[논문]인공신경망을 이용한 RC Mock-up 구조물의 단계별 손상탐지

권흥주; 김지영; 유은종

문제 정의

3 단계별 손상탐지 계측 데이터 모드형상의 경우 고유진동수에 비해 값의 정확성이 떨어진다. 따라서 고유진동수와 모드형상을 동시에 사용할 경우 손상탐지의 정확성이 떨어졌고 이를 개선하기 위해 단계별로 동특성을 나누어 사용하여 손상탐지의 정확성을 높이려 하였다. 또한 정규화 과정에서 생기는 차이를 줄이기 위하여 최상층의 부호를 양으로 맞추어 주었다.
하지만 상세한 손상탐지 위치를 위해 많은 수의 부재의 강성을 변수로 선택하여 손상탐지를 시도할 경우 정확도가 떨어져 실제 손상위치와 완전히 동떨어진 결과를 나타내는 경우가 많다. 따라서 본 연구에서는 정확도를 개선하고자 하였다. 즉, 부재의 강성을 작은 수의 그룹으로 나누어 손상탐지를 실시하고 그 다음 단계에서는 이전 단계에서 손상이 있을 것이라고 추정되는 그룹 내의 부재들만을 대상으로 다시 소그룹으로 나누어 손상을 탐지하였다.

가설 설정

3.3 단계별 손상탐지 계측 데이터 모드형상의 경우 고유진동수에 비해 값의 정확성이 떨어진다. 따라서 고유진동수와 모드형상을 동시에 사용할 경우 손상탐지의 정확성이 떨어졌고 이를 개선하기 위해 단계별로 동특성을 나누어 사용하여 손상탐지의 정확성을 높이려 하였다.

제안 방법

본 연구에 사용된 구조물은 실제 구조물의 2/3정도 크기의 3층 3x1 경간의 RC Mock-up 구조물이다. 구조물의 손상은 미리 설치된 가새를 제거함으로써 모사하였고, 각 케이스별로 가진 실험을 통하여 구조물의 가속도 응답을 취득한 후 시스템 식별 기법을 통하여 구조물의 동특성을 산정하였다. 모든 가새가 설치된 경우 동특성과 최대한 가까운 동특성을 나타내는 해석모델을 먼저 구한 후 이를 사용하여 인공신경망 학습 데이터를 만들어 인공신경망을 이용하여 학습시킴으로서 손상탐지를 수행하도록 하였다.
따라서 각 동특성의 영향을 균등하게 하기위해 고유진동수는 손상되지 않은 case의 고유진동수로 정규화하였으며 모드형상은 해석프로그램을 사용하여 구한 모드형상과 실측을 이용한 모드형상의 norm 차이를 고려하여 각 층의 자유도를 최상층 자유도로 나누어 사용하였다. 그리고 그림 1과 같이 대상 구조물을 6개의 그룹으로 분할하고 각각의 그룹에 대한 강성을 임의로 변경해 가며 동특성 해석을 실시하여 200개의 동특성-강성변화율 학습데이터를 생성하였다.
정확한 손상추정을 위해 필요한 학습데이터를 생성하기 위해서는 우선 실제 구조물의 응답과 비슷한 응답을 가지는 기본해석모델(Baseline model)이 필요하다. 기본해석모델은 손상이 없는 case 1의 응답을 기준으로 요소 분할, 탄성계수의 수정, 슬래브 다이어프램 등의 해석옵션을 변화시키면서 계측치와 가장 유사한 동특성을 나타내는 기본해석모델을 만들었다.
기존 손상탐지는 y병진방향 1, 2차 고유진동수와 z회전방향 1, 2차 고유진동수 y, z방향 1차 모드형상을 사용하여 실시하였고 결과는 표 2와 같다. 대부분의 경우 제거된 그룹을 유사하게 찾지만 case 9번의 경우 제대로 찾지 못하고 있다.
동특성 값을 그대로 사용할 경우 값 크기의 차이에 의해 모드형상 데이터의 영향이 미비하여 손상탐지가 어려웠다. 따라서 각 동특성의 영향을 균등하게 하기위해 고유진동수는 손상되지 않은 case의 고유진동수로 정규화하였으며 모드형상은 해석프로그램을 사용하여 구한 모드형상과 실측을 이용한 모드형상의 norm 차이를 고려하여 각 층의 자유도를 최상층 자유도로 나누어 사용하였다. 그리고 그림 1과 같이 대상 구조물을 6개의 그룹으로 분할하고 각각의 그룹에 대한 강성을 임의로 변경해 가며 동특성 해석을 실시하여 200개의 동특성-강성변화율 학습데이터를 생성하였다.
가새의 손상을 효과적으로 탐지하기위해 적절한 모드 선정이 필요하다. 따라서 단변방향 진동을 나타내는 y병진방향 모드와 z회전방향 모드를 사용하여 손상탐지를 실시하였다. 동특성 값을 그대로 사용할 경우 값 크기의 차이에 의해 모드형상 데이터의 영향이 미비하여 손상탐지가 어려웠다.
따라서 고유진동수와 모드형상을 동시에 사용할 경우 손상탐지의 정확성이 떨어졌고 이를 개선하기 위해 단계별로 동특성을 나누어 사용하여 손상탐지의 정확성을 높이려 하였다. 또한 정규화 과정에서 생기는 차이를 줄이기 위하여 최상층의 부호를 양으로 맞추어 주었다. 첫 번째 단계에서 고유진동수(y1, y2, z1, z2)를 이용하여 층별 손상탐지를 실시하였고, 두 번째 단계에서 모드형상(cz1)을 이용한 방향별 손상탐지를 실시하였다.
구조물의 손상은 미리 설치된 가새를 제거함으로써 모사하였고, 각 케이스별로 가진 실험을 통하여 구조물의 가속도 응답을 취득한 후 시스템 식별 기법을 통하여 구조물의 동특성을 산정하였다. 모든 가새가 설치된 경우 동특성과 최대한 가까운 동특성을 나타내는 해석모델을 먼저 구한 후 이를 사용하여 인공신경망 학습 데이터를 만들어 인공신경망을 이용하여 학습시킴으로서 손상탐지를 수행하도록 하였다. 손상탐지에서는 구조물의 각 부재는 6개로 그룹화하여 이들 중 어느 그룹에서 손상이 발생하였는지만 탐지하도록 하였다.
손상탐지결과의 정확도 향상을 위해 단계적으로 인경신경망을 이용하는 손상탐지를 실시하였다. 정확한 손상탐지를 위해 인공신경망 학습데이터를 손상에 따른 값의 차이가 드러나도록 데이터를 가공하였다.
모든 가새가 설치된 경우 동특성과 최대한 가까운 동특성을 나타내는 해석모델을 먼저 구한 후 이를 사용하여 인공신경망 학습 데이터를 만들어 인공신경망을 이용하여 학습시킴으로서 손상탐지를 수행하도록 하였다. 손상탐지에서는 구조물의 각 부재는 6개로 그룹화하여 이들 중 어느 그룹에서 손상이 발생하였는지만 탐지하도록 하였다.
이와 유사하게 구조물에 임의의 손상을 가정하고 이에 따른 고유특성을 분석하여 인공신경망을 학습시킨 뒤, 실제 구조물의 고유특성을 학습된 인공신경망에 입력하면 즉각적으로 손상의 위치와 정도를 파악할 수 있게 된다. 이번 연구에서는 Radial Basis Neural Network(RBNN)를 사용하여 구조물의 손상탐지 알고리즘을 구축하였다. RBNN은 Back-propagation 등의 기존 인공신경망 기법과 달리 많은 변수에 대해서도 보다 안정적인 학습과 결과도출이 가능한 것으로 알려져 있다.
손상탐지결과의 정확도 향상을 위해 단계적으로 인경신경망을 이용하는 손상탐지를 실시하였다. 정확한 손상탐지를 위해 인공신경망 학습데이터를 손상에 따른 값의 차이가 드러나도록 데이터를 가공하였다. 손상 위치는 비교적 정확하게 추정하였으나 한 개의 그룹이 손상되었을 경우에는 손상위치를 정확히 찾았지만 두 개 이상의 그룹이 손상되었을 경우에는 손상위치를 판단하는데 정확성이 떨어졌다.
따라서 본 연구에서는 정확도를 개선하고자 하였다. 즉, 부재의 강성을 작은 수의 그룹으로 나누어 손상탐지를 실시하고 그 다음 단계에서는 이전 단계에서 손상이 있을 것이라고 추정되는 그룹 내의 부재들만을 대상으로 다시 소그룹으로 나누어 손상을 탐지하였다.
또한 정규화 과정에서 생기는 차이를 줄이기 위하여 최상층의 부호를 양으로 맞추어 주었다. 첫 번째 단계에서 고유진동수(y1, y2, z1, z2)를 이용하여 층별 손상탐지를 실시하였고, 두 번째 단계에서 모드형상(cz1)을 이용한 방향별 손상탐지를 실시하였다. 단계별 손상탐지 결과는 표 4와 같다.
손상모사를 위해 설치와 해체가 가능한 가새를 그림 1와 같이 층마다 4개씩 총 12개가 설치하였다. 표 1과 같이 모든 가새가 설치된 원구조물 및 서로 다르게 가새를 제거시킨 8개의 손상케이스에 대하여 가진 실험을 실시하였다. 가진기는 최상층에 그림 2과 같이 2대가 평행하게 설치되었으며 가속도계는 층마다 3개씩 그리고 입력데이터를 위해 가진기에 1개, 총 10개가 설치되었다.

대상 데이터

12m이다. 각 평면은 가로 6m, 세로 4m의 3 x 1 경간의 직사각형 평면을 가지고 있으며 콘크리트의 설계강도는 24MPa, 철근은 SD40을 사용하였다. 대상 구조물은 일반적인 RC구조물의 2/3 크기로 축소하여 제작되었다.
각 평면은 가로 6m, 세로 4m의 3 x 1 경간의 직사각형 평면을 가지고 있으며 콘크리트의 설계강도는 24MPa, 철근은 SD40을 사용하였다. 대상 구조물은 일반적인 RC구조물의 2/3 크기로 축소하여 제작되었다.
본 연구에 사용된 구조물은 실제 구조물의 2/3정도 크기의 3층 3x1 경간의 RC Mock-up 구조물이다. 구조물의 손상은 미리 설치된 가새를 제거함으로써 모사하였고, 각 케이스별로 가진 실험을 통하여 구조물의 가속도 응답을 취득한 후 시스템 식별 기법을 통하여 구조물의 동특성을 산정하였다.
본 연구에 사용된 인공신경망 학습데이터는 유한요소해석프로그램인 SAP2000(Computers and Structures, 2006)을 사용하여 생성하였다. 정확한 손상추정을 위해 필요한 학습데이터를 생성하기 위해서는 우선 실제 구조물의 응답과 비슷한 응답을 가지는 기본해석모델(Baseline model)이 필요하다.
손상모사를 위해 설치와 해체가 가능한 가새를 그림 1와 같이 층마다 4개씩 총 12개가 설치하였다. 표 1과 같이 모든 가새가 설치된 원구조물 및 서로 다르게 가새를 제거시킨 8개의 손상케이스에 대하여 가진 실험을 실시하였다.
연구에 사용된 대상건물의 각 층의 높이는 2m, 전체 높이는 7m 이며, 보와 기둥의 단면은 각각 0.2 x 0.3m, 0.3 x 0.3m이고 슬래브의 두께는 0.12m이다. 각 평면은 가로 6m, 세로 4m의 3 x 1 경간의 직사각형 평면을 가지고 있으며 콘크리트의 설계강도는 24MPa, 철근은 SD40을 사용하였다.

데이터처리

대부분의 경우 제거된 그룹을 유사하게 찾지만 case 9번의 경우 제대로 찾지 못하고 있다. 해석 프로그램을 이용하여 학습데이터 변화를 관찰하였고 결과는 표 3에 정리하였다. 고유진동수의 경우 손상 층이 변하면서 값도 달라진다.

이론/모형

가진기는 최상층에 그림 2과 같이 2대가 평행하게 설치되었으며 가속도계는 층마다 3개씩 그리고 입력데이터를 위해 가진기에 1개, 총 10개가 설치되었다. 가진실험을 통하여 취득한 구조물의 응답은 시간영역 구조물 식별기법인 N4SID(State Space Subspace System Identification)를 사용하여 동특성(고유진동수, 모드형상 등)을 구하였다. 각 case별 고유진동수는 표 1에 나타내어 있으며 'x' 표기의 경우 x방향 병진운동을, ‘y'는 y방향 병진운동, ’z'는 z방향 회전운동을 뜻한다.

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

인공신경망을 이용한 RC Mock-up 구조물의 단계별 손상탐지
Staged Damage Detection of a RC Mock-up Structure by Artificial Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망을 이용한 RC Mock-up 구조물의 단계별 손상탐지 Staged Damage Detection of a RC Mock-up Structure by Artificial Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망을 이용한 RC Mock-up 구조물의 단계별 손상탐지
Staged Damage Detection of a RC Mock-up Structure by Artificial Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper