KR102027252B1 - 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 - Google Patents

임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 Download PDF

Info

Publication number
KR102027252B1
KR102027252B1 KR1020180073532A KR20180073532A KR102027252B1 KR 102027252 B1 KR102027252 B1 KR 102027252B1 KR 1020180073532 A KR1020180073532 A KR 1020180073532A KR 20180073532 A KR20180073532 A KR 20180073532A KR 102027252 B1 KR102027252 B1 KR 102027252B1
Authority
KR
South Korea
Prior art keywords
earthquake
seismic
data
wave
neural network
Prior art date
Application number
KR1020180073532A
Other languages
English (en)
Other versions
KR20190080712A (ko
Inventor
김지영
박재근
황정환
Original Assignee
(주)대우건설
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 (주)대우건설 filed Critical (주)대우건설
Publication of KR20190080712A publication Critical patent/KR20190080712A/ko
Application granted granted Critical
Publication of KR102027252B1 publication Critical patent/KR102027252B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G01V1/008—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/284—Application of the shear wave component and/or several components of the seismic signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명은 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 에 관한 것으로서, 대상 지역의 지진파를 이용하여 지진 판별 진도를 예측하는 진도예측 시스템에 의해 수행되는 인공신경망 기법을 이용한 지진여부판별 방법에 있어서, 대상 지역의 과거 지진 데이터를 수집하고, 상기 수집된 과거 지진 데이터에서 지진파 특성 데이터를 도출하는 단계; 상기 도출된 지진파 특성 데이터를 반영하여 상기 대상 지역에 대한 일반 진동 및 지진 진동의 학습 데이터를 무작위로 생성하는 의사 진동 확률 모델을 수행하는 단계; 상기 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공하는 단계; 실제 P파가 감지되면, 상기 감지된 P파를 상기 인공 신경망에 입력하여 지진 여부를 판별하는 단계; 및 상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계를 포함한다.
따라서, 본 발명은 주택이나 건물 등의 스마트 지진계에 적용되어 지진 경보의 정확도와 신뢰도를 향상시킬 수 있고, 건축 및 토목 분야의 구조물 건전성 모니터링(SHM) 기술에 적용되어 구조물의 지진 영향을 분석할 수 있으며, 시공 중인 구조물에도 적용되어 공사 현장에 자연재해 발생 시 신속히 조기 대피 및 조기 설비 제어를 수행할 수 있다.

Description

임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템{METHODS FOR DIFFERENTIATION OF EARTHQUAKE SIGNAL AND PREDICTION OF EARTHQUAKE INTENSITY USING RANDOMLY GENERATED ARTIFICIAL SEISMIC TRAINING DATA FOR AN ARBITRARY ZONE}
본 발명은 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템에 관한 것으로, 보다 상세하게는 과거 지진데이터가 부족한 지역에 대해 인공신경망 학습을 통해 구조물의 응답, 진도 등의 지진의 파급력을 예측할 수 있는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템에 관한 것이다.
일반적으로 구조물의 지진피해를 최소화하기 위한 선제적 예방 조치로서 주요 구조물에 대한 내진설계가 적용되고 있다.
그러나 중규모 이상의 지진이 발생될 경우에 지진의 특성상 지진 발생 인근 지역에서의 안전기준을 초과하는 지반진동 발생에 의해 지진피해가 발생될 수 있다.
한편, 지진 피해 발생 시 신속한 복구를 위해 구조물의 지진피해 정도의 정량적인 추정 및 피해 정도에 따른 적절한 후속 조치가 수행해야 한다.
그러나 우리나라에는 중규모 이상의 지진 데이터에 대한 실측 자료가 많지 않기 때문에, 실제로 중규모 이상의 지진발생 시에 구조물의 지진피해 정도를 정량적으로 추정할 수 있는 모델 및 방법론이 미흡한 실정이다.
구조물의 지진피해 정도와 관련하여 일반적으로 알려진 방법은, 대규모 지진만을 상정하여 경험적이거나 실험적, 혹은 해석적인 방법으로 도출한 구조물의 지진 취약도 곡선을 이용하여 지반운동 크기별 지진피해(손상) 정도를 확률적으로 추정하는 방법이다.
그러나 이 방법은 대규모 지진만을 상정하여 지진 피해 정도를 추정하기 때문에 중소 규모 지진이 예상되는 지역에서는 지진 피해 정도를 과대평가할 수 있는 문제점이 있다.
또한, 종래에는 대부분 제한적인 과거 지진 데이터를 기반으로 인공 신경망 기법을 활용하여 지역별 구조물에 대한 지진 피해를 예측하고 있으나, 과거 지진 데이터가 부족한 지역의 경우에 구조물의 지진 영향을 정확히 분석할 수 없어 해당 지역에 대한 지진 경보의 정확도와 신뢰도가 떨어질 수밖에 없는 문제점이 있다.
이에 본 출원인은 상기와 같은 종래기술의 문제점을 해결할 수 있는 새로운 방식의 인공신경망 기법을 이용한 지진 정보 예측 방법을 창안하게 되었다.
한국등록특허 제10-1598417호 “건축 구조물의 비선형 거동을 예측하기 위한 시스템 식별(SI)의 방법” 한국등록특허 제10-1713696호 “지진파에 의한 구조물 거동 예측정보 산출 시스템 및 산출 방법”
본 발명은 지역별 과거 지진 데이터를 이용하여 P파 지진 진동과 일반 진동의 학습 데이터를 무작위로 생성하고, 학습 데이터를 인공신경망의 입력 데이터로 활용하여 지진 판별, S파의 특성, 구조물의 응답 레벨의 진도 산정 및 지진 피해 규모를 예측할 수 있는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템을 제공한다.
본 발명의 바람직한 일실시예에 따른 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법은, 대상 지역의 지진파를 이용하여 지진 판별 및 진도를 예측하는 진도예측 시스템에 의해 수행하는 인공신경망 기법을 이용한 지진여부판별 방법에 있어서, 대상 지역의 과거 지진 데이터를 수집하고, 상기 수집된 과거 지진 데이터에서 지진파 특성 데이터를 도출하는 단계; 상기 도출된 지진파 특성 데이터를 반영하여 상기 대상 지역에 대한 일반 진동 및 지진 진동의 학습 데이터를 무작위로 생성하는 의사진동 확률 모델을 수행하는 단계; 상기 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공하는 단계; 실제 P파가 감지되면, 상기 감지된 P파를 상기 인공 신경망에 입력하여 지진 여부를 판별하는 단계; 및 상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 지진파의 특성 데이터는 P파에 대한 실효치(
Figure 112018062762860-pat00001
), 에너지 분포(
Figure 112018062762860-pat00002
), 초기 지진파 증폭 특성, 지진 성분 대표 진폭비를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동(Pseudo Earthquake) 확률 모델은 P파의 에너지 분포, 실효치, 진폭증가비, 진폭비를 입력 데이터로 사용하고, Norm, Max, Min을 포함한 대표값을 이용한 입력 데이터의 정규화와 주성분 분석을 통해 차원 축소 과정을 거쳐 일반 진동과 지진 진동의 학습 데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델은, 상기 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra , Rbk)를 무작위로 설정하고, 상기 설정된 Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 실효치(
Figure 112018062762860-pat00003
)와 주파수 에너지 분포(
Figure 112018062762860-pat00004
)를 가지는 지진진동의 학습 데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델은, 초기 지진파의 증폭 특성을 반영하기 위해 초기 지진파의 증폭비를 무작위로 조정하는 삼각형 윈도우 함수를 적용하여 학습 데이터를 생성하는 것을 특징으로 한다.
또한, 수평 및 수직 성분의 대표 진폭비를 고려하여 학습 데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델은, 상기 과거 지진 데이터를 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역의 제1 지진샘플값을 출력하는 단계; 상기 제1 지진샘플값에 상기 과거 지진 데이터의 확률 통계 특성으로 범위(l1, l2)가 설정된 무작위 Ra, Rbk를 설정한 후 주 파수 에너지 분포 변환을 수행하여 제2 지진샘플값을 출력하는 단계; 및 상기 제2 지진샘플값을 역 FFT에 의해 주파수 영역에서 시간 영역으로 변환하여 지진 진동의 학습 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델은, 상기 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra, Rbk)를 무작위로 설정하고, 상기 설정된 Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 실효치(
Figure 112018062762860-pat00005
)와 주파수 에너지 분포(
Figure 112018062762860-pat00006
)를 가지는 일반진동의 학습 데이터를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델은, 상기 과거 지진 데이터를 시간 영역 무작위 스케일링 및 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역의 제2 일반샘플값을 출력하는 단계; 상기 제1 일반샘플값에 상기 과거 지진 데이터의 확률 통계 특성에서 벗어난 범위(l1, l2)로 설정된 무작위 Ra, Rbk를 설정한 후 주파수 에너지 분포 변환을 수행하여 제2 일반샘플값을 출력하는 단계; 및 상기 제2 일반샘플값을 역 FFT에 의해 주파수 영역 에서 시간 영역으로 변환하여 일반 진동의 학습 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공하는 단계는, 인공 신경망에 P파를 이용한 지진 진동 및 일반 진동의 학습 데이터가 입력되면 차원 축소 과정을 거쳐 지진 판별 인공 신경망 가중치(
Figure 112018062762860-pat00007
)를 계산하여 P파를 이용한 지진 판별 인공 신경망을 생성하는 단계; 및 P파의 학습 데이터를 이용하여 에너지 강도 및 분포에 대한 주파수 특성을 이용하여 S파의 주파수 특성을 인공 신경망으로 추정하여 S파 생성 인자 도출 인공 신경망을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 P파를 이용한 지진 판별 인공 신경망의 출력값은 하기 수학 식 1로 나타나고, 상기 수학식 1에서
Figure 112018062762860-pat00008
,
Figure 112018062762860-pat00009
이며,
Figure 112018062762860-pat00010
의 정규화 실시, 입력-출력 데이터 집합에 의한 가중치(
Figure 112018062762860-pat00011
)를 계산하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 S파 생성 인자 도출 인공 신경망의 출력값은 하기 수학식 2로 나타내고, 상기 수학식 2에서, R'a, R'bk는 S파 주파수별 강도 변환계수이고, Es는 S파 주파수별 에너지 분포이며,
Figure 112018062762860-pat00012
,
Figure 112018062762860-pat00013
이고,
Figure 112018062762860-pat00014
의 정규화 실시 및 입력-출력 데이터 집합에 의한 가중치(
Figure 112018062762860-pat00015
)를 계산하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계는, 수학식 3을 이용하여 인공 S파를 생성하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계는, 상기 인공 S파를 이용하여 비선형 구조물 해석을 통해 최대 변위 및 층간 변위를 도출하고, 상기 도출된 최대 변위 및 층간 변위를 통해 경보 레벨을 설정하여 지진 경보를 발생하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계는, 상기 일반 진동 및 지진 진동의 학습 데이터를 이용하여 사전에 구조물의 비선형 해석을 수행하여 구조물 응답 학습 데이터를 생성하는 단계; 및 상기 인공 S파의 주파수 특성을 이용하여 최대 변위 및 층간 변위를 도출하고, 상기 도출된 최대 변위 및 층간 변위를 통해 경보 레벨을 설정하여 지진 경보를 발생하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 지진 경보가 제공이 완료된 P파와 S파의 최종 계측된 지진 데이터를 이용해 최대 가속도와 진도 정보를 산출하여 데이터베이스에 저장하고, 최종 계측된 지진 데이터를 이용하여 인공신경망에 재학습하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 지역별로 과거 지진 데이터, 지진 규모별 피해 규모 데이터를 데이터베이스 저장하고, 현재 계측된 지진 데이터를 과거 지진 데이터 및 지진 규모별 피해 규모 데이터와 비교하여 현재 계측된 지진에 의한 지진 규모 및 피해 규모를 예측하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 시설물에 건물 응답 센서가 설치된 경우에, 상기 건물 응답 센서의 센서 데이터와 최종 계측된 지진 데이터를 이용하여 지진에 따른 시설물의 피해 규모를 학습하는 단계를 더 포함하는 것을 특징으로 한다.
한편 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있으며, 특정 실시예들은 상세한 설명에서 구체적으로 설명한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해서 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
또한 본 발명에서 사용하는 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 것이며, 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.
본 발명의 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템에 따르면, 시설물의 스마트 지진계에 적용되어 지진 경보의 정확도와 신뢰도를 향상시킬 수 있고, 건축 및 토목 분야의 구조물 건전성 모니터링(SHM) 기술에 적용되어 구조물의 지진 영향을 분석할 수 있으며, 시공 중인 구조물에도 적용되어 공사 현장에 자연재해 발생 시 신속히 조기 대피 및 조기 설비 제어를 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 진도예측 시스템을 설명하는 도면,
도 2는 본 발명의 일실시예에 따른 인공신경망 기법을 이용한 지진여부판별 방법을 설명하는 순서도,
도 3은 도 2의 과거 지진 데이터를 이용한 인공신경망 학습 과정을 설명하는 순서도,
도 4는 도 2의 지진 판별 구조물의 응답 도출 과정을 설명하는 순서도,
도 5는 본 발명의 일실시예에 따른 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법을 이용한 지진 규모 및 피해 규모 예측 과정을 설명하는 도면이다.
이하, 본 발명을 첨부된 예시도면에 의거하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 진도예측 시스템을 설명하는 도면이다.
도 1을 참고하면, 진도예측 시스템(100)은, 지진 계측부(110), 지진 분석부(120), 지진 경보 발생부(130) 및 데이터베이스(140)를 포함한다.
지진 계측부(110)는 P파와 S파뿐만 아니라 일반 진동을 감지하여 지진 분석 부(120)에 제공한다.
지진 분석부(120)는 P파 계측 시 과거 지진 데이터를 이용한 대상 지역의 특성을 반영하여 S파의 규모 및 구조물의 진도를 예측하기 위해 인공신경망 기법을 활용한다.
이러한 지진 분석부(120)는 대상 지역의 지진파 특성 데이터를 반영하여 대상 지역에 대한 일반 진동 및 지진 진동의 학습 데이터를 무작위로 생성하는 의사 진동 확률 모델을 수행하고, P파 계측 시 대상 구역의 P파를 이용하여 실시간 S파의 규모, 구조물의 응답 레벨이나 층별 진도 레벨 등의 지진 피해를 예측한다.
이때, 의사진동(Pseudo Earthquake) 확률 모델은 P파의 에너지 분포, 실효치, 진폭증가비, 진폭비를 입력 데이터로 사용하고, Norm, Max, Min 등의 대표값을 이용한 입력 데이터의 정규화와 주성분 분석을 통해 차원 축소 과정을 거쳐 일반 진동과 지진 진동의 학습 데이터를 생성하는 모델이다.
지진 경보 발생부(130)는 지진 분석부(120)에서 분석된 구조물의 피해 규모의 예측하여 조기 대피 경보 또는 조기 설비 제어를 포함한 지진 경보를 발생한다.
데이터베이스(140)는 지역별로 과거 지진 데이터, 과거 지진 규모별 피해 규모 데이터, 현재 최종 측정된 지진 데이터 등을 저장한다.
도 2는 본 발명의 일실시예에 따른 인공신경망 기법을 이용한 지진여부판별 방법을 설명하는 순서도이다.
도 2를 참고하면, 인공신경망 기법을 이용한 지진여부판별 방법은, 대상 지역의 과거 지진 데이터를 수집하고, 수집된 과거 지진 데이터에서 지진파 특성 데이터를 도출한다.(S201)
i번째 과거 P파 지진 기록데이터인 지진파(
Figure 112018062762860-pat00016
)의 특성 데이터는 P파에 대한 실효치(
Figure 112018062762860-pat00017
), 에너지 분포(
Figure 112018062762860-pat00018
), 초기 지진파 증폭 특성, 지진 성분 대표 진폭비를 포함한다. 여기서,
Figure 112018062762860-pat00019
는 i번째 지진파의 FFT 결과에서 k번째 주파수 그룹을 의미한다.
이때, 실효치(root mean square)는 임의의 데이터를 확률통계적으로 평가하는 경우의 기본이 되는 값, 즉 평균하는 시간으로서 지반운동의 주요 움직임이 있는 부분을 이용하면 최대가속도와 같은 순간값과 다르게 실제적인 세기를 나타낼 수가 있다. 실효치는 평균하는 시간에 의하여 값이 달라지기 때문에 주의하여야 한다.
진도예측 시스템(100)은 도출된 지진파 특성 데이터를 반영하여 대상 지역에 대한 일반 진동 및 지진 진동의 학습 데이터를 무작위로 생성하는 의사진동 확률 모델을 수행하고, 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공한다.(S202, S203)
진도예측 시스템은 실제 P파가 감지되면 감지된 P파의 지진 신호를 학습된 인공 신경망에 입력하여 지진 여부를 판별한다.(S204, S205, S206)
또한, 진도예측 시스템은 학습된 인공 신경망을 통해 S파의 특성을 도출하여 구조물 응답 추정을 위한 인공 S파를 생성한다.(S207)
진도예측 시스템은 인공 S파를 이용하여 구조물의 피해 규모를 예측한 후 지진 경보를 발령한다.(S208, S209)
도 3은 도 2의 과거 지진 데이터를 이용한 인공 신경망 학습 과정을 설명하는 순서도이다.
도 3을 참고하면, 진도예측 시스템은 중강진 지진 데이터가 부족한 지역인 경우에 대상 지역의 인접 지역에 대한 과거 지진 데이터를 초기 학습 데이터로 사용하고, 의사진동 확률 모델을 통해 P파에 대한 지진 진동과 일반 진동의 학습 데이터를 생성한다.(S301, S302)
이때, 의사진동 확률 모델은, 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra, Rbk)를 무작위로 설정하고, 상기 설정된 Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 실효치(
Figure 112018062762860-pat00020
)와 주파수 에너지 분포(
Figure 112018062762860-pat00021
)를 가지는 지진진동의 학습 데이터를 생성한다.
즉, 의사진동 확률 모델은 과거 지진 데이터를 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역의 제1 지진샘플값을 출력하고, 제1 지진샘플값에 상기 과거 지진 데이터의 확률 통계 특성으로 범위(l1, l2)가 설정된 무작위 Ra, Rbk를 설정한 후 주파수 에너지 분포 변환을 수행하여 제2 지진샘플값을 출력하며, 제2 지진샘플값을 역 FFT에 의해 주파수 영역에서 시간 영역으로 변환하여 지진 진동의 학습 데이터(
Figure 112018062762860-pat00022
,
Figure 112018062762860-pat00023
,
Figure 112018062762860-pat00024
)를 생성한다.
한편, 의사진동 확률 모델은, 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra, Rbk)를 무작위로 설정하고, Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 일반 진동에 대한 실효치(
Figure 112018062762860-pat00025
)와 주파수 에너지 분포(
Figure 112018062762860-pat00026
)를 가지는 일반진동의 학습 데이터를 생성한다.
세부적으로, 초기 지진 강도 증폭비의 변화를 반영하기 위해
Figure 112018062762860-pat00027
의 초기 임의 시간대에 삼각형 윈도우(window) 함수를 적용하여 변화시킬 수 있으며, 상기 삼각형 윈도우 함수를 사용하여 학습 데이터를 생성한다.
이때, 수평 및 수직 성분의 대표 진폭비를 고려하여 학습데이터를 생성할 수 있다.
즉, 의사진동 확률 모델은, 과거 지진 데이터를 시간 영역 무작위 스케일링 및 고속 푸리에 변환(FFT)을 통해 주파수 영역의 제 1 일반샘플값을 출력하고, 제1 일반샘플값에 과거 지진 데이터의 확률 통계 특성에서 벗어난 범위(l1, l2)로 설정된 무작위 Ra, Rbk를 설정한 후 주파수 에너지 분포 변환을 수행하여 제2 일반샘플값을 출력하며, 제2 일반샘플값을 역 FFT에 의해 주파수 영역에서 시간 영역으로 변환하여 일반 진동의 학습 데이터(
Figure 112018062762860-pat00028
,
Figure 112018062762860-pat00029
,
Figure 112018062762860-pat00030
)를 생성한다.
이후에, 진도예측 시스템은 의사진동 확률 모델을 통해 생성된 P파를 이용한 지진 진동 및 일반 진동의 학습 데이터를 인공 신경망의 입력 데이터로 제공하고, 차원 축소 과정을 수행한다.(S303)
또한, 진도예측 시스템은 P파의 학습 데이터를 이용하여 에너지 강도 및 분포에 대한 주파수 특성을 이용하여 S파의 주파수 특성을 인공 신경망으로 추정하여 S파 생성 인자 도출 인공 신경망을 생성한다.(S304)
진도예측 시스템은 지진 판별 인공 신경망 가중치(
Figure 112018062762860-pat00031
)를 계산하고, S파 생성 인자 도출 인공 신경망 가중치(
Figure 112018062762860-pat00032
)를 계산한다.(S305, S306)
이때, P파를 이용한 지진 판별 인공 신경망의 출력값은 하기 수학식 1로 나타낼 수 있다.
[수학식 1]
Figure 112018062762860-pat00033
상기 수학식 1에서
Figure 112018062762860-pat00034
,
Figure 112018062762860-pat00035
이며,
Figure 112018062762860-pat00036
의 정규화 실시(MinMax, STD, norm), 입력-출력 데이터 집합에 의한 가중치(
Figure 112018062762860-pat00037
)를 계산한다.
또한, S파 생성 인자 도출 인공 신경망의 출력값은 하기 수학식 2로 나타내고, 수학식 2에서
Figure 112018062762860-pat00038
,
Figure 112018062762860-pat00039
이고,
Figure 112018062762860-pat00040
의 정규화 실시(MinMax, STD, norm) 및 입력-출력 데이터 집합에 의한 가중치(
Figure 112018062762860-pat00041
)를 계산한다.
여기서, R'a , R'bk는 S파 주파수별 강도 변환계수이고, Es는 S파 주파수별 에너지 분포이다.
[수학식 2]
Figure 112018062762860-pat00042
도 4는 도 2의 지진 판별 구조물의 응답 도출 과정을 설명하는 순서도이다.
도 4를 참고하면, 진도예측 시스템은 실시간 P파를 계측하여 지진 신호를 출력하고, 인공 신경망에 P파의 지진 신호를 입력 데이터로 제공한 후 차원 축소 과정을 거쳐 인공 신경망에서 지진 판별용 출력값을 산출한다.(S401, S402, S403)
진도예측 시스템은 지진 판별용 출력값을 통해 지진 여부를 판별하고, 지진이라고 판단된 경우에 인공신경망에서 인공 S파 생성용 출력값을 산출하고, 구조물 응답 추정을 위해 하기 수학식 3을 이용해 인공 S파를 생성한다.(S405, S406)
[수학식 3]
Figure 112018062762860-pat00043
진도예측 시스템은 P파와 S파의 특성 관계가 대상 구역의 지반, 진원 단층 특성, 발생 깊이 등에 의해 비선형 관계를 가지므로 인공 S파를 이용하여 구조물의 비선형 해석을 수행하고, 구조물의 응답 레벨(최대 변위)과 층별 진도 레벨(층간 변위)을 산출한 후 경보 레벨을 설정하여 조기 대피 경보 및 조기 설비 제어를 위한 지진 경보를 발생한다.(S407, S408, S410)
또는 진도예측 시스템은 일반 진동 및 지진 진동의 학습 데이터를 이용하여 사전에 구조물의 비선형 해석을 수행하여 구조물 응답 학습 데이터를 생성한 후 인공 신경망에 S파의 주파수 특성과
Figure 112018062762860-pat00044
을 입력 데이터로 제공하고, 인공 신경망에서 구조물의 최대 변위 및 층간 변위를 도출할 수도 있다. (S409)
진도예측 시스템은 지진 경보가 제공이 완료된 P파와 S파의 최종 계측된 지진 데이터를 이용해 최대 가속도와 진도 정보를 산출하여 데이터베이스(140)에 저장하고, 최종 계측된 지진 데이터를 이용하여 인공신경망에 재학습을 실시한다.(S411, S412)
이때, 최종 계측된 지진 데이터뿐만 아니라 일반 진동에 관련된 데이터도 재학습 데이터로 사용하고, 대상 지역의 지진파 특성 데이터에 반영함으로써 지속적으로 지진 판별 및 지진 피해 규모 산정의 정확도를 개선시킬 수 있도록 한다.
도 5는 본 발명의 일실시예에 따른 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법을 이용한 지진 규모 및 피해 규모 예측 과정을 설명하는 도면이다.
도 5를 참고하면, 진도예측 시스템은 지역별로 과거 지진 데이터를 데이터베이스에 저장하고, 과거 지진 규모별 피해 규모 데이터도 데이터베이스에 저장한다.(S501, S502)
진도예측 시스템은 실제 P파의 지진 신호가 계측되면 데이터베이스에서 과거 지진 데이터, 과거 지진 규모별 피해 규모 데이터를 읽어오고, 현재 계측된 지진 데이터와 비교하여 향후 지진 규모 및 피해 규모를 예측할 수 있다.(S503, S504, S505)
또한, 진도예측 시스템은 시설물에 건물 응답 센서가 설치된 경우에, 상기 건물 응답 센서의 센서 데이터와 최종 계측된 지진 데이터를 이용하여 지진에 따른 시설물의 피해 규모를 학습할 수 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.
한편, 본 발명에 기재된 실시예 및 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 표현하는 것은 아니므로, 본 발명의 권리범위는 본문에 설명된 실시예 및 도면에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
나아가, 여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
110 : 지진 계측부 120 : 지진 분석부
130 : 지진 경보 발생부 140 : 데이터베이스

Claims (17)

  1. 대상 지역의 지진파를 이용하여 지진 판별 및 진도를 예측하는 진도예측 시스템에 의해 수행하는 인공신경망 기법을 이용한 지진여부판별 방법에 있어서,
    대상 지역의 과거 지진 데이터를 수집하고, 상기 수집된 과거 지진 데이터에서 지진파 특성 데이터를 도출하는 단계;
    상기 도출된 지진파 특성 데이터를 반영하여 상기 대상 지역에 대한 일반 진동 및 지진 진동의 학습 데이터를 무작위로 생성하는 의사진동 확률 모델을 수행하는 단계;
    상기 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공하는 단계;
    실제 P파가 감지되면, 상기 감지된 P파를 상기 인공 신경망에 입력하여 지진 여부를 판별하는 단계; 및
    상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계;를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  2. 제 1 항에 있어서,
    상기 지진파(
    Figure 112018062762860-pat00045
    )의 특성 데이터는 P파에 대한 실효치(
    Figure 112018062762860-pat00046
    ), 에너지 분포(
    Figure 112018062762860-pat00047
    ), 초기 지진파 증폭 특성, 지진 성분 대표 진폭비를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  3. 제 2 항에 있어서,
    상기 의사진동(Pseudo Earthquake) 확률 모델은 P파의 에너지 분포, 실효치, 진폭증가비, 진폭비를 입력 데이터로 사용하고, Norm, Max, Min을 포함한 대표값을 이용한 입력 데이터의 정규화와 주성분 분석을 통해 차원 축소 과정을 거쳐 일반 진동과 지진 진동의 학습 데이터를 생성하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  4. 제 2 항에 있어서,
    상기 의사진동 확률 모델은,
    상기 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra, Rbk)를 무작위로 설정하고, 상기 설정된 Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 실효치(
    Figure 112018062762860-pat00048
    )와 주파수 에너지 분포(
    Figure 112018062762860-pat00049
    )를 가지는 지진진동의 학습 데이터를 생성하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  5. 제 2 항에 있어서,
    상기 의사진동 확률 모델은,
    초기 지진파의 증폭 특성을 반영하기 위해 초기 지진파의 증폭비를 무작위로 조정하는 삼각형 윈도우(window) 함수를 적용하여 학습 데이터를 생성하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  6. 제 4 항에 있어서,
    의사진동 확률 모델을 수행하는 단계는,
    상기 과거 지진 데이터를 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역의 제1 지진샘플값을 출력하는 단계;
    상기 제1 지진샘플값에 상기 과거 지진 데이터의 확률 통계 특성으로 범위(l1, l2)가 설정된 무작위 Ra, Rbk를 설정한 후 주파수 에너지 분포 변환을 수행하여 제2 지진샘플값을 출력하는 단계; 및
    상기 제2 지진샘플값을 역 FFT에 의해 주파수 영역에서 시간 영역으로 변환하여 지진 진동의 학습 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  7. 제 2 항에 있어서,
    상기 의사진동 확률 모델은,
    상기 과거 지진 데이터에서 주파수별 에너지 강도 변환 계수(Ra, Rbk)를 무작위로 설정하고, 상기 설정된 Ra, Rbk를 이용하여 지진파 특성 데이터가 반영된 실효치(
    Figure 112019085037322-pat00069
    )와 주파수 에너지 분포(
    Figure 112019085037322-pat00070
    )를 가지는 일반진동의 학습 데이터를 생성하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  8. 제 7 항에 있어서,
    의사진동 확률 모델을 수행하는 단계는,
    상기 과거 지진 데이터를 시간 영역 무작위 스케일링 및 고속 푸리에 변환(Fast Fourier Transform, FFT)을 통해 주파수 영역의 제1 일반샘플값을 출력하는 단계;
    상기 제1 일반샘플값에 상기 과거 지진 데이터의 확률 통계 특성에서 벗어난 범위(l1, l2)로 설정된 무작위 Ra, Rbk를 설정한 후 주파수 에너지 분포 변환을 수행하여 제2 일반샘플값을 출력하는 단계; 및
    상기 제2 일반샘플값을 역 FFT에 의해 주파수 영역에서 시간 영역으로 변환하여 일반 진동의 학습 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  9. 제 1 항에 있어서,
    상기 의사진동 확률 모델을 통해 생성된 학습 데이터를 인공 신경망 학습에 제공하는 단계는,
    인공 신경망에 P파를 이용한 지진 진동 및 일반 진동의 학습 데이터가 입력되면 차원 축소 과정을 거쳐 지진 판별 인공 신경망 가중치(
    Figure 112018062762860-pat00052
    )를 계산하여 P파를 이용한 지진 판별 인공 신경망을 생성하는 단계; 및
    P파의 학습 데이터를 이용하여 에너지 강도 및 분포에 대한 주파수 특성을 이용하여 S파의 주파수 특성을 인공 신경망으로 추정하여 S파 생성 인자 도출 인공 신경망을 생성하는 단계를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  10. 제 9 항에 있어서,
    상기 P파를 이용한 지진 판별 인공 신경망의 출력값은 하기 수학식 1로 나타나고,
    [수학식 1]
    Figure 112018062762860-pat00053

    상기 수학식 1에서
    Figure 112018062762860-pat00054
    ,
    Figure 112018062762860-pat00055
    이며,
    Figure 112018062762860-pat00056
    의 정규화 실시, 입력-출력 데이터 집합에 의한 가중치(
    Figure 112018062762860-pat00057
    )를 계산하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  11. 제 9 항에 있어서,
    상기 S파 생성 인자 도출 인공 신경망의 출력값은,
    [수학식 2]
    Figure 112019085037322-pat00071
    에서
    Figure 112019085037322-pat00072
    ,
    Figure 112019085037322-pat00073

    (여기서, R'a, R'bk는 S파 주파수별 강도 변환계수이고, Es는 주파수별 에너지 분포이며,
    Figure 112019085037322-pat00074
    는
    Figure 112019085037322-pat00075
    의 정규화 실시 및 입력-출력 데이터 집합에 의한 가중치)에 의해 계산되는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  12. 제 1 항에 있어서,
    상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계는,
    [수학식 3]
    Figure 112018062762860-pat00063

    상기 수학식 3을 이용하여 인공 S파를 생성하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  13. 제 1 항에 있어서,
    상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공 하는 단계는,
    상기 인공 S파를 이용하여 비선형 구조물 해석을 통해 최대 변위 및 층간 변위를 도출하고, 상기 도출된 최대 변위 및 층간 변위를 통해 경보 레벨을 설정하여 지진 경보를 발생하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  14. 제 1 항에 있어서,
    상기 인공 신경망 기법을 통해 구조물 응답 추정을 위해 인공 S파를 생성하고, 상기 생성된 인공 S파를 이용하여 구조물의 피해 규모를 예측하여 지진 경보를 제공하는 단계는,
    상기 일반 진동 및 지진 진동의 학습 데이터를 이용하여 사전에 구조물의 비선형 해석을 수행하여 구조물 응답 학습 데이터를 생성하는 단계; 및
    상기 인공 S파의 주파수 특성을 이용하여 최대 변위 및 층간 변위를 도출하고, 상기 도출된 최대 변위 및 층간 변위를 통해 경보 레벨을 설정하여 지진 경보를 발생하는 단계를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  15. 제 1 항에 있어서,
    상기 지진 경보가 제공이 완료된 P파와 S파의 최종 계측된 지진 데이터를 이용해 최대 가속도와 진도 정보를 산출하여 데이터베이스에 저장하고, 최종 계측된 지진 데이터를 이용하여 인공신경망에 재학습하는 단계를 더 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  16. 제 15 항에 있어서,
    지역별로 과거 지진 데이터, 지진 규모별 피해 규모 데이터를 데이터베이스에 저장하고, 현재 계측된 지진 데이터를 과거 지진 데이터 및 지진 규모별 피해 규모 데이터와 비교하여 현재 계측된 지진에 의한 지진 규모 및 피해 규모를 예측하는 단계와
    시설물에 건물 응답 센서가 설치된 경우에, 상기 건물 응답 센서의 센서 데이터와 최종 계측된 지진 데이터를 이용하여 지진에 따른 시설물의 피해 규모를 학습하는 단계를 더 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법.
  17. 제 1 항 내지 제 16 항 중 어느 한 항에 기재된 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법을 이용하는 진도예측 시스템(100)에 있어서,
    상기 진도예측 시스템(100)은 P파와 S파 및 일반 진동을 감지하는 지진 계측부(110);와,
    상기 지진 계측부(110)에서 감지된 P파, S파 및 일반 진동을 전달받아 P파 계측 시 과거 지진 데이터를 이용한 대상 지역의 특정을 반영하여 S파의 규모 및 구조물의 진도를 예측하는 지진 분석부(120);와,
    상기 지진 분석부(120)에서 분석된 구조물의 피해 규모를 예측하여 지진 경보를 발생시키는 지진 경보 발생부(130);와,
    지역별로 과거 지진 데이터와 과거 지진 규모별 피해 규모 데이터와 현재 최종 측정된 지진 데이터를 저장하는 데이터베이스(140);를 포함하는 것을 특징으로 하는 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 진도예측 시스템.
KR1020180073532A 2017-12-28 2018-06-26 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 KR102027252B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20170181905 2017-12-28
KR1020170181905 2017-12-28

Publications (2)

Publication Number Publication Date
KR20190080712A KR20190080712A (ko) 2019-07-08
KR102027252B1 true KR102027252B1 (ko) 2019-10-01

Family

ID=67256140

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180073532A KR102027252B1 (ko) 2017-12-28 2018-06-26 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템

Country Status (1)

Country Link
KR (1) KR102027252B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220134421A (ko) 2021-03-26 2022-10-05 한국과학기술정보연구원 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171066B1 (ko) * 2019-08-05 2020-10-28 주식회사 라온컨버전스 딥 러닝을 적용한 지진파형 탐지 방법
KR102264039B1 (ko) * 2019-11-07 2021-06-11 한국철도기술연구원 차량 탑재형 열차 지진 경보 시스템 및 방법
CN113960656B (zh) * 2020-07-20 2023-07-25 中国石油天然气股份有限公司 地震数据目标形态特征识别方法及装置
CN112305591B (zh) * 2020-10-10 2022-04-29 中国地质大学（北京） 隧道超前地质预报方法、计算机可读存储介质
KR102218181B1 (ko) * 2020-11-06 2021-02-23 케이아이티밸리(주) 기계학습을 이용한 지역대상 지진조기경보를 위한 실시간 경보 결정 방법
CN112508060B (zh) * 2020-11-18 2023-08-08 哈尔滨工业大学（深圳） 一种基于图卷积神经网络的滑坡体状态判断方法及系统
CN112799128B (zh) * 2021-02-03 2021-10-22 北京航空航天大学 一种地震信号检测和震相提取的方法
CN116340757B (zh) * 2023-04-25 2023-08-08 中国地震局地震研究所 一种特征自适应地震预警震级预测方法及其系统
CN116306893B (zh) * 2023-05-24 2023-07-28 华东交通大学 一种接触网覆冰预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006170739A (ja) 2004-12-15 2006-06-29 Kajima Corp 緊急地震速報を用いた地震防災システム
KR100911896B1 (ko) 2009-03-11 2009-08-13 (주)대우건설 인공손상학습 기반하의 지진경보장치
KR101642862B1 (ko) 2015-02-10 2016-07-26 한국지질자원연구원 광산 지역에서의 지진 피해 예측을 위한 시스템 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08179047A (ja) * 1994-12-26 1996-07-12 Osaka Gas Co Ltd ニューラルネットワークを用いる地震時の液状化判定方法
KR101598417B1 (ko) 2014-12-04 2016-03-02 순천향대학교 산학협력단 건축 구조물의 비선형 거동을 예측하기 위한 시스템 식별(ｓｉ)의 방법
KR101713696B1 (ko) 2015-09-25 2017-03-21 조선대학교산학협력단 지진파에 의한 구조물 거동 예측정보 산출 시스템 및 산출 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006170739A (ja) 2004-12-15 2006-06-29 Kajima Corp 緊急地震速報を用いた地震防災システム
KR100911896B1 (ko) 2009-03-11 2009-08-13 (주)대우건설 인공손상학습 기반하의 지진경보장치
KR101642862B1 (ko) 2015-02-10 2016-07-26 한국지질자원연구원 광산 지역에서의 지진 피해 예측을 위한 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220134421A (ko) 2021-03-26 2022-10-05 한국과학기술정보연구원 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치

Also Published As

Publication number Publication date
KR20190080712A (ko) 2019-07-08

Similar Documents

Publication Publication Date Title
KR102027252B1 (ko) 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템
EP1250579B1 (en) Method for vibration analysis
KR102044041B1 (ko) 지진측정장치 및 지진측정방법
Zhou et al. Physical parameter identification of structural systems with hysteretic pinching
Yao et al. Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method
Park et al. Sequential damage detection approaches for beams using time-modal features and artificial neural networks
KR101891175B1 (ko) 동특성 변화를 이용한 건물 구조물의 안전도 평가방법 및 시스템
Anderson et al. A least squares method for objective determination of earthquake source parameters
Yaghmaei-Sabegh Application of wavelet transforms on characterization of inelastic displacement ratio spectra for pulse-like ground motions
Yao et al. Autoregressive spectrum-guided variational mode decomposition for time-varying modal identification under nonstationary conditions
Yazdanpanah et al. Fragility curves for seismic damage assessment in regular and irregular MRFs using improved wavelet-based damage index
US11906678B2 (en) Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded
TW201819955A (zh) 自動化校正地盤特性之現地型地震預警系統及相關方法
Jayawardhana et al. Statistical damage sensitive feature for structural damage detection using AR model coefficients
CN116861544B (zh) 一种基于边云协同的建筑异常振动源定位方法及相关设备
JP2020112445A (ja) 地震情報処理装置
Souza et al. Impact of damping models in damage identification
Salimi et al. Reliability-based fragility analysis of nonlinear structures under the actions of random earthquake loads
Sgobba et al. An evolutionary stochastic ground-motion model defined by a seismological scenario and local site conditions
Zuo et al. Structural nonlinear damage identification based on Bayesian optimization GNAR/GARCH model and its experimental study
Kandula et al. Field testing of indirect displacement estimation using accelerometers
Hoseini Vaez et al. Effect of the frequency content of earthquake excitation on damage detection in steel frames
JP7487054B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置
Sabamehr Development of Efficient Vibration-based Techniques for Structural Health Monitoring
Mohamady et al. Statistical uncertainty analysis of an acoustic system

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant