KR102356403B1 - Method and apparatus for predicting deformed shape of building - Google Patents

Method and apparatus for predicting deformed shape of building Download PDF

Info

Publication number
KR102356403B1
KR102356403B1 KR1020190158111A KR20190158111A KR102356403B1 KR 102356403 B1 KR102356403 B1 KR 102356403B1 KR 1020190158111 A KR1020190158111 A KR 1020190158111A KR 20190158111 A KR20190158111 A KR 20190158111A KR 102356403 B1 KR102356403 B1 KR 102356403B1
Authority
KR
South Korea
Prior art keywords
floor
displacement
building
wind
data
Prior art date
Application number
KR1020190158111A
Other languages
Korean (ko)
Other versions
KR20210068735A (en
Inventor
김법렬
Original Assignee
경일대학교산학협력단
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 경일대학교산학협력단 filed Critical 경일대학교산학협력단
Priority to KR1020190158111A priority Critical patent/KR102356403B1/en
Publication of KR20210068735A publication Critical patent/KR20210068735A/en
Application granted granted Critical
Publication of KR102356403B1 publication Critical patent/KR102356403B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계, 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 건물의 최상층의 변위를 측정하고 최상층의 최상층 변위 데이터를 수집하는 단계, 각 층의 풍응답 데이터 및 각 층의 변위 데이터와, 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및 트레이닝된 건물 변형 예측 모델을 통해 최상층 변위 데이터로부터 건물의 변형 형상을 예측하는 단계를 통해 건물의 변형 형상을 예측하는 방법 및 장치가 제공된다.Measuring the wind response and displacement of each floor of the building, collecting wind response data and displacement data of each floor, measuring the displacement of the top floor of the building based on Global Positioning System (GPS) data, and The steps of collecting the displacement data of the top floor, the wind response data of each floor and the displacement data of each floor, and training the building deformation prediction model based on the top floor displacement data, and the top floor displacement data through the trained building deformation prediction model A method and apparatus for predicting a deformable shape of a building through the step of predicting a deformed shape of a building from

Description

건물의 변형 형상을 예측하는 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING DEFORMED SHAPE OF BUILDING}Method and apparatus for predicting the deformed shape of a building

본 발명은 풍하중에 따른 건물의 변형 형상을 예측하는 관한 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for predicting the deformation shape of a building according to a wind load.

고층건물에 있어서 풍하중(Wind loads)은 복잡한 변동(fluctuations)을 동반할 수 있다. 그리고 건물에 작용하는 풍하중은 시간에 따라서 매우 다양하게 변화할 수 있다. 소용돌이 흘림(Vortex shedding) 현상이 고려될 때, 바람이 한 방향에서 건물을 향해 불어오더라도 여러 방향의 풍하중이 함께 고려될 필요가 있다. 여기서 여러 방향의 풍하중은, 풍방향 힘(along-wind force), 풍직각방향 힘(cross-wind force), 및 비틀림방향 힘(torsional wind force)을 포함할 수 있다. 이러한 공기역학적 특성(aerodynamic characteristics)은 바람의 속도, 바람의 방향, 건물의 형태, 건물의 위치에 따라서 매우 다양하게 나타날 수 있다(Tanaka, H., Tamura, Y., Ohtake, K., Nakai, M., & Kim, Y. C. (2012). Experimental investigation of aerodynamic forces and wind pressures acting on tall buildings with various unconventional configurations. Journal of Wind Engineering and Industrial Aerodynamics, 107-108, 179-191. 등 참조). 그리고 이러한 복잡한 풍하중의 특성 때문에 풍하중이 고층건물에 작용할 때 발생되는 풍응답(wind-induced response)이 정확하게 추정될 필요가 있다.Wind loads in high-rise buildings can be accompanied by complex fluctuations. And the wind load acting on the building can vary greatly with time. When the vortex shedding phenomenon is considered, even if the wind blows toward the building from one direction, it is necessary to consider the wind loads from multiple directions together. Here, the multidirectional wind load may include a long-wind force, a cross-wind force, and a torsional wind force. These aerodynamic characteristics can appear very diversely depending on the speed of the wind, the direction of the wind, the shape of the building, and the location of the building (Tanaka, H., Tamura, Y., Ohtake, K., Nakai, M., & Kim, YC (2012). Experimental investigation of aerodynamic forces and wind pressures acting on tall buildings with various unconventional configurations. See Journal of Wind Engineering and Industrial Aerodynamics, 107-108, 179-191. et al.). And because of the complex characteristics of wind loads, it is necessary to accurately estimate the wind-induced response that occurs when wind loads act on high-rise buildings.

대한민국 등록특허공보 제0-1965879호 (2019년 3월 29일)Republic of Korea Patent Publication No. 0-1965879 (March 29, 2019) 대한민국 등록특허공보 제10-1328889호 (2013년 11월 6일)Republic of Korea Patent Publication No. 10-1328889 (November 6, 2013)

본 발명이 해결하고자 하는 과제는, 최상층의 변위를 사용하여 건물의 변형 형상을 예측하는 방법 및 장치를 제공하는 것이다.An object of the present invention is to provide a method and an apparatus for predicting the deformation shape of a building using the displacement of the uppermost floor.

본 발명의 실시예에 따르면, 건물의 변형 형상을 예측하는 방법이 제공된다. 상기 변형 형상 예측 방법은, 상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계, 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계, 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계를 포함한다.According to an embodiment of the present invention, a method for predicting a deformable shape of a building is provided. The deformation shape prediction method includes: measuring wind response and displacement of each floor of the building, collecting wind response data and displacement data of each floor; measuring the displacement of the uppermost floor of the building; The steps of collecting, training a building deformation prediction model based on the wind response data of each floor and the displacement data of each floor, and the uppermost floor displacement data, and the top floor displacement data through the trained building deformation prediction model and predicting the deformable shape of the building from

또한 본 발명의 다른 실시예에 따르면, 건물의 변형 형상을 예측하는 건물 변형 예측 장치가 제공된다. 상기 건물 변형 예측 장치는, 상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 변형 형상 측정부, 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 최상층 변위 측정부, 및 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하고, 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 신경망 연산기를 포함한다.In addition, according to another embodiment of the present invention, there is provided a building deformation prediction apparatus for predicting the deformation shape of a building. The building deformation prediction device includes a deformation shape measuring unit that measures the wind response and displacement of each floor of the building and collects wind response data and displacement data of each floor, measures the displacement of the uppermost floor of the building, and measures the displacement of the uppermost floor of the building. The uppermost floor displacement measuring unit that collects the uppermost floor displacement data, and the wind response data of each floor, the displacement data of each floor, and training a building deformation prediction model based on the uppermost floor displacement data, the trained building deformation prediction model It includes a neural network calculator for predicting the deformation shape of the building from the top floor displacement data through the

본 발명의 실시예에 따르면, 최상층의 변위와 동일한 시점의 각 층의 변위 및 풍응답을 사용하여 트레이닝된 건물 변형 예측 모델을 통해, 최상층의 변위를 사용하여 각 층의 변위를 예측하고 이를 바탕으로 건물 전체의 변형 형상을 예측함으로써, 각 층의 변위 및 풍응답의 장시간 모니터링이 필요하지 않게 될 수 있다. 이는 GPS를 통해 획득된 건물 최상층의 변위를 사용함으로써 구조물의 안정성 평가를 위한 건물 전체의 변형 형상을 저비용으로 용이하게 측정할 수 있게 할 수 있다.According to an embodiment of the present invention, the displacement of each floor is predicted using the displacement of the uppermost floor through a building deformation prediction model trained using the displacement and wind response of each floor at the same time as the displacement of the uppermost floor, and based on this By predicting the deformation shape of the entire building, long-term monitoring of the displacement and wind response of each floor can be eliminated. This makes it possible to easily measure the deformation shape of the entire building for structural stability evaluation at low cost by using the displacement of the top floor of the building obtained through GPS.

도 1은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 장치를 나타낸 블록도이다.
도 2는 한 실시예에 따른 건물의 각 층의 변위를 나타낸 개념도이다.
도 3은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 방법을 나타낸 흐름도이다.
도 4는 한 실시예에 따른 건물로 불어오는 바람의 방향을 나타낸 개념도이다.
도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 모델을 나타낸 개념도이다.
도 6은 한 실시예에 따른 신경망 연산기의 입력 및 출력을 나타낸 개념도이다.
도 7a는 한 실시예에 따른 입력 데이터의 데이터 배열이다.
도 7b는 한 실시예에 따른 출력 데이터의 데이터 배열이다.
도 8은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.1 is a block diagram illustrating a deformable shape prediction apparatus for predicting a deformed shape of a building according to an exemplary embodiment.
2 is a conceptual diagram illustrating displacement of each floor of a building according to an exemplary embodiment.
3 is a flowchart illustrating a deformable shape prediction method for predicting a deformed shape of a building according to an exemplary embodiment.
4 is a conceptual diagram illustrating a direction of wind blowing into a building according to an exemplary embodiment.
5 is a conceptual diagram illustrating a three-dimensional model for analysis of wind load according to an embodiment.
6 is a conceptual diagram illustrating input and output of a neural network calculator according to an embodiment.
7A is a data arrangement of input data according to an exemplary embodiment.
7B is a data arrangement of output data according to an embodiment.
8 is a diagram illustrating a computing device according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. Hereinafter, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.In the present specification, duplicate descriptions of the same components will be omitted.

또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.Also, in this specification, when it is said that a certain element is 'connected' or 'connected' to another element, it may be directly connected or connected to the other element, but other elements in the middle It should be understood that there may be On the other hand, in this specification, when it is mentioned that a certain element is 'directly connected' or 'directly connected' to another element, it should be understood that another element does not exist in the middle.

또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다. In addition, the terms used herein are used only to describe specific embodiments, and are not intended to limit the present invention.

또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. Also, in this specification, the singular expression may include the plural expression unless the context clearly dictates otherwise.

또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.Also, in this specification, terms such as 'include' or 'have' are only intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and one or more It is to be understood that the existence or addition of other features, numbers, steps, operations, components, parts, or combinations thereof, is not precluded in advance.

또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.Also in this specification, the term 'and/or' includes a combination of a plurality of described items or any item of a plurality of described items. In this specification, 'A or B' may include 'A', 'B', or 'both A and B'.

또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.Also, in this specification, detailed descriptions of well-known functions and configurations that may obscure the gist of the present invention will be omitted.

도 1은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 장치를 나타낸 블록도이고, 도 2는 한 실시예에 따른 건물의 각 층의 변위를 나타낸 개념도이다.1 is a block diagram illustrating a deformable shape prediction apparatus for predicting a deformed shape of a building according to an exemplary embodiment, and FIG. 2 is a conceptual diagram illustrating displacement of each floor of a building according to an exemplary embodiment.

도 1을 참조하면, 한 실시예에 따른 건물 변형 예측 장치(100)는, 변형 형상 측정부(110), 최상층 변위 측정부(120), 및 신경망 연산기(130)를 포함한다.Referring to FIG. 1 , the apparatus 100 for predicting deformation of a building according to an embodiment includes a deformation shape measurement unit 110 , a top-floor displacement measurement unit 120 , and a neural network operator 130 .

변형 형상 측정부(110)는 풍응답 측정부(111) 및 변위 측정부(112)를 포함하고, 건물의 각 층의 풍응답 및 변위를 측정하고 건물의 각 층의 풍응답 데이터 및 변위 데이터를 수집한다. 이후, 변형 형상 측정부(110)는 수집된 풍응답 데이터 및 변위 데이터를 신경망 연산기(130)에게 전달한다. 변형 형상 측정부(110)에 의해 수집된 풍응답 데이터 및 변위 데이터는 신경망 연산기(130)의 트레이닝 단계에서 사용될 수 있다. 변형 형상 측정부(110)는 지상 레이저 스캐닝(Terrestrial laser scanning, TLS), 2차원 레이저 스캐너, 또는 움직임 캡처 시스템(motion capture system) 등을 사용할 수 있다.The deformation shape measuring unit 110 includes a wind response measuring unit 111 and a displacement measuring unit 112 , measuring wind response and displacement of each floor of the building, and collecting wind response data and displacement data of each floor of the building. collect Thereafter, the deformation shape measuring unit 110 transmits the collected wind response data and displacement data to the neural network calculator 130 . The wind response data and displacement data collected by the deformation shape measuring unit 110 may be used in the training stage of the neural network calculator 130 . The deformable shape measuring unit 110 may use terrestrial laser scanning (TLS), a two-dimensional laser scanner, or a motion capture system.

최상층 변위 측정부(120)는, 건물의 최상층의 변위를 측정하고 건물의 최상층의 변위 데이터를 수집한다. 최상층 변위 측정부(120)는 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 최상층의 바람의 세기 및 방향에 관한 데이터를 수집할 수 있다. 이후, 최상층 변위 측정부(120)는 최상층의 변위 데이터를 신경망 연산기(130)에게 전달한다. 이때 최상층 변위 측정부(120)는 최상층의 바람의 세기 및 방향에 관한 데이터도 신경망 연산기(130)에게 전달할 수 있다. 최상층 변위 측정부(120)에 의해 수집된 최상층의 변위 데이터는 신경망 연산기(130)의 트레이닝 단계 및 추론 단계에서 사용될 수 있다. The uppermost floor displacement measurement unit 120 measures the displacement of the uppermost floor of the building and collects displacement data of the uppermost floor of the building. The uppermost floor displacement measuring unit 120 may collect data on the strength and direction of the wind on the uppermost floor based on Global Positioning System (GPS) data. Thereafter, the uppermost layer displacement measuring unit 120 transmits the uppermost layer displacement data to the neural network operator 130 . In this case, the uppermost floor displacement measuring unit 120 may also transmit data regarding the strength and direction of the wind on the uppermost floor to the neural network operator 130 . The uppermost layer displacement data collected by the uppermost layer displacement measuring unit 120 may be used in the training phase and the inference phase of the neural network operator 130 .

신경망 연산기(130)는 각 층의 풍응답 데이터 및 변위 데이터와, 최상층의 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝할 수 있다(트레이닝 단계). 신경망 연산기(130)는 트레이닝 단계에서 최상층의 바람의 세기, 최상층의 바람의 방향도 고려할 수 있다. 신경망 연산기(130)는 특정 시점의 최상층의 변위 데이터가 입력될 때, 해당 시점의 각 층의 변위에 가까운 결과가 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 이후 신경망 연산기(130)는, 최상층 변위 측정부(120)로부터 GPS 데이터를 바탕으로 측정된 최상층의 변위 데이터가 입력되면, 건물 변형 예측 모델을 통해 최상층의 변위 데이터로부터 건물 전체의 변형 형상을 예측할 수 있다(추론 단계).The neural network calculator 130 may train a building deformation prediction model based on the wind response data and displacement data of each floor and the displacement data of the uppermost floor (training step). The neural network calculator 130 may also consider the strength of the wind on the uppermost layer and the direction of the wind on the uppermost layer in the training phase. When the displacement data of the uppermost floor at a specific time point is input, the neural network calculator 130 may train the building deformation prediction model so that a result close to the displacement of each floor at the time point is output. Then, when the displacement data of the top floor measured based on the GPS data is input from the top floor displacement measurement unit 120, the neural network calculator 130 predicts the deformation shape of the entire building from the displacement data of the top floor through the building deformation prediction model. There is (inference stage).

도 2를 참조하면, 일반적으로, 건물의 최상층의 변위는 건물의 다른 층의 변위보다 크다. 건물의 변위는 각 층에 부딪히는 바람의 세기 및 방향에 따라 결정되지만, 유의미한 시간 간격 동안의 평균에 따르면 최상층의 변위가 가장 크다. 한 실시예에 따른 건물 변형 예측 장치(100)는 건물 변형 예측 모델의 트레이닝을 통해 건물의 최상층의 변위를 사용하여 건물 전체의 변형 형상을 효과적으로 정확하게 예측할 수 있다.Referring to FIG. 2 , in general, the displacement of the top floor of a building is greater than that of other floors of the building. Although the displacement of a building is determined by the strength and direction of the wind hitting each floor, the displacement of the top floor is the largest when averaged over a significant time interval. The building deformation prediction apparatus 100 according to an embodiment may effectively and accurately predict the deformation shape of the entire building by using the displacement of the uppermost floor of the building through training of the building deformation prediction model.

도 3은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 방법을 나타낸 흐름도이고, 도 4는 한 실시예에 따른 건물로 불어오는 바람의 방향을 나타낸 개념도이며, 도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 모델을 나타낸 개념도이다.3 is a flowchart illustrating a deformable shape prediction method for predicting a deformed shape of a building according to an embodiment, FIG. 4 is a conceptual diagram illustrating a direction of wind blowing into a building according to an embodiment, and FIG. 5 is an embodiment It is a conceptual diagram showing a three-dimensional model for the analysis of wind loads according to

먼저, 변형 형상 측정부(110) 및 최상층 변위 측정부(120)는 각각 건물의 풍응답 및 변위를 측정한다. 변형 형상 측정부(110)는 건물의 각 층의 풍응답 데이터 및 변위 데이터를 수집하고(S110), 최상층 변위 측정부(120)는 건물의 최상층의 최상층 변위 데이터를 수집한다(S120). First, the deformation shape measuring unit 110 and the uppermost floor displacement measuring unit 120 measure the wind response and displacement of the building, respectively. The deformation shape measuring unit 110 collects wind response data and displacement data of each floor of the building (S110), and the uppermost floor displacement measuring unit 120 collects the uppermost floor displacement data of the uppermost floor of the building (S120).

고층 건물에는 다양한 방향에서 바람이 불어올 수 있다. 도 4에는 건물의 평면도가 도시되어 있고, 건물로 불어오는 바람의 방향이 점선 화살표로 표시되어 있다. 바람의 방향은 각도

Figure 112019124151480-pat00001
로 표시될 수 있고, 미리 결정된 각도 간격으로 측정될 수 있다. 예를 들어, 각도
Figure 112019124151480-pat00002
는 0° 내지 90° 사이에서 10° 간격으로 측정될 수 있다. 0° 내지 90° 사이의 10개 각도에서 측정된 바람의 방향 및 세기는 변형 형상 측정부(110)에 의해 풍응답이 측정될 때 고려될 수 있다. In high-rise buildings, wind can blow from various directions. 4 is a plan view of the building, and the direction of the wind blowing into the building is indicated by a dotted arrow. wind direction angle
Figure 112019124151480-pat00001
It may be expressed as , and may be measured at a predetermined angular interval. For example, angle
Figure 112019124151480-pat00002
can be measured at 10° intervals between 0° and 90°. The direction and strength of the wind measured at 10 angles between 0° and 90° may be considered when the wind response is measured by the deformable shape measuring unit 110 .

풍응답의 측정시 다양한 풍하중(풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)) 이 고려될 필요가 있다. 도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 분석 모델(3D analytical model)을 나타낸다. 도 5의 3차원 분석 모델에서 수직 방향의 변형(vertical deformation) 및 수직 방향의 하중(vertical loads)은 고려되지 않았다. 한 실시예에 따른 변형 형상 측정부(110)는 3차원 분석 모델을 사용하여 각 층의 측면 풍응답을 측정 및 분석할 수 있다. 변형 형상 측정부(110)에 의해 사용되는 3차원 분석 모델의 운동 방정식은 아래 수학식 1과 같다.Various wind loads (along-wind forces, cross-wind forces, and torsional wind forces) need to be considered when measuring wind response. 5 shows a 3D analytical model for analysis of wind load according to an exemplary embodiment. In the 3D analysis model of FIG. 5 , vertical deformation and vertical loads were not considered. The deformable shape measuring unit 110 according to an embodiment may measure and analyze a side wind response of each layer using a three-dimensional analysis model. The equation of motion of the three-dimensional analysis model used by the deformable shape measuring unit 110 is shown in Equation 1 below.

Figure 112019124151480-pat00003
Figure 112019124151480-pat00003

수학식 1에서 M은 질량, C는 댐핑 계수, K는 건물의 강성 행렬(stiffness matrix)이다. 수학식 1의 우변의 F(Fx, Fy, 및 Fθ)는 외부 풍하중(풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces))의 시간 이력이다.

Figure 112019124151480-pat00004
는 측면 가속도 벡터이고,
Figure 112019124151480-pat00005
는 측면 속도 벡터이며,
Figure 112019124151480-pat00006
는 측면 변위 벡터이다. In Equation 1, M is a mass, C is a damping coefficient, and K is a stiffness matrix of the building. F(F x , F y , and F θ ) of the right side of Equation 1 are external wind loads (along-wind forces, cross-wind forces, and torsional wind forces). forces))).
Figure 112019124151480-pat00004
is the lateral acceleration vector,
Figure 112019124151480-pat00005
is the lateral velocity vector,
Figure 112019124151480-pat00006
is the lateral displacement vector.

다시 도 3을 참조하면, 신경망 연산기(130)는 각 층의 풍응답 데이터, 각 층의 변위 데이터, 및 최상층의 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝한다(S130). 한 실시예에 따른 신경망 연산기(130)는 각 층의 풍응답 데이터, 각 층의 변위 데이터, 및 최상층의 변위 데이터 간의 상관 관계를 분석한 후, 특정 시점의 최상층의 변위 데이터가 입력될 때, 그 특정 시점의 각 층의 변위 데이터 및 각 층의 풍응답 데이터가 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 도 6은 한 실시예에 따른 신경망 연산기의 입력 및 출력을 나타낸 개념도이고, 도 7a는 한 실시예에 따른 입력 데이터의 데이터 배열이며, 도 7b는 한 실시예에 따른 출력 데이터의 데이터 배열이다. Referring back to FIG. 3 , the neural network calculator 130 trains a building deformation prediction model based on the wind response data of each floor, the displacement data of each floor, and the displacement data of the uppermost floor ( S130 ). The neural network calculator 130 according to an embodiment analyzes the correlation between the wind response data of each layer, the displacement data of each layer, and the displacement data of the uppermost layer, and then when the displacement data of the uppermost layer at a specific point in time is input, the The building deformation prediction model may be trained so that displacement data of each floor at a specific time and wind response data of each floor may be output. 6 is a conceptual diagram illustrating input and output of a neural network operator according to an embodiment, FIG. 7A is a data arrangement of input data according to an embodiment, and FIG. 7B is a data arrangement of output data according to an embodiment.

도 6을 참조하면, 건물 변형 예측 모델의 트레이닝을 위한 데이터 세트로서, 입력은 최상층의 변위 데이터이고, 출력은 각 층의 변위이다. 즉, 신경망 연산기(130)는 최상층의 변위 데이터가 입력되면, 그에 대응하는 각 층의 변위 데이터가 적절히 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 도 7a를 참조하면, 최상층의 변위 데이터는 2차원 배열로 표현될 수 있고, 도 7b를 참조하면, 건물 각 층의 변위 데이터는 1차원 배열로 표현될 수 있다.Referring to FIG. 6 , as a data set for training a building deformation prediction model, the input is the displacement data of the top floor, and the output is the displacement of each floor. That is, when the displacement data of the uppermost floor is input, the neural network calculator 130 may train the building deformation prediction model so that the displacement data of each floor corresponding thereto can be appropriately output. Referring to FIG. 7A , displacement data of the uppermost floor may be expressed in a two-dimensional array, and referring to FIG. 7B , displacement data of each floor of a building may be expressed in a one-dimensional array.

이후, 각 층의 변위 데이터 및/또는 각 층의 풍응답 데이터가 수집되지 않을 때, 최상층의 변위 데이터가 신경망 연산기(130)에 입력되면, 신경망 연산기(130)는 트레이닝된 건물 변형 예측 모델을 통해 각 층의 변위를 예측할 수 있다(S140). 그리고 신경망 연산기(130)는 예측된 각 층의 변위로부터 건물 전체의 변형 형상을 예측할 수 있다(S150).Then, when the displacement data of each floor and/or the wind response data of each floor are not collected, when the displacement data of the uppermost floor is input to the neural network operator 130, the neural network operator 130 is trained through the building deformation prediction model. It is possible to predict the displacement of each layer (S140). And the neural network calculator 130 may predict the deformation shape of the entire building from the predicted displacement of each floor (S150).

위에서 설명한 바와 같이, 최상층의 변위와 동일한 시점의 각 층의 변위 및 풍응답을 사용하여 트레이닝된 건물 변형 예측 모델을 통해, 최상층의 변위를 사용하여 각 층의 변위를 예측하고 이를 바탕으로 건물 전체의 변형 형상을 예측함으로써, 각 층의 변위 및 풍응답의 장시간 모니터링이 필요하지 않게 될 수 있다. 이는 GPS를 통해 획득된 건물 최상층의 변위를 사용함으로써 구조물의 안정성 평가를 위한 건물 전체의 변형 형상을 저비용으로 용이하게 측정할 수 있게 할 수 있다.As described above, through the building deformation prediction model trained using the displacement and wind response of each floor at the same time as the displacement of the top floor, the displacement of each floor is predicted using the displacement of the top floor, and based on this, the By predicting the deformation shape, long-term monitoring of the displacement and wind response of each layer can be eliminated. This makes it possible to easily measure the deformation shape of the entire building for structural stability evaluation at low cost by using the displacement of the top floor of the building obtained through GPS.

