최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국소음진동공학회논문집 = 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)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
Perrone, M. P., 1993, General Averaging Results for Convex Optimization, Proceedings of Connectionist Models Summer School, Hillsdale, pp. 364-371.
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.
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.
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.
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.
Hashem, S., 1994, Optimal Linear Combinations of Neural Networks, PhD Thesis, Purdue University, IN, USA.
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.
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.
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.
Abdel-Aal, R. E., 2005, Improving Electric Load Forecasts Using Network Committees, Electric Power System Research, Vol. 74, No. 1, pp. 83-94.
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.
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.
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.
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.
Bir, G. S., 2007, Users Guide to BModes (Software for Computing Rotating Beam Coupled Modes), National Renewable Energy Laboratory.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.