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
- 셀프센싱 상시계측 기반 CFRP보강 콘크리트 구조물의 손상검색 및 유도 초음파를 계측하고 이 신호들로부터 도출된 2차원 손상 지수를 확률론적 신경망 기법에 적용시킴으로써 CFRP 박리 손상을 진단하고 정량화하는 기법에 대해 다루고 있다. 다중 스케일 계측 시스템을 적용함으로써 상이한 손상 진단기법 즉, 유도 초음파 및 임피던스 신호 계측을 위해 실험 장치 구성을 변환해야하는 번거로움을 없앴다.
제안 방법
- 최근, 압전센서 기반의 저가형 자가 계측 시스템이 제안되었는데(Lee and Sohn, 2006), 이는 그림 3과 같이 참조 캐패시터를 이용하여 구성할 수 있다. 기존의 자가 계측 시스템은 주파수 영역의 신호를 계측하는 시스템으로써, 본 연구에서는 단일 계측 시스템을 이용하여 손상의 분류 및 정량화에 적용하였다.
- 셀프센싱 상시계측 기반 CFRP보강 콘크리트 구조물의 손상검색 및 유도 초음파를 계측하고 이 신호들로부터 도출된 2차원 손상 지수를 확률론적 신경망 기법에 적용시킴으로써 CFRP 박리 손상을 진단하고 정량화하는 기법에 대해 다루고 있다. 다중 스케일 계측 시스템을 적용함으로써 상이한 손상 진단기법 즉, 유도 초음파 및 임피던스 신호 계측을 위해 실험 장치 구성을 변환해야하는 번거로움을 없앴다. 또한 2차원 손상 지수를 도입함으로써 좀 더 효율적이고 체계적인 손상 진단 기법을 수행할 수 있다.
- 본 연구에서는 대표적인 압전센서 중 하나인 PZT(Piezo-electric)센서를 이용하여 유도 초음파 및 임피던스를 동시 계측 가능한 다중 스케일 계측 시스템을 구성하고 이를 CFRP부착 콘크리트 보에서의 박리 손상 진단을 수행하였다. 다중스케일 계측 시스템으로부터 계측된 유도 초음파 및 임피던스 신호를 이용하여 2차원 손상 지수를 도출하고 이를 지도 학습 기반 확률론적 패턴인식 기법 중 확률론적 신경망 기법에 적용함으로써 손상 정량화를 수행하였다.
- 마지막으로, 손상 분류에서와 마찬가지로 PNN의 smoothing parameter σ=0.09로 하고, 손상 정량화를 위한 클래스의 수는 우측단 박리 손상의 경우 4개이므로 PNN의 pattern layer 및 summation layer의 unit수는 각각 4개씩, 좌우측단 박리 손상의 경우, 클래스의 수는 3개이므로 unit 수를 각각 3개씩 구축하였다.
- 데이터 계측 시스템은 그림 8(a)와 같이 내장형 컨트롤러(Embedded controller)와 임의 파형 생성기(Arbitrary Waveform Generator, 이후 AWG), 고속 신호 디지타이저(High-speed signal Digitizer, 이후 DIG) 및 멀티플렉서(Multiplexer, 이후 MUX)로 구성된다. 먼저, 본 연구에서는 AWG를 이용하여 중심 주파수가 60 kHz인 Morlet wavelet형태의 Tone-burst 신호 및 27 kHz ~ 32 kHz의 주파수 범위를 갖는 선형 chirp 패턴 신호를 생성하여 압전센서를 가진시킨다. 이때 가진 신호의 전압 진폭은 ± 12V이다.
- 합산 결과가 마지막 층인 출력층(Output layer)에 입력되는데, 여기서 테스트 패턴의 입력 값이 해당하는 범주로 분류되어 결과값이 출력된다. 본 연구에서는 PNN을 적용하여 손상의 유형별 분류 및 손상의 정량화를 수행하였다.
- 본 연구에서는 대표적인 압전센서 중 하나인 PZT(Piezo-electric)센서를 이용하여 유도 초음파 및 임피던스를 동시 계측 가능한 다중 스케일 계측 시스템을 구성하고 이를 CFRP부착 콘크리트 보에서의 박리 손상 진단을 수행하였다. 다중스케일 계측 시스템으로부터 계측된 유도 초음파 및 임피던스 신호를 이용하여 2차원 손상 지수를 도출하고 이를 지도 학습 기반 확률론적 패턴인식 기법 중 확률론적 신경망 기법에 적용함으로써 손상 정량화를 수행하였다.
- 그림 5에서 첫 번째 층인 입력층(Input layer)은 테스트 패턴으로부터 입력 받은 값을 두 번째 층인 패턴층(Pattern layer)에 분포시켜주는 역할을 한다. 본 연구에서는, 입력층에 입력되는 테스트 패턴은 E/M 임피던스와 유도 초음파 계측을 통하여 계산된 RMSD 값이다. 패턴층에는 손상의 유형별 정도별 패턴이 미리 학습되어 있다.
- 그림 7과 같이 첫 단계에서는 CFRP의 양끝단을 부착하지 않았고, 단계별로 부착 면적을 늘여가며 시험을 수행하였다. 손상 유형별로 임피던스 및 유도초음파 신호를 각각 20회씩 계측하여 학습 데이터를 구축하였다.
- 계측 센서의 위치로 자동으로 바꿔주기 위하여 MUX가 추가로 사용되었다. 신호 대 잡음비를 개선하기 위하여 E/M 임피던스 신호 및 유도 초음파 신호를 각각 5회, 10회씩 계측하고 시간영역에서 산술 평균되었다. 위 모든 일련의 과정은 LabVIEW S/W를 통하여 수행되었다.
