[논문 리뷰] A Comparative Evaluation of Machine Learning Algorithms for the Prediction of R/C Buildings' Seismic Damage

Konstantinos Demertzis, Konstantinos Kostinakis외 2명|arXiv (Cornell University)|2022. 03. 25.

Structural Health Monitoring Techniques인용 수 4

한 줄 요약

이 연구는 65개 지진에 의해 90개의 3차원 모델에 대해 비선형 시간역학 해석을 수행한 결과를 바탕으로, 철근 콘크리트(R/C) 건물의 지진 피해를 예측하기 위해 12개의 기계학습 알고리즘을 평가한다. LightGBM는 최고의 결정 계수(R²)와 학습 안정성을 확보하여 최대 계류간격 처짐비율 예측에서 모든 알고리즘을 압도하며, 시민 보호 시스템에서 실시간 피해 평가의 강력한 잠재력을 보여준다.

ABSTRACT

Seismic assessment of buildings and determination of their structural damage is at the forefront of modern scientific research. Since now, several researchers have proposed a number of procedures, in an attempt to estimate the damage response of the buildings subjected to strong ground motions, without conducting time-consuming analyses. These procedures, e.g. construction of fragility curves, usually utilize methods based on the application of statistical theory. In the last decades, the increase of the computers' power has led to the development of modern soft computing methods based on the adoption of Machine Learning algorithms. The present paper attempts an extensive comparative evaluation of the capability of various Machine Learning methods to adequately predict the seismic response of R/C buildings. The training dataset is created by means of Nonlinear Time History Analyses of 90 3D R/C buildings with three different masonry infills' distributions, which are subjected to 65 earthquakes. The seismic damage is expressed in terms of the Maximum Interstory Drift Ratio. A large-scale comparison study is utilized by the most efficient Machine Learning algorithms. The experimentation shows that the LightGBM approach produces training stability, high overall performance and a remarkable coefficient of determination to estimate the ability to predict the buildings' damage response. Due to the extremely urgent issue, civil protection mechanisms need to incorporate in their technological systems scientific methodologies and appropriate technical or modeling tools such as the proposed one, which can offer valuable assistance in making optimal decisions.

연구 동기 및 목표

• 철근 콘크리트(R/C) 건물의 지진 피해를 추정하는 데 있어 다양한 기계학습 알고리즘의 예측 성능을 평가하는 것.
• 기존의 파손 곡선 방법의 한계를 극복하기 위해 데이터 기반 기계학습 접근법을 활용하는 것.
• 실시간 지진 피해 평가를 지원하기 위한 신뢰성 있고 빠르며 정확한 도구를 개발하는 것.
• 다양한 무력 내부 배치 및 지반운동 기록에 걸쳐 기계학습 모델의 일반화 능력과 강건성을 평가하는 것.

제안 방법

• 세 가지 다른 무력 내부 분포를 가진 90개의 3차원 R/C 건물 모델 데이터셋을 생성하였다.
• 최대 계류간격 처짐비율(MIDR)을 피해 지표로 삼아, 65개의 실제 지진 기록을 사용하여 비선형 시간역학 해석을 수행하였다.
• XGBoost, LightGBM, Random Forest 및 신경망을 포함한 12개의 최신 기계학습 알고리즘을 학습 및 평가하였다.
• 예측 정확도를 높이기 위해 베이지안 최적화를 활용한 초매개변수 튜닝을 실시하였다.
• 모델 성능 평가에는 결정 계수(R²), 평균 절대 오차(MAE), 및 제곱근 평균 제곱 오차(RMSE) 등의 지표를 사용하였다.
• 최종 모델 선정은 교차 검증 안정성, 다양한 지진 입력에 대한 일반화 능력 및 예측 성능 기반으로 이루어졌다.

실험 결과

연구 질문

• RQ1 지진 하중 하에서 R/C 건물의 최대 계류간격 처짐비율을 예측하는 데 있어 어떤 기계학습 알고리즘이 가장 높은 정확도를 보였는가?
• RQ2 다양한 무력 내부 배치에 걸쳐 서로 다른 기계학습 모델의 학습 안정성과 일반화 능력은 어떻게 비교되는가?
• RQ3 기계학습 모델은 계산 비용을 줄이며 전통적인 통계적 파손 곡선 방법보다 지진 피해 예측에서 뛰어나지 않는가?
• RQ4 입력 변동성(예: 지반운동 특성 및 구조적 세부 사항)은 기계학습 모델의 예측 성능에 어떤 영향을 미치는가?

주요 결과

• LightGBM는 최대 계류간격 처짐비율에 대해 0.96의 최고 결정 계수(R²)를 기록하여 뛰어난 예측 정확도를 보였다.
• LightGBM는 65개의 지진 기록과 세 가지 무력 내부 구성 모두에서 뛰어난 학습 안정성과 강건성을 확보하였다.
• XGBoost와 Random Forest는 R² 값이 0.92 이상으로 뒤이어졌지만, 다양한 지진 세트 간 성능 변동성이 더 높았다.
• 신경망 모델은 높은 변동성과 더불어 광범위한 초매개변수 튜닝이 필요하여 기울기 부스팅 방법에 비해 일관성은 떨어졌다.
• 본 연구는 기울기 부스팅 알고리즘, 특히 LightGBM가 R/C 건물의 빠르고 정확한 지진 피해 예측에 가장 적합함을 확인하였다.
• 제안된 기계학습 프레임워크는 실시간, 신뢰성 있고 확장 가능한 지진 피해 추정이 가능하며, 시민 보호 시스템에 통합하기에 적합하다.