$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

군집 신경망기법을 이용한 해상풍력발전기 지지구조물의 건전성 모니터링 기법

Health Monitoring Method for Monopile Support Structure of Offshore Wind Turbine Using Committee of Neural Networks

한국소음진동공학회논문집 = Transactions of the Korean society for noise and vibration engineering, v.23 no.4, 2013년, pp.347 - 355  

이종원 (Namseoul University) ,  김상렬 (Korea Institute of Machinery and Materials) ,  김봉기 (Korea Institute of Machinery and Materials) ,  이준신 (Korea Electric Power Research Institute)

Abstract AI-Helper 아이콘AI-Helper

A damage estimation method for monopile support structure of offshore wind turbine using modal properties and committee of neural networks is presented for effective structural health monitoring. An analytical model for a monopile support structure is established, and the natural frequencies, mode s...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 이 연구에서는 모노파일 형식의 해상풍력발전기 지지구조물에 대한 손상추정기법을 제안하였다. 손상에 의한 지지구조물의 고유진동수, 모드형상 및 모드형상 곡률의 변화를 이용하였으며, 손상위치 및 손상정도를 판정하기 위하여 군집 신경망기법을 사용하였다.
  • 이 연구에서는 해상풍력발전기 지지구조물의 효과적인 건전성 모니터링을 위하여, 모노파일 형식 지지구조물을 대상으로 모드특성 및 군집 신경망기법을 이용한 손상추정기법을 제안한다. 이를 위하여 해저지질조건과 부가수질량을 고려하여 모노파일 형식 지지구조물의 고유주파수, 모드형상 및 모드형상 곡률을 해석적으로 추정한다.

가설 설정

  • 대상 지지구조물에 대하여 우선 16,000셋의 손상위치 및 손상정도를 무작위로 샘플링한 후 이에 대한 지지구조물의 고유주파수, 모드형상 및 모드형상 곡률을 BModes 프로그램을 이용하여 각각 구하였다. 이때 모드형상 및 모드형상 곡률은 Fig. 4에 보인 5개 위치에서 가속도를 측정하는 것으로 가정하여 구하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
군집 신경망기법은 구조물 손상추정 문제를 포함하여 다양한 분야에 적용되고 있는데, 그 사례는 무엇이 있는가? 한편, 군집 신경망기법은 구조물 손상추정 문제를 포함하여 다양한 분야에 적용되어지고 있다. 즉, 신속한 도로 이동시간 예측을 위하여 확률 신경망의 군집 신경망을 적용하여 예측 결과를개선하였으며(9), 정확한 전력 부하 예측을 위하여 과거의 전력 부하 및 온도 데이터를 이용하여 훈련 시킨 군집 신경망을 적용한 연구가 수행되었고(10), 부직포의 시각적 특성 인식을 일반적인 패턴인식의 문제로 고려하여 웨이블릿 에너지 신호와 군집 신경망을 함께 사용하여 특성을 평가하였다(11).
일반적으로 군집 신경망 구성의 방법은 무엇인가? 진동 데이터를 이용한 구조물 결함판정에 군집 신경망 적용의 가능성이 제안되었으며(2,3), 주파수 응답함수와 모달 데이터를 각각 단일 신경망의 입력자료로 사용한 후 군집 신경망을 구성하여 구조물의 결함을 탐지하는 연구가 수행되었다(4,5). 국소 최저치 문제는 신경망의 초기 연결강도(initial synaptic weight)에 민감하며, 일반적인 군집 신경망 구성의 방법은 단일 신경망을 초기 연결강도를 달리 하고 동일한 훈련패턴(training pattern)을 이용하여 독립적으로 훈련시키는 것이다. 즉, 군집 신경망에 포함되어 있는 단일 신경망들의 훈련이 종료되면 이들의 연결강도는 서로 다르게 된다.
신경망기법의 단점은? 또한 신경망기법은 다양한 종류의 입력 및 출력자료를 다룰 수 있으며, 훈련이 완료된 신경망을 이용하여 운용 중의 구조물에 대한 손상추정을 수행하므로 신속한 평가가 가능하다. 그러나 신경망기법 적용 시 국소 최저치(local minima) 문제, 노이즈 및 제한된 계측자료 등으로 인한 비유일성(non-uniqueness) 문제 등이 존재한다. 이를 해결하기 위한 방법 중 하나로, 통계적 접근 방법인 군집 신경망(committee of neural networks) 기법을 적용할 수 있는데, 이 방법에서는 신경망들의 출력을 함수 공간에서 평균하여 처리한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. Perrone, M. P., 1993, General Averaging Results for Convex Optimization, Proceedings of Connectionist Models Summer School, Hillsdale, pp. 364-371. 

  2. Perrone, M. P. and Cooper, L. N., 1993, When Networks Disagree: Ensemble Methods for Hybrid Neural Networks, Artificial Neural Networks for Speech and Vision, Chapman & Hall, London, pp. 126-142. 

  3. Marwala, T. and Heyns, P. S., 1998, Multiplecriterion Method for Determining Structural Damage, American Institute of Aeronautics and Astronautics Journal, Vol. 36, No. 8, pp. 1494-1501. 

  4. Marwala, T. and Hunt, H. E. M., 1999, Fault Identification Using Finite Element Models and Neural Networks, Mechanical Systems and Signal Processing, Vol. 13, No. 3, pp. 475-490. 

  5. Marwala, T., 2001, Probabilistic Fault Identification Using a Committee of Neural Networks and Vibration Dara, Journal of Aircraft, Vol. 38, No. 1, pp. 138-146. 

  6. Hashem, S., 1994, Optimal Linear Combinations of Neural Networks, PhD Thesis, Purdue University, IN, USA. 

  7. Parmanto, B., Munro, P. W., Doyle, H. R., Doria, C., Aldrighetti, L., Marino, I. R., Mitchel, S. and Fung, J. J., 1994, Neural Network Classifier for Hepatoma Detection, Proceeding of the World Congress of Neural Networks, San Diego, USA. 

  8. Lee J. W., Yi, J. H., Kim, J. D. and Yun, C. H., 2004, Health Monitoring Method Using Committee of Neural Networks, Key Engineering Materials, Vols. 270-273, pp. 1983-1988. 

  9. Hinsbergen, C. P. IJ., van Lint, J. W. C. and van Zuylen, H. J., 2009, Bayesian Committee of Neural Networks to Predict Travel Time with Confidence Intervals, Transportation Research Part C, Vol. 17, No. 5, pp. 498-509. 

  10. Abdel-Aal, R. E., 2005, Improving Electric Load Forecasts Using Network Committees, Electric Power System Research, Vol. 74, No. 1, pp. 83-94. 

  11. Liu, J., Zuo, B., Zeng, X., Vroman, P. and Rabenasolo, B., 2011, Wavelet Energy Signature and Robust Bayesian Neural Network for Visual Quality Recognition of Nonwovens, Expert Systems with Application, Vol. 38, No. 7, pp. 8497-8508. 

  12. Kim, S., R., Lee, J. W., Kim, B. K. and Lee, J. S. 2012, Damage Estimation Method for Monopile Support Structure of Offshore Wind Turbine, Transactions of the Korean Society for Noise and Vibration Engineering, Vol. 22, No. 7, pp. 667-675. 

  13. Jonkman, J., Butterfield, S., Musial, W. and Scott, G., 2009, Definition of a 5-MW Reference Wind Turbine for Offshore System Development, Technical Report, NREL/TP-500-38060, National Renewable Energy Laboratory. 

  14. Jonkman, J., Butterfield, S., Passon, P., Larsen, T., Camp, T., Nichols, J., Azcona, J. and Martinez, A., 2008, Offshore Code Comparison Collaboration within IEA Wind Annex XXIII: Phase II Results Regarding Monopile Foundation Modeling, Conference Paper, NREL/CP-500-42471, National Renewable Energy Laboratory. 

  15. Bir, G. and Jonkman, J., 2008, Modal Dynamics of Large Wind Turbines with Different Support Structures, Conference Paper, NREL/CP-500-43045, National Renewable Energy Laboratory. 

  16. Bir, G. S., 2007, Users Guide to BModes (Software for Computing Rotating Beam Coupled Modes), National Renewable Energy Laboratory. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트