철근 콘크리트 기둥의 비선형 모델 매개변수 예측을 위한 기계학습 회귀모델 제안

Abstract

ASCE 41-17은 철근콘크리트 기둥부재의 비선형 모델링 매개변수에 대한 경험식을 제공한다. 그러나, RC 기둥의 비탄성 영역 응답은 다양한 부재 물성치에 대해 매우 비선형적인 관계를 가져, 기존의 경험식 함수형태는 이를 적절하게 표현하지 못하는 한계점을 지닌다. 이를 극복하고자 XGBoost 알고리즘을 사용한 기계학습 기반 회귀모델을 구축하였다. ACI 369/NEES에서 제공하는 직사각 단면 RC 기둥 실험체 275개에 대한 단면, 재료강도, 철근 상세에 관한 물성치 22개를 입력변수로 삼았으며, 모델링 파라미터를 구성하는 뼈대곡선 각 지점에 대한 8개의 예측 변수를 대상으로 하였다. 모델 구축에 있어 k-fold 교차검증에 따른 유효한 일반화 성능을 확보하기 위해 초기 하이퍼파라미터 튜닝을 선행 적용하기위한 절차를 제안하였다. 이상치 제거 및 변수 추출에 관한 방법론을 제시하였다. 8개 예측 변수에 대한 10-fold 교차검증, 뼈대곡선 및 모델링 파라미터의 예측 대 실제 결과를 비교하여 예측 모델의 정확성을 검증하였다.|ASCE 41-17 provides empirical equations for nonlinear modeling parameters of reinforced concrete columns. However, the inelastic range response of RC columns has a highly nonlinear relationship with various properties, and the existing empirical equations based on linear regression does not adequately represent it. To overcome this, a machine learning-based regression model using the XGBoost algorithm was developed. Twenty-two physical properties of cross-section, material strength, and reinforcement details for 275 rectangular section RC columns provided by ACI 369/NEES were taken as input variables, and eight output variables were targeted for each point of the backbone curve, which constitute the modeling parameters of ASCE 41. To ensure valid and reliable predictive model performance, this study proposed a procedure to apply initial hyperparameter tuning during model building. A methodology for outlier elimination and feature selection was presented. The accuracy of the predictive model was verified by 10-fold cross-validation for eight predictor variables, comparing the predicted versus measured values of the backbone curves and modeling parameters.