본 논문에서는 교량 모니터링 시스템의 일부분으로 서해대교에 설치된 교량 하중측정 시스템(BWIM system)으로부터 획득한 신호를 분석하여 통행차량의 정보를 추출하기 위한 알고리즘의 개발과정과 이를 위해 수행한 현장 차량주행시험에 대하여 기술하였다. 개발된 BWIM 시스템은 포장층에 매설하는 축감지기가 없는 형태로, 바닥판과 가로보에 설치된 변형률계로부터 측정한 시간이력 변형률신호만을 이용하였다. 이들 측정신호로부터 추출하고자 하는 차량의 정보는 통과차로, 통과속도, 차 축수 및 총 중량이며, 이들 정보의 추출을 위해 패턴인식기법의 일종인 인공신경망(Aritificial Neural Network, ANN) 기법을 사용하였다. 현장 차량주행시험을 통하여 기지차량 및 미지차량 통행시의 BWIM 응답 데이터를 측정하였으며, 이들 실측데이터를 사용하여 인공신경망의 학습 및 성능검증을 수행하였다. 개발된 기법을 사용하여 추출되는 차량의 정보들은 현재의 교량상태 및 피로수명 평가시 활용될 수 있을 것이며, 향후 설계트럭 하중모델의 개정시 기초자료로도 활용될 수 있을 것으로 기대된다.
본 논문에서는 교량 모니터링 시스템의 일부분으로 서해대교에 설치된 교량 하중측정 시스템(BWIM system)으로부터 획득한 신호를 분석하여 통행차량의 정보를 추출하기 위한 알고리즘의 개발과정과 이를 위해 수행한 현장 차량주행시험에 대하여 기술하였다. 개발된 BWIM 시스템은 포장층에 매설하는 축감지기가 없는 형태로, 바닥판과 가로보에 설치된 변형률계로부터 측정한 시간이력 변형률신호만을 이용하였다. 이들 측정신호로부터 추출하고자 하는 차량의 정보는 통과차로, 통과속도, 차 축수 및 총 중량이며, 이들 정보의 추출을 위해 패턴인식기법의 일종인 인공신경망(Aritificial Neural Network, ANN) 기법을 사용하였다. 현장 차량주행시험을 통하여 기지차량 및 미지차량 통행시의 BWIM 응답 데이터를 측정하였으며, 이들 실측데이터를 사용하여 인공신경망의 학습 및 성능검증을 수행하였다. 개발된 기법을 사용하여 추출되는 차량의 정보들은 현재의 교량상태 및 피로수명 평가시 활용될 수 있을 것이며, 향후 설계트럭 하중모델의 개정시 기초자료로도 활용될 수 있을 것으로 기대된다.
This paper describes the procedures developing the algorithm for analyzing signals acquired from the Bridge Weigh-in-Motion (BWIM) system installed in Seohae Bridge as a part of the bridge monitoring system. Through the analysis procedure, information about heavy traffics such as weight, speed, and ...
This paper describes the procedures developing the algorithm for analyzing signals acquired from the Bridge Weigh-in-Motion (BWIM) system installed in Seohae Bridge as a part of the bridge monitoring system. Through the analysis procedure, information about heavy traffics such as weight, speed, and number of axles are attempted to be extracted from time domain strain data of the BWIM system. One of numerous pattern recognition techniques, artificial neural network (ANN) is employed since it can effectively include dynamic effects, bridge-vehicle interaction, etc. A number of vehicle running experiments with sufficient load cases are executed to acquire training and/or test set of ANN. Extracted traffic information can be utilized for developing quantitative database of loading effect. Also, it can contribute to estimate fatigue lift or current health condition, and design truck can be revised based on the database reflecting recent trend of traffic.
This paper describes the procedures developing the algorithm for analyzing signals acquired from the Bridge Weigh-in-Motion (BWIM) system installed in Seohae Bridge as a part of the bridge monitoring system. Through the analysis procedure, information about heavy traffics such as weight, speed, and number of axles are attempted to be extracted from time domain strain data of the BWIM system. One of numerous pattern recognition techniques, artificial neural network (ANN) is employed since it can effectively include dynamic effects, bridge-vehicle interaction, etc. A number of vehicle running experiments with sufficient load cases are executed to acquire training and/or test set of ANN. Extracted traffic information can be utilized for developing quantitative database of loading effect. Also, it can contribute to estimate fatigue lift or current health condition, and design truck can be revised based on the database reflecting recent trend of traffic.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
센서는 바닥판의 2, 3차로 해당 위치에 총 16개 설치되었으며(K1 ~K8, S1-S8), 일정 간격을 두고 2열로 배치하여 차량의 통과속도에 따른 시간차를 관찰할 수 있도록 하였다. 가로보에 설치된 6개의 변형률계는(A1 ~ A6) 차량의 통행에 따른 가로보의 휨 변형을 관찰하고 이로부터 통과차량의 중량을 추정하기 위한 목적으로 설치되 었다.
특히 기준된 측정 자료가 수십년 전의 자료라면 오차의 범위는 더욱 커질 수가 있다. 따라서, 본 연구에서는 실제 교량상을 주행중인 차량하중의 속도, 중량, 축간격 등의 정보를 알아 낼 수 있는 분석기법을 개발하고자 하였다.
이 논문에서는 교량 모니터링 시스템의 일부분으로 서해대교에 설치된 교량 하중측정 시스템(BWIM system)으로부터 획득한 신호를 분석하여 통행차량의 정보를 추출하기 위한 알고리즘의 개발 과정에 대하여 기술하고, 개발된 알고리즘을 사용하여 주행시험의 데이터를 분석한 결과를 논하였다.
제안 방법
2005년도의 시험차량 주행시험 수행 시 임의차량에 대한 측정도 병행하였으나 충분한 수를 확보하지 못하여, 2006년 4월 26일~28일 3일간 임의차량에 대한 측정을 위주로 하는 3차 시험을 수행하였다. 다음의 표 4에는 2005년(1차, 2 차) 및 2006년(3차) 주행시험 시 획득한 임의차량 데이터의 수량을 정리하여 나타내었다.
가로보의 변형률 응답은 주행차량의 속도 및 그에 의한 동적 효과에 의해 증폭될 수 있으며 이러한 영향을 반영하기 위해 차량의 통과속도를 신경망의 입력변수에 추가하였다. 또한, 축간 거리가 특히 긴 트레일러와 같은 차량이 통과하는 경우 총 중량을 과소평가하는 문제를 해결하기 위하여 그림 10에 나타낸 것과 같은 개념의 피크지속시간을 입력변수에 추가하였다.
두 채널의 시간차를 계산하기 위해 한 채널을 고정시키고 다른 한 채널을 시간축에서 이동시키며, 두 채널 사이의 오차가 최소가 되는 시점을 찾는 방법을 사용하였다. 이러한 방법을 사용하여 시차가 얻어지면, 두 센서사이의 거리 8.
벡터이다. 따라서 최종적으로 사용된 신경망은 6개의 절점을 갖는 입력층과, 10개의 절점을 갖는 1개의 은닉층, 그리고 1개의 절점을 갖는 출력층을 갖도록 하였으며, 출력층의 1개 절점에서는 통과차량의 총 중량이 출력되도록 구성하였다.
센서는 바닥판의 2, 3차로 해당 위치에 총 16개 설치되었으며(K1 ~K8, S1-S8), 일정 간격을 두고 2열로 배치하여 차량의 통과속도에 따른 시간차를 관찰할 수 있도록 하였다. 가로보에 설치된 6개의 변형률계는(A1 ~ A6) 차량의 통행에 따른 가로보의 휨 변형을 관찰하고 이로부터 통과차량의 중량을 추정하기 위한 목적으로 설치되 었다.
수집된 데이터로부터 통과차량의 정보를 추출하는 알고리즘을 개발하기 위해 3장에 기술한 과정을 통하여 수집된 시험 차량과 임의차량의 데이터 중 독립주행인 경우만을 전처리 과정에서 따로 분류하여 활용하였다. 여기서 독립주행은 분석하고자 하는 2초간의 측정 데이터 구간 내에 분석대상인 차량 1 대 이외에 다른 차량의 통과에 의하여 발생된신호가 포함되어 있지 않은 경우를 뜻한다.
시험 차량의 반복주행을 통하여 얻어지는 데이터만으로는 다양한 중량, 축수, 및 속도 등의 자료를 확보하기 어려우므로 임의차량이 통과할 때에도 신호의 측정을 수행하여 자료의 일반성을 높이도록 하였으며, 이 경우에는 송악 및 서평택 IC의 톨게이트에 설치된 고정식 축중계 자료를 활용하여 BWIM 시스템의 분석결과와 비교하였다.
시험차량의 주행은 크게 속도별, 차선별로 구분하여 실시하였으며, 3대의 차량이 일정 간격으로 주행차선을 통과하도록 유도하여 시험을 수행하였다. 각 주행 형식별 측정 횟수는 표 3과 같다.
신경망의 입력값은 16개 변형률계 각각에서 측정된 최대변형률 값으로 하였으며, 10개의 절점을 갖는 1개의 은닉층과 6개의 절점을 갖는 출력층으로 신경망을 구성하였다. 신경망의 학습을 위해 시험차량 통과시 획득한 총 120set (차선당 30set)의 데이터를 사용하였으며, 학습이 완료된 신경망의 성능은 학습에 사용하지 않은 시험차량 데이터 및 임의 차량 데이터를 사용하여 확인하였다.
이에 본 연구에서는 하드웨어적으로는 기존의 교량 거더종방향 변형률과 죽감지기를 사용하는 방법'”을 개선한 교량 가로 보의 횡방향 변형률과 바닥판의 종방향 변형률을 이용하고, 소프트웨어적으로는 신호의 분석시 사용한 알고리즘을 기존의 정적방법인 영향선 적용 대신에 동적 특성을 고려할 수 있는 패턴인식 기법의 일종인 신경망기법을 적용한 새로운 개념의 축감지기 없는 BWIM 시스템(FAD-BWIM : Free of Axle Detector BWIM)을 개발하였다. 이를 통해 전통적 인 BWIM 시스템에서 문제가 되었던 포장층 축감지기의 설치 및 관리에 따른 어려움이 해소될 수 있고, 교량- 차량 상호작용을 포함한 동적효과가 반영됨으로써 보다 정확한 분석이 가능하다.
주행차선 및 속도별 측정을 통해 얻어진 측정 자료들은 실시간으로 현장에서 확인이 가능하며, 디지털 데이터로 저장하여 추후에 분석하였다. 다음 그림 2~그림 3에 대표적인 데이터의 형태를 보였다.
총 중량의 계산을 위해 사용한 신호는 기본적으로 가로 보의 하부플랜지에 부착된 6개의 변형률계로부터 얻어지는 동적 변형률 신호이며, 이에 추가로 콘크리트 바닥판의 변형률, 차량의 통과속도 그리고 피크지속시간을 보조적으로 사용하였다.
통과차로의 판별은 콘크리트 바닥판에 설치된 16개의 변형률 계 신호의 분석을 통하여 수행하며, 인공신경망 기법을 사용하였다. 그림 1에 나타낸 바와 같이, 16개의 변형률 계는 상행선 2, 3차로와 하행선 2, 3차로에 각각 4개씩 배치되어 있으므로, 통과차로의 판별기능은 신호가 검출되는 채널을 확인하는 간단한 과정을 통하여 어려움 없이 구현이 가능하였다.
피크인식의 정확도는 윈도우의 폭과 cutoff level에 따라달라지며, 이 연구에서는 여러 번의 시행을 통해 윈도우의폭은 20 sample(0.4초), cutoff levele 최대값의 20%로 설정하였다.
피크인식의 정확도를 향상시키기 위해 cutoff level을 설정하여 이 값보다 작은 피크값이 검출될 경우 이를 피크로 인식하지 않도록 하였다.
대상 데이터
시험차량은 서해대교 사장교에 진입하기 위해 서해안 고속도로의 서평택IC와 송악IC를 경유하여 왕복 주행하였으며, 주행상황은 현장에서 캠코더로 녹화하여 측정자료의 분석 시 참고하였다. 주행속도는 각 차선별로 60km/h, 70km/h, 및 80km/h로 하였다.
3.1 시험차량 주행시험
시험차량을 사용한 주행시험은 서해대교 사장교 구간의 상행선과 하행선에서 수행하였으며, 사전에 하중을 적재하고 계량이 완료된 3축, 4축, 및 5축의 대형 덤프트럭을 사용하였다. 시험차량은 서해대교 사장교에 진입하기 위해 서해안 고속도로의 서평택IC와 송악IC를 경유하여 왕복 주행하였으며, 주행상황은 현장에서 캠코더로 녹화하여 측정자료의 분석 시 참고하였다.
구성하였다. 신경망의 학습을 위해 시험차량 통과시 획득한 총 120set (차선당 30set)의 데이터를 사용하였으며, 학습이 완료된 신경망의 성능은 학습에 사용하지 않은 시험차량 데이터 및 임의 차량 데이터를 사용하여 확인하였다. 다음의 그림 5에 총 130set의 임의차량 데이터에 대한 통과차로 판별 결과를 보였으며, 그림에서 판별의 정확도는 이전의 논문에서 사용하였던 정확성 지수(correctness index)를 사용하여 표시하였다"2) 그림에 나타낸 바와 같이 전체 No회의 판별에 대하여 모두 정확한 결과를 나타내었다.
제안된 중량판별 알고리즘 검증을 위해 사용한 데이터 세트는 표 6에 나타낸 것과 같이 상행선 3차로를 통과한 시험 차량 및 임의차량에 대한 2005년, 2006년 측정자료 이며, 2005년 임의차량 데이터(R-05)를 사용하여 학습을 수행한 경우와 2006년 임의차량 데이터(R-06)를 사용한 경우에 대한 성능을 비교하였다.
이론/모형
개발된 알고리즘의 프로그래밍에는 Matlab을 사용하였다. (1))
통과 차량의 축 수를 판별하기 위해 피크 검출 알고리즘을 사용하였다. 다음의 그림 6에 보인 바와 같이 피크 검출알고리즘은 일정한 폭의 윈도우가 At 간격으로 이동하며 매시간 최대값의 위치를 기록하고, 연속적으로 윈도우 폭과 같은 수의 피크 위치가 기록되면 그 지점을 피크로 인식하게 된다.
성능/효과
(1) 서해대교와 같은 형식의 케이블교량의 경우 가로 보에 부착된 횡방향 동적 변형률 신호를 사용하여 평균 오차율 10% 수준의 총중량 측정이 가능함을 확인하였다.
(2) 슬래브에 부착된 변형률 신호를 사용하여 통과차량의 주행차로와 축수 및 통과속도를 정확하게 파악할 수 있었다.
(3) 교량 및 차량의 동적거동에 의한 영향을 반영하기 위해 통과속도를, 축간 거리의 영향을 반영하기 위해 피크 지속시간을 입력변수에 추가하였으며, 이에 의해 중량 판별의 정확도가 향상되었다.
(4) 2005년도와 2006년도 측정 데이터를 사용한 중량 판별 결과, 두 해의 측정 데이터 사이에 차이가 있는 것으로 나타났으며, 이에 대한 추정원인은 계절적 요인 또는 센서의 장기적인 열화 등이다. 정확한 분석을 위한 추가의 주행시험이 수행 중에 있다.
독립주행인 시험차량과 임의차량의 데이터에 대하여 차축 수의 판별을 수행하였으며, 시험차량의 경우 총 143회의 판별 중 9회의 잘못된 판별결과가 나타났으며, 임의 차량의 경우는 총 130회 중 14회의 잘못된 판별결과가 나타났다. 따라서 전체적으로 90%이상의 정확성이 얻어졌다.
따라서 전체적으로 90%이상의 정확성이 얻어졌다. 차 축수를 잘못 판별하는 경우의 대표적인 예를 그림 7에 나타내었다.
또한, 05년 임의차량 데이터를 사용하여 학습된 신경망으로 06년 데이터의 중량분석을 수행한 결과, 06년 데이터에 대해서는 전체적으로 고정식 축중계의 값보다 낮게 판별하는 경향을 보였으며, 2006년 임의차량 데이터(R-06)를 사용하여 신경망을 학습한 경우(그림 12)는 이 경우와 반대로 05년 데이터에 대해 전체적으로 고정식 축중계의 값에 비해 크게 평가되는 경향을 보였다 이로부터 05년과 06년 데이터 사이에 데이터 변화가 발생된 것을 확인할 수 있으며, 이에 대한원인은, 계절적 요인 또는 센서의 장기 열화 등에 인한 것으로 추정할 수 있다. 따라서, 이러한 연간 데이터 변화의 원인을 정확하게 파악하고, 장기 계측에 본 기법을 활용하기 위해서는 분기당 1회 이상의 임의차량 주행시험을 수행하여 그 결과의 비교 분석을 수행할 필요가 있다.
후속연구
추정할 수 있다. 따라서, 이러한 연간 데이터 변화의 원인을 정확하게 파악하고, 장기 계측에 본 기법을 활용하기 위해서는 분기당 1회 이상의 임의차량 주행시험을 수행하여 그 결과의 비교 분석을 수행할 필요가 있다. 바닥판 변형률 신호를 이용하여 축 중량을 산정하는 연구가 진행중이다.
있다. 본 시스템을 통하면 화물트럭 운전자의 사전 인식 없이 차량하중 정보가 수집 가능하므로, 기존의 WIM 시스템에 비해 왜곡이 적은 데이터의 축적이 가능할 것으로 기대된다. 차량하중 자동분석 프로그램이 개발되어 현장에 적용되면 장기적인 데이터의 축적 및 분석이 이루어져 향후 설계 활하중의 개정시 유용한 데이터를 제공할 수 있으며 또한 교량 성능 평가시에도 활용할 수 있을 것으로 생각된다.
본 연구에서 제안된 기법을 서해대교 모니터링 시스템에 연계하기 위한 후속 연구가 진행 중에 있고 축간 거 리를 고려한 합리적인 차종 분류 및 축중 계산을 위한 연구가 수행 중에 있다. 본 시스템을 통하면 화물트럭 운전자의 사전 인식 없이 차량하중 정보가 수집 가능하므로, 기존의 WIM 시스템에 비해 왜곡이 적은 데이터의 축적이 가능할 것으로 기대된다.
of Axle Detector BWIM)을 개발하였다. 이를 통해 전통적 인 BWIM 시스템에서 문제가 되었던 포장층 축감지기의 설치 및 관리에 따른 어려움이 해소될 수 있고, 교량- 차량 상호작용을 포함한 동적효과가 반영됨으로써 보다 정확한 분석이 가능하다. 이러한 방법은 사장교와 같이 거 더 와 바닥판의 강성이 상대적으로 크지 않은 구조물에 적용하기에 더욱 효과적인 것으로 볼 수 있다.
본 시스템을 통하면 화물트럭 운전자의 사전 인식 없이 차량하중 정보가 수집 가능하므로, 기존의 WIM 시스템에 비해 왜곡이 적은 데이터의 축적이 가능할 것으로 기대된다. 차량하중 자동분석 프로그램이 개발되어 현장에 적용되면 장기적인 데이터의 축적 및 분석이 이루어져 향후 설계 활하중의 개정시 유용한 데이터를 제공할 수 있으며 또한 교량 성능 평가시에도 활용할 수 있을 것으로 생각된다.
또한, 축간 거리가 특히 긴 트레일러와 같은 차량이 통과하는 경우 총 중량을 과소평가하는 문제를 해결하기 위하여 그림 10에 나타낸 것과 같은 개념의 피크지속시간을 입력변수에 추가하였다. 피크지속시간의 계산을 위한 첨두값에 대한 응답비율은 60%로 하였으며, 최적의 중량판별 성능을 얻기 위한 응답비율의 결정은 추가의 변수연구를 통하여 가능할 것으로 판단된다.
참고문헌 (12)
Moses, F., 'Weigh-In-motion System Using Instrumented Bridge,' Transportatin engineering journal, ASCE, Vol. 105, TE3, 1979
Peters, R.J., 'CULWAY-an Unmanned and Undetectable highway speed vehicle weighing system,' in Proceedings oj the 13th ARRB Conference, Australian Road Research Board, 13/6, 1986
Snyder, R. E., 'Field Trials of low cost Bridge WeighIn-Motion,' FHWA, DTFH 61-89-C-00048, June 1991
COST 323., Weigh-in-Motion of Road Vehicles, Final Report, August 1 999
황의승, 배두병, 정경섭, 조재병, 'BWIM시스템을 이용한 중차량의 통행특성 분석', 한국강구조학회 논문집, Vol. 11, No. 2, 1999, pp. 223-232
The MathWorks., Using MATLAB, version 5.3. Natick, MA: USA, 1999
Chang, S.-P., Lee, J. and Kim, S., 'Damage Detection in a Steel Bridge using Artificial Neural Network and Signal Anomaly Index,' Proc. of the 1st European Workshop on Structural Health Monitoring, Ecole Normale Superieure, Paris:France, 2002
※ AI-Helper는 부적절한 답변을 할 수 있습니다.