도 8은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 8 is a diagram illustrating a computing device according to an embodiment of the present invention.

도 8의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 건물 변형 예측 장치 등)일 수 있다. The computing device TN100 of FIG. 8 may be a device (eg, a building deformation prediction device, etc.) described herein.

도 8의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.In the embodiment of FIG. 8 , the computing device TN100 may include at least one processor TN110 , a transceiver device TN120 , and a memory TN130 . In addition, the computing device TN100 may further include a storage device TN140 , an input interface device TN150 , an output interface device TN160 , and the like. Components included in the computing device TN100 may be connected by a bus TN170 to communicate with each other.

프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.The processor TN110 may execute a program command stored in at least one of the memory TN130 and the storage device TN140. The processor TN110 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to an embodiment of the present invention are performed. The processor TN110 may be configured to implement procedures, functions, and methods described in connection with an embodiment of the present invention. The processor TN110 may control each component of the computing device TN100.

메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다. Each of the memory TN130 and the storage device TN140 may store various information related to the operation of the processor TN110. Each of the memory TN130 and the storage device TN140 may be configured as at least one of a volatile storage medium and a nonvolatile storage medium. For example, the memory TN130 may include at least one of a read only memory (ROM) and a random access memory (RAM).

송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다. The transceiver TN120 may transmit or receive a wired signal or a wireless signal. The transceiver TN120 may be connected to a network to perform communication.

한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다. On the other hand, the embodiment of the present invention is not implemented only through the apparatus and/or method described so far, and a program for realizing a function corresponding to the configuration of the embodiment of the present invention or a recording medium in which the program is recorded may be implemented. And, such an implementation can be easily implemented by those skilled in the art from the description of the above-described embodiment.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art using the basic concept of the present invention as defined in the following claims are also presented. It belongs to the scope of the invention.

Claims (13)

건물의 변형 형상을 예측하는 방법으로서,
변형 형상 측정부가 상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계,
최상층 변위 측정부가 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계,
신경망 연산기가 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및
상기 신경망 연산기가 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계
를 포함하며,
상기 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계는,
상기 최상층 변위 데이터로부터 상기 각 층의 변위를 예측하는 단계, 및
상기 각 층의 예측된 변위로부터 상기 건물의 변형 형상을 예측하는 단계
를 포함하고,
상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계는,
상기 건물의 각 층의 바람의 세기 및 방향을 미리 결정된 각도 간격으로 측정하는 단계,
상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하는 단계
를 포함하고,
상기 풍하중은 풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)을 포함하고,
상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하는 단계는,
미리 결정된 운동 방정식을 갖는 3차원 분석 모델을 사용하여 상기 각 층의 측면 풍응답을 측정하는 단계
를 포함하고,
상기 운동 방정식은
수학식
Figure 112021125768882-pat00016
이고,
상기 M은 질량이고,
상기 C는 댐핑 계수이고,
상기 K는 건물의 강성 행렬이고,
상기 F는 풍방향 힘, 풍직각방향 힘 및 비틀림방향 힘의 시간 이력이고,
상기
Figure 112021125768882-pat00017
는 측면 가속도 벡터이고,
상기
Figure 112021125768882-pat00018
는 측면 속도 벡터이고,
상기
Figure 112021125768882-pat00019
는 측면 변위 벡터이고,
상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계는,
글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계
를 포함하는
변형 형상 예측 방법. As a method of predicting the deformation shape of a building,
measuring, by a deformation shape measuring unit, wind response and displacement of each floor of the building, and collecting wind response data and displacement data of each floor;
measuring the displacement of the uppermost floor of the building by the uppermost floor displacement measuring unit and collecting the uppermost floor displacement data of the uppermost floor;
Training, by a neural network calculator, a building deformation prediction model based on the wind response data of each floor, the displacement data of each floor, and the topmost floor displacement data, and
Predicting the deformation shape of the building from the uppermost floor displacement data through the building deformation prediction model trained by the neural network operator
includes,
Predicting the deformation shape of the building from the top floor displacement data through the trained building deformation prediction model comprises:
Predicting the displacement of each layer from the topmost layer displacement data, and
Predicting the deformation shape of the building from the predicted displacement of each floor
including,
Measuring the wind response and displacement of each floor of the building, and collecting the wind response data and displacement data of each floor,
Measuring the strength and direction of the wind on each floor of the building at predetermined angular intervals;
Measuring the wind response in consideration of the direction and strength of the wind and the wind load
including,
the wind loads include along-wind forces, cross-wind forces, and torsional wind forces;
Measuring the wind response in consideration of the direction and strength of the wind and the wind load,
measuring the lateral wind response of each layer using a three-dimensional analytical model having a predetermined equation of motion;
including,
The equation of motion is
formula
Figure 112021125768882-pat00016
ego,
Wherein M is the mass,
Wherein C is the damping coefficient,
where K is the stiffness matrix of the building,
Wherein F is the time history of the wind force, the wind perpendicular force and the torsional force,
remind
Figure 112021125768882-pat00017
is the lateral acceleration vector,
remind
Figure 112021125768882-pat00018
is the lateral velocity vector,
remind
Figure 112021125768882-pat00019
is the lateral displacement vector,
Measuring the displacement of the top floor of the building and collecting the displacement data of the top floor of the top floor,
Measuring the displacement of the top floor of the building based on Global Positioning System (GPS) data and collecting displacement data of the top floor of the top floor
containing
Deformation shape prediction method. 삭제delete 삭제delete 삭제delete 제1항에서,
상기 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계는,
상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 상기 변위 데이터와, 이에 대응하는 상기 최상층 변위 데이터를 데이터 세트로 사용하여, 상기 최상층 변위 데이터가 입력될 때 상기 최상층 변위 데이터에 대응하는 상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 변위 데이터가 출력될 수 있도록 상기 건물 변형 예측 모델을 트레이닝하는 단계
를 포함하는, 변형 형상 예측 방법.In claim 1,
Training a building deformation prediction model based on the wind response data of each floor, the displacement data of each floor, and the topmost floor displacement data,
Using the wind response data of each layer, the displacement data of each layer, and the uppermost floor displacement data corresponding thereto as a data set, when the uppermost floor displacement data is inputted, each of the floors corresponding to the uppermost floor displacement data Training the building deformation prediction model so that the wind response data and the displacement data of each floor of
Including, deformation shape prediction method. 삭제delete 건물의 변형 형상을 예측하는 건물 변형 예측 장치로서,
상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 변형 형상 측정부,
상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 최상층 변위 측정부, 및
각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하고, 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 신경망 연산기
를 포함하며,
상기 신경망 연산기는
상기 최상층 변위 데이터로부터 상기 각 층의 변위를 예측하고,
상기 각 층의 예측된 변위로부터 상기 건물의 변형 형상을 예측하고,
상기 변형 형상 측정부는,
상기 건물의 각 층의 바람의 세기 및 방향을 미리 결정된 각도 간격으로 측정하고, 상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하고,
상기 풍하중은 풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)을 포함하고,
상기 변형 형상 측정부는,
미리 결정된 운동 방정식을 갖는 3차원 분석 모델을 사용하여 상기 각 층의 측면 풍응답을 측정하고,
상기 운동 방정식은
수학식
Figure 112021125768882-pat00020
이고,
상기 M은 질량이고,
상기 C는 댐핑 계수이고,
상기 K는 건물의 강성 행렬이고,
상기 F는 풍방향 힘, 풍직각방향 힘 및 비틀림방향 힘의 시간 이력이고,
상기
Figure 112021125768882-pat00021
는 측면 가속도 벡터이고,
상기
Figure 112021125768882-pat00022
는 측면 속도 벡터이고,
상기
Figure 112021125768882-pat00023
는 측면 변위 벡터이고,
상기 최상층 변위 측정부는,
글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는,
건물 변형 예측 장치. As a building deformation prediction device for predicting the deformation shape of a building,
A deformation shape measuring unit that measures the wind response and displacement of each floor of the building and collects the wind response data and displacement data of each floor;
The uppermost floor displacement measuring unit for measuring the displacement of the uppermost floor of the building and collecting the uppermost floor displacement data of the uppermost floor, and
Train a building deformation prediction model based on the wind response data of each floor, the displacement data of each floor, and the top floor displacement data, and the deformation shape of the building from the top floor displacement data through the trained building deformation prediction model Predictive Neural Network Calculator
includes,
The neural network calculator
Predicting the displacement of each layer from the topmost layer displacement data,
Predicting the deformation shape of the building from the predicted displacement of each floor,
The deformation shape measuring unit,
Measuring the strength and direction of the wind on each floor of the building at predetermined angular intervals, and measuring the wind response in consideration of the direction and strength of the wind and the wind load,
the wind loads include along-wind forces, cross-wind forces, and torsional wind forces;
The deformation shape measuring unit,
measuring the lateral wind response of each layer using a three-dimensional analytical model having a predetermined equation of motion;
The equation of motion is
formula
Figure 112021125768882-pat00020
ego,
Wherein M is the mass,
Wherein C is the damping coefficient,
where K is the stiffness matrix of the building,
Wherein F is the time history of the wind force, the wind perpendicular force and the torsional force,
remind
Figure 112021125768882-pat00021
is the lateral acceleration vector,
remind
Figure 112021125768882-pat00022
is the lateral velocity vector,
remind
Figure 112021125768882-pat00023
is the lateral displacement vector,
The uppermost layer displacement measuring unit,
Measuring the displacement of the top floor of the building based on Global Positioning System (GPS) data and collecting the displacement data of the top floor of the top floor,
Building deformation prediction device. 삭제delete 삭제delete 삭제delete 제7항에서,
상기 신경망 연산기는,
상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 상기 변위 데이터와, 이에 대응하는 상기 최상층 변위 데이터를 데이터 세트로 사용하여, 상기 최상층 변위 데이터가 입력될 때 상기 최상층 변위 데이터에 대응하는 상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 변위 데이터가 출력될 수 있도록 상기 건물 변형 예측 모델을 트레이닝하는, 건물 변형 예측 장치.In claim 7,
The neural network calculator,
Using the wind response data of each layer, the displacement data of each layer, and the uppermost floor displacement data corresponding thereto as a data set, when the uppermost floor displacement data is inputted, each of the floors corresponding to the uppermost floor displacement data A building deformation prediction device for training the building deformation prediction model so that the wind response data and the displacement data of each floor of the are output. 제7항에서,
상기 변형 형상 측정부는, 지상 레이저 스캐닝(Terrestrial laser scanning, TLS), 2차원 레이저 스캐너, 또는 움직임 캡처 시스템(motion capture system) 중 적어도 하나를 사용하여 상기 각 층의 풍응답 및 변위를 측정하는, 건물 변형 예측 장치. In claim 7,
The deformable shape measuring unit measures the wind response and displacement of each floor using at least one of terrestrial laser scanning (TLS), a two-dimensional laser scanner, or a motion capture system. deformation prediction device. 삭제delete
KR1020190158111A 2019-12-02 2019-12-02 Method and apparatus for predicting deformed shape of building KR102356403B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190158111A KR102356403B1 (en) 2019-12-02 2019-12-02 Method and apparatus for predicting deformed shape of building

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190158111A KR102356403B1 (en) 2019-12-02 2019-12-02 Method and apparatus for predicting deformed shape of building

Publications (2)

Publication Number Publication Date
KR20210068735A KR20210068735A (en) 2021-06-10
KR102356403B1 true KR102356403B1 (en) 2022-01-26

Family

ID=76378022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190158111A KR102356403B1 (en) 2019-12-02 2019-12-02 Method and apparatus for predicting deformed shape of building

Country Status (1)

Country Link
KR (1) KR102356403B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102453874B1 (en) * 2022-03-31 2022-10-11 서종주 Urban planning documentation system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101227776B1 (en) * 2011-09-15 2013-01-29 연세대학교 산학협력단 Designing method for displacement estimation on construction using ann and estimating method for displacement of construction

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060029119A (en) * 2004-09-30 2006-04-04 주식회사 마이다스아이티 Design for high-rise buildings through control of natural period
KR101328889B1 (en) 2012-11-26 2013-11-13 고려대학교 산학협력단 Structural health monitoring system based on measured displacement
KR101965879B1 (en) * 2016-10-12 2019-04-08 연세대학교 산학협력단 Ann-based sustainable strain sensing model system, structural health assessment system and method

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101227776B1 (en) * 2011-09-15 2013-01-29 연세대학교 산학협력단 Designing method for displacement estimation on construction using ann and estimating method for displacement of construction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
최준호 외 3명, "한정된 계측 변위를 이용한 구조물 변형 형상 추정", 대한토목학회논문집 33, (2013.7.31.)*

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102453874B1 (en) * 2022-03-31 2022-10-11 서종주 Urban planning documentation system
KR102505115B1 (en) * 2022-03-31 2023-02-28 서종주 Land Use Planning Documentation and Safety Assessment System

Also Published As

Publication number Publication date
KR20210068735A (en) 2021-06-10

Similar Documents

Publication Publication Date Title
US20190243935A1 (en) A sensor placement method using strain gauges and accelerometers for structural modal estimation
US20200089733A1 (en) Sensor placement method for reducing uncertainty of structural modal identification
Yuen et al. Optimal sensor placement methodology for identification with unmeasured excitation
RU2018106863A (en) AIRCRAFT SPEED ASSESSMENT SYSTEM BASED ON THE WEATHER DATA STORAGE MODEL.
US10612996B2 (en) Structural state evaluation system for smart structure using multi-sensing
JP5292036B2 (en) Fatigue damage monitoring device
JP6235376B2 (en) Damage evaluation system for building and damage evaluation method
KR102356403B1 (en) Method and apparatus for predicting deformed shape of building
Brehm et al. Optimal reference sensor positions using output-only vibration test data
KR101653116B1 (en) Strain estimation system, global and local safety evaluation system, and method for structure through impact hammer test
JP5281475B2 (en) Building health diagnostic method, diagnostic device and diagnostic program based on microtremor measurement
JP6601577B2 (en) Control objective function integration system, control objective function integration method, and control objective function integration program
Huang et al. Online dual‐rate decentralized structural identification for wireless sensor networks
Yang et al. Parameter identification for structural dynamics based on interval analysis algorithm
Putra et al. Multiagent architecture for bridge capacity measurement system using wireless sensor network and weight in motion
Singh et al. Dynamic strain response measurement‐based damage identification in structural frames
CN102252792A (en) Absolute axial force test method of bar
JP3956302B2 (en) Damaged part detection device for structure and method for detecting damaged part of structure
JP4774401B2 (en) Autonomous mobile route setting device
JP2022019497A (en) Inspection method
KR20220086088A (en) Method and apparatus for monitoring of bridge structure damage using graph neural network
KR102124425B1 (en) Method and apparatus for estimating a predicted time series data
JP5079602B2 (en) Autonomous mobile robot operation planning apparatus, method, program and recording medium, and autonomous mobile robot operation control apparatus and method
KR20200078073A (en) Method for controlling drone and apparatus therefor
Hou et al. Monitoring and identification of vehicle-bridge interaction using mobile truck-based wireless sensors

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant