KR102482651B1 - 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 - Google Patents
디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102482651B1 KR102482651B1 KR1020190126625A KR20190126625A KR102482651B1 KR 102482651 B1 KR102482651 B1 KR 102482651B1 KR 1020190126625 A KR1020190126625 A KR 1020190126625A KR 20190126625 A KR20190126625 A KR 20190126625A KR 102482651 B1 KR102482651 B1 KR 102482651B1
- Authority
- KR
- South Korea
- Prior art keywords
- simulation
- model
- representative
- intrinsic parameter
- output value
- Prior art date
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims description 27
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000013461 design Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims 3
- 230000001133 acceleration Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000004567 concrete Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치는 모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하는 생성부, 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 고유 파라미터와 관련된 적어도 하나의 입력값을 식별하는 식별부, 고유 파라미터에 기초하여 시뮬레이션 모델로부터 입력값에 따라 발생 가능한 예상 출력값을 출력하는 출력부, 고유 파라미터 및 예상 출력값 간의 상관성을 분석하는 상관성 분석부, 분석 결과에 따라 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하는 선정부, 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하는 수집부, 수집된 실제 센서 데이터 및 예상 출력값에 기초하여 대표 고유 파라미터를 갱신하는 갱신부 및 갱신된 대표 고유 파라미터를 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하는 시뮬레이션 수행부를 포함할 수 있다.
Description
본 발명은 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램에 관한 것이다.
디지털 트윈(Digital Twin)은 컴퓨터에 현실 속 사물의 쌍둥이를 만들고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션 함으로써 현실 자산의 특성에 대한 정확한 정보를 얻기 위한 기술을 말한다. 이 기술은 현실 자산의 각종 상태, 생산성, 동작 시나리오 등을 알 수 있으므로 여러 산업들의 생산, 서비스 등 전반에 걸쳐 효율을 향상시킬 수 있어서 최근 주목받고 있다.
일반적인 디지털 트윈의 개발 방식은 도메인 관련 전문가가 직접 도메인 전문 시뮬레이터와 데이터를 이용하여 개발하는 방식이므로, 새로운 도메인의 디지털 트윈 개발이 요구될 때마다 기존의 도메인을 재사용하지 못하고 도메인 관련 전문가가 매번 다시 구현해야 한다는 단점이 있었다. 또한, 기존의 디지털 트윈 방식이 적용된 시뮬레이션 기술은 실제 모델의 부재 특성을 반영하지 못한다는 한계점이 있었다.
한편, 개발된 디지털 트윈은 최신화된 시뮬레이션 모델과 해당 시뮬레이션 모델의 실행을 위한 시뮬레이션 엔진으로 구성되어 있는데, 시뮬레이션 엔진의 경우, 라이선스 비용이 발생될 수 있다.
개발된 디지털 트윈의 시뮬레이션 모델은 일반적으로 확률적 모형이므로 반복 시뮬레이션이 요구되고, 시뮬레이션 엔진은 한 번의 시뮬레이션 실행 시 상당한 시간이 소요되기 때문에 결과적으로 전체 시뮬레이션 시간이 증가될 수 밖에 없다. 이로 인해, 제한된 시간 내에 다양한 시나리오를 분석하거나 실시간으로 서비스를 제공하는 것에 대한 어려움이 발생할 수 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 모델 설계 데이터에 기초하여 생성된 시뮬레이션 모델의 고유 파라미터 중 대표 고유 파라미터를 선정하고, 선정된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터의 예상 출력값(시뮬레이션 모델로부터 출력된 대표 고유 파라미터의 입력값에 따른 예상 출력값)에 기초하여 대표 고유 파라미터를 갱신하고자 한다. 또한, 본 발명은 갱신된 대표 고유 파라미터를 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하고자 한다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치는 모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하는 생성부; 상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 상기 고유 파라미터와 관련된 적어도 하나의 입력값을 식별하는 식별부; 상기 고유 파라미터에 기초하여 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 출력부; 상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 분석하는 상관성 분석부; 분석 결과에 따라 상기 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하는 선정부; 상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하는 수집부; 상기 수집된 실제 센서 데이터 및 상기 예상 출력값에 기초하여 상기 대표 고유 파라미터를 갱신하는 갱신부; 및 상기 갱신된 대표 고유 파라미터를 상기 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하는 시뮬레이션 수행부를 포함할 수 있다.
본 발명의 제 2 측면에 따른 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 방법은 모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하는 단계; 상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 상기 고유 파라미터와 관련된 적어도 하나의 입력값을 식별하는 단계; 상기 고유 파라미터에 기초하여 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 단계; 상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 분석하는 단계; 분석 결과에 따라 상기 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하는 단계; 상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하는 단계; 및 상기 수집된 실제 센서 데이터 및 상기 예상 출력값에 기초하여 상기 대표 고유 파라미터를 갱신하는 단계를 포함할 수 있다.
본 발명의 제 3 측면에 따른 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하고, 상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터를 식별하고, 상기 식별된 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하고, 상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하고, 상기 수집된 실제 센서 데이터에 기초하여 상기 대표 고유 파라미터를 갱신하고, 상기 갱신된 대표 고유 파라미터를 상기 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하도록 하는 명령어들의 시퀀스를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 본 발명은 모델 설계 데이터에 기초하여 생성된 시뮬레이션 모델의 고유 파라미터 중 대표 고유 파라미터를 선정하고, 선정된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터의 예상 출력값(시뮬레이션 모델로부터 출력된 대표 고유 파라미터의 입력값에 따른 예상 출력값)에 기초하여 대표 고유 파라미터를 갱신할 수 있다. 또한, 본 발명은 갱신된 대표 고유 파라미터를 시뮬레이션 모델에 적용하여 시뮬레이션을 수행할 수 있다. 이를 통해, 본 발명은 모델 설계 데이터에 기초하여 구축된 실제 모델의 현재 상태를 시뮬레이션 모델에 반영할 수 있어 미래의 발생 위험을 사전에 시뮬레이션하여 예측할 수 있다.
