[논문]정적 변형률 데이터 기반 머신러닝에 의한 무도상 철도 판형교의 손상 탐지

문태욱; 신수봉

doi:10.11112/jksmi.2020.24.6.206

[국내논문] 정적 변형률 데이터 기반 머신러닝에 의한 무도상 철도 판형교의 손상 탐지
Damage Detection of Non-Ballasted Plate-Girder Railroad Bridge through Machine Learning Based on Static Strain Data 원문보기

한국구조물진단유지관리공학회 논문집 = Journal of the Korea Institute for Structural Maintenance and Inspection, v.24 no.6, 2020년, pp.206 - 216

문태욱 (인하대학교 토목공학과) , 신수봉 (인하대학교 사회인프라공학과)

초록
AI-Helper

국내의 노후 철도교량이 증가함에 따라 노후화로 인한 유지관리비가 점점 증가하고 있으며, 지속적인 관리가 더욱 더 중요해지고 있다. 하지만 관리해야하는 노후 시설물은 증가하지만, 노후 시설물을 점검 및 진단을 할 수 있는 전문 인력은 부족해지고 있다. 이러한 문제를 해결하기 위해 본 연구는 정적 변형률 응답 데이터를 적용하여 AI 기술의 머신러닝 기법으로 구조물의 국부적인 손상을 탐지하는 개선된 학습모델을 제시하고자 한다. 손상탐지 머신러닝 학습 모델을 구성하기 위해 우선 무도상 철도 판형교의 설계도면을 참고하여 교량의 해석모델을 설정하였으며, 설정된 해석모델로 손상시나리오에 따른 정적변형률 데이터를 추출하여 통계적 기법을 이용해 교량의 신뢰도 기반의 Local 손상 지수를 제시하였다. 손상 탐지는 손상 유무 탐지, 크기 탐지, 위치 탐지 3단계의 과정을 수행하여 손상 크기 탐지에서 선형 회귀 모델을 추가로 고려해 임의의 손상을 탐지하였으며, 최종적으로 손상 탐지 머신러닝 분류 학습 모델과 회귀 모델을 이용한 임의의 손상 위치를 추정 및 검증하였다.

Abstract ▼ AI-Helper

As the number of aging railway bridges in Korea increases, maintenance costs due to aging are increasing and continuous management is becoming more important. However, while the number of old facilities to be managed increases, there is a shortage of professional personnel capable of inspecting and diagnosing these old facilities. To solve these problems, this study presents an improved model that can detect Local damage to structures using machine learning techniques of AI technology. To construct a damage detection machine learning model, an analysis model of the bridge was set by referring to the design drawing of a non-ballasted plate-girder railroad bridge. Static strain data according to the damage scenario was extracted with the analysis model, and the Local damage index based on the reliability of the bridge was presented using statistical techniques. Damage was performed in a three-step process of identifying the damage existence, the damage location, and the damage severity. In the estimation of the damage severity, a linear regression model was additionally considered to detect random damage. Finally, the random damage location was estimated and verified using a machine learning-based damage detection classification learning model and a regression model.

주제어

표/그림 (32)

그림 Fig. 1 Flow of the proposed detection process
그림 Fig. 2 Simulation test bridge detail diagram
그림 Fig. 3 Simulation model - rail section detail
표 Table 1 Dimension of the test bridge
그림 Fig. 7 Strain gauge layout for the test bridge
그림 Fig. 4 Damage detection verification phase
그림 Fig. 5 Test train loading diagram
그림 Fig. 6 Sample static load case
표 Table 2 Define Damage by reducing Elastic Modulus
그림 Fig. 8 Process of defining Local damage index
그림 Fig. 9 Cut-type Standard probability distribution of 3% Noise
그림 Fig. 10 Variation of the mean value of residuals by Monte Carlo simulation repetition
그림 Fig. 11 Comparison of standard residuals at S1
그림 Fig. 12 Process of Local damage index of damage level 0
그림 Fig. 13 Process of Local damage index of damage level 1
그림 Fig. 14 Process of Local damage index of damage level 2
그림 Fig. 15 Multi layer Perceptron Structure model
표 Table 3 Local damage index according to damage level and sensor locations
그림 Fig. 16 Machine learning train model architecture
그림 Fig. 17 Convergence of Step 1 model - history of the loss function for the training and validation set
그림 Fig. 18 Confusion matrix for test data of Step 1 model
표 Table 4 Classification of Learning data by model
그림 Fig. 19 Convergence of Step 2 model - history of the loss function for the training and validation set
그림 Fig. 20 Confusion matrix for test data of Step 2 model
그림 Fig. 21 Comparison of the real value with the predict value of the regression model at S14
그림 Fig. 22 Designing random multiple damage cases for Test data
그림 Fig. 23 Comparison of damage predicts by S1 and S2
그림 Fig. 24 Comparison of damage predicts by S13 and S14
표 Table 5 Predicted values of regression model for damage case 3% and 7%
표 Table 6 Classification and Regression model results of Test A for each sensor
표 Table 7 Classification and Regression model results of Test B for each sensor
표 Table 8 Classification and Regression model results of Test C for each sensor

참고문헌 (10)

Moon, T. U. (2020). Safety Evaluation of the Superstructure of Railway Non-ballasted Plate Girder Bridge in the Application of CWR, International Journal of Railway, 23(1), pp. 10-20.
Ministry of Land Infrastructure and Transport (2017). Strategies to respond to the 4th industrial revolution, April, 21, 2017, pp. 1-16.
Kim, D. G. (2018). Performance evaluation of SOC Structure using Deep Learning technology, Seoul: Korea Institute of Construction Technology, pp. 164-172.
Gary Marcus. (2019). DeepMind's Losses and the Future of Artificial Intelligence, WIRED, Retrieved from https://www.wired.com/story/deepminds-losses-future-artificial-intelligence, Aug. 14. 2019.
Gary Marcus. (2018). Deep Learning: A Critical Appraisal, arXIv:1801.00631 [cs], Jan. 2. 2018.
Park, S. J. (2019). Reinforce Effect of Lower Bracing on Dynamic Behavior Characteristic in Railway Plate Girder Bridges, Master Thesis, Inha University, pp. 17-18.
Ng, Andrew. (2013). Machine Learning and AI via Brain simulation, Standford University, Retrieved from http://ai.stanford.edu/-ang/slides/DeepLearning-Mar2013, Mar. 2013.
Micro-Measurements, V. (2007). Strain gage selection: criteria, procedures, recommendations, Tech Note TN-505-6, pp. 4-6
Lee, G. H. (2018). Damage Detection for RC Rahmen Bridge Based on Convolutional Neural Network, Master Thesis, Inha University, pp. 55-56.
Kim, Y. H. (2017). Development and Application of Reliability-based Structural Health Monitoring Algorithm for Existing Bridges, Doctor Thesis, Inha University, pp. 58-59.

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