선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 구조물이 손상을 받을 때 감소하는 고유진동수 데이터를 직접 사용하지 않고 고유진동수의 감소율에 관심을 가진다. 고유진동수의 감소율의 변화 특성을 알아보고 고유진동수의 감소율에 대한 데이터를 인공신경망에 적용하여 구조물의 손상 위치와 손상 정도를 파악한다.
- 본 논문에서는 보의 손상평가에 고유진동수의 변화를 이용하되 측정오차까지 고려하였다. 구조물이 국부적으로 손상을 받으면 강성이 감소하여 고유진동수 값이 감소하게 된다.
가설 설정
- 단면의 손상은 Pandey(1991)등의 논문에서 사용한 방법과 같은 방법으로 손상을 받은 부재의(EI) 값의 감소, 곧 단면2차모멘트(1)의 감소로 가정하였다.
제안 방법
- 의 감소율에 관심을 가진다. 고유진동수의 감소율의 변화 특성을 알아보고 고유진동수의 감소율에 대한 데이터를 인공신경망에 적용하여 구조물의 손상 위치와 손상 정도를 파악한다. 여기서 사용하는 고유진동수의 감소율은 손상이 없는 보의 고유진동수에 대한 손상을 받은 보의 고유진동수의 비를 말한다.
- 두 번째와 세 번째 학습경우들은 자료를 측정하는 경우에 피할 수 없는 측정오차를 고려하였다. 두 번째 학습은 수치해석 모델의 결과를 가지고 최대 3%의 무작위 측정오차를 포함하는 학습 자료를 만들어 사용하였으며, 세 번째 학습은 수치해석 모델의 결과를 가지고 최대 5%의 무작위 측정오차를 포함하는 학습 자료를 만들어 사용하였다.
- 그러나 다른 모드에서는 그 값이 달라진다. 따라서 손상 정도와 손상위치에 따라 충분히 다른 유일한 고유진동수감소율의 값을 갖도록 하기 위해서 첫 번째 모드에서 다섯 번째 모드까지 모두 5개의 모드에서 측정, 계산된 고유진동수 감소율이 모두 같은 경우에만 존재하도록 5개의 모드를 사용하였다. 또한 고유진동수 감소율의 값들은 좌우 대칭이므로 대칭의 좌측인 1번 부재에서 10번 부재까지 측정된 감소율들만 이용하였다.
- 따라서 손상 정도와 손상위치에 따라 충분히 다른 유일한 고유진동수감소율의 값을 갖도록 하기 위해서 첫 번째 모드에서 다섯 번째 모드까지 모두 5개의 모드에서 측정, 계산된 고유진동수 감소율이 모두 같은 경우에만 존재하도록 5개의 모드를 사용하였다. 또한 고유진동수 감소율의 값들은 좌우 대칭이므로 대칭의 좌측인 1번 부재에서 10번 부재까지 측정된 감소율들만 이용하였다. 이러한 대칭성 때문에 최종적으로 좌측 부재들(1번 부재에서 10번 부재)에서 평가된 손상위치와 정도는 대칭위치에 있는 우측 부재(11번 부재에서 20번 부재) 의손상일 가능성을 항상 포함하고 있다.
- 본 논문에서는 구조물이 손상을 받는 경우에 첫 5 개 모드의 고유진동수를 즉정하고, 고유진동수 감소율의 값을 계산한 후 인공 신경망을 이용하여 구조물의 손상 위치와 손상정도를 측정하였다. 앞 절에서 분석한 결과 구조물의 손상위치와 손상정도에 따라 고유진동수 감소율의 값은 다르다.
- 본 논문에서는 단순보 형태의 구조물에 대하여 고유진동수를 측정하여 고유진동수의 감소율을 구하고 그 결과를 이용하여 인공신경망으로 구조물의 손상을 평가하여 다음과 같은 결론을 얻었다.
- 손상 위치별, 손상 정도별로 그 감소율은 모두 각각 다르다. 손상 위치별, 손상 정도별 감소율을 구하여 인공 신경망을 학습함으로써 보의 손상을 평가 하였다. 수치해석에 의한 자료뿐 아니라 실제 측정 자료를 모사하기 위하여 3%와 5%의 측정오차를 포함하는 손상 위치별, 손상 정도별 감소율을 신경망의 학습 및 검증자료로 사용하였다.
- 은둔층은 15개의 노드를 가진 1개 층으로 하였다. 은둔층의 층수나 층별 노드 수의 결정에 관한 효율적인 방법이 아직 없기 때문에 많은 노력을 요하는 시행착오적인 방법을 사용하여 결정하였다.
대상 데이터
- 3개보의 진동특성은 모드형상은 동일하지만 단면이 다르기 때문에 고유진동수는 서로 다른 보가 된다. 단면1을 가진 보는 인공신경망의 학습자료와 검증자료 획득을 위해 사용하였으며 단면2와 단면 3을 가진 보는 학습된 인공신경망의 검증을 위한 자료획득을 위하여 사용되었다.
- 두 번째 학습은 첫 번째 학습에 사용한 50개 자료의 각각에 대하여 3%의 오차를 포함하는 20회의 무작위 측정오차를 만들어 총 1000개의 자료를 사용하였다. 학습 및 검증 결과는 Fig.
- 만든 50개의 자료를 학습에 이용하였다. 두 번째와 세 번째 학습에는 첫 번째 학습에 사용한 50개 자료의 각각에 대하여 20회의 무작위 측정오차를 만들어 총 1000개의 자료를 각각 학습에 사용하였다.
- 95까지 작은 범위에 집중되어 있다. 따라서 보다 변별력을 넓히기 위해서 그 범위가 1.0 ~ 0.95의 값이 1.0 ~ 0.0의 값이 되도록 확대 치환하여 인공신경망의 학습 및 검증을 위한 자료로 사용하였다.
- 본 연구에서 사용한 해석모델은 단순보로서 그 치수는(Fig. 1)에서 보는 바와 같다. 이 단순보는 Pandey (1991)가 그의 논문에서 사용한 것과 같은 것으로 21개의 절점들과 크기가 같은 20개의 2차원 유한요소로 구성된다.
- 세 번째 학습은 두 번째 학습경우와 동일한 방법으로 첫 번째 학습에서 사용한 50개 자료의 각각에 대하여 5%의 오차를 포함하는 20회의 무작위 측정오차 Fig. 9 5% 오차를 가진 자료를 사용한 경우 학습결과를 만들어 총 1000개의 자료를 사용하였다.
- 손상 위치별, 손상 정도별 감소율을 구하여 인공 신경망을 학습함으로써 보의 손상을 평가 하였다. 수치해석에 의한 자료뿐 아니라 실제 측정 자료를 모사하기 위하여 3%와 5%의 측정오차를 포함하는 손상 위치별, 손상 정도별 감소율을 신경망의 학습 및 검증자료로 사용하였다. 또한 임의 의보에서 학습된 인공신경망이 단면이 다른 보에서 적용될 수 있도록 그 적용성을 확장하였다.
- 학습에 사용하지 않은 세 번째 자료로부터 일곱 번째까지 검증자료는 학습 자료를 획득한 보와 다른 단면(단면2) 을 가진 보2에서 10번 부재에 10%, 20%, 30%, 30%, 50%의 손상이 있는 각각의 경우에 대하여 획득하였다. 여덟 번째 자료로부터 열두 번째까지 검증자료는 단면3을 가진 보3에서 10번 부재에 10%,20%, 30%, 30%, 50%의 손상이 있는 각각의 경우에 대하여 획득하였다.
- 자료를 사용하여 검증하였다. 첫 두 개의 검증자료는 학습 자료를 획득한 보와 동일한 보(단면1)에서 3 번 부재가 25% 손상을 받은 자료와 10번 부재에 25% 손상을 받은 자료를 임으로 선택하였다. 학습에 사용하지 않은 세 번째 자료로부터 일곱 번째까지 검증자료는 학습 자료를 획득한 보와 다른 단면(단면2) 을 가진 보2에서 10번 부재에 10%, 20%, 30%, 30%, 50%의 손상이 있는 각각의 경우에 대하여 획득하였다.
- 첫 번째 학습경우에는 10개 부재 각각에 대하여 10%, 20%, 30%, 40%, 50% 손상의 5가지 손상을 주어서 만든 50개의 자료를 학습에 이용하였다. 두 번째와 세 번째 학습에는 첫 번째 학습에 사용한 50개 자료의 각각에 대하여 20회의 무작위 측정오차를 만들어 총 1000개의 자료를 각각 학습에 사용하였다.
- 학습은 3가지 경우에 대하여 실시하였다. 첫 번째 학습에는 수치해석 모델의 결과치를 그대로 사용하여 측정오차를 포함하지 않는 데이터를 사용하였다. 두 번째와 세 번째 학습경우들은 자료를 측정하는 경우에 피할 수 없는 측정오차를 고려하였다.
- 학습에 대한 검증에는 학습에 사용하지 않은 12개의 자료를 사용하여 검증하였다. 첫 두 개의 검증자료는 학습 자료를 획득한 보와 동일한 보(단면1)에서 3 번 부재가 25% 손상을 받은 자료와 10번 부재에 25% 손상을 받은 자료를 임으로 선택하였다.
이론/모형
- 단순보의 단면은 Pandey(1991) 가 사용한 단면 외에 2개 단면을 추가하여 서로 다른 3개의 보를 사용하였다. 3개보의 진동특성은 모드형상은 동일하지만 단면이 다르기 때문에 고유진동수는 서로 다른 보가 된다.
성능/효과
- 2번 부재에서 최대 8.6%의 오차를 보이고 있을 뿐다른 부재에서는 학습이나 검증 모두 5% 오차의 범위에서 비교적 잘 예측하고 있음을 확인하였다.
- 둘째, 손상위치가 지점에 가까운 위치일수록 신경망의 예측은 오차가 커졌다. 따라서 지점 부근의 손상이 있을 때는 지점부근을 광범위하게 확인하여야 한다.
- 본 연구에서 사용한 해석모델을 사용하였던 Pandey 의 논문은 5개 모드에 대한 Curvature Mode Shape 를 그림으로만 나타내 손상위치를 잘 보여주고 있음을 밝히고 있다. 그러나 손상결과에 대해서는 수치화 하지 못했기 때문에 본 논문과 직접 비교할 수는 없고 손상의 정도에 대해서도 Curvature Mode Shape의 그림이 손상위치에서 손상정도에 따라 서로 다른 크기를 보여주고 있어 그 손상정도를 알 수 있으리라는 언급만 하고 있다.
- 셋째, 고유진동수를 측정하는 경우에 측정오차가 심할수록 신경망의 예측은 오차가 커졌다. 측정오차가 5% 정도가 되면 손상위치는 알 수 있으나 지점 부근 일부에서 손상정도는 정확하게 예측하기 어려웠다.
- 손상의 정도에 따른 고유진동수 감소율은 손상 정도가 증가함에 따라 모든 부재와 모든 모드에서 고유진동수 감소율이 더욱 감소함을 알 수 있다. 한 예로 Fig.
- Sampaio(1999) 등은 보를 모사한 spring-mass system 에 대하여 손상 전후의 진동수 응답 함수의 곡률 변화를 구하여 손상의 위치를 구하였다. 이 방법은 단순한 손상지수방법이나 모드형상의 곡률의 변화만을 이용하는 방법에 비하여 우수한 성능을 보였다. 국내에서도 윤정방(1990), 신수봉(1997) 등은 손상 발생 시 강성감소에 따른 고유진동수와 모드형상의 변화를 이용하여 손상을 평가하고자 하였다.
- 이들을 종합 분석해보면 지점 부근에서 지점에 가까울수록 신경망의 예측은 오차가 커지는 경향이 있었다. 이는 고유진동수 감소율의 변동치가 작아서 지점이 가까울수록 변별력이 떨어지기 때문으로 사료된다.
- 전체적으로 학습 및 검증결과는 지점부근의 일부를 제외하면 5% 오차범위 내에서 만족할 만한 결과를 보여주고 있다.
- 첫째, 손상으로 인한 고유진동수의 감소율은 항상 좌우 대칭 위치에 대하여 동일한 값을 주기 때문에, 고유진동수의 감소율을 이용하여 구조물의 손상을 평가하는 경우에는 좌우 대칭위치의 손상 여부를 동시에 확인하여야 함을 알 수 있다.
- 학습 및 검증 결과는 Fig. 7과 Fig. 8에서 보는 바와 같으며 1번 부재와 2번 부재를 제외하면 5%오차의 범위에서 비교적 잘 예측하였다. 대표적인 경우로서 2번 부재와 5번 부재에 대하여 인공신경망에 의한 계산값을 Table 7~Table 8에 나타내었으며, 학습에 사용하지 않은 자료를 가지고 검증한 결과는 Table 9- Table 11에 나타난 바와 같다.
- 2번 부재와 5번 부재에 대하여 각각 그 목표값과 학습된 인공신경망에 의 한계 산값을 Table 2와 Table 3에 나타내었으며, 학습에 사용하지 않은 자료를 가지고 검증한 결과는 Table 4~Table 6에 나타난 바와 같다. 학습이나 검증 결과 모두 5% 오차의 범위에서 잘 예측하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.