KR101627771B1 - 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법 - Google Patents

Abstract

본 발명은 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법에 있어서, 상기 방법은 석션 케이슨 시스템의 부하용량 데이터를 수집하는 제1단계, 입력/출력 데이터의 상관계수를 계산하기 위한 제2단계, 상기 부하용량 데이터 압축 및 노이즈 제거를 위한 데이터 전처리기법을 적용하는 제3단계, 상기 제3단계가 적용된 데이터의 밀도를 기반으로 클러스터 센터를 결정하는 제4단계, 가중 최소 제곱 알고리즘을 이용하여 후건부 매개 파라미터를 최적화하는 제5단계, 에러값이 허용 에러 값보다 큰 경우 상기 제4단계로 돌아가고, 작은 경우 다음단계를 진행하는 제6단계, 모델의 유효성을 테스트하는 제7단계를 포함하는 데이터 지향 모델링 방법에 대한 것이다.

Description

석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법{A Method of Data-driven modeling for predicting uplifting forces of suction caisson anchors}

본 발명은 석션 케이슨 앵커의 부상력을 예측하기 위한 데이터 지향 모델링 방법에 대한 것으로 상기 방법은 석션 케이슨 시스템의 부하용량 데이터를 수집하는 제1단계, 입력/출력 데이터의 상관계수를 계산하기 위한 제2단계, 상기 부하용량 데이터의 압축 및 노이즈 제거를 위한 데이터 전처리기법을 적용하는 제3단계, 상기 제3단계가 적용된 데이터의 밀도를 기반으로 클러스터 센터를 결정하는 제4단계, 가중 최소 제곱 알고리즘을 이용하여 후건부 매개 파라미터를 최적화하는 제5단계, 에러값이 허용 에러 값보다 큰 경우 상기 제4단계로 돌아가고, 작은 경우 다음단계를 진행하는 제6단계, 모델의 유효성을 테스트하는 제7단계를 포함하는 데이터 지향 모델링 방법에 대한 것이다.

기후변화협약에 의한 오실가스 감축을 위한 환경적 요구와 유가 불안 시대의 에너지 확보 요구로 인해 신재생 에너지 개발에 관한 기술은 세계적으로 중요한 기술로 대두되었다. 이중 해상 풍력 에너지는 여러 신재생 에너지 기술 중 가장 촉망 받는 에너지원의 하나이며, 이에 따라 최근에는 얕은 해양에서의 해상 풍력 구조물뿐만 아니라 심해에서의 부유식 풍력발전장치와 이의 기반시실에 대한 연구도 활발하다. 부유식 풍력발전장치는 해상의 혹독한 기후 및 하중 하에 노출되어 있으며, 앵커의 인발력을 포함한 풍력 발전기 구조물 안정성의 합리적인 해석은 에너지 기반시설의 방재를 위해 필수적인 요소이다.

석션 케이슨은 심해의 부유체에 적용될 수 있는 앵커 기술로서 세계적 석유시추 플랜트 개발과 관련해 가장 널리 시공되고 있는 방법 중 하나이다. 석션 케이슨은 자중에 의하여 해상저면에 관입되고, 펌프를 이용하여 케이슨 내부의 압력을 외부의 압력보다 낮게 만드는 방법으로 최종관입 깊이까지 시공을 완료한다. 그러나 석션 케이스 앵커를 위한 효율적 분석모델의 개발은 쉽지가 않다. 왜냐하면, 풍하중(wind load), 조류(ocean waves), 토질(soil characteristics)과 다른 요소들간의 불확실성이 존재하기 때문이다.

이러한 문제점을 해결하기 위해 신경망 네트워크(Neural Network)를 이용하는데 이는 많은 양의 데이터에 복잡한 특징을 모델링하는데 널리 사용되고 있는 모델링 방법의 하나이다. 석션 케이슨 앵커의 부상력을 예측하기 위해 기존에 오차역전파법(backpropagation) 뉴럴 네트워크를 이용한 사례가 있으나 이는 이론상으로 만족할 만한 결과를 갖지만, 실제 현장의 기술자의 관점을 반영하지 못한 문제점이 있다.

본 발명의 배경기술은 대한민국 특허청에 등록특허공보 10-1354595호가 2014.01.16자로 개시되어 있다.

상술한 문제점을 해결하기 위해 안출된 본 발명의 과제는, 얕은 해양에서의 해상 풍력 구조물을 위한 석션 케이슨 앵커의 인발력을 예측하기 위해 차감 클러스터링 알고리즘, 가중최소제곱 알고리즘을 적용한 퍼지모델의 데이터 지향 모델링 방법을 제공하는 것이다.

본 발명의 일실시 예에 따른 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법에 있어서, 상기 방법은 석션 케이슨 시스템의 부하용량 데이터를 수집하는 제1단계, 입력/출력 데이터의 상관계수를 계산하기 위한 제2단계, 상기 부하용량 데이터 압축 및 노이즈 제거를 위한 데이터 전처리기법을 적용하는 제3단계, 상기 제3단계가 적용된 데이터의 밀도를 기반으로 클러스터 센터를 결정하는 제4단계, 가중 최소 제곱 알고리즘을 이용하여 후건부 매개 파라미터를 최적화하는 제5단계, 에러값이 허용 에러 값보다 큰 경우 상기 제4단계로 돌아가고, 작은 경우 다음단계를 진행하는 제6단계, 모델의 유효성을 테스트하는 제7단계를 포함하는 데이터 지향 모델링 방법을 특징으로 한다.

본 발명의 일실시 예에 따른 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링방법을 이용하여 다양한 변수를 가진 석션 케이슨 앵커의 인발력 효율적으로 예측하여 석션 케이슨 구조물을 효율적으로 관리할 수 있다.

도 1은 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링을 위한 모델 변수를 정의한 것을 도시한 것이다.
도 2는 석션 케이슨 앵커의 인발력을 예측하기 위한 입력 퍼지 집합을 도시한 것이다.
도 3은 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 알고리즘의 흐름도를 도시한 것이다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

도 1은 본 발명의 모델 변수들을 정의한 것으로 L은 케이슨의 길이, d는 케이슨 다이미터, D는 토양 표면에서 로드 어플리케이션 포인트까지의 깊이, θ는 로드의 경사각을 나타낸다.

도 2는 같이 본 발명에 따른 석션 케이슨 앵커의 인발력을 예측하기 위한 입력/출력 데이터간의 관계를 타낸다.

입력 데이터는 형상비율(L/D:shape ratio), 지반(S _u )의 비배수 전단강도(undrained shear strength), 케이슨의 힘이 적용되는 러그(lug)의 상대적 깊이(z _p /L), 수평을 유지하게 하는 체인력의 각도(θ)를 포함하고, 본 발명의 모델의 출력 값은 케이슨의 궁극적인 용량 값이 된다.

도 3은 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 알고리즘의 흐름도를 도시한 것으로 후건부(consequent part)에서 타가기 수게노(Takagi-Sugeno)가 제안한 선형 함수를 사용한다.

본 발명에서는 퍼지 모델을 이용하는데 수식은 다음과 같다.

R _j : 만약 u ₁ 이 p _1,j 이고 u ₂ 가 p _2,j 이고, ..., u _i 가 p _i,j 이면

(1)

위의 수식(1)에서 R _j 는 j _th 퍼지 규칙이고, u _i 는 i번째 전제 변수 k는 정수값을 나타낸다.

출력 y(k)와 입력 u(k) 그리고 계수행렬 b _i 는 다음과 같이 표현된다.

m은 출력에서 지연 단계의 개수를 의미하고, y(k)와 u(k)는 각각 입력과 출력을, p와 q는 입력과 출력 변수의 개수를 나타낸다.

다음의 수식(2)는 수식(1)로부터 유도할 수 있다.

(2)

수식(2)에서 u _ij (u _i )는 u _i 의 소속도(membership degree)를, e(k)는 에러, N은 퍼지 규직의 개수를 나타낸다. 퍼지 맴버십 함수의 형태를 결정하기 위해 차감 클러스터링 기법은 데이터의 초기화와 차원(dimension)에 민감하지 않기 때문에 본 발명에서는 차감 클러스터링 기법을 이용한다.

석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 알고리즘의 흐름도를 살펴보면 총 7단계를 거쳐 모델을 최적화 한다.

제1단계(S310)에서는 본 발명의 데이터 지향 모델링을 시뮬레이션하기 위해 석션 케이슨 시스템의 부하용량 데이터를 수집하고, 제2단계(S320)에서는 상관계수를 계산하는 단계로 입력/출력되는 데이터 집합 간의 상관계수를 계산하는 것으로, 높은 계수 값들은 입력 데이터들로 유지된다. 입력 데이터의 개수를 줄이기 위해 부분 상관계수를 계산하고 계산된 입력 데이터 중 일부를 데이터 집합에서 제거한다.

제3단계(S330)에서 제6단계(S360)는 training 과정으로 상기 제2단계에서 입력된 데이터들을 알고리즘들을 이용하여 최적화 시키는 과정에 해당된다. training 과정의 첫 번째 단계인 제3단계(S330)에서는 부하용량 데이터의 압축 및 노이즈 제거를 위한 데이터 전처리기법을 적용한다.

제4단계(S340)는 상기 압축 및 노이즈가 제거된 부하용량 데이터를 이용하여 전제(premise) 매개 파라미터를 결정하기 위해 차감 클러스터링 알고리즘을 적용하는데 상기 차감 클러스터링 알고리즘에서 밀도(D _j )는

으로 구한다. 밀도를 구하는 수식에서 σ _i 는 i _th 데이터를, n _d 는 데이터의 총 개수, R _a 는 밀도를 계산하기 위한 가용데이터의 범위를 의미한다.

상기 구해진 밀도 중 가장 높은 밀도를 갖는 데이터를 클러스터 센터로 선택한다. 또한, 상기 선택된 클러스터 센터와 상기 선택된 클러스터 센터와 이웃한 데이터를 줄이기 위해 선택 프로시저 함수

를 이용한다. 선택 프로시저 함수에서 R_b = η_sR_a 이고 η_s 는 1보다 큰 값을 가지고, D_c,i는 I번째 계산된 밀도를 나타낸다.

본 발명에서 사용하는 변수들의 값은 η _s 는 1.25, R _a 는 0.35, 승인율(acceptance ratio)과 거절율(rejection ratio)은 각각 0.5와 0.15이다.

제5단계(S360)는 가중 최소 제곱 알고리즘을 이용하여 후건부(consequent) 매개 파라미터를 최적화한다.

가중 최소 제곱 알고리즘은

이고,

와

이다.여기서, H(K)는 기본 변수 벡터,

는 모델에 의해 측정된 측정치, wj는 가중치, H(K)T는 1 ~ T까지의 기본 변수벡터, T는 사용자에 의해 정의되는 입력 횟수를 나타낸다.

제6단계(S360)는 상기 제5단계(S350)에서 최적화된 후건부 매개 파라미터를 이용하여 성능을 분석한다. 본 발명의 데이터 지향 모델의 성능 분석은 정규화 최대 에러, 평균제곱오차, 변화량, 상관계수와 같은 평가지표를 이용하여 에러 값을 계산할 수 있고, 에러값이 허용 에러 값보다 큰 경우 이를 만족할 때까지 제4단계(S340), 제5단계(S350) 과정을 반복하고, 조건을 만족하는 경우에는 제7단계(S370)로 넘어간다.

제7단계(S370)에서는 training 과정에서 사용되지 않은 다른 데이터 집합들을 이용하여 모델을 테스트를 한다. 본 발명에서는 허용 에러 값을 시계열(time series)의 비주얼 검사에 의한 정성적으로 결정될 뿐만 아니라 평가지표에 의한 결정된다. 만약 예측결과에 만족하지 않는다면 제3단계(S330)로 다시 돌아가게 되고 만족하면 종료한다.

본 발명은 상술한 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술 분야의 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 청구범의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 간주한다.

Claims (6)

1. 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법에 있어서,
   상기 방법은 석션 케이슨 시스템의 부하용량 데이터를 수집하는 제1단계;
   입력/출력 데이터의 상관계수를 계산하기 위한 제2단계;
   상기 부하용량 데이터의 압축 및 노이즈 제거를 위한 데이터 전처리기법을 적용하는 제3단계;
   상기 제3단계가 적용된 부하용량 데이터의 밀도를 기반으로 클러스터 센터를 결정하는 제4단계;
   가중 최소 제곱 알고리즘을 이용하여 후건부 매개 파라미터를 최적화하는 제5단계;
   에러 값이 허용 에러 값보다 큰 경우 상기 제4단계로 돌아가고, 작은 경우 다음단계를 진행하는 제6단계;
   모델의 유효성을 테스트하는 제7단계;를 포함하는 데이터 지향 모델링 방법.
2. 청구항 제1항에 있어서, 상기 제2단계의 상기 입력 데이터의 개수를 줄이기 위해 부분 상관계수를 계산하여 계산된 상기 입력 데이터 중 일부를 데이터 집합에서 제거하는 것을 포함하는 데이터 지향 모델링 방법.
3. 청구항 제1항에 있어서, 상기 부하용량 데이터의 밀도(D_j)는

   

   으로 구하고 상기 구해진 밀도 중 가장 높은 밀도를 갖는 부하용량 데이터를 클러스터 센터로 선택하는 것을 특징으로 하는 데이터 지향 모델링 방법.
4. 삭제
5. 삭제
6. 청구항 제1항에 있어서, 상기 제7단계는 상기 에러값이 허용 에러 값보다 큰 경우 상기 제3단계로 돌아가고, 작은 경우 종료하는 것을 더 포함하는 것을 특징으로 하는 데이터 지향 모델링 방법.

Images