[국내논문]인공신경망을 이용한 철골모멘트골조 접합부의 회전강성 손상예측 Estimation of Rotational Stiffness of Connections in Steel Moment Frames by using Artificial Neural Network원문보기
본 연구는 인공신경망을 이용해 철골모멘트골조의 접합부 손상을 예측하는 기법을 제안한다. 인공신경망의 입력층에는 기둥 부재의 휨모멘트, 고유진동수, 모드형상 정보가 사용되며, 출력층에는 구조물 접합부의 회전강성 손상지표가 사용한다. 손상지표는 각 접합부의 손상정도를 의미한다. 5층 철골모멘트골조 예제의 수치해석을 통해 훈련 및 검증용 데이터를 생성한다. 총 829가지의 손상 시나리오가 고려된다. 시뮬레이션은 OpenSees를 이용해 반복 실행하여 데이터를 얻도록 하였으며, 훈련용 데이터를 생성할 때 회전 강성의 손상은 1.0, 0.75, 0.5 등 세 가지 중 하나의 값을 가지도록 하였다. 예제 검증을 통해 제시하는 기법은 손상 위치 및 수준을 정확하게 예측하는 것으로 나타났다. 제시하는 기법은 손상지표, 1차, 2차 고유진동수 및 모드형상 등에 대해 매우 유사한 결과를 제시하는 것으로 확인되었다.
본 연구는 인공신경망을 이용해 철골모멘트골조의 접합부 손상을 예측하는 기법을 제안한다. 인공신경망의 입력층에는 기둥 부재의 휨모멘트, 고유진동수, 모드형상 정보가 사용되며, 출력층에는 구조물 접합부의 회전강성 손상지표가 사용한다. 손상지표는 각 접합부의 손상정도를 의미한다. 5층 철골모멘트골조 예제의 수치해석을 통해 훈련 및 검증용 데이터를 생성한다. 총 829가지의 손상 시나리오가 고려된다. 시뮬레이션은 OpenSees를 이용해 반복 실행하여 데이터를 얻도록 하였으며, 훈련용 데이터를 생성할 때 회전 강성의 손상은 1.0, 0.75, 0.5 등 세 가지 중 하나의 값을 가지도록 하였다. 예제 검증을 통해 제시하는 기법은 손상 위치 및 수준을 정확하게 예측하는 것으로 나타났다. 제시하는 기법은 손상지표, 1차, 2차 고유진동수 및 모드형상 등에 대해 매우 유사한 결과를 제시하는 것으로 확인되었다.
In this study, the damage detection method is proposed for the rotational stiffness of connections in steel moment frames by using artificial neural network(ANN). The flexural moment of columns, natural frequencies, modeshapes are used for the input layer in ANN while the damage index, that signify ...
In this study, the damage detection method is proposed for the rotational stiffness of connections in steel moment frames by using artificial neural network(ANN). The flexural moment of columns, natural frequencies, modeshapes are used for the input layer in ANN while the damage index, that signify the damage level, is used for the output layer in ANN. The 5-story steel moment frame as an example structure is used to generate the train and test data. Total number of damage scenarios considered is 829. From the results of application, it is shown that the proposed method can accurately estimate the location and level of damages.
In this study, the damage detection method is proposed for the rotational stiffness of connections in steel moment frames by using artificial neural network(ANN). The flexural moment of columns, natural frequencies, modeshapes are used for the input layer in ANN while the damage index, that signify the damage level, is used for the output layer in ANN. The 5-story steel moment frame as an example structure is used to generate the train and test data. Total number of damage scenarios considered is 829. From the results of application, it is shown that the proposed method can accurately estimate the location and level of damages.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이들의 성능은 구조물의 안전과 밀접한 관련이 있기 때문에 ‘초고층 및 지하연계 복합건축물 재난관리에 관한 특별법’, ‘지진·화산재해대책법’에서는 건물의 계측 관리를 강제화하고 있다. 이는 가속도와 같은 구조물의 구조응답을 계측하여 구조물의 안전 및 위험을 판단하고 신속한 대처를 통해 피해를 최소화하는데 목적을 둔다.
