A Case-Based Reasoning and Learning Mechanism and Its Applications on Preliminary Aseismic Assessment of Buildings

本研究的目的在建立一個案例式自我學習推理機制（Case-Based Reasoning and Learning Mechanism，簡稱CBRL機制），希望應用在能夠以數值參數模擬的工程案例上。其方法為對於已經存在的數值案例庫，藉由本研究所提出的參數分析方法所得到的各參數影響因子，決定相似度計算時所需的各參數權重，經由相似度計算求得所有案例的相似度後，再利用影響因子所求得的影響度方程式，將最相似的案例調適出待求解案例的解答。此機制可以避免相似度計算時人為決定權重的主觀因素，並在自動化的機制下，隨著案例的增加與待求解案例各參數的不同，可以自動調整相似度計算所使用各參數的權重，與調適階段所使用的影響度方程式，達到自我學習的效果，並提高評估結果的準確程度。 本研究以CBRL機制實作一個CBRL雛型系統，並以現有內含五萬六千筆數值案例的傳統中小學耐震能力案例庫為例，以逐步增加案例的方式來驗證CBRL機制的自我學習的能力及評估結果的準確程度。接著在CBRL雛型系統上建置傳統中小學教室建築耐震評估專家系統介面，成為傳統中小學教室建築耐震評估專家系統。本研究以學校建築的實際案例驗證了專家系統的評估準確程度，希望傳統中小學教室建築耐震評估專家系統可以協助耐震專業人員進行較為快速而準確的傳統中小學的耐震初步評估。更希望CBRL機制不僅用於傳統中小學耐震評估，亦可提供其他工程領域的案例式推理之專家系統使用。This research proposes a Case-Based Reasoning and Learning (CBRL) mechanism. For reasoning on engineering cases which can be numerically simulated. The weighting values in the recall process and the influence equations in the adapt process of CBRL can be adjusted automatically when the amount of cases in case base increases. Therefore, the machine learning purpose can be achieved and the accuracy of reasoning solutions can be increased. The subjective defect of artificial determination of weighting values for similarity computation can also be avoided by using the proposed CBRL mechanism. To investgate the effectiveness of learning and accuracy of reasoning for the CBRL mechanism, a system for preliminary aseismic capacity assessment of traditional school classroom buildings is implemented using the CBRL mechanism. During the investigation, the amount of cases in the numerical case base of traditional school classroom buildings gradually increased from 480 to 56,250. It has been shown that the accuracy of the CBRL reasoning increases as the amount of cases in the case base increases. Furthermore, the results of the CBRL reasoning have been compared with those of the CBR ones to examine and demonstrate the effectiveness of the CBRL learning mechanism.摘要 ii 表目錄 vii 圖目錄 ix 第一章 緒論 1 1.1 研究動機與目的 1 1.2 研究方法 4 1.3 研究範圍與限制 5 1.4 論文章節組織架構 6 第二章 案例式自我學習推理機制 9 2.1 文獻回顧 9 2.2 CBRL機制 15 2.3 案例式學習機制 17 2.3.1 參數分析 17 2.3.2 學習週期 20 2.4 案例式推理機制 21 2.4.1 案例擷取階段 21 2.4.2 案例調適階段 24 第三章 CBRL雛型系統之建置 27 3.1 系統分析 27 3.2 系統設計與實作 29 3.2.1 系統設計 29 3.2.2 系統實作 33 3.3 雛型系統展示 36 第四章 傳統中小學教室建築耐震案例庫之建置及參數分析 47 4.1 傳統中小學教室建築分析模型之參數化研究 47 4.2 案例編碼與數值案例庫欄位 49 4.3 鋼筋混凝土建築物耐震能力評估法 54 4.3.1 強度韌性法分析流程與理論基礎 54 4.3.2 強度韌性法分析程式 58 4.4 鋼筋混凝土耐震能力評估法之自動化研究 59 4.4.1 強度韌性法使用流程 59 4.4.2 傳統中小學數值案例庫建置流程 60 4.5 案例庫參數分析 63 4.5.1 地上樓層數 63 4.5.2 教室單元數 65 4.5.3 樓高 68 4.5.4 混凝土強度 70 4.5.5 鋼筋強度 73 4.5.6 梁柱斷面尺寸 75 4.5.7 柱鋼筋比 79 4.5.8 梁鋼筋比 81 4.5.9 箍筋間距 83 4.5.10 影響參數分析結果討論 85 第五章 案例研究 87 5.1 CBRL機制的學習能力與準確程度之驗證 87 5.1.1 測試案例研究 88 5.1.2 權重計算與調適方法之比較 98 5.2 傳統中小學教室建築耐震初步評估實例應用 103 5.2.1 傳統中小學教室建築耐震評估專家系統介面 103 5.2.2 台北市國中之典型校舍結構 111 5.2.3 台南市後甲國中群育樓 118 5.2.4 評估結果的比較與討論 124 5.3 傳統中小學教室建築耐震案例庫之應用 125 5.3.1 國民中小學校舍耐震能力初步評估法 126 5.3.2 測試案例之驗證 128 第六章 結論與建議 137 6.1 結論 137 6.2 建議 140 參考文獻 14