KR101994787B1 - Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법 - Google Patents

Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법 Download PDF

Info

Publication number
KR101994787B1
KR101994787B1 KR1020180133713A KR20180133713A KR101994787B1 KR 101994787 B1 KR101994787 B1 KR 101994787B1 KR 1020180133713 A KR1020180133713 A KR 1020180133713A KR 20180133713 A KR20180133713 A KR 20180133713A KR 101994787 B1 KR101994787 B1 KR 101994787B1
Authority
KR
South Korea
Prior art keywords
duct
test
bridge
cavity
wave detection
Prior art date
Application number
KR1020180133713A
Other languages
English (en)
Inventor
형 최
Original Assignee
주식회사 에이아이브릿지
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이아이브릿지 filed Critical 주식회사 에이아이브릿지
Priority to KR1020180133713A priority Critical patent/KR101994787B1/ko
Application granted granted Critical
Publication of KR101994787B1 publication Critical patent/KR101994787B1/ko

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D19/00—Structural or constructional details of bridges
    • E01D19/10—Railings; Protectors against smoke or gases, e.g. of locomotives; Maintenance travellers; Fastening of pipes or cables to bridges
    • E01D19/106—Movable inspection or maintenance platforms, e.g. travelling scaffolding or vehicles specially designed to provide access to the undersides of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0091—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by using electromagnetic excitation or detection
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D2101/00—Material constitution of bridges
    • E01D2101/20—Concrete, stone or stone-like material
    • E01D2101/24—Concrete
    • E01D2101/26—Concrete reinforced
    • E01D2101/28—Concrete reinforced prestressed

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명의 특징에 따르면, PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하도록 딥러닝 모델을 학습하기 위한 PSC 교량의 덕트 내부 공동 탐사시스템에 있어서, 교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120); 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130); 상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터(Raw data)인 탄성파탐지데이터를 생성하는 탄성파탐지모듈(140); 및 객체 인식을 위한 머신러닝 중 다중신경망(MLP, Multilayer Perceptron)을 기반으로 한 딥러닝(Deep Learning) 모델에 각 교량(10)의 탄성파탐지데이터를 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습하는 제1데이터처리모듈(150);을 포함하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.

Description

PSC 교량의 덕트 내부 공동 탐사시스템 및 탐사방법{SYSTEM AND METHOD FOR DETECTING INNER CAVITY OF PSC BRIDGE OF DUCT}
본 발명은 PSC 교량의 덕트 내부 공동 탐사시스템 및 탐사방법에 관한 것으로, 보다 상세하게는 Impact-Echo 등의 탄성파탐지모듈에서 측정된 탄성파탐지데이터를 이용하여 PSC 교량의 덕트 내부에 존재하는 공동을 탐사하되, 탄성파탐지모듈의 장비스펙대로 가공된 데이터를 이용하지 않고 원시데이터(Rawdata) 형태의 탄성파탐지데이터와 딥러닝 학습모델을 이용하여 덕트 내부의 공동을 탐사하는 PSC 교량의 덕트 내부 공동 탐사시스템 및 탐사방법에 관한 것이다.
일반적으로 PSC(Prestressed Concrete) 교량은 콘크리트의 취약적 결점을 보완하기 위해 인장응력이 생기는 부분에 미리 압축력을 주어 인장응력을 증가시키도록 한 교량으로서 인장응력을 형성하는 텐던의 설치 위치에 따라 도 1과 같은 PSC 거더교와 도 2와 같은 PSC Beam교로 구분된다. 도 1 내지 도 3을 참고하면 교량(10)의 거더나 빔 등의 본체에 교량(10)이 설계된 텐던의 선형에 따라 덕트(20)를 매립한 후 덕트(20) 내부에 PS강연선인 텐던(30)이 삽입된 구조를 가지며, 삽입된 텐던(30)은 양단에서 유압잭으로 인장하여 프리스트레스가 작용된 상태에서 앙카(50)로 고정되도록 설치된다.
또한, 상기 덕트(20)의 내부에 삽입된 텐던(30)을 염화물과 같은 외부의 유해한 물질로부터 보호하기 위하여 도 1의 확대도에 도시된 바와 같이 시멘트계 재료의 그라우트(40)로 덕트(20) 내부를 밀실하게 채우는 그라우팅 작업이 이루어진다. 그러나, 도 3에서와 같이 텐던(30)의 단부를 고정시키는 앙카(50)가 설치된 주변이나 덕트(20)의 만곡부 등에서 그라우트(40)가 미충전되는 경우가 빈번하게 발생할 수 있고 이에 따라 미충전된 부분의 공동(C)으로 노출된 텐던(30)에서 부식이 발생하여 PSC 교량(10)의 수명이 단축되는 문제점이 있었다.
한편, 최근 PSC 교량의 노후화로 인해 많은 사회적 문제를 발생시키고 있다. 예를 들면 2016년 서울시 내부순환고속도로 정릉천고가교에 설치된 PS강연선의 파단으로 수개월간 교통이 전면 통제되어 사회적, 경제적 혼란을 야기하였다. 이에 따라 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)의 정확한 위치를 산출하여 사전에 보수할 수 있도록 하기 위한 PSC 교량의 덕트 내부 공동 탐사기술이 필요한 실정이다. 그러나, 통상 텐던(30)이 금속재질로 이루어져 전자기파가 통과하지 못하며 PSC 교량의 내부에는 다수의 철근들이 설치된 복잡한 내부구조로 인해 일반적인 비파괴 검사로는 공동의 정확한 위치를 검출하지 못하는 문제점이 있었다.
등록특허공보 제10-1748432호(2017.06.12), 유연 그라우트재를 이용한 PSC 교량의 쉬스관내 플렉서블 그라우팅 방법.
본 발명은 상술한 문제점을 해결하기 위하여 창출된 것으로, 본 발명의 목적은 전자기파 및 탄성파를 이용하여 기존에 설치된 PSC 교량의 덕트 내부에 존재하는 공동의 위치를 탐사하되, 객체인식을 위한 머신러닝 중 다중신경망을 기반으로 하는 딥러닝 모델에 원시데이터인 탄성파탐지데이터를 입력하여 공동 위치를 자동으로 탐지함으로써 현장에서 안전진단 실무자가 간단하게 공동 존재여부를 판정할 수 있으며 탐사의 정확성을 대폭 향상시킬 수 있는 PSC 교량의 덕트 내부 공동 탐사시스템 및 방법을 제공하는 것에 있다.
본 발명의 특징에 따르면, PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하도록 딥러닝 모델을 학습하기 위한 PSC 교량의 덕트 내부 공동 탐사시스템에 있어서, 교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120); 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130); 상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터(Raw data)인 탄성파탐지데이터를 생성하는 탄성파탐지모듈(140); 및 객체 인식을 위한 머신러닝 중 다중신경망(MLP, Multilayer Perceptron)을 기반으로 한 딥러닝(Deep Learning) 모델에 각 교량(10)의 탄성파탐지데이터를 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습하는 제1데이터처리모듈(150);을 포함하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 다른 특징에 따르면, 상기 제1데이터처리모듈(150)은, 상기 탄성파탐지모듈(140)에서 생성된 탄성파탐지데이터의 원시데이터를 그대로 딥러닝 모델에 입력하거나, 상기 원시데이터를 전처리하여 산출되는 탄성파수치의 평균, 탄성파수치의 표준편차, 평균을 기준으로 표준편차 범위 내에 있는 파형 수, 평균을 기준으로 표준편차 범위 외에 있는 파형 수, 범위 외에 있는 파형들의 표준편차 대비 벗어난 정도, 평균에 근사한 파형 수, 각 파형의 푸리에 트랜스폼 결과 또는 각 파형의 웨이블릿 결과 중 어느 하나 이상의 데이터를 딥러닝 모델에 입력하여 학습하며, 탐지위치(P)를 기준으로 상기 교량(10)의 콘크리트 두께(D1), 덕트(20)의 심도(D2), 단부 앵커(50)로부터 탐지위치까지의 이격거리(D3), 콘크리트 상하단에서 덕트(20)까지의 이격거리 중 상대적으로 짧은 이격거리(D4), 덕트(20)의 직경(D5), 덕트(20)와 근접한 철근의 위치데이터, 콘크리트 강도, 콘크리트 탄성파 속도, 임펙터(141)의 종류 또는 탄성파탐지시 주변온도 중 어느 하나 이상을 상기 딥러닝 모델의 입력변수로 함께 입력하여 공동(C)을 검출하도록 학습하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 또 다른 특징에 따르면, 상기 탄성파탐지모듈(140)은, 봉형상으로 이루어져 일측에는 파지하기 위한 손잡이(144)가 형성되고 타측에는 연결부(145)가 형성된 파지부(143) 및, 상기 연결부(145)에 착탈 가능하게 체결되며 교량(10)의 측면에 충돌하면서 탄성파를 발생시키는 타격부(146)를 포함하는 임펙터(141) 및, 상기 교량(10)의 측면에 접촉하도록 상기 임펙터(141)에 근접배치되고 교량(10) 내부에서 반사된 반사파를 감지하여 원시데이터인 탄성파데이터를 생성하며 제1데이터처리모듈(150)와 신호연결되어 생성된 탄성파데이터를 전송하는 트랜스듀서(142)를 포함하며, 상기 타격부(146)는 발생시키고자 하는 탄성파의 크기 및 주파수에 따라 크기가 서로 다른 복수 개의 규격(146a 내지 146c)으로 이루어져 요구되는 탄성파에 따라 선택된 하나의 규격을 갖는 타격부(145)가 연결부(144)에 체결되는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 또 다른 특징에 따르면, 콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160);를 더 포함하고, 상기 탄성파탐지모듈(140)은 상기 시험체(160)의 표면에서 시험용덕트(162)를 향해 탄성파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하며, 상기 제1데이터처리모듈(150)은 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 딥러닝 모델에 입력하여 지도학습 방식으로 학습하며, 지도학습 방식으로 학습된 딥러닝 모델에 상기 탄성파탐지모듈(140)에서 생성된 교량(10)의 탄성파탐지데이터를 입력하여 비지도학습 방식으로 학습하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 또 다른 특징에 따르면, 상기 시험체(160)는, 상기 시험용덕트(162) 내에서 시험용공동(164)이 배치된 위치, 시험용공동(164)의 크기, 시험용공동(164)의 형상, 시험용텐던(165) 존재 여부, 시험용공동(164) 내에 채워진 충전재의 종류 또는 시험용덕트(162)의 심도 중 어느 하나 이상이 서로 다른 복수의 시험용덕트(162)가 구비되는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 또 다른 특징에 따르면, PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하도록 딥러닝 모델을 학습하기 위한 PSC 교량의 덕트 내부 공동 탐사방법에 있어서, 콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160)를 준비하는 시험체 준비 단계(S210); 상기 탄성파탐지모듈(140)로 시험체(160)의 표면에서 시험용덕트(162)를 향해 전자기파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하는 시험용 탄성파탐지데이터 생성 단계(S220); 객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 한 딥러닝 모델에 생성된 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 입력하여 지도학습 방식으로 상기 딥러닝 모델을 학습하는 딥러닝 지도학습 단계(S230); 상기 탄성파탐지모듈(140)로 교량(10)의 측면에서 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성하는 탄성파탐지 단계(S270); 및 상기 탄성파탐지 단계(S270)에서 생성된 각 교량(10)의 탄성파탐지데이터를 상기 딥러닝 모델에 입력하여 비지도학습 방식으로 딥러닝 모듈을 학습하는 딥러닝 비지도학습 단계(S280);를 포함하는 PSC 교량의 덕트 내부 공동 탐사방법이 제공된다.
본 발명의 또 다른 특징에 따르면, 상기 시험체 준비 단계(S210)는, 내부에 중공이 형성된 시험용덕트(162)를 상하 연장 배치하는 시험용덕트 준비 단계(S211)와, 상기 시험용덕트(162)의 하단으로부터 시험용공동(164)이 시작되는 위치까지 중공 내부에 시험용그라우트(163)를 주입하는 제1시험용그라우트 주입 단계(S213)와, 시험용그라우트(163)가 경화되면 경화된 시험용그라우트(163)의 상단으로부터 상기 시험용공동(164)이 끝나는 위치까지 중공 내부에 공동형성용 가루(166)를 주입하는 공동형성용 가루 주입 단계(S214)와, 주입된 공동형성용 가루(166)의 상단으로부터 시험용덕트(162)의 상단까지 중공 내부에 시험용그라우트(163)를 주입하는 제2시험용그라우트 주입 단계(S215)와, 시험용그라우트(163)가 경화되면 상기 공동형성용 가루(166)가 배치된 위치의 시험용덕트(162) 부분에 배출공(167)을 타공하며 형성된 배출공(167)을 통해 공동형성용 가루(166)를 제거하여 시험용공동(164)을 형성하는 공동형성용 가루 제거 단계(S216) 및, 상기 시험용공동(164)이 형성된 시험용덕트(162)를 성형틀(168) 내부에 배치하고 성형틀(168)에 콘크리트를 주입하여 블럭부(161)를 형성하는 블럭부 형성 단계(S217)를 포함하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사방법이 제공된다.
본 발명의 또 다른 특징에 따르면, 상기 시험체 준비 단계(S210)는, 상기 시험용덕트 준비 단계(S211) 이후에 시험용덕트(162)의 중공 내부에 시험용텐던(165)을 관통삽입하는 시험용텐던 배치 단계(S212)를 더 수행하며, 상기 제1시험용그라우트 주입 단계(S213), 공동형성용 가루 주입 단계(S214) 및, 제2시험용그라우트 주입 단계(S215)는 시험용텐던(165)이 배치된 중공 내부에 시험용그라우트(163) 및 공동형성용 가루(166)를 각각 주입하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사방법이 제공된다.
본 발명의 또 다른 특징에 따르면, 상기 시험체 준비 단계(S210)는, 상기 시험용덕트(162)를 수직축선(L)으로부터 일정각도(θ)로 기울어진 상태로 일측이 하부방향을 향하고 타측은 상부방향을 지향하도록 배치하며, 상기 제1시험용그라우트 주입 단계(S213), 공동형성용 가루 주입 단계(S214) 및, 제2시험용그라우트 주입 단계(S215)는 상기 시험용덕트(162)가 기울어진 상태에서 중공 내부에 시험용그라우트(163) 및 공동형성용 가루(166)를 각각 주입하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사방법이 제공된다.
본 발명의 또 다른 특징에 따르면, 학습된 딥러닝 모델을 이용하여 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하는 PSC 교량의 덕트 내부 공동 탐사시스템에 있어서, 교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120); 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130); 상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파측정데이터를 생성하는 탄성파탐지모듈(140); 및 객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축되고, 상기 탄성파탐지모듈(140)에서 생성된 탐사대상 교량(10)의 탄성파탐지데이터가 입력되면 상기 딥러닝 모델을 이용하여 덕트(20) 내부의 공동(C)을 검출하며 검출된 결과데이터를 디스플레이(156)에 표시하는 제2데이터처리모듈(170);을 포함하는 PSC 교량의 덕트 내부 공동 탐사시스템이 제공된다.
본 발명의 또 다른 특징에 따르면, 학습된 딥러닝 모델을 이용하여 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하는 PSC 교량의 덕트 내부 공동 탐사방법에 있어서, 객체인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축된 제2데이터처리모듈(170)을 준비하는 제2데이터처리모듈 준비 단계(S310); 전자기파의 탐사방향을 나타내는 탐지방향마킹부(110)를 교량(10)의 측면에 배치하는 탐지방향마킹부 배치 단계(S320); 상기 탐지방향마킹부(110)를 따라 전자기파 탐지모듈(120)을 이동시키면서 내부의 덕트(20)를 향해 전자기파를 방사하고 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지 단계(S330); 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 덕트(20)의 연장된 방향을 나타내는 덕트연장방향 마킹부(130)를 교량(10)의 측면에 배치하는 덕트연장방향 마킹부 배치 단계(S340); 상기 덕트연장방향 마킹부(130)를 따라 탄성파탐지모듈(140)을 이동시키면서 내부의 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성하는 탄성파탐지 단계(S350); 상기 탄성파탐지 단계(S350)에서 생성된 탐사대상 교량(10)의 탄성파탐지데이터를 상기 딥러닝 모델에 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하며 검출된 결과데이터를 디스플레이(156)에 표시하는 공동검출 단계(S360)를 포함하는 PSC 교량의 덕트 내부 공동 탐사방법이 제공된다.
이상에서와 같이 본 발명에 의하면,
첫째, GPR(Ground Penetrating Rada) 등의 전자기파 탐지모듈(120)을 이용한 전자기파 탐지로 확인된 덕트(20)의 연장된 방향을 덕트연장방향 마킹부(130)로 교량(10)의 측면에 나타내어 탄성파탐지모듈(140)로 탐사해야 할 영역을 최소화할 수 있고, 금속재질로 이루어져 전자기파가 투과할 수 없는 덕트(20)를 대상으로 탄성파탐지하여 덕트(20) 내부의 공동(C)을 탐지하는데 필요한 탄성파탐지데이터를 획득하되 탄성파탐지모듈(140)의 장비스펙대로 추출되거나 가공된 데이터를 이용하지 않고 원시데이터인 탄성파탐지데이터를 다중신경망을 기반으로 하는 딥러닝 모델에 입력하여 덕트(20) 내부의 공동(C)을 검출하도록 학습하고, 학습된 딥러닝 모델에 실제 교량(10)에서 측정된 탄성파탐지데이터를 입력하여 자동으로 공동(C)의 위치를 탐지함으로써 전문가에 의한 분석절차없이 현장에서 안전진단 실무자가 간단하게 공동 존재여부를 판정할 수 있으며 탐사의 정확성 및 용이성을 대폭 향상시킬 수 있다.
둘째, 상기 탄성파탐지데이터를 딥러닝 모델에 입력하여 공동(C)을 검출하도록 학습하되, 교량(10)의 콘크리트 두께(D1), 덕트(20)의 심도(D2), 단부 앵커(50)로부터 탐지위치까지의 이격거리(D3), 콘크리트 상하단에서 덕트(20)까지의 이격거리 중 상대적으로 짧은 이격거리(D4), 덕트(20)의 직경(D5), 덕트(20)와 근접한 철근의 위치데이터, 콘크리트 강도, 콘크리트 탄성파 속도, 임펙터(141)의 종류 또는 탄성파탐지시 주변온도 중 어느 하나 이상을 상기 딥러닝 모델의 입력변수로 함께 입력하여 공동(C)을 검출하도록 학습함으로써, 서로 다른 구조적 특징을 갖는 다양한 PSC 교량(10)에 범용적으로 시스템을 적용할 수 있으며 각각의 구조적 특징에 따라 발생할 수 있는 탐지오차를 최소화하여 공동(C)의 탐사 정확성을 대폭 증대시킬 수 있다.
셋째, 상기 탄성파탐지모듈(140)은 봉형상으로 이루어져 일측에는 파지하기 위한 손잡이(144)가 형성되고 타측에는 연결부(145)가 형성된 파지부(143) 및 상기 연결부(145)에 착탈 가능하게 체결되며 볼형상으로 이루어져 교량(10)의 측면에 충돌하면서 탄성파를 발생시키는 타격부(146)를 포함하는 임펙터(141) 및, 상기 교량(10)의 측면에 접촉하도록 상기 임펙터(141)에 근접배치되어 교량(10) 내부에서 반사된 반사파를 감지하여 원시데이터인 탄성파데이터를 생성하며 제1데이터처리모듈(150)와 신호연결되어 생성된 탄성파데이터를 전송하는 트랜스듀서(142)를 포함하며, 상기 타격부(146)는 발생시키고자 하는 탄성파의 크기 및 주파수에 따라 크기가 서로 다른 복수 개의 규격(146a 내지 146c)으로 이루어져 요구되는 탄성파에 따라 선택된 하나의 규격을 갖는 타격부(145)가 연결부(144)에 체결됨으로써, 교량(10)의 콘크리트 두께가 달라지더라도 부합되는 규격의 타격부(146)로 교체사용하여 요구되는 탄성파의 크기 및 주파수를 발생시킬 수 있다.
넷째, 상기 딥러닝 모델을 학습하기 위한 탄성파탐지데이터를 입력함에 있어 원시데이터인 탄성파탐지데이터를 그대로 입력할 수도 있고, 상기 원시데이터를 전처리하여 산출되는 탄성파수치의 평균, 탄성파수치의 표준편차, 평균을 기준으로 표준편차 범위 내에 있는 파형 수, 평균을 기준으로 표준편차 범위 외에 있는 파형 수, 범위 외에 있는 파형들의 표준편차 대비 벗어난 정도, 평균에 근사한 파형 수, 각 파형의 푸리에 트랜스폼 결과 또는 각 파형의 웨이블릿 결과 등의 데이터를 딥러닝 모델에 입력하여 학습함으로써, 노이즈를 감소시키고 데이터 처리 연산속도를 증대시킬 수 있다.
다섯째, 콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160)를 더 포함하고, 상기 탄성파탐지모듈(140)은 상기 시험체(160)의 표면에서 시험용덕트(162)를 향해 탄성파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하며, 제1데이터처리모듈(150)은 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 딥러닝 모델에 입력하여 지도학습 방식으로 학습하여 딥러닝 모델의 탐사 정확성을 일정 수준으로 올리는데 소요되는 시간을 대폭 단축할 수 있으며, 지도학습 방식으로 학습된 딥러닝 모델에 상기 탄성파탐지모듈(140)에서 생성된 실제 교량(10)의 탄성파탐지데이터를 입력하여 비지도학습 방식으로 학습하여 시험체(160)의 제작을 최소화하며 딥러닝 모델의 학습을 완료하는데 필요한 방대한 양의 탄성파탐지데이터를 용이하게 확보할 수 있다.
여섯째, 상기 시험체(160)는 상기 시험용덕트(162) 내에서 시험용공동(164)이 배치된 위치, 시험용공동(164)의 크기, 시험용공동(164)의 형상, 시험용텐던(165) 존재 여부, 시험용공동(164) 내에 채워진 충전재의 종류 또는 시험용덕트(162)의 심도 중 어느 하나 이상이 서로 다른 복수의 시험용덕트(162)가 구비됨으로써, 다양한 형상을 갖는 공동(C)을 탐지하는데 필요한 시험 탄성파탐지데이터를 용이하게 확보하여 공동(C)의 탐사 정확성을 더욱 증대시킬 수 있다.
일곱째, 상기 시험체(160)의 경우, 중공 내부가 빈 시험용덕트(162)를 상하 연장 배치하며 개구된 하단을 커버하고, 상기 시험용덕트(162)의 하단으로부터 시험용공동(164)이 시작되는 위치까지 중공 내부에 시험용그라우트(163)를 주입하며, 시험용그라우트(163)가 경화되면 기주입된 시험용그라우트(163)의 상단으로부터 상기 시험용공동(164)이 끝나는 위치까지 중공 내부에 공동형성용 가루(166)를 주입하고, 주입된 공동형성용 가루(166)의 상단으로부터 시험용덕트(162)의 상단까지 중공 내부에 시험용그라우트(163)를 주입하며, 시험용그라우트(163)가 경화되면 상기 공동형성용 가루(166)가 배치된 위치의 시험용덕트(162) 부분에 배출공(167)을 타공하며 형성된 배출공(167)을 통해 공동형성용 가루(166)를 제거하여 시험용공동(164)을 형성하고, 상기 시험용공동(164)이 형성된 시험용덕트(162)를 성형틀(168) 내부에 배치하고 성형틀(168)에 콘크리트를 주입하여 블럭부(161)를 형성함으로써, 실제 교량(10) 내부에 존재하는 공동(C)과 동일한 시험용공동(164)을 시험용덕트(162)의 내부에 형성할 수 있으며 이에 따라 보다 정확하고 신뢰성 있는 시험용 탄성파탐지데이터를 획득할 수 있다.
여덟째, 상기 시험용덕트(162)에 시험용그라우트(163)나 공동형성용 가루(166)를 주입하기 전에 시험용덕트(162)의 중공 내부에 시험용텐던(165)을 관통삽입하여 배치하고, 이 상태에서 시험용그라우트(163) 및 공동형성용 가루(166)를 중공 내부에 주입함으로써 실제 텐던(30)이 삽입 배치된 덕트(20)와 동일한 구조를 구현할 수 있으며 이에 따라 더욱 정확한 시험용 탄성파탐지데이터를 획득할 수 있다.
아홉째, 상기 시험용덕트(162)를 수직축선(L)으로부터 일정각도(θ)로 기울어진 상태로 일측이 하부방향을 향하고 타측은 상부방향을 지향하도록 배치하며, 이 상태에서 중공 내부에 시험용그라우트(163) 및 공동형성용 가루(166)를 각각 주입함으로써, 실제 교량(10)에서 덕트(20) 내에 형성될 수 있는 공동(C)의 형상과 동일한 시험용공동(164)을 시험용덕트(162) 내부에 형성할 수 있다,.
도 1은 일반적인 PSC 거더교의 구조 및 내부에 설치된 덕트의 구성을 나타낸 사시도,
도 2는 일반적인 PSC Beam교의 구조를 나타낸 사시도,
도 3은 일반적인 PSC 교량에 설치된 덕트 내부에 존재하는 공동의 다양한 형상을 나타낸 측단면도,
도 4는 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템의 구성을 나타낸 개략도,
도 5는 본 발명의 바람직한 실시예에 따른 전자기파 탐지모듈의 기능적 구성을 나타낸 블럭도,
도 6은 본 발명의 바람직한 실시예에 따른 탄성파탐지모듈의 기능적 구성을 나타낸 블럭도,
도 7은 본 발명의 바람직한 실시예에 따른 탄성파탐지모듈의 다른 구성을 나타낸 개략도,
도 8은 본 발명의 바람직한 실시예에 따른 탄성파탐지모듈의 타격부가 다양한 규격으로 이루어진 구성을 나타낸 측면도,
도 9는 본 발명의 바람직한 제1실시예에 따른 제1데이터처리모듈의 구성을 나타낸 블럭도,
도 10은 본 발명의 바람직한 실시예에 따른 탐지방향마킹부가 교량의 측면에 배치된 구성을 나타낸 측면도,
도 11은 본 발명의 바람직한 실시예에 따른 탐지방향마킹부를 따라 전자기파 탐지모듈이 전자기파탐사하는 방식을 나타낸 측면도,
도 12는 본 발명의 바람직한 실시예에 따른 덕트연장방향 마킹부가 교량의 측면에 배치된 구성을 나타낸 측면도,
도 13은 본 발명의 바람직한 실시예에 따른 덕트연장방향 마킹부를 따라 탄성파탐지모듈이 탄성파탐지하는 방식을 나타낸 측면도,
도 14는 본 발명의 바람직한 실시예에 따른 딥러닝 모델의 입력변수를 나타낸 측단면도,
도 15 및 도 16은 본 발명의 바람직한 실시예에 따른 딥러닝 모델의 동작원리를 설명하기 위한 개략도,
도 17는 본 발명의 바람직한 제1실시예에 따른 시험체의 구성을 나타낸 사시도,
도 18은 본 발명의 바람직한 실시예에 따른 시험용공동의 다양한 형상을 나타낸 측단면도,
도 19는 본 발명의 바람직한 제1실시예에 따른 시험용덕트의 내부에 시험용그라우트와 시험용공동을 배치하는 구성을 나타낸 측단면도,
도 20은 본 발명의 바람직한 제1실시예에 따른 시험용덕트의 내부에 변형된 형상의 시험용공동을 형성하는 구성을 나타낸 측단면도,
도 21는 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템의 구성을 나타낸 개략도,
도 22는 본 발명의 바람직한 제2실시예에 따른 제2데이터처리모듈의 기능적 구성을 나타낸 블럭도,
도 23은 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법의 순서를 나타낸 블럭도,
도 24는 본 발명의 바람직한 제1실시예에 따른 시험체 준비 단계의 세부 순서를 나타낸 블럭도,
도 25는 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법의 순서를 나타낸 블럭도이다.
상술한 본 발명의 목적, 특징들 및 장점은 다음의 상세한 설명을 통하여 보다 분명해질 것이다. 이하, 본 발명의 바람직한 실시예를 첨부한 도면에 의거하여 설명하면 다음과 같다.
먼저, 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템의 구성 및 기능을 설명한다. 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템은 실제 교량(10) 또는 후술되는 시험체(160)로부터 획득되는 탄성파탐지데이터(시험용 탄성파탐지데이터)를 이용하여 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 검출할 수 있도록 딥러닝 모델을 학습하는 시스템으로서, 도 4 및 도 12에 도시된 바와 같이 전자기파 탐지모듈(120), 덕트연장방향 마킹부(130), 탄성파탐지모듈(140) 및 제1데이터처리모듈(150)을 포함한다.
상기 전자기파 탐지모듈(120)은 도 4 및 도 11에 도시된 바와 같이 교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성한다. 이러한 전자기파 탐지모듈(120)로 바람직하게는 GPR(Ground Penetrating Rada)을 이용할 수 있다.
여기서, 도 4 및 도 5를 참고하면 상기 전파탐지모듈(120)은 사용자 조작신호 또는 설정사항을 입력하는데 이용되는 입력부(121)와, 제어신호에 따라 전자기파를 방사하는 전파방사부(122)와, 방사된 전자기파의 반사파를 수신하는 전파수신부(123)와, 수신된 전파기파 탐지데이터를 분석하여 덕트(20)의 위치 및 심도 등의 결과데이터를 추출하는 분석부(124) 및, 분석부(124)에 의해 분석된 결과데이터를 나타내는 표시부(125)를 포함한다.
또한, 도 10 및 도 11에서와 같이 전자기파 탐지모듈(120)을 이용하여 전자기파 탐지시 교량(10)의 넓은 탐지면적을 분할하여 부분적으로 탐지할 수 있도록 교량(10)의 측면에 일정간격으로 이격배치되면서 전자기파 탐지하는 방향을 나타내는 탐지방향마킹부(110)를 따라 이동하며 전자기파 탐지를 수행할 수 있다. 또한, 상기 탐지방향마킹부(110)는 교량(10)의 측면에서 측방으로 연장되고 상하로 이격배치된 복수의 수평 가이드라인(111)과 상하로 연장되고 측방으로 이격배치된 복수의 수직 가이드라인(112)으로 이루어진 격자 형상의 라인 형태로 구비될 수 있으며, 필요에 따라 수평 가이드라인(111)과 수직 가이드라인(112) 중 어느 하나의 가이드라인만으로도 이루어질 수 있고, +자 형상으로 이루어져 측방으로 이격배치된 복수의 위치표시마킹(113)으로도 이루어질 수 있다. 이러한 탐지방향마킹부(110)는 소폭의 접착테잎이 교량(10)의 측면에 부착되거나 도료 또는 잉크가 표면에 도포되는 형태로 배치될 수 있으며, 작업후 제거가 용이한 수단을 이용하는 것이 바람직하다.
또한, 반사파의 도달시간은 반사면까지의 왕복주행시간이며 다음 수학식1과 같이 전자파의 매질내 속도를 이용하여 왕복주행시간을 심도로 전환하면 반사면의 심도를 추출할 수 있다.
Figure 112018108965541-pat00001
(상기 D는 심도, T는 반사파 도달시간, c는 빛의 속도(0.3m/nsec,εr은 매질의 상대유전율을 각각 의미함)
또한, 상기 덕트(20)와 같이 인위적으로 매질 내에 설치된 대상체의 표면에는 반사파가 발생되고 획득된 반사파의 영상은 각 대상체들이 포물선의 형태를 띠게 되므로 이러한 영상 형태를 분석하면 반사원의 위치를 판단할 수 있다.
상기 덕트연장방향 마킹부(130)는 도 12에 도시된 바와 같이 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 덕트(20)가 연장된 방향을 나타낸다. 여기서, 상기 덕트연장방향 마킹부(130)는 탐지방향마킹부(110)와 마찬가지로 소폭의 접착테잎 또는 도료나 잉크 등으로 이루어져 작업후 제거가 용이하도록 구비되는 것이 바람직하다. 이러한 덕트연장방향 마킹부(130)를 통해 탄성파탐지모듈(140)을 이용한 탄성파탐지시 덕트(20)의 측방으로 직접 대향하는 위치에서 탐지가 이루어질 수 있다. 여기서, 상기 덕트위치정보는 전자기파 탐지모듈(120) 내에서 주파수 분석 또는 영상분석을 통해 자동으로 검출되는 위치정보이거나 상기 전자기파 탐지데이터를 작업자가 분석하여 확인된 위치정보일 수 있다.
상기 탄성파탐지모듈(140)은 도 13에 도시된 바와 같이 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성한다. 이러한 탄성파탐지모듈(140)로 바람직하게는 Impact-Echo를 이용할 수 있다. 여기서, 도 4 및 도 6에 도시된 바와 같이 상기 탄성파탐지모듈(140)은 사용자 조작신호 또는 설정사항을 입력하는데 이용되는 입력부(147), 교량(10)의 표면을 타격하여 탄성파를 발생시키는 임펙터(141), 방사된 탄성파의 반사파를 수신하는 트랜스듀서(142), 생성된 탄성파탐지데이터을 포함하여 각종 데이터가 저장되는 메모리(148) 및 저장된 탄성파탐지데이터를 제1데이터처리모듈(150)로 출력하는데 이용되는 출력부(149)를 포함하며, 도면에서와 같이 상기 임펙터(141)와 트랜스듀서(142)는 하나의 본체에 일체형으로 장착될 수 있다.
또한, 도 7에서와 같이 상기 탄성파탐지모듈(140)은 본체의 구성없이 임펙터(141)와 트랜스듀서(142)가 독립적인 형태로 이루어질 수도 있다. 보다 구체적으로 설명하면, 상기 임펙터(141)는 봉형상으로 이루어져 일측에는 파지하기 위한 손잡이(144)가 형성되고 타측에는 연결부(145)가 형성된 파지부(143) 및, 상기 연결부(145)에 착탈 가능하게 체결되며 볼형상으로 이루어져 교량(10)의 측면에 충돌하면서 탄성파를 발생시키는 타격부(146)를 포함한다. 더불어, 상기 트랜스듀서(142)는 상기 교량(10)의 측면에 접촉하도록 상기 임펙터(141)에 근접배치되어 교량(10) 내부에서 반사된 반사파를 감지하여 원시데이터인 탄성파데이터를 생성하며 제1데이터처리모듈(150)와 신호연결되어 생성된 탄성파데이터를 전송한다.
여기서, 도 8에 도시된 바와 같이 상기 타격부(146)는 발생시키고자 하는 탄성파의 크기 및 주파수에 따라 크기가 서로 다른 복수 개의 규격(146a 내지 146c)으로 이루어져 요구되는 탄성파에 따라 선택된 하나의 규격을 갖는 타격부(145)가 연결부(144)에 체결될 수 있다. 따라서, 교량(10)의 콘크리트 두께가 달라지더라도 적정 규격의 타격부(146)로 교체사용하여 요구되는 탄성파의 크기 및 주파수를 발생시킬 수 있다.
상기 제1데이터처리모듈(150)은 객체 인식을 위한 머신러닝 중 다중신경망(MLP)을 기반으로 한 딥러닝 모델에 상기 탄성파탐지모듈(140)에서 생성된 탄성파탐지데이터를 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습한다. 여기서, 상기 제1데이터처리모듈(150)로 PC를 이용할 수 있으며 이 밖에 휴대가 용이한 테블릿 또는 스마트폰을 이용할 수도 있다.
여기서, 도 9에는 제1데이터처리모듈(150)의 기능적 구성이 도시되어 있다. 도면을 참고하면 제1데이터처리모듈(150)은 탄성파탐지모듈(140)로부터 생성된 탄성파탐지데이터를 수신하는 입력부(151)와, 수신된 탄성파탐지데이터를 포함하는 각종 데이터가 저장되는 메모리(152)와, 상기 탄성파탐지데이터를 입력데이터로 하여 덕트(20) 내에 존재하는 공동(C)을 검출하도록 딥러닝 모델을 학습하는 딥러닝학습부(153) 및, 처리되는 데이터 및 검출된 결과데이터가 표시되는 디스플레이(154)를 포함한다.
여기서, 상기 딥러닝학습부(153)는 상기 딥러닝 모델을 학습하기 위한 탄성파탐지데이터를 입력함에 있어 원시데이터인 탄성파탐지데이터를 그대로 입력할 수도 있고, 상기 원시데이터를 전처리하여 산출되는 탄성파수치의 평균, 탄성파수치의 표준편차, 평균을 기준으로 표준편차 범위 내에 있는 파형 수, 평균을 기준으로 표준편차 범위 외에 있는 파형 수, 범위 외에 있는 파형들의 표준편차 대비 벗어난 정도, 평균에 근사한 파형 수, 각 파형의 푸리에 트랜스폼 결과 또는 각 파형의 웨이블릿 결과 중 어느 하나 이상의 데이터를 딥러닝 모델에 입력하여 학습함으로써 노이즈를 감소시키고 데이터 처리 연산속도를 증대시킬 수 있다.
또한, 도 14를 참고하면 상기 제1데이터처리모듈(150)은 상기 탄성파탐지데이터를 딥러닝 모델에 입력하여 공동(C)을 검출하도록 학습하되, 탐지위치(P)를 기준으로 상기 교량(10)의 콘크리트 두께(D1), 덕트(20)의 심도(D2), 단부 앵커(50)로부터 탐지위치까지의 이격거리(D3), 콘크리트 상하단에서 덕트(20)까지의 이격거리 중 상대적으로 짧은 이격거리(D4), 덕트(20)의 직경(D5), 덕트(20)와 근접한 철근의 위치데이터, 콘크리트 강도, 콘크리트 탄성파 속도, 임펙터(141)의 종류 또는 탄성파탐지시 주변온도 중 어느 하나 이상을 상기 딥러닝 모델의 입력변수로 함께 입력하여 공동(C)을 검출하도록 학습할 수 있다. 여기서, 상기 탐지위치(P)는 교량(10)의 측면 상에 탄성파탐지모듈(140)에 의해 현재 탄성파 탐지되고 있는 위치를 의미한다.
한편, 본 발명은 다양한 탄성파탐지데이터(시험체 탄성파탐지데이터) 중 덕트(20) 내부에 존재하는 공동(C)의 형상, 위치, 크기, 충전재의 종류 등의 공동(C)을 정의하고, 딥러닝 모델을 학습하여 탄성파탐지모듈(140)을 통해 입력되는 탄성파탐지데이터(시험체 탄성파탐지데이터)로부터 특징을 추출한 후 탄성파탐지데이터 상에서의 공동(C)을 검출할 수 있다.
도 15 및 도 16에는 딥러닝 모델을 학습방식을 설명하기위한 개략도 및 블럭도가 도시되어 있다. 도면을 참고하면 머신러닝의 일종인 딥러닝 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신러닝 알고리즘의 집합을 나타낼 수 있다.
도 15에 도시된 바와 같이 다중신경망(MPL)은 입력레이어(Input Layer), 히든레이어(Hiddent Layer), 및 출력레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.
도 16을 참고하면 제1데이터처리모듈(150)은 투입된 입력데이터(410) 즉, 교량(10)의 탄성파탐지데이터, 입력변수 또는 후술되는 시험체(160)의 탄성파탐지데이터로부터 일정한 패턴을 발견해 특징맵(Feature Map)을 형성한다. 제1데이터처리모듈(150)은 하위레벨 특징(420)부터, 중간레벨 특징(430), 상위레벨 특징(440)까지 추출하여, 대상을 인식하고 그 결과를 출력(450)할 수 있다. 인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.
도 15 및 도 16을 참고하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다. 임의의 노드, 예를 들어, 하위레벨 특징(420)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(430)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(430)의 노드는 하위레벨 특징(420)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다. 이때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다. 다중신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있으며 순차적으로 추상화하여 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.
한편, 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템에서는 우선적으로 인위적으로 공동을 만든 시험체(160)를 통해 획득된 시험용 탄성파탐지데이터를 이용하여 지도학습하여 기본적으로 판정이 가능한 딥러닝 모델을 구축한 후, 국내에 현존하는 PSC교량에 직접 탐사하여 결과를 모르는 많은 데이터를 활용한 비지도학습으로 정확도를 대폭 증대시킬 수 있다.
이를 위해, 도 17에 도시된 바와 같이 콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160)를 더 포함한다.
여기서, 상기 탄성파탐지모듈(140)은 상기 시험체(160)의 표면에서 시험용덕트(162)를 향해 탄성파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하며, 제1데이터처리모듈(150)은 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 딥러닝 모델에 입력하여 지도학습 방식으로 학습하여 딥러닝 모델의 탐사 정확성을 일정 수준으로 올리는데 소요되는 시간을 대폭 단축할 수 있으며, 지도학습 방식으로 학습된 딥러닝 모델에 상기 탄성파탐지모듈(140)에서 생성된 실제 교량(10)의 탄성파탐지데이터를 입력하여 비지도학습 방식으로 학습하여 시험체(160)의 제작을 최소화하며 딥러닝 모델의 학습을 완료하는데 필요한 방대한 양의 탄성파탐지데이터를 용이하게 확보할 수 있다.
또한, 상기 시험체(160)는 상기 시험용덕트(162) 내에서 시험용공동(164)이 배치된 위치, 시험용공동(164)의 크기, 시험용공동(164)의 형상, 시험용텐던(165) 존재 여부, 시험용공동(164) 내에 채워진 충전재의 종류 또는 시험용덕트(162)의 심도 중 어느 하나 이상이 서로 다른 복수의 시험용덕트(162)가 구비됨으로써, 다양한 형상을 갖는 공동(C)을 탐지하는데 필요한 시험 탄성파탐지데이터를 용이하게 확보하여 공동(C)의 탐사 정확성을 더욱 증대시킬 수 있다.
더불어, 상기 시험체(160)의 경우, 도 19의 (a)와 같이 중공 내부가 빈 시험용덕트(162)를 상하 연장 배치하며 개구된 하단을 커버하고, 도 19의 (b)와 같이 상기 시험용덕트(162)의 하단으로부터 시험용공동(164)이 시작되는 위치까지 중공 내부에 시험용그라우트(163)를 주입하며, 도 19의 (c)와 같이 시험용그라우트(163)가 경화되면 기주입된 시험용그라우트(163)의 상단으로부터 상기 시험용공동(164)이 끝나는 위치까지 중공 내부에 공동형성용 가루(166)를 주입하고, 도 19의 (d)와 같이 주입된 공동형성용 가루(166)의 상단으로부터 시험용덕트(162)의 상단까지 중공 내부에 시험용그라우트(163)를 주입한다.
또한, 도 19의 (e)와 같이 시험용그라우트(163)가 경화되면 상기 공동형성용 가루(166)가 배치된 위치의 시험용덕트(162) 부분에 배출공(167)을 타공하며 형성된 배출공(167)을 통해 공동형성용 가루(166)를 제거하여 도 19의 (f)와 같이 시험용공동(164)을 형성하고, 도 19의 (g)와 같이 상기 시험용공동(164)이 형성된 시험용덕트(162)를 성형틀(168) 내부에 배치하고 성형틀(168)에 콘크리트를 주입하여 블럭부(161)를 형성함으로써, 실제 교량(10) 내부에 존재하는 공동(C)과 동일한 시험용공동(164)을 시험용덕트(162)의 내부에 형성할 수 있으며 이에 따라 보다 정확하고 신뢰성 있는 시험용 탄성파탐지데이터를 획득할 수 있다.
더불어, 도 18의 (a)와 (c)를 참고하면 상기 시험용덕트(162)에 시험용그라우트(163)나 공동형성용 가루(166)를 주입하기 전에 시험용덕트(162)의 중공 내부에 시험용텐던(165)을 관통삽입하여 배치하고, 이 상태에서 시험용그라우트(163) 및 공동형성용 가루(166)를 중공 내부에 주입함으로써 실제 텐던(30)이 삽입 배치된 덕트(20)와 동일한 구조를 구현할 수 있으며 이에 따라 더욱 정확한 시험용 탄성파탐지데이터를 획득할 수 있다.
그리고, 도 20의 (a)와 같이 상기 시험용덕트(162)를 수직축선(L)으로부터 일정각도(θ)로 기울어진 상태로 일측이 하부방향을 향하고 타측은 상부방향을 지향하도록 배치하며, 도 20의 (a) 및 (b)와 같이 상태에서 중공 내부에 시험용그라6우트(13) 및 공동형성용 가루(166)를 각각 주입함으로써, 실제 교량(10)에서 덕트(20) 내에 형성될 수 있는 공동(C)의 형상과 동일한 시험용공동(164)을 시험용덕트(162) 내부에 형성할 수 있다.
상술한 바와 같은 본 발명의 바람직한 실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템의 각 구성 및 기능에 의해, GPR(Ground Penetrating Rada) 등의 전자기파 탐지모듈(120)을 이용한 전자기파 탐지로 확인된 덕트(20)의 연장된 방향을 덕트연장방향 마킹부(130)로 나타내어 탄성파탐지모듈(140)로 탐사해야 할 영역을 최소화할 수 있고, 금속재질로 이루어져 전자기파가 투과할 수 없는 덕트(20)를 대상으로 탄성파탐지하여 덕트(20) 내부의 공동(C)을 탐지하는데 필요한 탄성파탐지데이터를 획득하되 탄성파탐지모듈(140)의 장비스펙대로 추출되거나 가공된 데이터를 이용하지 않고 원시데이터인 탄성파탐지데이터를 다중신경망을 기반으로 하는 딥러닝 모델에 입력하여 덕트(20) 내부의 공동(C)을 검출하도록 학습하고, 학습된 딥러닝 모델에 실제 교량(10)에서 측정된 탄성파탐지데이터를 입력하여 자동으로 공동(C)의 위치를 탐지함으로써 전문가에 의한 분석절차없이 현장에서 안전진단 실무자가 간단하게 공동 존재여부를 판정할 수 있으며 탐사의 정확성 및 용이성을 대폭 향상시킬 수 있다.
다음으로, 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법을 설명한다. 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법은 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템을 이용하여 실제 교량(10) 또는 시험체(160)로부터 획득되는 탄성파탐지데이터를 이용하여 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 검출할 수 있도록 딥러닝 모델을 학습하기 위한 방법으로서, 도 23에 도시된 바와 같이 시험체 준비 단계(S210), 전자기파 탐지데이터 생성 단계(S220), 딥리닝 지도학습 단계(S230), 탐지방향마킹부 배치 단계(S240), 전자기파 탐지 단계(S250), 덕트연장방향 마킹부 배치 단계(S260), 탄성파탐지 단계(S270) 및 딥러닝 비지도학습 단계(S280)를 포함한다.
먼저, 시험체 준비 단계(S210)는 제1데이터처리모듈(150)의 딥러닝 모델을 지도학습 방식으로 학습하는데 필요한 시험용 탄성파탐지데이터를 제공하는 시험체(160)를 준비하는 단계로서, 콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160)를 준비한다.
여기서, 도 24에 도시된 바와 같이 상기 시험체 준비 단계(S210)는 중공 내부가 빈 시험용덕트(162)를 상하 연장 배치하며 개구된 하단을 커버하는 시험용덕트 준비 단계(S211)와, 상기 시험용덕트(162)의 하단으로부터 시험용공동(164)이 시작되는 위치까지 중공 내부에 시험용그라우트(163)를 주입하는 제1시험용그라우트 주입 단계(S213)와, 시험용그라우트(163)가 경화되면 기주입된 시험용그라우트(163)의 상단으로부터 상기 시험용공동(164)이 끝나는 위치까지 중공 내부에 공동형성용 가루(166)를 주입하는 공동형성용 가루 주입 단계(S214)와, 주입된 공동형성용 가루(166)의 상단으로부터 시험용덕트(162)의 상단까지 중공 내부에 시험용그라우트(163)를 주입하는 제2시험용그라우트 주입 단계(S215)와, 시험용그라우트(163)가 경화되면 상기 공동형성용 가루(166)가 배치된 위치의 시험용덕트(162) 부분에 배출공(167)을 타공하며 형성된 배출공(167)을 통해 공동형성용 가루(166)를 제거하여 시험용공동(164)을 형성하는 공동형성용 가루 제거 단계(S216) 및, 상기 시험용공동(164)이 형성된 시험용덕트(162)를 성형틀(168) 내부에 배치하고 성형틀(168)에 콘크리트를 주입하여 블럭부(161)를 형성하는 블럭부 형성 단계(S217)를 포함한다.
또한, 상기 시험체 준비 단계(S210)는, 상기 시험용덕트 준비 단계(S211) 이후에 시험용덕트(162)의 중공 내부에 시험용텐던(165)을 관통삽입하는 시험용텐던 배치 단계(S212)를 더 수행하며, 상기 제1시험용그라우트 주입 단계(S213), 공동형성용 가루 주입 단계(S214) 및, 제2시험용그라우트 주입 단계(S215)는 시험용텐던(165)이 배치된 중공 내부에 시험용그라우트(163) 및 공동형성용 가루(166)를 각각 주입할 수 있다.
더불어, 상기 시험체 준비 단계(S210)는, 상기 시험용덕트(162)를 수직축선(L)으로부터 일정각도(θ)로 기울어진 상태로 일측이 하부방향을 향하고 타측은 상부방향을 지향하도록 배치하며, 상기 제1시험용그라우트 주입 단계(S213), 공동형성용 가루 주입 단계(S214) 및, 제2시험용그라우트 주입 단계(S215)는 상기 시험용덕트(162)가 기울어진 상태에서 중공 내부에 시험용그라우트(163) 및 공동형성용 가루(166)를 각각 주입할 수 있다.
상기 시험용 전자기파 탐지데이터 생성 단계(S220)에서는 탄성파탐지모듈(140)로 시험체(160)의 표면에서 시험용덕트(162)를 향해 전자기파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 전자기파 탐지데이터를 생성한다.
상기 딥러닝 지도학습 단계(S230)에서는 객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 한 딥러닝 모델에 생성된 시험용 전자기파 탐지데이터와 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 입력하여 지도학습 방식으로 딥러닝 모델을 학습한다.
상기 탐지방향마킹부 배치 단계(S240)에서는 도 10에서와 같이 전자기파의 탐사방향을 나타내는 탐지방향마킹부(110)를 교량(10)의 측면에 일정간격으로 배치하며, 상기 전자기파 탐지 단계(S250)에서는 도 11에 도시된 바와 같이 표면에 배치된 탐지방향마킹부(110)를 따라 전자기파 탐지모듈(120)을 이동시키면서 내부의 덕트(20)를 향해 전자기파를 방사하고 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성한다.
상기 덕트연장방향 마킹부 배치 단계(S260)에서는 도 12에 도시된 바와 같이 상기 전자기파 탐지 단계(S250)를 통해 획득된 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 덕트(20)의 연장된 방향을 나타내는 덕트연장방향 마킹부(130)를 교량(10)의 측면에 배치하며, 상기 탄성파탐지 단계(S270)에서는 도 13에 도시된 바와 같이 덕트연장방향 마킹부(130)를 따라 탄성파탐지모듈(140)을 이동시키면서 내부의 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 탄성파탐지데이터를 생성한다.
다음으로 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템의 기능 및 구성을 설명한다. 도 21에 도시된 바와 같이 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템은 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템을 통해 학습된 딥러닝 모델을 이용하여 실제 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 검출하기 위한 시스템으로서, 교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120)과, 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130)와, 상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파측정데이터를 생성하는 탄성파탐지모듈(140) 및, 객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축되고, 상기 탄성파탐지모듈(140)에서 생성된 탄성파탐지데이터의 입력에 따라 검출된 덕트(20) 내부의 공동(C)에 대한 결과데이터를 디스플레이(156)에 표시하는 제2데이터처리모듈(170)을 포함한다.
여기서, 상기 전자기파 탐지모듈(120), 덕트연장방향 마킹부(130) 및 탄성파탐지모듈(140)은 상술한 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사시스템과 비교하여 탐사 대상인 PSC 교량(10)에서 운용된다는 점에서 차이가 있고 기본적인 구성 및 동작원리는 동일하므로 중복되는 설명은 생략하기로 한다. 또한, 상기 전자기파 탐지모듈(120)을 운용하기 위해 본 발명의 바람직한 제1실시예에 따른 탐지방향마킹부(110)를 이용할 수도 있다.
상기 제2데이터처리모듈(170)은 제1실시예의 제1데이터처리모듈(150)에 의해 지도학습 및 비지도학습 방식으로 학습된 딥러닝 모델이 구축되어 PSC 교량(10) 상에서 전자기파 탐지모듈(120)을 통해 생성된 탄성파탐지데이터를 입력데이터로 딥러닝 모델에 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출할 수 있다. 검출된 데이터는 덕트(20) 내에서 공동(C)이 형성된 위치, 공동(C)의 형상, 공동(C) 내부를 채우는 물질의 성분이 포함될 수 있으며, 이러한 검출데이터는 디스플레이(174) 상에 표시되어 작업자가 육안으로 확인하여 PSC 교량(10)의 표면 상에서 공동(C)이 형성된 위치를 표시하거나 확인된 공동(C)에 충전재를 주입하는 보수작업을 수행할 수 있다. 여기서, 상기 제2데이터처리모듈(170)로 테블릿 또는 스마트폰을 이용할 수 있으며 이 밖에 노트북나 PC를 이용할 수도 있다.
또한, 상기 제2데이터처리모듈(170)은 제1데이터처리모듈(150)에 입력변수로 상기 교량(10)의 콘크리트 두께(D1), 덕트(20)의 심도(D2), 단부 앵커(50)로부터 탐지위치까지의 이격거리(D3), 콘크리트 상하단에서 덕트(20)까지의 이격거리 중 상대적으로 짧은 이격거리(D4), 덕트(20)의 직경(D5), 덕트(20)와 근접한 철근의 위치데이터, 콘크리트 강도, 콘크리트 탄성파 속도, 임펙터(141)의 종류 또는 탄성파탐지시 주변온도가 입력된 경우, 동일한 입력변수 항목을 학습된 딥러닝 모델에 입력하여 공동(C)의 탐사 정확성을 증대시키는 것이 바람직하다.
다음으로 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법을 설명한다. 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법을 통해 학습된 딥러닝 모델을 이용하여 탐사 대상인 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 검출하기 위한 방법으로서, 도 23에 도시된 바와 같이 본 발명의 바람직한 제2실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법은 객체인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축된 제2데이터처리모듈(170)을 준비하는 제2데이터처리모듈 준비 단계(S310)와, 전자기파의 탐사방향을 나타내는 탐지방향마킹부(110)를 교량(10)의 측면에 일정간격으로 이격배치하는 탐지방향마킹부 배치 단계(S320)와, 상기 탐지방향마킹부(110)를 따라 전자기파 탐지모듈(120)을 이동시키면서 내부의 덕트(20)를 향해 전자기파를 방사하고 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지 단계(S330)와, 상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 덕트(20)의 연장된 방향을 나타내는 덕트연장방향 마킹부(130)를 교량(10)의 측면에 배치하는 덕트연장방향 마킹부 배치 단계(S340)와, 상기 덕트연장방향 마킹부(130)를 따라 탄성파탐지모듈(140)을 이동시키면서 내부의 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성하는 탄성파탐지 단계(S350) 및, 상기 탄성파탐지 단계(S350)에서 생성된 탄성파탐지데이터를 상기 딥러닝 모델에 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하며 검출된 결과데이터를 디스플레이(156)에 표시하는 공동검출 단계(S360)를 포함한다.
여기서, 상기 탐지방향마킹부 배치 단계(S320), 전자기파 탐지 단계(S330), 덕트연장방향 마킹부 배치 단계(S340) 및 탄성파탐지 단계(S350)는 상술한 본 발명의 바람직한 제1실시예에 따른 PSC 교량의 덕트 내부 공동 탐사방법에서의 탐지방향마킹부 배치 단계(S240), 전자기파 탐지 단계(S250), 덕트연장방향 마킹부 배치 단계(S260) 및 탄성파탐지 단계(S270)와 비교하여 공동 탐사 대상인 PSC 교량(10)에서 수행된다는 점에서 차이가 있고 기본적인 수행절차는 동일하므로 중복되는 설명은 생략하기로 한다.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러가지 치환, 변형 및 변경이 가능함은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명백할 것이다.
10...PSC 교량 20...덕트
30...텐던 110...탐지방향마킹부
120...전자기파 탐지모듈 130...덕트연장방향 마킹부
140...탄성파탐지모듈 150...제1데이터처리모듈
160...시험체 170...제2데이터처리모듈

Claims (7)

  1. PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하도록 딥러닝 모델을 학습하기 위한 PSC 교량의 덕트 내부 공동 탐사시스템에 있어서,
    교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120);
    상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130);
    상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터(Raw data)인 탄성파탐지데이터를 생성하는 탄성파탐지모듈(140); 및
    객체 인식을 위한 머신러닝 중 다중신경망(MLP, Multilayer Perceptron)을 기반으로 한 딥러닝(Deep Learning) 모델에 각 교량(10)의 탄성파탐지데이터를 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습하는 제1데이터처리모듈(150);을 포함하는 PSC 교량의 덕트 내부 공동 탐사시스템.
  2. 청구항 1에 있어서,
    상기 제1데이터처리모듈(150)은,
    상기 탄성파탐지모듈(140)에서 생성된 탄성파탐지데이터의 원시데이터를 그대로 딥러닝 모델에 입력하거나, 상기 원시데이터를 전처리하여 산출되는 탄성파수치의 평균, 탄성파수치의 표준편차, 평균을 기준으로 표준편차 범위 내에 있는 파형 수, 평균을 기준으로 표준편차 범위 외에 있는 파형 수, 범위 외에 있는 파형들의 표준편차 대비 벗어난 정도, 평균에 근사한 파형 수, 각 파형의 푸리에 트랜스폼 결과 또는 각 파형의 웨이블릿 결과 중 어느 하나 이상의 데이터를 딥러닝 모델에 입력하여 학습하며,
    탐지위치(P)를 기준으로 상기 교량(10)의 콘크리트 두께(D1), 덕트(20)의 심도(D2), 단부 앵커(50)로부터 탐지위치까지의 이격거리(D3), 콘크리트 상하단에서 덕트(20)까지의 이격거리 중 상대적으로 짧은 이격거리(D4), 덕트(20)의 직경(D5), 덕트(20)와 근접한 철근의 위치데이터, 콘크리트 강도, 콘크리트 탄성파 속도, 임펙터(141)의 종류 또는 탄성파탐지시 주변온도 중 어느 하나 이상을 상기 딥러닝 모델의 입력변수로 함께 입력하여 공동(C)을 검출하도록 학습하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템.
  3. 청구항 1 또는 청구항 2에 있어서,
    콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160);를 더 포함하고,
    상기 탄성파탐지모듈(140)은 상기 시험체(160)의 표면에서 시험용덕트(162)를 향해 탄성파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하며,
    상기 제1데이터처리모듈(150)은 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 딥러닝 모델에 입력하여 지도학습 방식으로 학습하며, 지도학습 방식으로 학습된 딥러닝 모델에 상기 탄성파탐지모듈(140)에서 생성된 교량(10)의 탄성파탐지데이터를 입력하여 비지도학습 방식으로 학습하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사시스템.
  4. PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하도록 딥러닝 모델을 학습하기 위한 PSC 교량의 덕트 내부 공동 탐사방법에 있어서,
    콘크리트 재질로 이루어진 블럭부(161) 및, 중공이 형성된 관형상으로 이루어져 상기 블럭부(161)의 내부에 배치되며 중공 내부에는 시험용그라우트(163)와 시험용공동(164)이 각각 배치된 시험용덕트(162)를 포함하는 시험체(160)를 준비하는 시험체 준비 단계(S210);
    탄성파탐지모듈(140)로 시험체(160)의 표면에서 시험용덕트(162)를 향해 전자기파를 방사하고 시험체(160) 내부에서 반사된 반사파를 수신하여 원시데이터인 시험용 탄성파탐지데이터를 생성하는 시험용 탄성파탐지데이터 생성 단계(S220);
    객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 한 딥러닝 모델에 생성된 시험용 탄성파탐지데이터와 상기 시험용덕트(162) 내부에 배치된 시험용공동(164)의 위치데이터를 입력하여 지도학습 방식으로 상기 딥러닝 모델을 학습하는 딥러닝 지도학습 단계(S230);
    상기 탄성파탐지모듈(140)로 교량(10)의 측면에서 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성하는 탄성파탐지 단계(S270); 및
    상기 탄성파탐지 단계(S270)에서 생성된 각 교량(10)의 탄성파탐지데이터를 상기 딥러닝 모델에 입력하여 비지도학습 방식으로 딥러닝 모듈을 학습하는 딥러닝 비지도학습 단계(S280);를 포함하는 PSC 교량의 덕트 내부 공동 탐사방법.
  5. 청구항 4에 있어서
    상기 시험체 준비 단계(S210)는,
    내부에 중공이 형성된 시험용덕트(162)를 상하 연장 배치하는 시험용덕트 준비 단계(S211)와,
    상기 시험용덕트(162)의 하단으로부터 시험용공동(164)이 시작되는 위치까지 중공 내부에 시험용그라우트(163)를 주입하는 제1시험용그라우트 주입 단계(S213)와,
    시험용그라우트(163)가 경화되면 경화된 시험용그라우트(163)의 상단으로부터 상기 시험용공동(164)이 끝나는 위치까지 중공 내부에 공동형성용 가루(166)를 주입하는 공동형성용 가루 주입 단계(S214)와,
    주입된 공동형성용 가루(166)의 상단으로부터 시험용덕트(162)의 상단까지 중공 내부에 시험용그라우트(163)를 주입하는 제2시험용그라우트 주입 단계(S215)와,
    시험용그라우트(163)가 경화되면 상기 공동형성용 가루(166)가 배치된 위치의 시험용덕트(162) 부분에 배출공(167)을 타공하며 형성된 배출공(167)을 통해 공동형성용 가루(166)를 제거하여 시험용공동(164)을 형성하는 공동형성용 가루 제거 단계(S216) 및,
    상기 시험용공동(164)이 형성된 시험용덕트(162)를 성형틀(168) 내부에 배치하고 성형틀(168)에 콘크리트를 주입하여 블럭부(161)를 형성하는 블럭부 형성 단계(S217)를 포함하는 것을 특징으로 하는 PSC 교량의 덕트 내부 공동 탐사방법.
  6. 학습된 딥러닝 모델을 이용하여 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하는 PSC 교량의 덕트 내부 공동 탐사시스템에 있어서,
    교량(10)의 측면에서 내부의 덕트(20)를 향해 전자기파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지모듈(120);
    상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 교량(10)의 측면에 배치되어 상기 덕트(20)가 연장된 방향을 나타내는 덕트연장방향 마킹부(130);
    상기 덕트연장방향 마킹부(130)를 따라 이동하며 내부의 덕트(20)를 향해 탄성파를 방사하고 교량(10) 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파측정데이터를 생성하는 탄성파탐지모듈(140); 및
    객체 인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축되고, 상기 탄성파탐지모듈(140)에서 생성된 탐사대상 교량(10)의 탄성파탐지데이터가 입력되면 상기 딥러닝 모델을 이용하여 덕트(20) 내부의 공동(C)을 검출하며 검출된 결과데이터를 디스플레이(156)에 표시하는 제2데이터처리모듈(170);을 포함하는 PSC 교량의 덕트 내부 공동 탐사시스템.
  7. 학습된 딥러닝 모델을 이용하여 PSC 교량(10)의 덕트(20) 내부에 존재하는 공동(C)을 탐사하는 PSC 교량의 덕트 내부 공동 탐사방법에 있어서,
    객체인식을 위한 머신러닝 중 다중신경망을 기반으로 하며 탄성파탐지데이터를 입력받아 덕트(20) 내부에 존재하는 공동(C)을 검출하도록 학습된 딥러닝 모델이 프로그램화되어 구축된 제2데이터처리모듈(170)을 준비하는 제2데이터처리모듈 준비 단계(S310);
    전자기파의 탐사방향을 나타내는 탐지방향마킹부(110)를 교량(10)의 측면에 배치하는 탐지방향마킹부 배치 단계(S320);
    상기 탐지방향마킹부(110)를 따라 전자기파 탐지모듈(120)을 이동시키면서 내부의 덕트(20)를 향해 전자기파를 방사하고 내부에서 반사된 반사파를 수신하여 전자기파 탐지데이터를 생성하는 전자기파 탐지 단계(S330);
    상기 전자기파 탐지데이터로부터 추출된 덕트위치정보에 따라 덕트(20)의 연장된 방향을 나타내는 덕트연장방향 마킹부(130)를 교량(10)의 측면에 배치하는 덕트연장방향 마킹부 배치 단계(S340);
    상기 덕트연장방향 마킹부(130)를 따라 탄성파탐지모듈(140)을 이동시키면서 내부의 덕트(20)를 향해 탄성파를 방사하고 내부에서 반사된 반사파를 수신하여 원시데이터인 탄성파탐지데이터를 생성하는 탄성파탐지 단계(S350);
    상기 탄성파탐지 단계(S350)에서 생성된 탐사대상 교량(10)의 탄성파탐지데이터를 상기 딥러닝 모델에 입력하여 덕트(20) 내부에 존재하는 공동(C)을 검출하며 검출된 결과데이터를 디스플레이(156)에 표시하는 공동검출 단계(S360)를 포함하는 PSC 교량의 덕트 내부 공동 탐사방법.
KR1020180133713A 2018-11-02 2018-11-02 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법 KR101994787B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180133713A KR101994787B1 (ko) 2018-11-02 2018-11-02 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180133713A KR101994787B1 (ko) 2018-11-02 2018-11-02 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법

Publications (1)

Publication Number Publication Date
KR101994787B1 true KR101994787B1 (ko) 2019-09-24

Family

ID=68068929

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180133713A KR101994787B1 (ko) 2018-11-02 2018-11-02 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법

Country Status (1)

Country Link
KR (1) KR101994787B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102241879B1 (ko) * 2019-12-03 2021-04-20 한국건설기술연구원 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템
CN113945641A (zh) * 2021-10-19 2022-01-18 合肥工业大学 一种基于超声波的预应力管道灌浆质量检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1054140A (ja) * 1996-08-09 1998-02-24 Hihakai Kensa Kk グラウトの充填状態検査方法
KR101136295B1 (ko) * 2011-09-14 2012-04-19 한국도로공사 교량 슬래브의 상태 평가 시스템 및 그 방법
KR101748432B1 (ko) 2016-11-07 2017-06-27 주식회사 한국 지오텍 유연 그라우트재를 이용한 psc 교량의 쉬스관내 플렉서블 그라우팅 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1054140A (ja) * 1996-08-09 1998-02-24 Hihakai Kensa Kk グラウトの充填状態検査方法
KR101136295B1 (ko) * 2011-09-14 2012-04-19 한국도로공사 교량 슬래브의 상태 평가 시스템 및 그 방법
KR101748432B1 (ko) 2016-11-07 2017-06-27 주식회사 한국 지오텍 유연 그라우트재를 이용한 psc 교량의 쉬스관내 플렉서블 그라우팅 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102241879B1 (ko) * 2019-12-03 2021-04-20 한국건설기술연구원 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템
CN113945641A (zh) * 2021-10-19 2022-01-18 合肥工业大学 一种基于超声波的预应力管道灌浆质量检测方法

Similar Documents

Publication Publication Date Title
KR101994787B1 (ko) Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법
US20180348169A1 (en) System and Method for Assessment of Irregularity in a Wooden Material Surrounded by a Substrate
KR102190776B1 (ko) 교량용 탄성파 탐지장치 및 이를 포함하는 내부공동 탐사시스템
CN104181581B (zh) 基于任意排布的地震波地下工程空间观测的系统及方法
KR102241879B1 (ko) 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템
CN108519596A (zh) 一种基于匹配追踪和小波变换的管片隐伏裂缝识别方法
BR112020025433A2 (pt) Métodos e aparelhos para avaliação de liga de cimentação através de tubulação de produção
EP3358344A1 (en) A deterioration diagnosis method, a deterioration diagnosis system, and a sensor
US20210311186A1 (en) Sparse excitation method for 3-dimensional underground cable localization by fiber optic sensing
KR20080021300A (ko) 라이다를 이용한 구조물 건전성 진단방법
CN105180795A (zh) 基于测斜和霍尔效应的岩土体变形测量方法及仪器系统
CN104374828A (zh) 一种隐患探测的超声波层析成像方法
JP2007327935A (ja) 媒質内の物体の計測方法
US20230324577A1 (en) Real-Time Microseismic Magnitude Calculation Method and Device Based on Deep Learning
CN112948952B (zh) 一种盾构隧道衬砌背后空洞的演化预测方法
CN115263432A (zh) 一种深埋隧洞稳定性和安全性监测分析系统
Mizutani et al. Bridge slab damage detection by signal processing of UHF-band ground penetrating radar data
CN106501285B (zh) 无损检测预应力管道的压浆密实度的设备及检测方法
US20030131674A1 (en) Pole testing system
Wickramanayake et al. Deep learning for estimating low-range concrete sub-surface boundary depths using ground penetrating radar signals
RU2367742C1 (ru) Способ возведения сборной или сборно-монолитной бетонной многослойной гидроизолированной строительной конструкции в грунте и способ мониторинга состояния ее контакта с грунтом
CN112098514B (zh) 基于点线体三层次定量判断预应力管道灌浆情况的方法
Huang et al. Research on void signal recognition algorithm of 3D ground-penetrating radar based on the digital image
KR100325373B1 (ko) 터널 콘크리트 라이닝의 코아홀용 탄성파 측정장치 및 그코아홀을 이용한 탄성파 측정방법
Zaczek-Peplińska et al. Evaluation of possibilities to apply laser scanning for estimation of conditions of concrete