본 연구는 인공신경망(Artificial Neural Network, ANN)을 이용해 철골모멘트골조의 접합부 손상을 예측하는 기법을 제안한다. 저자는 선행 연구(Kim and Choi, 2016)를 통해 기둥 열에 설치된 변형률센서로부터의 응답값을 이용해 구조물의 횡응답(횡변위, 횡가속도)을 예측하는 기법을 제시하였다.
본 연구에서는 인공신경망을 훈련하고 손상 예측의 정확성을 평가하기 위해 총 729가지의 손상시나리오를 고려하였다. 각 회전스프링의 DF는 1.
본 연구는 인공신경망을 이용해 철골모멘트골조의 접합부 손상을 예측하는 기법을 제안한다. 인공신경망을 훈련하고 손상 예측의 정확성을 평가하기 위해 총 829가지의 손상시나리오(DF값이 0.
손상평가에서 주로 사용되는 구조물레벨의 가속도응답은 국부적인 손상을 파악하는데 한계가 있는 것으로 알려져 있기 때문에(Wang and Deng, 1999; Kim and Melhem, 2004), 본 연구에서는 부재레벨의 모멘트 응답을 함께 사용하는 손상평가기법을 제시하고자 한다.
가설 설정
기둥부재의 휨모멘트 분포를 추정하기 위해 변형률 센서는 Fig. 2와 같이 기둥의 양 단부에 총 4개씩 설치된다고 가정한다. 기둥의 양단부에 2개씩 변형률 센서를 설치하기 때문에 단부면에서의 변형률 분포를 얻을 수 있다.
14 m이다. 3장에서 설명한 변형률 데이터를 이용해 구조물의 횡응답을 계산하기 위해 왼쪽 기둥열에 각 층의 기둥당 4개씩 변형률계가 설치되어 총 20개의 센서가 사용된다고 가정한다.
손상 전후의 회전스프링 거동은 선형 거동을 한다고 가정한다. 그리고 만약 지진에 의한 손상은 회전 스프링이 위치한 곳에서만 발생하며, 이는 해당 스프링의 강성 저하로 고려될 수 있다고 가정한다.
손상 전후의 회전스프링 거동은 선형 거동을 한다고 가정한다. 그리고 만약 지진에 의한 손상은 회전 스프링이 위치한 곳에서만 발생하며, 이는 해당 스프링의 강성 저하로 고려될 수 있다고 가정한다.
구조물의 진동을 발생시키기 위해 가진기가 최상부층에 위치한다고 가정한다. 가진기를 통해 백색잡음(White noise) 및 조화하중을 발생시키고, 기둥 단부(변형률이 설치되었다고 가정된 곳)에서 변형률 값을 얻고 이를 통해 휨모멘트, 횡가속도 응답, 고유진동수, 모드형상 등을 얻는다.
8이면 해당 회전스프링이 위치한 곳에 손상이 발생하여 회전스프링의 강성값이 20% 저감하였음을 의미한다. 본 연구에서는 층별로 독립적인 손상이 발생 할 수 있는 반면에, 동일 층 내에서는 동일한 손상율이 발생한다고 가정한다. 따라서 Fig.
그리고 본 예제의 붕괴모드는 지점과 보에서 힌지가 발생하는 보-힌지 붕괴모드(Beam-hinge collapse mechanism)를 가진다고 가정하고, 이를 통해 지점과 보 접합부를 회전 스프링을 이용해 모델링하도록 한다.
제안 방법
(2012)는 Particle Swarm Optimization (PSO)와 Artificial Immune System을 접목하여 향상된 PSO를 활용한 손상평가기법을 제시하였다. 고유진동수와 모드형상 데이터가 손상평가를 위한 목적함수 평가에 활용되었다. 보, 트러스 구조물 예제에 이를 적용하여 기존 최적화기법(PSO)에 의한 결과와 비교 검증하였다.
Seyedpoor (2012)는 두 단계로 이루어진 손상평가기법을 제시하고, 보 및 트러스 구조물 예제를 통해 해석적으로 검증하였다. 이는 먼저 MSE의 변화를 통해 구조물의 손상 위치를 탐지하고, 그 결과에 PSO기법에 적용하여 손상 수준을 예측하도록 하였다. Perera et al.
(2007)은 Modal Flexibility과 Modal Parameter를 동시에 고려한 다목적 최적화기법을 제시하였으며, 보 구조물 예제에 적용하여 해석적으로 검증하였다. 다수의 지표를 고려함으로써 각 지표가 가지는 단점을 보완하도록 하였다.
저자는 선행 연구(Kim and Choi, 2016)를 통해 기둥 열에 설치된 변형률센서로부터의 응답값을 이용해 구조물의 횡응답(횡변위, 횡가속도)을 예측하는 기법을 제시하였다. 선행 연구 결과를 이용해 구조물레벨의 데이터(고유진동수, 모드형상 등)와 부재레벨의 데이터(휨모멘트)를 조합한 손상평 기법을 제안한다. 구조물의 동특성(고유진동수, 모드형상)과 모멘트 응답이 입력값으로 사용되며, 지점 및 보-기둥 접합부의 회전강성의 손상지표가 출력값으로 설정된다.
5층 철골모멘트골조 예제의 수치해석을 통해 훈련 및 검증용 데이터를 생성한다. 예제 검증을 통해 제시하는 기법의 손상 위치 및 수준 예측 정확성을 분석한다.
, 2010). 본 연구에서는 식 (2)로부터 얻은 횡가속도 이력 데이터를 FDD기법에 적용하여 구조물의 고유진동수, 모드형상 값을 추출한다.
구조물의 진동을 발생시키기 위해 가진기가 최상부층에 위치한다고 가정한다. 가진기를 통해 백색잡음(White noise) 및 조화하중을 발생시키고, 기둥 단부(변형률이 설치되었다고 가정된 곳)에서 변형률 값을 얻고 이를 통해 휨모멘트, 횡가속도 응답, 고유진동수, 모드형상 등을 얻는다.
본 연구에서는 Backpropagation Algorhitm(BP)을 사용하여 신경망 내의 가중치를 결정하도록 한다. Fig.
본 연구에서는 인공신경망을 훈련하고 손상 예측의 정확성을 평가하기 위해 총 729가지의 손상시나리오를 고려하였다. 각 회전스프링의 DF는 1.00, 0.75, 0.50와 같이 총 3가지의 값을 가질 수 있도록 하여 729(=36)가지의 손상시나리오에 대한 구조해석을 수행하고 이들의 결과로부터 입력층과 출력층에 필요한 변수들의 값을 정리하였다.
예측된 회전강성값을 이용해 구조 모델링 및 해석을 수행하여 고유특성값을 얻고, 이를 참된 회전강성값으로 정의된 구조물의 고유특성값과 비교하였다. 그 결과는 Fig.
00 중 한 값만을 가짐)에서 예측된 결과이다. 훈련 데이터와 다른 상황에 대한 예측 정확도를 파악하기 위해서 각 DF는 0.5에서 1.0사이 중 임의 값을 랜덤하게 가지도록 설정한 후, 총 100개의 새로운 데이터를 생성하여 오차를 분석하였다(Method 2). 예를 들면, 한 경우의 회전강성값(DF1~DF6)은 (0.
본 연구는 인공신경망을 이용해 철골모멘트골조의 접합부 손상을 예측하는 기법을 제안한다. 인공신경망을 훈련하고 손상 예측의 정확성을 평가하기 위해 총 829가지의 손상시나리오(DF값이 0.50, 0.75, 1.00 중 한 값만 가지는 경우 729가지, DF값이 0.5에서 1.0 사이 중 임의의 값을 가지는 100가지)를 고려하였다. 인공신경망의 입력층에는 기둥 부재의 휨모멘트, 고유진동수, 모드형상 정보가 사용되며, 출력층에는 구조물 접합부의 회전강성 손상지표가 사용한다.
대상 데이터
손상지표는 손상수준을 나타낸다. 5층 철골모멘트골조 예제의 수치해석을 통해 훈련 및 검증용 데이터를 생성한다. 예제 검증을 통해 제시하는 기법의 손상 위치 및 수준 예측 정확성을 분석한다.
본 연구에서는 Fig. 4와 같은 5층 1경간 철골모멘트골조 예제를 사용한다. 층높이와 경간 길이는 각각 3.
한면, 기둥 단부의 휨모멘트값을 입력하기 위해서는 10개(2개/기둥*5 기둥)의 노드가 필요하다. 이를 종합하면, 총22개의 입력노드가 사용된다. 은닉층의 노드는 20개로 설정한다.
6(b)는 훈련을 통해 생성된 인공신경망에 새로운 시뮬레이션 데이터를 적용하여 회전강성값을 예측한 결과이다. Fig. 5에서 나타난 것처럼 본 연구에서 사용된 시뮬레이션데이터는 인공신경망을 생성하기 위해 사용되는 훈련용 데이터와 이를 검증하기 위해 사용되는 데이터를 구분된다. 그림에 나타난 것처럼 모든 손상지표(DF1~DF6)에 대한 오차가 0.
데이터처리
고유진동수와 모드형상 데이터가 손상평가를 위한 목적함수 평가에 활용되었다. 보, 트러스 구조물 예제에 이를 적용하여 기존 최적화기법(PSO)에 의한 결과와 비교 검증하였다. 손상 위치 및 크기를 효과적으로 탐지하는 것으로 나타났다.
이론/모형
손상평가에서 주로 사용되는 구조물레벨의 가속도응답은 국부적인 손상을 파악하는데 한계가 있는 것으로 알려져 있기 때문에(Wang and Deng, 1999; Kim and Melhem, 2004), 본 연구에서는 부재레벨의 모멘트 응답을 함께 사용하는 손상평가기법을 제시하고자 한다. 이를 위해 본 저자의 선행 연구 결과(Kim and Choi, 2016)에서 제시된 변형률 응답을 이용한 건축물의 횡응답 기법을 사용한다. 본 절에서는 이에 대한 내용 을 요약 정리하였으며, 자세한 사항은 Kim and Choi(2016)을 참고하기 바란다
구조해석은 OpenSees를 사용한다. 기둥, 보 등의 부재는 탄성부재를 사용하며, 패널존의 강성 및 강도 효과는 고려하지 않는다.
성능/효과
Cha and Buyukozturk (2015)는 최적화 알고리즘으로 Implicit Redundant Representration Genetic Algorithm (IRR GA)을 사용한 손상평가기법을 제시하고 이를 철골 구조물 예제에 적용하여 해석적으로 검증하였다. 제시된 기법은 한정된 데이터만으로도 다수의 경미한 손상 위치 및 정도를 탐지할 수 있었다. 손상을 평가하기 위해 MSE가 주요 지표로 이용되었다.
보, 트러스 구조물 예제에 이를 적용하여 기존 최적화기법(PSO)에 의한 결과와 비교 검증하였다. 손상 위치 및 크기를 효과적으로 탐지하는 것으로 나타났다. Seyedpoor (2012)는 두 단계로 이루어진 손상평가기법을 제시하고, 보 및 트러스 구조물 예제를 통해 해석적으로 검증하였다.
00으로 한정시키고 검증한 결과이다(Method 1). 즉, 인공신경망을 훈련시키는데 동일한 조건에서 발생하는 손상 및 회전강성값에 대해서 정확히 예측할 수 있음을 확인할 수 있다.
5층 1경간 철골모멘트골조 예제 검증 결과, 다수의 위치에서 발생하는 손상에 대해 위치별 손상정도를 신뢰할 수 있는 수준으로 예측할 수 있는 것으로 확인된다. 그러나 인공신경망 기반 예측성을 파악하기 위해 훈련용 데이터와 동일한 방법(Method 1)으로 생성된 데이터 결과(Figs.
5층 1경간 철골모멘트골조 예제 검증 결과, 다수의 위치에서 발생하는 손상에 대해 위치별 손상정도를 신뢰할 수 있는 수준으로 예측할 수 있는 것으로 확인된다. 그러나 인공신경망 기반 예측성을 파악하기 위해 훈련용 데이터와 동일한 방법(Method 1)으로 생성된 데이터 결과(Figs. 6과 7)보다 데이터 범위는 동일하지만 생성방법을 다르게 할 경우(Method 2)의 결과(Figs. 8과 9)는 다소 오차가 크게 발생하는 것으로 나타났다.
후속연구
예측된 횡변위 혹은 횡가속도 응답 이력값은 구조물의 고유진동수, 모드형상, 감쇠비 등과 같은 동특성을 파악하는데 활용될 수 있다. Brincker et al.
질의응답
핵심어
질문
논문에서 추출한 답변
건축물을 구성하는 구조 부재 및 요소의 역할은?
건축물을 구성하는 구조 부재 및 요소는 중력, 지진, 바람 등과 같은 외부 하중에 저항하여 건축물의 형태 및 공간을 유지하는 역할을 수행한다. 이를 통해 건물의 고유 기능이 제공 된다.
가속도계란?
가속도계는 구조물의 가속도 응답을 편리하고 신뢰성 있게 얻을 수 있는 계측기 중에 하나이다. 구조물 내 여러 층에 이를 설치하여 구조물의 가속도 응답을 수집하여 구조물의 고유진동수, 모드형상, 감쇠비 등을 얻을 수 있다.
‘초고층 및 지하연계 복합건축물 재난관리에 관한 특별법’, ‘지진·화산재해대책법’의 목적은?
이들의 성능은 구조물의 안전과 밀접한 관련이 있기 때문에 ‘초고층 및 지하연계 복합건축물 재난관리에 관한 특별법’, ‘지진·화산재해대책법’에서는 건물의 계측 관리를 강제화하고 있다. 이는 가속도와 같은 구조물의 구조응답을 계측 하여 구조물의 안전 및 위험을 판단하고 신속한 대처를 통해 피해를 최소화하는데 목적을 둔다.
참고문헌 (30)
Yoo, S. H., and Lee, H. K. (2013), Damage Location Detection of Shear Building Structures Using Mode Shape, Journal of the Korea Institute for Structural Maintenance and Inspection, 17(1), 124-132.
Yoo, S. H. (2014), Damage Detection of Shear Building Structures Using Dynamic Response, Journal of the Korea Institute for Structural Maintenance and Inspection, 18(3), 101-107.
Kim, J. T., Ryu, Y. S., Cho, H. M., and Stubbs, N. (2003), Damage Identification in Beam-Type Structures: Frequency-Based Method vs Mode-Shape-Based Method, Engineering Structures, 25(1), 57-67.
Peeters, B., Maeck, J., and De Roeck, G. (2001), Vibration-Based Damage Detection in Civil Engineering: Excitation Sources and Temperature Effects, Smart Materials and Structures, 10(3), https://doi.org/10.1088/0964-1726/10/3/314.
Doebling, S. W., Farrar, C. R., and Prime, M. B. (1998), A Summary Review of Vibration-Based Damage Identification Methods, Shock and Vibration Digest, 30(2), 91-105.
Fan, W., and Qiao, P. (2011), Vibration-Based Damage Identification Methods: A Review and Comparative Study, Structural Health Monitoring, 10(1), 83-111.
Pandey, A. K., Biswas, M., and Samman, M. M. (1991), Damage Detection from Changes in Curvature Mode Shapes, Journal of Sound and Vibration, 145(2), 321-332.
Shi, Z., Law, S. S., and Zhang, L. (2000), Structural Damage Detection from Modal Strain Energy Change, Journal of Engineering Mechanics, 126(12), 1216-1223.
Yan, W. J., Huang, T. L., and Ren, W. X. (2010), Damage Detection Method based on Element Modal Strain Energy Sensitivity, Advances in Structural Engineering, 13(6), 1075-1088.
Li, H., Wang, J. and Hu, S. L. J. (2008), Using Incomplete Modal Data for Damage Detection in Offshore Structures, Ocean Engineering, 35(17), 1793-1799.
Law, S. S., Shi, Z. Y., and Zhang, L. M. (1998), Structural Damage Detection From Incomplete and Noisy Modal Test Data, Journal of Engineering Mechanics, 124(11), 1280-1288.
Shi, Z. Y., Law, S. S., and Zhang, L. M. (2000), Damage Localization by Directly Using Incomplete Mode Shapes, Journal of Engineering Mechanics, 126(6), 656-660.
Park, N. G., and Park, Y. S. (2003), Damage Detection Using Spatially Incomplete Frequency Response Funcitons, Mechanical Systems and Signal Processing, 17(3), 519-532.
Cha, Y. J., and Buyukozturk, O. (2015), Structural Damage Detection Using Modal Strain Energy and Hybrid Multiobjective Optimization, Computer-Aided Civil and Infrastructure Engineering, 30, 347-358.
Kang, F., Li, J. J., and Xu, Q. (2012), Damage Detection based on Improved Particle Swarm Optimization using Vibration Data, Applied Soft Computing, 12, 2329-2335.
Seyedpoor, S. M. (2012), A Two Stage Method for Structural Damage Detection Using A Modal Strain Eenrgy Based Index and Particle Swarm Optimization, International Journal of Non-Linear Mechanics, 47, 1-8.
Perera, R., Ruiz, A., and Manzano, C. (2007), An Evolutionary Multiobjetive Framework for Structural Damage Localization and Quantification, Engineering Structures, 29, 2540-2550.
Kim, S. J., and Choi, S. W. (2016), A Numerical Study to Estimate the Lateral Responses of Steel Moment Frames Using Strain Data, Journal of the Korea Institute for Structural Maintenance and Inspection, 20(6), 113-119.
Rafiq, M. Y., Bugmann, G., and Easterbrook, D. J. (2001), Neural Network Design for Engineering Applications, Computers & Structures, 79(17), 1541-1552.
Flood, I., and Kartam, N. (1994), Neural Networks in Civil Engineering I: Principles and Understanding, Journal of Computing in Civil Engineering, 8(2), 131-148.
Hibbeler, R. C. (2011), Structural Analysis, Prentice Hall, 451-486.
Brincker, R., Zhang, L. and Andersen, P. (2001), Modal Identification of Output-only Systems Using Frequency Domain Decomposition, Smart Materials and Structures, 10, 441-445.
Weng, J. H., Loh, C. H., Lynch, J. P., Lu, K. C., Lin, P. Y., and Wang, Y. (2008), Output-only Modal Identification of a Cable-Stayed Bridge Using Wireless Monitoring Systems, Engineering Structures, 30, 1820-1830.
Michel, C., Gueguen, P., El Arem, S., Mazars, J., and Kotronis, P. (2010), Full-scale Dynamic Response of an RC Building Under Weak Seismic Motions Using Earthquake Recordings, Ambient Vibrations and Modelling, Earthquake Engineering & Structural Dynamics, 39, 419-441.
Chang, S. J., and Kim, N. S. (2008), Estimation of Displacement Response from the Measured Dynamic Strain Signals Using Mode Decomposition Technique, KSCE Journal of Civil Engineering, 28, 507-515.
이 논문을 인용한 문헌
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.