KR102672518B1 - Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system - Google Patents
Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system Download PDFInfo
- Publication number
- KR102672518B1 KR102672518B1 KR1020230190000A KR20230190000A KR102672518B1 KR 102672518 B1 KR102672518 B1 KR 102672518B1 KR 1020230190000 A KR1020230190000 A KR 1020230190000A KR 20230190000 A KR20230190000 A KR 20230190000A KR 102672518 B1 KR102672518 B1 KR 102672518B1
- Authority
- KR
- South Korea
- Prior art keywords
- ground
- data
- ground measurement
- measurement data
- condition
- Prior art date
Links
- 238000011835 investigation Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 227
- 239000000126 substance Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
본 발명은 지반의 다양한 물리적 및 화학적 특성에 대한 데이터를 실시간으로 수집하고 인공지능 기반으로 분석하여 지반 상태를 파악할 수 있는 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템에 관한 것이다. 본 발명은 지반에 설치된 복수의 지반 측정 센서에서 측정되는 지반 측정 데이터를 수집하고 인공지능 기반으로 지반 측정 데이터를 분석하여 지반에 대한 상태를 조사하는 지반 조사 서버를 포함할 수 있다.The present invention relates to an artificial intelligence-based real-time stratum distribution and condition identification ground investigation system that can collect data on various physical and chemical characteristics of the ground in real time and analyze it based on artificial intelligence to determine ground conditions. The present invention may include a ground investigation server that collects ground measurement data measured from a plurality of ground measurement sensors installed in the ground and analyzes the ground measurement data based on artificial intelligence to investigate the condition of the ground.
Description
본 발명은 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템에 관한 것으로, 더욱 상세하게는 지반의 다양한 물리적 및 화학적 특성에 대한 데이터를 실시간으로 수집하고 인공지능 기반으로 분석하여 지반 상태를 파악할 수 있는 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템에 관한 것이다.The present invention relates to a ground investigation system for identifying real-time stratum distribution and conditions based on artificial intelligence. More specifically, it relates to a ground investigation system that collects data on various physical and chemical characteristics of the ground in real time and analyzes it based on artificial intelligence to determine the ground condition. This is about an artificial intelligence-based ground investigation system that determines real-time stratum distribution and condition.
현대사회가 발전하면서, 다양한 시설물들이 시공되고 있으며, 그에 따라 지반의 중요성이 함께 수반되고 있는 실정이다.As modern society develops, various facilities are being constructed, and the importance of the ground increases accordingly.
예컨대, 가스관, 상하수도관, 송유관, 맨홀, 댐, 교량, 건축물, 발전소 등의 지중(지하) 토목 건축물은 지반에 기초하여 시공되어야 함은 물론이고, 이에 따라 지반 침하의 여부를 확인할 수 있는 기술이 절실하다.For example, underground (underground) civil engineering structures such as gas pipes, water and sewage pipes, oil pipes, manholes, dams, bridges, buildings, power plants, etc. must be constructed based on the ground, and accordingly, technology is required to check whether there is ground subsidence. It's desperate.
또한, 지반 침하는 다양한 토목 건축물의 물적 피해와, 지반 붕괴로 인한 인명 피해 등을 발생시키며, 이는 국민의 경제와 생명에 직결되기 때문에 지반침하에 대한 대응방안이 시급하다.In addition, ground subsidence causes material damage to various civil engineering buildings and human casualties due to ground collapse. This is directly related to the economy and life of the people, so countermeasures against ground subsidence are urgent.
상기와 같은 문제점을 해결하기 위해 지반침하를 측정할 수 있는 다양한 계측기기 또는 계측센서가 등장하였다.To solve the above problems, various measuring devices or sensors that can measure ground settlement have appeared.
다만, 현재 다양한 계측기기와 계측센서들이 종합적으로 사용되는 만큼, 많은 장비를 마련해야 하며, 방대한 양의 데이터를 수집한 후, 모두 계산 과정을 거칠 경우에 드는 비용 및 시간이 증가할 수 밖에 없는 한계가 있었다.However, as various measuring devices and sensors are currently used comprehensively, a lot of equipment must be prepared, and if a large amount of data is collected and all of it is calculated, the cost and time required will inevitably increase. .
따라서 본 발명은 상술한 문제점을 해결하기 위해 도출된 것으로서, 본 발명은 지반의 다양한 물리적 및 화학적 특성에 대한 데이터를 실시간으로 수집하고 인공지능 기반으로 분석하여 지반 상태를 파악할 수 있는 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템을 제공하는데 그 목적이 있다.Therefore, the present invention was derived to solve the above-mentioned problems, and the present invention is an artificial intelligence-based real-time stratum that can determine the ground condition by collecting data on various physical and chemical characteristics of the ground in real time and analyzing it based on artificial intelligence. The purpose is to provide a ground investigation system to determine distribution and condition.
본 발명의 다른 목적들은 이하에 서술되는 실시예를 통하여 더욱 명확해질 것이다.Other objects of the present invention will become clearer through the examples described below.
본 발명의 일 측면에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템은 지반에 설치된 복수의 지반 측정 센서에서 측정되는 지반 측정 데이터를 수집하고 인공지능 기반으로 지반 측정 데이터를 분석하여 지반에 대한 상태를 조사하는 지반 조사 서버를 포함할 수 있다.The artificial intelligence-based real-time stratum distribution and status identification ground investigation system according to one aspect of the present invention collects ground measurement data measured from a plurality of ground measurement sensors installed in the ground, analyzes the ground measurement data based on artificial intelligence, and provides ground information. It may include a ground investigation server that investigates the condition.
또한, 지반 조사 서버는, 지반에 설치된 복수의 지반 측정 센서와 연결되어 복수의 지반 측정 센서에서 측정되는 물리적 및 화학적 지반 측정 데이터를 수집하는 정보 수집부, 복수의 지반 측정 센서 각각에 대한 고유 식별자를 기반으로 수집된 지반 측정 데이터를 저장하는 정보 저장부, 인공지능을 기반으로 지반 측정 데이터를 분석하여 지반의 분포와 상태를 파악하고 지반 분포 데이터와 지반 상태 데이터를 생성하는 지반 분석부, 지반 분포 데이터와 지반 상태 데이터를 사용자 데이터 양식에 대응하도록 변환하여 사용자 데이터 양식에 지반 분포 데이터와 지반 상태 데이터를 입력하는 데이터 변환부 및 지반 분포 데이터와 지반 상태 데이터가 입력된 사용자 데이터 양식을 제공하는 분석 결과 제공부를 포함할 수 있다.In addition, the ground investigation server includes an information collection unit that is connected to a plurality of ground measurement sensors installed in the ground and collects physical and chemical ground measurement data measured by the plurality of ground measurement sensors, and a unique identifier for each of the plurality of ground measurement sensors. An information storage unit that stores ground measurement data collected based on artificial intelligence, a ground analysis unit that analyzes ground measurement data based on artificial intelligence to determine the distribution and condition of the ground and generates ground distribution data and ground condition data, and ground distribution data and a data conversion unit that converts the ground condition data to correspond to the user data form and inputs the ground distribution data and ground condition data into the user data form, and provides analysis results that provide a user data form with the ground distribution data and ground condition data entered. May include wealth.
또한, 지반 분석부는, 아래의 수학식 1을 기반으로 복수의 지반 측정 센서 각각에서 측정된 지반 측정 데이터에 대한 신뢰도를 산출하고, 지반 측정 데이터에 대한 신뢰도에 따라 지반 분포 데이터와 지반 상태 데이터를 생성하는데 반영되는 데이터 반영율을 아래의 수학식 2를 기반으로 산출하고,In addition, the ground analysis unit calculates the reliability of the ground measurement data measured from each of the plurality of ground measurement sensors based on Equation 1 below, and generates ground distribution data and ground condition data according to the reliability of the ground measurement data. The data reflection rate reflected is calculated based on Equation 2 below,
[수학식 1][Equation 1]
는 특정 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 전체 지반 측정 센서에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 특정 지반 측정 센서가 설치된 기간을 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서의 개수를 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 최대 개수를 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 최소 개수를 의미하고, 은 특정 지반 측정 센서에서 측정된 지반 측정 데이터와 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 일치 개수를 의미하고,
[수학식 2]
refers to the reliability of ground measurement data measured from a specific ground measurement sensor, means the number of ground measurement data measured from a specific ground measurement sensor, means the number of ground measurement data measured from all ground measurement sensors, refers to the period during which a specific ground measurement sensor was installed, means the number of ground measurement sensors neighboring a specific ground measurement sensor, means the maximum number of ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors, means the minimum number of ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors, means the number of matches between the ground measurement data measured from a specific ground measurement sensor and the ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors,
[Equation 2]
은 데이터 반영율을 의미하고, n은 지반 측정 센서의 전체 개수를 의미하고, 는 i번째 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미할 수 있다. means the data reflection rate, n means the total number of ground measurement sensors, means the reliability of the ground measurement data measured by the ith ground measurement sensor, May refer to the reliability of ground measurement data measured from a specific ground measurement sensor.
삭제delete
삭제delete
본 발명의 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템은 다음과 같은 효과를 제공한다.The artificial intelligence-based real-time stratum distribution and condition identification ground investigation system according to an embodiment of the present invention provides the following effects.
본 발명은 지반의 다양한 물리적 및 화학적 특성에 대한 데이터를 실시간으로 수집하고 인공지능 기반으로 분석하여 지반 상태를 파악할 수 있는 효과가 있다.The present invention has the effect of collecting data on various physical and chemical characteristics of the ground in real time and analyzing it based on artificial intelligence to determine the ground condition.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템의 지반 조사 서버를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템의 지반 조사 서버에서 지반을 조사하는 과정을 설명하기 위한 순서도이다.Figure 1 is a schematic diagram showing an artificial intelligence-based real-time stratum distribution and condition identification ground investigation system according to an embodiment of the present invention.
Figure 2 is a block diagram for explaining the ground investigation server of the artificial intelligence-based real-time stratum distribution and status identification ground investigation system according to an embodiment of the present invention.
Figure 3 is a flowchart for explaining the process of investigating the ground in the ground investigation server of the artificial intelligence-based real-time stratum distribution and status identification ground investigation system according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can be modified in various ways and can have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all transformations, equivalents, and substitutes included in the spirit and technical scope of the present invention. In describing the present invention, if it is determined that a detailed description of related known technologies may obscure the gist of the present invention, the detailed description will be omitted.
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, 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.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
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. Terms such as first, second, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
이하, 첨부한 도면들을 참조하여 본 발명에 따른 실시예들을 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어 도면 부호에 상관없이 동일하거나 대응하는 구성 요소는 동일한 참조번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, identical or corresponding components will be assigned the same reference numbers regardless of the reference numerals, and duplicates thereof will be provided. Any necessary explanation will be omitted.
이하 본 발명의 실시예들에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템에 대하여 도 1 내지 도 3을 참조하여 상세히 설명한다.Hereinafter, an artificial intelligence-based real-time stratum distribution and condition identification ground investigation system according to embodiments of the present invention will be described in detail with reference to FIGS. 1 to 3.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템을 도시한 개략도이다.Figure 1 is a schematic diagram showing an artificial intelligence-based real-time stratum distribution and condition identification ground investigation system according to an embodiment of the present invention.
도 1을 참조하면, 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템은 지반 조사 서버(100)를 포함할 수 있다.Referring to FIG. 1, an artificial intelligence-based ground investigation system for determining real-time stratum distribution and status may include a ground investigation server 100.
지반 조사 서버(100)는 지반에 설치된 복수의 지반 측정 센서(20)에서 측정되는 지반 측정 데이터를 수집하고 인공지능 기반으로 지반 측정 데이터를 분석하여 지반에 대한 상태를 조사할 수 있다. 지반 조사 서버(100)는 조사된 분석 결과 데이터를 사용자 단말(10)에 제공할 수 있다.The ground investigation server 100 can collect ground measurement data measured by a plurality of ground measurement sensors 20 installed on the ground and analyze the ground measurement data based on artificial intelligence to investigate the condition of the ground. The ground investigation server 100 may provide the surveyed analysis result data to the user terminal 10.
지반 조사 서버(100)는 네트워크를 통해 사용자 단말(10) 및 복수의 지반 측정 센서(20)와 연결될 수 있다. 네트워크는 사용자 단말(10), 복수의 지반 측정 센서(20) 및 지반 조사 서버(100) 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 사용자 단말(10), 복수의 지반 측정 센서(20) 및 지반 조사 서버(100)를 연결하는 망(Network)을 의미할 수 있다. 네트워크는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다.The ground investigation server 100 may be connected to the user terminal 10 and a plurality of ground measurement sensors 20 through a network. The network has a connection structure capable of exchanging information between the nodes of the user terminal 10, a plurality of ground measurement sensors 20, and a ground survey server 100, or a user terminal 10, a plurality of ground measurement sensors 20, and It may refer to a network connecting the ground investigation server 100. Networks include the Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi, etc. Included but not limited to this.
사용자 단말(10)은 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등을 포함할 수 있다.The user terminal 10 is a communication-capable desktop computer, laptop computer, laptop, smart phone, tablet PC, mobile phone, or smart watch. (smart watch), smart glass, e-book reader, PMP (portable multimedia player), portable game console, navigation device, digital camera, DMB (digital multimedia broadcasting) player, digital voice It may include a digital audio recorder, digital audio player, digital video recorder, digital video player, personal digital assistant (PDA), etc.
사용자 단말(10)은 본 발명의 일 실시예에 따른 기능을 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.The user terminal 10 may include one or more of the calculation function, storage function, reference function, input/output function, and control function of a computer in order to perform the function according to an embodiment of the present invention.
사용자 단말(10)에는 어플리케이션 또는 웹사이트가 설치될 수 있다. 사용자 단말(10)은 어플리케이션 또는 웹사이트를 통해 지반 조사 서버(100)에 접속하여 각종 데이터를 송수신할 수 있다.An application or website may be installed on the user terminal 10. The user terminal 10 can connect to the ground survey server 100 through an application or website to transmit and receive various data.
지반 측정 센서(20)는 지반에 일정 간격을 두고 설치되어 지반의 각종 상태를 측정할 수 있다. 지반 측정 센서(20)는 지반의 변위를 측정하는 지반 변위 센서, 지반의 압력을 측정하는 지반 압력 센서, 지반의 저항을 측정하는 지반 저항 센서, 지반의 침하를 측정하는 지반 침하 센서, 지반의 시료를 채취하여 측정하는 지반 시료 센서 등을 포함할 수 있다.The ground measurement sensor 20 is installed on the ground at regular intervals and can measure various conditions of the ground. The ground measurement sensor 20 includes a ground displacement sensor that measures ground displacement, a ground pressure sensor that measures ground pressure, a ground resistance sensor that measures ground resistance, a ground subsidence sensor that measures ground settlement, and a ground sample. It may include a ground sample sensor that collects and measures.
복수의 지반 측정 센서(20)는 각각 고유 식별자를 포함하며, 이웃하는 지반 측정 센서(20)와 통신하여 이웃하는 지반 측정 센서(20)의 고장 여부를 체크할 수 있다. 지반 측정 센서(20)는 이웃하는 지반 측정 센서(20)가 고장 난 것을 감지하면 고장 난 이웃하는 지반 측정 센서(20)의 고유 식별자를 지반 조사 서버(100)로 전송할 수 있다.The plurality of ground measurement sensors 20 each include a unique identifier, and can communicate with neighboring ground measurement sensors 20 to check whether the neighboring ground measurement sensor 20 is broken. When the ground measurement sensor 20 detects that the neighboring ground measurement sensor 20 is broken, it can transmit the unique identifier of the broken neighboring ground measurement sensor 20 to the ground survey server 100.
일 실시예에서, 지반 측정 센서(20)는 마스터 지반 측정 센서(20)와 슬레이브 지반 측정 센서(20)를 포함할 수 있다. 즉, 지반 조사 서버(100)는 지반 조사 범위가 넓은 경우 마스터 지반 측정 센서(20)와 슬레이브 지반 측정 센서(20)를 포함할 수 있다. 지반 측정 센서(20)는 슬레이브 지반 측정 센서(20)에서 측정되는 지반 측정 데이터를 마스터 지반 측정 센서(20)에서 수집한 후 지반 조사 서버(100)로 전송할 수 있다.In one embodiment, the ground measurement sensor 20 may include a master ground measurement sensor 20 and a slave ground measurement sensor 20. That is, the ground investigation server 100 may include a master ground measurement sensor 20 and a slave ground measurement sensor 20 when the ground investigation range is wide. The ground measurement sensor 20 may collect ground measurement data measured by the slave ground measurement sensor 20 from the master ground measurement sensor 20 and then transmit it to the ground investigation server 100.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템의 지반 조사 서버를 설명하기 위한 블록도이다.Figure 2 is a block diagram for explaining the ground investigation server of the artificial intelligence-based real-time stratum distribution and status identification ground investigation system according to an embodiment of the present invention.
도 2를 참조하면, 지반 조사 서버(100)는 정보 수집부(110), 정보 저장부(120), 지반 분석부(130), 데이터 변환부(140) 및 분석 결과 제공부(150)를 포함할 수 있다.Referring to FIG. 2, the ground investigation server 100 includes an information collection unit 110, an information storage unit 120, a ground analysis unit 130, a data conversion unit 140, and an analysis result provision unit 150. can do.
정보 수집부(110)는 지반에 설치된 복수의 지반 측정 센서(20)와 연결되어 복수의 지반 측정 센서(20)에서 측정되는 물리적 및 화학적 지반 측정 데이터를 수집할 수 있다. 지반 측정 데이터는 지반의 변위를 측정한 데이터, 지반의 압력을 측정한 데이터, 지반의 저항을 측정한 데이터, 지반의 침하를 측정한 데이터 및 지반의 시료를 채취한 데이터 등을 포함할 수 있다.The information collection unit 110 is connected to a plurality of ground measurement sensors 20 installed on the ground and can collect physical and chemical ground measurement data measured by the plurality of ground measurement sensors 20. Ground measurement data may include data measuring ground displacement, data measuring ground pressure, data measuring ground resistance, data measuring ground settlement, and data measuring ground samples.
정보 수집부(110)는 복수의 지반 측정 센서(20)로부터 지반 측정 데이터를 수집할 때 복수의 지반 측정 센서(20) 각각의 고유 식별자와 함께 지반 측정 데이터를 수집할 수 있다.When collecting ground measurement data from a plurality of ground measurement sensors 20, the information collection unit 110 may collect the ground measurement data along with a unique identifier for each of the plurality of ground measurement sensors 20.
일 실시예에서, 정보 수집부(110)는 복수의 지반 측정 센서(20) 각각이 지반에 설치된 좌표 정보 및 깊이 정보를 수신할 수 있다. 좌표 정보는 지반의 특정 지점을 기준으로 지반 측정 센서(20)가 설치된 위치에 대한 좌표 값을 포함할 수 있다. 깊이 정보는 지반의 표면을 기준으로 측정된 깊이 값을 포함할 수 있다. 정보 수집부(110)는 복수의 지반 측정 센서(20) 각각으로부터 수신되는 좌표 정보와 깊이 정보를 기반으로 지반 측정 센서(20)에 대한 유실 여부와 지반 측정 센서(20)의 위치 이동 여부를 파악할 수 있다.In one embodiment, the information collection unit 110 may receive coordinate information and depth information from each of the plurality of ground measurement sensors 20 installed on the ground. The coordinate information may include coordinate values for the location where the ground measurement sensor 20 is installed based on a specific point on the ground. Depth information may include a depth value measured based on the surface of the ground. The information collection unit 110 determines whether the ground measurement sensor 20 is lost and whether the position of the ground measurement sensor 20 is moved based on the coordinate information and depth information received from each of the plurality of ground measurement sensors 20. You can.
또한, 정보 수집부(110)는 국토지반정보 통합 데이터베이스 센터에서 관리하는 국토지반정보 통합 서버(미도시됨)로부터 지반 조사 데이터를 수집할 수 있다.Additionally, the information collection unit 110 may collect ground survey data from a national ground information integration server (not shown) managed by the national ground information integrated database center.
정보 저장부(120)는 복수의 지반 측정 센서(20) 각각에 대한 고유 식별자를 기반으로 수집된 지반 측정 데이터를 저장할 수 있다. 정보 저장부(120)는 지반 측정 데이터를 지반 데이터베이스에 저장할 수 있다. 지반 데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터 구조를 가질 수 가질 수 있다. 지반 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장 형태를 가질 수 있다. 지반 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이터베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이터베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.The information storage unit 120 may store ground measurement data collected based on a unique identifier for each of the plurality of ground measurement sensors 20. The information storage unit 120 may store ground measurement data in a ground database. A geotechnical database can have a general data structure implemented in the storage space (hard disk or memory) of a computer system using a database management program (DBMS). A geotechnical database may have a data storage format that allows for free search (extraction), deletion, editing, addition, etc. of data. Geodatabases are relational database management systems (RDBMS) such as Oracle, Infomix, Sybase, and DB2, or object-oriented database management systems such as Gemston, Orion, and O2. It can be implemented according to the purpose of an embodiment of the present disclosure using (OODBMS) and XML Native Database such as Excelon, Tamino, and Sekaiju, and has its own function. You can have appropriate fields or elements to achieve this.
일 실시예에서, 정보 저장부(120)는 암호화 키를 사용하여 고유 식별자와 지반 측정 데이터를 암호화하여 저장할 수 있다. 암호화 키는 대칭형(symmetric) 암호화 방식 또는 비대칭형(aymmetric) 암호화 방식을 사용할 수 있다. 정보 저장부(120)는 고유 식별자와 지반 측정 데이터를 암호화하여 저장함에 따라 해킹, 데이터 변형, 데이터 왜곡 등으로부터 고유 식별자와 지반 측정 데이터를 보호할 수 있다. In one embodiment, the information storage unit 120 may encrypt and store the unique identifier and ground measurement data using an encryption key. The encryption key can use a symmetric encryption method or an asymmetric encryption method. The information storage unit 120 can protect the unique identifier and ground measurement data from hacking, data modification, data distortion, etc. by encrypting and storing the unique identifier and ground measurement data.
정보 저장부(120)는 국토지반정보 통합 서버(미도시됨)로부터 수집된 지반 조사 데이터를 저장할 수 있다. 이때 정보 저장부(120)는 동일한 지반에 대해 측정된 지반 측정 데이터와 동일한 지반 조사 데이터를 연관하여 지반 데이터베이스에 저장할 수 있다.The information storage unit 120 may store ground survey data collected from a national ground information integration server (not shown). At this time, the information storage unit 120 may store the ground measurement data measured for the same ground and the same ground investigation data in the ground database.
지반 분석부(130)는 인공지능을 기반으로 지반 측정 데이터를 분석하여 지반의 분포와 상태를 파악하고 지반 분포 데이터와 지반 상태 데이터를 생성할 수 있다.The ground analysis unit 130 analyzes ground measurement data based on artificial intelligence to determine the distribution and condition of the ground and generates ground distribution data and ground condition data.
여기서 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.Here, artificial intelligence (AI) refers to technology that imitates human learning ability, reasoning ability, and perception ability and implements this on a computer, and may include concepts such as machine learning and symbolic logic. You can. Machine Learning (ML) is an algorithmic technology that classifies or learns the characteristics of input data on its own. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the results of the analysis, and makes judgments or predictions based on the results of the learning. Additionally, technologies that mimic the functions of the human brain, such as cognition and judgment, using machine learning algorithms can also be understood as the category of artificial intelligence. For example, technical fields such as verbal understanding, visual understanding, reasoning/prediction, knowledge representation, and motion control may be included.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다.Machine learning can refer to the process of training a neural network model using experience processing data. Machine learning can mean that computer software improves its own data processing capabilities. A neural network model is built by modeling the correlation between data, and the correlation can be expressed by a plurality of parameters. A neural network model extracts and analyzes features from given data to derive correlations between data. Repeating this process to optimize the parameters of the neural network model can be called machine learning. For example, a neural network model can learn the mapping (correlation) between input and output for data given as input-output pairs.
또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Alternatively, a neural network model may learn the relationships by deriving regularities between given data even when only input data is given.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다.An artificial intelligence learning model or neural network model may be designed to implement the human brain structure on a computer, and may include a plurality of network nodes with weights that simulate neurons of a human neural network. A plurality of network nodes may have a connection relationship with each other by simulating the synaptic activity of neurons in which neurons exchange signals through synapses.
인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 예를 들어, 인공지능 학습 모델은, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습 모델은, 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다.In an artificial intelligence learning model, multiple network nodes are located in layers of different depths and can exchange data according to convolutional connection relationships. For example, the artificial intelligence learning model may be an artificial neural network model (Artificial Neural Network), a convolution neural network (CNN), etc. As an embodiment, an artificial intelligence learning model may be machine learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning.
기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 합성곱신경망(Convolution Neural Network, CNN), 컨볼루션 네트워크(Convolution Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, and Convolution Neural Network. , CNN), Convolution Network, Ada-boost, Perceptron, Genetic Programming, Clustering, etc. can be used.
이중, 합성곱신경망은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱신경망은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, 합성곱신경망은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. 합성곱신경망은 또한 표준 역전달을 통해 훈련될 수 있다. 합성곱신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Among them, convolutional neural networks are a type of multilayer perceptrons designed to use minimal preprocessing. A convolutional neural network consists of one or several convolutional layers and general artificial neural network layers on top of them, and additionally utilizes weights and pooling layers. Thanks to this structure, the convolutional neural network can fully utilize input data with a two-dimensional structure. Compared to other deep learning structures, convolutional neural networks show good performance in both video and audio fields. Convolutional neural networks can also be trained via standard back propagation. Convolutional neural networks have the advantage of being easier to train and using fewer parameters than other feedforward artificial neural network techniques.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭 아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increase in the size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have led to significant improvements in many computer vision tasks. For extremely large data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. For this purpose, distributed, scalable implementations of deep neural networks can be used.
지반 분석부(130)는 수집된 지반 측정 데이터를 빅데이터로 구축하여 인공지능 알고리즘을 생성하고, 생성된 인공지능 알고리즘을 기반으로 지반 측정 데이터를 분석할 수 있다. 지반 분석부(130)는 지반 측정 데이터의 분석 결과에 따라 지반 분포 데이터와 지반 상태 데이터를 그래프, 수치, 2D 모델링 도면, 3D 모델링 도면 등으로 생성할 수 있다. 지반 분포 데이터는 암석 분포도, 토양 분포도, 동굴 분포도, 지하수 분포도, 산맥 분포도 등을 포함할 수 있다. 지반 상태 데이터는 지반 침하도, 지반 경사도, 지반 싱크홀 여부, 지반 강도, 지반 하중도, 지반 탄성도, 지반 저항도 등을 포함할 수 있다.The ground analysis unit 130 can generate an artificial intelligence algorithm by constructing the collected ground measurement data as big data, and analyze the ground measurement data based on the generated artificial intelligence algorithm. The ground analysis unit 130 may generate ground distribution data and ground condition data in the form of graphs, numbers, 2D modeling drawings, 3D modeling drawings, etc., according to the analysis results of the ground measurement data. Ground distribution data may include rock distribution maps, soil distribution maps, cave distribution maps, groundwater distribution maps, mountain range distribution maps, etc. Ground condition data may include ground settlement, ground slope, presence of ground sinkholes, ground strength, ground load, ground elasticity, ground resistance, etc.
일 실시예에서, 지반 분석부(130)는 아래의 수학식 1을 기반으로 복수의 지반 측정 센서(20) 각각에서 측정된 지반 측정 데이터에 대한 신뢰도를 산출할 수 있다.In one embodiment, the ground analysis unit 130 may calculate the reliability of the ground measurement data measured by each of the plurality of ground measurement sensors 20 based on Equation 1 below.
[수학식 1][Equation 1]
는 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 전체 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 특정 지반 측정 센서(20)가 설치된 기간을 의미하고, 는 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)의 개수를 의미하고, 는 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 최대 개수를 의미하고, 는 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 최소 개수를 의미하고, 은 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터와 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 일치 개수를 의미할 수 있다. means the reliability of the ground measurement data measured by the specific ground measurement sensor 20, means the number of ground measurement data measured by a specific ground measurement sensor 20, means the number of ground measurement data measured by the entire ground measurement sensor 20, means the period during which the specific ground measurement sensor 20 was installed, means the number of ground measurement sensors 20 neighboring a specific ground measurement sensor 20, means the maximum number of ground measurement data measured from a specific ground measurement sensor 20 and neighboring ground measurement sensors 20, means the minimum number of ground measurement data measured from a specific ground measurement sensor 20 and neighboring ground measurement sensors 20, may mean the number of matches between ground measurement data measured by a specific ground measurement sensor 20 and ground measurement data measured by a ground measurement sensor 20 neighboring the specific ground measurement sensor 20.
예를 들어, 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 개수가 50이고, 전체 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 개수가 300이고, 특정 지반 측정 센서(20)가 설치된 기간이 10이고, 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)의 개수가 5이고, 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 최대 개수가 55이고, 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 최소 개수가 40이고, 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터와 특정 지반 측정 센서(20)와 이웃하는 지반 측정 센서(20)에서 측정된 지반 측정 데이터의 일치 개수가 49일 때, 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도는 48.9일 수 있다.For example, the number of ground measurement data measured by the specific ground measurement sensor 20 is 50, the number of ground measurement data measured by all ground measurement sensors 20 is 300, and the specific ground measurement sensor 20 is 300. The installation period is 10, the number of ground measurement sensors 20 adjacent to a specific ground measurement sensor 20 is 5, and the ground measurement data measured from the ground measurement sensors 20 adjacent to the specific ground measurement sensor 20. The maximum number of is 55, the minimum number of ground measurement data measured from the specific ground measurement sensor 20 and the neighboring ground measurement sensor 20 is 40, and the ground measurement data measured from the specific ground measurement sensor 20 and When the number of matches between a specific ground measurement sensor 20 and the ground measurement data measured by the neighboring ground measurement sensor 20 is 49, the reliability of the ground measurement data measured by the specific ground measurement sensor 20 can be 48.9. there is.
특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도는 수치가 높을수록 신뢰도가 높다는 것을 의미할 수 있다. 지반 분석부(130)는 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도에 따라 특정 지반 측정 센서(20)의 측정 정밀도를 개선시킬 수 있다. 즉, 지반 분석부(130)는 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 낮을수록 특정 지반 측정 센서(20)에서 측정되는 지반 측정 데이터의 정확도가 낮다는 것을 의미하므로 특정 지반 측정 센서(20)의 위치 보정, 센서 정밀도 보정 등을 수행할 수 있다. 여기서 특정 지반 측정 센서(20)의 위치 보정, 센서 정밀도 보정 등은 관리자에 의해 수행될 수 있다.The higher the reliability of the ground measurement data measured by the specific ground measurement sensor 20, the higher the reliability may be. The ground analysis unit 130 may improve the measurement precision of the specific ground measurement sensor 20 according to the reliability of the ground measurement data measured by the specific ground measurement sensor 20. In other words, the ground analysis unit 130 means that the lower the reliability of the ground measurement data measured by the specific ground measurement sensor 20, the lower the accuracy of the ground measurement data measured by the specific ground measurement sensor 20. Position correction of the ground measurement sensor 20, sensor precision correction, etc. can be performed. Here, position correction, sensor precision correction, etc. of the specific ground measurement sensor 20 may be performed by the administrator.
지반 분석부(130)는 지반 측정 데이터에 대한 신뢰도에 따라 지반 분포 데이터와 지반 상태 데이터를 생성하는데 반영되는 데이터 반영율을 아래의 수학식 2를 기반으로 산출할 수 있다.The ground analysis unit 130 can calculate the data reflection rate that is reflected in generating ground distribution data and ground condition data according to the reliability of the ground measurement data based on Equation 2 below.
[수학식 2]
[Equation 2]
은 데이터 반영율을 의미하고, n은 지반 측정 센서(20)의 전체 개수를 의미하고, 는 i번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미할 수 있다. means the data reflection rate, n means the total number of ground measurement sensors 20, means the reliability of the ground measurement data measured by the ith ground measurement sensor 20, May mean the reliability of ground measurement data measured by a specific ground measurement sensor 20.
삭제delete
예를 들어, 지반 측정 센서(20)의 전체 개수가 6이고, 1번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 50이고 2번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 48.9이고 3번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 49이고 4번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 50.1이고 5번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 51이고 6번째 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 50이고 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 48.9일 때, 데이터 반영율은 16.3일 수 있다.For example, the total number of ground measurement sensors 20 is 6, the reliability of the ground measurement data measured by the first ground measurement sensor 20 is 50, and the ground measurement data measured by the second ground measurement sensor 20 is 50. The reliability of the data is 48.9, the reliability of the ground measurement data measured by the third ground measurement sensor 20 is 49, the reliability of the ground measurement data measured by the fourth ground measurement sensor 20 is 50.1, and the reliability of the ground measurement data measured by the fourth ground measurement sensor 20 is 50.1. The reliability of the ground measurement data measured by the ground measurement sensor 20 is 51, the reliability of the ground measurement data measured by the sixth ground measurement sensor 20 is 50, and the ground measurement data measured by the specific ground measurement sensor 20 is 50. When the reliability for is 48.9, the data reflection rate may be 16.3.
데이터 반영율은 특정 지반 측정 센서(20)에서 측정된 지반 측정 데이터에 대한 신뢰도가 높을수록 지반 분포 데이터와 지반 상태 데이터에 반영되는 비중이 높아질 수 있다.As for the data reflection rate, the higher the reliability of the ground measurement data measured by the specific ground measurement sensor 20, the higher the proportion reflected in the ground distribution data and ground condition data.
지반 분석부(130)는 신뢰도가 높은 지반 측정 데이터를 기반으로 지반 분포 데이터와 지반 상태 데이터를 생성하여 지반 분포 데이터와 지반 상태 데이터의 정확도를 향상시킬 수 있다.The ground analysis unit 130 can improve the accuracy of the ground distribution data and ground condition data by generating ground distribution data and ground condition data based on highly reliable ground measurement data.
다른 일 실시예에서, 지반 분석부(130)는 국토지반정보 통합 서버(미도시됨)로부터 수집된 지반 조사 데이터와 지반 측정 센서(20)로부터 수집된 지반 측정 데이터를 비교하여 오차율을 산출할 수 있다.In another embodiment, the ground analysis unit 130 may calculate an error rate by comparing ground survey data collected from a national ground information integration server (not shown) and ground measurement data collected from the ground measurement sensor 20. there is.
[수학식 3][Equation 3]
는 지반 조사 데이터와 지반 측정 데이터의 오차율을 의미하고, 는 지반 조사 데이터를 측정한 시간과 지반 측정 데이터를 측정한 시간의 차이값을 의미하고, 는 지반 조사 데이터의 개수를 의미하고, 는 지반 측정 데이터의 개수를 의미하고, 는 지반 조사 데이터를 측정한 센서들 간의 평균 거리를 의미하고, 는 지반 측정 데이터를 측정한 센서들 간의 평균 거리를 의미할 수 있다. means the error rate of ground investigation data and ground measurement data, means the difference between the time when the ground investigation data was measured and the time when the ground measurement data was measured, means the number of ground investigation data, means the number of ground measurement data, means the average distance between sensors that measured ground investigation data, may mean the average distance between sensors that measure ground measurement data.
예를 들어, 지반 조사 데이터를 측정한 시간(9:40)과 지반 측정 데이터를 측정한 시간(9:41)의 차이값이 1이고, 지반 조사 데이터의 개수가 12이고, 지반 측정 데이터의 개수가 10이고, 지반 조사 데이터를 측정한 센서들 간의 평균 거리가 20이고, 지반 측정 데이터를 측정한 센서들 간의 평균 거리가 18일 때, 지반 조사 데이터와 지반 측정 데이터의 오차율은 0.6일 수 있다.For example, the difference between the time when the ground investigation data was measured (9:40) and the time when the ground measurement data was measured (9:41) is 1, the number of ground investigation data is 12, and the number of ground measurement data is 12. is 10, the average distance between the sensors that measured the ground investigation data is 20, and the average distance between the sensors that measured the ground measurement data is 18, the error rate of the ground investigation data and the ground measurement data may be 0.6.
지반 조사 데이터와 지반 측정 데이터의 오차율은 수치가 작을수록 지반 조사 데이터와 지반 측정 데이터의 정확도가 높다는 것을 의미할 수 있다.The smaller the error rate of ground investigation data and ground measurement data, the higher the accuracy of the ground investigation data and ground measurement data.
데이터 변환부(140)는 지반 분포 데이터와 지반 상태 데이터를 사용자 데이터 양식에 대응하도록 변환하여 사용자 데이터 양식에 지반 분포 데이터와 지반 상태 데이터를 입력할 수 있다. 사용자 데이터 양식은 사용자가 사용하는 지반 데이터 입력 파일의 입력 방식에 따라 달라질 수 있으며, 지반 분포 데이터와 지반 상태 데이터를 표, 텍스트, 그래프 등 사용자 데이터 양식에 대응하도록 변환할 수 있다.The data conversion unit 140 may convert the ground distribution data and ground condition data to correspond to the user data format and input the ground distribution data and ground condition data into the user data format. The user data format may vary depending on the input method of the ground data input file used by the user, and ground distribution data and ground condition data can be converted to correspond to user data formats such as tables, text, and graphs.
예를 들어, 데이터 변환부(140)는 A사용자가 사용하는 사용자 데이터 양식이 표인 경우 표의 셀에 맞게 지반 분포 데이터와 지반 상태 데이터를 변환하고, 변환된 값을 A사용자가 사용하는 사용자 데이터 양식에 입력할 수 있다.For example, if the user data form used by user A is a table, the data conversion unit 140 converts the ground distribution data and ground condition data to fit the cells of the table, and converts the converted values into the user data form used by user A. You can enter it.
다른 예를 들어, 데이터 변환부(140)는 B사용자가 사용하는 사용자 데이터 양식이 그래프인 경우 그래프의 크기, 축 값 등에 맞게 지반 분포 데이터와 지반 상태 데이터를 변환하고, 변환된 값을 B사용자가 사용하는 사용자 데이터 양식에 입력할 수 있다.For another example, when the user data format used by user B is a graph, the data conversion unit 140 converts the ground distribution data and ground condition data according to the size and axis value of the graph, and the converted values are used by user B. You can enter this into the user data form you use.
사용자는 데이터 변환부(140)에서 지반 분포 데이터와 지반 상태 데이터를 사용자 데이터 양식에 따라 자동으로 변환할 수 있어, 지반 분포 데이터와 지반 상태 데이터를 보고 사용자 데이터 양식에 따라 직접 수정하여 입력하는 번거로움 없이 편리하게 지반 분포 데이터와 지반 상태 데이터를 가공할 수 있는 효과가 있다.The user can automatically convert the ground distribution data and ground condition data in the data conversion unit 140 according to the user data form, eliminating the inconvenience of viewing the ground distribution data and ground condition data and directly modifying and entering them according to the user data form. It is effective in processing ground distribution data and ground condition data conveniently.
분석 결과 제공부(150)는 지반 분포 데이터와 지반 상태 데이터가 입력된 사용자 데이터 양식을 사용자 단말(10)에 제공할 수 있다. 분석 결과 제공부(150)는 어플리케이션, 웹 사이트, 메시지, 팝업 등을 통해 사용자 데이터 양식을 사용자 단말(10)에 제공할 수 있다.The analysis result provider 150 may provide the user terminal 10 with a user data form in which ground distribution data and ground condition data are input. The analysis result provider 150 may provide a user data form to the user terminal 10 through an application, website, message, pop-up, etc.
분석 결과 제공부(150)는 사용자 단말(10)로부터 사용자 데이터 양식에 대한 피드백을 수신할 수 있다. 분석 결과 제공부(150)는 사용자 데이터 양식에 입력된 지반 분포 데이터와 지반 상태 데이터에 대한 수정 요청, 다른 양식으로의 변환 요청, 데이터 만족도 등을 수신할 수 있다.The analysis result providing unit 150 may receive feedback on the user data format from the user terminal 10. The analysis result providing unit 150 may receive a request for modification of the ground distribution data and ground condition data entered in the user data form, a request for conversion to another format, data satisfaction, etc.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템의 지반 조사 서버에서 지반을 조사하는 과정을 설명하기 위한 순서도이다.Figure 3 is a flowchart for explaining the process of investigating the ground in the ground investigation server of the artificial intelligence-based real-time stratum distribution and status identification ground investigation system according to an embodiment of the present invention.
도 3을 참조하면, 정보 수집부(110)는 지반에 설치된 복수의 지반 측정 센서(20)와 연결되어 복수의 지반 측정 센서(20)에서 측정되는 물리적 및 화학적 지반 측정 데이터를 수집할 수 있다(단계 S310). 지반 측정 데이터는 지반의 변위를 측정한 데이터, 지반의 압력을 측정한 데이터, 지반의 저항을 측정한 데이터, 지반의 침하를 측정한 데이터 및 지반의 시료를 채취한 데이터 등을 포함할 수 있다.Referring to FIG. 3, the information collection unit 110 is connected to a plurality of ground measurement sensors 20 installed on the ground and can collect physical and chemical ground measurement data measured by the plurality of ground measurement sensors 20 ( Step S310). Ground measurement data may include data measuring ground displacement, data measuring ground pressure, data measuring ground resistance, data measuring ground settlement, and data measuring ground samples.
정보 저장부(120)는 복수의 지반 측정 센서(20) 각각에 대한 고유 식별자를 기반으로 수집된 지반 측정 데이터를 저장할 수 있다(단계 S320). 정보 저장부(120)는 지반 측정 데이터를 지반 데이터베이스에 저장할 수 있다.The information storage unit 120 may store ground measurement data collected based on a unique identifier for each of the plurality of ground measurement sensors 20 (step S320). The information storage unit 120 may store ground measurement data in a ground database.
지반 분석부(130)는 인공지능을 기반으로 지반 측정 데이터를 분석하여 지반의 분포와 상태를 파악하고 지반 분포 데이터와 지반 상태 데이터를 생성할 수 있다(단계 S330). 지반 분석부(130)는 수집된 지반 측정 데이터를 빅데이터로 구축하여 인공지능 알고리즘을 생성하고, 생성된 인공지능 알고리즘을 기반으로 지반 측정 데이터를 분석할 수 있다.The ground analysis unit 130 analyzes ground measurement data based on artificial intelligence to determine the distribution and condition of the ground and generates ground distribution data and ground condition data (step S330). The ground analysis unit 130 can generate an artificial intelligence algorithm by constructing the collected ground measurement data as big data, and analyze the ground measurement data based on the generated artificial intelligence algorithm.
데이터 변환부(140)는 지반 분포 데이터와 지반 상태 데이터를 사용자 데이터 양식에 대응하도록 변환하여 사용자 데이터 양식에 지반 분포 데이터와 지반 상태 데이터를 입력할 수 있다(단계 S340).The data conversion unit 140 may convert the ground distribution data and ground condition data to correspond to the user data format and input the ground distribution data and ground condition data into the user data format (step S340).
분석 결과 제공부(150)는 지반 분포 데이터와 지반 상태 데이터가 입력된 사용자 데이터 양식을 사용자 단말(10)에 제공할 수 있다(단계 S350).The analysis result provider 150 may provide a user data form in which ground distribution data and ground condition data are input to the user terminal 10 (step S350).
상기에서는 본 발명의 일 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the present invention has been described above with reference to an embodiment of the present invention, those skilled in the art will understand the present invention in various ways without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that it can be modified and changed.
100: 지반 조사 서버
110: 정보 수집부
120: 정보 저장부
130: 지반 분석부
140: 데이터 변환부
150: 분석 결과 제공부
10: 사용자 단말
20: 지반 측정 센서100: Ground investigation server
110: Information collection department
120: information storage unit
130: Ground analysis department
140: Data conversion unit
150: Analysis result provision unit
10: User terminal
20: Ground measurement sensor
Claims (3)
상기 지반 조사 서버는,
지반에 설치된 복수의 지반 측정 센서와 연결되어 상기 복수의 지반 측정 센서에서 측정되는 물리적 및 화학적 지반 측정 데이터를 수집하는 정보 수집부;
상기 복수의 지반 측정 센서 각각에 대한 고유 식별자를 기반으로 상기 수집된 지반 측정 데이터를 저장하는 정보 저장부;
인공지능을 기반으로 상기 지반 측정 데이터를 분석하여 지반의 분포와 상태를 파악하고 지반 분포 데이터와 지반 상태 데이터를 생성하는 지반 분석부;
상기 지반 분포 데이터와 상기 지반 상태 데이터를 사용자 데이터 양식에 대응하도록 변환하여 상기 사용자 데이터 양식에 상기 지반 분포 데이터와 상기 지반 상태 데이터를 입력하는 데이터 변환부; 및
상기 지반 분포 데이터와 상기 지반 상태 데이터가 입력된 상기 사용자 데이터 양식을 제공하는 분석 결과 제공부를 포함하고,
상기 지반 분석부는,
아래의 수학식 1을 기반으로 상기 복수의 지반 측정 센서 각각에서 측정된 지반 측정 데이터에 대한 신뢰도를 산출하고, 상기 지반 측정 데이터에 대한 신뢰도에 따라 상기 지반 분포 데이터와 상기 지반 상태 데이터를 생성하는데 반영되는 데이터 반영율을 아래의 수학식 2를 기반으로 산출하고,
[수학식 1]
는 특정 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 전체 지반 측정 센서에서 측정된 지반 측정 데이터의 개수를 의미하고, 는 특정 지반 측정 센서가 설치된 기간을 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서의 개수를 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 최대 개수를 의미하고, 는 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 최소 개수를 의미하고, 은 특정 지반 측정 센서에서 측정된 지반 측정 데이터와 특정 지반 측정 센서와 이웃하는 지반 측정 센서에서 측정된 지반 측정 데이터의 일치 개수를 의미하고,
[수학식 2]
은 데이터 반영율을 의미하고, n은 지반 측정 센서의 전체 개수를 의미하고, 는 i번째 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하고, 는 특정 지반 측정 센서에서 측정된 지반 측정 데이터에 대한 신뢰도를 의미하는 것을 특징으로 하는, 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템.
It includes a ground investigation server that collects ground measurement data measured from a plurality of ground measurement sensors installed in the ground and analyzes the ground measurement data based on artificial intelligence to investigate the condition of the ground,
The ground investigation server,
An information collection unit connected to a plurality of ground measurement sensors installed in the ground to collect physical and chemical ground measurement data measured by the plurality of ground measurement sensors;
an information storage unit that stores the collected ground measurement data based on a unique identifier for each of the plurality of ground measurement sensors;
A ground analysis unit that analyzes the ground measurement data based on artificial intelligence to determine the distribution and condition of the ground and generates ground distribution data and ground condition data;
a data conversion unit that converts the ground distribution data and the ground condition data to correspond to a user data format and inputs the ground distribution data and the ground condition data into the user data format; and
An analysis result providing unit that provides the user data form in which the ground distribution data and the ground condition data are input,
The ground analysis department,
Based on Equation 1 below, the reliability of the ground measurement data measured from each of the plurality of ground measurement sensors is calculated, and the reliability of the ground measurement data is reflected in generating the ground distribution data and the ground condition data. The data reflection rate is calculated based on Equation 2 below,
[Equation 1]
refers to the reliability of ground measurement data measured from a specific ground measurement sensor, means the number of ground measurement data measured from a specific ground measurement sensor, means the number of ground measurement data measured from all ground measurement sensors, refers to the period during which a specific ground measurement sensor was installed, means the number of ground measurement sensors neighboring a specific ground measurement sensor, means the maximum number of ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors, means the minimum number of ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors, means the number of matches between the ground measurement data measured from a specific ground measurement sensor and the ground measurement data measured from a specific ground measurement sensor and neighboring ground measurement sensors,
[Equation 2]
means the data reflection rate, n means the total number of ground measurement sensors, means the reliability of the ground measurement data measured by the ith ground measurement sensor, is an artificial intelligence-based real-time stratum distribution and condition identification ground investigation system, characterized in that it refers to the reliability of ground measurement data measured from a specific ground measurement sensor.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230190000A KR102672518B1 (en) | 2023-12-22 | 2023-12-22 | Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230190000A KR102672518B1 (en) | 2023-12-22 | 2023-12-22 | Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102672518B1 true KR102672518B1 (en) | 2024-06-05 |
Family
ID=91470985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230190000A KR102672518B1 (en) | 2023-12-22 | 2023-12-22 | Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102672518B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030027382A (en) | 2001-09-28 | 2003-04-07 | 정승용 | System for detecting the foundation in using on-off line automatically |
| KR20160090073A (en) * | 2015-01-21 | 2016-07-29 | 세명이엔시 (주) | Ground subsidence sensor and system and method for monitering hybrid type ground subsidence using thereof |
| KR20210076376A (en) * | 2019-12-16 | 2021-06-24 | 한국건설기술연구원 | System and method for managing earthwork data, and a recording medium having computer readable program for executing the method |
| KR20230083388A (en) * | 2021-12-02 | 2023-06-12 | 한국철도기술연구원 | Building information modeling(bim)-grid maintenance system for underground area of urban railway, and method for the same |
-
2023
- 2023-12-22 KR KR1020230190000A patent/KR102672518B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030027382A (en) | 2001-09-28 | 2003-04-07 | 정승용 | System for detecting the foundation in using on-off line automatically |
| KR20160090073A (en) * | 2015-01-21 | 2016-07-29 | 세명이엔시 (주) | Ground subsidence sensor and system and method for monitering hybrid type ground subsidence using thereof |
| KR20210076376A (en) * | 2019-12-16 | 2021-06-24 | 한국건설기술연구원 | System and method for managing earthwork data, and a recording medium having computer readable program for executing the method |
| KR20230083388A (en) * | 2021-12-02 | 2023-06-12 | 한국철도기술연구원 | Building information modeling(bim)-grid maintenance system for underground area of urban railway, and method for the same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al Banna et al. | Attention-based bi-directional long-short term memory network for earthquake prediction | |
| Guo et al. | ModEco: an integrated software package for ecological niche modeling | |
| Adamala | An overview of big data applications in water resources engineering | |
| de Souza et al. | A data based model to predict landslide induced by rainfall in Rio de Janeiro city | |
| Kim et al. | Automatic recognition of workers’ motions in highway construction by using motion sensors and long short-term memory networks | |
| Dai et al. | Ensemble learning technology for coastal flood forecasting in internet-of-things-enabled smart city | |
| Xie et al. | Autoencoder-based deep belief regression network for air particulate matter concentration forecasting | |
| Windheuser et al. | An end‐to‐end flood stage prediction system using deep neural networks | |
| Zhang et al. | Zero-small sample classification method with model structure self-optimization and its application in capability evaluation | |
| Hao et al. | Assessing disaster impact in real time: Data-driven system integrating humans, hazards, and the built environment | |
| CN114418189A (en) | Water quality grade prediction method, system, terminal device and storage medium | |
| Samadi | The convergence of AI, IoT, and big data for advancing flood analytics research | |
| Huang et al. | Dynamic seismic damage assessment of distributed infrastructure systems using graph neural networks and semi-supervised machine learning | |
| Wang et al. | Reliability-enhanced surrogate-assisted particle swarm optimization for feature selection and hyperparameter optimization in landslide displacement prediction | |
| KR102672518B1 (en) | Artificial intelligence-based real-time stratum distribution and condition identification ground investigation system | |
| Maleki et al. | Wetland restoration prioritization using artificial neural networks | |
| Hong et al. | Evaluation of disaster-bearing capacity for natural gas pipeline under third-party damage based on optimized probabilistic neural network | |
| Moayedi et al. | Validation of four optimization evolutionary algorithms combined with artificial neural network (ANN) for landslide susceptibility mapping: A case study of Gilan, Iran | |
| Zhu et al. | Full reproduction of surface dynamometer card based on periodic electric current data | |
| Sankaran et al. | An automated prediction of remote sensing data of Queensland-Australia for flood and wildfire susceptibility using BISSOA-DBMLA scheme | |
| Shi | Data-driven predictive analytics for water infrastructure condition assessment and management | |
| Sui et al. | Application of machine learning to the V s-based soil liquefaction potential assessment | |
| Xiao | Estimating fire duration using regression methods | |
| Jawahar et al. | Trs-net tropical revolving storm disasters analysis and classification based on multispectral images using 2-d deep convolutional neural network | |
| Moghtadernejad et al. | Estimating the values of missing data related to infrastructure condition states using their spatial correlation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |