KR101227776B1

KR101227776B1 - Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법

Info

Publication number: KR101227776B1
Application number: KR1020110092750A
Authority: KR
Inventors: 박효선; 최세운
Original assignee: 연세대학교 산학협력단
Priority date: 2011-09-15
Filing date: 2011-09-15
Publication date: 2013-01-29

Abstract

본 발명에 따른 ANN을 이용한 구조물 변위 예측 방법은 모델 수립용 변형률 데이터 및 변위 데이터를 이용하여 ANN 변위 예측 모델이 수립되는 S10 단계, 변위 예측용 변형률 데이터가 수집되는 S20 단계, 구조물 특성을 반영한 구조해석 모델을 이용하여 S20 단계에서 수집된 변위 예측용 변형률 데이터가 유효한지 검증되는 S30 단계 및 S30 단계에서 유효하다고 검증된 변위 예측용 변형률 데이터가 ANN 변위 예측 모델에 입력되어 구조물 변위가 예측되는 S40 단계를 포함한다.
본 발명은 확보가 용이한 변형률 데이터를 기반으로 구조물의 변위를 예측하는 것으로 구조물 변위를 저비용으로 정확하게 수행할 수 있다는 효과를 갖는다.

Description

ＡＮＮ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ＡＮＮ을 이용한 구조물 변위 예측 방법{DESIGNING METHOD FOR DISPLACEMENT ESTIMATION ON CONSTRUCTION USING ANN AND ESTIMATING METHOD FOR DISPLACEMENT OF CONSTRUCTION}

본 발명은 구조물의 변위를 예측하기 위한 모델 수립 방법 및 이 모델을 이용한 변위 예측 방법에 관한 것이다. 특히 본 발명은 인공신경망 알고리즘을 이용하여 변위 예측 모델을 수립하고, 구조물 부재의 변형률 데이터만을 이용하여 구조물의 변위를 예측하기 위한 방법이다.

건축물 시공 과정에서의 모니터링에서는 주로 시공 중 안전성을 확보하기 위해 주요 부재의 변형률을 계측 및 감시하게 된다. 하지만 고층건물 시공의 증가, 비정형 건축물의 증가에 따라 시공 과정에서의 변위 모니터링의 중요성이 증가하고 있다.

고층건물 시공 분야에서는 건물의 높이가 증가하면서, 현재 건물의 시공 중 측량분야에서 가장 널리 사용되고 있는 광파기를 이용한 기술로는 고층건물의 수직도를 관리하는데 한계가 있어서 현재 시공 중 변위 관리 기술 개발의 필요성이 증대되고 있다. 또한 싱가폴의 마리나 베이 샌즈 호텔, MIT Stata Center의 경우처럼 현재 비정형 건물의 건축은 점차 증가하고 있다. 그러나 이러한 비정형 건물은 정밀시공을 요구한다.

그러나 시공 공정(마감재 공사 등) 특성이나, 계측기 한계(광파기와 같이 vision based sensor 등은 시야가 확보가 되어야 하며, 계측기 설치에 따른 공간 확보가 필요한데 현실적으로 공사 과정에서 이러한 것들이 항상 확보되기는 어렵다.) 때문에 공사 중 어느 시점 이후에는 변위 등을 계측하기가 어려워진다.

또한 건축물의 시공 후 과정에서도 건축물 모니터링이 실시가 된다. 이 단계에서는 크게 구조물의 안전성을 확보하기 위해 주요 부재의 변형률을 계측 및 감시하는 분야와, 구조물의 사용성을 확보하기 위해 주요 위치에서의 변위, 가속도 등을 계측 및 감시하는 분야로 분류할 수 있다. 시공 과정에서 언급한 것처럼, 시공 후 과정에서도 항시 변위를 모니터링하기 위해서는 계측기가 설치되고 유지관리되어야 하는데, 사람이 상주하는 건물 내에서 항상 계측기를 설치 및 관리한다는 것은 현실적으로 어렵다. 또한 주로 변위 계측에 사용되는 광파기, GPS 등은 한대당 몇 천만원 이상이 되는 고가의 장비이기 때문에 임대 혹은 구입 비용 및 유지관리 비용 등과 같이 경제적인 이유 때문에 상시 설치하기가 어렵다.

따라서 건축물의 시공 중, 후 과정에서 구조물의 변위를 예측하여 구조물을 모니터링할 필요가 있다. 종래의 관련된 기술은 구조물의 변형률 내지 변위를 측정하는 기술에 초점이 맞추어져 있었지, 측정된 변형률을 이용하여 구조물의 변위를 예측하는 기법을 제공하지는 못하고 있다.

본 발명에 따른 ANN을 이용한 구조물 변위 예측 모델의 수립 방법 및 NN을 이용한 구조물 변위 예측 방법은 다음과 같은 해결과제를 목적으로 한다.

첫째, 인공신경망(ANN: Artificial Neural Network) 알고리즘을 이용하여 동시에 측정되는 부재의 변형률과 구조물의 변위를 측정하여 ANN 변위 예측 모델을 수립하고자한다.

둘째, 변위 측정이 어려운 시기에도 부재의 변형률을 측정한 값으로 구조물의 변위를 예측하고자한다.

셋째, ANN 모델 수립과정 및 ANN 모델을 이용한 변위 예측 단계에서 오류가 있는 데이터를 배제하는 필터링 단계를 수행하여 정확한 변위 예측을 수행하고자 한다.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명에 따른 ANN을 이용한 구조물 변위 예측 모델의 수립 방법은 동시에 측정된 변형률 데이터 및 변위 데이터가 수집되는 S1 단계, S1 단계에서 수집된 변형률 데이터 및 변위 데이터에서 ANN 모델에 이용할 유효 데이터가 분류되는 S2 단계 및 S2 단계의 유효 데이터를 이용하여 변형률 데이터에 기반한 ANN 변위 예측 모델이 수립되는 S3 단계를 포함한다.

본 발명에 따른 S1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 변위 데이터는 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값인 것을 특징으로 한다.

본 발명에 따른 S2 단계는 S1 단계에서 수집된 데이터에서 ANN 훈련용 데이터와 검증용 데이터가 분류되는 S2-1 단계, S2-1 단계에서 분류된 ANN 훈련용 데이터를 이용하여 ANN 훈련이 수행되는 S2-2 단계, S2-2 단계에서 수행된 ANN 훈련에 따른 변위 예측값과 검증용 데이터를 비교하여 오차율이 산출되는 S2-3 단계 및 S2-3 단계에서 산출된 오차율이 기준 오차값보다 큰 경우, 오차율 산출에 사용된 ANN 훈련용 데이터는 불사용 데이터로 분류되는 S2-4 단계를 포함한다.

본 발명에 따른 S2-2 단계에서 사용되는 ANN 훈련은 입력층, 은닉층 및 출력층을 포함하는 역전파 신경망을 이용하는 것을 특징으로 한다.

본 발명에 따른 S3 단계는 유효 데이터 중 훈련용 변형률 입력값이 ANN 모델에 적용되는 S3-1 단계, S3-1 단계의 ANN 모델에서 도출된 예측값과 훈련용 결과값이 비교되어 오차가 연산되는 S3-2 단계 및 S3-2 단계에서 연산되는 오차가 모델 기준 오차값 보다 큰 경우, ANN 모델을 수정하는 S3-3 단계를 포함하되, 오차가 모델 기준 오차값 이하가 될 때까지 S3-1 단계 내지 S3-3 단계를 반복하는 것을 특징으로 한다.

본 발명에 따른 ANN을 이용한 구조물 변위 예측 방법은 모델 수립용 변형률 데이터 및 변위 데이터를 이용하여 ANN 변위 예측 모델이 수립되는 S10 단계, 변위 예측용 변형률 데이터가 수집되는 S20 단계, 구조물 특성을 반영한 구조해석 모델을 이용하여 S20 단계에서 수집된 변위 예측용 변형률 데이터가 유효한지 검증되는 S30 단계 및 S30 단계에서 유효하다고 검증된 변위 예측용 변형률 데이터가 ANN 변위 예측 모델에 입력되어 구조물 변위가 예측되는 S40 단계를 포함한다.

S30 단계의 구조해석 모델은 유전자 알고리즘(GA)를 이용하여 수립되는 것으로,

와 같은 함수로 구조물 부재의 위치 x에서 변형률이 결정되고, GA는 아래와 같은 식을 만족하는 설계 변수를 찾는 것을 특징으로 한다.

여기서, 예측 변형률은 GA에서 예측되는 변형률이고, E는 탄성계수, A는 단면적, I는 단면 2차 모멘트, N1은 부재 양단에 작용하는 축력, V1은 전단력, M1과 M2는 휨모멘트이다.

S30 단계는 구조해석 모델에 S20 단계에서 수집된 변위 예측용 변형률 데이터를 계측변형률 변수 값으로 설정하여 산출되는 오차 범위값이 기준 값 이하인 경우 유효하다고 판단하는 것을 특징으로 한다.

S10 단계는 동시에 측정된 변형률 데이터 및 변위 데이터가 수집되는 S10-1 단계, S10-1 단계에서 수집된 변형률 데이터 및 변위 데이터에서 ANN 모델에 이용할 유효 데이터가 분류되는 S10-2 단계 및 S10-2 단계의 유효 데이터를 이용하여 변형률 데이터에 기반한 ANN 변위 예측 모델이 수립되는 S10-3 단계를 포함한다.

S10-1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 변위 데이터는 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값인 것을 특징으로 한다.

S10-2 단계는 S10-1 단계에서 수집된 데이터에서 ANN 훈련용 데이터와 검증용 데이터가 분류되는 S10-2-1 단계, S10-2-1 단계에서 분류된 ANN 훈련용 데이터를 이용하여 ANN 훈련이 수행되는 S10-2-2 단계, S10-2-2 단계에서 수행된 ANN 훈련에 따른 변위 예측값과 검증용 데이터를 비교하여 오차율이 산출되는 S10-2-3 단계 및 S10-2-3 단계에서 산출된 오차율이 기준 오차값보다 큰 경우, 오차율 산출에 사용된 ANN 훈련용 데이터는 불사용 데이터로 분류되는 S10-2-4 단계를 포함한다.

S10-2-2 단계에서 사용되는 ANN 훈련은 입력층, 은닉층 및 출력층을 포함하는 역전파 신경망을 이용하는 것을 특징으로 한다.

S30 단계는 유효 데이터 중 훈련용 변형률 입력값이 ANN 모델에 적용되는 S30-1 단계, S30-1 단계의 ANN 모델에서 도출된 예측값과 훈련용 결과값이 비교되어 오차가 연산되는 S30-2 단계 및 S30-2 단계에서 연산되는 오차가 모델 기준 오차값 보다 큰 경우, ANN 모델을 수정하는 S30-3 단계를 포함하되, 오차가 모델 기준 오차값 이하가 될 때까지 S30-1 단계 내지 S30-3 단계를 반복하는 것을 특징으로 한다.

구조물의 안전성 모니터링 분야는 구조물의 붕괴 및 인명 피해를 방지하고자 하는데 목적을 두기 때문에 가장 우선적으로 실시되어야 한다. 구조물 변위를 측정하는 장비는 고가이고, 날씨 등의 환경에 따라 정확한 측정이 어려울 수 있다.

그러나 변형률을 계측하는 계측기의 비용은 비교적 저가이며, 무선 계측을 통해 상시 안전도를 모니터링하는 기술이 적용되고 있으므로, 변형률 데이터를 확보하는 것은 비용이나 기술면에서 용이하다. 본 발명은 확보가 용이한 변형률 데이터를 기반으로 구조물의 변위를 예측하는 것으로 구조물 변위를 저비용으로 정확하게 수행할 수 있다는 효과를 갖는다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명에 따른 ANN을 이용한 구조물 변위 예측 모델의 수립 방법에 대한 개략적인 순서도이다.
도 2(a)는 ANN 모델에 사용되는 뉴런을 도시하고, 도 2(b)는 뉴런의 활성화 함수를 도시한다.
도 3은 본 발명에서 최종 ANN 모델 수립을 위해 유효 데이터를 분류하는 일 실시예를 도시한다.
도 4는 본 발명에서 ANN 모델이 수립되는 S3 단계의 개념을 개략적으로 설명한다.
도 5(a)는 본 발명의 ANN 모델에 사용되는 역전파 ANN 모델을 개략적으로 도시한 것이고, 도 5(b)는 10개의 변형률 입력값을 갖는 입력층, 20개의 뉴런을 갖는 은닉층 및 1개의 최상층 변위에 해당하는 뉴런을 갖는 출력층을 도시한다.
도 6은 본 발명에서 사용한 ,ANN 모델의 오차 정도를 실험한 그래프이다.
도 7은 본 발명에 따른 ANN을 이용한 구조물 변위 예측 방법에 대한 개략적인 순서도이다.
도 8은 본 발명에 따른 구조해석 모델에 대한 설계변수를 설명하는 구조도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.

이하에서는 도면을 참조하면서 ANN을 이용한 구조물 변위 예측 모델의 수립 방법 및 NN을 이용한 구조물 변위 예측 방법에 관하여 구체적으로 설명하겠다.

도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.

도 1은 본 발명에 따른 ANN을 이용한 구조물 변위 예측 모델의 수립 방법에 대한 개략적인 순서도이다.

본 발명의 ANN을 이용한 구조물 변위 예측 모델의 수립 방법은 구조물의 각종 부재에 대한 변형률과 구조물의 관심 영역에 대한 변위가 측정될 수 있는 상황에 설계되는 것이다. 변위를 측정 내지 예측하고 싶은 관심 영역을 구조물의 기준 부위라고 명명한다.

S1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 변위 데이터는 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값이다. 구조물의 대상 부재는 다양한 부위의 부재가 선택될 수 있다. 변위를 측정하고 싶은 기준 부위가 어디인지에 따라 대상 부재의 위치 등이 달라질 수 있다.

한편 변형률 측정은 해당 분야에서 사용하고 있는 각종 계측 장치, 센서, 카메라 등을 통해 측정이 가능하다. 구조물의 변위는 LVDT, 경사계 등과 같은 접촉 타입 센서와 GPS, 카메라, 레이저 스캐너 등과 같은 비접촉 타입 센서를 이용한 방법 등을 사용하여 측정이 가능하다.

본 발명에서는 ANN(인공신경망) 기법을 이용하여 구조물 변위 예측 모델을 설계한다.

ANN은 패턴인식, 분류, 구조설계 등 여러 분야에서 활용되고 있지만, 특히 불완전하고 노이즈가 포함된 데이터를 가진 시스템의 특성을 파악하거나, 입력값과 결과값 간의 관계식을 구하고자 하는 경우에 유용하게 사용된다 (Park and Adeli, 1995; Adeli and Park, 1995; Berrais, 1999; Adeli, 2001). ANN은 인간의 뇌를 기반으로 한 수학 모델이다. 인간의 뇌는 뉴런이라는 신경 세포가 서로 조밀하게 연결되어 있으며, 여러 개의 뉴런을 동시에 사용함으로써 빠른 계산과 판단을 수행한다.

도 2(a)는 ANN 모델에 사용되는 뉴런을 도시하고, 도 2(b)는 뉴런의 활성화 함수를 도시한다. ANN 역시 도 2(a)와 같은 뉴런을 기본적인 프로세서로 사용하며 여러 뉴런의 조합을 통해 이루어진다. 여기서 p, w, b, a는 각각 입력값, 입력값에 대한 가중치, bias, 출력값을 의미하다. 한편 f는 도 2(b)와 같은 활성화 함수를 의미한다. 하나의 뉴런은 여러 입력값을 받을 수 있지만, 출력값은 단 하나만 만든다. 따라서 다수의 출력값이 있거나, ANN 모델의 정확도를 높이기 위해서는 다수의 뉴런을 사용할 수 있다. 기본적으로 ANN은 입력값을 전달하는 입력층, 계산 뉴런들로 이루어진 하나 이상의 은닉층, 계산 뉴런으로 이루어진 출력층으로 이루어져 있다(Hagan et al., 1996).

그러나 ANN은 그 특성상 훈련에 사용되는 데이터의 정확도(유효성, 에러 정도)에 따라 정확도가 달라진다. 즉 오차가 많이 포함된 훈련용 데이터를 사용하게 되면 정확한 ANN을 얻기가 어렵다. 따라서 본 발명은 S2단계와 같은 수집된 데이터를 필터링하는 단계를 포함한다. 이러한 필터링을 통해 계측된 변형률 및 변위 데이터 중에서 오차(계측기 및 통신 과정 등에서 발생)가 작은 양질의 데이터를 분류하여 얻을 수 있다.

S2 단계는 S1 단계에서 수집된 데이터에서 ANN 훈련용 데이터와 검증용 데이터가 분류되는 S2-1 단계, S2-1 단계에서 분류된 ANN 훈련용 데이터를 이용하여 ANN 훈련이 수행되는 S2-2 단계, S2-2 단계에서 수행된 ANN 훈련에 따른 변위 예측값과 검증용 데이터를 비교하여 오차율이 산출되는 S2-3 단계 및 S2-3 단계에서 산출된 오차율이 기준 오차값보다 큰 경우, 오차율 산출에 사용된 ANN 훈련용 데이터는 불사용 데이터로 분류되는 S2-4 단계를 포함한다.

도 3은 본 발명에서 최종 ANN 모델 수립을 위해 유효 데이터를 분류하는 일 실시예를 도시한다.

S2 단계의 구체적인 방법에 대한 예시는 도 3과 같다. 총 100개의 변위 및 변형율 데이터를 수집하였다고 가정하고, 여기서 일정한 양의 데이터(예 12개)를 분리하고, 다시 훈련용 데이터(예 10개)와 검증용 데이터(예 2개)를 분류한다. 이렇게 분류된 훈련용 데이터를 ANN에 적용하여 ANN을 생성하고 이렇게 얻은 ANN에 검증용 데이터를 적용하여 검증용 데이터의 오차율을 아래의 식(1)과 같이 계산한다. 이렇게 계산된 오차율이 시공오차 및 계측기의 정밀도 등을 고려하여 설정한 오차한계값인 모델 기준 오차값 보다 크면 부정확한 계측데이터라고 간주한다. 수집된 모든 데이터가 1번씩은 검증할 수 있도록 동일한 과정을 반복한다.

도 4는 본 발명에서 ANN 모델이 수립되는 S3 단계의 개념을 개략적으로 설명한다. ANN 모델은 훈련을 통하여 모델이 정립되는 것이다. 상기 측정된 오차값이 모델 기준 오차값 보다 크면 ANN 모델을 수정한다. 측정된 오차값이 모델 기준 오차값 이하가 될 때까지 ANN 수정을 반복하는 것이다.

도 5(a)는 본 발명의 ANN 모델에 사용되는 역전파 ANN 모델을 개략적으로 도시한 것이고, 도 5(b)는 10개의 변형률 입력값을 갖는 입력층, 20개의 뉴런을 갖는 은닉층 및 1개의 최상층 변위에 해당하는 뉴런을 갖는 출력층을 도시한다.

ANN은 각 뉴런의 기능, 망의 구조, 데이터에 따른 적용 알고리즘에 의해 여러 가지로 구분되지만, 그 중에 가장 널리 사용되는 모델은 그림 5(a)와 같은 역전파 신경망이다. 역전파 신경망이란 ANN의 훈련에 사용되는 기술 중의 하나로써, 출력값과 목표값 간의 오차 정보를 역으로 전달하여 은닉층 내의 가중치 정보를 수정하는 절차를 반복한다. 출력값과 목표값 간의 오차가 지정된 범위 이내로 수렴되면 학습을 종료하게 된다. 본 발명에서도 역전파 알고리즘을 이용한다.

본 발명에 대한 실험을 위해 구조물에 대한 실험을 수행하였다. 실험에서 사용한 변형률값은 5층마다 전단벽 하부의 변형률을 사용하였다. 이에 따라 각 경우에 대한 입력값과 출력값은 총 10개의 변형률값과 최상층의 횡변위값으로 설정하였다. 본 연구에서 사용한 ANN은 그림 5(b)와 같이 입력층은 10개의 입력값을 사용하며, 은닉층은 20개의 뉴런을 사용하며, 출력층은 최상층 변위에 해당하는 1개의 뉴런만 사용하였다. 총 200개의 set 중에서 170개, 30개의 set이 각각 ANN의 훈련과 검증에 사용하였다. 도 6에 각 테스트의 오차를 나타내었다. 도 6에 나타난 것처럼 본 연구에서 제안한 ANN 변위 예측 모델은 1.2mm 이하의 오차 범위 내에서 상대적으로 정확한 변위를 예측할 수 있음을 확인하였다.

도 7은 본 발명에 따른 ANN을 이용한 구조물 변위 예측 방법에 대한 개략적인 순서도이다. 이하 설명한 ANN을 이용한 구조물 변위 예측 방법은 전술한 ANN을 이용한 구조물 변위 예측 모델을 이용한 것이다. ANN 구조물 변위 예측 모델은 구조물 특정 부재의 변형률과 기준 부위의 변위를 측정하여 수립한 것이다.

전술한 바와 같이, 본 발명의 본래 취지는 변위를 측정할 수 없을 때 등을 대비하여 부재의 변형률만으로 구조물의 변위를 예측하기 위한 것이다.

S10 단계는 전술한 ANN을 이용한 구조물 변위 예측 모델의 수립 방법에 따라 수립되는 것이다. 이제 변형률 데이터만이 S20 단계를 통해 수집된다. 이 변형률 데이터를 예측용 변형률 데이터라고 명명한다.

S30 단계에서는 S20 단계에서 수집된 예측용 변형률 데이터가 유효한지 여부를 검증한다. 전술한 바와 같이, 입력되는 변형률 데이터는 여러 가지 요인에 의해 부정확한 오류를 가질 수 있기 때문이다. 따라서 변위 예측을 위한 예측용 변형률 데이터가 유효한지 검증할 필요가 있다.

이 검증을 위해 본 발명에서는 구조해석 모델을 수립하여 데이터의 오차여부를 검증한다.

구조해석 모델은 S10 단계, 즉 전술한 ANN을 이용한 구조물 변위 예측 모델의 수립 방법 단계 중 S2 단계에서 분류한 유효한 데이터를 이용하여 설계된다.

S2 단계에서 분류한 유효한 데이터를 이용하여 구조물의 주요 부재(들)에 구조해석 모델을 획득한다. 여기서 주요 부재(들)는 엔지니어의 판단에 따라 선택할 수 있다. 단, 선택된 주요 부재(들)는 다수의 변형률 센서가 설치가 되어 있어서 이후 시스템 식별과정에서 계측된 변형률값 및 분포를 이용할 수 있어야 한다. 새롭게 구조해석 모델을 생성하는 이유는 앞서 언급한 것처럼 계측되는 데이터는 확률은 낮지만 큰 오차를 가진 데이터가 있을 수 있기 때문에 그러한 데이터를 분류하기 위해서 본 발명에서는 시스템 식별을 통한 구조해석 모델을 새롭게 생성한다.

구조해석 모델을 획득하기 위해서는 해당 부재(들)의 실제 구조특성(재료물성치 탄성계수 E, 단면성능: 면적 A, 단면2차모멘트 I 등)을 알아야 한다. 본 발명에서는 이러한 값을 얻기 위해 유전자 알고리즘(Genetic Algorithm, GA)를 이용한 시스템 식별을 사용한다. 본 발명에서 사용하는 GA의 설계변수는 구조특성을 나타내는 탄성계수(E), 단면적(A), 단면2차모멘트(I)와 부재 양단에 작용하는 미지의 축력(N1), 전단력(V1), 휨모멘트(M1, M2) 등 부재 당 총 7개이다. 그리고 구조해석에 필요한 부재의 길이는 실측을 할 수 있으므로 알 수 있는 상수라 가정한다. 본 발명에서 사용하는 GA를 이용한 시스템 식별 과정에서 사용하는 부재의 설계변수 및 상수는 도 8과 같다. 여기서 구조특성을 나타내는 설계변수, E. A, I는 설계도면 및 재료실험 등을 통해 처음부터 실제값과 비슷한 값을 추정할 수 있으므로, 고려하는 경우의 수를 줄일 수 있다.

도 8에 표시한 계측변형률 1, 2, 3은 해당 부재에 변형률 계측기 설치된 위치를 표시한 것으로써 위치 및 개수는 경우에 따라 달라질 수 있다. 즉, 본 그림은 설명을 위해 예시한 것에 불과하다.

위치 x에서의 변형률은 아래의 식 (2)와 같은 함수식에 의해서 결정된다. 즉, 해당 부재의 부재 특성 E, A, I와 해당 부재에 작용하는 축력(N1), 전단력(V1), 휨모멘트(M1, M2)에 의해서 결정된다.

본 발명에서는 변형률계를 통해 특정 위치 x에서의 변형률은 구할 수 있다고 가정한다. 여기서 위치 x는 계측기가 설치된 위치로써 실측에 의해서 구할 수 있다. 한편 GA에 의해 랜덤하게 가정되는 설계변수값이

이라 하면, 이에 의해서 예측되는 변형률값은 아래의 식 (3)과 같이 구할 수 할 수 있다.

본 발명에서는 아래의식 (4)와 같이 예측변형률과 계측변형률의 차이의 합이 최소가 되도록 하는 설계변수 E, A, I, N1, V1, M1, M2의 값을 찾도록 하였다. 이를 통해 구조특성치 E, A, I 값을 정의하고, 구조해석 모델을 완성한다. 여기서 n은 해당 부재에 설치된 변형률계의 개수이다.

이후 건축공정상의 이유 혹은 경제적 이유로 인해 변위를 실시간으로 계측할 수 없게 되었을 때, 단계 S20과 같이 변형률 데이터를 획득하고, 이를 S30 단계에서 적용한 방법과 동일한 방법을 적용한다. 단지 차이는 구조물성치 E, A, I 값은 S30 단계에서 구한 값으로 고정시킨다. 즉 작용하는 하중만 설계변수로 설정하여 식 (4)의 값이 최소가 되는 하중값을 찾는다. 그리고 이값을 식 (4)에 다시 대입하여 오차의 합을 구하고 계측기의 정밀도 등을 이용해 설정하는 오차 범위 이내 여부를 판단하여 만족하지 않으면 다른 데이터를 획득하고 동일 과정을 반복한다. 만족되는 데이터를 얻으면 S10에 획득한 ANN에 대입하여 변위값을 예측한다.

즉, S30 단계는 구조해석 모델에 S20 단계에서 수집된 변위 예측용 변형률 데이터를 계측변형률 변수 값으로 설정하여 산출되는 오차 범위값이 기준 값 이하인 경우 유효하다고 판단한다. 이 유효한 데이터를 ANN에 대입하여 구조물의 변위를 예측한다.

S10 단계는 전술한 ANN을 이용한 구조물 변위 예측 모델의 수립 방법과 동일하므로 간략하게 설명한다.

S10-1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 변위 데이터는 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값이다.

S30 단계는 유효 데이터 중 훈련용 변형률 입력값이 ANN 모델에 적용되는 S30-1 단계, S30-1 단계의 ANN 모델에서 도출된 예측값과 훈련용 결과값이 비교되어 오차가 연산되는 S30-2 단계 및 S30-2 단계에서 연산되는 오차가 모델 기준 오차값 보다 큰 경우, ANN 모델을 수정하는 S30-3 단계를 포함하되, 오차가 모델 기준 오차값 이하가 될 때까지 S30-1 단계 내지 S30-3 단계를 반복한다.

본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims

동시에 측정된 변형률 데이터 및 변위 데이터가 수집되는 S1 단계;
상기 S1 단계에서 수집된 변형률 데이터 및 변위 데이터에서 ANN 모델에 이용할 유효 데이터가 분류되는 S2 단계; 및
상기 S2 단계의 유효 데이터를 이용하여 변형률 데이터에 기반한 ANN 변위 예측 모델이 수립되는 S3 단계를 포함하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 모델의 수립 방법.
제1항에 있어서,
상기 S1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 상기 변위 데이터는 상기 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값인 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 모델의 수립 방법.
제1항에 있어서,
상기 S2 단계는
상기 S1 단계에서 수집된 데이터에서 ANN 훈련용 데이터와 검증용 데이터가 분류되는 S2-1 단계;
상기 S2-1 단계에서 분류된 ANN 훈련용 데이터를 이용하여 ANN 훈련이 수행되는 S2-2 단계;
상기 S2-2 단계에서 수행된 ANN 훈련에 따른 변위 예측값과 상기 검증용 데이터를 비교하여 오차율이 산출되는 S2-3 단계; 및
상기 S2-3 단계에서 산출된 오차율이 기준 오차값보다 큰 경우, 상기 오차율 산출에 사용된 ANN 훈련용 데이터는 불사용 데이터로 분류되는 S2-4 단계를 포함하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 모델의 수립 방법.
제3항에 있어서,
상기 S2-2 단계에서 사용되는 ANN 훈련은 입력층, 은닉층 및 출력층을 포함하는 역전파 신경망을 이용하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 모델의 수립 방법.
제1항에 있어서,
상기 S3 단계는
상기 유효 데이터 중 훈련용 변형률 입력값이 ANN 모델에 적용되는 S3-1 단계;
상기 S3-1 단계의 ANN 모델에서 도출된 예측값과 훈련용 결과값이 비교되어 오차가 연산되는 S3-2 단계; 및
상기 S3-2 단계에서 연산되는 오차가 모델 기준 오차값 보다 큰 경우, ANN 모델을 수정하는 S3-3 단계를 포함하되,
상기 오차가 모델 기준 오차값 이하가 될 때까지 상기 S3-1 단계 내지 S3-3 단계를 반복하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 모델의 수립 방법.
모델 수립용 변형률 데이터 및 변위 데이터를 이용하여 ANN 변위 예측 모델이 수립되는 S10 단계;
변위 예측용 변형률 데이터가 수집되는 S20 단계;
구조물 특성을 반영한 구조해석 모델을 이용하여 상기 S20 단계에서 수집된 변위 예측용 변형률 데이터가 유효한지 검증되는 S30 단계; 및
상기 S30 단계에서 유효하다고 검증된 변위 예측용 변형률 데이터가 상기 ANN 변위 예측 모델에 입력되어 구조물 변위가 예측되는 S40 단계를 포함하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제6항에 있어서,
상기 S30 단계의 구조해석 모델은 유전자 알고리즘(GA)를 이용하여 수립되는 것으로,
와 같은 함수로 구조물 부재의 위치 x에서 변형률이 결정되고, GA는 아래와 같은 식을 만족하는 설계 변수를 찾는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.

(여기서, 예측 변형률은 GA에서 예측되는 변형률이고, E는 탄성계수, A는 단면적, I는 단면 2차 모멘트, N1은 부재 양단에 작용하는 축력, V1은 전단력, M1과 M2는 휨모멘트임)
제7항에 있어서,
상기 S30 단계는
상기 구조해석 모델에 상기 S20 단계에서 수집된 변위 예측용 변형률 데이터를 계측변형률 변수 값으로 설정하여 산출되는 오차 범위값이 기준 값 이하인 경우 유효하다고 판단하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제6항에 있어서,
상기 S10 단계는
동시에 측정된 변형률 데이터 및 변위 데이터가 수집되는 S10-1 단계;
상기 S10-1 단계에서 수집된 변형률 데이터 및 변위 데이터에서 ANN 모델에 이용할 유효 데이터가 분류되는 S10-2 단계; 및
상기 S10-2 단계의 유효 데이터를 이용하여 변형률 데이터에 기반한 ANN 변위 예측 모델이 수립되는 S10-3 단계를 포함하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제9항에 있어서,
상기 S10-1 단계에서 수집되는 변형률 데이터는 구조물의 대상 부재에 대한 변형을 측정값이고, 상기 변위 데이터는 상기 변형률이 측정된 시기에 구조물의 기준 부위에 대한 변위 측정값인 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제9항에 있어서,
상기 S10-2 단계는
상기 S10-1 단계에서 수집된 데이터에서 ANN 훈련용 데이터와 검증용 데이터가 분류되는 S10-2-1 단계;
상기 S10-2-1 단계에서 분류된 ANN 훈련용 데이터를 이용하여 ANN 훈련이 수행되는 S10-2-2 단계;
상기 S10-2-2 단계에서 수행된 ANN 훈련에 따른 변위 예측값과 상기 검증용 데이터를 비교하여 오차율이 산출되는 S10-2-3 단계; 및
상기 S10-2-3 단계에서 산출된 오차율이 기준 오차값보다 큰 경우, 상기 오차율 산출에 사용된 ANN 훈련용 데이터는 불사용 데이터로 분류되는 S10-2-4 단계를 포함하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제11항에 있어서,
상기 S10-2-2 단계에서 사용되는 ANN 훈련은 입력층, 은닉층 및 출력층을 포함하는 역전파 신경망을 이용하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.
제9항에 있어서,
상기 S30 단계는
상기 유효 데이터 중 훈련용 변형률 입력값이 ANN 모델에 적용되는 S30-1 단계;
상기 S30-1 단계의 ANN 모델에서 도출된 예측값과 훈련용 결과값이 비교되어 오차가 연산되는 S30-2 단계; 및
상기 S30-2 단계에서 연산되는 오차가 모델 기준 오차값 보다 큰 경우, ANN 모델을 수정하는 S30-3 단계를 포함하되,
상기 오차가 모델 기준 오차값 이하가 될 때까지 상기 S30-1 단계 내지 S30-3 단계를 반복하는 것을 특징으로 하는 ANN을 이용한 구조물 변위 예측 방법.