KR101890708B1 - 위험 등급 예측 시스템 및 방법 - Google Patents
위험 등급 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR101890708B1 KR101890708B1 KR1020170172323A KR20170172323A KR101890708B1 KR 101890708 B1 KR101890708 B1 KR 101890708B1 KR 1020170172323 A KR1020170172323 A KR 1020170172323A KR 20170172323 A KR20170172323 A KR 20170172323A KR 101890708 B1 KR101890708 B1 KR 101890708B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- building
- database
- analysis model
- disaster
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 description 17
- 230000001133 acceleration Effects 0.000 description 16
- 230000004044 response Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 5
- 239000002151 riboflavin Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000004149 tartrazine Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006355 external stress Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Alarm Systems (AREA)
Abstract
실시 예는, 건물 내의 복수 개의 노드 정보를 저장하는 노드 정보 수집부; 상기 건물에 배치된 복수 개의 센서 정보를 저장하는 센서 정보 수집부; 상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 맵핑부; 상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 데이터 베이스 생성부; 및 상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 데이터 베이스를 선택하고, 선택한 데이터 베이스에 미리 정의된 위험 등급에 따라 재난 상황을 판단하는 판단부를 포함하는 위험 등급 예측 시스템 및 방법을 개시한다.
Description
실시 예는 위험 등급 예측 시스템 및 방법에 관한 것이다.
최근 건축물의 초고층화 및 대형화 복합화 등으로 지진과 같은 자연재난에 대비할 수 있는 지능형 위험 판단 알고리즘을 탑재한 방재 시설에 대한 요구가 커지고 있다.
현재는 지진재난 발생시 단순히 상황을 알람하는 수준으로, 지진의 규모에 따른 건물의 위험등급을 판단하기 어려운 문제가 있다.
또한, 지진으로 인한 건물의 위험 수준을 즉각적으로 판단하지 못해 효과적인 대피 및 피난을 지원하기 어려운 문제가 있다.
따라서, 지진으로 인해 건물의 위험 등급을 산정하여 효과적인 대응과 피난을 지원하기 위한 기술이 필요한 실정이다.
실시 예는 초고층화 대형화, 및 복합화된 대형 건물 등에서 발생한 지진을 감시하는 센서를 이용한 룰셋 기반 재난 위험 등급 판단 시스템 및 방법을 제공한다.
실시 예에서 해결하고자 하는 과제는 이에 한정되는 것은 아니며, 아래에서 설명하는 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 포함된다고 할 것이다.
본 발명의 일 실시 예에 따른 위험 등급 예측 시스템은, 건물 내의 복수 개의 노드 정보를 저장하는 노드 정보 수집부; 상기 건물에 배치된 복수 개의 센서 정보를 저장하는 센서 정보 수집부; 상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 맵핑부; 상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 데이터 베이스 생성부; 및 상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 데이터 베이스를 선택하고, 선택한 데이터 베이스에 미리 정의된 위험 등급에 따라 재난 상황을 판단하는 판단부를 포함한다.
상기 복수 개의 룰셋 데이터 베이스는 상기 복수 개의 노드마다 외부 입력에 따른 거동 데이터 및 위험 등급 값을 가질 수 있다.
상기 판단부는, 상기 재난 발생시 각각의 노드별로 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차를 합산하여 편차 평균을 구하고, 편차 평균이 가장 작은 룰셋 데이터 베이스를 선택할 수 있다.
상기 판단부는, 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차 평균이 미리 정해진 값 이하인 데이터 베이스가 2개 이상인 경우, 상기 거동 데이터 중에서 최대 지반 가속도(PGA) 값을 갖는 노드의 측정 편차가 가장 작은 룰셋 데이터 베이스를 선택할 수 있다.
본 발명의 일 실시 예에 따른 위험 등급 예측 방법은, 건물 내의 복수 개의 노드 정보를 저장하는 단계: 상기 건물에 배치된 복수 개의 센서 정보를 저장하는 단계; 상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 단계; 상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 단계: 상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 데이터 베이스를 선택하는 단계: 및 선택한 상기 데이터 베이스에 미리 정의된 위험 등급에 따라 재난 상황을 판단하는 단계를 포함한다.
상기 복수 개의 룰셋 데이터 베이스는 상기 복수 개의 노드마다 외부 입력에 따른 거동 데이터 및 위험 등급 값을 가질 수 있다.
상기 데이터 베이스를 선택하는 단계는, 상기 재난 발생시 각각의 노드별로 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차를 합산하여 편차 평균을 구하고, 편차 평균이 가장 작은 룰셋 데이터 베이스를 선택할 수 있다.
상기 데이터 베이스를 선택하는 단계는, 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차 평균이 미리 정해진 값 이하인 데이터 베이스가 2개 이상인 경우, 상기 거동 데이터 중에서 최대 지반 가속도(PGA) 값을 갖는 노드의 측정 편차가 가장 작은 룰셋 데이터 베이스를 선택할 수 있다.
실시 예에 따르면, 분석 모델에 따른 각 노드별 거동 데이터를 미리 데이터 베이스화함으로써 실제 지진 센서 계측값이 입력된 경우 가장 유사한 데이터를 선택하여 위험 등급을 신속히 산출할 수 있는 장점이 있다.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 위험 등급 예측 시스템의 개념도이고,
도 2는 건물의 노드 및 센서를 보여주는 도면이고,
도 3은 본 발명의 일 실시 예에 따른 노드와 센서의 매칭 테이블을 보여주는 도면이고,
도 4는 본 발명의 일 실시 예에 따른 각 노드별 룰셋 데이터 베이스를 보여주는 도면이고,
도 5는 본 발명의 일 실시 예에 따른 룰셋 데이터 베이스에 따른 위험 등급을 표시한 도면이고,
도 6 및 도 7은 재난 발생시 실측값과 거동 데이터를 비교하는 과정을 설명하기 위한 도면이고,
도 8은 본 발명의 일 실시 예에 따른 위험 등급 예측 방법을 보여주는 순서도이고,
도 9는 본 발명의 일 실시 예에 따른 BIM 데이터 추출 시스템의 개념도이고,
도 10 및 도 11은 입체 형상의 객체를 라인 형태로 단순화시키는 과정을 설명하기 위한 도면이고,
도 12는 객체의 기본 정보를 보여주는 테이블이고,
도 13은 객체들 간의 연결 정보를 보여주는 테이블이고,
도 14는 객체의 단면 정보를 보여주는 테이블이고,
도 15는 객체의 재질 정보를 보여주는 테이블이고,
도 16은 객체의 규격 정보를 보여주는 테이블이고,
도 17은 BIM 데이터를 가공하여 생성한 간소화 정보를 이용하여 구축한 건물 분석 모델의 개념도이고,
도 18은 데이터 저장부의 상세도이고,
도 19는 본 발명의 일 실시 예에 따른 건물 분석 모델 구축 방법의 순서도이다.
도 2는 건물의 노드 및 센서를 보여주는 도면이고,
도 3은 본 발명의 일 실시 예에 따른 노드와 센서의 매칭 테이블을 보여주는 도면이고,
도 4는 본 발명의 일 실시 예에 따른 각 노드별 룰셋 데이터 베이스를 보여주는 도면이고,
도 5는 본 발명의 일 실시 예에 따른 룰셋 데이터 베이스에 따른 위험 등급을 표시한 도면이고,
도 6 및 도 7은 재난 발생시 실측값과 거동 데이터를 비교하는 과정을 설명하기 위한 도면이고,
도 8은 본 발명의 일 실시 예에 따른 위험 등급 예측 방법을 보여주는 순서도이고,
도 9는 본 발명의 일 실시 예에 따른 BIM 데이터 추출 시스템의 개념도이고,
도 10 및 도 11은 입체 형상의 객체를 라인 형태로 단순화시키는 과정을 설명하기 위한 도면이고,
도 12는 객체의 기본 정보를 보여주는 테이블이고,
도 13은 객체들 간의 연결 정보를 보여주는 테이블이고,
도 14는 객체의 단면 정보를 보여주는 테이블이고,
도 15는 객체의 재질 정보를 보여주는 테이블이고,
도 16은 객체의 규격 정보를 보여주는 테이블이고,
도 17은 BIM 데이터를 가공하여 생성한 간소화 정보를 이용하여 구축한 건물 분석 모델의 개념도이고,
도 18은 데이터 저장부의 상세도이고,
도 19는 본 발명의 일 실시 예에 따른 건물 분석 모델 구축 방법의 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 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.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 위험 등급 예측 시스템의 개념도이다.
도 1을 참조하면, 실시 예에 따른 위험 등급 예측 시스템은, 건물 내의 복수 개의 노드 정보를 저장하는 노드 정보 수집부(110); 상기 건물에 배치된 복수 개의 센서 정보를 저장하는 센서 정보 수집부(120); 상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 맵핑부(130); 상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 데이터 베이스 생성부(140); 및 상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 계측 데이터를 갖는 데이터 베이스를 선택하고, 상기 추출한 데이터 베이스에 정의된 위험 등급에 따라 재난 상황을 결정하는 판단부(150)를 포함한다.
노드 정보 수집부(110)는 건물의 노드 정보를 수집할 수 있다. 노드(절점)란 재난 발생시 건물의 거동에 크게 영향을 미치는 지점으로 정의할 수 있다. 예를 들면, 건물의 보와 기둥 사이의 연결 지점과 같이 해당 지점에 손상이 발생하면 건물의 안정성에 큰 영향을 미치는 지점을 노드로 정의할 수 있다.
건물의 노드 정보는 미리 정해진 좌표값으로 저장될 수 있으나 반드시 이에 한정하지 않는다. 건물의 노드 정보는 다양한 알고리즘에 의해 설계한 건물의 분석 모델에서 의해서 산출할 수도 있다.
예시적으로 이미 공지된 구조 계산용 프로그램이나 진동 응답 해석용 프로그램을 이용하여 건물 분석 모델은 설계할 수 있다. 이러한 분석 모델을 구성하는 복수 개의 객체의 연결 지점을 노드로 설정할 수 있다. 또는 분석 모델에 다양한 형태의 외력 데이터를 입력하고 건물의 영향도가 임계치 이상으로 측정된 지점을 노드(절점)로 설정할 수도 있다.
센서 정보 수집부(120)는 건물에 배치된 복수 개의 센서의 위치 정보를 수집할 수 있다. 센서는 지진을 감지하는 가속도 센서일 수 있다. 그러나, 반드시 이에 한정하는 것은 아니고 센서는 재난 형태에 따라 상이할 수 있다. 예시적으로 센서는 지진을 감지하는 가속도 센서일 수도 있고, 화재를 감지하는 연기 센서 또는 적외선 센서일 수 있고, 침수를 감지하는 센서일 수도 있다. 이러한 센서는 측정이 필요하다고 판단되는 위치에 복수 개 배치될 수 있다.
이하에서는 설명의 편의를 위하여 지진을 감지할 수 있는 가속도 센서를 기준으로 설명하나 본 발명의 권리범위는 이에 한정되지 않는다.
맵핑부(130)는 각각의 노드와 근접하게 배치된 센서를 매칭할 수 있다. 도 2를 참조하면, 건물(10)은 복수 개의 층으로 구성되고, 복수 개의 층은 각 층을 구성하는 복수 개의 객체 (기둥, 바닥/천정)로 구성될 수 있다. 예를 들면, 제2층의 가장 우측에 배치된 연결 지점을 제2노드(N201)로 설정한 경우 제2노드(N201)와 가장 가까이 배치된 센서(S201)를 매칭할 수 있다.
맵핑부(130)는 도 3과 같이 센서와 노드가 배치된 층의 위치, X, Y, Z 지점의 좌표를 구조화할 수 있다. 그러나, 일반적으로 노드는 건물을 구성하는 복수 개의 부재의 연결 지점으로 정의될 수 있으므로 무수히 많은 노드가 존재할 수 있다. 따라서, 맵핑부는 무수히 많은 노드 중 인접 배치된 센서만을 매칭할 수 있다. 따라서, 일부 노드에는 매칭되는 센서가 없을 수도 있다.
데이터 베이스 생성부(140)는 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축할 수 있다. 분석 모델은 전술한 바와 같이 건물의 구조 데이터를 구조 계산용 프로그램이나 진동 응답 해석용 프로그램 등에 대입하여 분석 모델을 구할 수 있다. 이러한 분석 모델에 여러 시나리오 별로 외력 데이터를 입력함으로써 외력에 의해 발생할 수 있는 거동 데이터를 획득할 수 있다.
도 4를 참조하면, 데이터 베이스 생성부(140)는 각 노드별로 재난 시나리오에 따른 거동 데이터를 설정할 수 있다. 예시적으로 노드 N101 내지 N108에 대해 각 시나리오 별로 거동 데이터를 설정할 수 있다. 룰셋 데이터 베이스 A 내지 룰셋 데이터 베이스 C는 각각 다른 재난 시나리오에 따른 외부 응력을 인가한 예상 데이터일 수 있다.
이때, 룰셋 데이터 베이스 A는 노드 N105에서 가장 하중을 많이 받은(피크 지반 가속도를 갖는) 것으로 분석되었고, 룰셋 데이터 베이스 B는 N108에서 가장 하중을 많이 받은 것으로 분석되었고, 룰셋 데이터 베이스 C는 N101에서 가장 하중을 많이 받은 것으로 분석되었다.
즉, 분석 모델에 인가되는 재난 시나리오에 따라 가장 거동이 심한 노드가 상이함을 알 수 있다. 이와 같이, 각 상황별 재난 시나리오에 따라 가장 하중을 많이 받는 노드가 달라짐을 알 수 있다.
또한, 예시적으로 룰셋 데이터 베이스 A는 지진 가속도의 총합이 28이고, 룰셋 데이터 베이스 B는 지진 가속도의 총합이 23.7이고, 룰셋 데이터 베이스 C는 지진 가속도의 총합이 31로 측정되었다. 따라서, 지진 가속도의 합이 가장 큰(건물의 거동이 가장 큰) 룰셋 데이터 베이스 C가 위험 등급이 가장 높게 설정되었음을 알 수 있다.
그러나, 반드시 이에 한정하는 것은 아니고 위험 등급은 특정 노드에 가중치를 부여하여 설정할 수도 있다. 예시적으로 N105 노드가 건물의 거동에 매우 큰 영향을 미치는 경우 전체적인 지진 가속도의 총량은 룰셋 데이터 베이스 C가 크다고 하더라고 룰셋 데이터 베이스 A의 위험 등급을 더 높게 설정할 수도 있다. 또한, 이러한 위험 등급은 학습에 의해 갱신될 수도 있다.
판단부(150)는 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 계측 데이터를 갖는 데이터 베이스를 선택하고, 추출한 데이터 베이스에 정의된 위험 등급에 따라 재난 상황을 결정할 수 있다.
도 5를 참조하면, 룰셋 데이터 베이스 별로 위험 등급이 다르게 설정될 수 있다. 위험 등급 0은 평상시 단계, 위험 등급 1은 관심 단계, 위험 등급 2는 주의 단계, 위험 등급 3은 경계 단계, 위험 등급 4는 심각 단계로 분류되어 각각 ID가 할당될 수 있다.
위험 등급에 따라 재난 대응책은 다르게 마련될 수 있다. 예를 들면, 위험 등급 1의 경우 단순히 건물 내의 재실자에게 안내 문자를 출력할 수 있다. 또한, 위험 등급 3에서는 대피 명령을 출력할 수 있다. 그러나, 위험 등급에 따른 대응 방안은 상황에 맞게 적절히 조절될 수 있다.
판단부(150)는 센서가 실제 측정한 계측 정보와 거동 데이터를 대비하여 편차를 산출하고, 그 편차의 평균값을 구할 수 있다. 예시적으로 도 6과 같이 계측기가 측정한 N102 센서의 계측 정보와 데이터 베이스 A의 거동 데이터를 대비하여 5.00E-06의 편차를 산출할 수 있다. 이와 같이 각각의 계측 정보와 거동 데이터를 비교하여 편차의 평균 9.00E-06을 산출할 수 있다.
또한, 도 7과 같이 각각의 계측 정보와 데이터 베이스 C의 거동 데이터를 비교하여 편차의 평균 2.50E-05를 산출할 수 있다. 그 결과, 룰셋 데이터 베이스 A의 편차 평균이 데이터 베이스 C 보다 적으므로(9.00E-06<2.50E-05) 현재 재난의 위험 등급을 데이터 베이스 A에 산정된 1단계로 판단할 수 있다. 따라서, 위험 등급 1단계에 따른 조치를 취할 수 있다.
이때, 복수 개의 룰셋 데이터 베이스의 거동 데이터와 편차를 산출한 결과 미리 정한 편차 범위 내에 2개 이상의 룰셋 데이터가 있는 경우 최대 지반 가속도(PGA) 값이 가장 근사한 데이터 베이스를 선택할 수 있다.
예시적으로 2개의 룰셋 데이터 베이스가 모두 편차 오차 범위 내에 있다고 가정하면, 이 중에서 거동 데이터의 최대 지반 가속도(PGA)와 계측 정보가 가장 오차가 작은 데이터 베이스를 선택할 수 있다. 이 경우 실제 재난에 가장 근사한 데이터 베이스를 선택함으로써 정확한 위험 등급을 산출할 수 있다.
종래에는 재난이 발생한 이후에 계측값을 구하고 이를 분석 모델에 대입하여 건물의 손상 정도 및 위험 등급을 산출하여 신속한 대응이 어려운 문제가 있었다. 그러나, 실시 예에 따르면, 다양한 데이터 베이스를 마련하고, 이에 따른 위험도 등급을 미리 설정해 놓음으로써, 실제 재난 발생시 가장 편차가 작은 룰셋 데이터 베이스를 선택할 수 있다. 따라서, 신속하게 재난에 따른 건물의 위험등급을 판단할 수 있다.
실시 예에 따르면, 룰셋 데이터 베이스에 설정된 위험 등급은 갱신될 수 있다. 예를 들면, 실제 재난 발생시 룰셋 데이터 베이스 A와 유사한 계측값이 관측되었어도 후속적인 분석 결과 실제로 위험 등급 1로 정의된 피해보다 훨씬 큰 피해가 발생한 경우 룰셋 데이터 베이스 A의 위험 등급을 그보다 높은 레벨 3으로 갱신할 수도 있다. 이러한 갱신은 사용자가 직접 입력할 수도 있고, 판단부 스스로 학습하여 갱신할 수도 있다.
도 8은 본 발명의 일 실시 예에 따른 위험 등급 예측 방법을 보여주는 순서도이다.
도 8을 참조하면, 실시 예에 따른 위험 등급 예측 방법은 건물 내의 복수 개의 노드 정보를 저장하는 단계(S11), 상기 건물에 배치된 복수 개의 센서 정보를 저장하는 단계(S12), 상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 단계(S13), 상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 단계(S14), 상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 계측 데이터를 갖는 데이터 베이스를 선택하는 단계(S15), 및 상기 선택한 데이터 베이스에 정의된 위험 등급에 따라 재난 상황을 결정하는 단계(S16)를 포함한다.
노드 정보를 저장하는 단계(S11)는 건물에 존재하는 복수 개의 노드 정보를 수집할 수 있다. 건물의 노드 정보는 미리 정해진 좌표로 저장될 수 있으나 반드시 이에 한정하지 않는다. 건물의 노드 정보는 다양한 알고리즘에 의해 설계한 건물의 분석 모델에 의해서 산출할 수도 있다.
예시적으로 이미 공지된 구조 계산용 프로그램이나 진동 응답 해석용 프로그램을 이용하여 건물 분석 모델을 구성할 수 있다. 분석 모델에 다양한 형태의 외력 데이터를 입력하고 건물의 영향도가 임계치 이상으로 측정된 지점을 노드(절점)로 설정할 수 있다.
센서 정보를 저장하는 단계(S12)는, 건물에 배치된 복수 개의 센서의 위치 정보를 수집할 수 있다. 센서는 지진을 감지하는 가속도 센서일 수 있다. 그러나, 반드시 이에 한정하는 것은 아니고 센서는 재난 형태에 따라 상이할 수 있다. 예시적으로 센서는 지진을 감지하는 가속도 센서일 수도 있고, 화재를 감지하는 연기 센서 또는 적외선 센서일 수 있고, 침수를 감지하는 습도 센서일 수도 있다. 이러한 센서는 측정이 필요하다고 판단되는 위치에 복수 개 배치될 수 있다.
매칭하는 단계(S13)는, 센서와 노드가 배치된 층의 위치, X, Y, Z 지점의 좌표를 구조화할 수 있다. 그러나, 일반적으로 노드는 건물을 구성하는 복수 개의 부재의 연결 지점으로 정의될 수 있으므로 무수히 많은 노드가 존재할 수 있다. 따라서, 맵핑부는 무수히 많은 노드 중 인접 배치된 센서만을 매칭할 수 있다. 따라서, 일부 노드에는 매칭되는 센서가 없을 수도 있다.
룰셋 데이터 베이스를 생성하는 단계(S14)는, 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축할 수 있다. 설계한 분석 모델에 외부 응력을 인가하여 각 노드별로 거동 데이터를 산출할 수 있다. 분석 모델은 이미 공지된 다양한 프로그램 및/또는 알고리즘에 의한 분석 모델이 모두 적용될 수 있다.
데이터 베이스를 선택하는 단계(S15)는, 센서가 실제 측정한 계측 정보와 거동 데이터를 대비하여 편차를 산출하고, 그 편차의 평균값을 구할 수 있다. 이후, 편차 평균이 가장 작은 데이터 베이스를 선택할 수 있다.
위험 등급에 따라 재난 상황을 결정하는 단계(S16)는, 추출한 데이터 베이스에 정의된 위험 등급에 따라 재난 상황을 결정할 수 있다.
