請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/88881完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 呂良正 | zh_TW |
| dc.contributor.advisor | Liang-Jenq Leu | en |
| dc.contributor.author | 李權恩 | zh_TW |
| dc.contributor.author | Chuan-En Li | en |
| dc.date.accessioned | 2023-08-16T16:11:06Z | - |
| dc.date.available | 2023-11-09 | - |
| dc.date.copyright | 2023-08-16 | - |
| dc.date.issued | 2023 | - |
| dc.date.submitted | 2023-08-09 | - |
| dc.identifier.citation | Altmann, A., Toloşi, L., Sander, O., & Lengauer, T. (2010). Permutation importance: a corrected feature importance measure. Bioinformatics, 26(10), 1340-1347.
Ballal, T. M., & Sher, W. D. (2003). Artificial neural network for the selection of buildable structural systems. Engineering, Construction and Architectural Management. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32. Charalampakis, A. E., & Papanikolaou, V. K. (2021). Machine learning design of r/c columns. Engineering Structures, 226, 111412. Chollet, F. (2021). Deep learning with python. Simon and Schuster. Chung, J., Gülçehre, Ç., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. CoRR, abs/1412.3555. Crevier, D. (1993). Ai: the tumultuous history of the search for artificial intelligence. Basic Books, Inc. Feng, D.-C., Liu, Z.-T., Wang, X.-D., Chen, Y., Chang, J.-Q., Wei, D.-F., & Jiang, Z.-M. (2020). Machine learning-based compressive strength prediction for concrete: An adaptive boosting approach. Construction and Building Materials, 230, 117000. Fisher, A., Rudin, C., & Dominici, F. (2019). All models are wrong, but many are useful: Learning a variable’s importance by studying an entire class of prediction models simultaneously. J. Mach. Learn. Res., 20(177), 1–81. Gunaratnam, D. J., & Gero, J. S. (1994). Effect of representation on the performance of neural networks in structural engineering applications. Computer-Aided Civil and Infrastructure Engineering, 9(2), 97-108. Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2012). Improving neural networks by preventing co-adaptation of feature detectors. CoRR, abs/1207.0580. Hochreiter, S. (1998). The vanishing gradient problem during learning recurrent neural nets and problem solutions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 6(02), 107–116. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International conference on machine learning (pp. 448–456). Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Li, G., Zhang, A., Zhang, Q., Wu, D., & Zhan, C. (2022). Pearson correlation coefficientbased performance enhancement of broad learning system for stock price prediction. IEEE Transactions on Circuits and Systems II: Express Briefs, 69(5), 2413-2417. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115–133. Naderpour, H., Mirrashid, M., & Parsa, P. (2021). Failure mode prediction of reinforced concrete columns using machine learning methods. Engineering Structures, 248, 113263. Rahman, J., Ahmed, K. S., Khan, N. I., Islam, K., & Mangalathu, S. (2021). Data-driven shear strength prediction of steel fiber reinforced concrete beams using machine learning approach. Engineering Structures, 233, 111743. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. nature, 323(6088), 533–536. Wakjira, T. G., Alam, M. S., & Ebead, U. (2021). Plastic hinge length of rectangular rc columns using ensemble machine learning model. Engineering Structures, 244, 112808. 李牧軒 (2022)。應用深度學習輔助 RC 建築之柱斷面設計。國立臺灣大學土木工程研究所碩士論文。 陳穎君 (2021)。應用機器學習於混凝土抗壓強度預測及 RC 建築梁柱設計。國立臺灣大學土木工程研究所碩士論文。 | - |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/88881 | - |
| dc.description.abstract | 本研究應用深度學習演算法，結合至土木實務設計中，蒐集真實設計建案作為訓練資料，用以預測柱斷面設計中的柱主鋼筋量與柱斷面積，在實際應用上只需將參數輸入至模型，即可獲得預測值，此預測值可以給予設計者在初期以及調整階段的建議值，以幫助減少設計時間，也可以用於完成設計後檢核是否有斷面設計錯誤的情況。
真實設計建案由築遠工程顧問有限公司提供，從約40棟建築之結構計算書、平面圖以及柱配筋詳圖中取得輸入參數，輸入參數區分為建築參數與柱參數，建築參數用於描述不同建築物之間的區隔，而柱參數則用於描述每根柱在不同樓層之間的差異，柱參數進一步分為兩種類型，一種與柱的斷面性質相關，另一種與柱周圍性質相關(如：樓板厚度)。透過建築參數與柱參數的組合，可以充分展現每筆柱資料獨有的特性。 模型建立上須考慮預測目標與應用方式，預測目標有兩種：柱主鋼筋量、柱斷面積；應用方式依照輸入方式區分為兩種：初始建議值、調整建議值與檢核值，故本研究須建立四個回歸模型。 模型訓練過程使用的深度學習模型包括人工神經網路ANN與遞迴類型神經網路GRU，分別探討兩種模型的表現。在參數選取上搭配皮爾森相關係數來選取輸入參數集，最後從不同面向分析並探討預測結果。 | zh_TW |
| dc.description.abstract | This thesis utilizes deep learning algorithms in conjunction with civil engineering design practices to predict the reinforcement area and section area in column design. Real building case are collected as training data to develop a predictive model. By inputting the relevant parameters into the model, designers can obtain predicted values, which provide suggestions during the initial and adjustment phases of the design process. These predictions assist in reducing design time and can also be used to check for significant errors after completing the design.
Input parameters are obtained from the structural calculation sheets, floor plans, and detailed column reinforcement drawings of approximately 40 buildings. The input parameters are divided into building parameters and column parameters.The building parameters are used to describe the distinctions between different buildings, while the column parameters are used to describe the variations of each column between different floors.The column parameters are further divided into two types. The first type is related to the properties of the column section, while the second type is related to the properties surrounding the column. By combining the building parameters and column parameters, the unique characteristics of each column data can be fully represented. The model building considers both the prediction targets and their applications. The prediction targets consist of the reinforcement area and section area. The applications are divided into two types based on the input method: initial suggestion values and adjustment/checking values. Therefore, four regression models are developed in this study. During the training process, the deep learning models used include Artificial Neural Networks (ANN) and a type of Recurrent Neural Network called Gated Recurrent Unit (GRU). Parameter selection is conducted using the Pearson correlation coefficient, which helps choose the input parameter set. Finally, the prediction results are analyzed and explored from different perspectives. | en |
| dc.description.provenance | Submitted by admin ntu (admin@lib.ntu.edu.tw) on 2023-08-16T16:11:06Z No. of bitstreams: 0 | en |
| dc.description.provenance | Made available in DSpace on 2023-08-16T16:11:06Z (GMT). No. of bitstreams: 0 | en |
| dc.description.tableofcontents | 誌謝 iii
摘要 v Abstract vii 目錄 ix 圖目錄 xiii 表目錄 xvii 第一章 緒論 1 1.1 研究動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 文獻回顧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 各章內容 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 第二章 研究方法 5 2.1 前言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 人工智慧、機器學習與深度學習 . . . . . . . . . . . . . . . . . . . . 5 2.2.1 人工智慧 (Artificial Intelligence) . . . . . . . . . . . . . . . . . . 6 2.2.2 機器學習 (Machine Learning) . . . . . . . . . . . . . . . . . . . . 6 2.2.3 深度學習 (Deep Learning) . . . . . . . . . . . . . . . . . . . . . . 8 2.3 深度學習模型介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3.1 人工神經網路 (Artificial Neural Network, ANN) . . . . . . . . . . 9 2.3.2 遞迴神經網路 (Recurrent Neural Network, RNN) . . . . . . . . . . 13 2.3.3 長短期記憶模型 (LSTM) . . . . . . . . . . . . . . . . . . . . . . 14 2.3.4 門控循環單元 (GRU) . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4 模型應用方式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 第三章 資料庫 19 3.1 前言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2 基本假設 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.3 資料庫來源 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.4 資料庫參數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.4.1 建築參數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.4.2 柱參數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5 輸入樓層選取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.5.1 所有樓層 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.5.2 變化樓層 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6 實際範例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.7 資料切分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 第四章 柱主鋼筋量預測 37 4.1 前言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2 應用方式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3 樓層資料選取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.4 模型架構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4.1 人工神經網路 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4.2 遞迴神經網路 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4.3 超參數設定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5 資料前處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.6 資料後處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.7 評估指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.8 GRU 模型架構分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.8.1 預測目標加入輸入參數與否 . . . . . . . . . . . . . . . . . . . . 46 4.8.2 GRU 窗口大小分析 . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.9 參數篩選與模型選取 . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.9.1 參數重要性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.10 學習曲線 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.11 誤差分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.11.1 高中低樓層分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.11.2 真實案例分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 4.12 小結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 第五章 柱斷面積預測 69 5.1 前言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.2 應用方式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.3 樓層資料選取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 5.4 模型架構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 5.4.1 超參數設定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 5.5 預測目標探討 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.6 資料前處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.7 評估指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 5.8 參數篩選 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 5.8.1 參數重要性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5.9 學習曲線 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 5.10 誤差分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 5.10.1 高中低樓層分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 5.10.2 真實案例分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 5.11 小結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 第六章 結論與未來展望 91 6.1 結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 6.2 未來展望 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 參考文獻 95 附錄 一 — RC 建築資料庫建築參數列表 97 附錄 二 — RC 建築資料庫柱參數列表 99 | - |
| dc.language.iso | zh_TW | - |
| dc.subject | RC建築 | zh_TW |
| dc.subject | 柱斷面積 | zh_TW |
| dc.subject | 柱主鋼筋量 | zh_TW |
| dc.subject | 遞迴神經網路 | zh_TW |
| dc.subject | 深度學習 | zh_TW |
| dc.subject | 人工神經網路 | zh_TW |
| dc.subject | Cross sectional area | en |
| dc.subject | Reinforcement area | en |
| dc.subject | Artificial neural network | en |
| dc.subject | RC building | en |
| dc.subject | Recurrent neural network | en |
| dc.title | 應用深度學習預測RC建築之柱斷面設計 | zh_TW |
| dc.title | Applying Deep Learning to Predict the Column Section design of RC Building | en |
| dc.type | Thesis | - |
| dc.date.schoolyear | 111-2 | - |
| dc.description.degree | 碩士 | - |
| dc.contributor.oralexamcommittee | 黃仲偉;宋裕祺;郭世榮 | zh_TW |
| dc.contributor.oralexamcommittee | Chang-Wei Huang;Yu-Chi Sung;Shyh-Rong Kuo | en |
| dc.subject.keyword | RC建築,柱斷面積,柱主鋼筋量,深度學習,人工神經網路,遞迴神經網路, | zh_TW |
| dc.subject.keyword | RC building,Cross sectional area,Reinforcement area,Artificial neural network,Recurrent neural network, | en |
| dc.relation.page | 101 | - |
| dc.identifier.doi | 10.6342/NTU202302953 | - |
| dc.rights.note | 未授權 | - |
| dc.date.accepted | 2023-08-10 | - |
| dc.contributor.author-college | 工學院 | - |
| dc.contributor.author-dept | 土木工程學系 | - |
| 顯示於系所單位： | 土木工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-111-2.pdf 未授權公開取用 | 5.57 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。