또한, 본 발명은 도메인 종류와 관계없이 각 도메인에 특화된 디지털 트윈을 생성하고, 디지털 트윈 기반 서비스를 제공할 수 있다. 예를 들어, 본 발명은 교량 도메인에 대응하는 교량 시뮬레이션 모델에 기초하여 재구성된 복수의 시뮬레이션 서비스(복수의 소로게이트 모델을 통한 시뮬레이션 서비스)를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 시뮬레이션 수행 장치의 블록도이다.
도 2는 본 발명의 일 실시예에 따른, 시뮬레이션 수행 운용계 및 서비스계에 대한 구성도이다.
도 3a 내지 3c는 본 발명의 일 실시예에 따른, 교량에 대한 시뮬레이션을 수행하는 방법을 설명하기 위한 도면이다.
도 4a 내지 4b는 본 발명의 일 실시예에 따른, 교차로에 대한 시뮬레이션을 수행하는 방법을 설명하기 위한 도면이다.
도 5a 내지 5b는 본 발명의 일 실시예에 따른, 소로게이트 모델(Surrogate model)을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른, 시뮬레이션 수행 방법을 나타낸 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 교량에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
도 8은 본 발명의 일 실시예에 따른, 교차로에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
도 2는 본 발명의 일 실시예에 따른, 시뮬레이션 수행 운용계 및 서비스계에 대한 구성도이다.
도 3a 내지 3c는 본 발명의 일 실시예에 따른, 교량에 대한 시뮬레이션을 수행하는 방법을 설명하기 위한 도면이다.
도 4a 내지 4b는 본 발명의 일 실시예에 따른, 교차로에 대한 시뮬레이션을 수행하는 방법을 설명하기 위한 도면이다.
도 5a 내지 5b는 본 발명의 일 실시예에 따른, 소로게이트 모델(Surrogate model)을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른, 시뮬레이션 수행 방법을 나타낸 흐름도이다.
도 7은 본 발명의 일 실시예에 따른, 교량에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
도 8은 본 발명의 일 실시예에 따른, 교차로에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 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.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하, 첨부된 구성도 또는 처리 흐름도를 참고하여, 본 발명의 실시를 위한 구체적인 내용을 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른, 시뮬레이션 수행 장치의 블록도이다. 도 2는 본 발명의 일 실시예에 따른, 시뮬레이션 수행 운용계 및 서비스계에 대한 구성도이다.
도 1 및 2를 참조하면, 시뮬레이션 수행 장치(10)는 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치로서, 생성부(100), 식별부(110), 출력부(120), 상관성 분석부(130), 선정부(140), 수집부(150), 갱신부(160), 시뮬레이션 수행부(170), 전처리부(180) 및 소로게이트 모델(Surrogate model) 생성부(190)를 포함할 수 있다. 다만, 도 2에 도시된 시뮬레이션 수행 장치(10)는 본 발명의 하나의 구현 예에 불과하며, 도 2에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다.
생성부(100)는 모델 설계 데이터에 기초하여 시뮬레이션 모델(가설적 시뮬레이션)을 생성할 수 있다. 예를 들어, 생성부(100)는 교량 설계 데이터로부터 교량 구조물의 철근/콘크리트 구조 도면을 파싱하고, 파싱된 철근/콘크리트 구조 도면을 이용하여 교량 구조물에 대한 3차원 형태의 시뮬레이션 모델을 생성할 수 있다.
식별부(110)는 생성된 시뮬레이션 모델로부터 해당 시뮬레이션 모델의 특성을 나타내는 적어도 하나의 고유 파라미터를 식별하고, 식별된 고유 파라미터와 관련된 적어도 하나의 입력값을 식별할 수 있다.
출력부(120)는 시뮬레이션 모델에 대한 고유 파라미터에 기초하여 시뮬레이션 모델로부터 입력값에 따라 발생 가능한 예상 출력값을 출력할 수 있다.
상관성 분석부(130)는 고유 파라미터 및 예상 출력값 간의 상관성을 분석할 수 있다.
선정부(140)는 분석 결과에 따라 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터에서 적어도 하나의 대표 고유 파라미터를 선정할 수 있다.
수집부(150)는 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집할 수 있다.
전처리부(180)는 수집된 실제 센서 데이터를 대표 고유 파라미터와 대응하여 시뮬레이션 모델에 적용할 수 있도록 전처리할 수 있다.
<제 1 실시예>
도 3a 내지 3c를 참조하면, 생성부(100)는 교량 설계 데이터(즉, 교량 설계 도면)에 기초하여 교량(303)의 시뮬레이션 모델(301)을 생성할 수 있다. 이 때, 생성부(100)는 교량(303)에 사용되는 일반적인 부재에 대한 물성치 기본값에 기초하여 교량의 시뮬레이션 모델(301)을 생성할 수 있다.
식별부(110)는 교량(303)의 시뮬레이션 모델(301)을 통해 교량(303)의 설계에 있어서의 교량(303)의 설계적 특성을 나타내는 고유 파라미터들(예컨대, 강성, 길이, 질량, 온도, 밀도, 탄성계수, 댐핑 계수 등)를 식별할 수 있다.
식별부(110)는 교량(303)의 시뮬레이션 모델(301)에 대한 복수의 고유 파라미터와 관련된 시뮬레이션 모델(301)의 입력값(305, 예컨대, 교량(303)의 하중)을 식별할 수 있다.
출력부(120)는 교량(303)의 시뮬레이션 모델(301)에 대한 복수의 고유 파라미터와 관련된 입력값(305)을 시뮬레이션 모델(301)에 입력할 때, 시뮬레이션 모델(301)을 통해 교량(303)의 부재별로 출력 가능한 예상 출력값(307, 예컨대, 교량 부재별 변위)을 출력할 수 있다.
