KR102510547B1 - 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 - Google Patents
인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 Download PDFInfo
- Publication number
- KR102510547B1 KR102510547B1 KR1020210124956A KR20210124956A KR102510547B1 KR 102510547 B1 KR102510547 B1 KR 102510547B1 KR 1020210124956 A KR1020210124956 A KR 1020210124956A KR 20210124956 A KR20210124956 A KR 20210124956A KR 102510547 B1 KR102510547 B1 KR 102510547B1
- Authority
- KR
- South Korea
- Prior art keywords
- carbon fiber
- composite material
- fiber composite
- prediction
- neural network
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 title claims description 17
- 239000002131 composite material Substances 0.000 claims abstract description 86
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 75
- 229920000049 Carbon (fiber) Polymers 0.000 claims abstract description 68
- 239000004917 carbon fiber Substances 0.000 claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000000704 physical effect Effects 0.000 claims description 53
- 230000006399 behavior Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 27
- 239000004918 carbon fiber reinforced polymer Substances 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 229920002430 Fibre-reinforced plastic Polymers 0.000 claims description 17
- 239000011151 fibre-reinforced plastic Substances 0.000 claims description 17
- 230000009977 dual effect Effects 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002250 progressing effect Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/066—Special adaptations of indicating or recording means with electrical indicating or recording means
-
- G—PHYSICS
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/006—Crack, flaws, fracture or rupture
- G01N2203/0062—Crack or flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0096—Fibre-matrix interaction in composites
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0617—Electrical or magnetic indicating, recording or sensing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
본 발명은, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치에 관한 것으로, 시뮬레이션을 바탕으로 측정 구간을 설정하고 구조물의 입력 데이터를 기반으로 뉴럴 네트워크를 이용하여 물성 거동의 빠른 예측 및 정확한 예측을 수행하기 위한 기술이다. 본 발명은 가해지는 기계적 하중 또는 진행되는 크랙의 길이에 따라 변화되는 탄소섬유 복합재의 물성값을 측정하는 물성값 측정 유닛; 상기 탄소섬유 복합체에 가해지는 기계적 하중에 대한 응력 분포 시뮬레이션을 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하여 각 예측 구간에서 측정되는 데이터를 통해 거동 예측을 수행하기 위한 전기 저항의 변화를 학습하여 학습 모델을 생성하는 학습모델 생성 유닛; 및 상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 전기 저항을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 잔여유효수명 예측 유닛을 포함하는 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치 및 진단 방법을 제공한다.
Description
본 발명은, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치에 관한 것으로, 시뮬레이션을 바탕으로 측정 구간을 설정하고 구조물의 입력 데이터를 기반으로 뉴럴 네트워크를 이용하여 물성 거동의 빠른 예측 및 정확한 예측을 수행하기 위한 기술이다.
일반적으로 구조물의 건전성을 진단하는 데 사용되는 기법은, 육안 검사, 음향 반출(Acoustic emission, AE), 와전류(Eddy current), 초음파(Ultrasonics), X선 투과시험(X-ray radiography) 등을 포함하고, 대부분의 방법들은 검사 인력과 장비를 적절한 시기에 투입하여 정기적으로 검사를 수행한다. 이러한 방법들은 구조물의 상태와 상관없이 정해진 일정에 맞추어 감사를 수행하게 되므로, 필요 이상의 인건비가 소요되고, 검사로 인한 구조물의 사용 중단 시간으로 인해 손실이 발생함에 따라 근래에는 내장형 센서들이 도입되고 있다. 내장형 센서들를 설치하고 측정 데이터를 얻어 구조물의 건전성을 감시하는 기술이 있다. 기존의 SHM(Structure Health Monitoring) 시스템은 구조물의 주요 부위에 다양한 측정 센서들을 부착하고 이들의 센서 값의 변동에 대하여 기준 값을 넘는 경우 이벤트 통지 등의 방법을 사용하고 있으나 오작동이나 정상인 경우에도 이벤트가 발생하는 등 신뢰성에 문제가 있다.
최근에는 인공지능(AI : Artificial Intelligence)을 이용하게 되면서 방대한 양의 데이터에 대한 실시간 분석이 가능해지고 일정부분 미래 예측도 가능할 수 있으므로, 이를 구조물 관리 분야에 도입하여 보다 효과적으로 구조물의 건전성을 점검할 수 있는 기술 개발이 요구되어 왔다.
이와 관련, 종래의 대한민국 공개특허공보 제10-2017-0069138호)에서는 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법을 개시하고 있다. 종래 기술의 평가방법은 고층 구조물에 설치되는 다수의 바람센서 및 변형률 센서를 통해 형성된 인공신경망(Artificial NeuralNetwork:ANN)을 바탕으로 고층 구조물의 응력 예측모델을 생성하는 응력 예측모델 생성부를 개시하고 있으나, 다양한 다른 종류 센서들에 직접 적용하기에는 한계가 있다.
본 발명은 상술한 문제점을 해결하기 위해 복합재의 잔존 수명 예측과 같은 복잡한 거동을 예측하는 경우 발생할 수 있는 SHM(Structure Health Monitoring)의 한계를 개선하기 위해 예측 구간을 분할하고, 상기 예측 구간에 따라 입력되는 데이터를 뉴럴넷 인공지능으로 학습하여 건전성 예지 진단을 수행하는 건전성 예지 진단 방법 및 진단 장치를 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위하여 본 발명은, 가해지는 기계적 하중에 의해 진행되는 크랙의 길이에 따라 변화되는 탄소섬유 복합재의 물성값을 측정하는 단계; 상기 탄소섬유 복합재에 가해지는 기계적 하중에 대한 응력 분포를 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하고, 각 예측 구간별로 거동 예측을 수행하기 위하여 물성값의 변화를 학습하는 학습 모델을 생성하는 단계; 및 상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 물성값을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 단계를 포함하는 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법을 제공한다.
실시 예에 따라, 상기 탄소섬유 복합재의 물성값을 측정하는 단계는, 상기 탄소섬유 복합재의 소정 위치에 복수의 전극을 설치하여 이들 전극 사이의 전기 저항값을 측정할 수 있다.
실시 예에 따라, 상기 탄소섬유 복합재의 물성값을 측정하는 단계는, Dual Cantilever Beam test(DCB 테스트)로 수행되며, 상기 기계적 하중에 따라 크랙이 진행되는 방향으로 적어도 하나 이상 전극의 위치를 선정하여 설치할 수 있다.
실시 예에 따라, 상기 학습 모델을 생성하는 단계는, 상기 탄소섬유 복합체의 물성값의 상기 크랙의 길이에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하는 단계; 및 상기 예측 구간마다 전달함수(Transfer function)를 설정하는 단계를 포함하고, 상기 전달함수는 은닉층(Hidden layer)과 출력층(output layer)으로 구성되고, 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합으로 출력 데이터를 산출할 수 있다.
실시 예에 따라, 상기 탄소섬유 복합체의 기울기값이 양수에서 음수로 바뀌거나 음수에서 양수로 바뀌는 경우, 예측 구간을 구분하여 나눌 수 있다.
실시 예에 따라, 상기 탄소섬유 복합체의 기울기값이 2배 이상 차이나는 경우, 예측 구간을 구분하여 나눌 수 있다.
실시 예에 따라, 상기 탄소섬유 복합재는, 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)을 포함하고, 상기 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)은 4개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime)의 예측이 수행될 수 있다.
실시 예에 따라, 상기 탄소섬유 복합재는, 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)을 포함하고, 상기 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)은 2개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime)의 예측이 수행될 수 있다.
또한 본 발명은 상술한 방법을 프로그램으로 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체를 제공한다.
또한 본 발명은, 가해지는 기계적 하중에 의해 진행되는 크랙의 길이에 따라 변화되는 탄소섬유 복합재의 물성값을 측정하는 물성값 측정 유닛; 상기 탄소섬유 복합체에 가해지는 기계적 하중에 대한 응력 분포를 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하고, 각 예측 구간별로 거동 예측을 수행하기 위하여 물성값의 변화를 학습하는 학습 모델을 생성하는 학습모델 생성 유닛; 및 상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 물성값을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 잔여유효수명 예측 유닛을 포함하는 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치를 제공한다.
실시 예에 따라, 상기 물성값 측정 유닛은, Dual Cantilever Beam test(DCB 테스트)로 수행되며, 상기 기계적 하중에 따라 크랙이 진행되는 방향으로 적어도 하나 이상 전극의 위치를 선정하여 설치하여 이들 전극 사이의 전기 저항값을 측정할 수 있다.
실시 예에 따라, 상기 학습모델 생성 유닛은, 상기 탄소섬유 복합체의 물성값의 상기 크랙의 길이에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하여 상기 예측 구간마다 전달함수(Transfer function)을 설정하고, 상기 전달함수는 은닉층(Hidden layer)과 출력층(output layer)으로 구성되고 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합으로 출력 데이터를 산출할 수 있다.
실시 예에 따라, 상기 학습모델 생성 유닛은, 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic) 또는 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)으로 구성된 탄소섬유 복합체의 종류에 따라 상기 예측 구간을 각각 4개 또는 2개로 설정하여 상기 학습 모델을 설정할 수 있다.
전술한 바와 같은 구성을 갖는 본 발명에 따르면, 복잡한 거동을 예측하는 경우 구조물에서 분할 예측을 수행하여 정확도를 높이는 이점이 있다.
도 1은 종래의 진단 방법에서의 문제점을 나타낸다.
도 2는 본 발명의 실시 예에 따라 복잡한 거동을 부분적으로 분석하는 모습을 나타낸다.
도 3은 본 발명의 인공지능을 이용한 탄소섬유 복합재의 건전성 예지 및 진단 방법의 순서도를 나타낸다.
도 4는 본 발명의 실시 예에 따라 전극을 지정된 위치에 설치하는 모습이다.
도 5는 도 4에서 설치된 각 전극의 각 위치에서 측정된 데이터를 나타낸다.
도 6 내지 도 9는 본 발명의 실시 예에 따라 도 5의 채널 4에서 각 예측 구간에서의 예측 수행 모습이다.
도 10은 본 발명의 실시 예에 따른 채널4에서의 각 예측 구간을 분할한 모습이다.
도 11은 본 발명의 다른 실시 예에 따른 하이브리드 섬유강화 플라스틱에서 2개의 예측 구간을 나누는 모습을 나타낸다.
도 12는 본 발명의 실시 예에 따라 학습 모델 유닛에서 학습을 수행하는 과정을 나타낸다.
도 13은 본 발명의 실시 예에 따라 학습 모델에 사용되는 전달함수를 나타낸다.
도 2는 본 발명의 실시 예에 따라 복잡한 거동을 부분적으로 분석하는 모습을 나타낸다.
도 3은 본 발명의 인공지능을 이용한 탄소섬유 복합재의 건전성 예지 및 진단 방법의 순서도를 나타낸다.
도 4는 본 발명의 실시 예에 따라 전극을 지정된 위치에 설치하는 모습이다.
도 5는 도 4에서 설치된 각 전극의 각 위치에서 측정된 데이터를 나타낸다.
도 6 내지 도 9는 본 발명의 실시 예에 따라 도 5의 채널 4에서 각 예측 구간에서의 예측 수행 모습이다.
도 10은 본 발명의 실시 예에 따른 채널4에서의 각 예측 구간을 분할한 모습이다.
도 11은 본 발명의 다른 실시 예에 따른 하이브리드 섬유강화 플라스틱에서 2개의 예측 구간을 나누는 모습을 나타낸다.
도 12는 본 발명의 실시 예에 따라 학습 모델 유닛에서 학습을 수행하는 과정을 나타낸다.
도 13은 본 발명의 실시 예에 따라 학습 모델에 사용되는 전달함수를 나타낸다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 발명에서 사용하는 용어는, 듀얼 캔틸레버 빔(DCB: Dual Cantilever Beam), 탄소섬유 강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic), 하이브리드 섬유 강화 플라스틱(HFRP: Carbon-glass Hybrid Fiber Reinforced Plastic)이 있다.
상기 탄소섬유 복합재는, 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic) 또는 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)를 포함할 수 있다. 하지만, 탄소섬유 복합재는 이에 제한되지 않고, 탄소섬유를 포함하여 도전성을 띄는 복합재이면 적용될 수 있다.
본 발명의 실시 예에 따라, 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)은 4개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime)의 예측이 수행되고, 상기 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)은 2개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime) 예측을 수행할 수 있다.
도 1은 종래의 진단 방법에서의 문제점을 나타낸다.
도 1은 시간에 따른 복합재 물성값의 거동을 나타내는 그래프로서, x축은 시간을 나타내고, y축은 복합재의 물성값을 나타내고 있다. 푸른색 실선은 실제 물성값의 거동을 도시하고, 붉은 실선은 현재 시점에서 예측되는 물성값의 거동 중간값을 나타내며, 붉은 점선은 예측되는 물성값 거동의 90% PI 범위를 나타내고 있다.
여기에서, 붉은 실선을 따르는 거동 예측은 종래의 거동 구간을 분할하지 않는 방법론에 의해 산출되는 거동이다.
도 1의 (a) 및 (b)는 복합재의 물성값의 거동이 복잡하게 이루어지는 경우, 특정한 시점에서 향후의 물성값의 변화 거동을 예측하고자 할 때 종래의 방법론에 따르면 잘못된 거동 예측을 피할 수 없게 됨을 나타낸다.
도 1을 참조하면, 복잡한 거동예측 시 앞선 경우와 같이 잘못된 예측을 하는 경우가 존재하게 되고 나아가, 복잡한 거동예측을 위한 복잡한 물리식은 계산 시간의 증가를 초래하며 빠른 예측 및 정확한 예측이 어려움이 생길 수 있다. 또한, 복합재 뿐만 아니라 복잡하면서도 다양한 파손 메커니즘이 있는 구조물에서 거동예측의 정확도를 높여 줄 수 있는 수단이 필요하다.
도 2는 본 발명의 실시 예에 따라 복잡한 거동을 섹션을 분할하여 분석하는 모습을 나타낸다.
도 2를 참조하면, 도 1과 같이 섹션을 분할하지 않은 경우 발생할 수 있는 문제점을 보완하게 되는데, 변화되는 각 구간의 특징을 추출하여 각 부분에서의 물성 거동을 예측할 수 있다. 도 2의 x축, y축, 푸른색 실선, 붉은색 실선 및 점선은 도 1과 동일한 방식으로 적용되었으며, 도 2는 도 1에 비하여 거동의 구간이 분할되어 구성되어 있다.
한편, 복합재에 발생하는 크랙과 같은 열화 요인들을 모니터링하기 위하여, 측정되는 물성값으로 복합재의 전기저항이나 응력(stress), 변형(strain)과 같이 하중 조건의 변화값을 측정하여 거동을 예측할 수 있다.
전기저항의 변화나 크랙이 진전됨에 따른 하중 조건의 변화와 같이 물성값이 급격히 달라지는 지점은, 상기 탄소섬유 복합체의 섬유 적층 조건, 섬유 충진율 또는 섬유의 종류에 따라 변화될 수 있다. 섹션의 분할 기점에 대한 판단은 복합재 압저항 효과의 기본 원리를 통해 확인할 수 있다.
탄소섬유 복합재의 파손 부위에 장력이 작용하면, 파손 부위에 설치된 전극에서의 전기저항 변화량은 양이 되고, 압축력이 작용하면 전기저항 변화량이 음이 되는데, 이러한 전기저항값의 변화 정도에 따라 섹션별로 구간을 나누어 적용할 수 있다. 또한, 시물레이션을 통하여 복잡한 구조물에 작용하는 하중에 따른 응력 분포를 분석하여 섹션별로 구간을 나누어 해석할 수도 있다. 응력 변화율이 양에서 음 또는 음에서 양으로 기울기가 바뀌거나, 수치가 크게 변화하는 경우에 섹션을 나눌 수 있다.
첫번째 구간은, DCB(Dual Cantilever Beam) 테스트 중 crack tip에서 멀 때 장력이 작게 작용하는 구간으로, 두번째 구간은, crack tip에 다가오면서 벤딩에 대한 장력으로 전기저항이 급속히 증가하는 구간, 세번째 구간은 crack tip이 전극에 근접하여 압축력이 걸려 음의 전기저항이 발생하는 구간 및 네번째 구간은 crack tip이 전극을 통과한 후 전하가 크랙을 우회하여 이동함으로써 전기저항 변화량이 증가하는 구간으로 나눌 수 있다.
탄소섬유 복합재의 물성값을 측정하는 단계는, 탄소섬유 복합재의 소정 위치에 복수의 전극을 설치하여 이들 전극 사이의 전기 저항값을 측정하는데, 이러한 방식은 복합재라는 구조물에 제한되어 있지 않고 복잡한 물성 저하 메커니즘을 가진 구조물이라면 적용이 가능하다.
도 3은 본 발명의 인공지능을 이용한 탄소섬유 복합재의 건전성 예지 및 진단 방법의 순서도를 나타낸다.
도 3을 참조하면, 본 발명은 탄소섬유 복합재의 물성값을 측정하는 단계(S10), 전기 저항 변화를 학습하여 학습 모델 생성하는 단계(S20); 잔여유효수명(RUL)을 예측하는 단계(S30)를 포함할 수 있다.
물성값을 측정하는 단계는, 가해지는 기계적 하중 또는 진행되는 크랙의 길이에 따라 변화되는 물성값 (전기 저항 변화, 크랙이 진전됨에 따른 하중 조건)을 측정한다. 또한 탄소섬유 복합체에 가해지는 기계적 하중에 대한 응력 분포 시뮬레이션을 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하여 각 예측 구간에서 측정되는 데이터를 통해 거동 예측을 수행하기 위한 전기 저항의 변화를 학습하여 학습 모델을 생성할 수 있다.
마지막으로 상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 전기 저항을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 과정을 포함한다.
도 4는 본 발명의 실시 예에 따라 전극을 지정된 위치에 설치하는 모습이다.
도 4를 참조하면, 전극을 지정된 위치에 설치하는 단계(S10)는, 파손 또는 가해지는 기계적 응력에 따라 탄소섬유 복합재의 변화되는 전기 저항값을 측정하기 위한 과정이다. 상기 전극을 지정된 위치에 설치하는 단계는, 상기 탄소섬유 복합재의 기계적 응력 분포 시뮬레이션에 기초하여 DCB 테스트를 수행하기 위해 상기 기계적 응력에 따라 크랙의 진행방향으로 적어도 하나 이상 전극의 위치를 선정하는 단계를 포함할 수 있다.
탄소섬유 복합재의 물성값을 측정하는 단계는, Dual Cantilever Beam test(DCB 테스트)로 수행되며, 상기 기계적 하중에 따라 크랙이 진행되는 방향으로 적어도 하나 이상 전극의 위치를 선정하여 설치되며, 이러한 원리를 통해 구간을 분할하여 분석을 수행할 수 있다.
본 발명의 실시예에 따라 탄소섬유 강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)에 전극을 설치한 모습을 나타낸다. 복합재에 함유된 탄소로 인하여 시편은 도전성을 띠며, 전극은 시편의 상부 및 하부에 소정 깊이 소정 거리를 두고 8개가 배치될 수 있다.
한 쌍의 전극으로 구성되어 전기저항의 변화가 측정되는 채널은 1~7 채널로 구성되며, 1~4 채널은 상부 전극과 하부 전극의 쌍으로, 5~7 채널은 상부 전극의 쌍으로만 구성된다.
DCB 테스트는 DCB를 상하측으로부터 인장 하중을 가하여 크랙이 전파되는 길이를 이미지로 촬상하고 크랙 길이를 사진 픽셀로 계산하고, DCB 테스트는 채널별로 크랙 길이에 따른 전기저항 변화량을 측정하여 이를 기초로 인공 신경망을 통해 잔여 유효 수명을 예측할 수 있다.
전기 저항 변화를 학습하여 학습 모델을 생성하는 단계(S20)는, 각 구간의 거동 예측을 수행하기 위하여 상기 전극에서 측정된 전기 저항값의 변화 또는 기계적 응력 분포 시뮬레이션에 기초하여 상기 탄소섬유 복합체의 예측 구간을 분할하고 상기 예측 구간에 따라 인공신경망에서 설정되는 수식을 달리하여 학습 모델을 설정할 수 있다.
전기 저항 변화를 학습하여 학습 모델을 생성하는 단계(S20)는, 거동을 예측하기 위해 구간분할을 수행하고, 각 구간에서 입력되는 데이터를 수집하는 과정을 포함한다.
학습 모델의 경우, 뉴럴 네트워크를 포함하여 구성되는데, 뉴럴 네트워크는 도 12에 도시된 바와 같다. 뉴럴 네트워크는 전달 함수(Transfer function)로 구성될 수 있으며, 다양한 센서들이 연결된 네트워크이다.
학습 모델을 생성하는 단계는, 탄소섬유 복합재의 물성값의 시간에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하는 단계; 및 상기 예측 구간마다 전달함수를 설정하는 단계를 포함한다.
여기서 전달함수는, 은닉층(Hidden layer)과 출력층(output layer)으로 구성되고, 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합으로 출력 데이터를 산출할 수 있다. 도 12에서 보다 자세히 설명한다.
도 5는 도 4에서 설치된 각 전극의 각 위치에서 측정된 데이터를 나타낸다. 보다 구체적으로, 도 5의 x축은 DCB 테스트에서의 복합재의 인장 길이(tensile extension)를 도시하고, y축은 전기저항 변화량(electrical resistance change ratio)과 크랙 길이를 나타낸다.
도 5를 참조하면, 채널별로 크랙 길이에 따른 전기저항 변화량을 측정하여 그래프로 나타낸 모습으로 채널 중 크랙이 이미 지나간 채널 1을 제외하고는 물성의 거동이 유사한 양상을 보인다.
DCB 테스트 중 복합재의 크랙 길이를 표시하는 data1의 경우 점진적으로 증가하는 단순한 양상을 보이고 있지만, 채널의 전기저항 변화량은 복잡한 거동양상을 나타내고 있다는 점에서 보다 정확한 거동 예측을 위해 구간을 나눈 예측이 필요하다고 하겠다.
도 6 내지 도 9는 본 발명의 실시 예에 따라 도 5의 채널 4에서 각 예측 구간에서의 예측 수행 모습이다. 도 6 내지 도 9에서 좌측의 (a) 그래프는 도 5의 채널 4만을 도시한 것이며, 우측의 (b) 그래프는 해당 섹션까지의 데이터에 기초하여 저항 변화값의 거동을 예측한 것으로, 붉은색 굵은 점선은 예측되는 물성값인 저항 변화값의 거동 중간값을 나타내며, 붉은색 가는 점선은 예측되는 저항 변화값 거동의 90% PI 범위를 나타내고 있다. 여기에서, 노란색 실선은 DCB 테스트에서 복합재의 파단 역치값(Threshold value setting at beam failure)을 도시하고 있다.
상기 학습 모델을 생성하는 단계는, 탄소섬유 복합재의 기계적 응력 분포 시뮬레이션에 기초하거나 전기저항 변화값이 급격히 달라지는 지점에 따라 적어도 하나 이상의 예측 구간을 설정하는 단계; 및 상기 예측 구간의 저항 변화값의 분포 형태 또는 분포 측정 값을 분석하여 상기 예측 구간의 저항 변화값을 예측할 수 있도록 인공신경망에서 설정되는 수식을 달리하여 학습 모델을 생성하는 단계를 포함할 수 있다.
도 6 내지 도 9는, DCB 테스트 동안에 각 채널의 구간을 설정하고, 채널 4에 대해 구간별 측정 데이터로 인공신경망 학습 모델을 거쳐 고장 예지하는 모습으로, 인공신경망에서 설정되는 수식을 달리한 학습 모델을 생성하고 이에 기초하여 고장을 예지할 수 있다. 즉, 단순한 경향을 보이는 경우, 비교적 정확하게 파손을 예측할 수 있다. 다만, 도 6 내지 도 8의 섹션 1 내지 섹션 3의 경우는 각 값의 예측값이 실제 거동과는 다르게 예측되어 정확히 예측이 되지 않는데, 복잡한 거동에 대해 충분히 섹션을 분할하지 않고 파티클 필터를 이용한 예측 과정을 수행하여 정확한 예측이 되지 않았음을 확인할 수 있다. 섹션 4의 경우 실제 거동과 유사하게 나타나 거동이 예측될 수 있다. 즉, DCB 테스트를 수행하는데 있어 CFRP의 경우 섹션을 4개로 분할하여 측정해야 정확한 예측값을 얻을 수 있음을 의미한다.
도 10은 본 발명의 실시 예에 따른 채널4에서의 각 예측 구간을 분할한 모습이다.
도 10을 참조하면, 채널 4에서 크랙 길이에 따른 전기저항 변화량을 나타내는데, 위 도 6 내지 도 9에서 진행한 내용을 종합한 결과이다.
즉, CFRP의 경우 시물레이션 결과를 바탕으로 구간 분할 및 물성 거동 분석 및 고장예지에 반영 시, CFRP는 4개의 섹션으로 구분됨이 바람직하다. 섹션1→섹션2 기울기의 값이 급작스럽게 증가하고, 섹션2→섹션3 기울기가 양에서 음의 값으로 변화되며, 섹션 3→섹션4 기울기가 음에서 양의 값으로 변화되기에 구간을 시물레이션을 정확하게 얻을 수 있다.
도 11은 본 발명의 다른 실시 예에 따른 하이브리드 섬유강화 플라스틱에서 2개의 예측 구간을 나누는 모습을 나타낸다. 도 11은 도 5 내지 도 10과 동일한 방식으로 도시되어 있다.
도 11을 참조하면, 하이브리드 섬유강화 플라스틱으로, Hybrid fiber 로 제작된 복합재의 경우 비교적 단순한 패턴의 전기저항변화가 나타나고, 따라서 2구간 으로도 정확한 예측이 가능함을 나타낸다.
본 발명의 경우, 종래의 예측이 정확하지 않은 거동을 해결하기 위해 복잡한 물성 거동을 섹션으로 나누어 조금 더 정확하고 빠른 예측을 할 수 있으며, 복합재라는 구조물에 제한 되어 있지 않고 복잡한 물성 저하 메커니즘을 가진 구조물이라면 적용이 가능하다.
본 발명이 적용되는 경우, 예측을 적용하고자 하는 각 분야의 물성 거동에 대한 이해가 수반되어야 하며, 섹션으로 나누어진 구간별 학습 모델을 생성하고, 이에 기초하여 예지를 수행할 수 있다.
도 12는 본 발명의 실시예에 따라 학습 모델 유닛에서 학습을 수행하는 과정을 나타낸다.
도 12를 참조하면, 학습 모델 유닛에서 학습 모델을 생성하는 단계를 수행하는데, 탄소섬유 복합체의 물성값의 시간에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하여 각 예측 구간마다 전달함수(Transfer function)를 설정할 수 있다.
실시 예에 따라 딥뉴럴 네트워크는 2개의 전달함수1,2를 포함하고, 전달함수는 은닉층(Hidden layer)과 출력층(output layer)으로 구성되어 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합을 통해 아래 수학식1 또는 수학식2와 같이 출력 데이터를 산출할 수 있다.
[수학식 1]
[수학식 2]
(여기서 x는 입력데이터, h는 전달함수1의 출력값, z는 전달함수2의 출력값, W는 가중치(weight), b는 바이어스(bias)를 의미한다)
수학식 1의 경우, 전달함수를 1번 거친 데이터(뉴럴네트워크 시뮬레이션 데이터:NN simulation data)에 해당되고, 수학식 2의 경우 전달함수를 여러번 거친 데이터(복수의 트레이닝을 거친 뉴럴네트워크 시뮬레이션 데이터;NN simulation data with multiple training data)에 해당된다.
뉴럴 네트워크는 재귀 뉴럴 네트워크(recurrent neural network) 또는 피드포워드 뉴럴 네트워크(feedforward neural network)로 구현될 수 있고, 가중치와 바이어스 값을 조정함에 따라 출력은 조정될 수 있다.
w는 서로 다른 노드 간의 상호 연결 매개 변수이며, 모든 입력의 가중 합계를 계산할 때 각 입력 데이터에 대한 기여도를 나타낸다고 볼 수 있다. b는 바이어스로서 보통 이전 계층으로부터의 입력에 대한 가중 합계를 계산한 후 네트워크에서 학습 강도 또는 학습 기준을 위해 추가된 임계값을 의미한다. 즉 출력이 계산되는 과정에서 w는 입력 데이터와의 곱과 관련이 있고, b는 더해져서 계산되는 임계값(threshold value)으로 볼 수 있다.
도 13은 본 발명의 실시 예에 따라 학습 모델에 사용되는 전달함수를 나타낸다.
도 13(a)는 단순한 선형 함수(pure linear function) 출력을 나타내며, 도 13(b)는 탄젠트 시그모이드 함수(tangent signoid function)를 나타내는데, 도 13(a), (b)와 같이 전달함수가 설정될 수 있으며, 출력이 계산될 때 입력 데이터가 거쳐가는 함수에 관한 것으로 함수의 모양에 따라 머신러닝 출력이 달라질 수 있다.
상술한 바와 같이, 뉴럴 네트워크를 구성하여 입력 데이터의 반복을 통해 탄소섬유 복합체의 거동을 예측할 수 있다.
도면에는 도시되지 않았으나 뉴럴 네트워크에는 인공지능 트레이닝 모듈을 구성할 수 있으며 전달받은 저항 변화값에 해당되는 입력 데이터를 인공지능 학습에 적합한 포맷으로 바꾸어 학습을 진행할 수 있다.
인공지능 트레이닝 모듈은 프로그램으로 인공지능 모델을 포함하고, 학습에 적합하도록 측정 데이터에 대한 전처리부나 정규화부를 포함할 수 있어 측정된 데이터의 누락값을 삭제 또는 대체하고 센서 데이터를 정규화하며, 데이터의 수량을 조정할 수 있다.
인공지능 모델은 다수의 뉴럴넷으로 이루어지며, 인공지능 모델은 시계열적으로 상관 관계를 갖고 트레이닝에 적합하도록 구성되는 순차적으로 등장하는 데이터 처리에 적합하게 쓰이는 RNN(Recurrent Neural Network)와 RNN중 대표적인 기번인 LSTM(Long short-term memory)을 포함한다. 다만, 이에 한정되지 않고 인공 신경망 (neural network based algorithm)으로 구현될 수 있는 학습 모델을 모두 포함하여 구성될 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.
Claims (13)
- 가해지는 기계적 하중에 의해 변화되는 탄소섬유 복합재의 물성값을 측정하는 단계;
상기 탄소섬유 복합재에 가해지는 기계적 하중에 대한 응력 분포를 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하고, 각 예측 구간별로 거동 예측을 수행하기 위하여 상기 물성값의 변화를 학습하는 학습 모델을 생성하는 단계; 및
상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 물성값을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 단계를 포함하는 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 1 항에 있어서,
상기 탄소섬유 복합재의 물성값을 측정하는 단계는,
상기 탄소섬유 복합재의 소정 위치에 복수의 전극을 설치하여 이들 전극 사이의 전기 저항값을 측정하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 2 항에 있어서,
상기 탄소섬유 복합재의 물성값을 측정하는 단계는,
Dual Cantilever Beam test(DCB 테스트)로 수행되며, 상기 기계적 하중에 따라 크랙이 진행되는 방향으로 적어도 하나 이상 전극의 위치를 선정하여 설치하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 1 항에 있어서,
상기 학습 모델을 생성하는 단계는,
상기 탄소섬유 복합재의 물성값의 크랙의 길이에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하는 단계; 및
상기 예측 구간마다 전달함수(Transfer function)를 설정하는 단계를 포함하고,
상기 전달함수는 은닉층(Hidden layer)과 출력층(output layer)으로 구성되고, 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합으로 출력 데이터를 산출하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 4 항에 있어서,
상기 탄소섬유 복합재의 기울기값이 양수에서 음수로 바뀌거나 음수에서 양수로 바뀌는 경우, 예측 구간을 구분하여 나누는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 4 항에 있어서,
상기 탄소섬유 복합재의 기울기값이 2배 이상 차이가 나는 경우, 예측 구간을 구분하여 나누는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 1 항에 있어서,
상기 탄소섬유 복합재는,
탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)을 포함하고,
상기 탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic)은 4개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime)의 예측이 수행되는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 1 항에 있어서,
상기 탄소섬유 복합재는,
하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)을 포함하고,
상기 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)은 2개의 예측 구간으로 상기 잔여유효수명(RUL: Remaining Useful Lifetime)의 예측이 수행되는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법.
- 제 1 항 내지 제 8 항 중 어느 한 항의 방법을 프로그램으로 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
- 가해지는 기계적 하중에 의해 진행되는 크랙의 길이에 따라 변화되는 탄소섬유 복합재의 물성값을 측정하는 물성값 측정 유닛;
상기 탄소섬유 복합재에 가해지는 기계적 하중에 대한 응력 분포를 기초로 상기 물성값의 거동을 예측하는 예측 구간을 분할하고, 각 예측 구간별로 거동 예측을 수행하기 위하여 상기 물성값의 변화를 학습하는 학습 모델을 생성하는 학습모델 생성 유닛; 및
상기 학습 모델에 상기 탄소섬유 복합재의 물성값을 입력하고 인공신경망을 통해 상기 물성값을 예측하여 상기 탄소섬유 복합재의 잔여유효수명(RUL: Remaining Useful Lifetime)을 예측하는 잔여유효수명 예측 유닛을 포함하는 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치.
- 제 10 항에 있어서,
상기 물성값 측정 유닛은,
Dual Cantilever Beam test(DCB 테스트)로 수행되며, 상기 기계적 하중에 따라 크랙이 진행되는 방향으로 적어도 하나 이상 전극의 위치를 선정하여 설치하여 이들 전극 사이의 전기 저항값을 측정하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치.
- 제 10 항에 있어서,
상기 학습모델 생성 유닛은,
상기 탄소섬유 복합재의 물성값의 상기 크랙의 길이에 따른 변화 정도인 기울기값에 따라 적어도 하나 이상의 예측 구간을 설정하여 상기 예측 구간마다 전달함수(Transfer function)를 설정하고,
상기 전달함수는 은닉층(Hidden layer)과 출력층(output layer)으로 구성되고 입력층(input layer)의 입력 데이터에 대한 가중치(weight)의 곱과 바이어스(bias)의 합으로 출력 데이터를 산출하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치.
- 제 10 항에 있어서,
상기 학습모델 생성 유닛은,
탄소섬유강화플라스틱(CFRP: Carbon Fiber Reinforced Plastic) 또는 하이브리드 섬유강화 플라스틱(HFRP:Carbon-glass Hybrid Fiber Reinforced Plastic)으로 구성된 탄소섬유 복합체의 종류에 따라 상기 예측 구간을 각각 4개 또는 2개로 설정하여 상기 학습 모델을 설정하는, 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210124956A KR102510547B1 (ko) | 2021-09-17 | 2021-09-17 | 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210124956A KR102510547B1 (ko) | 2021-09-17 | 2021-09-17 | 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102510547B1 true KR102510547B1 (ko) | 2023-03-16 |
Family
ID=85985463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210124956A KR102510547B1 (ko) | 2021-09-17 | 2021-09-17 | 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102510547B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170069138A (ko) | 2016-10-12 | 2017-06-20 | 연세대학교 산학협력단 | 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법 |
| KR101978467B1 (ko) * | 2017-12-06 | 2019-05-14 | 울산과학기술원 | 탄소섬유강화플라스틱 구조물의 균열 진전을 감지하는 센서 및 방법 |
| KR20190078781A (ko) * | 2017-12-27 | 2019-07-05 | 울산과학기술원 | 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법 |
| KR101964880B1 (ko) * | 2017-12-22 | 2019-08-07 | 울산과학기술원 | 탄소섬유강화플라스틱 구조물의 응력 진단 시스템 및 방법 |
| KR20200062813A (ko) * | 2018-11-27 | 2020-06-04 | 울산과학기술원 | 탄소섬유복합재의 손상 예측 시스템 및 방법 |
| KR20200113752A (ko) * | 2019-03-26 | 2020-10-07 | 울산과학기술원 | 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법 |
-
2021
- 2021-09-17 KR KR1020210124956A patent/KR102510547B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170069138A (ko) | 2016-10-12 | 2017-06-20 | 연세대학교 산학협력단 | 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법 |
| KR101978467B1 (ko) * | 2017-12-06 | 2019-05-14 | 울산과학기술원 | 탄소섬유강화플라스틱 구조물의 균열 진전을 감지하는 센서 및 방법 |
| KR101964880B1 (ko) * | 2017-12-22 | 2019-08-07 | 울산과학기술원 | 탄소섬유강화플라스틱 구조물의 응력 진단 시스템 및 방법 |
| KR20190078781A (ko) * | 2017-12-27 | 2019-07-05 | 울산과학기술원 | 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법 |
| KR20200062813A (ko) * | 2018-11-27 | 2020-06-04 | 울산과학기술원 | 탄소섬유복합재의 손상 예측 시스템 및 방법 |
| KR20200113752A (ko) * | 2019-03-26 | 2020-10-07 | 울산과학기술원 | 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
| Zhang et al. | Vibration-based assessment of delaminations in FRP composite plates | |
| Saxena et al. | Accelerated aging experiments for prognostics of damage growth in composite materials | |
| US11126764B2 (en) | Physics-based model particle-filtering framework for predicting RUL using resistance measurements | |
| KR102073323B1 (ko) | 인공지능 기반의 구조물 건전성 관리 시스템 | |
| CN109490072B (zh) | 一种土木工程建筑用检测系统及其检测方法 | |
| Zhang et al. | Sensitivity analysis of inverse algorithms for damage detection in composites | |
| CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
| EP2682836B1 (en) | Method for performing diagnostics of a structure subject to loads and system for implementing said method | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| Kuncham et al. | An online model-based fatigue life prediction approach using extended Kalman filter | |
| CN110276385A (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
| Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
| Katam et al. | A review on structural health monitoring: past to present | |
| Fritz et al. | Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques | |
| Miele et al. | Multi-fidelity physics-informed machine learning for probabilistic damage diagnosis | |
| Dai et al. | Crack extension identification based on distributed fiber sensing measurement and optimized support vector regression | |
| CN113065267B (zh) | 一种隧洞裂缝检测及安全评价系统 | |
| Galanopoulos et al. | An SHM data-driven methodology for the remaining useful life prognosis of aeronautical subcomponents | |
| KR102510547B1 (ko) | 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 | |
| Jung et al. | Inverse identification of creep of concrete from in situ load–displacement monitoring | |
| Moorthy et al. | Identification of delamination severity in a tapered FRP composite plate | |
| KR102517003B1 (ko) | 파티클 필터를 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 | |
| JP7453057B2 (ja) | ゴム材料物性予測システム、およびゴム材料物性予測方法 | |
| Lee et al. | Prediction method for propagating crack length of carbon-fiber-based composite double cantilever beam using its electromechanical behavior and particle filter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |