KR102527526B1 - Ｌｓｔｍ 기반 구조물의 동적특성 자동추출방법 및 이를 수행하는 시스템 - Google Patents

Abstract

본 발명은 구조물의 동적특성을 파악하고 예측하는 기술에 대한 것으로, 구조물의 동적특성을 판별하는 방법에서, 구조물의 주파수 응답함수의 크기와 각도 정보를 반영한 딥러닝에 기반한 사전학습된 장단기메모리(LSTM;Long short-term memory) 네트워크를 적용하여 구조물의 독적특성을 자동으로 예측할 수 있도록 하여, 높은 정확도로 구조물의 동적특성을 예측할 수 있는 기술을 제공한다.

Description

ＬＳＴＭ 기반 구조물의 동적특성 자동추출방법 및 이를 수행하는 시스템{System and Method for automated structural modal analysis using Long and Short Term Memory}

본 발명은 구조물의 동적특성을 파악하고 예측하는 기술에 대한 것이다.

산업사회로 발전하는 과정에서 건설된 대형 구조물과 시설물들은 설계 및 시공 과정에서의 결함 또는 설계 당시에 고려하지 못하였던 각종 요인으로 인하여 구조 손상이 발생되며, 이러한 구조물들의 사용 기간이 경과함에 따라 점차 노후화됨으로써 그 안전성이 크게 위협을 받고 있다. 예를 들면, 심각한 정도의 구조 손상이 발생한 구조물의 경우, 설계 당시에 계획되었던 설계 사용연한에 크게 못 미칠 정도로 사용연한의 단축을 초래하는 경우도 빈번히 발생하고 있다.

이에 따라 건축 구조물의 장기적인 안전성 및 작동성을 확보하기 위한 노력이 절실히 요구되고 있다. 특히 건물, 교량, 댐 등과 같은 대형 구조물은 각종 운영 하중, 외부 물체에 의한 충격, 지진, 풍하중, 파랑 하중, 부식 등에 지속적으로 노출되어 있기 때문에 이들로부터 구조물의 안전을 확보하는 문제는 경제, 사회적으로 지대한 관심의 현안이 되고 있다. 이러한 대형 구조물들의 정확한 안전 진단을 위해서는 적절한 실험 계측을 통한 구조물 거동의 모니터링, 구조물 손상을 역학적으로 분석하는 기술 및 구조물 손상을 모델화하는 해석 기술을 통한 진단 기술이 요구된다.

특히, 최근에는 지진의 안전 지역으로 평가되던 국내에서도 다수의 지진이 발생하고 있어 지진에 대한 우려가 증가하고 있다. 이러한 지진에 대응하기 위해 지진의 신호를 이용한 다양한 지진 안전성 평가 시스템이 등장하고 있다. 그러나, 지진에 따른 구조물의 안정도를 평가하는데 시간이 많이 소요되며, 빠른 대피가 생명인 재난 대응에 적합하지 않은 문제가 있다.

또한, 세계적으로 준공 후 50년이 경과한 구조물들이 증가하고 있으며, 이에 따라 노후화된 구조물의 유지, 관리의 필요성이 커지고 있다. 현재 노후화된 구조물의 안전 점검은 인력에 의한 외관조사나 각종 장비를 이용한 정밀검사가 주를 이루고 있으나, 이와 같은 안전점검은 숙련된 전문인력이 요구되며, 점검결과가 개인의 판단에 좌우될 수 있고, 지속적인 모니터링의 한계가 있다.

구조물의 상태를 예측하는데 가장 많이 사용되는 기술은 시스템 식별(System identification) 기술이다. 시스템 식별 기술은 구조물의 동적특성을 측정하여 구조물의 동적 특성을 포함한 시스템 정보를 파악하는 기술로써, 대표적인 알고리즘으로 Peak Picking Method, Eigensystem Realization Algorithm(ERA) 등이 있다.

Peak Picking Method는 구조물의 주파수 응답함수(Frequency Response Function, FRF)의 피크(Peak)점을 찾아 구조물의 동적특성을 산정하는 방법으로, 직관적인 방식 때문에 많이 사용되는 방법이다. 하지만, 피크점을 선택하는데 주관적인 판단이 들어가기 때문에 개인에 따라 산정결과가 달라질 수 있는 문제점이 있다.

나아가, 구조물의 동적거동 측정시, 노이즈가 발생하면 주파수 응답함수에서 피크점을 시각적으로 찾기 힘든 경우가 발생하게 된다. 이에, 개인의 주관성이 배제되며, 자동화된 기술로 신뢰성 있는 동적 특성을 파악할 수 있는 기술의 필요성이 커지고 있다.

한국공개특허 2020-0121640호

본 발명은 상술한 필요성을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 조물의 동적특성을 판별하는 방법에서, 구조물의 주파수 응답함수의 크기와 각도정보를 반영한 딥러닝에 기반한 사전학습된 장단기메모리(LSTM; long short-term memory) 네트워크를 적용하여 구조물의 동적특성을 자동으로 예측할 수 있도록 하여, 높은 정확도로 구조물의 동적특성을 산출할 수 있는 기술을 제공하는 데 있다.

상술한 과제를 해결하기 위한 수단으로서, 본 발명의 실시예에서는, 도 1 및 도 2에 도시된 것과 같이, 다수의 센서를 포함하는 측정모듈에서 구조물에 가해진 동적하중에 의해 발생하는 동적거동을 측정하는 1단계; 상기 동적하중과 상기 동적거동 데이터로부터 주파수응답함수(FRF; Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 산출하는 2단계; 상기 2단계에서 산출한 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 사전학습된 장단기메모리(LSTM; long short-term memory) 네트워크에 입력하여, 구조물의 동적특성을 산출하는 3단계;를 포함하는, LSTM기반 구조물의 동적특성 자동추출방법을 제공할 수 있도록 한다.

또한, 본 발명의 실시예에서는, 상기 1단계는, 상기 구조물에 가속도계센서, 변위계를 포함하는 센서모듈을 장착하여 실시간 거동을 측정하고, 구조물의 거동을 촬영하는 영상모듈의 영상데이터를 반영하여, 동적하중과 동적거동을 측정하는 단계인 LSTM기반 구조물의 동적특성 자동추출방법을 제공할 수 있다.

또한, 상기 2단계는, 상기 구조물의 동적거동 데이터로부터 구조물의 주파수 응답함수를 산출하되, 구조물의 동적하중과 동적거동의 자기스펙트럼밀도함수(auto power spectral density function; PSD)와 상관스펙트럼밀도(Cross power density function; CPSD)를 산출하고, 산출결과물을 조합해, 재차 구조물의 주파수응답함수를 산출하는 단계인, LSTM기반 구조물의 동적특성 자동추출방법을 제공할 수 있다.

나아가, 상기 3단계는, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도정보로 변환시켜 상기 장단기메모리(LSTM; long short-term memory) 네트워크로 입력하되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 LSTM레이어를 거쳐, Fully connecter layer, Softmax layer, Classification Layer를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당유무를 판별하는 단계인, LSTM기반 구조물의 동적특성 자동추출방법을 제공할 수 있다.

또한, 본 발명의 다른 실시예에서는, 상술한 LSTM기반 구조물의 동적특성 자동추출방법을 구현하는 시스템에 있어서, 대상구조물의 장착되어 구조물에 대한 실시간 거동을 측정하는 센서모듈과 구조물의 거동을 촬영하여 영상데이터를 제공하는 촬영모듈을 포함하는 측정모듈(100); 상기 측정모듈(100)에서 입력되는 상기 동적하중과 상기 동적거동 데이터로부터, 주파수응답함수(FRF; Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 산출하는 처리모듈(200); 상기 처리모듈(100)에서 산출한 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 입력값으로하여 사전학습된 정보를 바탕으로 구조물의 동적특성을 산출하는 LSTM모듈(300)을 포함하는 장단기메모리 네트워크(S);를 포함하는, LSTM기반 구조물의 동적특성 자동추출시스템을 제공할 수 있다.

아울러, 본 발명의 다른 실시예에서는, 상술한 LSTM기반 구조물의 동적특성 자동추출방법을 컴퓨터상에서 수행하는 프로그램이 기록된 기록매체를 제공할 수 있다.

본 발명의 실시예에 따르면, 구조물의 동적특성을 판별하는 방법에서, 구조물의 주파수 응답함수의 크기와 각도정보를 반영한 딥러닝에 기반한 사전학습된 장단기메모리(LSTM; long short-term memory) 네트워크를 적용하여 구조물의 동적특성을 자동으로 예측할 수 있도록 하여, 높은 정확도로 구조물의 동적특성을 예측할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 LSTM기반 구조물의 동적특성 자동추출방법(이하, '본 발명'이라 한다.)을 도시한 순서도이다.
도 2는 도 1의 방법을 구현하는 LSTM기반 구조물의 동적특성 자동추출 시스템(이하, '본 시스템'이라 한다.)의 요부 구성을 도시한 블록도이다.
도 3 내지 도 11은 상술한 본 발명의 실시예에 따른 LSTM기반 구조물의 동적특성 자동추출방법을 구현 및 검증하는 개념도를 도시한 것이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도 1은 본 발명의 실시예에 따른 LSTM기반 구조물의 동적특성 자동추출방법(이하, '본 발명'이라 한다.)을 도시한 순서도이다. 도 2는 도 1의 방법을 구현하는 LSTM기반 구조물의 동적특성 자동추출 시스템(이하, '본 시스템'이라 한다.)의 요부 구성을 도시한 블록도이다.

도 1 및 도 2를 참조하면, 본 발명은, 다수의 센서를 포함하는 측정모듈에서 구조물에 가해진 동적하중에 의해 발생하는 동적거동을 측정하는 1단계와, 상기 측정모듈에서 측정한 상기 동적하중과 상기 동적거동 데이터로부터 주파수응답함수(FRF;Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 처리모듈에서 산출하는 2단계, 상기 2단계에서 산출한 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 사전 학습된 장단기메모리(LSTM;Long short-term memory) 네트워크에 입력하여, 구조물의 동적특성을 장단기메모리 네트워크에서 산출하는 3단계를 포함하여 구성될 수 있다.

상술한 각 단계를 수행하는 시스템은 도 2에 도시된 것과 같이, 대상구조물의 장착되어 구조물에 대한 실시간 거동을 측정하는 센서모듈과 구조물의 거동을 촬영하여 영상데이터를 제공하는 촬영모듈을 포함하는 측정모듈(100)과, 상기 측정모듈(100)에서 입력되는 상기 동적하중과 상기 동적거동 데이터로부터, 주파수응답함수(FRF;Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 산출하는 처리모듈(200), 상기 처리모듈(100)에서 산출한 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 입력값으로 하여 사전학습된 정보를 바탕으로 구조물의 동적특성을 산출하는 LSTM모듈(300)을 포함하는 장단기메모리 네트워크(S)를 포함하여 구성될 수 있다.

이상의 시스템 구성을 통해, 본 발명의 수행 단계를 구체적으로 설명하면 다음과 같다.

상기 1단계는, 다수의 센서를 포함하는 측정모듈(100)에서 구조물에 가해진 동적하중에 의해 발생하는 동적거동을 측정하는 과정이 수행되는 단계이다. 상기 측정모듈(100)은 구조물에 배치되는 다양한 센서 군을 포함하며, 이를테면 가속도계 센서, 변위계 센서 등을 구조물에 부착하고, 촬영모듈(120)을 통해 구조물의 동적거동에 대한 영상을 촬영하여 구조물의 동적하중과 동적거동을 측정하는 과정이 수행될 수 있다. 다수의 센서 군에는, 온도계, 풍향풍속계, 변형율 계, GNSS, 장력계, PTZ 등 다양한 종류의 센서들이 부착되며 이들 센서들의 데이터를 분석하여 정보를 도출하게 되며, 이들 센서들은 IoT 기반으로 연결될 수 있으며, 이 경우 센서 네트워크를 형성할 수 있다. 일 예로, 가속도계 센서는 교량의 진동 특성을 측정하여 구조물의 건전성을 평가하기 위하여 사용된다. 가속도계 센서는 분해능에 따라 매초당 수회에서 수백회에 걸쳐서 측정된 데이터 값을 출력하게 되며 이들 데이터 값의 변동을 분석하면 구조물의 고유진동수의 변화를 감시할 수 있다.

해당 센싱 데이터나 촬영 데이터는 통신부(120)를 통해 본 시스템의 처리모듈(200)으로 전송되도록 구현할 수 있다.

다음으로 상기 2단계는, 상기 측정모듈(100)에서 측정한 상기 동적하중과 상기 동적거동 데이터로부터 주파수응답함수(FRF;Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭)정보와 각도(Phase;위상) 정보를 처리모듈에서 산출하는 과정을 수행할 수 있도록 한다. 구체적으로는, 기 구조물의 동적거동 데이터로부터 구조물의 주파수 응답함수를 산출하되, 구조물의 동적하중과 동적거동의 자기스펙트럼밀도함수(auto power spectral density function; PSD)와 상관스펙트럼밀도(Cross power density function;CPSD)를 산출하고, 산출결과물을 조합해, 재차 구조물의 주파수응답함수를 산출하는 과정으로 구현될 수 있도록 한다.

이후, 상기 3단계는, 상기 2단계에서 산출한 복소수의 크기(Amplitude; 진폭)정보와 각도(Phase;위상) 정보를 사전학습된 장단기메모리(LSTM;Long short-term memory) 네트워크(S)에 입력하여, 구조물의 동적특성을 장단기메모리 네트워크에서 산출할 수 있도록 한다. 이 경우, 장단기메모리(LSTM;Long short-term memory) 네트워크(S)는 LSTM 모듈을 구비하여, 사전에 학습된 정보를 바탕으로 구조물의 피크여부를 파악할 수 있도록 한다.

이 경우, LSTM 모듈은, LSTM 셀 어레이를 다층으로 쌓은 형태로 하여 다층 구조의 레이어(Layer)를 포함될 수 있다. 본 발명의 실시예에서는 4층 형태의 다층 레이어 구조를 보여주고 있으나 이에 한정되는 것은 아니며, 필요에 따라 상기 인공지능 모델은 3층 이상의 레이어를 포함할 수 있다. 한편 시계열 센서 데이터의 분석과 예측을 위하여 인접한 레이어에서 LSTM 셀 어레이들 간의 결합은 1 단위시간만큼 시프트되어 결합될 수 있다.

일 예로, 본 발명에서는 상기 3단계를 수행하는 과정에서, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도정보로 변환시켜 상기 장단기메모리(LSTM;Long short-term memory) 네트워크로 입력하되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 LSTM레이어를 거쳐, Fully connecter layer, Softmax layer, Classification Layer를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당유무를 판별할 수 있도록 한다.

도시되지는 않았으나, LSTM 모듈은 트레이닝 모듈을 구비할 수 있도록 하며, 사전에 다수의 정보를 바탕으로 딥러닝에 따른 동적거동 특성 파악의 훈련 데이터셋을 바탕으로 지속적인 트레이닝을 구현할 수 있도록 한다.

도 3은 본 발명의 구동과정을 설명한 모식도이다.

즉, 처리모듈(200)에서 동적거동(Dynamic Reponse) 데이터를 확보하여 FRF산출부에서, 상기 구조물의 동적거동 데이터로부터 구조물의 주파수 응답함수를 산출하되, 구조물의 동적하중과 동적거동의 자기스펙트럼밀도함수(auto power spectral density function; PSD)와 상관스펙트럼밀도(Cross power density function;CPSD)를 산출하고, 입력변수 추출부에서 산출결과물을 조합해, 재차 구조물의 주파수응답함수를 산출하게 된다.결과물은, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도정보의 데이터를 구현하게 된다.

이후, 장단기메모리(LSTM;Long short-term memory) 네트워크(300)에서, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도정보로 변환된 데이터를 입력받되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 LSTM레이어를 거쳐, Fully connecter layer, Softmax layer, Classification Layer를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당유무를 판별하게 된다. 이 경우, 구조물의 고유주파수(Natural frequency) 및 모드형상(mode shape)을 얻을 수 있다.

도 4는 도 3에서 (a) 상술한 구조물의 동적 거동에 대한 데이터를 확보하는 과정을 모식적으로 도시한 것이고, (b)는 FPF 산출부에서 구조물의 주파수응답함수를 산출하게 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도정보의 데이터를 구현하게 하는 데 적용되는 수식을 도시한 것이다.

도 5는 도 3의 장단기메모리(LSTM;Long short-term memory) 네트워크의 다층 구조의 처리 과정을 도시한 것으로, 주파수 응답함수를 복소수의 크기 정보와 각도정보로 변환된 데이터를 입력받되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 입력층(300)에서 입력하고, LSTM레이어(310)를 거쳐, Fully connecter layer(320), Softmax layer(330), Classification Layer(340)를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당유무를 판별하는 과정을 도시한 흐름도이다.

이러한 장단기메모리(LSTM;Long short-term memory) 네트워크의 다층 구조의 처리 과정을 수행하기 위해, LSTM을 이용한 학습데이터를 구축하기 위한 다음과 같은 훈련데이터를 구성하여 사전 학습을 시행하였다.

{실시예: Deep Learning using LSTM (학습 데이터 구성)}

- 구조물의 강성, 질량값을 임의의 값으로 지정하고, 3000개의 1~5 DOF System을 구성함.

- 지표면에 가해지는 인풋(input data)으로는 제한 대역 백색 잡음(Band Limit White Noise)을 사용함.

- 3000 개의 1~5 DOF System 과 Input Data를 이용해 FRF Data를 구함 (NFFT: 2048)

- 3000 개의 FRF Data에 Noise를 0%~700% 부여, Noise 강도별로 3000 개씩 FRF Data를 추가함

- 3000 개의 데이터 중 2500 개를 학습 데이터, 500 개를 테스트 데이터로 구성함

- 총 27500 개의 학습데이터로 학습을 진행함

도 6은 본 발명에서 적용하는 장단기메모리(LSTM;Long short-term memory) 네트워크를 적용하는 필요성을 도시한 것으로, (a) 딥러닝 모델로 RNN 모듈을 적용하는 경우에는, 단일의 tanh 레이어를 가지는바, 장기 의존성(Long-term dependency)문제를 초래 하게 되며, (b)이를 해결하는 대안으로, 본 발명에서는, LSTM Cell, Forget Gate, Input Gate, Output Gate 의 4 개의 구조로 이루어져 있는 모듈을 적용하여 장기 의존성 문제를 해결하였다.

도 7은, 도 5에서 장단기메모리(LSTM;Long short-term memory) 네트워크에서의 모달분석(Modal Analysis)의 결과를 도시한 것이다. (a)는 FRF 진폭 데이터를 산출한 것이고, (b)는 FRF 위상(phase) 데이터를 산출한 것을 도시한 것이며, (c)는 LSTM 모듈을 거쳐서, LSTM Network를 통해 예측된 모드형상을 순차로 도시한 것이다. 나아가, Peak점에 대한 정보를 통해 Peak Picking Method를 진행하여 고유진동수의 산정을 확인할 수 있다.

도 8은 본 발명의 LSTM 모델의 성능을 검증하기 위한 Validation Test를 수행하는 것을 모식도로 도시한 것이다.

{실시예: Validation Test 데이터의 구성}

- 노이즈 강도에 따라 4 단계로 나누어 제안된 방법과 Manual Peak Picking 을 진행함 (1 단계: 0%, 2 단계: 120%, 3 단계: 400%, 4 단계: 700%)

- 제안된 방법을 통해 노이즈 강도별로 500 개의 테스트 데이터의 Peak를 예측함

- Manual Peak Picking을 수십명의 연구원을 대상으로 진행함

- 노이즈 강도별로 10 개씩 Manual Peak Picking 을 진행, 1~5 DOF 에 대해 한 사람당 총 200 개씩 Manual Peak Picking 진행함

이를 통해, 제안된 본 발명의 방법과 Manual Peak Picking 방법을 통해 나온 결과를 Reference 값과 비교하여 제안된 방법의 성능 평가하였다.

도 9는 위 제안된 방법에 따라 도출된 System Validation의 결과로, 피크(Peak)와 모드형상예측결과를 도시한 것이다. (a), (b), (c)는 각각, 노이즈 0%, 120%, 400%에서 각각의 피크(Peak)와 모드형상 예측결과이다.

도 10은, Manual Peak Picking 진행 영상에 대한 이미지를 도시한 것이며, 도 11은 시스템의 검증을 위한 비교 결과를 도시한 것이다. (제안발명 Proposed Method vs. Manual Peak Picking)

제안발명(Proposed Method)과 Manual Peak Picking의 결과를 비교할 때, 본 발명에서 구현한 방법으로, Peak Picking 방법을 자동화할 수 있음을 확인할 수 있으며, 노이즈의 강도가 강할 수록 Manual Peak Picking 보다 제안한 방법이 높은 MAC Value를 보이는 것을 확인할 수 있다. 따라서, 강한 노이즈의 경우에도, 본 발명에서 제안한 방법을 적용하는 경우에도, 예측의 신뢰성을 보장할 수 있음을 확인할 수 있다.

또한, 본 발명에 따른, 상술한 LSTM기반 구조물의 동적특성 자동추출방법에 적용되는 기능 구성 및 수행동작은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.

본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명은 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, 파이썬(Python), C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “~모듈”, “~부”, "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

이상에서와 같이 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 바람직한 실시예는 그 설명을 위한 것이며, 그 제한을 위한 것이 아니다. 이처럼 이 기술 분야의 통상의 전문가라면 본 발명의 기술 사상의 범위 내에서 본 발명의 실시예의 결합을 통해 다양한 실시예들이 가능함을 이해할 수 있을 것이다.

100: 측정모듈
110: 센서모듈
120: 촬영모듈
130: 통신모듈
200: 처리모듈
210: FRF 산출부
220: 입력변수 추출부
230: 데이터처리부
300(S):LSTM 네트워크

Claims (6)

1. 다수의 센서를 포함하는 측정모듈(100)에서 구조물에 가해진 동적하중에 의해 발생하는 동적거동을 측정하는 1단계;
   상기 측정모듈에서 측정한 상기 동적하중과 상기 동적거동 데이터로부터 주파수응답함수(FRF;Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭) 정보와 각도(Phase;위상) 정보를 처리모듈(200)에서 산출하는 2단계;
   상기 2단계에서 산출한 복소수의 크기(Amplitude;진폭) 정보와 각도(Phase;위상) 정보를 사전학습된 장단기메모리(LSTM;Long short-term memory) 네트워크에 입력하여, 구조물의 동적특성을 장단기메모리 네트워크(S)에서 산출하는 3단계;를 포함하고,
   상기 1단계는, 상기 구조물에 가속도계 센서, 변위계를 포함하는 센서모듈(110)을 장착하여 실시간 거동을 측정하고, 구조물의 거동을 촬영하는 촬영모듈(120)의 영상데이터를 반영하여, 동적하중과 동적거동을 측정하는 단계이고,
   상기 센서모듈(110)은, 온도계, 풍향풍속계, 변형율 계, GNSS, 장력계, PTZ을 포함하여 IoT 기반으로 연결되는 센서 네트워크를 형성하고, 상기 장단기메모리(LSTM;Long short-term memory) 네트워크는, LSTM Cell, Forget Gate, Input Gate, Output Gate을 포함하며,
   상기 3단계는, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도 정보로 변환시켜 상기 장단기메모리(LSTM;Long short-term memory) 네트워크로 입력하되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 LSTM 레이어, Fully connected 레이어, Softmax 레이어 및 Classification 레이어를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당하는지 유무를 판별하는 단계인 것을 특징으로 하는,
   LSTM기반 구조물의 동적특성 자동추출방법.
   
2. 삭제
3. 청구항 1에 있어서,
   상기 2단계는,
   상기 처리모듈(200)의 FRF산출부(210)에서, 상기 구조물의 동적거동 데이터로부터 구조물의 주파수 응답함수를 산출하되,
   구조물의 동적하중과 동적거동의 자기스펙트럼밀도함수(auto power spectral density funtion; PSD)와 상관스펙트럼밀도(Cross power density funtion;CPSD)를 산출하고,
   입력변수추출부(220)에서 산출결과물을 조합하여, 재차 구조물의 주파수응답함수를 산출하는 단계인,
   LSTM기반 구조물의 동적특성 자동추출방법.
   
4. 삭제
5. 청구항 1에 따른 LSTM기반 구조물의 동적특성 자동추출방법을 구현하는 시스템에 있어서,
   대상구조물의 장착되어 구조물에 대한 실시간 거동을 측정하는 센서모듈과 구조물의 거동을 촬영하여 영상데이터를 제공하는 촬영모듈을 포함하는 측정모듈(100);
   상기 측정모듈(100)에서 입력되는 상기 동적하중과 상기 동적거동 데이터로부터, 주파수응답함수(FRF;Frequency Response Function)를 도출하고, 주파수응답함수 복소수의 크기(Amplitude;진폭) 정보와 각도(Phase;위상) 정보를 산출하는 처리모듈(200);
   상기 처리모듈(200)에서 산출한 복소수의 크기(Amplitude;진폭) 정보와 각도(Phase;위상) 정보를 입력값으로하여 사전학습된 정보를 바탕으로 구조물의 동적특성을 산출하는 LSTM모듈(300)을 포함하는 장단기메모리 네트워크(S);를 포함하고,
   상기 측정모듈(200)은, 상기 구조물에 가속도계 센서, 변위계를 포함하는 센서모듈(110)을 장착하여 실시간 거동을 측정하고, 구조물의 거동을 촬영하는 상기 촬영모듈의 영상데이터를 반영하여, 동적하중과 동적거동을 측정하며,
   상기 센서모듈(110)은, 온도계, 풍향풍속계, 변형율 계, GNSS, 장력계, PTZ을 포함하여 IoT 기반으로 연결되는 센서 네트워크를 형성하고, 상기 장단기메모리 네트워크(S)는, LSTM Cell, Forget Gate, Input Gate, Output Gate을 포함하며,
   상기 LSTM모듈(300)은, 구조물의 주파수 응답함수를 복소수의 크기 정보와 각도 정보로 변환시켜 상기 장단기메모리(LSTM;Long short-term memory) 네트워크로 입력하되, 가진주파수에 따른 크기와 각도에 대한 시퀀스 데이터를 LSTM 레이어, Fully connected 레이어, Softmax 레이어 및 Classification 레이어를 거쳐, 해당되는 주파수 응답함수의 데이터가 피크(Peak)에 해당하는지 유무를 판별하는 것을 특징으로 하는,
   LSTM기반 구조물의 동적특성 자동추출시스템.
   
6. 청구항 1에 따른 LSTM기반 구조물의 동적특성 자동추출방법을 컴퓨터상에서 수행하는 프로그램이 기록된 기록매체.

Images