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
- 구조물에 대하여 안전하고, 경제적인 유지관리를 위하여 최근 계측기반의 구조 건전성 감시 시스템(structural health monitoring system)에 관한 연구가 활발하며, 이 연구에서도 울돌목 시험조류발전소에 대한 유지관리 및 향후 발전단지 건설 시 필요한 기초 설계 자료의 확보를 위하여 장기 모니터링 시스템을 구축하였다. 이와 같은 시설물에 대한 장기 모니터링 사례는 서해대교, 영종대교 등을 비롯한 교량 구조물에서 주로 찾아볼 수 있으며, 울돌목 시험조류발전소와 같은 재킷식 해양구조물에 대한 장기 모니터링 결과는 거의 보고된 바가 없다.
- 울돌목 시험조류발전소의 모니터링 시스템은 크게 (1) 터빈 회전수(RPM) 및 토크 등과 같이 발전과 관련된 항목, (2) 변형률, 가속도 및 경사 등과 같은 구조물의 응답과 관련된 항목, 그리고 (3) 조류의 속도 및 방향, 그리고 온도 등과 같은 외부환경을 계측하기 위한 항목 등 총 세 가지 주요 항목으로 구성되어 있다. 이 연구에서는 여러 구조물 응답 가운데 변형률 응답에 대한 장기 계측 자료를 분석하고, 그 결과를 정리하고자 하였다.
- 이 연구의 대상 구조물인 울돌목 시험조류발전소의 경우 울돌목의 빠른 유속 조건 하에서, 안전성과 사용성을 확보하기 위하여 재킷식 해양구조물로 제작, 시공되었다. 그러나 수심평균 최대유속이 5.
제안 방법
- 한편, 바닥 고정 시와 양중 시 변형률계 설치 위치에서의 변형률을 수치해석을 통하여 바닥 고정 시와 양중 시 압축 상태와 인장 상태 변형률의 상대적인 크기를 분석하였고, 또한 바닥 고정 시의 변형률과 양중 시의 변형률 차이를 계측한 값과 비교함으로써 수치해석 모델을 간접적으로 검증하였다(한국해양연구원, 2008). 그림 4(a)의 기본 수치해석 모델에 대하여 바닥 고정 시에는 6개의 재킷 레그 하부에 힌지(hinge) 조건을 적용하였으며, 양중 시에는 실제 해상 크레인에 의하여 양중될 때 고정 케이블이 설치된 A1, A2, B1, B2 재킷 레그 상부에 롤러(roller) 조건을 적용하였다. 그림 4(b)에는 바닥 고정 시와 양중 시의 각 변형률계 위치에서의 변형률 해석 결과를 제시하였다.
- 내부 파일의 인발이 필요한 이유는 울돌목 시험조류발전소에 대한 시공 시 높은 조류 하중에서의 안정성을 확보하기 위하여, 육상 제작장에서 내부 파일 상부를 재킷 레그 상부에 가용접하여 현장 거치 후 용접 부위를 해체하여 1 m 높이에서의 낙하를 유도하고, 이에 의한 부분 근입이 가능하도록 하였기 때문이다. 따라서 부분 근입된 상태에서의 조류 하중은 재킷 레그와 내부 파일이 지지하게 되며, 내부 파일을 영구 근입하기 위하여 내부 파일을 인발하고, 해저지반 8 m까지 RCD 천공한 후, 내부 파일의 재근입 및 그라우팅하여 지반에 고정하는 작업을 수행하였다.
- 이 연구에서는 이와 같은 배경 하에 재킷식 해양구조물에 설치된 변형률 자료를 분석하여, (1) 양중(lifting) 시 및 시공 단계별 거동 특성을 분석하고, (2) 특히 양중시 변형률 변화를 이용하여 수치해석에 의한 결과와 실제 거동 사이의 차이를 분석 하였다. 또한 (3) 조류 흐름 조건을 개선하기 위하여 6 개의 재킷 레그 중 하나의 재킷 레그를 제거하였을 때, 변형률 변화를 고정하중에 의한 변형률과 조류 하중에 의한 변형률로 구분하여 분석하였고, (4) 장기 계측 자료를 이용하여 변형률의 반복 주기 성분을 분석하고, 마지막으로 (5) 신경망 모델을 이용하여 조석 변화에 따른 변형률을 예측할 수 있는 모델을 제시하고, 모델의 예측 성능을 평가하였다.
- 이를 위하여 이 연구에서는 신경망 모델을 이용하여 조류 속도 및 조위에 따른 변형률을 예측할 수 있도록 하였다. 신경망 모델의 입력자료로는 다음의 그림 12와 같이 조류 속도, 조위 및 해당 기간까지의 변형률을 사용하였고, 출력자료로는 (i+1)번째 시간 단계에서의 변형률을 사용하였다.
- 다음의 그림 1은 울돌목 시험조류발전소에 대한 주요 시공 단계를 정리한 그림이다. 육상에서 제작된 재킷 구조물과 함께 상부 덱(deck) 프레임을 상재한 상태에서 해상크레인으로 양중하여, 바지선에 거치하고, 일괄 운송한 후(단계 1), 설치 위치에서 상부 덱과 재킷 구조물을 동시에 거치하였고(단계 2), 현장 거치 후 조류 하중에 의한 미끄러짐(sliding) 및 전도(overturning)에 대한 안정성을 확보하기 위하여 약 480톤의 콘크리트 블록을 추가로 재하하였다(단계 3). 이후 RCD(reverse circulation drilling) 장비를 이용하여 지반을 천공하고(단계 4), 재킷 내부 파일(jacket inner pile)을 근입하고, 그라우팅 콘크리트를 타설하여 재킷 레그와 내부 파일을 일체화하였다(단계 5).
- 이는 교량이나 건축물에 작용하는 활하중이 주로 바람이나 차량과 같이 하중의 크기가 작고 불규칙적인데 비하여, 조류발전소에 작용하는 조류 하중의 경우 상대적으로 하중의 크기가 크고, 또한 조류의 유속, 조위 및 방향은 일정한 주기성을 가지고 있기 때문에 조류와 변형률 응답 사이의 관계가 비교적 명확하게 분석될 수 있을 것으로 판단하였기 때문이다. 이 연구에서는 이와 같은 배경 하에 재킷식 해양구조물에 설치된 변형률 자료를 분석하여, (1) 양중(lifting) 시 및 시공 단계별 거동 특성을 분석하고, (2) 특히 양중시 변형률 변화를 이용하여 수치해석에 의한 결과와 실제 거동 사이의 차이를 분석 하였다. 또한 (3) 조류 흐름 조건을 개선하기 위하여 6 개의 재킷 레그 중 하나의 재킷 레그를 제거하였을 때, 변형률 변화를 고정하중에 의한 변형률과 조류 하중에 의한 변형률로 구분하여 분석하였고, (4) 장기 계측 자료를 이용하여 변형률의 반복 주기 성분을 분석하고, 마지막으로 (5) 신경망 모델을 이용하여 조석 변화에 따른 변형률을 예측할 수 있는 모델을 제시하고, 모델의 예측 성능을 평가하였다.
- 이 연구에서는 재킷식 해양구조물인 울돌목 시험조류발전소 구조물에 대한 변형률을 장기 계측하여 시공 단계별 및 재킷 구조물 변경에 따른 변형률의 변화를 분석하고, 주파수 영역 해석을 통하여 주요 주기 성분을 분석하였다. 한편, 변형률 기반의 구조 건전성 모니터링을 위하여 조류의 유속과 조위 등을 입력자료로 하는 신경망 기반의 변형률 예측 모델을 제안하였으며, 주요 연구 결과를 다음과 같이 정리하였다.
- 재킷 레그의 절단에 따른 변형률의 변화를 정량적으로 검토하기 위하여 다음과 같이 재킷 레그 절단 전후의 고정하중에 대한 변형률과 조류 하중에 의한 변형률의 차이를 비교하였다. 이때 고정하중에 의한 변화는 다음 그림에서와 같이 조금 정조 시의 변형률 차이를 이용하여 구하고, 조류하 중에 의한 변형률의 차이는 고정하중에 의한 변형률을 기준으로 변형률 최대값 사이의 차이로 고려하였다.
- 다만 신호 기반 모니터링의 경우 손상 전후의 비교 인자가 있어야 하며, 또한 온도 및 하중 조건 등에 따른 영향을 먼저 검토하여야 한다. 이를 위하여 이 연구에서는 신경망 모델을 이용하여 조류 속도 및 조위에 따른 변형률을 예측할 수 있도록 하였다. 신경망 모델의 입력자료로는 다음의 그림 12와 같이 조류 속도, 조위 및 해당 기간까지의 변형률을 사용하였고, 출력자료로는 (i+1)번째 시간 단계에서의 변형률을 사용하였다.
- 육상에서 제작된 재킷 구조물과 함께 상부 덱(deck) 프레임을 상재한 상태에서 해상크레인으로 양중하여, 바지선에 거치하고, 일괄 운송한 후(단계 1), 설치 위치에서 상부 덱과 재킷 구조물을 동시에 거치하였고(단계 2), 현장 거치 후 조류 하중에 의한 미끄러짐(sliding) 및 전도(overturning)에 대한 안정성을 확보하기 위하여 약 480톤의 콘크리트 블록을 추가로 재하하였다(단계 3). 이후 RCD(reverse circulation drilling) 장비를 이용하여 지반을 천공하고(단계 4), 재킷 내부 파일(jacket inner pile)을 근입하고, 그라우팅 콘크리트를 타설하여 재킷 레그와 내부 파일을 일체화하였다(단계 5). 재킷 구조물에 대한 작업이 끝난후, 상부 덱과 발전설비 등이 탑재될 상부 건축물을 시공하고, 육상과의 연결을 위한 연결교(catwalk)을 시공하였다(한국해양연구원, 2011).
- 재킷 레그의 절단에 따른 변형률의 변화를 정량적으로 검토하기 위하여 다음과 같이 재킷 레그 절단 전후의 고정하중에 대한 변형률과 조류 하중에 의한 변형률의 차이를 비교하였다. 이때 고정하중에 의한 변화는 다음 그림에서와 같이 조금 정조 시의 변형률 차이를 이용하여 구하고, 조류하 중에 의한 변형률의 차이는 고정하중에 의한 변형률을 기준으로 변형률 최대값 사이의 차이로 고려하였다.
- 조류 하중의 주방향이 동서방향(E-W)이므로, 이를 고려하여 변형률계는 그림과 같이 Y축 상의 모멘트(Myy)에 의한 변형률 (εyy=Myyc/Iyy, c=D/2)(여기서, D는 직경이며, Iyy는 Y축을 회전중심으로 하는 단면 2차 모멘트)을 계측할 수 있도록 6개의 변형률계(SG-W-E, SG-NW-E, SG-SW-E, SG-NE-W, SG-SE-W, SG-E-W)를 설치하고, Mxx에 의한 변형률을 계측할 수 있도록 2개의 변형률계(SG-NW-S, SG-NE-S)를 설치하였다.
- 조류 하중의 주방향이 동서방향(E-W)이므로, 이를 고려하여 변형률계는 그림과 같이 Y축 상의 모멘트(Myy)에 의한 변형률 (εyy=Myyc/Iyy, c=D/2)(여기서, D는 직경이며, Iyy는 Y축을 회전중심으로 하는 단면 2차 모멘트)을 계측할 수 있도록 6개의 변형률계(SG-W-E, SG-NW-E, SG-SW-E, SG-NE-W, SG-SE-W, SG-E-W)를 설치하고, Mxx에 의한 변형률을 계측할 수 있도록 2개의 변형률계(SG-NW-S, SG-NE-S)를 설치하였다. 한편 현장 설치 및 시공 중에는 별도의 전력 공급이 없기 때문에 휴대용 로거를 이용하여 30분 단위로 변형률을 계측하였으며, 구조물 시공이 완료된 후에는 정적 변형률 측정 장비를 이용하여 1분 단위로 변형률을 계측하였다.
- 한편, 바닥 고정 시와 양중 시 변형률계 설치 위치에서의 변형률을 수치해석을 통하여 바닥 고정 시와 양중 시 압축 상태와 인장 상태 변형률의 상대적인 크기를 분석하였고, 또한 바닥 고정 시의 변형률과 양중 시의 변형률 차이를 계측한 값과 비교함으로써 수치해석 모델을 간접적으로 검증하였다(한국해양연구원, 2008). 그림 4(a)의 기본 수치해석 모델에 대하여 바닥 고정 시에는 6개의 재킷 레그 하부에 힌지(hinge) 조건을 적용하였으며, 양중 시에는 실제 해상 크레인에 의하여 양중될 때 고정 케이블이 설치된 A1, A2, B1, B2 재킷 레그 상부에 롤러(roller) 조건을 적용하였다.
- 이 연구에서는 재킷식 해양구조물인 울돌목 시험조류발전소 구조물에 대한 변형률을 장기 계측하여 시공 단계별 및 재킷 구조물 변경에 따른 변형률의 변화를 분석하고, 주파수 영역 해석을 통하여 주요 주기 성분을 분석하였다. 한편, 변형률 기반의 구조 건전성 모니터링을 위하여 조류의 유속과 조위 등을 입력자료로 하는 신경망 기반의 변형률 예측 모델을 제안하였으며, 주요 연구 결과를 다음과 같이 정리하였다.
- 한편, 변형률 자료를 살펴보면 조석 주기와 함께 창조 시 변형률 계측 자료에서 상대적으로 단주기 성분을 찾아 볼 수 있는데, 이러한 주기 성분을 분석하기 위하여 스펙트럼 분석을 수행하였다. 다음의 그림 10은 2011년 4월 1일부터 10월 1일까지의 6개월간의 계측결과를 이용하여 스펙트럼 분석을 한 결과이다.
대상 데이터
- 출력층은 (i+1)번째의 변형률로 1개로 구성되었다. 변형률계 사이의 상관관계는 없는 것으로 고려하여, 각 변형률계에 대하여 총 5개의 신경망 모델을 구성하였다. 신경망의 총 시냅스 수는 신경망 모델 1의 경우 (30+1)×20+(20+1)×10+(10+1)×1=841 개이며, 신경망 모델 10의 경우에는 (3+1)×20+(20+1)×10+ (10+1)×1=301 개이다.
- 따라서 입력자료의 수는 신경망 모델 1의 경우 30개이며, 신경망 모델 2의 경우 27개, 그리고 신경망 모델 10의 경우는 3개가 된다. 한편 은닉층은 2개의 층을 사용하였고, 첫 번째 은닉층과 두 번째 은닉층의 노드는 각각 20개와 10개를 사용하였다. 출력층은 (i+1)번째의 변형률로 1개로 구성되었다.
- 신경망의 총 시냅스 수는 신경망 모델 1의 경우 (30+1)×20+(20+1)×10+(10+1)×1=841 개이며, 신경망 모델 10의 경우에는 (3+1)×20+(20+1)×10+ (10+1)×1=301 개이다. 훈련 패턴으로는 9월 5일부터 9월 7일 18시까지 총 4,000개의 자료를 사용하였고, 시험 패턴으로는 9월 7일 18시부터 9월 9일 22시까지의 총 3,100개의 자료를 사용하였다. 총 시냅스의 개수가 850개 미만이므로 훈련 패턴의 수는 약 5배 이상으로 충분함을 알 수 있다.
성능/효과
- 아래의 그림 14는 신경망 모델 1을 이용하여 조석 변화에 따른 변형률을 예측한 결과이다. 9월 5일부터 4,000개 자료를 이용하여 훈련한 결과의 경우 훈련 오차가 훈련에 사용하지 않은 자료에 대한 예측 오차, 즉 시험 오차에 비하여 작은 수준임을 알 수 있다. 만약 구조계에 변화가 발생한다면 신경망 모델에 의한 오차가 증가할 것으로 예상되며, 이를 통하여 구조 건전성을 모니터링 할 수 있을 것으로 기대된다.
- 셋째, 흐름 개선을 위하여 재킷 레그와 부유물 차단막을 제거하였을 때의 변형률 변화는 고정하중에 의한 변형률 성분과 조류 하중에 의한 성분이 서로 상이하게 나타났다. 고 정하중에 의한 변형률 변화는 제거된 재킷 레그 주변의 레그에서 크게 발생하였으며, 조류 하중에 의한 변형률의 변화는 고정하중에 의한 변형률 변화의 10% 내로 상대적으로 매우 작은 것으로 분석되었다. 이는 고정하중의 경우 1기의 재킷 레그가 제거될 때 다른 재킷 레그들이 고정하중을 하부 기초로 더 많이 전달하여야 하나, 조류 하중의 경우 재킷 레그가 제거됨으로써 조류 하중 역시 감소되었기 때문이다.
- 고정하중에 의한 변형률 변화를 보면, 제거한 재킷 레그인 C2 레그와 인접한 A2, B2 재킷 레그의 SG-SE-W, SG-NE-W 센서의 경우 54.5 µε과 54.1 µε의 압축 변형률이 추가되었으며, A1, B2 재킷 레그의 SG-NW-E와 SG-SW-E 변형률계에서는 9.62 µε과 14.59 µε의 압축 변형률이 추가되어, C2 재킷 레그와 인접한 재킷 레그에서 고정하중에 의한 변형률이 크게 추가됨을 알 수 있다.
- 그러나 조류 하중에 의한 변형률의 경우 모든 변형률계에서 0.23 µε~2.81 µε 정도의 압축 변형률이 추가되는 것으로 분석되어, 고정하중에 의한 변형률 변화에 비하여 10% 이내로 조류 하중에 대한 변형률의 변화는 크지 않은 것으로 분석되었다.
- 넷째, 변형률 장기 계측 자료를 이용한 스펙트럼 분석 결과, M2 조석 주기인 12.42시간과 일치하는 12.412시간의 주기 성분 및 M4 조석 주기인 6.21시간과 일치하는 6.206시간의 주기 성분이 뚜렷이 나타나며, 또한 창조 시의 변형률 계측자료에서 나타나는 단주기 성분은 11.25분의 주기 성분임을 확인할 수 있었다. 장주기 성분의 경우 조석현상에 의한 것임을 알 수 있으며, 단주기 성분은 울돌목 협수로가 수량에 비하여 폭이 좁아 이 해역에서 병목현상이 발생하기 때문인 것으로 사료되고 있다.
- 다섯째, 신경망 모델을 이용하여 조석 변화에 따른 변형률을 예측한 결과, 시험오차가 RMS 단위로 1.5 미만으로 분석되었으며, 신경망 모델의 입력자료로는 현재의 계측자료와 함께 과거의 계측자료를 함께 사용하는 것이 예측 정확성을 향상시키는 데 필요한 것으로 분석되었다. 향후 신경망 모델을 이용하여 신호 기반의 변형률 모니터링 시스템을 구축할 수 있을 것으로 사료된다.
- 다양한 현장 작업 내용과 이에 따른 변형률 변화 추이를 비교한 결과, 양중 및 거치를 제외하면, 변형률 변화에 가장 큰 영향을 일으키는 작업은 재킷 내부 파일의 인발과 근입 작업인 것으로 분석되었다. 내부 파일의 인발이 필요한 이유는 울돌목 시험조류발전소에 대한 시공 시 높은 조류 하중에서의 안정성을 확보하기 위하여, 육상 제작장에서 내부 파일 상부를 재킷 레그 상부에 가용접하여 현장 거치 후 용접 부위를 해체하여 1 m 높이에서의 낙하를 유도하고, 이에 의한 부분 근입이 가능하도록 하였기 때문이다.
- 둘째, 시공 중 변형률 계측 자료와 공정 별 내용을 검토한 결과, 변형률의 변화 경향은 공정에 따라 모든 변형률계에서 드러나는 경우도 있고, 또한 일부 변형률계에서만 보이는 경우도 있었다. 양중이나 블록 재하, 또는 상부 덱 콘크리트 타설과 같이 재킷 구조물 전체에 영향을 줄 수 있는 작업을 수행한 경우에는 그 영향이 모든 센서 설치 위치에서 동시에 나타나지만, 내부 파일을 인발하거나 근입하는 작업은 해당 작업의 영향을 받는 센서 위치에서만 변형률의 변화가 발생하는 것을 알 수 있다.
- 셋째, 흐름 개선을 위하여 재킷 레그와 부유물 차단막을 제거하였을 때의 변형률 변화는 고정하중에 의한 변형률 성분과 조류 하중에 의한 성분이 서로 상이하게 나타났다. 고 정하중에 의한 변형률 변화는 제거된 재킷 레그 주변의 레그에서 크게 발생하였으며, 조류 하중에 의한 변형률의 변화는 고정하중에 의한 변형률 변화의 10% 내로 상대적으로 매우 작은 것으로 분석되었다.
- 우선 훈련 패턴을 이용한 예측 오차, 즉 훈련 오차는 신경망 모델 8, 9, 10을 제외하면 대체로 1 µε 미만의 값을 가지고 있으며, 과거 자료를 가장 많이 사용한 신경망 모델 1의 결과가 가장 좋은 것으로 분석되었다.
- 이는 굳이 과거 자료를 5개 이상 사용하지 않더라도 유사한 결과를 얻을 수 있음을 의미한다. 이 연구에서는 4,000개의 훈련 패턴을 사용하였기 때문에 입력자료의 수가 많더라도 충분히 안정적인 결과를 얻을 수 있으나 이와 같이 입력자료를 많이 사용하는 경우 신경망이 너무 유연해져 일반화 성능이 감소될 수 있기 때문에 신경망 모델 5 또는 모델 6을 사용하는 것이 합리적일 것으로 사료된다.
- 첫째, 재킷 구조물을 육상에 거치한 바닥 고정 시와 해상크레인에 의한 양중 시 조건에 대하여 수치해석 결과와 계측 결과를 비교할 때, SG-SW-E, SG-SE-W, SG-NE-W 등 3개 계측 지점에서의 변형률의 차이는 약 100 µε로 일치하고 있으나, SG-E-W와 SG-NW-S 등 2개 계측 지점에서의 변형률의 경우 해석결과와 60~80 µε의 큰 차이를 보이고 있다.
- 한편 B1, B2 재킷 레그 남쪽 방향으로 설치한 변형률계를 제외한 나머지 6개 변형률계에서의 계측값과 해석값을 모두 더한 결과는 각각 569 µε과 472.44 µε으로 계측값을 기준으로 할 때 17%의 차이가 있는 것으로 분석되었다.
- 한편 시험 패턴을 이용한 예측 오차, 즉 시험 오차는 대체로 1.5 µε 미만의 값을 가지고 있는 것으로 분석되었으며, 신경망 모델 1부터 6까지는 대체로 비슷한 수준의 오차를 가지고 있음을 알 수 있다.
- 양중이나 블록 재하, 또는 상부 덱 콘크리트 타설과 같이 재킷 구조물 전체에 영향을 줄 수 있는 작업을 수행한 경우에는 그 영향이 모든 센서 설치 위치에서 동시에 나타나지만, 내부 파일을 인발하거나 근입하는 작업은 해당 작업의 영향을 받는 센서 위치에서만 변형률의 변화가 발생하는 것을 알 수 있다. 한편, 다양한 현장 공정중 양중 및 거치와 함께 변형률 변화에 가장 큰 영향을 일으키는 작업은 재킷 내부 파일의 인발과 근입 작업인 것으로 분석되었다.
후속연구
- 9월 5일부터 4,000개 자료를 이용하여 훈련한 결과의 경우 훈련 오차가 훈련에 사용하지 않은 자료에 대한 예측 오차, 즉 시험 오차에 비하여 작은 수준임을 알 수 있다. 만약 구조계에 변화가 발생한다면 신경망 모델에 의한 오차가 증가할 것으로 예상되며, 이를 통하여 구조 건전성을 모니터링 할 수 있을 것으로 기대된다. 이 연구에서는 신경망을 이용한 모델을 제시하였으나, 신경망 모델 외에도 다른 모델을 사용할 수도 있을 것이다.
- 만약 구조계에 변화가 발생한다면 신경망 모델에 의한 오차가 증가할 것으로 예상되며, 이를 통하여 구조 건전성을 모니터링 할 수 있을 것으로 기대된다. 이 연구에서는 신경망을 이용한 모델을 제시하였으나, 신경망 모델 외에도 다른 모델을 사용할 수도 있을 것이다. 그러나 신경망이 상대적으로 효과적인 이유는, 일반적인 구조물과는 달리 조류발전소 재킷 구조물에 작용하는 조류의 속도와 조위는 연중 일정한 범위 내에서 반복되므로, 학습 패턴을 충분히 긴 계측 자료를 사용할 경우 내삽(interpolation) 시의 우수한 성능을 가진 신경망 모델의 성능이 향상될 수 있기 때문이다.
- 첫째, 재킷 구조물을 육상에 거치한 바닥 고정 시와 해상크레인에 의한 양중 시 조건에 대하여 수치해석 결과와 계측 결과를 비교할 때, SG-SW-E, SG-SE-W, SG-NE-W 등 3개 계측 지점에서의 변형률의 차이는 약 100 µε로 일치하고 있으나, SG-E-W와 SG-NW-S 등 2개 계측 지점에서의 변형률의 경우 해석결과와 60~80 µε의 큰 차이를 보이고 있다. 이는 실제 재킷 구조물의 바닥 고정 시 조건이 동일하지 않고 재킷 레그별로 서로 상이한 상태로 지지되어 있기 때문이며, 이러한 차이를 줄이기 위해서는 지점부 조건을 단순 힌지 조건으로 하지 않고, 계측 결과를 바탕으로 모델 개선(model updating)하는 것이 필요하리라 사료된다.
- 5 미만으로 분석되었으며, 신경망 모델의 입력자료로는 현재의 계측자료와 함께 과거의 계측자료를 함께 사용하는 것이 예측 정확성을 향상시키는 데 필요한 것으로 분석되었다. 향후 신경망 모델을 이용하여 신호 기반의 변형률 모니터링 시스템을 구축할 수 있을 것으로 사료된다.
- 이와 같이 조류발전과 관련된 기술은 국내외 모두 연구(research), 개발(development), 실증(demonstration) 및 보급(dissemination) 단계(R&D&D&D) 중 실증 단계(demonstration)에 있으며, 이와 같은 현장실증 결과를 바탕으로 상용화 및 보급이 이루어 질 것으로 예상되고 있다. 현재까지의 조류발전과 관련된 기술 개발이 주로 고효율의 조류 터빈 개발 및 대용량의 전력변환 장치 개발, 그리고 이들의 시스템 효율 평가 및 개선 등에 집중되었다면, 앞으로는 실증 및 보급을 위하여, 제작, 시공, 운영 및 유지관리 등 엔지니어링 기술의 개발이 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.