출력부(120)는 교량(303)의 고유 파라미터의 변동 범위를 설정하고, 설정된 고유 파라미터의 변동 범위가 적용된 교량(303)의 시뮬레이션 모델(301)로부터 입력값에 따라 발생 가능한 교량 상태의 예상 출력값을 출력할 수 있다. 예를 들어, 출력부(120)는 철근콘크리트의 기본 밀도(d)가 1,150 km/
이기 때문에, '밀도' 고유 파라미터의 변동 범위를 1,100 km/
내지 1,200km/
(일반적으로 변형 가능한 밀도 범위)로 설정하고, '온도' 고유 파라미터의 변동 범위를 -30도 내지 50도로 설정할 수 있다.
출력부(120)는 '하중' 입력값을 교량(303)의 시뮬레이션 모델(301)에 입력할 때, 고유 파라미터별 변동 범위 내에서 발생 가능한 고유 파라미터별 예상 출력값을 출력할 수 있다.
상관성 분석부(130)는 교량의 '하중' 입력값에 따른 각 고유 파라미터 별 예상 출력값의 분포도를 도출할 수 있다. 예를 들어, 도 3b를 참조하면, 상관성 분석부(130)는 교량(303)의 '하중' 입력값에 따라 교량(303)의 '강성' 고유 파라미터에 대한 예상 출력값의 분포도(309), '밀도' 고유 파라미터에 대한 예상 출력값의 분포도(311), '온도' 고유 파라미터에 대한 예상 출력값의 분포도(313) 및 '탄성계수' 고유 파라미터에 대한 예상 출력값의 분포도(315)를 도출할 수 있다.
상관성 분석부(130)는 교량(303)의 각 고유 파라미터 별로 입력값에 따라 각 고유 파라미터와 관련하여 출력된 예상 출력값의 분포도를 도출하고, 도출된 분포도를 분석하여 고유 파라미터 및 예상 출력값 간의 상관성을 도출할 수 있다. 예를 들어, 상관성 분석부(130)는 피어슨(Pearson) 상관계수 공식을 이용하여 각 고유 파라미터별 예상 출력값의 분포도로부터 고유 파라미터 및 예상 출력값 간의 상관성(상관 계수 r)을 도출할 수 있다.
선정부(140)는 고유 파라미터별로 도출된 고유 파라미터 및 예상 출력값 간의 상관성에 기초하여 복수의 고유 파라미터에서 대표 고유 파라미터를 선정할 수 있다. 예를 들어, 도 3c를 참조하면, 선정부(140)는 복수의 고유 파라미터 중 고유 파라미터 및 예상 출력값 간의 피어슨 상관계수(r)가 높은 고유 파라미터 (즉, '탄성계수' 고유 파라미터)를 교량(303)의 대표 고유 파라미터로 선정할 수 있다.
한편, 교량(303)의 대표 고유 파라미터로 선정된 '탄성계수' 고유 파라미터의 경우, '탄성 계수'에 해당하는 실제 센서 데이터는 교량(303)의 실제 모델에서 실시간으로 측정되기 어렵다.
'탄성계수'는 '고유 진동수'와 공학적인 관계(수학식 1 참조)를 가지고 있고, '고유 진동수'는 가속도 데이터로부터 추출이 가능하다.
[수학식 1]
w =
, k= 
여기서, w는 고유 진동수이고, k는 탄성계수이고, m은 질량이다.
수집부(150)는 실제 구축된 교량(303)의 실제 모델에 설치된 가속도 센서로부터 '탄성 계수' 고유 파라미터와 관련된 '가속도 데이터'를 수집할 수 있다.
전처리부(180)는 수집된 가속도 데이터를 전처리함으로써 대표 고유 파라미터인 '탄성 계수' 데이터를 도출할 수 있다. 구체적으로, 전처리부(180)는 수집된 가속도 데이터로부터 FFT 변환을 통해 고유진동수를 추출하고, 추출된 고유 진동수로부터 [수학식 1]을 이용하여 '탄성 계수'를 도출할 수 있다.
<제 2 실시예>
도 4a 내지 4b를 참조하면, 생성부(100)는 교차로 설계 데이터(즉, 교차로 설계 도면)에 기초하여 교차로의 시뮬레이션 모델(401)을 생성할 수 있다. 이 때, 생성부(100)는 교차로에 사용되는 일반적인 부재에 대한 물성치 기본값에 기초하여 교차로의 시뮬레이션 모델(401)을 생성할 수 있다.
식별부(110)는 교차로의 시뮬레이션 모델(401)을 통해 교차로의 설계에 있어서의 교차로의 설계적 특성을 나타내는 고유 파라미터들(예컨대, 차량 출발 가속도, 차량간 거리, 도로밀도 계수 등)을 식별할 수 있다.
식별부(110)는 교차로의 시뮬레이션 모델(401)에 대한 복수의 고유 파라미터와 관련된 시뮬레이션 모델(401)의 입력값(예컨대, 도로별 속도, 시간별 속도 변화, 교차로별 신호주기 등)을 식별할 수 있다.
출력부(120)는 교차로의 시뮬레이션 모델(401)에 대한 복수의 고유 파라미터와 관련된 입력값을 시뮬레이션 모델(401)에 입력할 때, 시뮬레이션 모델(401)을 통해 교차로의 도로별로 출력 가능한 예상 출력값(예컨대, 미래의 도로별 속도)를 출력할 수 있다.
출력부(120)는 교차로의 고유 파라미터의 변동 범위를 설정하고, 설정된 고유 파라미터의 변동 범위가 적용된 교차로의 시뮬레이션 모델(401)로부터 입력값에 따라 발생 가능한 교차로 상태의 예상 출력값을 출력할 수 있다. 예를 들어, 출력부(120)는 차량 속도가 30km/h일 때, 교차로의 차선당 기본 차량수가 6대라고 가정하면, 평균 차량 속도 30km/h에 대한 '차량수' 고유 파라미터의 변동 범위를 3대 내지 9대(일반적으로 변형 가능한 차량 수 범위)로 설정할 수 있다. 또는, 출력부(120)는 교차로에서의 기본 차량 출발 가속도가 10 km/
인 경우, '차량 가속도' 고유 파라미터의 변동 범위를 2 km/
내지 20 km/
(일반적으로 변형 가능한 차량 가속도 범위)로 설정할 수 있다.
출력부(120)는 '평균 차량 속도' 입력값을 교차로의 시뮬레이션 모델(401)에 입력할 때, 고유 파라미터별 변동 범위 내에서 발생 가능한 고유 파라미터별 예상 출력값을 출력할 수 있다.
상관성 분석부(130)는 '평균 차량 속도' 입력값에 따른 각 고유 파라미터 별 예상 출력값의 분포도를 도출할 수 있다.
상관성 분석부(130)는 교차로의 각 고유 파라미터 별로 '평균 차량 속도' 입력값에 따라 각 고유 파라미터와 관련하여 출력된 예상 출력값의 분포도를 도출하고, 도출된 분포도를 분석하여 고유 파라미터 및 예상 출력값 간의 상관성(예컨대, 피어슨 상관 계수)을 도출할 수 있다.
선정부(140)는 고유 파라미터별로 도출된 고유 파라미터 및 예상 출력값 간의 상관성에 기초하여 복수의 고유 파라미터에서 대표 고유 파라미터를 선정할 수 있다. 예를 들어, 도 4b를 참조하면, 선정부(140)는 '평균 차량 속도' 입력값(80km/h)에 따른 '차량 출발 가속도' 고유 파라미터의 예상 출력값의 분포도(403), '도로밀도 계수' 고유 파라미터의 예상 출력값의 분포도(405) 및 '차량간 거리' 고유 파라미터의 예상 출력값의 분포도(407) 각각의 분석으로부터 도출된 고유 파라미터 및 예상 출력값 간의 상관 계수 중 상관 계수가 높은 고유 파라미터(즉, '도로밀도 계수' 고유 파라미터)를 대표 고유 파라미터로 선정할 수 있다.
한편, 교차로에서의 대표 고유 파라미터로 선정된 '도로밀도 계수' 고유 파라미터의 경우, 모든 차량의 위치를 파악하기 어렵고, 차량의 속도에 따라 '도로밀도 계수'가 시시각각 변하기 때문에 '도로밀도 계수'에 해당하는 데이터(예컨대, 1km 단위 도로길이당 차량수 데이터)를 현실적으로 실측하는데 어려움이 있다.
'도로밀도 계수'는 '차량 속도'와 공학적인 함수관계(도로밀도= f(속도))를 가지고 있기 때문에 '차량 속도'로부터 '도로밀도 계수'를 도출할 수 있다.
수집부(150)는 복수의 차량의 단말로부터 '도로밀도 계수' 고유 파라미터와 관련된 차량 속도 데이터를 수집할 수 있다.
전처리부(180)는 수집된 차량 속도 데이터를 전처리하여 대표 고유 파라미터인 '도로밀도 계수' 데이터를 도출할 수 있다.
다시 도 1 및 2로 돌아오면, 갱신부(160)는 수집된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터에 대한 예상 출력값에 기초하여 대표 고유 파라미터를 갱신할 수 있다.
갱신부(160)는 전처리된 대표 고유 파라미터와 관련된 실제 센서 데이터에 기초하여 대표 고유 파라미터를 갱신할 수 있다. 예를 들어, 도 3a 내지 3c를 참조하면, 갱신부(160)는 교량(303)의 실제 모델로부터 수집된 가속도 데이터를 전처리한 고유 진동수와 대표 고유 파라미터로 선정된 '탄성계수' 고유 파라미터의 예상 출력값에 기초하여 '탄성계수' 고유 파라미터(시뮬레이션 모델의 내부 파라미터)를 갱신할 수 있다. 도 4a 내지 4b를 참조하면, 갱신부(160)는 복수의 차량의 단말로부터 수집된 차량 속도 데이터를 전처리한 도로밀도 계수(링크속도)와 대표 고유 파라미터로 선정된 '도로밀도 계수' 고유 파라미터의 예상 출력값(링크 속도)에 기초하여 '도로밀도 계수' 고유 파라미터(시뮬레이션 모델의 내부 파라미터)를 갱신할 수 있다.
갱신부(160)는 전처리된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터에 대한 예상 출력값 간의 오차가 최소화하도록 하는 대표 고유 파라미터를 재산출하여 갱신할 수 있다. 여기서, 갱신부(160)는 최적화 알고리즘을 이용하여 전처리된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터에 대한 예상 출력값 간의 오차를 최소화시키는 대표 고유 파라미터를 재산출할 수 있다. 예를 들어, 교량에 대한 시뮬레이션을 수행하는 경우, 전처리된 실제 센서 데이터는 가속도 데이터에 대해 전처리 과정 거쳐 도출된 실체 교량에서 측정된 고유진동수에 해당할 수 있다. 또한, 대표 고유 파라미터에 대한 예상출력값은 교량에 대한 시뮬레이션 모델의 대표 고유 파라미터(탄성계수)에 따른 모델 고유진동수를 의미할 수 있다. 또한, 재산출하는 과정이란, 1) 가속도 데이터에 대해 전처리 과정 거쳐 도출된 고유진동수와 교량에 대한 시뮬레이션 모델(초기 모델)의 모델 고유진동수 간의 오차를 계산하고, 2) 오차를 줄어드는 방향으로 대표 고유 파라미터를 조절하고, 3) 다시 시뮬레이션을 수행하여 모델 고유진동수를 재산출하고, 4) 오차가 최소기준을 만족할 때까지 일련의 과정 반복하여 오차가 최소화 되었을 때에 해당하는 대표 고유 파라미터를 교량에 대한 시뮬레이션 모델에 반영(twin)하는 것을 의미할 수 있다.
시뮬레이션 수행부(170)는 갱신된 대표 고유 파라미터를 시뮬레이션 모델에 적용하여 시뮬레이션을 수행할 수 있다.
출력부(120)는 갱신된 대표 고유 파라미터가 적용된 시뮬레이션 모델로부터 입력값에 따라 발생 가능한 예상 출력값을 출력할 수 있다. 예를 들어, 도 3a 내지 3c를 참조하면, 출력부(200)는 갱신된 대표 고유 파라미터인 '탄성계수'가 적용된 교량 시뮬레이션 모델에 교량과 연관된 고유 파라미터(예컨대, 온도, 힘 등)의 입력값을 입력할 때, 해당 입력값에 따라 발생 가능한 예상 출력값(각 고유 파라미터의 입력에 따른 변위)을 출력할 수 있다. 도 4a 내지 4b를 참조하면, 출력부(200)는 갱신된 대표 고유 파라미터인 '도로밀도 계수'가 적용된 교차로 시뮬레이션 모델에 교차로의 상황과 연관된 '신호주기' 고유 파라미터의 입력값을 입력할 때, 해당 입력값에 따라 발생 가능한 신호 통과 시간을 출력할 수 있다.
소로게이트 모델 생성부(190)는 갱신된 대표 고유 파라미터가 적용된 시뮬레이션 모델(완성형 시뮬레이션)에 기초하여 기설정된 복수의 시나리오에 대응하는 복수의 소로게이트(Surrogate) 모델을 생성할 수 있다. 여기서, 소로게이트 모델은 갱신된 대표 고유 파라미터가 적용된 시뮬레이션의 입력값과 해당 입력값에 따른 시뮬레이션 결과 간의 관계에 기초하여 추상화된 모델이다. 이러한 소로게이트 모델은 갱신된 대표 고유 파라미터가 적용된 시뮬레이션 모델과 비교하여 실행시간이 짧고, 실시간으로 시뮬레이션 실행이 가능하며, 별도의 라이선스를 요구하지 않기 때문에 시뮬레이션 엔진의 라이선스 문제를 해결할 수 있다. 예를 들어, 소로게이트 모델 생성부(190)는 갱신된 대표 고유 파라미터인 '탄성계수'가 적용된 교량 시뮬레이션 모델로부터 복수의 소로게이트 모델(예컨대, 나주 평수교 모델, 제천 수산3교 모델 등)을 생성할 수 있다.
예를 들어, 도 5a를 참조하면, 소로게이트 모델 생성부(190)는 시뮬레이션하고자 하는 대상 모델에 대한 데이터(예컨대, 온도, 풍향, 풍속 등)가 완성형 시뮬레이션 모델(501)의 입력값으로 입력되면, 해당 입력값에 따른 출력값(예컨대, 변위, 응력 등)과 해당 입력값을 데이터 셋으로 매핑하여 소로게이트 모델(503)을 학습시키기 위한 학습 데이터를 구성할 수 있다. 소로게이트 모델 생성부(190)는 완성형 시뮬레이션 모델(501)로부터 구성된 학습 데이터에 포함된 입력값 및 출력값에 기초하여 소로게이트 모델(503)을 학습시킬 수 있다. 구체적으로, 소로게이트 모델 생성부(190)는 학습 데이터에 포함된 입력값을 소로게이트 모델(503)에 입력하고, 소로게이트 모델(503)으로부터 출력되는 출력값이 학습 데이터에 포함된 출력값으로 출력되도록 소로게이트 모델(503)을 학습시킬 수 있다.
시뮬레이션 수행부(170)는 갱신된 대표 고유 파라미터가 적용된 시뮬레이션 모델 및 소로게이트 모델을 이용한 시뮬레이션 실행 결과를 GUI 화면(예컨대, 웹페이지)을 통해 제공할 수 있다.
시뮬레이션 수행부(170)는 기설정된 시나리오 중 어느 하나를 선택받고, 선택받은 시나리오에 따라 갱신된 대표 고유 파라미터가 적용된 시뮬레이션 모델에 입력값을 입력하여 시뮬레이션을 수행할 수 있다.
예를 들어, 도 5b를 참조하면, 시뮬레이션 수행부(170)는 기설정된 복수의 시나리오(예컨대, 교량 시나리오, 교차로 시나리오, 건물 시나리오 등)에서 선택된 제 1 시나리오(예컨대, 교량 시나리오)에 대응한 제 1 완성형 시뮬레이션 모델(예컨대, 교량 시뮬레이션 모델)에 기초하여 복수의 소로게이트 모델(505)이 존재하는 경우, 선택된 제 1 시나리오에 관련된 복수의 소로게이트 모델(505)(예컨대, 나주 평수교 모델, 제천 수산3교 모델 등) 중 선택된 소로게이트 모델(507)을 이용하여 시뮬레이션을 수행하고, 해당 소로게이트 모델(507)의 시뮬레이션 결과를 제 1 GUI 화면을 통해 제공할 수 있다.
한편, 당업자라면, 생성부(100), 식별부(110), 출력부(120), 상관성 분석부(130), 선정부(140), 수집부(150), 갱신부(160), 시뮬레이션 수행부(170), 전처리부(180) 및 소로게이트 모델 생성부(190) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다.
도 6은 본 발명의 일 실시예에 따른, 시뮬레이션 수행 방법을 나타낸 흐름도이다.
도 6을 참조하면, 단계 S601에서 시뮬레이션 수행 장치(10)는 모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성할 수 있다.
단계 S603에서 시뮬레이션 수행 장치(10)는 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 고유 파라미터와 관련된 적어도 하나의 입력값을 식별할 수 있다.
단계 S605에서 시뮬레이션 수행 장치(10)는 고유 파라미터별로 고유 파라미터에 기초하여 시뮬레이션 모델로부터 고유 파라미터와 관련된 입력값에 따라 발생 가능한 예상 출력값을 출력할 수 있다.
단계 S607에서 시뮬레이션 수행 장치(10)는 고유 파라미터별로 고유 파라미터 및 예상 출력값 간의 상관성을 분석할 수 있다.
단계 S609에서 시뮬레이션 수행 장치(10)는 분석 결과에 따라 적어도 하나의 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정할 수 있다.
단계 S611에서 시뮬레이션 수행 장치(10)는 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집할 수 있다.
단계 S613에서 시뮬레이션 수행 장치(10)는 수집된 대표 고유 파라미터와 관련된 실제 센서 데이터 및 대표 고유 파라미터의 예상 출력값에 기초하여 대표 고유 파라미터를 갱신할 수 있다.
단계 S615에서 시뮬레이션 수행 장치(10)는 갱신된 대표 고유 파라미터를 시뮬레이션 모델에 적용하여 시뮬레이션을 수행할 수 있다.
상술한 설명에서, 단계 S601 내지 S615는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 7은 본 발명의 일 실시예에 따른, 교량에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
도 7을 참조하면, 단계 S701에서 시뮬레이션 수행 장치(10)는 교량 설계 데이터에 기초하여 교량 시뮬레이션 모델을 생성할 수 있다.
단계 S703에서 시뮬레이션 수행 장치(10)는 교량 시뮬레이션 모델에 대한 복수의 교유 파라미터 중 '탄성계수' 고유 파라미터를 대표 고유 파라미터로 선정할 수 있다.
단계 S705에서 시뮬레이션 수행 장치(10)는 교량 설계 데이터에 기초하여 구축된 실제 교량 모델로부터 측정이 가능하고 고유 파라미터(탄성계수)와 비례관계가 있는 고유진동수를 측정하기 위해 가속도 데이터를 수집할 수 있다.
단계 S707에서 시뮬레이션 수행 장치(10)는 수집된 가속도 데이터를 전처리하여 고유진동수로 활용할 수 있다.
단계 S709에서 시뮬레이션 수행 장치(10)는 가속도 데이터를 전처리하여 도출된 고유진동수 및 교량 시뮬레이션 모델의 대표 고유 파라미터(탄성계수)에 따른 모델 고유진동수 간에 오차를 최소화 하는 최적화 과정을 거쳐 파라미터를 재산출하고 갱신할 수 있다.
단계 S711에서 시뮬레이션 수행 장치(10)는 갱신된 대표 교유 파라미터를 교량 시뮬레이션 모델에 적용하여 시뮬레이션을 수행할 수 있다.
상술한 설명에서, 단계 S701 내지 S711은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 8은 본 발명의 일 실시예에 따른, 교차로에 대한 시뮬레이션을 수행하는 방법을 나타낸 흐름도이다.
도 8을 참조하면, 단계 S801에서 시뮬레이션 수행 장치(10)는 교차로 설계 데이터에 기초하여 교차로 시뮬레이션 모델을 생성할 수 있다.
단계 S803에서 시뮬레이션 수행 장치(10)는 교차로 시뮬레이션 모델에 대한 복수의 고유 파라미터 중 '도로밀도 계수' 고유 파라미터를 대표 고유 파라미터로 선정할 수 있다.
단계 S805에서 시뮬레이션 수행 장치(10)는 복수의 차량의 단말로부터 '도로밀도 계수' 고유 파라미터와 관련된 차량 속도 데이터를 수집할 수 있다.
단계 S807에서 시뮬레이션 수행 장치(10)는 수집된 차량 속도 데이터를 대표 고유 파라미터인 '도로밀도 계수'와 대응하여 교차로 시뮬레이션 모델에 적용할 수 있도록 전처리할 수 있다.
단계 S809에서 시뮬레이션 수행 장치(10)는 대표 고유 파라미터인 '도로밀도 계수'와 관련된 입력값에 따라 교차로 시뮬레이션 모델로부터 발생가능한 예상 출력값(링크속도)과 전처리된 차량 속도 데이터(링크속도) 간의 오차가 최소화되도록 대표 교유 파라미터를 재산출하여 갱신할 수 있다.
단계 S811에서 시뮬레이션 수행 장치(10)는 갱신된 대표 교유 파라미터인 '도로밀도 계수'를 교차로 시뮬레이션 모델에 적용하여 시뮬레이션(즉, 내부/외부 링크에 위치하는 내부 차량의 수 및 외부로부터 유입되는 차량의 수에 대한 예측 시뮬레이션)을 수행할 수 있다.
상술한 설명에서, 단계 S801 내지 S811은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 시뮬레이션 수행 장치
100: 생성부
110: 식별부
120: 출력부
130: 상관성 분석부
140: 선정부
150: 수집부
160: 갱신부
170: 시뮬레이션 수행부
180: 전처리부
190: 소로게이트 모델 생성부
100: 생성부
110: 식별부
120: 출력부
130: 상관성 분석부
140: 선정부
150: 수집부
160: 갱신부
170: 시뮬레이션 수행부
180: 전처리부
190: 소로게이트 모델 생성부
Claims (15)
- 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치에 있어서,
모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하는 생성부;
상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 상기 고유 파라미터와 관련된 적어도 하나의 입력값을 식별하는 식별부;
상기 고유 파라미터에 기초하여 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 출력부;
상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 분석하는 상관성 분석부;
분석 결과에 따라 상기 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하는 선정부;
상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하는 수집부;
상기 수집된 실제 센서 데이터 및 상기 예상 출력값에 기초하여 상기 대표 고유 파라미터를 갱신하는 갱신부;
상기 갱신된 대표 고유 파라미터를 상기 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하는 시뮬레이션 수행부; 및
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델에 기초하여 기설정된 복수의 시나리오에 대응하는 복수의 소로게이트 모델을 생성하는 소로게이트 모델 생성부
를 포함하고,
상기 소로게이트 모델 생성부는,
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델의 입력값과 상기 입력값에 따른 출력값을 데이터 셋으로 매핑하여 학습 데이터를 구성하고,
상기 학습 데이터에 포함된 상기 입력값을 상기 소로게이트 모델에 입력하고, 상기 소로게이트 모델로부터 출력되는 출력값이 상기 학습 데이터에 포함된 상기 출력값으로 출력되도록 상기 소로게이트 모델을 학습시키는 것인, 시뮬레이션 수행 장치.
- 제 1 항에 있어서,
상기 출력부는 상기 고유 파라미터의 변동 범위를 설정하고, 상기 설정된 고유 파라미터의 변동 범위가 적용된 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 것인, 시뮬레이션 수행 장치.
- 제 1 항에 있어서,
상기 상관성 분석부는 상기 각 고유 파라미터 별로 상기 입력값에 따라 상기 각 고유 파라미터와 관련하여 출력된 예상 출력값의 분포도를 도출하고, 상기 도출된 분포도를 분석하여 상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 도출하는 것인, 시뮬레이션 수행 장치.
- 제 1 항에 있어서,
상기 수집된 실제 센서 데이터를 상기 대표 고유 파라미터와 대응하여 상기 시뮬레이션 모델에 적용할 수 있도록 전처리하는 전처리부
를 더 포함하고,
상기 갱신부는 상기 전처리된 실제 센서 데이터에 기초하여 상기 대표 고유 파라미터를 갱신하는 것인, 시뮬레이션 수행 장치.
- 제 4 항에 있어서,
상기 갱신부는 상기 전처리된 실제 센서 데이터 및 상기 예상 출력값 간의 오차가 최소화하도록 하는 상기 대표 고유 파라미터를 재산출하여 갱신하는 것인, 시뮬레이션 수행 장치.
- 제 5 항에 있어서,
상기 출력부는 상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 것인, 시뮬레이션 수행 장치.
- 제 1 항에 있어서,
상기 시뮬레이션 수행부는 기설정된 시나리오 중 어느 하나를 선택받고, 상기 선택받은 시나리오에 따라 상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델에 상기 입력값을 입력하여 시뮬레이션을 수행하는 것인, 시뮬레이션 수행 장치.
- 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 방법에 있어서,
모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하는 단계;
상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터 및 상기 고유 파라미터와 관련된 적어도 하나의 입력값을 식별하는 단계;
상기 고유 파라미터에 기초하여 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 단계;
상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 분석하는 단계;
분석 결과에 따라 상기 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하는 단계;
상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하는 단계;
상기 수집된 실제 센서 데이터 및 상기 예상 출력값에 기초하여 상기 대표 고유 파라미터를 갱신하는 단계; 및
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델에 기초하여 기설정된 복수의 시나리오에 대응하는 복수의 소로게이트 모델을 생성하는 단계
를 포함하고,
상기 복수의 소로게이트 모델을 생성하는 단계는,
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델의 입력값과 상기 입력값에 따른 출력값을 데이터 셋으로 매핑하여 학습 데이터를 구성하고,
상기 학습 데이터에 포함된 상기 입력값을 상기 소로게이트 모델에 입력하고, 상기 소로게이트 모델로부터 출력되는 출력값이 상기 학습 데이터에 포함된 상기 출력값으로 출력되도록 상기 소로게이트 모델을 학습시키는 것인, 시뮬레이션 수행 방법.
- 제 8 항에 있어서,
상기 예상 출력값을 출력하는 단계는,
상기 고유 파라미터의 변동 범위를 설정하고, 상기 설정된 고유 파라미터의 변동 범위가 적용된 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 것인, 시뮬레이션 수행 방법.
- 제 8 항에 있어서,
상기 상관성을 분석하는 단계는,
상기 각 고유 파라미터 별로 상기 입력값에 따라 상기 각 고유 파라미터와 관련하여 출력된 예상 출력값의 분포도를 도출하고, 상기 도출된 분포도를 분석하여 상기 고유 파라미터 및 상기 예상 출력값 간의 상관성을 도출하는 것인, 시뮬레이션 수행 방법.
- 제 8 항에 있어서,
상기 수집된 실제 센서 데이터를 상기 대표 고유 파라미터와 대응하여 상기 시뮬레이션 모델에 적용할 수 있도록 전처리하는 단계
를 더 포함하고,
상기 대표 고유 파라미터를 갱신하는 단계는, 상기 전처리된 실제 센서 데이터에 기초하여 상기 대표 고유 파라미터를 갱신하는 것인, 시뮬레이션 수행 방법.
- 제 11 항에 있어서,
상기 대표 고유 파라미터를 갱신하는 단계는,
상기 전처리된 실제 센서 데이터 및 상기 예상 출력값 간의 오차가 최소화하도록 하는 상기 대표 고유 파라미터를 재산출하여 갱신하는 것인, 시뮬레이션 수행 방법.
- 제 12 항에 있어서,
상기 예상 출력값을 출력하는 단계는,
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델로부터 상기 입력값에 따라 발생 가능한 예상 출력값을 출력하는 것인, 시뮬레이션 수행 방법.
- 제 8 항에 있어서,
기설정된 시나리오 중 어느 하나를 선택받는 단계; 및
상기 선택받은 시나리오에 따라 상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델에 상기 입력값을 입력하여 시뮬레이션을 수행하는 단계
를 포함하는 것인, 시뮬레이션 수행 방법.
- 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
모델 설계 데이터에 기초하여 시뮬레이션 모델을 생성하고,
상기 생성된 시뮬레이션 모델에 대한 적어도 하나의 고유 파라미터를 식별하고,
상기 식별된 고유 파라미터 중 적어도 하나의 대표 고유 파라미터를 선정하고,
상기 모델 설계 데이터에 기초하여 구축된 실제 모델로부터 상기 대표 고유 파라미터와 관련된 실제 센서 데이터를 수집하고,
상기 수집된 실제 센서 데이터에 기초하여 상기 대표 고유 파라미터를 갱신하고,
상기 갱신된 대표 고유 파라미터를 상기 시뮬레이션 모델에 적용하여 시뮬레이션을 수행하고,
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델에 기초하여 기설정된 복수의 시나리오에 대응하는 복수의 소로게이트 모델을 생성하도록 하고,
상기 갱신된 대표 고유 파라미터가 적용된 상기 시뮬레이션 모델의 입력값과 상기 입력값에 따른 출력값을 데이터 셋으로 매핑하여 학습 데이터를 구성하고,
상기 학습 데이터에 포함된 상기 입력값을 상기 소로게이트 모델에 입력하고, 상기 소로게이트 모델로부터 출력되는 출력값이 상기 학습 데이터에 포함된 상기 출력값으로 출력되도록 상기 소로게이트 모델을 학습시키는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190126625A KR102482651B1 (ko) | 2019-10-14 | 2019-10-14 | 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 |
| PCT/KR2020/013314 WO2021075765A1 (ko) | 2019-10-14 | 2020-09-29 | 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 |
| US17/767,618 US20230051737A1 (en) | 2019-10-14 | 2020-09-29 | Apparatus, method, and computer program for executing simulation on basis of digital twin service |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190126625A KR102482651B1 (ko) | 2019-10-14 | 2019-10-14 | 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210043825A KR20210043825A (ko) | 2021-04-22 |
| KR102482651B1 true KR102482651B1 (ko) | 2022-12-29 |
Family
ID=75537885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190126625A KR102482651B1 (ko) | 2019-10-14 | 2019-10-14 | 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230051737A1 (ko) |
| KR (1) | KR102482651B1 (ko) |
| WO (1) | WO2021075765A1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642156B (zh) * | 2021-07-20 | 2023-11-17 | 意欧斯物流科技(上海)有限公司 | 一种堆垛机立库的仿真建模系统及其使用方法 |
| KR102537489B1 (ko) * | 2021-08-30 | 2023-05-26 | 주식회사 팀솔루션 | 비주얼 스크립트를 이용한 디지털 트윈 구축 시스템, 방법 및 이를 위한 장치 |
| KR102564220B1 (ko) * | 2023-02-23 | 2023-08-08 | 디엑스랩즈 주식회사 | 풍력발전설비의 풍속파라미터를 제어하는 방법 및 그 장치 |
| CN117576294B (zh) * | 2024-01-16 | 2024-03-26 | 太原理工大学 | 采掘装备数字孪生系统的数据传输参数优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332360A (ja) * | 2004-04-22 | 2005-12-02 | Yokogawa Electric Corp | プラント運転支援装置 |
| JP2009169771A (ja) * | 2008-01-18 | 2009-07-30 | Yokogawa Electric Corp | プラント運転支援装置 |
| JP2019153291A (ja) | 2018-02-28 | 2019-09-12 | トヨタ自動車株式会社 | デジタルツインシミュレーションに基づく車両の故障予測 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101640475B1 (ko) * | 2014-06-30 | 2016-07-18 | 서울과학기술대학교 산학협력단 | 안테나를 이용한 기판 물성 측정방법 |
| KR20160133615A (ko) | 2015-05-12 | 2016-11-23 | 주식회사 퓨쳐시스템 | 사물 인터넷을 위한 사물기기 제어 시스템과 가상화 사물 서버에서 실행되는 사물기기 제어방법 |
| US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
| JP6460138B2 (ja) * | 2017-03-13 | 2019-01-30 | オムロン株式会社 | 処理装置、制御パラメータ決定方法、及び制御パラメータ決定プログラム |
| KR101988776B1 (ko) * | 2017-12-28 | 2019-06-12 | 주식회사 현대미포조선 | 3차원 모델링 기반의 디지털 트윈쉽 시스템 |
-
2019
- 2019-10-14 KR KR1020190126625A patent/KR102482651B1/ko active IP Right Grant
-
2020
- 2020-09-29 WO PCT/KR2020/013314 patent/WO2021075765A1/ko active Application Filing
- 2020-09-29 US US17/767,618 patent/US20230051737A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332360A (ja) * | 2004-04-22 | 2005-12-02 | Yokogawa Electric Corp | プラント運転支援装置 |
| JP2009169771A (ja) * | 2008-01-18 | 2009-07-30 | Yokogawa Electric Corp | プラント運転支援装置 |
| JP2019153291A (ja) | 2018-02-28 | 2019-09-12 | トヨタ自動車株式会社 | デジタルツインシミュレーションに基づく車両の故障予測 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230051737A1 (en) | 2023-02-16 |
| KR20210043825A (ko) | 2021-04-22 |
| WO2021075765A1 (ko) | 2021-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102482651B1 (ko) | 디지털 트윈 서비스에 기초하여 시뮬레이션을 수행하는 장치, 방법 및 컴퓨터 프로그램 | |
| CN102033977B (zh) | 用于基于多目标进化算法的工程设计优化的方法和系统 | |
| CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
| CN104217094A (zh) | 用于计算结构的疲劳以及疲劳破坏的方法 | |
| CN106777549B (zh) | 一种面向荷载试验的桥梁多尺度有限元模拟方法 | |
| US20200333152A1 (en) | Method for reducing exhaust gas emissions of a drive system of a vehicle including an internal combustion engine | |
| Sabamehr et al. | System identification and model updating of highway bridges using ambient vibration tests | |
| Mohd Zin et al. | Modal and FRF based updating methods for the investigation of the dynamic behaviour of a plate | |
| CN100555294C (zh) | 主梁断面气动自激力的全过程数值模拟方法 | |
| Reichert et al. | Combined approach for optimal sensor placement and experimental verification in the context of tower-like structures | |
| Wang et al. | An Improved Grey Prediction Model Based on Matrix Representations of the Optimized Initial Value. | |
| JP7029876B2 (ja) | 架線・パンタグラフ系の走行シミュレーション方法及び装置 | |
| JP2015028725A (ja) | 車両走行シミュレーションシステム | |
| Guedria et al. | Efficient cultural algorithm for structural damage detection problem based on modal data | |
| Rageh et al. | Model updating and parameter identification for developing digital twins for riveted steel railway bridges | |
| Petersen et al. | Validation of range estimation for electric vehicles based on recorded real-world driving data | |
| KR20010010576A (ko) | 차체의 내구력 평가 해석 방법 | |
| Langner et al. | A Process Reference Model for the Virtual Application of Predictive Control Features | |
| Wilson et al. | Hierarchical model verification and validation for structural health monitoring using dynamic substructuring | |
| Yunus et al. | Response surface reconciliation method of bolted joints structure | |
| Cantero | VBI-2D–Road vehicle-bridge interaction simulation tool and verification framework for Matlab | |
| CN117910120B (en) | Buffeting response prediction method for wind-bridge system based on lightweight transducer | |
| EP4290074A1 (en) | Method and system for modelling a wind power generation structure | |
| Abbiati et al. | Sequential experimental design of hybrid simulations for bayesian calibration of computational simulators | |
| Bao et al. | Computationally Efficient CFD Prediction of Two-phase Flow using Deep Learning and Validation Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |