[논문]실측 철도 진동 데이터베이스를 이용한 철도진동 평가 시스템 개발

이현준; 서은성; 황영섭

doi:10.3745/ktsde.2019.8.4.153

실측 철도 진동 데이터베이스를 이용한 철도진동 평가 시스템 개발
Development of Railway Vibration Evaluation System Using Actual Railway Vibration Database 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.4, 2019년, pp.153 - 162

이현준 (알엠에스테크놀러지(주) 연구소) , 서은성 (알엠에스테크놀러지(주) 연구소) , 황영섭 (선문대학교 컴퓨터공학부)

초록
AI-Helper

최근 철도소음으로 인해 발생하는 궤도 주변 구조물의 민원 방지와 궤도 주변 산업단지의 초정밀 장비들의 정상적인 운영을 위해 철도 진동을 정량적으로 평가할 수 있는 기술개발이 필요하다. 기존의 해석적인 방법은 매우 복잡한 동적 응답 모델이 요구되며, 요구 모델의 부정확성으로 인한 결과의 신뢰성을 확보하기 어려운 문제가 있다. 따라서, 본 논문에서는 철도 진동에 영향을 주는 요소들을 분류한 국내 철도진동 실측 데이터베이스를 기반으로 Linear Regression, Gradient Descent 기법을 이용해 철도 운행으로부터 발생되는 진동값을 추론하는 철도진동 평가 알고리즘 및 시스템을 제안한다. 제안된 알고리즘으로 얻은 추론결과는 기존의 해석적 방법에 비해 높은 효율성과 정확성을 보인다.

Abstract ▼ AI-Helper

Recently, it is necessary to develop a technology for quantitatively evaluating railway vibration to prevent civil complaints about orbital structures caused by railway noise and normal operation of ultra-precise equipment of orbital industrial complexes. The existing analytical method requires a very complicated dynamic response model, and it is difficult to secure the reliability of the result due to the inaccuracy of the demand model. Therefore, in this paper, we propose a railway vibration evaluation algorithm and system that deduce the vibration value generated from railway operation by using Linear Regression and Gradient Descent technique based on actual measurement railway vibration database that classifies factors affecting railway vibration. The prediction results obtained by the proposed algorithm show higher efficiency and accuracy than the existing analytical methods.

주제어

표/그림 (22)

그림 Fig. 1. Effect of Factors Affecting Railway Vibration and Noise
그림 Fig. 2. Vibration Data Impact of Rolling Stock
그림 Fig. 3. Trend of Railway Vibration on Distance
표 Table 1. Railway Vibration Impact Factor
표 Table 2. Activation Function
표 Fig. 4. Example of Hypothesis
표 Table 3. Result of Hypothesis Cost
그림 Fig. 5. New Data Input
그림 Fig. 6. Prediction Algorithm Process
그림 Fig. 7. Web-based Railway Vibration&Noise Prediction System
그림 Fig. 8. Number of Vibration-Induced Factors Selected
그림 Fig. 9. Result of Prediction on System
표 Table 4. Example of Input Data
그림 Fig. 10. Place of Measurement & Vibration Sensor
그림 Fig. 11. Result of Measurement
그림 Fig. 12. Analytical Model
표 Table 5. Result of Prediction
그림 Fig. 13. Vibration Input Source[4]
그림 Fig. 14. Vibration Response Distribution
그림 Fig. 15. Comparison of Measured Values, Analytical Values, and Inference Values
표 Table 6. Input Data
표 Table 7. Accuracy Comparison (Analysis or Prediction / Real Data * 100)

AI 본문요약
AI-Helper

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

문제 정의

그러나 순수한 해석적인 방법은 모델이 부정확하여 신뢰성 있는 평가가 이루어지기 힘든 실정이다[7]. 따라서본 논문에서는 철도 환경의 구성 요소들 중 진동에 영향을 주는 요소들을 분류한 국내 철도진동소음 실측 데이터베이스를 기반으로 선로변의 특정 지점에서 구조소음을 계산하는데 필요한 철도 운행으로부터 유발되는 진동값을 추론하는 철도진동 평가 알고리즘 및 시스템을 제안한다.
본 논문에서는 사용자로부터 입력받은 진동 유발인자를 매개로 실측 데이터베이스를 이용하여 철도 진동 및 구조소음을 평가하는 알고리즘과 이를 구현한 시스템을 제안하였다. 제안한 시스템은 실측 데이터들의 특성을 이용하므로 데이터베이스의 데이터양이 많아지면 많아질수록 정확도가 높아진다.
전철 운행 구간을 따라 여러 건물들과 구조물들이 배치되어 있지만 특히 취약할 것으로 예상되는 지역을 국부적으로 모델링하여 이의 진동 특성을 파악하였다. 해석 모델은 지상 7층의 지반을 포함하는 Fig.

제안 방법

열차 민원이 발생하는 지점을 선정하여 측정 실험을 진행하였다[11]. 더불어 유한요소 해석을 수행하였다. 이후, 본 논문에서 제안하는 시스템을 통해 추론한 값과 해석데이터, 측정데이터를 비교하였다.
데이터베이스에 존재하는 유사 데이터들은 진동 유발인자의 조합에 따라 추세가 달라질 수 있다. 따라서 hypothesis를 미리 정의해 적용하기에는 무리가 있으므로 4가지의 hypothesis를 모두 적용해 실측 데이터 값과 비교하여 해당 조합의 대표적인 실측값과 가장 유사한 값을 찾고 해당 수식을 activation function 으로 선정한 후 학습에 이용하였다. 단, 다항식의 경우에는 데이터의 추세에 따라 차수가 급격히 늘어날 수 있으므로, 2차식으로 한정하여 세 개의 가중치 값만을 추론한다.
본 논문에서는 이와 같은 방법으로 궤도데이터 영향도, 궤도지지구조물 데이터 영향도, 교량에 따른 데이터 영향도 등을 분석하여 철도 진동에 영향을 주는 각 속성의 영향도를 계산하였다. 또한 계산의 편의성을 위해 추론을 위한 영향도 기준 테이블을 구성하였다. 영향도 분석 결과는 다음과 같이 거리가 가장 큰 영향을 주고 있으며 지반과 궤도지지구조가 가장 낮은 영향도를 갖는다.
시스템은 사용자의 편의성을 위해 브라우저를 통해 웹(www) 상에서 동작되도록 구현하였다. 또한, 사용자로부터 입력된 진동 유발인자 조합에 따라 데이터베이스에서 추출한 유사 데이터와 추론의 각 단계를 순차적으로 디스플레이 하였다.
제안한 시스템은 실측 데이터들의 특성을 이용하므로 데이터베이스의 데이터양이 많아지면 많아질수록 정확도가 높아진다. 또한, 철도 환경의 특성 상 안전관리 및 환경제약이 많아 측정 작업이 어렵고, 모델링을 위한 요소들의 특성이 부정확해 해석에 의한 정확도가 떨어지는 문제를 신뢰성 있는 실측 데이터를 이용하여 해결하였다. 제안한 시스템은 3D 해석적 방법에 비하여 보다 높은 정확도와 함께 숙련된 엔지니어의 경우에도 10시간 이상이 소요되는 3D모델링 작업 소요시간을 줄일 수 있었다.
본 논문에서 제안하는 데이터베이스 기반의 추론 시스템의 효용성을 증명하기 위해 실제 측정 및 해석을 수행하였다. 열차 민원이 발생하는 지점을 선정하여 측정 실험을 진행하였다[11].
본 논문에서 제안하는 시스템에 의한 추론은 10Hz 영역에서 200 Hz 영역까지 수행한다. 결과를 보면 해석값과 실제 측정값의 차이가 큰 것을 알 수 있다.
제안한 시스템은 3D 해석적 방법에 비하여 보다 높은 정확도와 함께 숙련된 엔지니어의 경우에도 10시간 이상이 소요되는 3D모델링 작업 소요시간을 줄일 수 있었다. 본 논문에서 제안하는 알고리즘 및 시스템은 효율적이고 경제적으로 구조소음을 포함한 철도 진동 환경영향평가를 진행할 수 있는 새로운 방법이다. 향후, 딥러닝 기법을 이용하여 알고리즘을 보완하고 실측 철도 진동 데이터베이스 보완으로 알고리즘의 정확도를 높일 예정이다.
본 논문에서 제안한 알고리즘을 탑재한 데이터베이스 기반 추론 시스템은 사용자의 접근성을 고려하여 Fig. 7과 같이, web 기반으로 구축되었다. regression을 위한 framework은 ConvNETJS[3]를 사용하였으며, DBMS는 Microsoft MS-SQL 을 적용하였다.
3에서 보는 바와 같이 각 주파수 별로 진동 값을 분석했을 때 선로부터의 거리가 멀어짐에 따라 감쇠하는 1차 함수의 형태를 띠고 있다. 본 논문에서는 이를 이용해 Linear Regression과 Gradient Descent 기법을 통해 1차 함수 ()의 가중치 w₁과 w₂를 찾아내는 방식으로 진동 값을 추론하였다.
본 논문에서는 이와 같은 방법으로 궤도데이터 영향도, 궤도지지구조물 데이터 영향도, 교량에 따른 데이터 영향도 등을 분석하여 철도 진동에 영향을 주는 각 속성의 영향도를 계산하였다. 또한 계산의 편의성을 위해 추론을 위한 영향도 기준 테이블을 구성하였다.
따라서 시스템에서는 다항(poly) 함수를 해당 조합의 activation function으로 선정한다. 본 논문에서는 이와 같이, 계산된 결과에 따라 cost가 가장 낮은 hypothesis를 activation function으로 선정하고, 추론할 때 학습한 factor를 대입하여 오차율을 줄였다. 학습을 위해 가속도 센서의 측정 가능 범위인 10㎐～200㎐ 주파수 영역의 1/3 옥타브밴드 데이터를 사용하였다.
본 모델의 시간 응답 거동을 확인하기 위하여 타임 도메인에서 열차가 이동되는 하중을 모사되도록 시간 변화에 따른 하중을 대차 간격으로 입력 노드를 배치하였다. 이후, 전철 운행에 해당되는 동하중(Fig.
6과 같이 동작한다. 사용자의 요구사항이 입력되면 시스템은 해당 요구사항을 분석하여 output table에 있는 진동유발인자들의 조합과 비교한다. 이후 가장 유사한 레코드에 기록된 hypothesis를 이용한다.
9와 같은 최종 결과를 출력한다. 시스템은 사용자의 편의성을 위해 브라우저를 통해 웹(www) 상에서 동작되도록 구현하였다. 또한, 사용자로부터 입력된 진동 유발인자 조합에 따라 데이터베이스에서 추출한 유사 데이터와 추론의 각 단계를 순차적으로 디스플레이 하였다.
그리하여, 하중이 가해지고 시간의 흐름에 따라 바퀴 하부에서 발생되는 진동파가 전달되어 관심 있는 건축 구조물을 진동시키는 거동을 모사할 수 있었다. 이때, 거리에 따른 건축 구조물 노드점을 관찰하고 진동 응답 신호를 추출하였다.
수행 결과, 각 진동 유발인자 차이에 따른 그룹 간 편차는 그룹 내 편차보다 커 분류한 진동 유발인자의 유의성을 확인할 수있었다. 이에 따라, Fig. 1과 같이 철도진동 소음에 대해 영향을 주는 빈도를 나타내는 영향도의 순위를 결정 하였다. 이 순위는 새로운 측정 데이터의 추가에 따라 계산된 결과에 의해 변경되도록 시스템을 설계하였다.
먼저 진동 유발인자 중 가중치가 가장 높은 순서에 따라 reference data set을 데이터베이스로부터 가져온다. 이후 2.3에서 설명한 알고리즘에 따라 activation function의 training factor를 이용하여 numerical data에 대한 추론을 수행하고 그 결과를 바탕으로 categorical data에 대한 정량적 비교를 통한 결과를 재귀적으로 반영하여 Fig. 9와 같은 최종 결과를 출력한다. 시스템은 사용자의 편의성을 위해 브라우저를 통해 웹(www) 상에서 동작되도록 구현하였다.
본 모델의 시간 응답 거동을 확인하기 위하여 타임 도메인에서 열차가 이동되는 하중을 모사되도록 시간 변화에 따른 하중을 대차 간격으로 입력 노드를 배치하였다. 이후, 전철 운행에 해당되는 동하중(Fig. 13)을 입력하고 이를 시간 영역에서 해석하였다. 그리하여, 하중이 가해지고 시간의 흐름에 따라 바퀴 하부에서 발생되는 진동파가 전달되어 관심 있는 건축 구조물을 진동시키는 거동을 모사할 수 있었다.
전철 운행 구간 중 특히 취약할 것으로 예상되는 지역을 선택하여 진동 특성을 파악하였다.
이는 각 속성이 철도 진동 발생에 미치는 영향을 수치로 나타낸 것으로써 모든 조건이 같을 때 하나의 측정 사이트에서 거리 및 궤도, 지반 등의 조건이 같을 때를 나타낸다. 차량에 따른 측정값의 비교를 통해 계산된 차이값과 함께 차량 노후화에 따른 진동 발생량에 대한 엔지니어의 경험치를 반영하여 표현한다.

대상 데이터

12의 건축물을 구축하였으며 해석 모델의 구속 조건 중 최외각 요소는 반사파의 영향을 고려한 무한감쇠 요소를 적용하였으며 경계부는 Symmetric 경계 조건을 적용 하였다[12]. 모델의 요소(Element)는 BEAM188, SHELL63, SOLD45을 사용하였으며 이 중에서 BEAM188은 기둥(Column), 거더(Girder),빔(Beam)을, SHELL63은 슬라브를, SOLID45는 지반을 표현하는데 사용하였다[13].
해당 지역은 서울 1호선 전철이 지나는 선로 옆에 위치한 숙박시설로 철도 진동에 의한 구조소음의 피해를 받는 지역이다. 선로로부터 거리 5m, 15m, 25m, 세 지점을 측정하였으며 측정결과는 Fig. 11과 같다.
1에서 보는 바와 같이, 각 영향인자의 영향도는 거리가 가장 큰 비중을 차지하고 있고, 다음으로 궤도 및 레일의 종류, 차량 순이다. 차량데이터는 {차량종류, 차륜종류, 차량 속도, 차량 대수, 화물여부[화물종류, 적재상태], 운행조건}으로 나타내며, 이 중 속도 데이터는 numerical data 타입이다.
가속도 센서는 변위센서, 속도센서에 비해 매우 넓은 주파수 범위와 해당 영역에서의 선형성을 보유한 동적 범위를 가지고 있으며 비교적 튼튼하고 신뢰성이 있어서 장기간동안 특성이 변하지 않는 장점이 있어 진동측정에 많이 이용한다. 측정 데이터는 DSA (Dynamic Signal Analyzer)를 이용하여 수집 및 분석을 한다. 일반적인 진동신호는 주파수가 다른 여러 성분의 집합이라 할 수 있다.
학습을 위해 가속도 센서의 측정 가능 범위인 10㎐～200㎐ 주파수 영역의 1/3 옥타브밴드 데이터를 사용하였다. 학습에는 3,743건의각 주파수별 철도 진동 실측 데이터를 이용하였다.
본 논문에서는 이와 같이, 계산된 결과에 따라 cost가 가장 낮은 hypothesis를 activation function으로 선정하고, 추론할 때 학습한 factor를 대입하여 오차율을 줄였다. 학습을 위해 가속도 센서의 측정 가능 범위인 10㎐～200㎐ 주파수 영역의 1/3 옥타브밴드 데이터를 사용하였다. 학습에는 3,743건의각 주파수별 철도 진동 실측 데이터를 이용하였다.
10은 철도 진동 특성 파악을 위해 선정한 위치와 센서 설치 사진을 보여준다. 해당 지역은 서울 1호선 전철이 지나는 선로 옆에 위치한 숙박시설로 철도 진동에 의한 구조소음의 피해를 받는 지역이다. 선로로부터 거리 5m, 15m, 25m, 세 지점을 측정하였으며 측정결과는 Fig.

데이터처리

분류된 철도진동 영향인자는 실측 결과, 인자의 종류에 따라 진동 및 소음 발생정도가 상이한 결과를 보였다. 본 논문 에서는 각 영향인자를 독립변수로 보고 독립변수의 차이에 따른 실측 데이터 측정값을 다원 분산분석을 수행하였다. 수행 결과, 각 진동 유발인자 차이에 따른 그룹 간 편차는 그룹 내 편차보다 커 분류한 진동 유발인자의 유의성을 확인할 수있었다.
더불어 유한요소 해석을 수행하였다. 이후, 본 논문에서 제안하는 시스템을 통해 추론한 값과 해석데이터, 측정데이터를 비교하였다.

이론/모형

7과 같이, web 기반으로 구축되었다. regression을 위한 framework은 ConvNETJS[3]를 사용하였으며, DBMS는 Microsoft MS-SQL 을 적용하였다. Javascript 기반의 UI구성으로 별도의 인스톨 과정 없이 WWW(World Wide Web)을 통해 접속하여 사용할 수 있다.
따라서 δ가 최소화 되는 값을 찾기 위해 본 논문에서는 Gradient Descent Optimizer기법을 이용하였다.
전철 운행 구간을 따라 여러 건물들과 구조물들이 배치되어 있지만 특히 취약할 것으로 예상되는 지역을 국부적으로 모델링하여 이의 진동 특성을 파악하였다. 해석 모델은 지상 7층의 지반을 포함하는 Fig. 12의 건축물을 구축하였으며 해석 모델의 구속 조건 중 최외각 요소는 반사파의 영향을 고려한 무한감쇠 요소를 적용하였으며 경계부는 Symmetric 경계 조건을 적용 하였다[12]. 모델의 요소(Element)는 BEAM188, SHELL63, SOLD45을 사용하였으며 이 중에서 BEAM188은 기둥(Column), 거더(Girder),빔(Beam)을, SHELL63은 슬라브를, SOLID45는 지반을 표현하는데 사용하였다[13].

성능/효과

일반적인 regression 학습의 경우, 학습을 위한 hypothesis를 결정하고 hypothesis의 각 해를 구하는 방식을 취한다. 거리에 따른 철도 진동 데이터의 감쇠는 이론적으로 log식의 경향을 갖지만 실제 측정 데이터 분석결과 철도 진동유발인자들에 따라 1차식, 다항식, 지수식, 로그식 등 4 가지의 추세 중 하나를 따르는 것으로 분석되었다. 따라서 본 논문에서는 Table 2와 같이 4가지의 hypothesis를 두고 학습할 hypothesis를 찾는 과정을 추가하였다.
그러나 지금까지는 당면한 소음 문제의 시급한 해결을 위한 일시적인 조치나 대책 마련 정도의 기술을 개발해 왔다. 그 결과 실질적이고 지속적인 소음 저감 효과가 낮았다. 따라서 국민이 체감할 수 있는 철도 저소음화 기술 개발이 부족한 실정이다.
본 시스템의 결과 값에 가장 큰 영향을 주는 진동 유발 인자는 분석결과 선로부터의 거리임을 알 수 있다. 일반적으로 거리에 대한 진동 값은 Fig.
분류된 철도진동 영향인자는 실측 결과, 인자의 종류에 따라 진동 및 소음 발생정도가 상이한 결과를 보였다. 본 논문 에서는 각 영향인자를 독립변수로 보고 독립변수의 차이에 따른 실측 데이터 측정값을 다원 분산분석을 수행하였다.
본 논문 에서는 각 영향인자를 독립변수로 보고 독립변수의 차이에 따른 실측 데이터 측정값을 다원 분산분석을 수행하였다. 수행 결과, 각 진동 유발인자 차이에 따른 그룹 간 편차는 그룹 내 편차보다 커 분류한 진동 유발인자의 유의성을 확인할 수있었다. 이에 따라, Fig.
또한, 철도 환경의 특성 상 안전관리 및 환경제약이 많아 측정 작업이 어렵고, 모델링을 위한 요소들의 특성이 부정확해 해석에 의한 정확도가 떨어지는 문제를 신뢰성 있는 실측 데이터를 이용하여 해결하였다. 제안한 시스템은 3D 해석적 방법에 비하여 보다 높은 정확도와 함께 숙련된 엔지니어의 경우에도 10시간 이상이 소요되는 3D모델링 작업 소요시간을 줄일 수 있었다. 본 논문에서 제안하는 알고리즘 및 시스템은 효율적이고 경제적으로 구조소음을 포함한 철도 진동 환경영향평가를 진행할 수 있는 새로운 방법이다.
본 논문에서는 사용자로부터 입력받은 진동 유발인자를 매개로 실측 데이터베이스를 이용하여 철도 진동 및 구조소음을 평가하는 알고리즘과 이를 구현한 시스템을 제안하였다. 제안한 시스템은 실측 데이터들의 특성을 이용하므로 데이터베이스의 데이터양이 많아지면 많아질수록 정확도가 높아진다. 또한, 철도 환경의 특성 상 안전관리 및 환경제약이 많아 측정 작업이 어렵고, 모델링을 위한 요소들의 특성이 부정확해 해석에 의한 정확도가 떨어지는 문제를 신뢰성 있는 실측 데이터를 이용하여 해결하였다.
Table 5는 실측 진동 값 13m, 20m와 데이터베이스를 기반으로 추론한 값 15m를 비교한 결과를 나타낸다. 표에서 알 수 있듯이 추론 결과는 각 주파수 별 예측 값을 나타내고 있으며, 진동 발생원(철로)으로부터 거리에 따라 점차 감쇠하는 철도 진동 데이터의 추세를 반영하고 있으며, 실측 데이터인 13m와 15m 측정 데이터의 사잇값을 가짐을 알 수 있다.

후속연구

본 논문에서 제안하는 알고리즘 및 시스템은 효율적이고 경제적으로 구조소음을 포함한 철도 진동 환경영향평가를 진행할 수 있는 새로운 방법이다. 향후, 딥러닝 기법을 이용하여 알고리즘을 보완하고 실측 철도 진동 데이터베이스 보완으로 알고리즘의 정확도를 높일 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	궤도 주변 구조물에 대한 민원 방지와 초정밀장비의 정상적인 운영 등을 위해 철도 운행으로 인해 발생되는 주변 구조물에서의 진동 및 구조소음을 정량적으로 평가할 수 있는 기술 개발이 필요한 이유는?	최근 철도가 도심을 통과하는 구간이나 철도 아래 역사 건설이 증가하고 있다. 또한 현재 건설되고 있는 철도 노선 주변에 진동에 민감한 초정밀 산업단지 등이 위치하고 있는 경우가 있다[5]. 따라서 궤도 주변 구조물에 대한 민원 방지와 초정밀장비의 정상적인 운영 등을 위해 철도 운행으로 인해 발생되는 주변 구조물에서의 진동 및 구조소음을 정량적으로 평가할 수 있는 기술 개발이 필요하다.
	가속도 센서의 장점은?	가속도 센서는 변위센서, 속도센서에 비해 매우 넓은 주파수 범위와 해당 영역에서의 선형성을 보유한 동적 범위를 가지고 있으며 비교적 튼튼하고 신뢰성이 있어서 장기간동안 특성이 변하지 않는 장점이 있어 진동측정에 많이 이용한다. 측정 데이터는 DSA (Dynamic Signal Analyzer)를 이용하여 수집 및분석을 한다.
	철도 환경 데이터 구조의 형태는?	전체 데이터 구조는 하나의 측정작업을 기준으로 차량정보, 측정정보, 환경정보 등의 하위 정보들이 종속되어 있는 형태로 구성되어 있다. 이는 머신 러닝 적용을 위해 Classification을 수행하여 얻어내는 결과와 동일한 구조를 가지고 있으며, 철도 환경의 특성 상, 새로운 진동 유발 인자들의 교체가 쉽게 이루 어지지 않으므로 구축된 데이터베이스 구조를 이용하여 가중치 계산에 대한 결과 값을 activation function에 저장하여 추론 시, 데이터베이스 검색을 이용해 결과 값을 도출한다.

참고문헌 (15)

Indoor Environment and Noise Research Team, Climate and Air Quality Research Department, "Calculation of the number of inhabitants exposed to railway noise," National Institute of Environmental Research, 2014.
Hong-gi Lee, Hyun-jun Lee, and Sung-wan Son, "Design of railway noise and vibration Database considering noise source of railway noise complaints focused area," KSNVE Annual Autumn Conference, pp.812-816, 2014.
ConvNetJS: Deep Learning in your browser [Internet], https://cs.stanford.edu/people/karpathy/convnetjs/index.html
Jung-Youl Choi, Yong-Gul Park, and Sang-Min Lee, "The Evaluation of Track Impact Factor on the Various Track Type in Urban Transit," Journal of the Korean Society for Railway, Vol.14, No.3, pp.248-255, 2011.

원문보기 상세보기
Choi Sanghyun, Kim Minseu, and Joe Yang-hee, "Noise Mitigation Characteristics of Precast Floating Track System Considering Vehicle-Track-Structure Interaction." Journal of the Korean Society for Advanced Composite Structures, Vol.8, No.1, pp.39-45, 2017.

상세보기
Sa-beom Suh, "A Study on the Track Model for Dynamic Analysis, Railway Journal," Vol.20, No.2, pp.21-33, 2017.
Do-Yeun Kim, Yun-Sang Jeung, Eun-Gu Kang, Hyun-Geun An, You-Jin Kim, Ji-Hun Choi, Jae-Won Cha, Soon Park, and Jeong-Soo Park, "Analysis of railway system new technology development trend," KSR Antumn Conference, pp.91-96, 2017.
Il-Rok Chung, Jae-Ryong Kim, Se-Cheol Youn, and Tar-Ho Lee, "Latest Noise and Vibration(Theory and Practice)," pp.31, Singwangmunhwasa, 2004.
Hyung-doo Kim, "A Study on the Prediction and Evaluation of Train Noise in the Dense Buildings," Journal of the Korean Society of Mechanical Technology, Vol.20, No.3, pp.294-299, 2018.

상세보기
D. C. Montgomery, E. A. Peck, and G. G. Vining, Introduction to linear regression analysis, Vol. 821, John Wiley & Sons, 2012.
Notice of Ministry of Environment No. 2013-172, Standards on Testing the Noise and Vibration Processes, pp.129-123, 2013.
Sang-Ki Park, Ki-Sun Choi, and Young-Chan You, "Study on vibrations and its reduction effects on the structure due to train-induced vibration using time history analysis," KSMI Autumn Conference, pp.669-670, 2013.
Jong-Jae Lee, Ground Vibration Analysis for Train Transit Loadings, Master's thesis, KAIST, 1989.
Sin-Chu Yang, Seong-Won Lee, "Analysis of Vibrations of a Structure Neighboring a Railway Bridge Induced by High-speed Train Running," Journal of the Korean Society of Civil Engineers, Vol.17, pp.443-445, 1997.
Chung-Bang Yun, Dong-Guen Lee, Jin-Sang Chung, and Doo-Kie Kim, "Dynamic Analysis of Building Structure under Subway Transit Loadings," Journal of the Korean Society of Civil Engineers, Vol.17, pp.25-34, 1997.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증