[논문]사장교 케이블의 장력 추정을 위한 인공신경망 모델 개발

김기중; 박유신; 박성우

doi:10.5762/kais.2020.21.3.414

사장교 케이블의 장력 추정을 위한 인공신경망 모델 개발
Development of Artificial Neural Network Model for Estimation of Cable Tension of Cable-Stayed Bridge 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.21 no.3, 2020년, pp.414 - 419

김기중 ((주)세니츠코퍼레이션 기술연구소) , 박유신 ((주)세니츠코퍼레이션 기술연구소) , 박성우 (한국시설안전공단 특수교관리센터)

초록
AI-Helper

본 연구에서는 사장교의 케이블 가속도계로부터 확보한 방대한 계측데이터의 활용을 확대하고자 인공지능 기반의 케이블 장력 추정 모델을 개발하였다. 케이블 장력 추정 모델은 진동법에 따른 장력 추정 과정에서 고유진동수를 판정할 수 있는 알고리즘을 핵심으로 하며 학습데이터 구성에 적합하고 판정 결과에 대한 성능이 확보될 수 있도록 입력층, 은닉층, 출력층으로 구성되는 인공신경망(Artificial Neural Network)을 적용하였다. 인공신경망의 학습데이터는 케이블 가속도 계측데이터를 진동수로 변환 후 구성하였으며 고유진동수를 중심으로 일정한 패턴을 갖는 특성을 활용하여 기계학습을 진행하였다. 학습데이터 구성 시 다수 패턴의 고유진동수를 대표할 수 있도록 다양한 크기의 진폭을 갖는 진동수를 사용하고 일정 수준으로 진동수를 누적하여 사용할 경우 고유진동수에 대한 판정 성능이 개선됨을 확인하였다. 장력 추정 모델의 성능을 판단하기 위해 계측분석 기술자에 의해 추정한 장력의 관리기준과 비교하였다. 케이블 가속도계로부터 확보한 139개의 진동수를 입력값으로 사용하여 검증을 수행한 결과 실제 정답과 유사하게 고유진동수를 판정하였고 고유진동수에 의해 케이블의 장력을 추정한 결과는 96.4%의 수준으로 관리기준에 부합하는 결과를 보여주고 있다.

Abstract ▼ AI-Helper

An artificial intelligence-based cable tension estimation model was developed to expand the utilization of data obtained from cable accelerometers of cable-stayed bridges. The model was based on an algorithm for selecting the natural frequency in the tension estimation process based on the vibration method and an applied artificial neural network (ANN). The training data of the ANN was composed after converting the cable acceleration data into the frequency, and machine learning was carried out using the characteristics with a pattern on the natural frequency. When developing the training data, the frequencies with various amplitudes can be used to represent the frequencies of multiple shapes to improve the selection performance for natural frequencies. The performance of the model was estimated by comparing it with the control criteria of the tension estimated by an expert. As a result of the verification using 139 frequencies obtained from the cable accelerometer as the input, the natural frequency was determined to be similar to the real criteria and the estimated tension of the cable by the natural frequency was 96.4% of the criteria.

주제어

표/그림 (8)

그림 Fig. 1. Cable tension estimation procedure
그림 Fig. 2. Vibration frequency of cable
그림 Fig. 3. Analysis result(precision)
그림 Fig. 4. Analysis result(recall)
그림 Fig. 5. Analysis result(F1-score)
표 Table 1. Training data
그림 Fig. 6. Selected mode by developed model
그림 Fig. 7. Accuracy ratio of cable tension

AI 본문요약
AI-Helper

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

문제 정의

01초의 시간 간격으로 가속도를 계측하고 실시간 저장하고 있으나 케이블 장력 추정을 위한 모니터링은 부족한 실정이다. 따라서본 연구에서는 실시간 계측에 의해 확보되는 방대한 케이블 가속도 데이터의 활용을 확대하고 계측분석 기술자가 케이블의 장력을 추정하는 방법을 대체하여 필요로 하는 시점에 분석이 가능하도록 인공지능을 기반으로 실시간 계측자료를 활용, 분석할 수 있는 새로운 기법을 개발하였다.
본 연구에서는 케이블의 장력 추정이 가능한 인공신경망 모델의 개발을 완료하고 성능을 검토하였다. 케이블 가속도 계측데이터를 활용하여 학습데이터를 구성하고 기계학습을 통하여 학습데이터와 다른 진동수 입력 시고유진동수 판정 및 케이블의 장력을 계산하였다.
본 연구의 목표는 진동법에 따른 장력 추정에서 고유 진동수를 판정할 수 있는 인공신경망을 이용한 케이블 장력 추정 모델을 개발하는 것이다. 연구과정에서 인공신 경망 적용을 위한 학습데이터 구성과 평가기준에 의해 모델의 적정성을 판단하고 계측 분석 기술자에 의해 추정한 장력의 관리기준과 비교하여 케이블 장력 추정 모델의 성능을 검증하였다.

가설 설정

인공신경망에 의한 학습과정에서 고유진동수에 해당 하는 진동수를 판정하게 되고 판정된 다수의 진동수의 관계를 검토하여 고유진동모드를 추정하였다. 고유진동 모드 추정은 케이블 진동 특성 중 고유진동수에 해당하는 진동수는 일정 간격을 유지하는 특성과 고유진동모드로 판정되는 진동수는 진폭이 최대일 때의 진동수에 대해 정수배를 유지하다는 조건을 고려하여 적용하였다. 인공신경망에 의해 추정한 고유진동수를 장력 추정 공식을 활용하여 케이블의 장력을 추정하였다.

제안 방법

총 113개 가속도계에서 변환된 139개 진동수를 검증 데이터로 사용하였다. 고유진동모드 진동수의 판정 수준과 단일 모드 진동수 및 장력 추정 값을 대상 교량의 계측분석 기술자가 추정한 관리기준과 비교하여 검토하였다.
입력으로부터 값을 계산하는 뉴런 시스템의 상호연결로 표현되고 적응성이 있어 패턴인식과 같은 기계학습을 수행할 수 있다[6]. 따라서 본 연구에서 다루는 고유진동수는 일정한 패턴을 갖는 특성에 착안하여 모델의 기계학습을 위한 알고리즘으로 입력층, 은닉층, 출력층으로 구성되는 ANN을 적용하 였다.
사장교 케이블의 가속도 계측데이터를 활용하여 학습 데이터를 구성하고 인공신경망에 의한 기계학습을 통하여 고유진동수의 해당여부를 판정하는 알고리즘을 개발 하였다. 고유진동모드 판정 결과를 활용하여 고유모드와 케이블 장력을 추정할 수 있다.
본 연구의 목표는 진동법에 따른 장력 추정에서 고유 진동수를 판정할 수 있는 인공신경망을 이용한 케이블 장력 추정 모델을 개발하는 것이다. 연구과정에서 인공신 경망 적용을 위한 학습데이터 구성과 평가기준에 의해 모델의 적정성을 판단하고 계측 분석 기술자에 의해 추정한 장력의 관리기준과 비교하여 케이블 장력 추정 모델의 성능을 검증하였다.
인공신경망에 의한 학습과정에서 고유진동수에 해당 하는 진동수를 판정하게 되고 판정된 다수의 진동수의 관계를 검토하여 고유진동모드를 추정하였다. 고유진동 모드 추정은 케이블 진동 특성 중 고유진동수에 해당하는 진동수는 일정 간격을 유지하는 특성과 고유진동모드로 판정되는 진동수는 진폭이 최대일 때의 진동수에 대해 정수배를 유지하다는 조건을 고려하여 적용하였다.
고유진동 모드 추정은 케이블 진동 특성 중 고유진동수에 해당하는 진동수는 일정 간격을 유지하는 특성과 고유진동모드로 판정되는 진동수는 진폭이 최대일 때의 진동수에 대해 정수배를 유지하다는 조건을 고려하여 적용하였다. 인공신경망에 의해 추정한 고유진동수를 장력 추정 공식을 활용하여 케이블의 장력을 추정하였다. 케이블 장력의 추정을 위해 현의 진동이론에 의해 장력과 고유진동수 관계를 활용하여 Eq.
본 연구에서는 케이블의 장력 추정이 가능한 인공신경망 모델의 개발을 완료하고 성능을 검토하였다. 케이블 가속도 계측데이터를 활용하여 학습데이터를 구성하고 기계학습을 통하여 학습데이터와 다른 진동수 입력 시고유진동수 판정 및 케이블의 장력을 계산하였다. 연구의 수행 과정에서 다음과 같은 결론을 도출하였다.
케이블 가속도 장력 추정 모델은 사전에 인공신경망에 의해 학습된 모델에 케이블 가속도계로부터 확보한 진동 수를 FFT에 의해 변환한 값을 입력 값으로 사용하였다. 장력 추정 모델의 검증을 위한 진동수는 17개소의 교량에 부착된 가속도계로부터 확보한 진동수를 활용하였다.
케이블의 장력 추정은 인공신경망에 의한 고유진동수 판정 이후 판정된 진동수에 의한 고유모드를 추출 후 장력 추정 공식에 의해 계산하였다. Fig.

대상 데이터

본 연구에 적용하는 진동수 데이터는 고유진동모드에 해당하는 진동수와 모드 제외 진동수로 구분되는데 고유 진동모드 진동수는 전체 진동수 데이터에 비해 적게 분포하고 있다. 이와 같이 데이터의 구성이 한쪽으로 치우쳐 있을 때 일반적으로 모델의 성능을 평가하는 기준으로 정밀도, 재현율, F1-score를 사용하는 것이 합리적이 다.
케이블 가속도 장력 추정 모델은 사전에 인공신경망에 의해 학습된 모델에 케이블 가속도계로부터 확보한 진동 수를 FFT에 의해 변환한 값을 입력 값으로 사용하였다. 장력 추정 모델의 검증을 위한 진동수는 17개소의 교량에 부착된 가속도계로부터 확보한 진동수를 활용하였다. 총 113개 가속도계에서 변환된 139개 진동수를 검증 데이터로 사용하였다.
장력 추정 모델의 검증을 위한 진동수는 17개소의 교량에 부착된 가속도계로부터 확보한 진동수를 활용하였다. 총 113개 가속도계에서 변환된 139개 진동수를 검증 데이터로 사용하였다. 고유진동모드 진동수의 판정 수준과 단일 모드 진동수 및 장력 추정 값을 대상 교량의 계측분석 기술자가 추정한 관리기준과 비교하여 검토하였다.
01초 간격으로 획득된 계측데이터를 고속퓨리에변환(FTT: Fast Fourier Transform, 이하 FTT) 후 확인할 수 있다. 학습데이터는 이러한 진동수 특성을 반영하기 위하여 주파수 변환시 2¹³ 인 8,192개의 가속도 데이터를 사용하였다. 또한 다양한 진동수 특성을 반영하기 위하여 다수의 교량과 케이블에 대한 진동수를 학습데이터로 포함시켰다.
결과적으로 인공신경망을 통한 학습데이터는 다양한 진폭의 크기와 고유진동수 유형을 대표할 수 있는 진동 수를 다수 혼합하여 구성하는 것이 고유진동수의 판정에 효과적인 것으로 분석되었다. 학습데이터에 적용한 진동 수는 Table 1과 같이 대상 교량 중, 6개 교량의 14개 케이블 가속도계에서 확보한 진동수를 사용하였고 진폭의 크기, 고유진동모드 진동수의 변화, 상시 및 비상시의 진동수 변화 고려 등을 고려하여 다양하게 선정하였다.

데이터처리

최적의 학습데이터를 구성하기 위해 다양한 진동수를 적용하고 고유진동수의 판정 결과를 분석하였다. 진폭이 작은 진동수와 진폭이 큰 진동수를 혼합하고 다수 교량의 진동수를 누적시켜 학습하는 경우 정답의 검출 성능이 양호한 것으로 확인되었다.

성능/효과

1) 다수 형상의 진동수 패턴을 대표할 수 있도록 다양한 진폭을 갖는 진동수를 누적하여 학습데이터로 사용할 때 고유진동수 판정 성능이 개선된다.
2) 케이블 장력 추정 모델에 대해 검증용 진동수로 성능을 검토한 경우, F1-score는 평균 0.75 이상을 보이고 있어 실제 고유진동수를 비교적 정확하게 판정하는 것으로 판단된다.
3) 고유진동수 판정 결과를 활용하여 추정한 케이블 장력은 관리기준 대비 96.4%의 수준으로 인공신경망을 활용한 케이블 장력 추정 모델의 성능은 계측 분석기술자의 추정 장력인 관리기준에 부합하는 결과를 보이는 것으로 판단된다.
결과적으로 인공신경망을 통한 학습데이터는 다양한 진폭의 크기와 고유진동수 유형을 대표할 수 있는 진동 수를 다수 혼합하여 구성하는 것이 고유진동수의 판정에 효과적인 것으로 분석되었다. 학습데이터에 적용한 진동 수는 Table 1과 같이 대상 교량 중, 6개 교량의 14개 케이블 가속도계에서 확보한 진동수를 사용하였고 진폭의 크기, 고유진동모드 진동수의 변화, 상시 및 비상시의 진동수 변화 고려 등을 고려하여 다양하게 선정하였다.
성능 분석 결과에서 139 개 진동수 중 정밀도 보다는 재현율이 높은 경향을 보이는 것은 실제 정답을 높은 수준으로 정확하게 판정하고 있다는 것을 의미한다. 인공신경망을 통해 고유진동모드에 해당하는 진동수를 판정하는 것이 목적이기에 학습 모델의 판정 결과는 양호한 것으로 판단된다. Fig.
추정 모델에 의해 출력된 결과를 모델 성능 평가 기준 으로 표현할 경우, 고유진동모드로 판정한 진동수 중 실제 정답의 비율인 정밀도는 평균 0.68이고 실제 정답을 고유진동모드로 판정한 진동수의 비율인 재현율은 평균 0.88로 분석되었다. 139개 진동수 중 정밀도 보다는 재현율이 높은 경향을 보이고 있고 고유진동모드 판정에 의해 정밀도와 재현율의 조화평균값인 F1-score는 0.
케이블 진동수의 특성 분석을 통해 고유진동수에서 진폭은 상대적으로 주변의 진폭보다 크게 유지되고 고유진 동수는 일정 구간마다 반복되는 특성을 확인하였다. 또한 고유진동수를 중심으로 진폭의 변화는 유사한 형상을 유지하고 있어 일반 구간과의 형상 차이를 보이고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	케이블 장력 추정 방법은 무엇인가?	케이블 장력 추정 방법은 케이블에 가해지는 장력을 직접적으로 확인하는 방법으로 초기 비용이 들고 유지관리의 문제가 있을 수 있는 직접법과 교량의 케이블에서 진동을 계측하여 역으로 장력을 추정하는 진동법인 간접 법이 있다. 장력 추정 작업은 장비설치, 계측 및 후속 작업이 복잡하고 비용이 많이 들며 현장의 각종 환경조건에 따른 오차 요인이 크다는 문제점이 있어 작업의 부담이 적고 현장 적용이 가능한 케이블 장력 추정 시스템을 구축하려는 시도가 많이 이루어지고 있다[3-4].
	인공신경망의 학습데이터의 특성은?	케이블 장력 추정 모델은 진동법에 따른 장력 추정 과정에서 고유진동수를 판정할 수 있는 알고리즘을 핵심으로 하며 학습데이터 구성에 적합하고 판정 결과에 대한 성능이 확보될 수 있도록 입력층, 은닉층, 출력층으로 구성되는 인공신경망(Artificial Neural Network)을 적용하였다. 인공신경망의 학습데이터는 케이블 가속도 계측데이터를 진동수로 변환 후 구성하였으며 고유진동수를 중심으로 일정한 패턴을 갖는 특성을 활용하여 기계학습을 진행하였다. 학습데이터 구성 시 다수 패턴의 고유진동수를 대표할 수 있도록 다양한 크기의 진폭을 갖는 진동수를 사용하고 일정 수준으로 진동수를 누적하여 사용할 경우 고유진동수에 대한 판정 성능이 개선됨을 확인하였다.
	케이블의 장력 추정시 고유진동수 판정 성능을 개선시키는 방법은?	1) 다수 형상의 진동수 패턴을 대표할 수 있도록 다양한 진폭을 갖는 진동수를 누적하여 학습데이터로 사용할 때 고유진동수 판정 성능이 개선된다.

저자의 다른 논문 :

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