KR102287776B1 - 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치 - Google Patents

머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치 Download PDF

Info

Publication number
KR102287776B1
KR102287776B1 KR1020190114547A KR20190114547A KR102287776B1 KR 102287776 B1 KR102287776 B1 KR 102287776B1 KR 1020190114547 A KR1020190114547 A KR 1020190114547A KR 20190114547 A KR20190114547 A KR 20190114547A KR 102287776 B1 KR102287776 B1 KR 102287776B1
Authority
KR
South Korea
Prior art keywords
damage
hybrid fabric
impactor
shape
voltage drop
Prior art date
Application number
KR1020190114547A
Other languages
English (en)
Other versions
KR20210033171A (ko
Inventor
김태원
김종탁
우성충
김태현
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020190114547A priority Critical patent/KR102287776B1/ko
Publication of KR20210033171A publication Critical patent/KR20210033171A/ko
Application granted granted Critical
Publication of KR102287776B1 publication Critical patent/KR102287776B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D03D15/20—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the material of the fibres or filaments constituting the yarns or threads
    • D03D15/242—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the material of the fibres or filaments constituting the yarns or threads inorganic, e.g. basalt
    • D03D15/275—Carbon fibres
    • D—TEXTILES; PAPER
    • D04—BRAIDING; LACE-MAKING; KNITTING; TRIMMINGS; NON-WOVEN FABRICS
    • D04H—MAKING TEXTILE FABRICS, e.g. FROM FIBRES OR FILAMENTARY MATERIAL; FABRICS MADE BY SUCH PROCESSES OR APPARATUS, e.g. FELTS, NON-WOVEN FABRICS; COTTON-WOOL; WADDING ; NON-WOVEN FABRICS FROM STAPLE FIBRES, FILAMENTS OR YARNS, BONDED WITH AT LEAST ONE WEB-LIKE MATERIAL DURING THEIR CONSOLIDATION
    • D04H1/00—Non-woven fabrics formed wholly or mainly of staple fibres or like relatively short fibres
    • D04H1/40—Non-woven fabrics formed wholly or mainly of staple fibres or like relatively short fibres from fleeces or layers composed of fibres without existing or potential cohesive properties
    • D04H1/42—Non-woven fabrics formed wholly or mainly of staple fibres or like relatively short fibres from fleeces or layers composed of fibres without existing or potential cohesive properties characterised by the use of certain kinds of fibres insofar as this use has no preponderant influence on the consolidation of the fleece
    • D04H1/4209—Inorganic fibres
    • D04H1/4242—Carbon fibres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/20—Investigating the presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/02—Details
    • G01N3/06—Special adaptations of indicating or recording means
    • G01N3/066—Special adaptations of indicating or recording means with electrical indicating or recording means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/36—Textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/003—Generation of the force
    • G01N2203/0032—Generation of the force using mechanical means
    • G01N2203/0033—Weight
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0076—Hardness, compressibility or resistance to crushing
    • G01N2203/0078—Hardness, compressibility or resistance to crushing using indentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G01N2203/0216—Finite elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/026—Specifications of the specimen
    • G01N2203/0262—Shape of the specimen
    • G01N2203/0278—Thin specimens
    • G01N2203/0282—Two dimensional, e.g. tapes, webs, sheets, strips, disks or membranes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/0617—Electrical or magnetic indicating, recording or sensing means

Abstract

머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치가 제시된다. 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법은, 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 단계; 상기 하이브리드 직물에 부착된 전극을 통해 상기 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 단계; 획득한 상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계; 상기 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계; 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계; 및 검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계를 포함하여 이루어질 수 있다.

Description

머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치{Method and Apparatus for Impact Damage Detection and Predictor Shape of Carbon-Kevlar Hybrid Fabric Using Machine Learning Technique}
아래의 실시예들은 머신러닝 기법을 활용한 탄소-케블라(Carbon-Kevlar) 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치에 관한 것이다.
사회안전, 재난관리 및 국방에 임하는 종사자들은 충격, 낙차, 낙상 등 상해요소들로부터 안전에 대한 위협을 받고 있으며, 종사자들이 착용하고 있는 보호장구의 손상은 생존 및 안전에 직접적인 영향을 미칠 수 있다. 이와 같은 환경 하에서 종사자들의 안전 및 생존 확보에 기여할 수 있는 기술 개발은 국가적으로 매우 중요하고 필수적이다. 따라서 특수 종사자가 착용하는 장비 및 장구의 손상 정도를 실시간으로 모니터링 하고, 상해인자 예측을 통해 종사자의 임무 중 안전과 생존성을 향상시키는 연구가 진행되고 있다.
또한, 소재의 손상분석을 통해 안전성을 평가하는 대표적인 분야는 자동차산업과 건설부문을 포함한 산업전반에 걸쳐 있으며, 관련분야에서 음향방출기법, 초음파 스캔, 열화상 카메라, 와전류 탐상 등 다양한 비파괴 검사법을 적용한 소재 및 구조물에 대한 실시간 건전성평가 모니터링이 이루어지고 있다.
그러나 기존의 평가 방법은 장비의 휴대 및 설치가 어렵다는 단점과 유연성을 가진 보호장구에 적용이 불가능하다는 문제가 있다.
기존에 탄소섬유강화 복합재료(CFRP)의 표면저항 측정법과 기계-전기 결합 모델이 제공되었으며, 유한요소해석을 통해 손상을 재현하고 저항 변화를 수식화하는 비파괴 손상탐지 기술이 제공되었으나, CFRP는 강성이 높아 장비 및 장구의 적용이 어렵고, 극히 일부에만 적용가능성이 있다는 한계가 있다. 또한 측정기의 초소형화 및 휴대를 통한 실시간 모니터링이 힘든 어려움이 존재하며, 저항 측정을 활용한 탄소섬유의 특성상 섬유방향의 손상 탐지의 연구는 활발히 진행되고 있으나, 섬유의 수직방향과 두께방향의 손상과 관련하여 전극 쌍의 위치에 따라 저항 백분율 변화가 발생하며, 이를 실험적 방법으로 극복하는데 한계가 있다.
한국등록특허 10-1653061호는 이러한 변형 정보 감지를 위한 전기활성고분자 직물 센서에 관한 것으로, 유연성과 내구성이 충분히 확보되어 다양한 종류의 외력에도 그 기능성을 잃지 않고 설치된 장소의 변형 정보를 정확하게 측정하는 직물 센서에 관한 기술을 기재하고 있다.
한국등록특허 10-1653061호
실시예들은 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치에 관하여 기술하며, 보다 구체적으로 탄소-케블라 하이브리드 직물의 손상에 의해 발생되는 전압강하 현상을 머신러닝 기반의 랜덤포레스트(random forest)에 의거하여 손상을 유발한 충격자의 형상을 예측하는 기술을 제공한다.
실시예들은 측정기의 초소형화 및 휴대를 통한 실시간 모니터링이 가능한 전압강하 측정법을 이용하여, 보호구 직물의 소재로 적용되는 탄소-케블라 하이브리드 직물의 손상을 유발하는 충격자의 형상을 예측할 수 있는, 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치를 제공하는데 있다.
일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법은, 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 단계; 상기 하이브리드 직물에 부착된 전극을 통해 상기 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 단계; 획득한 상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계; 상기 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계; 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계; 및 검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계를 포함하여 이루어질 수 있다.
상기 하이브리드 직물은, 직조 형식의 탄소-케블라(Carbon-Kevlar) 하이브리드 직물인 것을 특징으로 할 수 있다.
상기 탄소-케블라 하이브리드 직물은, 낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB(printed circuit board) 접합 영역을 포함하고, 상기 PCB 접합 영역에 다수개의 전극을 배치할 수 있다.
상기 탄소-케블라 하이브리드 직물은, 낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB(printed circuit board) 접합 영역을 포함하고, 상기 PCB 접합 영역에 6mm 간격으로 배열된 15개의 전극을 배치할 수 있다.
상기 탄소-케블라 하이브리드 직물은, 탄소섬유의 전기전도성을 활용하며, 상기 탄소섬유의 직교방향으로 상기 케블라 하이브리드 직물을 접합하고 x, y축으로 다수개의 전극을 구성하여 x, y 좌표의 2차원 손상정보를 확보할 수 있다.
상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계는, 획득한 상기 하이브리드 직물의 전압강하 데이터를 기반으로 상기 하이브리드 직물의 x, y축 손상 길이와 범위에 따른 전압강하의 상관관계를 분석할 수 있다.
상기 손상정보를 머신러닝 기반 랜덤포레스트 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계는, 손상 이전 각 전극의 최초 전압값에 대한 오차의 최대값, 중앙값, 평균값 및 전압강하 감지채널 수 총 4개 항목에 대해 x축과 y축에 위치한 전극을 모두 고려한 총 8가지 항목으로 랜덤포레스트 변수를 구성할 수 있다.
상기 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계는, 상기 랜덤포레스트 알고리즘의 검증을 위해 손상정보 학습 시 확보한 데이터베이스를 충격자 형상 특징에 따라 분류하고 OOB(Out-Of-Bag)를 이용하여 학습된 데이터베이스를 검증할 수 있다.
상기 검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계는, 상기 충격자의 형상 및 충돌각도에 따른 손상정보를 데이터베이스화한 결과를 활용하여 다양한 하이브리드 직물의 손상정보를 토대로 원통형, 원추형 및 칼날형의 충격자의 형상정보를 예측할 수 있다.
다른 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치는, 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 손상 발생부; 상기 하이브리드 직물에 부착된 전극을 통해 상기 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 전압강하 데이터 획득부; 획득한 상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 손상 형상-전압강하 상관 분석부; 상기 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 손상정보 학습부; 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 손상정보 분류 및 검증부; 및 검증된 손상정보를 기반으로 충격자 형상을 예측하는 충격자 형상 예측부를 포함하여 이루어질 수 있다.
실시예들에 따르면 탄소-케블라 하이브리드 직물의 손상에 의해 발생되는 전압강하 현상을 머신러닝 기반의 랜덤포레스트(random forest)에 의거하여 손상을 유발한 충격자의 형상을 예측하는 기술을 제공한다.
실시예들은 측정기의 초소형화 및 휴대를 통한 실시간 모니터링이 가능한 전압강하 측정법을 이용하여, 보호구 직물의 소재로 적용되는 탄소-케블라 하이브리드 직물의 손상을 유발하는 충격자의 형상을 예측할 수 있는, 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치를 제공하는데 있다.
도 1은 일 실시예에 따른 실시간 모니터링이 가능한 전압강하 측정 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 탄소-케블라 하이브리드 직물을 나타내는 도면이다.
도 3은 일 실시예에 따른 낙하충격시험에 사용된 탄소-케블라 하이브리드 직물 시편을 개략적으로 나타내는 도면이다.
도 4는 일 실시예에 따른 충격손상 감지 및 충격자 형상 예측 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치를 나타내는 블록도이다.
도 6은 일 실시예에 따른 낙하충격시험 개략도를 나타내는 도면이다.
도 7은 일 실시예에 따른 탄소-케블라 하이브리드 직물의 구조를 나타내는 도면이다.
도 8은 일 실시예에 따른 낙하충격에 사용된 충격자의 형상을 나타내는 도면이다.
도 9는 일 실시예에 따른 원통형 충격자로 인해 생성된 시편의 손상 형상을 나타내는 도면이다.
도 10은 일 실시예에 따른 칼날형 충격자로 인해 생성된 시편의 손상 형상을 나타내는 도면이다.
도 11은 일 실시예에 따른 전압강하 측정 시스템을 통해 획득한 x, y축 전압강하 프로파일을 나타내는 도면이다.
도 12는 일 실시예에 따른 랜덤포레스트 알고리즘을 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 머신러닝(machine learning) 기법을 활용한 탄소-케블라(Carbon-Kevlar) 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치에 관한 것으로, 탄소-케블라 하이브리드 직물의 손상에 의해 발생되는 전압강하 현상을 머신러닝 기반의 랜덤포레스트(random forest)에 의거하여 손상을 유발한 충격자의 형상을 예측하는 방법을 제공한다.
측정기의 초소형, 휴대 및 실시간 모니터링이 가능한 전압강하 측정법을 적용하여 유연한 소재인 탄소-케블라 하이브리드 직물 시편을 다양한 충격자의 형상과 충돌각도에 따라 낙하충격시험을 수행하였다. 실시예들에 따르면 탄소섬유 손상에 의한 전압강하 정보를 획득하고, 그 정보를 랜덤포레스트 알고리즘에 학습시킴으로써 충격자 형상을 예측하였으며, 기술의 유효성 검증을 위해 Out-Of-Bag(OOB) 오차추정 기법을 적용하였다. 따라서 이와 같이 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법은 고위험 직군 경찰, 소방 및 군 관련 종사자의 보호장구 및 장비에 적용되어 생존과 안전을 평가할 수 있는 기술로 활용될 수 있다.
도 1은 일 실시예에 따른 실시간 모니터링이 가능한 전압강하 측정 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 실시간 모니터링이 가능한 전압강하 측정 시스템은 하이브리드 직물의 손상에서 발생되는 사물신호에 획득하는 시스템으로, 전압 데이터를 실시간으로 수집하는 전압 데이터 수집 시스템(100), 손상으로 발생되는 아날로그 신호를 디지털 신호로 변환하는 아날로그-디지털 컨버터(110) 및 전압 측정 센서가 부착된 시편(120)으로 구성될 수 있다.
여기에서는 측정기의 초소형화 및 휴대를 통한 실시간 모니터링이 가능한 전압강하 측정법을 이용하여, 보호구 직물의 소재로 적용되는 하이브리드 직물의 손상을 유발하는 충격자의 형상을 예측할 수 있다. 즉, 실시간 모니터링이 가능한 전압강하 측정 시스템을 이용하여 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법을 제공할 수 있다. 이 때, 하이브리드 직물은 보호구 직물의 소재로 적용되는 탄소-케블라 하이브리드 직물이 될 수 있다.
도 2는 일 실시예에 따른 탄소-케블라 하이브리드 직물을 나타내는 도면이다.
도 2를 참조하면, 탄소-케블라 하이브리드 직물(200)의 직조방식을 보여주며, 일례로 직경 7μm인 화이바맨사의 탄소섬유와 직경 14μm인 케블라 섬유로 이루어진 혼성직물을 사용하여 시편을 제작할 수 있다.
도 3은 일 실시예에 따른 낙하충격시험에 사용된 탄소-케블라 하이브리드 직물 시편을 개략적으로 나타내는 도면이다.
도 3을 참조하면, 낙하충격용 탄소-케블라 하이브리드 직물 시편(300)은 낙하충격으로 인해 시편 내 손상이 발생되는 영역(310)과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB(printed circuit board) 접합 영역으로 구분되며, 6mm 간격으로 배열된 15개의 전극(320)을 배치할 수 있다. 충격자의 형상과 직물의 손상 형태의 상관관계를 분석하기 위해 전압강하 데이터를 머신러닝 기반 랜덤포레스트 학습 방법을 도입할 수 있다.
도 4는 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법을 나타내는 흐름도이다.
도 4를 참조하면, 랜덤포레스트 학습으로 획득한 손상정보를 통해 충격자의 형상 예측 과정을 나타낸다. 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법은, 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 단계(S100), 하이브리드 직물에 부착된 전극을 통해 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 단계(S200), 획득한 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계(S300), 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계(S400), 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계(S500), 및 검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계(S600)를 포함하여 이루어질 수 있다.
실시예들에 따르면 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법을 제공하며, 충격자의 형상은 하이브리드 직물의 손상 형태에 밀접한 영향을 미치게 된다. 따라서 실시예들은 유연성을 가지는 탄소-케블라 하이브리드 직물과 측정부의 소형화 가능성이 높은 전압강하 측정법을 이용하여 시편을 제작하고, 낙하충격시험을 통해 시편으로부터 발생하는 손상에 의한 사물신호 즉, 전압강하 특성을 분석하였다. 분석된 전압강하 최대값, 중앙값, 평균값 그리고 전압강하 감지전극 수를 머신러닝 데이터로 입력하였으며, 머신러닝 방법의 일종인 랜덤포레스트 기법을 이용하여 사물신호에 의한 초기 충격자 형상을 예측하는 방법론을 제시하였다.
일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법은 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치를 이용하여 보다 상세히 설명할 수 있다.
도 5는 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치를 나타내는 블록도이다.
도 5를 참조하면, 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치(500)는 손상 발생부(510), 전압강하 데이터 획득부(520), 손상 형상-전압강하 상관 분석부(530), 손상정보 학습부(540), 손상정보 분류 및 검증부(550) 및 충격자 형상 예측부(560)를 포함하여 이루어질 수 있다.
단계(S100)에서, 손상 발생부(510)는 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생할 수 있다.
여기서, 하이브리드 직물은 직조 형식의 탄소-케블라(Carbon-Kevlar) 하이브리드 직물인 것을 특징으로 할 수 있다. 탄소-케블라 하이브리드 직물은 낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB 접합 영역을 포함하고, PCB 접합 영역에 다수개의 전극을 배치할 수 있다. 예컨대, 탄소-케블라 하이브리드 직물은 낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB 접합 영역을 포함하고, PCB 접합 영역에 6mm 간격으로 배열된 15개의 전극을 배치할 수 있다.
탄소-케블라 하이브리드 직물은 탄소섬유의 전기전도성을 활용하며, 탄소섬유의 직교방향으로 케블라 하이브리드 직물을 접합하고 x, y축으로 다수개의 전극을 구성하여 x, y 좌표의 2차원 손상정보를 확보할 수 있다.
단계(S200)에서, 전압강하 데이터 획득부(520)는 하이브리드 직물에 부착된 전극을 통해 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득할 수 있다.
단계(S300)에서, 손상 형상-전압강하 상관 분석부(530)는 획득한 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석할 수 있다. 이 때, 손상 형상-전압강하 상관 분석부(530)는 획득한 하이브리드 직물의 전압강하 데이터를 기반으로 하이브리드 직물의 x, y축 손상 길이와 범위에 따른 전압강하의 상관관계를 분석할 수 있다.
단계(S400)에서, 손상정보 학습부(540)는 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝 기반 랜덤포레스트 알고리즘을 적용하여 학습할 수 있고, 손상정보를 데이터베이스화 할 수 있다. 손상정보 학습부(540)는 손상 이전 각 전극의 최초 전압값에 대한 오차의 최대값, 중앙값, 평균값 및 전압강하 감지채널 수 총 4개 항목에 대해 x축과 y축에 위치한 전극을 모두 고려한 총 8가지 항목으로 랜덤포레스트 변수를 구성할 수 있다.
단계(S500)에서, 손상정보 분류 및 검증부(550)는 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증할 수 있다. 손상정보 분류 및 검증부(550)는 랜덤포레스트 알고리즘의 검증을 위해 손상정보 학습 시 확보한 데이터베이스를 충격자 형상 특징에 따라 분류하고 OOB(Out-Of-Bag)를 이용하여 학습된 데이터베이스를 검증할 수 있다.
단계(S600)에서, 충격자 형상 예측부(560)는 검증된 손상정보를 기반으로 충격자 형상을 예측할 수 있다. 충격자 형상 예측부(560)는 충격자의 형상 및 충돌각도에 따른 손상정보를 데이터베이스화한 결과를 활용하여 다양한 하이브리드 직물의 손상정보를 토대로 원통형, 원추형 및 칼날형의 충격자의 형상정보를 예측할 수 있다.
아래에서 하나의 예를 들어 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치를 보다 상세히 설명하기로 한다.
도 6은 일 실시예에 따른 낙하충격시험 개략도를 나타내는 도면이다.
도 6에 도시된 바와 같이, 일 실시예에 따른 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법을 검증하기 위해 낙하충격 시험을 수행할 수 있다.
도 7은 일 실시예에 따른 탄소-케블라 하이브리드 직물의 구조를 나타내는 도면이다.
도 7을 참조하면, 탄소-케블라 하이브리드 직물(시편)의 구조를 확인할 수 있으며, 보다 구체적으로 (a)는 Aramid 직조 방향 110mm이고, Carbon 직조 방향 270mm이며, (b)는 x - y 축 시편 배열을 나타내고, (c)는 15전극 input / output voltage PCB 배치를 나타내며, (d)는 시편 조직 모식도이고, (e)는 시편 조직 사진을 나타낸다.
도 8은 일 실시예에 따른 낙하충격에 사용된 충격자의 형상을 나타내는 도면이다.
도 8을 참조하면, 낙하충격에 사용된 충격자의 형상의 예를 나타내며, 예를 들어 충격자의 길이는 1300mm로 구성할 수 있으며, 시편과 접촉 형상에 따라 원통형, 원추형 및 칼날형으로 제작할 수 있다. 제작된 충격자는 자유낙하를 통해 탄소-케블라 하이브리드 직물을 관통 및 손상을 유발시키며, 전압측정 시스템을 통해 전압강하 데이터를 수집할 수 있다. 따라서 직물에 발생된 손상 형상과 랜덤포레스트 알고리즘으로 훈련된 전압강하 데이터 분류를 토대로 충격자 형상과 전압강하 간의 상관관계를 분석하고, 제안된 손상 형상 조건에 따른 충격자 형상을 예측하는 방법을 검증할 수 있다. 본 실시예들의 구체적인 수단은 아래의 실시예들을 참조하여 설명할 수 있다.
탄소-케블라 하이브리드 직물의 손상 발생 단계(S100)에서는 낙하충격시험기를 활용하여 탄소-케블라 하이브리드 직물의 관통 및 충격손상 시험을 수행한다. 도 5에 도시된 바와 같이, 충격자는 원통형, 원추형 및 칼날형으로 제작하였으며, 충격자와 시편의 충격시 발생되는 손상 형태를 구분하였다.
도 9는 일 실시예에 따른 원통형 충격자로 인해 생성된 시편의 손상 형상을 나타내는 도면이다. 그리고, 도 10은 일 실시예에 따른 칼날형 충격자로 인해 생성된 시편의 손상 형상을 나타내는 도면이다.
도 9에 도시된 바와 같이, 시험 결과 시편에 발생되는 손상의 형태는 대표적으로 원통형 손상(330)과 같이 나타날 수 있다. 또한, 도 10에 도시된 바와 같이, 시험 결과 시편에 발생되는 손상의 형태는 대표적으로 칼날형 손상(340)과 같이 나타날 수 있다. 이와 같이, 시험 결과 시편에 발생되는 손상의 형태는 대표적으로 원통형 손상(330)및 대표적으로 칼날형 손상(340)과 같이 나타나며, 손상 형태를 시편의 관찰을 통해 확보할 수 있다.
전압강하 데이터 획득단계(S200)에서는 시편에 부착된 전극을 통해 직물의 손상에 따른 전압강하 데이터를 수집한다. 직교한 각 시편의 양쪽 끝에 6mm 간격으로 15개의 전극을 포함한 입력/출력 PCB를 각각 부착하였으며, 이들을 ADC 계측기의 입력/출력 단자에 각각 연결하였다. 입력 PCB를 통해 3V의 전압을 경사방향 전반에 걸쳐 인가하였으며 출력 PCB를 통해 손상에 따른 전압변화를 15개의 전극에서 측정하였다. 여기서 x축 방향으로 배열된 전극은 좌측으로부터 1~15번 채널로 설정하였으며 y축 방향으로 배열된 전극에 대해서는 하측으로부터 1~15번 채널로 설정하였다. 낙하충격으로 인해 섬유가 손상될 때 이 손상에 의한 전압강하를 각 전극을 통해 100μs 샘플링 타임으로 측정하였다.
도 11은 일 실시예에 따른 전압강하 측정 시스템을 통해 획득한 x, y축 전압강하 프로파일을 나타내는 도면이다. 위의 측정 결과는 도11과 같이 시간 경과에 따라 각 전극에서의 전압강하 데이터로 확보할 수 있다.
손상 현상-전압강하 상관분석 단계(S300)에서는 탄소-케블라 하이브리드 직물 섬유의 단선에 따른 전압강하 현상과 손상 형태의 상관관계를 분석한다. 탄소섬유는 섬유의 길이방향으로 전기적 회로가 형성되어 낮은 전기저항을 갖는 반면, 섬유가 접촉되어 있거나 겹쳐있는 경우 섬유 사이에 형성된 접촉저항으로 인해 높은 전기저항을 지니는 특성을 가지고 있다. 따라서 시편에서 구성한 x, y축 전극과 탄소 섬유는 하나의 전기 네트워크로써 작용되며, 섬유의 접촉과 기계적 손상을 각각 저항과 단선으로 나타낼 수 있다. 따라서 전극 사이의 손상길이 d에 대한 전압 변화율은 다음 식과 같이 나타낼 수 있다.
[식 1]
Figure 112019095207119-pat00001
여기서, V%는 손상에 의한 전압변화율, V0는 손상발생 이전 전압, d는 섬유 손상 길이, C는 손상 단위길이당 전압 강하량이며, 본 실시예에서는 탄소-케블라 직물의 절단실험으로부터 측정한 0.0128 V/mm을 사용하였다. 따라서 전압강하 데이터 획득단계(S200)의 전압강하 데이터에 상기 [식 1]을 적용하여 시편(300)의 x, y축 손상 길이와 범위에 따른 전압강하의 상관관계를 분석할 수 있다.
도 12는 일 실시예에 따른 랜덤포레스트 알고리즘을 나타내는 도면이다.
도 12를 참조하면, 랜덤포레스트 알고리즘을 적용한 손상정보 학습 단계(S400)에서는 손상 현상-전압강하 상관분석 단계(S300)에서 확보한 손상정보를 머신러닝 기반 랜덤포레스트 알고리즘을 적용한 데이터 학습을 수행한다. 충격자의 형상 예측을 위해 빅데이터 분석에 최근 활용되고 있는 open source 언어 R의 랜덤포레스트 패키지를 사용하였다. 랜덤포레스트 변수는 손상 이전 각 전극의 최초 전압값에 대한 오차의 최대값, 중앙값, 평균값, 전압강하 감지채널 수 총 4개 항목에 대해 x축과 y축에 위치한 전극을 모두 고려한 총 8가지 항목이며, 상기 서술한 손상 현상-전압강하 상관분석 단계(S300)의 정보를 통해 2차원의 손상 형상을 데이터베이스화 하였다.
랜덤 포리스트 알고리즘에서, 배깅(Bagging)은 랜덤포레스트의 특징으로 부트스트랩(Bootstrap)과 병합(Aggregating)의 약자를 결합한 것을 의미하며, 부트스트랩(Bootstrap)은 중복을 허용한 무작위 학습데이터 선별하는 것으로, 중복을 허용하므로 학습데이터에 선별되지 못한 OOB(Out Of Bag) 데이터 존재를 나타낸다. 그리고 병합(Aggregating)은 각 데이터셋에서 생성된 결정나무를 병합하여 최종 학습모델 생성하는 것을 의미한다.
손상정보 분류 및 검증 단계(S500)에서는 랜덤포레스트 알고리즘을 적용한 손상정보 학습 단계(S400)에서 확보한 데이터베이스를 충격자 형상 특징에 따라 분류하고 OOB를 이용하여 학습된 데이터베이스를 검증할 수 있다. 데이터베이스의 학습 결과를 활용하기 위해 추가적인 6가지 실험을 수행하였으며, 실험에서 확보한 손상정보와 전압강하 데이터를 입력하여 충격자의 형상을 예측할 수 있었으며, 또한 OOB 오차율(estimate of error rate)은 0%로 정확한 모델임을 검증할 수 있었다. 서술한 6가지 실험의 정보는 실시예를 통해 설명한다.
손상정보 기반 충격자 형상 예측 단계(S600)에서는 다수의 손상정보를 통해 최종적으로 충격자 형상을 예측한다. 정확한 예측 결과를 검증하기 위해 랜덤포레스트 패키지 내의 rfcv(랜덤포레스트 교차검증) 함수를 이용하여 3겹 10회 반복 교차검증을 실시하였다. 검증 결과 94.2%의 예측정확도를 확인하였으며, 손상정보 기반 충격자 형상 예측 방법의 정확성을 검증하였다.
개발된 충격손상 감지 및 충격자 형상 예측 방법은 탄소-케블라 하이브리드 직물의 충격손상정보를 통해 충격자 형상 예측에 적용될 수 있다. 본 실시예에서는 낙하충격시험기를 활용하여 탄소-케블라 하이브리드 직물의 충격손상 실험을 수행하였으며, 실험은 3개의 충격자 형상과 4개의 충격자-시편의 충돌각도로 설정하여 12개의 실험조건으로 구성하였다. 자세한 정보는 표 1과 같이 나타낼 수 있다.
Figure 112019095207119-pat00002
실험을 토대로 12 충격 조건에서 하이브리드 직물의 손상정보를 확보하였다. 손상정보는 손상 형상 측정과 전압강하로 구분하여 랜덤포레스트 알고리즘에 적용하여 학습시켰다. 학습된 데이터베이스를 검증하기 위해 OOB 검증을 수행하였으며, 표 2와 같이 나타낼 수 있으며, 임의의 충격 조건(충격자 형상/충격 각도)에서 OOB 오차율 0%의 정확한 데이터베이스를 확보하였다.
Figure 112019095207119-pat00003
최종적으로 확보한 데이터베이스를 토대로 충격자의 예측에 적용하였으며, 그 결과를 표 3과 같이 나타낼 수 있다.
Figure 112019095207119-pat00004
따라서 손상정보기반 충격자 형상 예측 방법은 오차율 94.2%의 예측되었으며, 탄소-케블라 하이브리드 직물의 손상정보를 토대로 다양한 충격자 형상 변수를 예측할 수 있음을 확인하였다.
실시예들을 통하여 개발된 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치는 사물손상 모니터링 기법인 사물로부터 측정된 특정 파라미터를 통해 손상 여부를 판단하는 종래의 방법을 벗어나 머신러닝 기법인 랜덤포레스트를 적용하여 대량의 손상정보를 반영하여 충격자 형상을 예측할 수 있다. 제시한 충격손상 감지 및 충격자 형상 예측 방법은 추가적인 측정기의 사용 없이 유연한 직물에 직접적으로 적용 가능하다는 점에서 휴대용 장구뿐만 아니라, 다양한 사물의 손상정보를 실시간 모니터링 하는데 유용하게 활용될 수 있다.
실시예들에 따른 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치는 충격, 낙차 등의 위협에 노출되어 있는 관련종사자의 보호장구 및 장비, 군에서 사용되는 방탄조끼, 방탄모 등의 제작 및 설계에 활용될 수 있다. 또한, 보호장구 및 장비의 손상을 계측함으로써 예측되는 생존성 예측 소프트웨어 및 IoT 기반의 손상데이터 베이스 알고리즘 등에 활용될 수 있다.
이상에서 본 명세서에서 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 명세서에서, "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.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
또한, 명세서에 기재된 "…부", "…모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, 각 도면을 참조하여 설명하는 실시예의 구성 요소가 해당 실시예에만 제한적으로 적용되는 것은 아니며, 본 발명의 기술적 사상이 유지되는 범위 내에서 다른 실시예에 포함되도록 구현될 수 있으며, 또한 별도의 설명이 생략될지라도 복수의 실시예가 통합된 하나의 실시예로 다시 구현될 수도 있음은 당연하다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일하거나 관련된 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 전압 데이터 수집 시스템
110: 아날로그-디지털 컨버터
120: 전압 측정 센서가 부착된 시편
200: 탄소-케블라 하이브리드 직물
300: 낙하충격용 탄소-케블라 하이브리드 직물 시편
310: 시편 내 손상이 발생되는 영역
320: 전극
330: 원통형 손상
340: 칼날형 손상

Claims (10)

  1. 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 단계;
    상기 하이브리드 직물에 부착된 전극을 통해 상기 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 단계;
    획득한 상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계;
    상기 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계;
    학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계; 및
    검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계
    를 포함하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  2. 제1항에 있어서,
    상기 하이브리드 직물은,
    직조 형식의 탄소-케블라(Carbon-Kevlar) 하이브리드 직물인 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  3. 제2항에 있어서,
    상기 탄소-케블라 하이브리드 직물은,
    낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB(printed circuit board) 접합 영역을 포함하고, 상기 PCB 접합 영역에 다수개의 전극을 배치하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  4. 제2항에 있어서,
    상기 탄소-케블라 하이브리드 직물은,
    낙하충격으로 인해 손상이 발생되는 영역과 손상에 의해 인가된 탄소섬유의 전압변화를 측정하기 위한 PCB(printed circuit board) 접합 영역을 포함하고, 상기 PCB 접합 영역에 6mm 간격으로 배열된 15개의 전극을 배치하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  5. 제2항에 있어서,
    상기 탄소-케블라 하이브리드 직물은,
    탄소섬유의 전기전도성을 활용하며, 상기 탄소섬유의 직교방향으로 상기 케블라 하이브리드 직물을 접합하고 x, y축으로 다수개의 전극을 구성하여 x, y 좌표의 2차원 손상정보를 확보하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  6. 제1항에 있어서,
    상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 단계는,
    획득한 상기 하이브리드 직물의 전압강하 데이터를 기반으로 상기 하이브리드 직물의 x, y축 손상 길이와 범위에 따른 전압강하의 상관관계를 분석하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  7. 제1항에 있어서,
    상기 손상정보를 머신러닝 기반 랜덤포레스트 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 단계는,
    손상 이전 각 전극의 최초 전압값에 대한 오차의 최대값, 중앙값, 평균값 및 전압강하 감지채널 수 총 4개 항목에 대해 x축과 y축에 위치한 전극을 모두 고려한 총 8가지 항목으로 랜덤포레스트 변수를 구성하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  8. 제1항에 있어서,
    상기 학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 단계는,
    상기 랜덤포레스트 알고리즘의 검증을 위해 손상정보 학습 시 확보한 데이터베이스를 충격자 형상 특징에 따라 분류하고 OOB(Out-Of-Bag)를 이용하여 학습된 데이터베이스를 검증하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  9. 제1항에 있어서,
    상기 검증된 손상정보를 기반으로 충격자 형상을 예측하는 단계는,
    상기 충격자의 형상 및 충돌각도에 따른 손상정보를 데이터베이스화한 결과를 활용하여 다양한 하이브리드 직물의 손상정보를 토대로 원통형, 원추형 및 칼날형의 충격자의 형상정보를 예측하는 것
    을 특징으로 하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법.
  10. 낙하충격시험기를 활용하여 충격자에 의한 하이브리드 직물의 손상이 발생하는 손상 발생부;
    상기 하이브리드 직물에 부착된 전극을 통해 상기 하이브리드 직물의 손상에 따른 전압강하 데이터를 획득하는 전압강하 데이터 획득부;
    획득한 상기 하이브리드 직물의 전압강하 데이터와 손상 형태의 상관관계를 분석하는 손상 형상-전압강하 상관 분석부;
    상기 전압강하 데이터와 손상 형태의 상관관계의 분석을 통한 손상정보를 머신러닝(machine learning) 기반 랜덤포레스트(random forest) 알고리즘을 적용하여 학습하고, 손상정보를 데이터베이스화 하는 손상정보 학습부;
    학습된 데이터베이스를 토대로 손상정보를 분류 및 검증하는 손상정보 분류 및 검증부; 및
    검증된 손상정보를 기반으로 충격자 형상을 예측하는 충격자 형상 예측부
    를 포함하는, 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 장치.
KR1020190114547A 2019-09-18 2019-09-18 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치 KR102287776B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190114547A KR102287776B1 (ko) 2019-09-18 2019-09-18 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190114547A KR102287776B1 (ko) 2019-09-18 2019-09-18 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210033171A KR20210033171A (ko) 2021-03-26
KR102287776B1 true KR102287776B1 (ko) 2021-08-09

Family

ID=75259282

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190114547A KR102287776B1 (ko) 2019-09-18 2019-09-18 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102287776B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH102814A (ja) * 1996-06-17 1998-01-06 Railway Technical Res Inst シート材料の貫通抵抗力測定装置、及びシート材料の貫通抵抗力測定方法
KR101653061B1 (ko) 2014-12-05 2016-09-01 중앙대학교 산학협력단 변형 정보 감지를 위한 전기활성고분자 직물 센서
KR101665086B1 (ko) * 2015-02-24 2016-10-13 울산과학기술원 탄소섬유 그리드를 이용한 구조 건전성 감시장치
KR101961408B1 (ko) * 2017-05-26 2019-03-22 울산과학기술원 탄소섬유강화플라스틱 구조물의 손상 모니터링 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
‘탄소 케블라 하이브리드 직물의 충격손상 감지기술’, 김태현 등, 한양대학교대학원 석사학위논문(2019.8.), 1-43

Also Published As

Publication number Publication date
KR20210033171A (ko) 2021-03-26

Similar Documents

Publication Publication Date Title
Manson et al. Experimental validation of a structural health monitoring methodology: Part III. Damage location on an aircraft wing
CN104641253B (zh) 检测异常的系统和方法
US9488592B1 (en) Automatic detection of defects in composite structures using NDT methods
EP1918698B1 (en) Systems and method for locating failure events in samples under load
US10267694B2 (en) Micrometeoroid and orbital debris impact detection and location using fiber optic strain sensing
Al-Jumaili et al. Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites
KR101645605B1 (ko) 패턴 인식을 이용한 평판 구조물의 결함 위치 탐지 방법 및 그 장치
KR20200110617A (ko) 회절 기반 스트레인 측정 및 구조물들의 손상 검출을 위한 표면 하부 패터닝
Kelkel et al. Inline quantification and localization of transverse matrix cracking in cross-ply CFRP during quasi-static tensile testing by a joint event-based evaluation of acoustic emission and passive IR thermography
Das et al. Application of deep convolutional neural networks for automated and rapid identification and computation of crack statistics of thin cracks in strain hardening cementitious composites (SHCCs)
KR102287776B1 (ko) 머신러닝 기법을 활용한 탄소-케블라 하이브리드 직물의 충격손상 감지 및 충격자 형상 예측 방법 및 장치
US20120170051A1 (en) Method and device for inspecting the quality of a formed thermoplastic fiber-reinforced plastic component
Zhou et al. Pattern recognition of barely visible impact damage in carbon composites using pulsed thermography
Balasubramaniam et al. A global-local damage localization and quantification approach in composite structures using ultrasonic guided waves and active infrared thermography
WO2016076316A1 (ja) 渦電流探傷装置および渦電流探傷方法
de Menezes et al. Defect and damage detection in filament wound carbon composite cylinders: a new numerical-experimental methodology based on vibrational analyses
KR100967084B1 (ko) 균열 모니터링 시스템, 균열 모니터링 방법 및 균열모니터링 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
EP3351928B1 (en) X-ray sidescatter inspection of laminates
JP2018063119A (ja) 繊維強化型複合材の破壊強度評価方法
Cecchini Damage detection and identification in sandwich composites using neural networks
Meola et al. Experimental Investigation of Impact Damaging of Carbon Fibre Reinforced Composites
Bach et al. Damage Introduction, Detection, and Assessment at CFRP Door Surrounding Panel
Oz et al. In-situ damage monitoring and correlation with Acoustic Emission in CFRP composites
US11624687B2 (en) Apparatus and method for detecting microcrack using orthogonality analysis of mode shape vector and principal plane in resonance point
Das et al. Application of Deep Convolutional Neural Networks for automated and rapid identification and characterization of thin cracks in SHCCs

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant