본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위하여 계측한 변형률을 통해 구조물에 작용한 하중을 식별하는 알고리즘을 제안한다. 기존의 시스템 식별 연구에서 구조물의 강성 등을 변수화한 것과는 다르게, 본 연구에서는 구조물에 작용한 하중과 이로 인해 구조물에 발생하는 변형률 간의 관계를 행렬로 정의하고, 이 행렬 및 작용한 하중을 변수화 한다. 계측한 변형률과 변수를 통해 추정한 변형률 사이의 차이를 오차함수로 설정하고 이를 최소화시키기 위해 최적화 알고리즘 중 하나인 유전자 알고리즘을 적용한다. 구해진 변수와 계측 변형률을 통해 작용한 하중을 식별하고 구조물의 하중 변화 시 미계측 지점의 응답을 추정한다. 본 연구에서 제안하는 하중 식별 알고리즘을 검증하기 위해 3차원 철골 골조 구조물의 정적 가력 실험을 수행하였고, 계측한 변형률을 통해 가해진 하중을 낮은 오차 수준으로 식별할 수 있었다. 또한, 하중 조건 변화 시, 계측한 변형률을 통해 모니터링 대상이 되는 미계측 지점의 변형률을 0.17~3.13%의 오차 범위로 추정하였다. 본 연구가 제안하는 식별법이 철골 구조물의 보다 현실적인 안전성 모니터링에 효과적으로 적용될 것으로 기대된다.
본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위하여 계측한 변형률을 통해 구조물에 작용한 하중을 식별하는 알고리즘을 제안한다. 기존의 시스템 식별 연구에서 구조물의 강성 등을 변수화한 것과는 다르게, 본 연구에서는 구조물에 작용한 하중과 이로 인해 구조물에 발생하는 변형률 간의 관계를 행렬로 정의하고, 이 행렬 및 작용한 하중을 변수화 한다. 계측한 변형률과 변수를 통해 추정한 변형률 사이의 차이를 오차함수로 설정하고 이를 최소화시키기 위해 최적화 알고리즘 중 하나인 유전자 알고리즘을 적용한다. 구해진 변수와 계측 변형률을 통해 작용한 하중을 식별하고 구조물의 하중 변화 시 미계측 지점의 응답을 추정한다. 본 연구에서 제안하는 하중 식별 알고리즘을 검증하기 위해 3차원 철골 골조 구조물의 정적 가력 실험을 수행하였고, 계측한 변형률을 통해 가해진 하중을 낮은 오차 수준으로 식별할 수 있었다. 또한, 하중 조건 변화 시, 계측한 변형률을 통해 모니터링 대상이 되는 미계측 지점의 변형률을 0.17~3.13%의 오차 범위로 추정하였다. 본 연구가 제안하는 식별법이 철골 구조물의 보다 현실적인 안전성 모니터링에 효과적으로 적용될 것으로 기대된다.
This study proposes a load identification for the safety monitoring of the steel structure based on measured strain data. Instead of parameterizing the stiffness of structure in the existing system identification researches, the loads on a structure and a matrix (the unit strain matrix) defined by t...
This study proposes a load identification for the safety monitoring of the steel structure based on measured strain data. Instead of parameterizing the stiffness of structure in the existing system identification researches, the loads on a structure and a matrix (the unit strain matrix) defined by the relationship between strain and load on structure are parameterized in this study. The error function is defined by the difference between measured strain and strain estimated by parameters. In order to minimize this error function, the genetic algorithm which is one of the optimization algorithm is applied and the parameters are found. The loads on the structure can be identified through the founded parameters and measured strain data. When the loads are changed, the unmeasured strains are estimated based on founded parameters and measured strains on changed state of structure. To verify the load identification algorithm in this paper, the static experimental test for 3 dimensional steel frame structure was implemented and the loads were exactly identified through the measured strain data. In case of loading changes, the unmeasured strains which are monitoring targets on the structure were estimated in acceptable error range (0.17~3.13%). It is expected that the identification method in this study is applied to the safety monitoring of steel structures more practically.
This study proposes a load identification for the safety monitoring of the steel structure based on measured strain data. Instead of parameterizing the stiffness of structure in the existing system identification researches, the loads on a structure and a matrix (the unit strain matrix) defined by the relationship between strain and load on structure are parameterized in this study. The error function is defined by the difference between measured strain and strain estimated by parameters. In order to minimize this error function, the genetic algorithm which is one of the optimization algorithm is applied and the parameters are found. The loads on the structure can be identified through the founded parameters and measured strain data. When the loads are changed, the unmeasured strains are estimated based on founded parameters and measured strains on changed state of structure. To verify the load identification algorithm in this paper, the static experimental test for 3 dimensional steel frame structure was implemented and the loads were exactly identified through the measured strain data. In case of loading changes, the unmeasured strains which are monitoring targets on the structure were estimated in acceptable error range (0.17~3.13%). It is expected that the identification method in this study is applied to the safety monitoring of steel structures more practically.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
구조물의 계측 및 해석 응답에 대해 정적 응답과 동적 응답으로 구분하여 다수의 오차함수를 설정하였고, 이들을 최소화 하기 위해 다목적 유전자 알고리즘인 Non-dominated Sorting Genetic Algorithm II (NSGA-II)를 적용하였다. 본 연구는 구조물의 하중 식별을 위해 구조물의 하중과 변형률 간의 관계를 정의하고 GA를 이용하여 이를 규명한다. 하중과 변형률 간의 관계를 행렬로 나타내고 행렬의 구성 성분 및 하중을 변수화하여 변형률을 추정한다.
본 연구에서는 계측한 변형률을 이용해 시공 중 또는 시공 후 구조물의 불확실하고 변동성 있는 하중을 식별하는 방법을 제안하였다. 작용한 하중뿐만 아니라 하중 변화 시 모니터링 대상이 되는 부재의 미계측 지점에서의 변형률 추정을 가능하게 함으로써 더욱 현실적이고 효과적인 철골 구조물의 안전성 모니터링이 가능할 것으로 기대한다.
본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위하여 계측한 변형률을 통해 구조물에 작용한 하중을 식별하는 알고리즘을 제안하였다. 기존의 시스템 식별 연구에서 구조물의 강성 등을 변수화한 것과는 다르게, 본 연구에서는 구조물에 작용한 하중과 이로 인해 구조물에 발생하는 변형률 간의 관계를 행렬로 정의하고, 이 행렬 및 작용한 하중을 변수화한다.
본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위한 변형률 기반 하중 식별 알고리즘을 제안하였다. 본 연구에서 제시한 알고리즘은 하중과 변형률 사이의 관계를 단위 변형률 행렬로 정의하고, 단위 변형률 행렬의 변화량과 작용한 하중을 변수로 설정하였다.
가설 설정
구조물의 강성에 영향을 미치는 불확실 요소로 인해 단위 변형률 행렬의 구성 성분인 단위 하중에 의해 발생하는 변형률에 변화가 생긴다는 가정 하에, 다음 식 (3)과 같이 단위 하중에 의한 변형률을 정의하였다.
제안 방법
(3) 하중이 변화한 경우 (하중 단계 2와 3), 식별한 단위 변형률 행렬 및 작용한 하중을 이용하여 모니터링 대상이지만 계측하지 않은 지점에서의 변형률을 추정해보았다. 최대 3.
(2014)는 각각 보와 다경간 보 부재의 변형률 분포를 특정 다항 함수로 가정하여 계측한 변형률 데이터를 통해 다항 함수의 계수를 찾는 커브피팅을 수행하여 변형률 분포 및 최대 변형률을 추정하였다. 계측한 변형률과 가정한 다항 함수의 추정 변형률 간의 차이를 최소화 하는 다항 함수의 계수를 찾아 변형률 분포를 추정하였다. 계측한 변형률과 추정 변형률 간의 오차를 최소화시키는 방법으로 최소제곱법 (Least Square Method, LSM)을 이용하였다.
본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위하여 계측한 변형률을 통해 구조물에 작용한 하중을 식별하는 알고리즘을 제안하였다. 기존의 시스템 식별 연구에서 구조물의 강성 등을 변수화한 것과는 다르게, 본 연구에서는 구조물에 작용한 하중과 이로 인해 구조물에 발생하는 변형률 간의 관계를 행렬로 정의하고, 이 행렬 및 작용한 하중을 변수화한다. 계측한 변형률과 변수를 통해 추정한 변형률 사이의 차이를 오차함수로 설정하고 이를 최소화시키기 위해 최적화 알고리즘 중 하나인 유전자 알고리즘을 적용한다.
먼저, 하중 단계 1의 계측한 모든 변형률 데이터를 하중 식별 알고리즘에 적용하여 단위 변형률 행렬 및 하중 단계 1에서의 하중을 식별하였다. 이렇게 구한 단위 변형률 행렬을 통해 3.
본 연구에서 제시한 알고리즘은 하중과 변형률 사이의 관계를 단위 변형률 행렬로 정의하고, 단위 변형률 행렬의 변화량과 작용한 하중을 변수로 설정하였다. 변수인 단위 변형률 행렬과 하중을 통해 추정한 변형률과 계측한 변형률의 차이를 최소화하는 오차 함수를 설정하며, 유전자 알고리즘을 이용하여 변수를 찾게 된다. 제안한 알고리즘은 3차원 철골 골조 구조물의 정적 가력 실험을 통해 검증해 보았다.
변형률 계측은 전기저항식 센서 (electric strain gauge, ESG)를 이용하였고, 3개층 (1/3/5층)에 각 층별 10개씩, 총 30개의 센서를 해당층 거더의 상부 플랜지에 설치하여 하중 단계별로 실험체의 변형률을 계측하였다. ESG 설치 현황은 Fig.
본 연구가 제안하는 변형률 기반 하중 식별 알고리즘은 구조물에 작용하는 하중과 이에 따라 구조물에 발생하는 변형률 사이의 관계에 기초하며, 이 관계를 정의하기 위해 구조물에 단위 하중이 작용한 경우 발생하는 변형률을 구조 해석을 통해 구하게 된다. Fig.
본 연구가 제안하는 알고리즘을 이용하여 식별한 하중 및 단위 변형률 행렬을 이용하여 구조물의 모니터링 대상이지만 계측되지 않은 부분의 변형률을 추정할 수 있다. 식 (10)을 이용하여 하중 단계 2와 3의 하중 식별 시 제외시켰던 미계측되었다고 가정한 변형률을 추정해 보았다.
본 연구가 제안하는 하중 식별 알고리즘은 구조물에 작용하는 하중과 이로 인해 발생하는 구조물의 변형률 간의 관계 및 하중을 변수화하여 계측한 변형률을 통해 이 변수들을 찾아내기 위해 유전자 알고리즘을 적용한다. GA는 자연선택과 진화와 같은 진화론에 근거한 휴리스틱 (heuristic) 기반의 전역적 해 탐색 기법으로 다양한 공학분야에서 널리 활용되고 있다.
즉, 구조물에 가해지는 하중에 대한 구조물의 응답 메커니즘을 나타내는 행렬이라고 할 수 있다. 본 연구는 특정 강성 요소를 변수화하지 않고 구조물에 크고 작은 영향을 미치는 강성 관련 요소들의 조합이라 할 수 있는 단위 변형률 행렬을 변수로써 고려하였고, 이와 더불어 구조물 외부 환경적 불확실성이라 할 수 있는 하중을 또 다른 변수로 설정하였다.
본 연구에서는 철골 골조 구조물의 안전성 모니터링을 위한 변형률 기반 하중 식별 알고리즘을 제안하였다. 본 연구에서 제시한 알고리즘은 하중과 변형률 사이의 관계를 단위 변형률 행렬로 정의하고, 단위 변형률 행렬의 변화량과 작용한 하중을 변수로 설정하였다. 변수인 단위 변형률 행렬과 하중을 통해 추정한 변형률과 계측한 변형률의 차이를 최소화하는 오차 함수를 설정하며, 유전자 알고리즘을 이용하여 변수를 찾게 된다.
구해진 변수와 계측 변형률을 통해 작용한 하중을 식별하고 나아가 미계측 지점의 변형률을 추정한다. 본 연구에서 제안하는 하중 식별 알고리즘을 검증하기 위해 3차원 철골 골조 구조물의 정적 가력 실험을 수행하였고, 계측한 변형률을 통해 가해진 하중을 식별할 수 있었다. 식별된 변수 및 하중을 통해 얻은 응답 (변형률)과 계측한 응답 (변형률)을 비교하여 본 연구가 제안한 식별 기법을 검증하였다.
본 연구에서 제안하는 하중 식별 알고리즘을 검증하기 위해 3차원 철골 골조 구조물의 정적 가력 실험을 수행하였고, 계측한 변형률을 통해 가해진 하중을 식별할 수 있었다. 식별된 변수 및 하중을 통해 얻은 응답 (변형률)과 계측한 응답 (변형률)을 비교하여 본 연구가 제안한 식별 기법을 검증하였다.
(2011)은 각각 LGFOS와 VWSG를 이용하여 보 구조물의 최대 변형률을 추정하는 기법을 제시하였다. 이 두 연구는 크기를 모르는 다양한 하중을 받고 있는 보 구조물의 평균변형률을 계측하여 최대 변형률을 추정하였다. 그러나 센서의 특성상 긴 게이지 길이로 보 특정 구간의 평균변형률 계측을 통해 최대 변형률 값을 추정할 뿐 최대 변형률이 발생하는 위치까지는 제시하지 못하고 있다.
이상에서 제안한 변형률 기반 하중 식별 알고리즘을 검증하기 위해 3차원 철골 골조를 대상으로 중력 방향 하중을 정적 가력하는 실험을 수행하였다.
변수인 단위 변형률 행렬과 하중을 통해 추정한 변형률과 계측한 변형률의 차이를 최소화하는 오차 함수를 설정하며, 유전자 알고리즘을 이용하여 변수를 찾게 된다. 제안한 알고리즘은 3차원 철골 골조 구조물의 정적 가력 실험을 통해 검증해 보았다.
, 2013)되어 왔고, 시공 중 또는 사용 중인 실제 건물에 적용되고 있다. 지진하중, 풍하중, 중력하중 등에 의해 구조물 또는 구조물을 구성하는 부재에 발생하는 응력을 파악하여 구조물의 안전성 평가를 하게 된다. 구조물 안전성 모니터링은 변형률 계측을 통해 응력을 파악하는 방법으로 이루어 진다.
하중과 변형률 간의 관계를 행렬로 나타내고 행렬의 구성 성분 및 하중을 변수화하여 변형률을 추정한다. 추정한 변형률과 계측한 변형률 간에 차이를 오차함수로 설정하여 이를 최소화시키기 위해 GA를 적용하여 변수인 행렬의 구성 성분 및 작용한 하중을 찾게 된다. 제안한 알고리즘은 상용 소프트웨이인 Matlab으로 코드화하였고, 알고리즘 내부에 삽입된 GA 또한 Matlab으로 작성된 코드를 사용하였다.
4에서 보는 바와 같이 슬라브 하단에 보를 부착하여 슬라브와 슬라브에 얹혀지는 모듈이 슬라브 하단의 보를 통해 집중 하중의 형태로 거더에 전달되도록 하중 재하를 고려하였다. 하중은 5개층 중 3개층 (1/3/5층)에 재하하였고, 하중 단계를 총 3단계로 나누어 단계별로 모듈의 수를 늘려가는 방법으로 실험을 수행하였다. 자세한 하중 정보는 Table 1에 정리하였고, 하중 재하 전과 후의 실험 전경은 각각 Photo 1과 같다.
대상 데이터
3에서 볼 수 있듯이 5층 1경간의 3차원 철골 골조 구조물로 강재는 SS400를 사용하였다. 기둥 (width:30, depth: 30mm)과 거더 (width: 15mm, depth: 20mm)는 각각 동일한 단면을 사용하였다. 하중은 실험을 위해 제작된 강재 모듈을 이용하여 재하하였다.
실험체는 Fig. 3에서 볼 수 있듯이 5층 1경간의 3차원 철골 골조 구조물로 강재는 SS400를 사용하였다. 기둥 (width:30, depth: 30mm)과 거더 (width: 15mm, depth: 20mm)는 각각 동일한 단면을 사용하였다.
이론/모형
기존의 시스템 식별 연구에서 구조물의 강성 등을 변수화한 것과는 다르게, 본 연구에서는 구조물에 작용한 하중과 이로 인해 구조물에 발생하는 변형률 간의 관계를 행렬로 정의하고, 이 행렬 및 작용한 하중을 변수화한다. 계측한 변형률과 변수를 통해 추정한 변형률 사이의 차이를 오차함수로 설정하고 이를 최소화시키기 위해 최적화 알고리즘 중 하나인 유전자 알고리즘을 적용한다. 구해진 변수와 계측 변형률을 통해 작용한 하중을 식별하고 나아가 미계측 지점의 변형률을 추정한다.
계측한 변형률과 가정한 다항 함수의 추정 변형률 간의 차이를 최소화 하는 다항 함수의 계수를 찾아 변형률 분포를 추정하였다. 계측한 변형률과 추정 변형률 간의 오차를 최소화시키는 방법으로 최소제곱법 (Least Square Method, LSM)을 이용하였다.
(2014)은 구조물의 손상식별을 위해 휨 강성 등을 손상지수화하고 이를 변수로 설정하였다. 구조물의 계측 및 해석 응답에 대해 정적 응답과 동적 응답으로 구분하여 다수의 오차함수를 설정하였고, 이들을 최소화 하기 위해 다목적 유전자 알고리즘인 Non-dominated Sorting Genetic Algorithm II (NSGA-II)를 적용하였다. 본 연구는 구조물의 하중 식별을 위해 구조물의 하중과 변형률 간의 관계를 정의하고 GA를 이용하여 이를 규명한다.
구조물 안전성 모니터링은 변형률 계측을 통해 응력을 파악하는 방법으로 이루어 진다. 변형률 계측을 통해 산출한 최대응력은 설계기준 (AISC, 2000)에서 제시하는 허용응력과 비교하여 구조물 안전성 지표로서 활용된다.
최적화 문제에서는 설정된 목적 함수를 최소화시키기 위한 기법으로써 GA가 적용되고, 본 연구와 같은 구조물의 시스템 식별 연구에서는 계측 데이터와 변수에 의해 결정되는 추정 데이터 간의 오차 함수를 최소화시키기 위한 기법으로써 GA가 적용되어 왔다. 앞서 언급한 Deng and Cai (2010)의 교량 구조물의 시스템 식별 연구에서 응답과 추정함수간의 오차를 최소화하기 위해 GA를 적용하였다. Jung and Kim (2011)는 소형 교량의 시스템 식별을 위해 Nelder-Mead’s ‘simplex’ algorithm과 GA로 구성된 Hybrid GA를 이용하여 계측 응답과 해석 간의 오차함수를 최소화하는 연구를 수행하였다.
추정한 변형률과 계측한 변형률 간에 차이를 오차함수로 설정하여 이를 최소화시키기 위해 GA를 적용하여 변수인 행렬의 구성 성분 및 작용한 하중을 찾게 된다. 제안한 알고리즘은 상용 소프트웨이인 Matlab으로 코드화하였고, 알고리즘 내부에 삽입된 GA 또한 Matlab으로 작성된 코드를 사용하였다.
성능/효과
(1) 3차원 철골 골조 구조물의 정적 가력 실험 결과, 계측한 변형률을 통해 작용한 하중을 정확히 식별해낼 수 있었다. 추정된 변형률과 계측한 변형률의 오차 함수를 최소화하며, 변수로 설정한 단위 변형률 행렬 및 작용한 하중을 식별할 수 있었다.
(2) 하중을 증가 (하중 단계 2와 3)시켜 구조물의 하중 조건에 변화를 준 상태에서 변형률을 계측하였고, 최초 식별한 단위 변형률 행렬에 계측 변형률만을 적용하여 변화한 하중의 크기를 추정할 수 있었다. 이 또한 상당히 작은 오차 범위 내에서 변화한 하중을 추정할 수 있었다.
커브피팅에 의한 방법은 이론적인 역학에 근거하지 않고 하중 상황을 예상하고 변형률 분포식을 다항함수로 가정하여 여러 불확실 요소들을 줄일 수 있는 방법에 속한다. 단순보를 대상으로 비교적 적은 오차를 보이며 실제 적용 가능성을 확인할 수 있었다. 하지만 다경간 연속보 구조물로 그 대상 범위를 확대하여 실험을 수행한 연구 결과에서는 단순보에 비해 비교적 큰 오차가 발생하였고 다경간 연속보의 계측 변형률 분포 또한 해석을 통해 얻은 변형률 분포와 그 양상이 상이한 점을 확인할 수 있었다.
13%의 상당히 작은 오차 범위 안에서 변형률을 추정할 수 있었다. 위 결과로부터 하중 단계 1에서, 계측한 변형률을 통해 구조물의 강성을 대변하는 단위 변형률 행렬을 비교적 정확히 식별하였음을 알 수 있었다. 하중 크기가 변하여도 정확한 하중 식별이 가능하며, 변화된 하중의 식별과 이전 하중 단계에서 식별해 놓은 단위 변형률 행렬을 통해 하중 조건이 변한 구조물 내에 계측하지 않은 응답 (변형률) 또한 추정할 수 있음을 확인할 수 있었다.
(3) 하중이 변화한 경우 (하중 단계 2와 3), 식별한 단위 변형률 행렬 및 작용한 하중을 이용하여 모니터링 대상이지만 계측하지 않은 지점에서의 변형률을 추정해보았다. 최대 3.13%의 오차를 보이며 비교적 정확하게 미계측 지점에서의 변형률을 추정할 수 있었다.
(1) 3차원 철골 골조 구조물의 정적 가력 실험 결과, 계측한 변형률을 통해 작용한 하중을 정확히 식별해낼 수 있었다. 추정된 변형률과 계측한 변형률의 오차 함수를 최소화하며, 변수로 설정한 단위 변형률 행렬 및 작용한 하중을 식별할 수 있었다.
위 결과로부터 하중 단계 1에서, 계측한 변형률을 통해 구조물의 강성을 대변하는 단위 변형률 행렬을 비교적 정확히 식별하였음을 알 수 있었다. 하중 크기가 변하여도 정확한 하중 식별이 가능하며, 변화된 하중의 식별과 이전 하중 단계에서 식별해 놓은 단위 변형률 행렬을 통해 하중 조건이 변한 구조물 내에 계측하지 않은 응답 (변형률) 또한 추정할 수 있음을 확인할 수 있었다.
단순보를 대상으로 비교적 적은 오차를 보이며 실제 적용 가능성을 확인할 수 있었다. 하지만 다경간 연속보 구조물로 그 대상 범위를 확대하여 실험을 수행한 연구 결과에서는 단순보에 비해 비교적 큰 오차가 발생하였고 다경간 연속보의 계측 변형률 분포 또한 해석을 통해 얻은 변형률 분포와 그 양상이 상이한 점을 확인할 수 있었다. 이는 모니터링 대상이 골조 구조물과 같은 복잡한 부정정 구조물로 확대될 경우 불확실 요소가 더 큰 영향을 미쳐 기존의 추정 기법만으로는 구조물의 안전성을 평가하기 어렵다는 것을 시사한다.
후속연구
본 연구에서는 계측한 변형률을 이용해 시공 중 또는 시공 후 구조물의 불확실하고 변동성 있는 하중을 식별하는 방법을 제안하였다. 작용한 하중뿐만 아니라 하중 변화 시 모니터링 대상이 되는 부재의 미계측 지점에서의 변형률 추정을 가능하게 함으로써 더욱 현실적이고 효과적인 철골 구조물의 안전성 모니터링이 가능할 것으로 기대한다. 향후 안전성 모니터링으로 국한된 본 연구를 확장하여 계측과 식별을 통해 구조물의 변형을 추정하는 연구에 수행하고자 한다.
작용한 하중뿐만 아니라 하중 변화 시 모니터링 대상이 되는 부재의 미계측 지점에서의 변형률 추정을 가능하게 함으로써 더욱 현실적이고 효과적인 철골 구조물의 안전성 모니터링이 가능할 것으로 기대한다. 향후 안전성 모니터링으로 국한된 본 연구를 확장하여 계측과 식별을 통해 구조물의 변형을 추정하는 연구에 수행하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
최대변형률을 직접 계측하는 것이 매우 어려운 이유는?
구조물에 발생한 최대 응력 산출을 위해서는 변형률계를통해 직접 최대변형률을 계측하거나 최대변형률을 추정하여야 한다. 시공 중 또는 사용 중 발생하는 하중의 변동, 계측 센서 설치 개수의 한계 등의 이유로 최대변형률을 직접 계측하는 것은 매우 어려운 일이다. 이에 부재의 변형률 분포 혹은 최대변형률을 추정하여 구조물 또는 부재에 발생한 최대 응력을 추정하는 연구가 활발히 진행 (Hampshire and Adeli, 2000; Park et al.
구조물에 발생한 최대 응력 산출을 위해 해야할 일은?
구조물에 발생한 최대 응력 산출을 위해서는 변형률계를통해 직접 최대변형률을 계측하거나 최대변형률을 추정하여야 한다. 시공 중 또는 사용 중 발생하는 하중의 변동, 계측 센서 설치 개수의 한계 등의 이유로 최대변형률을 직접 계측하는 것은 매우 어려운 일이다.
해석적인 방법을 통해 최대변형률 및 최대응력을 추정하는 기존연구들이 가지고 있는 한계점은?
위의 연구들이 제시하는 방법들은 해석상에 가정한 사항이 성립되는 이상적인 상황이어야만 적용이 가능하다. 즉, 위 연구들은 현실적인 모니터링에서 발생하는 불확실 요소들이 반영되지 않은 이론적인 해석적 방법에 기반한 모델들이고 따라서 실제 모니터링에서는 그 적용성이 떨어지게 된다. 먼저, 위 연구에서 제시된 방법들은 하중의 불확실성을 고려하고 있지 않다. 집중하중의 위치는 일반적으로 예측 가능할 지라도 분포 하중을 삼각하중, 등분포 하중 등으로 제한하고 있어 실제 발생하는 불규칙한 형상의 분포하중에 대해서는 그 적용이 불가하다. 또한, 설계 시점에서 제공된 하중 이외에 시공 중 혹은 사용 중 하중의 위치와 크기는 변화할 수 있으며 이에 따라 해석적 방법에 의한 변형률 추정은 더 어려워지게 된다. 지점 조건도 이상적인 힌지 혹은 고정단으로 제한하고 있다. 현실의 어떤 구조물의 접합부 조건을 힌지 혹은 고정단으로 구성하는 것은 불가능한 일이며 접합부 회전 (rotational) 및 이동 (translational)에 대한 강성을 추정하기란 매우 어려운 일이다. 위 해석적 방법에 의한 접근은 접합부 조건에 따라 외부 경간의 모멘트 전달이 달라져 부재의 변형률 변화에 영향을 미치는 현상을 반영하지 못하고 있다. 이 외에도 탄성계수와 같은 재료 물성치, 단면 2차 모멘트와 같은 단면 정보 등에 의한 오차, 부재 설치 시공상의 오차 등도 해석 모델에 의한 변형률 추정을 부정확하게 하는 요소가 된다.
참고문헌 (24)
AISC (2005), Steel Construction Manual, American Institute of Steel Construction (AISC), Chicago, IL.
Cho, N. S., Kim, N. S. (2008), Prediction of the Static Deflection Profiles on Suspension Bridge by Using FBG Strain Sensors, KSCE Journal of Civil Engineering, 28(5A), 699-707 (in Korean).
Choi, S. W., Lee, J., Oh, B. H., and Park, H. S. (2013), Measurement model for the maximum strain in beam structures using multiplexed fiber bragg grating sensors, International Journal of Distributed Sensor Networks, Article ID 894780, 9.
Choi, S. W., Lee, J., Oh, B. K., Park, H. S. (2013), Analytical models for estimation of the maximum strain of beam structures based on optical fiber bragg grating sensors, Journal of Civil Engineering and Management, 29(9), 707-717.
De Jong K. A. (1975), An analysis of the behavior of a class of genetic adaptive systems, Doctoral Dissertation, University of Michigan.
Goldberg D. E. (1989), Genetic algorithms in search, optimization and machine learning, Addison-Westley.
Hahn, H. G., Ahn, H. J. (2012), A Study on Development of Structural Health Monitoring System for Steel Beams Using Strain Gauges, Journal of the Korea Institute for Structural Maintenance and Inspection, 16(1), 99-109 (in Korean).
Hampshire, T. A., Adeli, H. (2000), Monitoring the behavior of steel structures using distributed optical fiber sensor, Journal of Constructional Steel Research, 53(3), 267-281.
Hong, K., Lee, J., Choi, S. W., Kim, Y., Park, H. S. (2013), A strain-based load identification model for beams in building structures, Sensors, 13(8), 9909-9920.
Jung, D. S., and Kim, C. Y. (2011), Finite element model updating on small-scale bridge model using the hybrid genetic algorithm, Structure and Infrastructure Engineering, 9(6), 481-495.
Lee, H. M., Park, H. S. (2013), Measurement of maximum strain of steel beam structures based on average strains from vibrating wire strain gages, Experimental Techniques, 37(2), 23-29.
Lee, J. H., Choi, S. W., Park, H. S. (2013), A Regression-based Estimation of Strain Distribution for Safety Monitoring of the Steel Girder Subjected to Uncertain Loads, Journal of the Korea Institute for Structural Maintenance and Inspection, 17(2), 10-20 (in Korean).
Li, S., Wu, Z., Zhou, L. (2010), Health monitoring of flexural steel structures based on distributed fibre optic sensors, Structure and Infrastructure Engineering, 6(3), 303-315.
Lioe, R., Wong, W. (2012), The Sands Hotel and Sands SkyPark, The Arup Journal, Issue 1, 17-20.
Lozano-Galant, J. A. (2013), Application of observability techniques to structural system identification, Computer-Aided Civil and Infrastructure Engineering, 28(6), 434-450.
Oh, B. K., Lee, J. H., Choi, S. W., Park, H. S., Kim, Y. (2014), A Estimation Method of Strain Distribution for Safety Monitoring of Multi-span Steel Beam Using FBG Sensor, Journal of the Korea Institute for Structural Maintenance and Inspection, 18(1), 138-149 (in Korean).
Park, H. S., Jung, H. S., Kwon, Y. H., Seo, J. H. (2006), Analytical models for assessment of the safety of steel beams based on average strains from long gage optic sensors, Sensors and Actuators A: Physical, 125, 109-113.
Park, H. S., Jung, S. M., Lee, H. M., Kwon, Y. H., Seo, J. H. (2007), Analytical models for assessment of the safety of multi-span steel beams based on average strains from long gage optic sensors, Sensors and Actuators A: Physical, 137(1), 6-12.
Park, H. S., Shin, Y., Choi, S. W., and Kim, Y. (2013), An Integrated Structural Health Monitoring System for the Local/Global Response of a Large-Scale Irregular Building under Construction, Sensors, 13, 9085-9103.
Sanayei, M., Imbaro, G. R., McClain, J. A. S., Brown, L. C. (1997), Structural model updating using experimental static measurements, Journal of structural engineering, 123(6), 792-798.
Sanayei, M., Phelps, J. E., Sipple, J. D., Bell, E. S., Brenner, B. R. (2012), Instrumentation, nondestructive testing and finite-element model updating for bridge evaluation using strain measurements, Journal of bridge engineering, 17(1), 130-138.
Sanayei, M., Rohela, P. (2014), Automated finite element model updating of full-scale structures with PARameter identification system(PARIS), Advances in Engineering Software, 67, 99-110.
Tam, H., Au, H. Y., Chung, K. M., Liao, W. Y., Chung, W. H., Liu, S. Y., Lai, S. Y., Lai, C. C., Ni, Y. Q., Csipkes, A. (2011), Distribution Optical Sensor System on the 610-m Guangzhou New TV Tower, Optical Fiber Communication Conference, Los Angeles.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.