Activation function)가 있으며, 드롭아웃(Dropout)과 교차검증을 통해 모델의 일반화 성능을 평가 한다.

    본 연구에서는 총 7개의 기계학습 분류기법을 활용하여 철근콘크리트 모멘트골조의 내진성능을 예측하였으며, 각 기법의 하이퍼파라미터를 최적화 하였다. DT의 경우, 분할 기준과 리프노드의 최소 샘플 수와 트리의 최대 분할 수를 최적화하였으며, NB에서는 변수의 분포와 데이터의 표준화를 고려하여 파라미터를 설정하였다. SVM은 커널 함수와 C-제약 조건, 그리고 다중 클래스 분류 방식을 조정하였으며, KNN모델에서는 이웃 수와 거리 측정 방법을 조정하였다. Kernel은 반복 한도를 통해 모델의 성능을 조정하였다. 또한, Ensemble 기법은 약한 학습기 수와 학습 방법을 설정하여 최적의 성능을 얻었으며, ANN은 은닉층의 크기와 활성화 함수를 조정하였다. Table 5 은 본 연구에서 최적화한 DT, NB, SVM, KNN, Kernel, Ensemble 그리고 ANN 7개의 기계학습 모델의 주요 하이퍼파라미터를 나타낸 것으로, 최적 기계학습 모델별 구성을 확인할 수 있다.

    3.3 성능평가지표

    본 연구는 철근콘크리트 모멘트골조의 내진성능 예측 모델의 성능을 평가하기 위해 분류모델 성능평가지표를 사용하였다. 오차행렬(Confusion matrix)을 기반으로 정확도(Accuracy), 정밀도(Precision) 재현율(Recall) 그리고 F1-score를 산정하고, ROC(Receiver operating characteristic) 곡선 아래의 면적을 나타내는 지표인 AUC를 통해 모델의 성능을 평가하였다. 오차행렬은 모델의 예측 결과, 참 양성(True positive, TP), 거짓 양성(False positive, FP), 참 음성(True negative, TN) 그리고 거짓 음성(False negative, FN)으로 요약하는 표로, 모델의 예측 성능을 직관적으로 평가할 수 있다. 특히 어떤 유형의 오류가 발생하는지 분석하는 데 유용하다. 정확도는 전체 예측 중 맞춘 비율을 나타내며, TP와 TN의 합을 전체 예측 수로 나누어 산정한다. 정밀도는 양성 예측된 결과 중 실제 양성인 비율을 나타낸다. 재현율은 실제 양성 데이터 중에서 예측이 맞은 비율을 나타낸다. F1-score는 정밀도와 재현율의 조화 평균으로, 모델의 종합적인 성능을 평가하는 지표이다. 또한, ROC 곡선은 민감도(Sensitivity)와 1-특이도(Specificity)로 그려지며, 민감도는 재현율과 동일하다. AUC는 ROC 곡선 아래 면적을 나타내며, 모델이 양성과 음성을 얼마나 잘 구분하는지를 평가하는 지표로, 값이 1에 가까울수록 우수한 성능을 의미한다. 각 성능지표를 Table 6에 나타낸 것과 같이 산정하였다. 이러한 지표들을 종합적으로 고려하여, 가장 높은 예측 성능을 보이는 모델을 선정하였다.

    Table 7에는 내진성능 예측 모델을 개발하기 위해 7개의 분류 알고리즘 의 훈련 데이터세트와 테스트 데이터세트에 대한 성능평가지표(정밀도, 재 현율, F1-score 그리고 AUC) 결과를 나타내었다. 이러한 성능평가지표를 바탕으로 내진성능을 예측하기에 가장 적합한 모델을 선정하였다. 테스트 데이터세트에서 성능평가지표별 평균값에 대하여 분석하였다. AUC가 가 장 높은 모델은 평균 0.91인 Ensemble 모델로, 내진 성능 수준의 구분 능력 이 우수하였다. 그다음으로 ANN 모델이 0.90, SVM 모델이 0.89로 높은 값을 보여주었다. 정밀도와 재현율의 균형을 평가하는 F1-score는 Ensemble 모델이 평균 0.74로 가장 높았으며, ANN 모델과 SVM 모델은 각각 0.73 그리고 0.72로 나타났다. 재현율은 Ensemble과 ANN 모델이 평 균 0.74로 가장 높은 값을 보였다. 특히, Ensemble은 테스트 데이터세트에 서 LS 등급의 재현율이 0.62로 다른 모델에 비해 가장 높은 수치를 보였다. 이와 같은 결과를 종합하여 안정성 및 예측 정확도 측면에서 모든 성능평가 지표의 평균값이 가장 높은 Ensemble 모델이 내진성능 평가에 가장 적합한 모델로 판단되었다. 또한, 기계학습 기반 모델은 해석을 통한 평가 이전에 간 단한 정보만으로 내진성능을 예측한다는 점을 고려하여, 보수적인 예측이 가능한 모델이 적합할 것으로 판단되어 재현율을 중점적으로 평가하였다.

    Fig. 9은 가장 높은 정확도를 보인 Ensemble 모델의 오차행렬을 보여준다. 훈련 데이터세트와 테스트 데이터세트 간의 성능 차이를 보이지 않아 모델의 일반화 능력이 우수하다는 것을 확인할 수 있었다. IO 및 C 등급에서 테스트 데이터세트의 재현율(True positive rate, TPR)은 각각 78.1%와 80.8%로 높은 수치가 나타났다. 정밀도(Positive predictive value, PPV)는 IO 및 LS 등급에서 81.1% 및 79.3%로 우수하였다. LS 등급에서는 테스트 데이터세트의 재현율이 62.0%로 다른 등급에 비해 상대적으로 낮은 경향이 있었고, CP와 C 등급 간의 특성 유사성에 의해 일부 분류가 잘못된 경우도 발생하였다.

    4. 결 론

    본 논문에서는 철근콘크리트 모멘트골조 기둥의 단순 구조 상세 정보와 지진하중 정보만을 이용하여 내진성능을 신속하게 예측할 수 있는 기계학습 모델을 제안하였다. 내진성능 예측 모델을 개발하고 검증하기 위해, 기둥의 파괴유형과 건설연도를 반영한 입력 데이터세트를 설계하였으며, 비선형 시간이력해석을 통해 수집된 내진성능 평가결과를 출력 데이터로 사용하였다. 7개의 기계학습을 기법을 적용하였으며, 분류모델의 성능평가지표를 통해 가장 높은 성능을 보인 모델을 선정하였다.

    • 1) 철근콘크리트 모멘트골조의 내진성능을 예측을 위한 입력 데이터세트를 생성하기 위해, 건설연도에 따라 기둥 구조 상세 데이터를 균등하게 확장 하였으며, 건설연도별 파괴유형 비율을 반영하여 데이터를 설계하였다. 또한, 지진하중의 특성을 포함하여 예측의 정확도를 향상시켰으며, 총 6682개의 입력 데이터세트가 구축되었다.

    • 2) 다양한 기계학습 기법을 적용하여 예측 모델을 개발한 결과, 테스트 데이터에서 모든 성능평가지표의 평균값을 기준으로 Ensemble 모델이 가장 우수한 성능을 보였다. 전체 분류모델 대비 평균 5.74% 향상된 F1-score 를 3.32% 향상된 AUC를 보였다. 특히, LS 등급 재현율은 전체 분류 모델 대비 평균 19.23% 향상된 성능을 보여 내진성능 예측 정확도가 가장 우수할 것으로 판단되었다.

    • 3) 본 연구에서 개발한 기계학습 기반 내진성능 평가 예측 모델은 간단한 구조 상세 정보와 지진하중 정보만으로 신속하고 높은 정확도로 내진성능을 예측할 수 있는 것으로 나타났다. 해당 모델을 활용하여, 그린리모델링/수직증축 후의 내진성능과 비교하여 목표 내진성능 범위 내에 축력 증가 허용범위를 제시할 수 있는 방법론에 적용하고자 한다.

    / 감사의 글 /

    본 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원(RS-2024-00348713) 및 과학기술정보통신부의 재원으로 수행된 한국건설기술연구원 주요사업의 결과물임(No. 20240190-001).

    Figure

    EESK-29-3-151_F1.gif

    Data collection and processing flowchart

    EESK-29-3-151_F2.gif

    Frequency of structural detail variables for RC columns

    EESK-29-3-151_F3.gif

    ML Predicted failure mode ratios of RC columns by construction year

    EESK-29-3-151_F4.gif

    Design information of existing RC structure

    EESK-29-3-151_F5.gif

    Performance limits based on the IDR-PGA for flexural failure

    EESK-29-3-151_F6.gif

    Performance limits based on the IDR-PGA for shear failure

    EESK-29-3-151_F7.gif

    Machine learning workflow for model development

    EESK-29-3-151_F8.gif

    Correlation matrix of independent features

    EESK-29-3-151_F9.gif

    Confusion matrix by ensemble model

    Table

    Statistical summary of the experimental database

    Transverse reinforcement ratio by construction year

    Historical ground motion dataset (FEMA P695)

    Performance level and damage of RC moment resisting frames

    Optimized hyper-parameters for ML algorithms

    ML algorithms performance indicators used for evaluating the ML models

    ML algorithms performance indicators used for evaluating the ML models

    Reference

    1. Aycardi LE, Mander JB, Reinhorn AM. Seismic resistance of reinforced concrete frame structures designed only for gravity loads: experimental performance of subassemblages. Structural Journal. 1994;91(5):552-563.
    2. El-Attar AG, White RN, Gergely P. Behavior of gravity load design reinforced concrete buildings subjected to earthquakes. Structural Journal. 1997;94(2):133-145.
    3. Kam WY, Pampanin S, Elwood K. Seismic performance of reinforced concrete buildings in the 22 February Christchurch (Lyttleton) earthquake. New Zealand Society for Earthquake Engineering. 2011 Dec;44(4):239-278.
    4. Priestley MJN. Displacement-based seismic assessment of reinforced concrete buildings. J Earthquake Eng. 1997;1(1):157-192.
    5. Shiping H. Seismic design of buildings in China. Earthq Spectra. 1993;9:703-737.
    6. Lazaridis PC, Kavvadias IE, Demertzis K, Iliadis L, Vasiliadis LK. Interpretable machine learning for assessing the cumulative damage of a reinforced concrete frame induced by seismic sequences. Sustainability. 2023;15:12768.
    7. Shin J, Kim J, Lee K. Seismic assessment of damaged piloti-type RC building subjected to successive earthquakes. Earthq Eng Struct Dyn. 2014;43:1603–1619.
    8. Shin J, Jeon JS, Kim J. Mainshock-aftershock response analyses of FRP-jacketed columns in existing RC building frames. Eng Struct. 2018;165:315-330.
    9. Ministry of Land, Infrastructure and Transport. Total of 7,354,340 Buildings Nationwide... Total Floor Area 4.13 Billion m2. Press Release; 2023 [cited 2024 04 19]; Available from: https://www.molit.go.kr/USR/NEWS/m_71/dtl.jsp?lcmspage=1&id=95087983
    10. Waddicor DA, Fuentes E, Siso L, Salom J, Favre B, Jimenez C, Azar M. Climate change and building ageing impact on building energy performance and mitigation measures application: A case study in Turin, northern Italy. Build Environ. 2016;102:13-25.
    11. Lennan M, Morgera E, The Glasgow Climate Conference (COP26). Int J Mar Coast Law. 2022;37:137-151.
    12. Woo S, Kang K, Lee S. Analysis of energy-saving effect of green remodeling in public welfare facilities for net zero: The case of public daycare centers, public health centers, and public medical institutions. Buildings. 2024;14(4):949.
    13. Cho JH, Bae S, Nam Y. Analysis of the energy and economic effects of green remodeling for old buildings: A case study of public daycare centers in South Korea. Energies. 2023;16(13):4961.
    14. Gill WD. Ductility of rectangular reinforced concrete columns with axial load; c1979.
    15. Lehman DE. Seismic performance of well-confined concrete bridge columns; c2000.
    16. Sheikh SA, Yeh CC. Flexural behavior of confined concrete columns. In Journal Proceedings. 1986;83(3):389-404.
    17. Ministry of Land, Korea Authority of Land & Infrastructure Safety. Korea Institute of Civil Engineering and Building Technology, Guidelines for Seismic Performance Evaluation of Existing Structures (Buildings); c2023.
    18. Min C, Kang K, Wang H. Consideration on Failure Cases of existing buildings seismic performance evaluation. Korea Society for Structural Maintenance and Inspection. 2021;25(2):42-42.
    19. Board of Audit and Inspection. Audit report on disaster preparedness of major national facilities. Seoul: Board of Audit and Inspection; c2017 Jul. 226 p.
    20. The Board of Audit and Inspection of Korea. Audit Report (Disaster Preparedness Status of National Key Facilities) 2017 [cited 2024 07 13]; Available from: https://www.bai.go.kr/bai/result/branch/detail?srno=2069
    21. Ministry of Land, Korea Institute of Construction Technology Evaluation. Final Report on the Development of Technology for Improving the Structural and Facility Performance of Aged Apartment Buildings, Korea, Ministry of Land; c2010.
    22. Han JY, Shin DW. A study on the story increase for securing the feasibility of aged-housing remodeling. Korean J Constr Eng Manag. 2012;13:152-159.
    23. Amoah C, Smith J. Barriers to the green retrofitting of existing residential buildings. J Facil Manag. 2024;22:194-209.
    24. Kazemi F, Asgarkhani N, Jankowski R.. Machine learning-based seismic response and performance assessment of reinforced concrete buildings. Arch Civ Mech Eng. 2023;23(2):94.
    25. Esteghamati MZ, Flint MM. Developing data-driven surrogate models for holistic performance-based assessment of mid-rise RC frame buildings at early design. Eng Struct. 2021;245:112971.
    26. Xiao C, Qiao B, Li J, Yang Z, Ding J. Prediction of transverse reinforcement of RC columns using machine learning techniques. Adv. Civ. Eng.; c2022.
    27. Berry M, Parrish M, Eberhard M. PEER structural performance database user’s manual (version 1.0). Berkeley: University of California; c2004.
    28. Kim S, Hwang H, Oh K, Shin J. A machine-learning-based failure mode classification model for reinforced concrete columns using simple structural information. Applied Sciences. 2024;14(3):1243.
    29. McKenna F, Scott MH, Fenves GL. Nonlinear finite-element analysis software architecture using object composition. J Comput Civ Eng. 2010;24(1):95-107.
    30. Sheikh, SA, Yeh CC. Flexural behavior of confined concrete columns. In Journal Proceedings 1986; Vol. 83:No. 3: 389-404.
    31. Mo YL, Wang SJ. Seismic behavior of RC columns with various tie configurations. J Struct Eng. 2000;126(10):1122-1130.
    32. Bažant, ZP, Kwon Y. Failure of slender and stocky reinforced concrete columns: Tests of size effect. Mater. Struct. 1997;27:79-90.
    33. Shi Q, Ma L, Wang Q, Wang B, & Yang K. Seismic performance of square concrete columns reinforced with grade 600 MPa longitudinal and transverse reinforcement steel under high axial load. Structures. 2021;32:1955-1970.
    34. Ordinance of the Ministry of Land, Regulations on Structural Standards for Buildings; c2005.
    35. Notification of the Ministry of Land, Structural Standards for Buildings; c2022.
    36. Presidential Decree. Enforcement Decree of the Building. Article 32; c2024.
    37. Jeon, JS. Aftershock vulnerability assessment of damaged reinforced concrete buildings in California. 2013
    38. Hwang H, Oh K, Choi I, Kang J, Shin J. Rapid Estimation Method of Allowable Axial Load for Existing RC Building Structures to Improve Sustainability Performance. Sustainability. 2024;16(15): 6578.
    39. Applied Technology Council. Quantification of building seismic performance factors. US Department of Homeland Security, FEMA; c2009.
    40. FEMA 356, F. E. Prestandard and commentary for the seismic rehabilitation of buildings. Federal Emergency Management Agency: Washington, DC, USA; c2000.
    41. FEMA, H. Hazus earthquake model technical manual. Federal Emergency Management Agency–FEMA, Washington DC EE. UU; c2020.
    Journal Abbreviation J. Earthq. Eng. Soc. Korea
    Frequency Bimonthly
    Doi Prefix 10.5000/EESK
    Year of Launching 1997
    Publisher Earthquake Engineering Society of Korea
    Indexed/Tracked/Covered By