KR102652367B1 - 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 - Google Patents
변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 Download PDFInfo
- Publication number
- KR102652367B1 KR102652367B1 KR1020210177264A KR20210177264A KR102652367B1 KR 102652367 B1 KR102652367 B1 KR 102652367B1 KR 1020210177264 A KR1020210177264 A KR 1020210177264A KR 20210177264 A KR20210177264 A KR 20210177264A KR 102652367 B1 KR102652367 B1 KR 102652367B1
- Authority
- KR
- South Korea
- Prior art keywords
- strain
- equation
- characteristic data
- deflection
- regression algorithm
- Prior art date
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000007935 neutral effect Effects 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims description 12
- 238000007665 sagging Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 239000004567 concrete Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000005253 cladding Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000011513 prestressed concrete Substances 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
-
- 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
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 구조물의 거동과 관련된 정보를 검출하는 변형률 센서와, 인공지능 회귀알고리즘을 이용하여 다양한 구조물의 처짐을 정확하게 예측할 수 있는 구조물 처짐 예측 방법에 관한 것이다.
본 발명에 따른 구조물 처짐 예측 방법은, 구조물의 거동과 관련된 정보를 검출하는 변형률 센서, 및 회귀알고리즘을 이용하여 상기 구조물의 처짐을 예측하는 방법으로서, 상기 회귀알고리즘에 복수의 특성데이터를 입력하는 단계; 및 상기 회귀알고리즘이 상기 구조물의 처짐에 대한 예측값을 출력하는 단계를 포함한다.
그리고 상기 복수의 특성데이터는, 다음의 수학식 1로 정의되는 제1 특성데이터; 및 수학식 2로 정의되는 제2 특성데이터;를 포함한다.
수학식 1
제1 특성데이터 = T1*L12/y1
수학식 2
제2 특성데이터 = C1*L12/y1
(수학식 1,2에서, T1: 상기 변형률 센서에 의해 측정된 제1 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리, C1: 상기 변형률 센서에 의해 측정된 제1 압축변형률)
본 발명에 따른 구조물 처짐 예측 방법은, 구조물의 거동과 관련된 정보를 검출하는 변형률 센서, 및 회귀알고리즘을 이용하여 상기 구조물의 처짐을 예측하는 방법으로서, 상기 회귀알고리즘에 복수의 특성데이터를 입력하는 단계; 및 상기 회귀알고리즘이 상기 구조물의 처짐에 대한 예측값을 출력하는 단계를 포함한다.
그리고 상기 복수의 특성데이터는, 다음의 수학식 1로 정의되는 제1 특성데이터; 및 수학식 2로 정의되는 제2 특성데이터;를 포함한다.
수학식 1
제1 특성데이터 = T1*L12/y1
수학식 2
제2 특성데이터 = C1*L12/y1
(수학식 1,2에서, T1: 상기 변형률 센서에 의해 측정된 제1 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리, C1: 상기 변형률 센서에 의해 측정된 제1 압축변형률)
Description
본 발명은 구조물의 상태를 모니터링하고 처짐을 탐지하는 방법에 관한 것으로서, 보다 상세하게는 구조물의 거동과 관련된 정보를 검출하는 변형률 센서와, 인공지능 회귀알고리즘을 이용하여 다양한 구조물의 처짐을 정확하게 예측할 수 있는 구조물 처짐 예측 방법에 관한 것이다.
건설 구조물 상태 평가에 있어서, 외력에 의한 구조물의 변위 내지 변형은 가장 중요한 측정 항목 중 하나에 해당한다. 건설 구조물 중 특히 교량의 경우 그 처짐 변형에 대한 감시 및 측정이 중요한데, 종래 교량 처짐 측정 장치는 접촉식 변위계를 이용하여 교량의 처짐을 측정하는 것이 일반적이었다.
이러한 교량상판의 처짐을 측정하기 위하여 접촉식 변위계 등을 이용하여 수직 처짐을 측정하는 것이 가장 일반적이 방식이었다.
종래 교량 처짐 측정을 위한 접촉식 변위계는 조립식 작업대를 지상에 설치하고, 그 조립식 작업대 상단에 변위계를 설치하여, 해당 변위계가 교량 상부 구조물(예컨대, 거더 등)에 접촉된 상태에서 교량의 처짐 발생시 변위계에 가해지는 외력을 통해 해당 교량의 처짐을 측정하도록 구성된다.
그런데, 이러한 종래 접촉식 변위계는 교하 공간이 일반도로, 하천 또는 바다인 경우에는 고정점 설치가 불가능하기 때문에, 접촉식 변위계를 이용하여 교량의 처짐을 측정하는 것이 불가능한 단점이 있었다.
또한, 상기의 방식에 의할 경우 교량 하부가 강이나 바다이거나 교통량이 많은 등의 현장여건으로 인하여 접근이 어려울 경우에는 해당 교량에 변위계를 설치하는데 많은 어려움이 있었고, 이러한 현장여건에서 주기적으로 처짐 측정장치를 설치하고 제거하는데 많은 시간과 노력이 소요되어 비효율적이었다.
이러한 단점을 극복하기 위하여, 카메라와 이미지 프로세싱 기법을 적용한 교량의 처짐 측정 기술이 개발되어 유럽에서 상용화되어 있고 최근 국내에도 도입되고 있다.
그러나, 이와 같이 이미지 프로세싱 기법을 적용한 교량의 처짐 측정 기술은 원거리 측정을 위하여 고가의 망원렌즈 등이 요구되며, 원거리에서 망원렌즈를 사용하기 때문에 바람 등에 의해 기준점이 미세하게 떨리는 경우 오차가 발생하는 단점이 있었다. 또한, 교량의 안전진단은 주로 차량 통행이 적은 야간에 이루어지는 바, 시야 확보를 위하여 별도의 조명을 설치하여야 하는 번거로움이 있었다.
또 다른 방식으로 콘크리트 교량 표면에 변형률계를 직접 부착하고, 변형률을 측정하여 교량의 처짐을 추정하는 연구가 다수 수행되었다.
그러나, 콘크리트 구조물 표면에 균열이 발생되면, 이 표면에 부착된 변형률계의 응답은 급격한 증가 또는 감소 현상이 발생되어 비선형적인 거동특성을 나타내기 때문에 처짐 추정에 있어 오차가 커지는 단점이 있었다.
최근 들어 드론, 로봇 등 무인 점검체를 이용하여 산업기간 시설물 관리하려는 시도가 늘어나는 추세이나, 상기 경우 카메라가 설치된 동체의 좌표가 지속적으로 변동되기 때문에, 이들 단독으로는 비전 기술을 이용한 교량 변위 측정이 어려운 한계가 있다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 구조물의 처짐을 계측하기 위한 장치를 변형률 센서를 기반으로 구축함으로써, 구조물 설치 공간이 하천이나 바다와 같은 특수한 경우라도 특별한 제약 없이 설치 및 변형 감시가 가능하고, 특히 변형률 센서를 이용하더라도 처짐추정의 신뢰성을 보장할 수 있고, 이에 따른 처짐의 정도를 정량적으로 예측할 수 있는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법을 제공하는 것이다.
상기 목적을 달성하기 위한 본 발명에 따른 구조물 처짐 예측 방법은, 구조물의 거동과 관련된 정보를 검출하는 변형률 센서, 및 인공지능 회귀알고리즘을 이용하여 상기 구조물의 처짐을 예측하는 방법으로서, 상기 회귀알고리즘에 복수의 특성데이터를 입력하는 단계; 및 상기 회귀알고리즘이 상기 구조물의 처짐에 대한 예측값을 출력하는 단계를 포함한다.
그리고 상기 복수의 특성데이터는, 다음의 수학식 1로 정의되는 제1 특성데이터; 및 수학식 2로 정의되는 제2 특성데이터;를 포함한다.
수학식 1
제1 특성데이터 = T1*L12/y1
(수학식 1에서, T1: 상기 변형률 센서에 의해 측정된 제1 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 2
제2 특성데이터 = C1*L12/y1
(수학식 2에서, C1: 상기 변형률 센서에 의해 측정된 제1 압축변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
본 발명에 따른 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법에 의하면, 회귀알고리즘에 주입되는 특성데이터로 구조물의 인장/압축 변형률 뿐만 아니라, 'L1(장축길이)'과 'y1(수직거리)'을 특성으로 고려해 줌으로써 다양한 교량마다 거더의 길이와 폭이 각각 다른 경우에도 범용적으로 처짐 추정이 가능한 효과가 있다.
본 발명에 따른 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법에 의하면, 구조물의 처짐 발생시 이와 관련하여 검출되는 인장/압축 변형률 정보를 가공하여 소정의 특성데이터를 생성하고, 이러한 특성데이터를 회귀알고리즘의 입력값으로 사용하여 해당 구조물의 처짐변위를 예측함으로써 100%에 가까운 예측 정확도를 구현할 수 있는 효과가 있다.
본 발명에 따른 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법에 의하면, 학습시 탄성구간 뿐만 아니라 비탄성 구간에서의 데이터를 이용하여 함께 학습함으로써, 탄성구간 뿐만 아니라 비탄성 구간에서도 처짐 추정이 가능하고, 온도변화 등 환경관련 변수가 개입되더라도 해당 구조물의 처짐을 정확히 예측할 수 있는 효과가 있다.
도 1은 본 발명에 따른 구조물의 일 실시예로 거더를 도시한 사시도.
도 2는 본 발명의 실시예 1에 따른 시험결과를 나타낸 도면.
도 3은 본 발명의 실시예 2에 따른 시험결과를 나타낸 도면.
도 2는 본 발명의 실시예 1에 따른 시험결과를 나타낸 도면.
도 3은 본 발명의 실시예 2에 따른 시험결과를 나타낸 도면.
본 명세서에서 사용하는 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 명세서에서, "포함하다" 또는 "갖다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서, "~ 상에 또는 ~ 상부에" 라 함은 대상 부분의 위 또는 아래에 위치함을 의미하는 것인데, 이는 반드시 중력 방향을 기준으로 상측에 위치하는 것을 의미하는 것은 아니다. 즉, 본 명세서에서 지칭하는 "~ 상에 또는 ~ 상부에"라 함은 대상 부분의 위 또는 아래에 위치하는 경우뿐만 아니라 대상 부분의 앞 또는 뒤에 위치하는 경우도 포함한다.
또한, 영역, 판 등의 부분이 다른 부분 "상에 또는 상부에" 있다고 할 때, 이는 다른 부분 "바로 상에 또는 상부에" 접촉하여 있거나 간격을 두고 있는 경우뿐만 아니라 그 중간에 또 다른 부분이 있는 경우도 포함한다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하에서는, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예, 장점 및 특징에 대하여 상세히 설명하도록 한다.
도 1은 본 발명에 따른 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법의 처리 과정을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 구조물 처짐 예측 방법은 변형률 센서를 통해 구조물의 거동과 관련된 정보를 검출하되, 특히 구조물의 처짐 발생시 이와 관련하여 검출되는 인장/압축 변형률을 포함하는 거동 정보를 가공하여 소정의 특성데이터를 생성하고, 이러한 특성데이터를 회귀알고리즘의 입력값으로 사용하여 구조물의 처짐 변위를 예측하도록 구성된다.
본 발명에서 지칭하는 '구조물'은 대표적인 예를 들면 교량 구조물일 수 있으며, 상기 경우 교량 구조물은 거더를 포함하고, 본 발명의 구조물 처짐 예측 방법은 이러한 거더의 처짐을 예측할 수 있다.
참고로, 거더는 교량 하부 구조물 위에 설치되는 구조재로서, 그 상부에는 바닥판 내지 슬래브가 설치되어 이의 하중을 지지할 수 있도록 구성된다. 여기서, 교량 하부 구조물은 예컨대 교대와 교각 등일 수 있다.
이러한 거더는 상호 대향하는 구조로 형성되는 적어도 한 쌍의 거더로 배치될 수 있다. 상기 경우, 바닥판은 한 쌍의 거더 위에 설치되어 교량 상부 구조물을 형성하게 된다.
이러한 거더는 PCS(prestressed concrete) 거더 또는 RC(Reinforced concrete) 거더일 수 있고, H형 거더, I형 거더 또는 T형 거더 또는 박스(box)형 거더와 같이 적어도 그 상부에 수평하게 형성되는 플레이트를 포함한다. 예컨대, 거더는 하부 플랜지, 하부 플랜지의 중심부에 수직하게 세워지는 웨브(web), 및 웨브의 상단에 일체로 형성되는 상부 플랜지로 이루어질 수 있다.
바닥판은 거더 위에 합성되는 판형재로서 콘크리트 바닥판일 수 있으며, 이러한 콘크리트 바닥판은 크게 현장 타설 방식의 바닥판과 프리캐스트 방식의 바닥판으로 구분될 수 있다.
본 발명에서 지칭하는 '구조물의 거동'은 구조물의 처짐 거동을 포함하고, 특히 이러한 처짐 거동에 따른 인장 또는 압축 변형을 포함한다. 예컨대, 구조물이 교량의 거더일 경우, 구조물의 거동은 거더에 가해지는 하중에 의한 처짐과 같은 수직방향 변위일 수 있다.
본 발명의 변형률 센서는 구조물의 거동과 관련된 정보를 측정하기 위한 장치로서, 특히 구조물의 처짐에 의해 인장변형 및 압축변형이 발생할 시 이에 따른 인장 변형률과 압축 변형률을 측정할 수 있는 센서를 포함한다.
일 실시예에 따르면, 변형률 센서는 광섬유 센서일 수 있다. 상기 경우 광섬유 센서는 광섬유 브래그 격자 센서(FBG: Fiber Bragg Gratings)를 포함할 수 있다.
광섬유는 유리코어 및 이를 둘러싸는 유리 클래딩(Cladding)으로 이루어지고, 유리 클래딩을 감싸며 마감하는 피복 레이어를 더 포함할 수 있다.
광섬유 브래그 격자 센서(FBG)는 구조물의 인장 또는 압축 변형 발생시, 이에 따라 가해지는 인장력 또는 압축력에 의해 격자 간격의 변화가 유발될 수 있도록 구성된다. FBG 센서(15)는 브래그 격자 간격의 변화 유발에 따라 반사되는 광의 파장이 달라지는 성질을 이용하여 반사광의 파장 변화량을 분석함으로써 해당 구조물에 유발되는 인장/압축 변형률을 측정할 수 있다.
또 다른 실시예에 따르면, 변형률 센서는 전기식 변형률 센서일 수 있다. 상기 경우 전기식 변형률 센서는 스트레인 게이지(Strain gauge)를 포함할 수 있다.
전기식 변형률 센서는 구조물이 인장 또는 압축 변형을 일으킬 때, 그 변형의 정도에 비례하여 이에 부착된 스트레인 게이지의 전기적 저항이 변하게 되고, 이로부터 구조물에 유발되는 인장/압축 변형률을 측정할 수 있다.
이러한 변형률 센서는, 구조물의 하부영역(예컨대, 교량 거더의 하부)에 설치되어 해당 구조물의 처짐에 따른 제1 인장변형률(T1)을 측정하는 제1a 변형률센서와, 구조물의 상부영역(예컨대, 교량 거더의 상부)에 설치되어 구조물의 처짐에 따른 제1 압축변형률(C1)을 측정하는 제1b 변형률센서를 포함할 수 있다.
바람직한 실시예에 따르면, 변형률 센서는, 구조물의 하부영역(예컨대, 교량 거더의 하부)에 설치되어 해당 구조물의 처짐에 따른 제2 인장변형률(T1)을 측정하는 제2a 변형률센서와, 구조물의 상부영역(예컨대, 교량 거더의 상부)에 설치되어 구조물의 처짐에 따른 제2 압축변형률(C1)을 측정하는 제2b 변형률센서를 더 포함할 수 있다.
본 발명의 인공지능 회귀알고리즘은 머신러닝 및 딥러닝의 회귀알고리즘일 수 있다. 그리고, 머신러닝/딥러닝 회귀알고리즘은 Linear regression, random forest 회귀알고리즘, adaboost 회귀알고리즘, 및 인공신경망 회귀알고리즘 등 머신러닝 및 딥러닝의 회귀알고리즘 중에서 선택된 어느 하나를 사용할 수 있다.
본 발명의 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법은, 회귀알고리즘에 복수의 특성데이터를 입력하는 단계와, 회귀알고리즘이 해당 구조물의 처짐에 대한 예측값을 출력하는 단계를 포함한다.
회귀알고리즘이 출력하는 예측값은 해당 구조물의 처짐량을 포함하고, 상기 '구조의 처짐량'은 구조물이 하중을 받았을 때 구조물의 변형에 따른 원위치로부터의 이동량, 즉 변위를 포함한다.
회귀알고리즘이 해당 구조물의 처짐 예측값을 출력하기 위해서는, 회귀알고리즘에 다수의 데이터를 입력해야하는데, 이때 입력되는 데이터를 특성데이터라 칭하기로 한다.
본 발명의 특성데이터는 다음의 수학식 1로 정의되는 제1 특성데이터와, 수학식 2로 정의되는 제2 특성데이터를 포함한다.
수학식 1
제1 특성데이터 = T1*L12/y1
(수학식 1에서, T1: 변형률 센서에 의해 측정된 제1 인장변형률, L1: 해당 구조물의 장축길이, y1: 해당 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 1에서 '변형률 센서에 의해 측정된 제1 인장변형률(T1)'이란, 구조물의 처짐 발생시 이에 따라 구조물의 인장변형이 유발되는데, 이때 변형률 센서에 의해 측정되는 인장 변형률을 의미한다.
예컨대, 구조물이 교량의 거더일 경우, 구조물의 처짐 발생시 거더의 상부영역(오목측)에서는 압축변형이 유발되고, 거더의 하부영역(볼록측)에서는 인장변형이 유발되며, 이때 상기 인장변형에 따른 변형률이 수학식 1의 '변형률 센서에 의해 측정된 제1 인장변형률(T1)'에 해당한다.
수학식 2
제2 특성데이터 = C1*L12/y1
(수학식 2에서, C1: 변형률 센서에 의해 측정된 제1 압축변형률, L1: 해당 구조물의 장축길이, y1: 해당 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 2에서 '변형률 센서에 의해 측정된 제1 압축변형률(C1)'이란, 구조물의 처짐 발생시 이에 따라 구조물의 압축변형이 유발되는데, 이때 변형률 센서에 의해 측정되는 압축 변형률을 의미한다.
예컨대, 구조물이 교량의 거더일 경우, 구조물의 처짐 발생시 거더의 상부영역(오목측)에서는 압축변형이 유발되고, 거더의 하부영역(볼록측)에서는 인장변형이 유발되며, 이때 상기 압축변형에 따른 변형률이 수학식 2의 '변형률 센서에 의해 측정된 제1 압축변형률(C1)'에 해당한다.
수학식 1,2에서 '구조물의 장축길이(L1)' 및 '구조물의 중립축에서 하측종단까지의 수직거리(y1)'에 대하여 보다 상세히 설명하면 다음과 같다.
예컨대, 본 발명의 구조물이 교량의 거더인 경우를 기준으로 설명하면, '구조물의 장축길이(L1)'는 도 1과 같이 구조물 즉 거더의 일측종단에서 타측종단까지의 길이 즉 장축방향 길이를 의미한다. 따라서, 구조물이 교량일 경우, '구조물의 장축길이(L1)'는 교량의 가로길이방향 길이일 수 있다.
그리고, '구조물의 중립축에서 하측종단까지의 수직거리(y1)'에서 '중립축'은 교량 거더에 처짐이 발생했을 때 인장 변형도 일어나지 않고 압축 변형도 일어나지 않는 지점을 의미한다.
즉, 중립축(neutral axis)은 구조물(예컨대, 교량 거더)에 휨모멘트가 작용할 때 그 단면에 생기는 수직응력이 '0'이 되는 점을 연결하는 직선이다. 거더에 휨모멘트를 가하여 휘었을 때, 거더가 휘어져서 볼록측에는 인장력이 작용하고, 오목측에는 압축력이 작용한다. 그 중간에 인장력이나 압축력이 작용하지 않는 면이 있는데, 이 신축하지 않는 면을 중립면이라 하고, 거더의 횡단면과 중립면의 교차선을 중립축이라 한다.
이러한 중립축은 거더의 종류에 따라 그 위치가 상이하며, 예컨대, 도 1과 같이 상부 플랜지(10a), 웨브(10b), 하부 플랜지(10c)로 이루어지는 H형 거더의 경우, H형 거더의 높이방향길이 즉 수직길이에 있어서 대략 그 중심이 중립축에 해당할 수 있다.
그리고, '구조물의 중립축에서 하측종단까지의 수직거리(y1)'는 예컨대 도 1와 같은 교량 거더의 경우, 전술한 중립축으로부터 하부 플랜지의 하단 밑면까지의 높이방향 거리 즉, 수직거리일 수 있다.
바람직한 실시예에 따르면, 본 발명의 특성데이터는 다음의 수학식 3으로 정의되는 제3 특성데이터와, 수학식 4로 정의되는 제4 특성데이터를 더 포함할 수 있다.
수학식 3
제3 특성데이터 = T2*L12/y1
(수학식 3에서, T2: 변형률 센서에 의해 측정된 제2 인장변형률, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 3에서 '변형률 센서에 의해 측정된 제2 인장변형률(T2)'에 대하여 설명하면 다음과 같다. 수학식 1의 제1 인장변형률(T1)이 구조물의 제1a 지점에서 발생된 인장변형에 대해 측정된 변형률일 경우, 수학식 3의 제2 인장변형률(T2)은 상기 제1a 지점과 상이한 제1b 지점에서 발생된 인장변형에 대해 측정된 변형률을 의미한다.
수학식 4
제4 특성데이터 = C2*L12/y1
(수학식 4에서, C2: 변형률 센서에 의해 측정된 제2 압축변형률, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 4에서 '변형률 센서에 의해 측정된 제2 압축변형률(C2)'에 대하여 설명하면 다음과 같다. 수학식 2의 제1 압축변형률(C1)이 구조물의 제2a 지점에서 발생된 압축변형에 대해 측정된 변형률일 경우, 수학식 4의 제2 압축변형률(C2)은 상기 제2a 지점과 상이한 제2b 지점에서 발생된 인장변형에 대해 측정된 변형률을 의미한다.
그리고, 수학식 3,4에서 구조물의 장축길이(L1) 및 구조물의 중립축에서 하측종단까지의 수직거리(y1)에 대한 정의는 수학식 1,2에서 설명한 바와 동일하다.
참고로, 수학식 1 내지 수학식 4는 단경간 거더를 대상으로 고안된 것이며, 2경간 연속, 3경간 연속 등 구조형식이 달라지면 그에 따른 변형률과 처짐의 수학식은 달라질 수 있다.
바람직한 실시예에 따르면, 본 발명의 특성데이터는 변형률 센서에 의해 측정되는 제1 인장변형률(T1)에 해당하는 제5 특성데이터와, 변형률 센서에 의해 측정되는 제1 압축변형률(C1)에 해당하는 제6 특성데이터를 더 포함할 수 있다.
보다 바람직하게는, 본 발명의 특성데이터는 변형률 센서에 의해 측정되는 제1 인장변형률(T1)를 포함하는 제5 특성데이터와, 변형률 센서에 의해 측정되는 제1 압축변형률(C1)을 포함하는 제6 특성데이터와, 변형률 센서에 의해 측정되는 제2 인장변형률(T2)을 포함하는 제7 특성데이터와, 변형률 센서에 의해 측정되는 제2 압축변형률(C2)을 포함하는 제8 특성데이터를 더 포함할 수 있다.
바람직하게는, 본 발명의 특성데이터는 다음의 수학식 5로 정의되는 제9 특성데이터와, 수학식 6으로 정의되는 제10 특성데이터와, 수학식 7로 정의되는 제11 특성데이터와, 수학식 8로 정의되는 제12 특성데이터를 더 포함할 수 있다.
수학식 5
제9 특성데이터 = DRMS*L1
(수학식 5에서, DRMS: "제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)"의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이)
수학식 6
제10 특성데이터 = DRMS*y1
(수학식 6에서, DRMS: "제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)"의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 7
제11 특성데이터 = DRMS/L1
(수학식 7에서, DRMS: "제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)"의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이)
수학식 8
제12 특성데이터 = DRMS/y1
(수학식 8에서, DRMS: "제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)"의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
보다 바람직하게는, 본 발명의 특성데이터는 수학식 9로 정의되는 제13 특성데이터와, 수학식 10으로 정의되는 제14 특성데이터와, 수학식 11로 정의되는 제15 특성데이터와, 수학식 12로 정의되는 제16 특성데이터와, 수학식 13으로 정의되는 제17 특성데이터를 더 포함할 수 있다.
수학식 9
제13 특성데이터 = DRMS*L1*y1
(수학식 9에서, DRMS: 제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 10
제14 특성데이터 = DRMS/(L1*y1)
(수학식 10에서, DRMS: 제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 11
제15 특성데이터 = DRMS/(L12*y1)
(수학식 11에서, DRMS: 제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 12
제16 특성데이터 = DRMS/(L12*y12)
(수학식 12에서, DRMS: 제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 13
제17 특성데이터 = DRMS*L12/y1
(수학식 13에서, DRMS: 제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해(Root Mean Square,RMS) 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 5 내지 수학식 13에서 구조물의 장축길이(L1) 및 구조물의 중립축에서 하측종단까지의 수직거리(y1)에 대한 정의는 수학식 1,2에서 설명한 바와 동일하다.
본 발명의 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법은, 회귀알고리즘에 복수의 학습데이터를 입력하는 단계와, 상기 학습 데이터를 이용하여 상기 인공지능 회귀알고리즘을 학습시키는 단계를 포함한다.
회귀알고리즘이 해당 구조물의 처짐 예측값을 출력하기 위해서는, 회귀알고리즘의 학습이 선행되어야 하는데, 이처럼 회귀알고리즘의 학습을 위해 사용되는 데이터를 학습데이터라 칭하기로 한다.
본 발명의 학습데이터는 다양한 교량에 대해 실질적으로 계측하여 축적된 정보들이며, 구체적으로 다양한 교량에 있어서 이들 각각에 대하여 측정 및 확보된 인장 변형률, 압축 변형률, 그리고 해당 인장 변형률과 압축 변형률을 나타낼 때의 실제 처짐량에 대한 정보들이다.
보다 구체적으로, 본 발명의 학습데이터는 다음의 수학식 1'로 정의되는 제1 학습데이터와, 수학식 2'로 정의되는 제2 학습데이터와, 제3 학습데이터를 포함한다.
수학식 1'
제1 학습데이터 = T1*L12/y1
(수학식 1'에서, T1: 구조물의 처짐 발생시 변형률 센서에 의해 측정된 제1 인장변형률, L1: 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 2'
제2 학습데이터 = C1*L12/y1
(수학식 2'에서, C1: 상기 구조물의 처짐 발생시 상기 변형률 센서에 의해 측정된 제1 압축변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
제3 학습 데이터는 구조물의 처짐 발생에 따른 인장/압축 변형률이 제1 인장변형률(T1) 및 제1 압축변형률(C1)일 때 이러한 인장/압축 변형률에 대응되는 실제 처짐량이다.
바람직한 실시예에 따르면, 본 발명의 학습데이터는 다음의 수학식 3'으로 정의되는 제3 학습데이터와, 수학식 4'로 정의되는 제4 학습데이터를 더 포함할 수 있다.
수학식 3'
제3 학습데이터 = T2*L12/y1
(수학식 3'에서, T2: 변형률 센서에 의해 측정된 제2 인장변형률, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 4'
제4 학습데이터 = C2*L12/y1
(수학식 4'에서, C2: 변형률 센서에 의해 측정된 제2 압축변형률, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 1' 내지 수학식 4'에서 제1,2 인장변형률(T1,T2), 제1,2 압축변형률 (C1,C2), 구조물의 장축길이(L1) 및 구조물의 중립축에서 하측종단까지의 수직거리(y1)에 대한 정의는 수학식 1,2에서 설명한 바와 동일하다.
바람직한 실시예에 따르면, 본 발명의 학습데이터는 변형률 센서에 의해 측정된 제1 인장변형률(T1)에 해당하는 제5 학습데이터와, 변형률 센서에 의해 측정된 제1 압축변형률(C1)에 해당하는 제6 특성데이터를 더 포함할 수 있다.
보다 바람직하게는, 본 발명의 학습데이터는 변형률 센서에 의해 측정되는 제1 인장변형률(T1)를 포함하는 제5 학습데이터와, 변형률 센서에 의해 측정되는 제1 압축변형률(C1)을 포함하는 제6 학습데이터와, 변형률 센서에 의해 측정되는 제2 인장변형률(T2)을 포함하는 제7 학습데이터와, 변형률 센서에 의해 측정되는 제2 압축변형률(C2)을 포함하는 제8 학습데이터를 더 포함할 수 있다.
더 나아가, 본 발명의 학습데이터는, 전술한 수학식 5로 정의되는 제9 특성데이터와, 수학식 6으로 정의되는 제10 특성데이터와, 수학식 7로 정의되는 제11 특성데이터와, 수학식 8로 정의되는 제12 특성데이터를 회귀알고리즘의 학습데이터로 더 사용할 수 있다.
더 나아가, 본 발명의 학습데이터는, 전술한 수학식 9로 정의되는 제13 특성데이터와, 수학식 10으로 정의되는 제14 특성데이터와, 수학식 11로 정의되는 제15 특성데이터와, 수학식 12로 정의되는 제16 특성데이터와, 수학식 13으로 정의되는 제17 특성데이터를 회귀알고리즘의 학습데이터로 더 사용할 수 있다.
전술한 바와 같은 학습데이터를 이용하여 학습이 이루어진 회귀알고리즘에 전술한 다수의 특성데이터를 주입하면, 회귀알고리즘이 해당 구조물의 처짐에 대한 예측값 즉, 처짐량을 출력하게 된다.
이하에서는, 본 발명의 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법에 따른 구조물 처짐 예측 시험예에 대하여 설명하도록 한다.
실시예 1
실시예 1은 전술한 제1 특성데이터 내지 제8 특성데이터를 회귀알고리즘의 입력값으로 사용하여 거더의 처짐 예측을 수행하였고, 그 시험결과를 도 2에 나타내었다.
참고로, 도 2,3에서 가로축은 해당 구조물에 발생된 처짐량을 실제로 계측한 값이고, 세로축은 본 발명의 특성데이터를 이용하여 해당 구조물의 처짐량을 예측한 값이다. 즉, 본 발명의 특성데이터를 회귀알고리즘에 주입하였을 때 해당 회귀알고리즘이 출력한 처짐 예측값이다.
도 2의 시험결과에 나타나듯이, 회귀알고리즘을 이용하여 구조물의 처짐을 예측함에 있어서, 본 발명의 특성데이터를 회귀알고리즘의 입력값으로 사용하면, 회귀알고리즘의 처짐 예측치가 실제 처짐량에 거의 100% 가깝게 일치하는 것을 확인할 수 있다.
실시예 2
실시예 2는 전술한 제1 특성데이터 내지 제8 특성데이터를 회귀알고리즘의 입력값으로 사용하여 거더의 처짐 예측을 수행하되, 온도 변화 등 환경 영향을 고려하여 인위적인 노이즈를 혼합하여 처짐 예측을 수행하였으며, 그 시험결과를 도 3에 나타내었다.
도 3의 시험결과에 나타나듯이, 회귀알고리즘을 이용하여 구조물의 처짐을 예측함에 있어서, 본 발명의 특성데이터를 회귀알고리즘의 입력값으로 사용하면, 온도 변화 등 환경관련 인자가 개입되더라도 회귀알고리즘의 처짐 예측치와 실제 처짐량이 거의 100% 가깝게 일치하는 것을 확인할 수 있다.
상기에서 본 발명의 바람직한 실시예가 특정 용어들을 사용하여 설명 및 도시되었지만 그러한 용어는 오로지 본 발명을 명확히 설명하기 위한 것일 뿐이며, 본 발명의 실시예 및 기술된 용어는 다음의 청구범위의 기술적 사상 및 범위로부터 이탈되지 않고서 여러가지 변경 및 변화가 가해질 수 있는 것은 자명한 일이다. 이와 같이 변형된 실시예들은 본 발명의 사상 및 범위로부터 개별적으로 이해되어져서는 안되며, 본 발명의 청구범위 안에 속한다고 해야 할 것이다.
10: 거더 10a: 거더의 상부 플랜지
10b: 거더의 웹 10c: 거더의 하부 플랜지
10b: 거더의 웹 10c: 거더의 하부 플랜지
Claims (10)
- 구조물의 거동과 관련된 정보를 검출하는 변형률 센서, 및 인공지능 회귀알고리즘을 이용하여 상기 구조물의 처짐을 예측하는 방법으로서,
상기 회귀알고리즘에 복수의 특성데이터를 입력하는 단계; 및 상기 회귀알고리즘이 상기 구조물의 처짐에 대한 예측값을 출력하는 단계를 포함하고,
상기 복수의 특성데이터는,
다음의 수학식 1로 정의되는 제1 특성데이터; 및 수학식 2로 정의되는 제2 특성데이터;를 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
수학식 1
제1 특성데이터 = T1*L12/y1
(수학식 1에서, T1: 상기 변형률 센서에 의해 측정된 제1 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 2
제2 특성데이터 = C1*L12/y1
(수학식 2에서, C1: 상기 변형률 센서에 의해 측정된 제1 압축변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
- 제1 항에 있어서,
상기 복수의 특성데이터는,
다음의 수학식 3으로 정의되는 제3 특성데이터; 및 수학식 4로 정의되는 제4 특성데이터;를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
수학식 3
제3 특성데이터 = T2*L12/y1
(수학식 3에서, T2: 상기 변형률 센서에 의해 측정된 제2 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 4
제4 특성데이터 = C2*L12/y1
(수학식 4에서, C2: 상기 변형률 센서에 의해 측정된 제2 압축변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
- 제1 항에 있어서,
상기 복수의 특성데이터는,
상기 제1 인장변형률(T1)에 해당하는 제5 특성데이터; 및 상기 제1 압축변형률(C1)에 해당하는 제6 특성데이터;를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 제2 항에 있어서,
상기 복수의 특성데이터는,
상기 제1 인장변형률(T1)을 포함하는 제5 특성데이터; 상기 제1 압축변형률(C1)을 포함하는 제6 특성데이터; 상기 제2 인장변형률(T2)을 포함하는 제7 특성데이터; 및 상기 제2 압축변형률(C2)을 포함하는 제8 특성데이터;를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 제2 항에 있어서,
상기 복수의 특성데이터는,
다음의 수학식 13으로 정의되는 제17 특성데이터;를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
수학식 13
제17 특성데이터 = DRMS*L12/y1
(수학식 13에서, DRMS: "제1 인장변형률(T1)과 제2 인장변형률(T2)을 포함하는 n개의 인장변형률(Tn), 및 제1 압축변형률(C1)과 제2 압축변형률(C2)을 포함하는 n개의 압축변형률(Cn)"의 각 값들의 제곱에 대한 평균을 낸 다음 그 값에 제곱근을 취해 산출된 값, L1: 구조물의 장축길이, y1: 구조물의 중립축에서 하측종단까지의 수직거리)
- 제2 항 또는 제4 항에 있어서,
상기 제1 인장변형률(T1)은 상기 구조물의 제1a 지점에서 발생된 인장변형에 대한 변형률이고,
상기 제2 인장변형률(T2)은 상기 제1a 지점과 상이한 제1b 지점에서 발생된 인장변형에 대한 변형률이며,
상기 제1 압축변형률(C1)은 상기 구조물의 제2a 지점에서 발생된 압축변형에 대한 변형률이고,
상기 제2 압축변형률(C2)은 상기 제2a 지점과 상이한 제2b 지점에서 발생된 압축변형에 대한 변형률인 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 제1 항에 있어서,
상기 구조물은 교량의 거더이고,
상기 변형률 센서는,
상기 거더의 하부영역에 설치되어 상기 거더의 처짐에 따른 상기 제1 인장변형률을 측정하는 제1a 변형률센서; 및
상기 거더의 상부영역에 설치되어 상기 거더의 처짐에 따른 상기 제1 압축변형률을 측정하는 제1b 변형률센서;를 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 구조물의 거동과 관련된 정보를 검출하는 변형률 센서, 및 인공지능 회귀알고리즘을 이용하여 상기 구조물의 처짐을 예측하는 방법으로서,
상기 회귀알고리즘에 복수의 학습데이터를 입력하는 단계; 및 상기 학습 데이터를 이용하여 상기 인공지능 회귀알고리즘을 학습시키는 단계;를 포함하고,
상기 복수의 학습데이터는,
다음의 수학식 1'로 정의되는 제1 학습데이터; 수학식 2'로 정의되는 제2 학습데이터; 및 제3 학습데이터를 포함하고,
수학식 1'
제1 학습데이터 = T1*L12/y1
(수학식 1'에서, T1: 상기 구조물의 처짐 발생시 변형률 센서에 의해 측정된 제1 인장변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
수학식 2'
제2 학습데이터 = C1*L12/y1
(수학식 2'에서, C1: 상기 구조물의 처짐 발생시 상기 변형률 센서에 의해 측정된 제1 압축변형률, L1: 상기 구조물의 장축길이, y1: 상기 구조물의 중립축에서 하측종단까지의 수직거리)
상기 제3 학습 데이터는,
상기 제1 인장변형률(T1) 및 상기 제1 압축변형률(C1)일 때 상기 구조물의 처짐량인 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 제8 항에 있어서,
상기 복수의 학습데이터는,
상기 제1 인장변형률(T1)을 포함하는 제5 학습데이터; 및 상기 제1 압축변형률(C1)을 포함하는 제6 학습데이터;를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
- 제8 항에 있어서,
상기 학습데이터를 이용하여 학습이 이루어진 회귀알고리즘에 제1항 내지 제4항 중 어느 한 항의 특성데이터를 입력하는 단계; 및 상기 회귀알고리즘이 상기 구조물의 처짐에 대한 예측값을 출력하는 단계를 더 포함하는 것을 특징으로 하는 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177264A KR102652367B1 (ko) | 2021-12-13 | 2021-12-13 | 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177264A KR102652367B1 (ko) | 2021-12-13 | 2021-12-13 | 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230088974A KR20230088974A (ko) | 2023-06-20 |
| KR102652367B1 true KR102652367B1 (ko) | 2024-03-29 |
Family
ID=86995343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210177264A KR102652367B1 (ko) | 2021-12-13 | 2021-12-13 | 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102652367B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013190427A (ja) | 2012-03-12 | 2013-09-26 | Boeing Co:The | 構造変形を識別するための方法および装置 |
| KR102095751B1 (ko) | 2019-05-23 | 2020-04-01 | 세종대학교산학협력단 | 구조물 손상 감지 시스템 및 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101041332B1 (ko) * | 2008-10-31 | 2011-06-14 | 현대건설주식회사 | 변형률 측정에 의한 구조물의 변위측정방법 및 이를 이용한변위측정장치 |
| KR101344722B1 (ko) | 2012-10-22 | 2013-12-26 | (주)카이센 | 광섬유 변형률계를 이용한 교량 처짐 측정 시스템 |
| KR101917619B1 (ko) | 2018-02-23 | 2018-11-13 | (주)카이센 | 교량 처짐 계측 시스템 |
| KR102336705B1 (ko) * | 2020-02-03 | 2021-12-08 | 황원식 | 변형률 계측장치 |
-
2021
- 2021-12-13 KR KR1020210177264A patent/KR102652367B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013190427A (ja) | 2012-03-12 | 2013-09-26 | Boeing Co:The | 構造変形を識別するための方法および装置 |
| KR102095751B1 (ko) | 2019-05-23 | 2020-04-01 | 세종대학교산학협력단 | 구조물 손상 감지 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230088974A (ko) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101943182B1 (ko) | 프리스트레스 콘크리트 교량의 내하력 평가 방법 | |
| Tong et al. | Fatigue life prediction of welded joints in orthotropic steel decks considering temperature effect and increasing traffic flow | |
| Al-Khateeb et al. | Structural health monitoring of a cable-stayed bridge using regularly conducted diagnostic load tests | |
| Vurpillot et al. | Bridge monitoring by fiber optic deformation sensors: design, emplacement, and results | |
| KR20080016116A (ko) | 교량의 내하력 산정 기법 | |
| Sieńko et al. | Smart composite rebars based on DFOS technology as nervous system of hybrid footbridge deck: a case study | |
| Gómez-Martínez et al. | Monitoring two cable-stayed bridges during load tests with fiber optics | |
| KR102652367B1 (ko) | 변형률 센서와 인공지능 회귀알고리즘을 이용한 구조물 처짐 예측 방법 | |
| Yang et al. | Moving load identification of small and medium-sized bridges based on distributed optical fiber sensing | |
| Choi et al. | Analytical models for estimation of the maximum strain of beam structures based on optical fiber Bragg grating sensors | |
| KR100725059B1 (ko) | 교각 수직부의 안전진단용 계측장치 | |
| Cartiaux et al. | Traffic and temperature effects monitoring on bridges by optical strands strain sensors | |
| Inaudi et al. | Bridge monitoring by interferometric deformation sensors | |
| Magne et al. | Health monitoring of the Saint-Jean bridge of Bordeaux, France using fiber Bragg grating extensometers | |
| Pimentel et al. | Load tests on bridges | |
| CN205317387U (zh) | 用于监测桁式组合拱桥的车辆荷载横向分布效应的装置 | |
| KR102472693B1 (ko) | 광섬유 격자센서를 이용한 신축이음장치의 감지장치 및 방법 | |
| Idriss et al. | In-service shear and moment girder distribution factors in simple-span prestressed concrete girder bridge: Measured with built-in optical fiber sensor system | |
| KR102435020B1 (ko) | 구조물 처짐 계측 장치 | |
| CN103268401B (zh) | 基于裂缝高度的rc简支空心板桥承载能力快速评定方法 | |
| CN212030746U (zh) | 一种考虑桥面温度的在役钢箱梁温度场实时监测装置 | |
| Sieńko et al. | Distributed fibre optic nerve-sensors as non-destructive tool for crack detection and widths estimation | |
| Zhang et al. | Process monitoring and terminal verification of π–section girder cable-stayed bridge | |
| CN103268398B (zh) | 基于裂缝高度的psc连续箱梁桥承载能力快速评定方法 | |
| Astiz | Towards a standard policy for structural monitoring in cable-stayed bridges |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |