KR102332188B1 - 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 - Google Patents

정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 Download PDF

Info

Publication number
KR102332188B1
KR102332188B1 KR1020210091986A KR20210091986A KR102332188B1 KR 102332188 B1 KR102332188 B1 KR 102332188B1 KR 1020210091986 A KR1020210091986 A KR 1020210091986A KR 20210091986 A KR20210091986 A KR 20210091986A KR 102332188 B1 KR102332188 B1 KR 102332188B1
Authority
KR
South Korea
Prior art keywords
displacement
strain
genetic algorithm
location
neural network
Prior art date
Application number
KR1020210091986A
Other languages
English (en)
Inventor
이채규
김준기
문현수
Original Assignee
이채규
김준기
문현수
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 이채규, 김준기, 문현수 filed Critical 이채규
Priority to KR1020210091986A priority Critical patent/KR102332188B1/ko
Priority to KR1020210136945A priority patent/KR102435166B1/ko
Application granted granted Critical
Publication of KR102332188B1 publication Critical patent/KR102332188B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/045—Correction of measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/047—Accessories, e.g. for positioning, for tool-setting, for measuring probes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

본 발명은 대상시설물에 대해 사전 구조해석을 통해 계측하고자 하고자 하는 위치의 변위오차가 최소화되는 변형률 측정 위치 갯수와 위치를 결정하는 계측기기의 설치방법을 체계화하고, 대상 교량의 실측 변형률에 직접적인 영향을 미치는 온도보정을 실시하여 주변 환경 변화에 따른 영향을 최소화하며, 대상 교량의 실제 조건을 반영하기 위해 현장계측 데이터를 이용하여 인공신경망 학습오차 학습을 실시하여 최소오차를 갖는 변위를 추정할 수 있는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법에 관한 것이다.
이러한 본 발명은 구조물의 변위의 정밀도 향상을 위한 구조해석의 결과를 이용하여 유전자 알고리즘(GA)에 의한 인공신경망(AI) 학습을 통해 계측기기 설치 위치를 결정하는 단계(S1); 상기 구조물의 실제 조건을 반영하여 추정된 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용한 인공신경망 학습을 실시하여 최소오차를 갖는 변위를 추정하는 단계(S2); 및 상기 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행하는 단계(S3);를 포함하여 이루어지는 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법을 제공한다.

Description

정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법{A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction}
본 발명은 교량의 변형률을 측정하여 변위를 정밀하게 추정하기 위하여 1단계 사전구조해석 결과와 2단계 현장 계측값을 이용한 유전자 알고리즘과 AI기술을 적용하여 최적의 변형률 계측 위치 및 개소를 결정하는 방법에 관한 것이다.
일단 건설된 교량은 공용기간 중 예상치 않은 하중에 의해 구조적 손상이 발생하여 구조안전성능이 저하하거나 시간경과에 따른 재료의 내구성능이 저하하는 현상이 발생된다.
내구성능의 저하와 같은 현상은 육안점검이나 간단한 현장 장비를 이용하여 쉽게 조사할 수 있으나 구조성능의 저하 현상은 작용하는 활하중에 대한 교량의 반응을 계측하여 분석하여야만 조사가 가능하다.
따라서 시설물 안전법에서는 정밀안전진단 주기에 현장재하시험을 통해 교량의 상부구조 거동을 계측하여 내하력을 평가하도록 규정하고 있다.
주기적인 교량의 거동 확인을 구조 상태 모니터링(SHM, Structural Health Monitoring)이라고 하고 SHM에 의한 교량의 건전성을 평가하는 데 사용되는 다양한 물리적 매개 변수 중 교량 변위는 가장 기본적인 정보이다. 단기 변위는 비정상적인 변화나 손상을 직관적으로 판단하는 데 도움이 되며, 장기 변위 이력은 엔지니어가 구조물의 노화 정도를 판단할 수 있는 기본 정보를 제공한다.
변위를 측정하기 위해 다양한 유형의 계측기기가 개발되었으며 대표적인 유형은 접촉식과 비접촉식으로 나눌 수 있다.
접촉식 계측기기는 선형 가변 차동 변압기(LVDTS)와 같은 변위 변환기 등이 있으며, 대상 구조물에 계측기기를 고정하기 위해 안정적인 베이스가 필요하므로 교량 하부 공간이 도로, 철도 또는 깊은 계곡인 경우에는 장기적으로 계측기기를 고정할 방법을 찾기가 어렵다. 따라서 접촉 센서는 종종 실험실 목적 또는 현장에서 단기 변위 측정에만 사용된다.
이러한 접촉식 변위 계측기기의 대안으로 레이저, 레이더, GPS 및 이미지와 같은 다양한 비접촉식 변위 계측기기가 개발되었고 그 정밀도는 계측기기에 따라 다르지만 일반적으로 0.02 ~ 0.2㎜ 범위이다. 그러나 비접촉식 계측기기는 매우 고가이기 때문에 비용의 부담이 클 뿐만 아니라 날씨 및 습도와 같은 환경 조건에 민감하다.
따라서, 변위를 직접 측정할 수 없는 경우에 대한 대안으로 측정이 쉬운 변형률 또는 가속도/속도에서 변위를 추정하기 위한 방법이 개발되어 왔다.
하기의 첨부된 선행기술문헌들(특허문헌)에서 보는 바와 같이 Euler-beam 이론을 기반으로 하는 변위 산정 이론식이 존재하므로 변형률이나 가속도로부터 변위를 이론적으로 추정하는 많은 방안들이 개발되었다.
그러나 실제 교량은 복잡하고 불확실한 하중에 노출되기 때문에 측정된 변형률을 이용하여 Euler-beam 이론을 기반으로 변위를 추정하는 것은 신뢰성을 확보하기 어렵다는 문제가 있었다.
따라서 이러한 한계를 극복하기 위해 또 다른 선행기술문헌에서 보는 바와 같이 인공 신경망을 기반으로 한 AI기법을 이용하여 변형률을 이용한 변위 산정 방법을 개발하였으나, 변위를 추정하기 위한 계측기기의 설치방법이 체계화되지 못하였을 뿐만 아니라, 현장 계측 데이터만을 의지하여 AI기법으로 변위를 추정하다 보니 개발된 기법을 적용하기 위해서는 현장에서 계측하여야 하는 계측기기 개수의 증가를 유발할 뿐만 아니라 추정된 변위의 정밀도를 확보하기 어려운 문제점이 발생하였다.
특허문헌 0001 : 대한민국 등록특허번호 제10-260324호 - 이동하중에 의한 보의 변위응답 산정을 위한 가속도측정치의 신호처리 방법 특허문헌 0002 : 대한민국 공개특허번호 제2001-105982호 - 가속도 센서를 이용한 휴대용 동적변위 측정장치 특허문헌 0003 : 구조물의 측정 진동가속도를 이용하여 동적 변위 및 속도이력을 측정하는 측정방법 및 측정장치
본 발명은 교량의 변위를 변형률을 계측하여 추정하는 종래 기술의 제반 단점과 문제점을 해결하기 위한 것으로, 대상시설물에 대해 사전 구조해석을 통해 계측하고자 하고자 하는 위치의 변위오차가 최소화되는 변형률 측정 위치 갯수와 위치를 결정하는 계측기기의 설치방법을 체계화하고, 대상 교량의 실측 변형률에 직접적인 영향을 미치는 온도보정을 실시하여 주변 환경 변화에 따른 영향을 최소화하며, 대상 교량의 실제 조건을 반영하기 위해 현장계측 데이터를 이용하여 인공신경망 학습오차 학습을 실시하여 최소오차를 갖는 변위를 추정할 수 있는 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법을 제공하는데 그 목적이 있다.
상기한 목적을 달성하기 위하여 본 발명은 구조물의 변위의 정밀도 향상을 위한 구조해석의 결과를 이용하여 유전자 알고리즘(GA)에 의한 인공신경망(AI) 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정하는 단계(S1); 상기 구조물의 실제 조건을 반영하여 추정된 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용한 인공신경망 학습을 실시하여 최소오차를 갖는 변위를 추정하는 단계(S2); 및 상기 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행하는 단계(S3);를 포함하여 이루어지는 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법을 제공한다.
여기서, S1 단계는, 상기 구조물에 대해 복수개의 절점을 갖는 구조해석 모델을 구축하고 이동 활하중에 의해 해석 모델의 각 i번 절점에 대해서 계산 변형률 (
Figure 112021081024282-pat00001
)과 계산 변위(
Figure 112021081024282-pat00002
) 결과를 수집하는 단계(S11); 상기 유전자 알고리즘(Genetic Algorithm : GA)에 적용할 변형률 데이터 개수(Ns)를 부여하는 단계(S12); 상기 각 절점중에서 유전자 알고리즘 적용 변형률 데이터 개수(
Figure 112021081024282-pat00003
)만큼의 절점 i에서 계산 변형률(
Figure 112021081024282-pat00004
)에 의한 추정변위(
Figure 112021081024282-pat00005
)를 산정하는 단계(S13); 상기 추정변위(
Figure 112021081024282-pat00006
)와 상기 계산 변위(
Figure 112021081024282-pat00007
)를 이용한 인공신경망 학습오차(MSE, 최소제곱평균, 평균제곱오차)를 목적함수로 구성하고(S14), 복수의 절점들 중 무작위로 절점의 위치를 변경해가면서 목적함수(MSE)에 대해 인공신경망 학습을 수행하는 단계(S15); 상기 절점의 위치 i를 무작위로 변경하면서(S16), 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(NS)를 변경하면서 인공신경망 학습오차가 최소가 되는 절점을 결정하는 단계(S17);를 포함하여 이루어지는 것을 특징으로 한다.
한편 변형률 데이터 개수(NS)는 구조물의 중요도에 따라 2개 내지 4개까지 설정됨을 특징으로 한다.
여기서 인공신경망 학습오차의 목적함수(MSE)를
Figure 112021081024282-pat00008
라 할때, Ns = 변형률 데이터 개수이고, i는 구조해석 모델의 임의의 절점번호,
Figure 112021081024282-pat00009
= 해석모델의 계산변위,
Figure 112021081024282-pat00010
= 신경망 추정변위인 것을 특징으로 한다.
그리고 인공신경망 학습오차가 최소가 되는 절점을 결정하는 단계(S17)는, 상기 목적함수의 값이 작은 절점은 남기고, 목적함수의 값이 높은 절점은 제외시켜가면서 남아 있는 절점의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성하여 목적함수가 최소인 절점을 찾아낼 때까지 수행하여 최적의 절점 개수와 위치를 결정함을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
삭제
본 발명의 실시 예에 따르면 다음과 같은 효과가 있다.
첫째, 계측기기의 설치 시 현장계측을 하기 전에 수치해석을 통해 사전에 계략적으로 결정함으로써 현장에서 계측기기를 설치할 위치를 즉시 결정할 수 있으며, 변형률-변위 변화 가상센서의 정밀도를 증가시킬 수 있다.
둘째, 인공신경망 및 유전 알고리즘(GA, Genetic Algorithm)을 사용하여 변위 예측에 필요한 변형률 측정 지점의 수와 위치를 최적화한 결과 2개소 이상의 측정 지점의 데이터가 있으면 전체 변위를 예측하기에 충분한 것으로 확인되어 상시 차량하중 작용하는 PSC-I Beam 형식의 실제 교량에 실험 적용한 결과 접촉식 계측 기기에서 측정된 변위와 비교하여 ±5%이내의 오차를 갖는 변위를 측정할 수 있다.
도 1은 본 발명에 따른 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예를 설명하기 위한 흐름도.
도 2는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예를 설명하기 위한 흐름도.
도 3은 도 2의 수치해석 모델에서 절점들을 설명하기 위한 예시도.
도 4는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 실측계측 데이터를 통한 추정변위 보정 방법의 실시 예를 설명하기 위한 흐름도.
도 5는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정한 변형률-변위 예측 방법에서 인공신경망 학습오차(MSE,최소제곱평균)에 의한 목적함수가 최소가 되는 위치를 찾아가는 과정을 설명하기 위한 도면이다.
본 발명의 바람직한 실시 예를 첨부된 도면에 의하여 상세히 설명하면 다음과 같다.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 또한 실시 예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고, 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
도 1은 본 발명에 따른 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예를 설명하기 위한 흐름도이다.
본 발명에 따른 유전자 알고리즘(Genetic Algorithm : GA)과 인공지능(AI)기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예는 도 1에 나타낸 바와 같이, 변형률을 이용하여 추정한 구조물 변위의 정밀도를 향상하기 위해 우선 구조해석의 결과를 이용하여 인공신경망 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정한다(S1).
그 다음 교량과 같은 구조물의 실제 조건을 반영하여 추정하는 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용하여 인공신경망 학습오차를 실시하여 최소오차를 갖는 변위를 추정한다(S2).
그리고 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행한다(S3).
여기서 계측기기 설치 위치의 체계화를 결정(구축)하는 단계(S1)는 구조해석의 결과를 이용하여 유전자 알고리즘에 의한 인공신경망 학습을 통해 계측기기 설치 위치를 결정하는 것으로, 이에 대한 실시 예를 도 2를 통해 설명하기로 한다.
도 2는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예를 설명하기 위한 흐름도이고, 도 3은 도 2의 수치해석 모델에서 절점들을 설명하기 위한 예시도이며, 도 5는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 인공신경망 학습오차(MSE,최소제곱평균)에 의한 목적함수가 최소가 되는 위치를 찾아가는 과정을 설명하기 위한 도면이다.
도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예는 도 2 및 도 3에 나타낸 바와 같은데, 대상 구조물에 대해 n개의 절점을 갖는 구조해석 모델을 구축하고 이동 활하중에 의해 해석 모델의 각 절점에 대해서 계산 변형률 (
Figure 112021081024282-pat00027
)과 계산 변위(
Figure 112021081024282-pat00028
) 결과를 수집한다(S11). 여기서, 계산 변형률 (
Figure 112021081024282-pat00029
)과 계산 변위(
Figure 112021081024282-pat00030
)는 수치해석 모델에서 i번째 절점의 변형률과 변위이다.
이어 유전자 알고리즘(Genetic Algorithm : GA)에 적용할 변형률 데이터 개수(Ns)를 부여한다(S12). 이때, 인공신경망 학습에서 변형률의 위치과 개수를 동시에 최적화하면 경우의 수가 너무 많기 때문에 변형률 데이터 개수(NS)는 대상구조물(시설물)의 중요도에 따라 예를 들면 2개부터 4개까지 인위적으로 설정할 수 있다. 또한 실제 계측 단계에서는 2-3개로 축소할 수 있다.
그리고 도 3에서와 같은 N1개(N1 = 1개. 2개, 3개, 4개 등)의 절점중에서 유전자 알고리즘 적용 변형률 데이터 개수(
Figure 112021081024282-pat00031
)만큼의 절점 i에서 계산 변형률(
Figure 112021081024282-pat00032
)에 의한 추정변위(
Figure 112021081024282-pat00033
)를 산정한다(S13). 이때,
Figure 112021081024282-pat00034
로 나타낼 수 있으며,
Figure 112021081024282-pat00035
는 이론적으로 변형률을 이용하여 변위를 계산하기 위한 변환계수로서, 대상 교량의 주어진 단면제원과 재료특성을 이용하여 Euler-beam 이론에 의해 계산할 수 있다.
그 다음 구조해석 모델 절점의 변형률에 의한 추정변위(
Figure 112021081024282-pat00036
)와 구조해석에 의한 계산 변위(
Figure 112021081024282-pat00037
)를 이용한 인공신경망 학습오차(MSE, 최소제곱평균, 평균제곱오차)를 목적함수로 구성한다(S14).
여기서 목적함수
Figure 112021081024282-pat00038
라 할 때, Ns = 변형률 데이터 개수이고,
Figure 112021081024282-pat00039
= 해석모델의 계산변위이며,
Figure 112021081024282-pat00040
= 신경망 추정변위이고, i는 절점번호이다.
그리고 도 3의 복수의 절점들 중 무작위로 절점의 위치를 변경해가면서 목적함수(MSE)에 대해 인공신경망 학습을 수행한다(S15). 물론, 무작위로 절점의 위치를 변경할 때 절점간의 간격을 규칙적인 방법과 불규칙적인 방법을 취할 수 있다.
그 다음, 절점의 위치 i를 무작위로 변경한다(S16). 이때, 도 5에서와 같이 목적함수의 값이 작은 절점은 남고, 목적함수의 값이 높은 절점은 제외시켜가면서 남아 있는 절점의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성함으로써 결국은 목적함수가 최소인 절점을 찾아낼 때까지 수행된다.
그리고 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(NS)를 변경하면서 인공신경망 학습오차가 최소가 되는 절점을 결정한다(S17). 참고로, 유전자 알고리즘(GA)에 의하여 결정하여야 하는 주요 변수는 적용할 변형률 데이터 절점 개수와 절점 위치이다.
한편 이러한 도 3에서의 계측된 변형률을 이용하여 추정한 변위의 정밀도를 향상하고 교량의 실제 조건을 반영하기 위하여 현장계측 데이터를 이용한 추정변위 보정을 도 4에서와 같이 거쳐야 한다.
도 4는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 S1단계에서 결정된 변형률계 위치에서 대상교량에서 실제 계측하여 추정변위의 정밀도를 항상 시키는 추정변위 보정 방법의 실시 예를 설명하기 위한 흐름도이다.
도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 실제계측 데이터를 통한 추정변위 보정 방법의 실시 예는 도 4에 나타낸 바와 같은데, 현장구조물(시설물)에 S1단계에서 결정한 절점위치에 변형률(εM,T,i) 게이지와 훈련용 변위계(DM,T,i), 확인용 변위계(DM,C,i), 온도계(TM,i) 등 계측기기를 설치한다(S21). 이때, 변형률 게이지는 S1 단계에서 최대 4개였다 하더라도, 현장에서는 2-3개로 축소시킬 수 있다.
즉 도 1에서와 같은 최적의 계측기기 설치 위치 결정(구축) 단계(S1)에서 결정한 절점위치에 훈련용 변형률 계측기기와, 해당 결정한 절점에 훈련용 변위 계측기기를 설치한다. 그리고 변위를 확인하고자 하는 위치에 확인용 변위계 계측기기를 설치하고, 온도에 따른 오차를 보정하기 위한 온도 계측기기를 설치한다.
이어 현장에서 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집한다(S22). 이때, AI 훈련용 측정변형률(
Figure 112021081024282-pat00041
), AI 훈련용 측정변위(
Figure 112021081024282-pat00042
), 확인용 측정변위(
Figure 112021081024282-pat00043
) 및 대상 부재의 온도(
Figure 112021081024282-pat00044
) 데이터를 수집한다.
그리고 현장에서 측정된 변형률(εM,T,i) 및 측정변위(DM,T,i, DM,C,i)를 측정온도(
Figure 112021081024282-pat00045
) 에 따른 보정을 한다(S23). 이때, 보정변형률은 (
Figure 112021081024282-pat00046
)이고, 보정 측정변위는 (
Figure 112021081024282-pat00047
)이다.
이어 목적함수의 오차를 산정하기 위한 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(
Figure 112021081024282-pat00048
)를 부여한다(S24). 이때, 본 발명에서는 인공신경망 학습에서 변형률의 가중치와 개수를 동시에 최적화하면 경우의 수가 너무 많기 때문에 변형률 데이터 개수(
Figure 112021081024282-pat00049
)는 최적의 계측기기 설치위치 결정(구축)단계(S1)에서 결정한 최대 변형률 데이터 개수부터 시작하여 점차 줄여가면서 학습하는 것이 바람직하다. 그리고 이러한 학습에 따라 딥러닝에 의한 진보된 학습이 이루어질 수 있다.
그 다음 온도보정된 현장측정 변형률(ε1M,T,i)를 이용한 추정변위(
Figure 112021081024282-pat00050
) 를 산정하고, 가중치(
Figure 112021081024282-pat00051
)를 부여한다(S25). 여기서 추정변위(
Figure 112021081024282-pat00052
) = 가중값(
Figure 112021081024282-pat00053
) × 변환계수(
Figure 112021081024282-pat00054
) × 변형률(
Figure 112021081024282-pat00055
)이다.
그 다음 온도보정된 훈련용 측정변위(D1M, T, i, D1M, C, i)와 온도보정된 추정변위(D1M, E, i)를 이용한 목적함수(MSE)에 대한 인공신경망을 학습한다(S26). 여기서 목적함수
Figure 112021081024282-pat00056
이고, Ns = 변형률 데이터 개수, D M,T = 보정 측정변위, P M = 신경망 추정변위이다.
한편 가중치(
Figure 112021081024282-pat00057
)를 변화하는데(S27), 부여된 변형률 데이터 개수만큼 인가를 판단하여(S28-1), 부여된 변형률 데이터 개수만큼의 가중치를 변화한다. 여기서 유전자 알고리즘(GA)에 의한 가중치 변화에 따른 최적의 가중치를 찾는 방법은 도 5의 개념과 동일하며 목적함수의 값이 작은 가중치는 남고, 목적함수의 값이 높은 가중치를 제외시켜 가면서 남아 있는 위치의 값을 이용하여 새로운 유전자를 거듭 생성하므로서 결국은 목적함수가 최소인 가중치를 찾아내는 것으로, 이때 가중치(
Figure 112021081024282-pat00058
)는 1.0부터 0.0범위까지 0.05씩 축소시켜가며 적용할 수 있다.
그리고 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정한다(S28). 이때, 목적함수가 최소인 가중치인 경우(S28-1), 변형률 데이터 개수(
Figure 112021081024282-pat00059
)별 인공신경망 학습오차가 최소가 되는 가중치를 결정한다(S29).
그에 따라 최종 결정된 추정변위 식을 이용하여 추정한 변위와 확인용 변위와 상호 비교하는데, 완성된 변형률-변위 추정공식을 이용하여 확인용 계측기기의 측정변위(DM,C,i)로 검증한다(S30).
이상과 같은 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

Claims (11)

  1. 구조물의 변위의 정밀도 향상을 위한 구조해석의 결과를 이용하여 유전자 알고리즘(GA)에 의한 인공신경망(AI) 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정하는 단계(S1);
    상기 구조물의 실제 조건을 반영하여 추정된 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용한 인공신경망 학습을 실시하여 최소오차를 갖는 변위를 추정하는 단계(S2); 및
    상기 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행하는 단계(S3);를 포함하여 이루어지되,
    상기 S1 단계는,
    상기 구조물에 대해 복수개의 절점을 갖는 구조해석 모델을 구축하고 이동 활하중에 의해 해석 모델의 각 i번 절점에 대해서 계산 변형률 (
    Figure 112021117939456-pat00091
    )과 계산 변위(
    Figure 112021117939456-pat00092
    ) 결과를 수집하는 단계(S11)와, 상기 유전자 알고리즘(Genetic Algorithm : GA)에 적용할 변형률 데이터 개수(Ns)를 부여하는 단계(S12)와, 상기 각 절점중에서 유전자 알고리즘 적용 변형률 데이터 개수(
    Figure 112021117939456-pat00093
    )만큼의 절점 i에서 계산 변형률(
    Figure 112021117939456-pat00094
    )에 의한 추정변위(
    Figure 112021117939456-pat00095
    )를 산정하는 단계(S13)와, 상기 추정변위(
    Figure 112021117939456-pat00096
    )와 상기 계산 변위(
    Figure 112021117939456-pat00097
    )를 이용한 인공신경망 학습오차(MSE, 최소제곱평균, 평균제곱오차)를 목적함수로 구성하고(S14), 복수의 절점들 중 무작위로 절점의 위치를 변경해가면서 목적함수(MSE)에 대해 인공신경망 학습을 수행하는 단계(S15) 및 상기 절점의 위치 i를 무작위로 변경하면서(S16), 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(NS)를 변경하면서 인공신경망 학습오차가 최소가 되는 절점을 결정하는 단계(S17);를 포함하여 이루어지는 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 변형률 데이터 개수(NS)는 구조물의 중요도에 따라 2개 내지 4개까지 설정됨을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
  4. 제1항에 있어서,
    상기 인공신경망 학습오차의 목적함수(MSE)를
    Figure 112021117939456-pat00067
    라 할때, Ns = 변형률 데이터 개수이고, i는 구조해석 모델의 임의의 절점,
    Figure 112021117939456-pat00068
    = 해석모델의 계산변위,
    Figure 112021117939456-pat00069
    = 신경망 추정변위인 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
  5. 제1항에 있어서,
    상기 인공신경망 학습오차가 최소가 되는 절점을 결정하는 단계(S17)는,
    상기 목적함수의 값이 작은 절점은 남기고, 목적함수의 값이 높은 절점은 제외시켜가면서 남아 있는 절점의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성하여 목적함수가 최소인 절점을 찾아낼 때까지 수행하여 최적의 절점 개수와 위치를 결정함을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
KR1020210091986A 2021-07-14 2021-07-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 KR102332188B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210091986A KR102332188B1 (ko) 2021-07-14 2021-07-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
KR1020210136945A KR102435166B1 (ko) 2021-07-14 2021-10-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210091986A KR102332188B1 (ko) 2021-07-14 2021-07-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210136945A Division KR102435166B1 (ko) 2021-07-14 2021-10-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Publications (1)

Publication Number Publication Date
KR102332188B1 true KR102332188B1 (ko) 2021-12-02

Family

ID=78867379

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210091986A KR102332188B1 (ko) 2021-07-14 2021-07-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
KR1020210136945A KR102435166B1 (ko) 2021-07-14 2021-10-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210136945A KR102435166B1 (ko) 2021-07-14 2021-10-14 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법

Country Status (1)

Country Link
KR (2) KR102332188B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592382A (zh) * 2024-01-18 2024-02-23 高速铁路建造技术国家工程研究中心 一种铁路车轨桥系统动态响应预测方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100260324B1 (ko) 1998-05-06 2000-08-01 최병은 이동하중에 의한 보의 변위응답 산정을 위한 가속도측정치의 신호처리 방법
KR20010105982A (ko) 2000-05-19 2001-11-29 권순덕 가속도 센서를 이용한 휴대용 동적 변위 측정 장치
KR101348817B1 (ko) * 2013-01-11 2014-01-08 연세대학교 산학협력단 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템
KR101644311B1 (ko) * 2015-02-04 2016-08-01 건양대학교산학협력단 스마트 구조물의 유지 관리를 위한 est 기반 최적 si 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100260324B1 (ko) 1998-05-06 2000-08-01 최병은 이동하중에 의한 보의 변위응답 산정을 위한 가속도측정치의 신호처리 방법
KR20010105982A (ko) 2000-05-19 2001-11-29 권순덕 가속도 센서를 이용한 휴대용 동적 변위 측정 장치
KR101348817B1 (ko) * 2013-01-11 2014-01-08 연세대학교 산학협력단 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템
KR101644311B1 (ko) * 2015-02-04 2016-08-01 건양대학교산학협력단 스마트 구조물의 유지 관리를 위한 est 기반 최적 si 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Patent Document 0003: Measuring method and measuring device for measuring dynamic displacement and velocity history using the measured vibration acceleration of a structure

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592382A (zh) * 2024-01-18 2024-02-23 高速铁路建造技术国家工程研究中心 一种铁路车轨桥系统动态响应预测方法、系统及介质
CN117592382B (zh) * 2024-01-18 2024-04-26 高速铁路建造技术国家工程研究中心 一种铁路车轨桥系统动态响应预测方法、系统及介质

Also Published As

Publication number Publication date
KR102435166B1 (ko) 2022-08-23

Similar Documents

Publication Publication Date Title
Chen Structural health monitoring of large civil engineering structures
Robert‐Nicoud et al. Model identification of bridges using measurement data
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
CN102034021A (zh) 一种结构健康诊断的整体局部信息融合方法
Hong et al. Comprehensive comparison of macro-strain mode and displacement mode based on different sensing technologies
Zhang et al. Deflection distribution estimation of tied‐arch bridges using long‐gauge strain measurements
Alamdari et al. Non-contact structural health monitoring of a cable-stayed bridge: Case study
Hong et al. Condition assessment of reinforced concrete beams using dynamic data measured with distributed long-gage macro-strain sensors
KR101328889B1 (ko) 계측 변위 기반의 구조물 건전도 평가 시스템
KR102332188B1 (ko) 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법
Boumechra Damage detection in beam and truss structures by the inverse analysis of the static response due to moving loads
Li et al. Bridge damage detection from the equivalent damage load by multitype measurements
Iliopoulos et al. Continuous fatigue assessment of an offshore wind turbine using a limited number of vibration sensors
Tarpø et al. Data‐driven virtual sensing and dynamic strain estimation for fatigue analysis of offshore wind turbine using principal component analysis
Karimi et al. Damage identification in bridge structures: review of available methods and case studies
Li et al. Early warning for abnormal cable forces of cable-stayed bridges considering structural temperature changes
CN112883478B (zh) 钢结构位移预测方法、装置、终端设备和系统
US20220042875A1 (en) Methods and systems for damage evaluation of structural assets
CN109781863A (zh) 基于快速振动测试的结构腐蚀二阶段探测方法及其系统
CN108871221A (zh) 一种桥梁监测装置
KR101458159B1 (ko) 불확실한 하중을 받는 보 부재의 변형률 분포 추정 장치 및 방법
Morales-Valdez et al. Damage localization in a building structure during seismic excitation
Valinejadshoubi et al. Structural health monitoring of buildings and infrastructure
Bhowmik Life extension of offshore structure using machine learning
Hu et al. Single input-single output identification thermal response model of bridge using nonlinear ARX with wavelet networks

Legal Events

Date Code Title Description
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant