노후화 시설물의 증가에 따라 선제적 유지관리의 중요성은 점차 증대되고 있다. 선제적 유지관리는 시설물의 응답 계측으로부터 시작되기 때문에 높은 정밀도를 가지는 응답을 획득하는 것이 중요하다. 국부적인 응답 중 변형률은 균열 감지 및 피로 진전 예측 등에 활용가능하다. 변형률 센서는 크게 이산형 및 분포형 센서로 구분된다. 이산형 센서의 대표적인 예가 광섬유 브래그 격자(FBG)와 전기 저항식 게이지이다. 이산형 센서는 높은 정확성과 재현성(고 정밀)을 가지지만, 측정점이 제한된다는 한계를 가진다. 브릴루앙 산란 기반 광섬유 변형률 계측 시스템 중 하나인 Brillouin Optical Correlation Domain Analysis (BOCDA)은 대표적인 분포형 센서이며, 5 cm 라는 높은 공간 분해능을 가진다. BOCDA는 투영된 광원에서 발생하는 산란파를 이용하여 광섬유 전 구간의 변형률을 계측한다. 측정점이 많아지는 장점이 있으나, 이산형 센서에 낮은 정확도와 재현성을 가진다. 본 연구에서는 고 정밀 데이터(이산형 센서)와 저 정밀 데이터(분포형 센서) 각각의 장점을 융합하는 후처리 기법을 제안하였으며, 이에 대한 가능성을 검증 실험을 통해 확인했다.
노후화 시설물의 증가에 따라 선제적 유지관리의 중요성은 점차 증대되고 있다. 선제적 유지관리는 시설물의 응답 계측으로부터 시작되기 때문에 높은 정밀도를 가지는 응답을 획득하는 것이 중요하다. 국부적인 응답 중 변형률은 균열 감지 및 피로 진전 예측 등에 활용가능하다. 변형률 센서는 크게 이산형 및 분포형 센서로 구분된다. 이산형 센서의 대표적인 예가 광섬유 브래그 격자(FBG)와 전기 저항식 게이지이다. 이산형 센서는 높은 정확성과 재현성(고 정밀)을 가지지만, 측정점이 제한된다는 한계를 가진다. 브릴루앙 산란 기반 광섬유 변형률 계측 시스템 중 하나인 Brillouin Optical Correlation Domain Analysis (BOCDA)은 대표적인 분포형 센서이며, 5 cm 라는 높은 공간 분해능을 가진다. BOCDA는 투영된 광원에서 발생하는 산란파를 이용하여 광섬유 전 구간의 변형률을 계측한다. 측정점이 많아지는 장점이 있으나, 이산형 센서에 낮은 정확도와 재현성을 가진다. 본 연구에서는 고 정밀 데이터(이산형 센서)와 저 정밀 데이터(분포형 센서) 각각의 장점을 융합하는 후처리 기법을 제안하였으며, 이에 대한 가능성을 검증 실험을 통해 확인했다.
As aging infrastructures increase along with time, the efficient maintenance becomes more significant and accurate responses from the sensors are pre-requisite. Among various responses, strain is commonly used to detect damage such as crack and fatigue. Optical fiber sensor is one of the promising s...
As aging infrastructures increase along with time, the efficient maintenance becomes more significant and accurate responses from the sensors are pre-requisite. Among various responses, strain is commonly used to detect damage such as crack and fatigue. Optical fiber sensor is one of the promising sensing techniques to measure strains with high-durability, immunity for electrical noise, long transmission distance. Fiber Bragg Grating (FBG) is a point sensor to measure the strain based on reflected signals from the grating, while Brillouin Optic Correlation Domain Analysis (BOCDA) is a distributed sensor to measure the strain along with the optical fiber based on scattering signals. Although the FBG provides the signal with high accuracy and reproducibility, the number of sensing points is limited. On the other hand, the BOCDA can measure a quasi-continuous strain along with the optical fiber. However, the measured signals from BOCDA have low accuracy and reproducibility. This paper proposed a multi-fidelity data-fusion method based on Gaussian Process Regression to improve the fidelity of the strain distribution by fusing the advantages of both systems. The proposed method was evaluated by laboratory test. The result shows that the proposed method is promising to improve the fidelity of the strain.
As aging infrastructures increase along with time, the efficient maintenance becomes more significant and accurate responses from the sensors are pre-requisite. Among various responses, strain is commonly used to detect damage such as crack and fatigue. Optical fiber sensor is one of the promising sensing techniques to measure strains with high-durability, immunity for electrical noise, long transmission distance. Fiber Bragg Grating (FBG) is a point sensor to measure the strain based on reflected signals from the grating, while Brillouin Optic Correlation Domain Analysis (BOCDA) is a distributed sensor to measure the strain along with the optical fiber based on scattering signals. Although the FBG provides the signal with high accuracy and reproducibility, the number of sensing points is limited. On the other hand, the BOCDA can measure a quasi-continuous strain along with the optical fiber. However, the measured signals from BOCDA have low accuracy and reproducibility. This paper proposed a multi-fidelity data-fusion method based on Gaussian Process Regression to improve the fidelity of the strain distribution by fusing the advantages of both systems. The proposed method was evaluated by laboratory test. The result shows that the proposed method is promising to improve the fidelity of the strain.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 FBG(이산형 센서)와 BOCDA(분포형 센서) 의장점을 상보적으로 융합하는 고정밀 변형률 구성 기법을 제안하였다. 제안된 방법은 전산 통계학분야의 다정밀 모델링 기법을 기초로 하고 있으며, 해당 기법은 다중 정밀도를 가지는 시뮬레이터들의 정보를 활용하여 고 정밀 시뮬레이터의 예측 모델을 구성하는 방법이다.
본 연구에서는 고 정밀 데이터(이산형 센서)와 저 정밀 데이터(분포형 센서) 각각의 장점을 융합하는 후처리 기법을 제안하였으며, 이에 대한 가능성을 검증 실험을 통해 확인했다.
제안 방법
(1)제안된 방법은 정확도가 다른 이종 광섬유 변형률 계측 시스템으로터 계측된 데이터의 융합을 통해 정확도를 향상시키는방법이다. 분포형 광섬유 시스템으로부터 낮은 정확도의 변형률 데이터와 이산형 변형률 계측 시스템으로부터 높은 정밀도의 변형률 데이터를 기반으로 한다.
(2)제안된 기법의 절차는 1)분포형 변형률 계측 시스템(저 정밀데이터)으로부터 취득한 변형률 데이터를 가우시안 프로세스회귀 모델을 이용하여 변형률의 분포 정보를 추출, 2) 추출된 변형률 분포를 이산형 변형률 계측 시스템(고 정밀 데이터)으로부터 취득한 변형률 데이터를 융합하는 과정을 거쳐 높은 정밀도의 변형률 분포를 추정한다.
(3)제안된 기법의 검증을 위하여 단순보에 손상을 모사한 시편을 이용하여 실내 실험을 수행하였다. 저 정밀 데이터로 추정된 변형률 분포를 고 정밀 데이터의 숫자와 위치를 변경하며, 변형률 분포를 추정하였다.
제안된 방법은 전산 통계학분야의 다정밀 모델링 기법을 기초로 하고 있으며, 해당 기법은 다중 정밀도를 가지는 시뮬레이터들의 정보를 활용하여 고 정밀 시뮬레이터의 예측 모델을 구성하는 방법이다. 본 연구에서 제안한 기법은 다정밀 모델링 기법의 개념을 이용하여, 저 정밀 데이터의 응답 분포(부정확하지만 많은 데이터) 를 고 정밀 데이터의 국부적인 데이터의 높은 정확성(정확하지만 높은 계산 비용으로 인한 적은 데이터)과 융합하여 높은 정밀도를 가지는 변형률 응답 분포를 구성한다. 제안 기법은 Fig.
폴리이미드 코팅이 된 광섬유 80 cm를 시편 끝에서 30 cm 떨어진 위치에서부터 에폭시로 부착하였다. 분포형 광섬유 계측 시스템은 5 cm 간격으로 변형률을 계측하였다. 부착된 광섬유 인근에 5cm간격으로 전기 저항식 변형률 게이지 17개를 Fig.
분포형 광섬유 시스템으로부터 낮은 정확도의 변형률 데이터와 이산형 변형률 계측 시스템으로부터 높은 정밀도의 변형률 데이터를 기반으로 한다.
고 정밀 데이터에 대한 수와 위치에 따른 영향을 검토하고자 몬테카를로 시뮬레이션(총 100번 시행)을 Table 2와 같이 수행하였다. 실제 적용 시, 고 정밀 데이터의 측정점 수와 그 위치에 따른 제안 기법의 변동성을 분석하고자 고 정밀 데이터의 일부 랜덤 샘플링하면서 제안 기법을 적용하였다. 제안 기법(MF)과 성능을 비교하고자, (1) 저 정밀 데이터만을 사용하여 예측한 결과 (LF)와 (2) 몬테카를로 시뮬레이션에서 랜덤 추출된 일부 고 정밀 데이터만을 사용한 결과(HF)도 산출하였다.
가우시안 프로세스는 사후 분포를 예측 모델로 사용하며, 이를 추정하기 위해 우선 커널 함수의 초월변수 결정이 필요하다. 이를 위해 사용자에 의해 설정된 커널 함수의 변수(사전 정보)와 측정데이터(우도)에 대한 주변 우도 분포를 최대화하는 최적화 문제를 사용한다(최대우도추정, Maximum Likelihood Estimation). 일반적으로 주변 우도 분포는 최적화를 위해 상용로그를 취하고 이를 음의 로그 주변 우도(Negative Log-marginal Likelihood)로 표현되며, 이는 Eq.
실내 실험을 수행하였다. 저 정밀 데이터로 추정된 변형률 분포를 고 정밀 데이터의 숫자와 위치를 변경하며, 변형률 분포를 추정하였다. 숫자와 위치에 대한 임의 추출실험 결과(몬케카를로 시뮬레이션)를 통해 다중정밀도 융합 기법이 다 정밀도 데이터의 장점만을 융합하여, 변형률의 공간적 정보와 그 정확도를 크게 향상시킴을 확인하였다.
본 연구에서 제안한 기법은 다정밀 모델링 기법의 개념을 이용하여, 저 정밀 데이터의 응답 분포(부정확하지만 많은 데이터) 를 고 정밀 데이터의 국부적인 데이터의 높은 정확성(정확하지만 높은 계산 비용으로 인한 적은 데이터)과 융합하여 높은 정밀도를 가지는 변형률 응답 분포를 구성한다. 제안 기법은 Fig. 1과 같은 절차로 수행된다: (1) 분포형 센서로 계측된 정보로부터 변형률 분포 정보를 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 방법으로 추출하고; (2) 이산형 센서로부터 얻어진 데이터를 변형률 분포 정보와 융합을 통하여 변형률 분포 정확도를 향상한다. 제안된 방법의 검증을 위하여 단순보의 정적 재하 실험을 수행하여, 제안된 방법의 정확성을 검증하였다.
제안된 기법의 개념을 활용하여, 댐, 교량, 고층 건물 등 다양한 사회기반시설물에 적용하여 다수의 고 정밀 데이터 획득이 가능하다. 이는 높은 정밀도의 변형률 응답을 활용하여 시설물의 정확한 상태 평가에 기여 가능하며, 나아가 적절한 보수 시기와 방법을 결정할 수 있는 중요한 정보를 제공할 수 있을 것으로 판단된다.
제안된 방법은 전산 통계학분야의 다정밀 모델링 기법을 기초로 하고 있으며, 해당 기법은 다중 정밀도를 가지는 시뮬레이터들의 정보를 활용하여 고 정밀 시뮬레이터의 예측 모델을 구성하는 방법이다. 본 연구에서 제안한 기법은 다정밀 모델링 기법의 개념을 이용하여, 저 정밀 데이터의 응답 분포(부정확하지만 많은 데이터) 를 고 정밀 데이터의 국부적인 데이터의 높은 정확성(정확하지만 높은 계산 비용으로 인한 적은 데이터)과 융합하여 높은 정밀도를 가지는 변형률 응답 분포를 구성한다.
변형률 분포를 추출하였다. 추출된 변형률 분포는 고정밀 데이터의 일부와 융합하여 고정밀 데이터 전체에 대한 예측을 수행하였다. 고 정밀 데이터에 대한 수와 위치에 따른 영향을 검토하고자 몬테카를로 시뮬레이션(총 100번 시행)을 Table 2와 같이 수행하였다.
대상 데이터
제안된 방법의 검증을 위하여 단순보의 정적 재하 실험을 수행하여, 제안된 방법의 정확성을 검증하였다. 본 논문에서 대문자로 표현된 기호는 벡터 및 행렬이며, 소문자로 표현된 기호는 스칼라를 의미한다.
2). 실험에 사용된 실험체의 크기는 140×10×0.5(가로×세로×두께, cm) 이며, 실험체의 끝 10 cm지점에 단순보의 경계조건을 모사하였다. 폴리이미드 코팅이 된 광섬유 80 cm를 시편 끝에서 30 cm 떨어진 위치에서부터 에폭시로 부착하였다.
데이터처리
제안 기법(MF)과 성능을 비교하고자, (1) 저 정밀 데이터만을 사용하여 예측한 결과 (LF)와 (2) 몬테카를로 시뮬레이션에서 랜덤 추출된 일부 고 정밀 데이터만을 사용한 결과(HF)도 산출하였다. 각 기법 별로 산출된 예측치는 실제 계측된 고 정밀 데이터와 비교하여 평균 제곱근 오차(Root Mean Square Error; RMSE)를 산출하였다(Fig. 4). 몬테카를로 시뮬레이션을 통해 산출된 RMSE를 각 사례별로 Fig.
3(a)와 같이 3번 재하하고, 각각의 변형률 분포를 계측하였다. 반복 측정된 측정점들의 평균과 표준편차를 산출하였다. 분포형 광섬유 센서(저 정밀 변형률 데이터) 의계측 값의 편차는 ±이며, 전기 저항식 변형률 게이지의 편차 (고 정밀 변형률 데이터)는 ±이었다.
1과 같은 절차로 수행된다: (1) 분포형 센서로 계측된 정보로부터 변형률 분포 정보를 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 방법으로 추출하고; (2) 이산형 센서로부터 얻어진 데이터를 변형률 분포 정보와 융합을 통하여 변형률 분포 정확도를 향상한다. 제안된 방법의 검증을 위하여 단순보의 정적 재하 실험을 수행하여, 제안된 방법의 정확성을 검증하였다. 본 논문에서 대문자로 표현된 기호는 벡터 및 행렬이며, 소문자로 표현된 기호는 스칼라를 의미한다.
제안된 방법의 검증을 위하여, 저 정밀 데이터 17개를 모두 활용하여 변형률 분포를 추출하였다. 추출된 변형률 분포는 고정밀 데이터의 일부와 융합하여 고정밀 데이터 전체에 대한 예측을 수행하였다.
성능/효과
(4)일정 수 이상(6개 이상)의 고 정밀 데이터를 활용하면 손상 위치를 추정할 수 있음을 확인하였다. 추후 최적의 다중정밀도 데이터 구성과 센서 배치에 관한 후속 연구가 필요할 것으로 판단된다.
5에 도시하였다. 고 정밀 데이터가 일정 이상(≥)인경우, MF에서 산출된 RMSE 오차가 HF와 LF의 결과보다 크게 정확도가 향상되었다. 또한 HF의 수를 증가(≥)시키면서 HF만을 사용하여도 MF의 예측 정확도만큼 향상되지 않는 것을 알 수 있다.
5의 빨간색 점선 원). 고 정밀 데이터가 적은 경우(≤), MF와 HF의 결과가 LF의 결과보다 좋지 않음을 확인하였다. 이는 다중 정밀도 데이터의 구성 및 최적 배치에 대한 후속 연구가 필요할 것으로 판단된다.
변형률의 분포를 구할 수 있었다. 본 실험에서는 6개 이 상의고 정밀도 데이터를 저 정밀도 데이터와 융합하면, 높은 정확도의 변형률 분포를 얻을 수 있었으며, 이를 통해 시편의 국부적인 손상도 효과적으로 탐지할 수 있었다.
저 정밀 데이터로 추정된 변형률 분포를 고 정밀 데이터의 숫자와 위치를 변경하며, 변형률 분포를 추정하였다. 숫자와 위치에 대한 임의 추출실험 결과(몬케카를로 시뮬레이션)를 통해 다중정밀도 융합 기법이 다 정밀도 데이터의 장점만을 융합하여, 변형률의 공간적 정보와 그 정확도를 크게 향상시킴을 확인하였다.
실제 적용 시, 고 정밀 데이터의 측정점 수와 그 위치에 따른 제안 기법의 변동성을 분석하고자 고 정밀 데이터의 일부 랜덤 샘플링하면서 제안 기법을 적용하였다. 제안 기법(MF)과 성능을 비교하고자, (1) 저 정밀 데이터만을 사용하여 예측한 결과 (LF)와 (2) 몬테카를로 시뮬레이션에서 랜덤 추출된 일부 고 정밀 데이터만을 사용한 결과(HF)도 산출하였다. 각 기법 별로 산출된 예측치는 실제 계측된 고 정밀 데이터와 비교하여 평균 제곱근 오차(Root Mean Square Error; RMSE)를 산출하였다(Fig.
제안 기법을 사용하여 이종 데이터의 융합을 통하여 정확도 높은 변형률의 분포를 구할 수 있었다. 본 실험에서는 6개 이 상의고 정밀도 데이터를 저 정밀도 데이터와 융합하면, 높은 정확도의 변형률 분포를 얻을 수 있었으며, 이를 통해 시편의 국부적인 손상도 효과적으로 탐지할 수 있었다.
후속연구
이는 높은 정밀도의 변형률 응답을 활용하여 시설물의 정확한 상태 평가에 기여 가능하며, 나아가 적절한 보수 시기와 방법을 결정할 수 있는 중요한 정보를 제공할 수 있을 것으로 판단된다. 이를 통해 시설물의 효율적인 건전도 모니터링 및 유지관리에 기여 가능할 것으로 기대된다.
고 정밀 데이터가 적은 경우(≤), MF와 HF의 결과가 LF의 결과보다 좋지 않음을 확인하였다. 이는 다중 정밀도 데이터의 구성 및 최적 배치에 대한 후속 연구가 필요할 것으로 판단된다.
이는 높은 정밀도의 변형률 응답을 활용하여 시설물의 정확한 상태 평가에 기여 가능하며, 나아가 적절한 보수 시기와 방법을 결정할 수 있는 중요한 정보를 제공할 수 있을 것으로 판단된다. 이를 통해 시설물의 효율적인 건전도 모니터링 및 유지관리에 기여 가능할 것으로 기대된다.
추정할 수 있음을 확인하였다. 추후 최적의 다중정밀도 데이터 구성과 센서 배치에 관한 후속 연구가 필요할 것으로 판단된다.
참고문헌 (9)
Amano, M., Okabe, Y., Takeda, N. and Ozaki, T. (2007). "Structural health monitoring of an advanced grid structure with embedded fiber bragg grating sensors." Structural Health Monitoring, Vol. 6, No. 4, pp. 309-324. DOI: 10.1177/1475921707081967.
Guemes, A., Fernandez-Lopez, A. and Soller, B. (2010). "Optical fiber distributed sensing - Physical principles and applications." Structural Health Monitoring, Vol. 9, No. 3, pp. 233-245. DOI: 10.1177/1475921710365263.
Hotate, K. (2000). "Measurement of brillouin gain spectrum distribution along an optical fiber using a correlation-based technique-proposal, experiment and simulation-." IEICE Transactions on Electronics, Vol. E83-C, No. 3, pp. 405-411.
Kennedy, M. C. and O'Hagan, A. (2001). "Bayesian calibration of computer models." Journal of the Royal Statistical Society, Series B (Statistical Methodology), Vol. 63, No. 3, pp. 425-464. DOI: 10.1111/1467-9868.00294.
Krohn, D. A., MacDougall, T. and Mendez, A. (2014). Fiber optic sensors: fundamentals and applications. Bellingham, WA: Spie Press.
Li, S. and Wu, Z. (2007). "Development of distributed long-gage fiber optic sensing system for structural health monitoring: structural health monitoring." An International Journal, Vol. 6, No. 2, pp. 133-143. DOI: 10.1177/1475921706072078.
Schulz, E., Speekenbrink, M. and Krause, A. (2018). "A tutorial on Gaussian process regression: Modelling, exploring, and exploiting functions." Journal of Mathematical Psychology, Vol. 85, pp. 1-16. DOI: 10.1016/j.jmp.2018.03.001.
Todd, M. D., Nichols, J. M., Trickey, S. T., Seaver, M., Nichols, C. J. and Virgin, L. N. (2007). "Bragg grating-based fibre optic sensors in structural health monitoring." Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 365, No. 1851, pp. 317-343. DOI: 10.1098/rsta.2006.1937.
Worden, K., Farrar, C. R., Manson, G. and Park, G. (2007). "The fundamental axioms of structural health monitoring." Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 463, No. 2082, pp. 1639-1664. DOI: 10.1098/rspa.2007.1834.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.