- 또한 시험 데이터 획득을 위해 같은 방법으로 5 개의 압전센서를 부착하였다. 실제 박리 손상을 모사하기 위하여 본 연구에서는 CFRP의 부착 단계에서 손상을 제어하였다. 그림 7과 같이 첫 단계에서는 CFRP의 양끝단을 부착하지 않았고, 단계별로 부착 면적을 늘여가며 시험을 수행하였다.
- 이때 사용된 PNN의 smoothing parameter σ=0.09이며, 손상 유형별 클래스의 수는 3개이므로 PNN의 pattern layer 및 summation layer 의 unit수는 각각 3개씩 구축하였다.
이론/모형
- 본 연구에서는 다중 스케일 계측 기법을 위해 압전소자 중 압전센서(PZT, Lead Zirconate Titanate)를 기반으로 한 E/M 임피던스 기법과 유도 초음파 기법이 동시에 적용되었다. 압전센서는 그림 1과 같이 전기역학적으로 기계적 변형이 가해질 경우 전압을 발생시키는 정압전효과(Direct effect)와 이와 반대로 인가된 전압에 의해 기계적 변형을 발생시키는 역압전효과(Converse effect)의 특성을 갖는다(ANSI/IEEE Std.
- 손상의 분류 및 정량화를 위해서 본 연구에서는 지도학습(Supervised learning) 기반 패턴인식 기법 중 확률론적 신경망(Probabilistic Neural Network) 기법을 적용하였다. 확률론적 신경망 기법은 다층 퍼셉트론(Multi-layer Perceptron)및 역전파(Back Propagation) 알고리즘을 이용한 인공 신경망 기법에 비해 신경망 구조가 간단하여 신경망의 구조를 결정하기가 보다 용이하다.
- 자가계측 기반 다중스케일 계측 시스템을 이용함으로써 구조물을 가진하기 위하여, 임피던스 계측을 위해 선형 chirp 패턴 및 유도 초음파 계측을 위해 Morelet wavelet 형태의 두 가지 파형이 사용된다. 먼저, 선형 chirp 패턴은 식 (1) 및 그림 2(a)와 같다.
성능/효과
- 또한 2차원 손상 지수를 도입함으로써 좀 더 효율적이고 체계적인 손상 진단 기법을 수행할 수 있다. 본 연구에서 사용된 PZT는 콘크리트 beam에 맞춰 parameter 등이 tuning되지 않은 것으로써 콘크리트 및 epoxy 접착층의 큰 감쇠비에 의해 응답 신호가 대부분 감쇠된 것으로 사료되며, 따라서 다른 유형의 손상 진단률은 낮았다. 하지만 손상 레벨별 정량화는 성공적 결과를 도출하였다.
- 본 연구에서는 손상 시나리오의 제어를 통해, CFRP 부착 면적을 알고 있으므로 손상의 유형별 분류가 정확도 낮은 결과를 보이더라도 손상 정량화를 수행할 수 있었다. 손상 정량화는 PZT 1번에서 계측된 신호를 이용하여 수행되었는데, 손상 유형별 분류를 위해 나누었던 클래스를 그림 13과 같이 다시 손상의 크기에 따라 세분하면, 클래스 2는 우측단 8cm 박리는 2-1, 우측단 12cm 박리는 2-2, 우측단 16cm 박리는 2-3으로 나눌 수 있다.
- 09로 하고, 손상 정량화를 위한 클래스의 수는 우측단 박리 손상의 경우 4개이므로 PNN의 pattern layer 및 summation layer의 unit수는 각각 4개씩, 좌우측단 박리 손상의 경우, 클래스의 수는 3개이므로 unit 수를 각각 3개씩 구축하였다. 시험 데이터를 정량화한 결과 그림 14와 같이 클래스 2-2에 대해서는 1.25%의 오진단률을 제외하고 완벽히 정량화됐음을 알 수 있다.
후속연구
- 실내 실험으로부터 확보된 학습 데이터를 기반으로 실제 구조물에서의 외부 환경 영향으로 인한 확률론적 신경망의 적용성 및 효율성 등에 대해서도 고려할 계획이다. 마지막으로 유도 초음파 및 임피던스의 입력 주파수 선정 및 확률론적 신경망 기법에서 고려되는 변수 중 smoothing parameter의 최적화에 대해서도 연구할 계획이다.
- 현장 적용성을 높이기 위해 입력신호의 세기를 증폭시킬 방법을 연구할 계획이며 다른 형태의 손상에 대해 제안된 기법을 적용할 계획이다. 실내 실험으로부터 확보된 학습 데이터를 기반으로 실제 구조물에서의 외부 환경 영향으로 인한 확률론적 신경망의 적용성 및 효율성 등에 대해서도 고려할 계획이다. 마지막으로 유도 초음파 및 임피던스의 입력 주파수 선정 및 확률론적 신경망 기법에서 고려되는 변수 중 smoothing parameter의 최적화에 대해서도 연구할 계획이다.
- 특히, CFRP 양단의 손상에 대해서는 완벽하게 손상 정량화가 수행되었다. 현장 적용성을 높이기 위해 입력신호의 세기를 증폭시킬 방법을 연구할 계획이며 다른 형태의 손상에 대해 제안된 기법을 적용할 계획이다. 실내 실험으로부터 확보된 학습 데이터를 기반으로 실제 구조물에서의 외부 환경 영향으로 인한 확률론적 신경망의 적용성 및 효율성 등에 대해서도 고려할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.