룰셋 데이터 베이스 별로 위험 등급이 다르게 설정될 수 있다. 위험 등급 0은 평상시, 위험 등급 1은 관심, 위험 등급 2는 주의, 위험 등급 3은 경계, 위험 등급 4는 심각으로 분류되어 각각 ID가 할당될 수 있다. 위험 등급에 따라 재난 대응책은 다르게 마련될 수 있다. 예를 들면, 위험 등급 1의 경우 건물 내 재실자에게 안내 문자를 출력할 수 있고, 위험 등급 3에서는 대피 명령을 출력할 수 있다. 그러나, 위험 등급에 따른 대응 방안은 상황에 맞게 조절될 수 있다.
상술한 위험 등급 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램(코드)로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이하에서는 건물 분석 모델을 구축하기 위해 BIM 데이터를 간소화하는 방법 및 간소화된 BIM 데이터에 의해 건물 분석 모델을 구축하는 방법을 설명한다. 구축된 건물 분석 모델은 전술한 위험 등급 예측에 사용될 수 있다.
도 9는 본 발명의 일 실시 예에 따른 BIM 데이터 추출 시스템의 개념도이고, 도 10 및 도 11은 입체 형상의 객체를 라인 형태로 단순화시키는 과정을 설명하기 위한 도면이다.
도 9를 참조하면, 실시 예에 따른 BIM 데이터 추출 시스템은, 건물의 BIM(Building Information Modeling) 데이터에서 건물의 분석 모델을 구축하는데 필요한 객체의 정보를 추출하는 데이터 추출부(11), 건물의 분석 모델을 구축하는데 필요한 간소화 정보를 생성하는 데이터 생성부(12), 및 간소화 정보를 저장하는 데이터 저장부(13)를 포함한다.
데이터 추출부(11)는, BIM(Building Information Modeling) 데이터에서 건물의 분석 모델을 구축하는데 필요한 객체의 정보를 추출할 수 있다. BIM 데이터(IFC 데이터)에는 건물을 구성하는 다수의 건물 객체(Building elements)가 포함되며, 그 종류는 매우 다양하다.
예를 들어, 건물 객체는 벽체(Wall), 바닥(slab), 기둥(Column), 보(Beam), 창호(Window), 계단(Stair), 커튼월(Curtain Wall), 문(Door), 설비(Equipment), 램프(Ramp)를 비롯하여 건물에 구비되는 모든 객체가 포함될 수 있다. 또한, 별도의 지붕정보가 더 포함될 수도 있다.
데이터 추출부(11)는 무수히 많은 건물 객체 중에서 건물의 분석 모델을 구축하는데 필요한 객체를 선별하고, 해당 객체의 정보를 추출할 수 있다.
예시적으로 지진의 경우 건물의 분석 모델을 구축하는데 필요한 객체는 벽체(Wall), 바닥(slab), 기둥(Column), 보(Beam)등을 포함할 수 있다. 커튼월(Curtain Wall), 문(Door) 등은 지진에 대한 건물의 응답 특성을 구할 때 크게 고려되지 않는 객체일 수 있다. 따라서, 이러한 객체 정보까지 포함하는 전체 BIM 데이터를 이용하여 분석 모델을 구축하는 경우 불필요하게 연산이 많아지는 문제가 있다.
따라서, 실시 예에서는 건물의 분석 모델을 구축하는데 필요한 객체만을 선별하고 필요한 정보만을 추출함으로써 데이터를 간소화할 수 있다.
데이터 생성부(12)는 추출한 객체의 정보를 이용하여 건물의 분석 모델을 구축하는데 필요한 간소화 정보를 생성할 수 있다.
도 10을 참조하면, BIM 데이터 상에서 보(Beam)의 형상 정보는 3차원 입체 형상이나 이를 라인(선) 형태로 단순화하여 그 정보를 테이블에 저장함으로써 데이터를 더욱 간소화할 수 있다. 예시적으로 제1라인(E101)은 입체 정보의 단면의 중심선을 이용하여 생성할 수 있고, 시작점(N101)과 종료점(N102)을 가질 수 있다.
또한, 도 11과 같이 보(Beam)와 기둥(Column)이 연결되는 경우 보를 제1라인(E101)으로 단순화하고 기둥을 제2라인(E102)으로 단순화할 수 있다. 이때, 제1라인(E101)과 제2라인(E102)의 연결 형태를 점(Point)로 생성하여 테이블에 저장할 수 있다. 따라서, 간소화 정보에 각 객체들의 연결 정보가 포함되므로 정확도가 높은 분석 모델을 구축할 수 있다. 각 객체들의 연결점(N102)은 건물의 영향도가 큰 노드가 될 수 있다. 또한, 각 라인은 시작 노드와 종료 노드의 위치 정보가 테이블에 각각 저장될 수 있다. 예시적으로 연결점 N102는 제1라인(E101)의 종료 노드인 동시에 제2라인(E102)의 시작 노드일 수 있다.
간소화 정보는 객체의 기본 정보, 객체의 연결 정보, 객체의 단면 정보, 객체의 재질 정보, 및 객체의 규격 정보를 포함할 수 있다. 도 12를 참조하면, 객체의 기본 정보는 객체의 형상 정보(Polyline), 객체의 시작 노드 ID, 객체의 종료 노드 ID, 층 정보, 객체의 재질 테이블 ID, 객체의 규격 테이블 ID를 포함할 수 있다.
실시 예에 따르면, 객체를 라인 형태로 단순화하는 한편 별도로 단면 정보를 제공하므로 효과적으로 분석 모델을 구축할 수 있는 장점이 있다.
또한, 객체를 라인 형상으로 단순화하므로 라인의 시작점을 시작 노드로 생성하고, 라인의 종료점을 종료 노드로 생성할 수 있다. 따라서, 객체, 시작 노드, 종료 노드를 소팅(Sorting) 하면 각각의 위치를 상대적으로 구분할 수 있는 장점이 있다.
도 13을 참조하면, 각 객체의 연결 정보는 객체의 기본 정보와 분리하여 별도의 테이블로 저장할 수 있다. 실시 예에 따르면, 각 객체를 라인 형태로 단순화하고, 객체들의 연결 관계 및 연결 방식이 저장되므로 단순히 건물의 개별 도면을 이용하여 구축하는 분석 모델에 비해 실제 건물에 가까운 분석 모델을 구축할 수 있다.
또한, 도 14 내지 도 16을 참조하면, 단면 정보, 재질 정보, 및 규격 정보를 분리하여 저장함으로써 단순화된 정보 이외에 각 객체의 구체적인 정보도 확인할 수 있다. 예시적으로 단면 정보 테이블과 기본 정보 테이블이 단면 고유 ID 형태로 연결됨으로써 원래의 단면 정보도 확인할 수 있다.
다시 도 9를 참조하면, 제어부(14)는 데이터 추출부(11), 데이터 생성부(12), 및 데이터 저장부(13)를 제어하며, 클라이언트(예: 분석 시스템)의 요청이 있을 경우 간소화된 정보를 전송할 수 있다. 또한, 제어부(14)는 클라이언트로부터 가시화를 위한 데이터 요청을 받은 경우 표현 레벨에 따라 필요한 BIM 데이터를 추출 및 전송할 수도 있다. 즉, 제어부(14)는 외부 요청에 따라 일반 BIM 데이터를 전송할 수도 있고, 간소화된 BIM 데이터를 전송할 수도 있다.
실시 예에 따른 추출 시스템은 건물의 구조적 안전을 해석하거나 초고층 빌딩의 구조 해석을 위한 분석 모델 작성을 효과적으로 지원할 수 있다. 예시적으로 간소화 정보를 이미 공지된 구조 계산용 프로그램이나 진동 응답 해석용 프로그램에 입력하여 도 17과 같은 건물 분석 모델을 설계할 수 있다. 도 17은 이해를 돕기 위해 가장 간소화된 모델을 도시하였으나 실제 모델은 필요한 객체 정보를 조합하므로 보다 복잡한 모델이 될 수도 있다. 이 때, 각 객체(E101, E102)간의 연결점(N102)은 건물에 영향도가 높은 노드가 될 수 있다.
도 18을 참조하면, 데이터 저장부(13)는 전술한 지진 관련 데이터 이외에도 다양한 재난 관련 데이터를 저장할 수 있다. 예시적으로 데이터 저장부(13)는 화재 데이터 및 침수 데이터를 더 포함할 수 있으나 반드시 이에 한정하는 것은 아니다.
화재에 따른 분석에 필요한 정보는 실내 공간을 구성하는 객체의 형상 및 재질 데이터일 수 있다. 따라서, 실내 공간을 구성하는 객체(내벽 등)를 추출하고 이를 간소화하여 테이블로 저장할 수도 있다.
침수의 경우 실내 공간의 경계를 구분 지을 수 있는 형상 데이터 정보를 단순화하여 저장할 수 있다. 예시적으로 침수의 경우 실내 공간을 구분하는 바닥과 벽체의 정보를 면으로 단순화할 수 있다.
따라서, 클라이언트가 요청하는 자료에 따라 지진, 화재, 및 침수 정보 중 적어도 하나를 전송할 수 있다. 이때, 복수의 재난 정보(예: 지진과 화재 정보)를 요청하는 경우 지진 정보와 화재 정보를 결합하여 전송할 수도 있다.
도 19는 본 발명의 일 실시 예에 따른 건물 분석 모델 구축 방법의 순서도이다.
실시 예에 따른 분석 모델 구축 방법은, 건물의 BIM(Building Information Modeling) 데이터에서 재난 분석을 위해 상기 건물의 분석 모델을 구축하는데 필요한 객체의 정보를 추출하는 단계(S110); 및 상기 객체의 정보를 이용하여 상기 건물의 분석 모델을 구축하는데 필요한 간소화 정보를 생성하는 단계(S120)를 포함할 수 있다.
객체의 정보를 추출하는 단계(S110)는, BIM(Building Information Modeling) 데이터에서 건물의 분석 모델을 구축하는데 필요한 객체의 정보를 추출할 수 있다.
즉, 무수히 많은 건물 객체 중에서 건물의 분석 모델을 구축하는데 필요한 객체를 선별하고, 해당 객체의 정보를 추출할 수 있다.
예시적으로 지진의 경우 건물의 분석 모델을 구축하는데 필요한 객체는 벽체(Wall), 바닥(slab), 기둥(Column), 보(Beam)등을 포함할 수 있다. 커튼월(Curtain Wall), 문(Door) 등은 지진에 대한 응답 특성을 구할 때 크게 고려되지 않는 객체일 수 있다. 따라서, 객체의 정보를 추출하는 단계에서는 벽체(Wall), 바닥(slab), 기둥(Column), 보(Beam)만을 추출할 수 있다.
따라서, 실시 예에서는 건물의 분석 모델을 구축하는데 필요한 객체만을 선별하여 필요한 정보만을 추출함으로써 데이터를 경량화할 수 있다.
간소화 정보를 생성하는 단계(S120)는, 추출한 객체의 정보를 이용하여 건물의 분석 모델을 구축하는데 필요한 간소화 정보를 생성할 수 있다.
간소화 정보는 객체의 기본 정보, 객체의 연결 정보, 객체의 단면 정보, 객체의 재질 정보, 및 객체의 규격 정보를 포함할 수 있다. 도 12를 참조하면, 객체의 기본 정보는 객체의 형상 정보(Polyline), 객체의 시작 노드 ID, 객체의 종료 노드 ID, 층 정보, 객체의 재질 테이블 ID, 객체의 규격 테이블 ID를 포함할 수 있다.
실시 예에 따르면, 객체를 라인 형태로 단순화하는 한편 별도로 단면 정보를 제공하므로 효과적으로 분석 모델을 구축할 수 있는 장점이 있다.
또한, 객체를 라인 형상으로 단순화하므로 라인의 시작점을 시작 노드로 생성하고, 라인의 종료점을 종료 노드로 생성할 수 있다. 따라서, 객체, 시작 노드, 종료 노드를 소팅(Sorting) 하면 각각의 위치를 상대적으로 구분할 수 있는 장점이 있다.
이후, 클라이언트(예: 분석 시스템)의 요청이 있을 경우 간소화된 정보를 전송할 수 있다. 또한, 제어부는 클라이언트로부터 가시화를 위한 데이터 요청을 받은 경우 표현 레벨에 따라 필요한 BIM 데이터를 추출 및 전송할 수도 있다.
건물 분석 모듈을 구축하는 단계(S130)는 간소화 정보를 구조 계산용 프로그램이나 진동 응답 해석용 프로그램에 입력하여 건물 분석 모델을 설계할 수 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
Claims (9)
- 건물 내의 복수 개의 노드 정보를 저장하는 노드 정보 수집부;
상기 건물에 배치된 복수 개의 센서 정보를 저장하는 센서 정보 수집부;
상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 맵핑부;
상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 데이터 베이스 생성부; 및
상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 데이터 베이스를 선택하고, 선택한 데이터 베이스에 미리 정의된 위험 등급에 따라 재난 상황을 판단하는 판단부를 포함하고,
상기 복수 개의 룰셋 데이터 베이스는 재난 시나리오별로 서로 다른 외력 데이터를 상기 건물의 분석 모듈에 입력하여 얻은 상기 복수 개의 노드별 거동 데이터를 포함하고,
상기 판단부는 실제 재난 발생시 각각의 노드별로 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차를 합산하여 편차 평균을 계산하고, 상기 편차 평균이 가장 작은 룰셋 데이터 베이스를 선택하고,
상기 건물의 분석 모델은 BIM(Building Information Modeling) 데이터에서 추출한 간소화 정보를 이용하여 구축하고,
상기 간소화 정보는 상기 건물의 분석 모델을 구축하는데 필요한 객체의 3차원 BIM 정보를 이용하여 생성하고,
상기 간소화 정보는 상기 객체의 3차원 BIM 정보를 2차원 라인 형태로 단순화한 정보를 포함하고,
상기 간소화 정보는 상기 라인 형태로 변환된 객체의 기본 정보 테이블, 상기 라인 형태로 변환된 객체들 간의 연결 정보 테이블, 상기 라인 형태로 변환된 객체의 단면 정보 테이블, 상기 라인 형태로 변환된 객체의 재질 정보 테이블, 및 상기 라인 형태로 변환된 객체의 규격 정보 테이블을 포함하는 위험 등급 예측 시스템.
- 제1항에 있어서,
상기 간소화 정보는 지진 분석 모델 구축을 위한 지진 간소화 정보, 화재 분석 모델을 구축하기 위한 화재 간소화 정보, 및 침수 분석 모델 구축을 위한 침수 간소화 정보 중 적어도 하나를 포함하고,
상기 지진 분석 모델 구축을 위한 지진 간소화 정보, 화재 분석 모델을 구축하기 위한 화재 간소화 정보, 및 침수 분석 모델 구축을 위한 침수 간소화 정보에 필요한 객체 정보는 상이한 위험 등급 예측 시스템.
- 제2항에 있어서,
상기 판단부는,
상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차 평균이 미리 정해진 값 이하인 데이터 베이스가 2개 이상인 경우, 상기 거동 데이터 중에서 최대 지반 가속도(PGA) 값을 갖는 노드의 측정 편차가 가장 작은 룰셋 데이터 베이스를 선택하는 위험 등급 예측 시스템.
- 위험 등급 예측 시스템에서의 위험 등급 예측 방법에 있어서,건물 내의 복수 개의 노드 정보를 저장하는 단계;
상기 건물에 배치된 복수 개의 센서 정보를 저장하는 단계;
상기 복수 개의 노드와 상기 복수 개의 센서를 매칭하는 단계;
상기 건물의 분석 모델에 복수 개의 재난 시나리오를 적용하여 복수 개의 룰셋 데이터 베이스를 구축하는 단계:
상기 복수 개의 룰셋 데이터 베이스 중에서 실제 재난 발생시 계측된 정보와 가장 유사한 데이터 베이스를 선택하는 단계: 및
선택한 상기 데이터 베이스에 미리 정의된 위험 등급에 따라 재난 상황을 판단하는 단계를 포함하고,
상기 복수 개의 룰셋 데이터 베이스는 재난 시나리오별로 서로 다른 외력 데이터를 상기 건물의 분석 모듈에 입력하여 얻은 상기 복수 개의 노드별 거동 데이터를 포함하고,
상기 데이터 베이스를 선택하는 단계는 실제 재난 발생시 각각의 노드별로 상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차를 합산하여 편차 평균을 계산하고, 상기 편차 평균이 가장 작은 룰셋 데이터 베이스를 선택하고,
상기 건물의 분석 모델은 BIM(Building Information Modeling) 데이터에서 추출한 간소화 정보를 이용하여 구축하고,
상기 간소화 정보는 상기 건물의 분석 모델을 구축하는데 필요한 객체의 3차원 BIM 정보를 이용하여 생성하고,
상기 간소화 정보는 상기 객체의 3차원 BIM 정보를 2차원 라인 형태로 단순화한 정보를 포함하고,
상기 간소화 정보는 상기 라인 형태로 변환된 객체의 기본 정보 테이블, 상기 라인 형태로 변환된 객체들 간의 연결 정보 테이블, 상기 라인 형태로 변환된 객체의 단면 정보 테이블, 상기 라인 형태로 변환된 객체의 재질 정보 테이블, 및 상기 라인 형태로 변환된 객체의 규격 정보 테이블을 포함하는 위험 등급 예측 방법.
- 제4항에 있어서,
상기 데이터 베이스를 선택하는 단계는,
상기 복수 개의 센서가 측정한 실측값과 상기 거동 데이터의 편차 평균이 미리 정해진 값 이하인 데이터 베이스가 2개 이상인 경우, 상기 거동 데이터 중에서 최대 지반 가속도(PGA) 값을 갖는 노드의 측정 편차가 가장 작은 룰셋 데이터 베이스를 선택하는 위험 등급 예측 방법. - 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170172323A KR101890708B1 (ko) | 2017-12-14 | 2017-12-14 | 위험 등급 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170172323A KR101890708B1 (ko) | 2017-12-14 | 2017-12-14 | 위험 등급 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101890708B1 true KR101890708B1 (ko) | 2018-09-28 |
Family
ID=63721673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170172323A KR101890708B1 (ko) | 2017-12-14 | 2017-12-14 | 위험 등급 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101890708B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102098888B1 (ko) * | 2018-11-20 | 2020-04-16 | 한국건설기술연구원 | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| KR20210019355A (ko) * | 2019-08-12 | 2021-02-22 | (주)위니텍 | Lpwa 망 기반 안전예방 시스템 및 그 제공방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100865869B1 (ko) * | 2007-12-17 | 2008-10-30 | (주)이노센싱 | 건축물용 지진 감지 경보 시스템 |
| KR101764847B1 (ko) * | 2016-03-17 | 2017-08-04 | 윤승휘 | 문화재 구조물 모니터링 방법 |
-
2017
- 2017-12-14 KR KR1020170172323A patent/KR101890708B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100865869B1 (ko) * | 2007-12-17 | 2008-10-30 | (주)이노센싱 | 건축물용 지진 감지 경보 시스템 |
| KR101764847B1 (ko) * | 2016-03-17 | 2017-08-04 | 윤승휘 | 문화재 구조물 모니터링 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102098888B1 (ko) * | 2018-11-20 | 2020-04-16 | 한국건설기술연구원 | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| KR20210019355A (ko) * | 2019-08-12 | 2021-02-22 | (주)위니텍 | Lpwa 망 기반 안전예방 시스템 및 그 제공방법 |
| KR102341127B1 (ko) * | 2019-08-12 | 2021-12-21 | (주)위니텍 | Lpwa 망 기반 안전예방 시스템 및 그 제공방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101891267B1 (ko) | 재난 피해 분석을 위한 bim 데이터 간소화 방법 및 이를 이용한 위험 등급 예측 방법 | |
| US10429269B2 (en) | Building safety verification system and building safety verification method | |
| KR101442658B1 (ko) | 대피시뮬레이션을 제공하는 재난대피 시스템 및 방법 | |
| Zuccaro et al. | Seismic vulnerability assessment based on typological characteristics. The first level procedure “SAVE” | |
| Zhang et al. | Pattern recognition approach to assess the residual structural capacity of damaged tall buildings | |
| KR101935558B1 (ko) | 건축물 지진 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| KR102098888B1 (ko) | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| Eltouny et al. | Large‐scale structural health monitoring using composite recurrent neural networks and grid environments | |
| KR101549350B1 (ko) | 내진규모 산정을 포함하는 구조물 내진설계 방법 및 그 시스템 | |
| Shan et al. | Model‐reference health monitoring of hysteretic building structure using acceleration measurement with test validation | |
| JP2020511670A5 (ko) | ||
| JP2012083172A (ja) | 建物の損傷評価方法及び建物の損傷評価装置 | |
| KR101890708B1 (ko) | 위험 등급 예측 시스템 및 방법 | |
| Astriana et al. | Assessing seismic performance of moment resisting frame and frame-shear wall system using seismic fragility curve | |
| Danesh | Evaluation of Seismic Performance of PBD Optimized Steel Moment Frames by Means of Neural Network. | |
| KR101547156B1 (ko) | 면진구조물의 지진응답분포 추정방법 | |
| JP6672133B2 (ja) | 被震時損傷評価機能付き建築物 | |
| KR102545314B1 (ko) | 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치 | |
| JP2021174101A (ja) | 物体検出システム | |
| US20220237335A1 (en) | Equipment state analysis device, equipment state analysis method, and program | |
| JPWO2021199241A5 (ja) | 分析装置、分析方法及びプログラム | |
| JP2020112445A (ja) | 地震情報処理装置 | |
| KR102495864B1 (ko) | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
| JP6642232B2 (ja) | 地震被害推定システム、地震被害推定システムを備えた構造物、及び地震被害推定プログラム | |
| KR102520452B1 (ko) | 경사지 붕괴위험 예측용 계측기의 무선 원격 펌웨어 업데이트 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |