KR20190062874A - 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 - Google Patents
기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 Download PDFInfo
- Publication number
- KR20190062874A KR20190062874A KR1020170161499A KR20170161499A KR20190062874A KR 20190062874 A KR20190062874 A KR 20190062874A KR 1020170161499 A KR1020170161499 A KR 1020170161499A KR 20170161499 A KR20170161499 A KR 20170161499A KR 20190062874 A KR20190062874 A KR 20190062874A
- Authority
- KR
- South Korea
- Prior art keywords
- damage
- signal
- machine learning
- acoustic emission
- data
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002689 soil Substances 0.000 title claims 9
- 230000000694 effects Effects 0.000 claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q50/08—Construction
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
본 발명은 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치를 공개한다. 이 방법은 (a) 신호 측정부가 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정하는 단계; (b) 데이터 수집 및 전송부가 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하는 단계; 및 (c) 데이터 분석부가 상기 필터링된 미세 지진 활동 신호를 인가받아 동적 이벤트 발생 크기 및 위치를 분석하고, 상기 필터링된 음향 방출 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석하는 단계;를 포함하고, 상기 데이터 분석부 내 인공 지능부가 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 상관 관계에 대하여 기계 학습을 수행하고, 학습된 결과에 따라 상기 기 설정된 임계값을 자동 조정하는 것을 특징으로 한다.
Description
본 발명은 지반 및 구조물의 건전도 평가 방법 및 장치에 관한 것으로서, 특히 구조물 주변으로부터 수집되는 동적 이벤트 및 구조물의 손상 발생 신호의 분석 및 기계 학습 결과를 토대로 건물 주변의 다양한 동적 이벤트 발생 상황에 대해 자동으로 정확한 손상 수준을 추정할 수 있는 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치를 제공한다.
현대 구조물의 외형적인 구조의 복잡성과 대형화는 태풍, 지진과 같은 자연 재해에 취약해질 수 있고, 특히 균열이나 붕괴와 같은 사고의 발생 시 인적 및 재산적인 손실을 야기 시키게 된다.
이에, 현대 구조물의 구조 건전도 평가를 통해 구조물의 이상 유무를 판단하여 신속히 대처 할 수 있는 구조물 유지 관리의 중요성이 날로 증가하고 있다.
구조물 유지 관리를 위해 구조물에서 풍향, 풍속, 가속도, 변위, 온도, 변형률 등과 같은 다양한 계측이 이루어지고 있다.
이와 같은 계측 데이터 중 변위의 경우, 정적 거동, 준 정적 거동, 동적 거동과 같은 모든 구조물의 거동이 계측 가능하고 국부적인 거동의 영향보다 전체 구조계의 거동을 가장 잘 반영하므로 구조물 건전도 평가를 위해 가장 적합한 방법으로 인식되고 있다.
최근에는, 운영 중인 구조물에서 다양한 계측 센서를 활용하여 구조물 건전도를 평가하는데 있어 계측 변위를 기반으로 하고 다른 계측 데이터들은 계측 변위를 보정하거나 검증목적으로 사용하는 계측 변위 기반의 구조물 건전도 평가 시스템도 개발되었다.
계측 변위를 기반으로 구조물의 거동을 평가함에 따라 전체 구조계의 거동을 분석 할 수 있으며, 구조물의 정적 응답, 준 정적 응답, 동적 응답에 따른 모든 응답 분석이 가능한 시스템이 구성되어, 구조물의 환경 조건에 따른 구조물의 반응을 분석하는 시스템을 마련함으로써 구조물 반응의 원인을 정확히 분석하여 거동 평가 결과의 제공이 가능하다.
그런데, 현재 다양한 계측 센서들이 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.
또한, 구조물이 지하에 있는 경우에, 지반의 불확실도와 지하 구조물이 육안으로 확인이 되지 않기 때문에 지반 및 기초 구조물의 건전도 평가가 매우 어려운 실정이다.
이에 따라, 반복적으로 수집되는 데이터의 양을 줄이면서도 정확하게 건물의 손상 수준을 평가할 수 있는 시스템 및 방법이 필요한 실정이다.
한편, 인공 지능(Artificial Intelligence, AI)은 인간의 뇌와의 뉴런 신경망을 모방해 언젠가는 컴퓨터나 로봇들이 인간처럼 사고하고 행동하게 하는 것이다.
예를 들어, 우리는 사진만으로 개와 고양이를 아주 쉽게 구분할 수 있지만 컴퓨터는 구분하지 못한다.
이를 위해 “기계 학습(Machine Learning, ML)” 기법이 고안되었는데, 이 기법은 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술로서, 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 하는 것이다.
데이터를 어떻게 분류할 것인가에 따라, 의사결정 나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트 벡터 머신(support vector machine, SVM), 그리고 인공 신경망(Artificial neural network) 등 많은 기계 학습 알고리즘이 등장했다.
그 중에 인공 신경망 알고리즘에서 파생된 딥 러닝(Deep Learning, DL)은 인공 신경망을 이용하여 데이터를 군집화하거나 분류하는데 사용하는 기술이다.
기계 학습과 인지 과학에서의 인공 신경망은 생물학의 신경망(동물의 중추 신경계)에서 영감을 얻은 통계학적 학습 알고리즘이다.
인공 신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.
인공 신경망을 이용하는 딥 러닝의 핵심은 분류를 통한 예측이다.
수많은 데이터 속에서 패턴을 발견해 인간이 사물을 구분하듯 컴퓨터가 데이터를 나눈다.
이 같은 분별 방식은 지도자(감독자/교사)의 신호(정답) 입력에 의해서 문제에 최적화되어 가는 지도(감독/교사) 학습과 지도자의 교사 신호를 필요로 하지 않는 비지도(감독/교사) 학습이 있다.
일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호 연결로 표현되고 적응성이 있어 패턴 인식과 같은 기계 학습을 수행할 수 있다.
데이터로부터 학습하는 다른 기계 학습과 같이, 신경망은 일반적으로 규칙 기반 프로그래밍으로 풀기 어려운 컴퓨터 비전(vision) 또는 음성 인식과 같은 다양한 범위의 문제를 푸는 데 이용된다.
즉, 어떠한 데이터가 있을 때 이를 컴퓨터가 인지할 수 있는 형태(예를 들어 이미지의 경우 픽셀정보를 열 벡터로 표현하는 툴)로 표현하고 이를 학습에 적용하기 위해 많은 연구가 진행되고 있으며, 이러한 노력의 결과로 심층 신경망(deep neural networks), 합성 곱 신경망(convolutional neural network), 순환 신경망(Recurrent neural network)와 같은 다양한 딥 러닝 기법들이 컴퓨터 비젼, 음성 인식, 자연어 처리, 음성/신호 처리 등의 분야에 적용되어 우수한 성능의 응용 프로그램들이 개발되고 있다.
이에, 본 발명자들은 구조물 유지 관리를 위해 구조물로부터 수집되는 재해 이벤트 또는 구조물의 기초 손상 발생 신호 분석을 통해 구조물의 환경 조건에 따른 구조물의 반응 분석을 수행하는데 있어서, 처리 및 전송할 데이터 용량을 최소화시키면서, 구조물이 육안으로 확인이 되지 않는 경우에도 인공 지능부를 통해 구체적인 손상 수준의 평가가 가능하며, 실제 구조물 상태와 이벤트 크기 및 위치 등에 대한 기계 학습 결과를 토대로 충분한 분량의 자료 축적 후에는 기계 학습만으로 구조물의 손상 수준을 신속하고 정확하게 추정할 수 있는 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치를 발명하기에 이르렀다.
본 발명의 목적은 구조물 주변으로부터 수집되는 동적 이벤트 및 구조물의 손상 발생 신호의 분석을 통해 실제 구조물 상태와 이벤트 크기 및 위치에 대한 기계 학습 결과를 토대로, 충분한 분량의 자료 축적 후에는 크기 및 위치 분석을 생략하고 기계 학습만으로 구조물의 손상 수준을 추정할 수 있는 기계 학습 기반 지반 및 구조물의 건전도 평가 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 목적을 달성하기 위한 기계 학습 기반 지반 및 구조물의 건전도 평가 장치를 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 (a) 신호 측정부가 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정하는 단계; (b) 데이터 수집 및 전송부가 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하는 단계; 및 (c) 데이터 분석부가 상기 필터링된 미세 지진 활동 신호를 인가받아 동적 이벤트 발생 크기 및 위치를 분석하고, 상기 필터링된 음향 방출 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석하는 단계;를 포함하고, 상기 데이터 분석부 내 인공 지능부가 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 상관 관계에 대하여 기계 학습을 수행하고, 학습된 결과에 따라 상기 기 설정된 임계값을 자동 조정하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 (c) 단계 이후에, 결과 표시부가 상기 분석된 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시하는 단계;를 더 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 (c) 단계에서, 상기 인공 지능부가 빅 데이터베이스에 축적된 학습 결과의 분량이 충분한 것으로 판단한 후에는, 상기 데이터 분석부의 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치 분석을 거치지 않고, 기계 학습만으로 구조물의 손상 수준을 추정하여 상기 결과 표시부에 손상 수준별 경고를 바로 표시하는 단계;를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 (a) 단계는, 상기 신호 측정부 내 음향 방출 센서가 상기 구조물 손상의 발생에 대한 상기 음향 방출 신호를 측정하는 단계; 및 상기 신호 측정부 내 미세 지진 활동 센서가 상기 구조물 주변의 동적 이벤트에 대한 상기 미세 지진 활동 신호를 측정하는 단계;를 더 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 (b) 단계는 상기 동적 이벤트 및 상기 구조물 손상이 발생하지 않은 평상 시에는 측정된 상기 음향 방출 신호 및 상기 미세 지진 활동 신호가 모니터링 현황 기록을 위해 실시간 소정의 시간 간격에 따라 상기 데이터 수집 및 전송부 내 저장부에 저장되는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 인공 지능부는 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터와의 상기 상관 관계를 상기 빅 데이터베이스에 저장하는 단계; 및 기계 학습 프로그램을 통해 학습된 결과에 따라 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 상기 임계값을 상기 빅 데이터베이스에 저장하는 단계;를 더 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 인공 지능부는 상기 동적 이벤트 및 상기 구조물 손상 발생 여부를 시차와 함께 고려하여 구조물의 손상 수준 평가를 수행하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 방법은 상기 구조물의 손상 수준 평가는 상기 동적 이벤트 및 상기 구조물 손상 발생이 모두 감지되지 않은 경우에는 '이상 없음'으로 평가되는 단계; 상기 구조물 손상 발생이 감지되고, 상기 동적 이벤트가 감지되지 않은 경우에는 '구조물의 구조적 원인에 의한 손상 가능성 높음'으로 평가되는 단계; 상기 동적 이벤트가 감지되고, 상기 구조물 손상 발생이 감지되지 않은 경우에는 '주변 지반에 이상 발생하였으나 구조물에 영향 미약'으로 평가되는 단계; 및 상기 동적 이벤트 및 상기 구조물 손상 발생이 모두 감지된 경우에는 '주변 지반 이상 및 구조물 손상 발생'으로 평가되는 단계;를 포함하는 것을 특징으로 한다.
상기 다른 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 장치는 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정하는 신호 측정부; 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하는 데이터 수집 및 전송부; 필터링된 상기 음향 방출 신호 및 상기 필터링된 미세 지진 활동 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석하고, 양자의 상관 관계에 대하여 기계 학습을 수행하여 상기 기 설정된 임계값을 자동 조정하는 데이터 분석부; 및 상기 분석된 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시하는 결과 표시부;를 구비하는 것을 특징으로 한다.
상기 다른 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 장치는 상기 신호 측정부는 상기 구조물 손상의 발생에 대한 상기 음향 방출 신호를 측정하는 음향 방출 센서; 및 상기 구조물 주변의 동적 이벤트에 대한 상기 미세 지진 활동 신호를 측정하는 미세 지진 활동 센서;를 구비하는 것을 특징으로 한다.
상기 다른 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 장치는 상기 데이터 분석부는 필터링된 상기 미세 지진 활동 신호를 인가받아 이벤트 분석 프로그램(310)을 이용하여 동적 이벤트 발생 크기 및 위치를 분석하고, 필터링된 상기 음향 방출 신호를 인가받아 구조물 손상 분석 프로그램을 이용하여 구조물 손상 발생 크기 및 위치를 분석하는 데이터 분석기; 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 기계 학습 프로그램을 이용하여 상기 기계 학습을 수행하고, 학습된 결과에 따라 상기 기 설정된 임계값을 자동 조정하는 인공 지능부; 및 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호, 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터, 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 상기 임계값 및 상기 상관 관계를 저장하는 빅 데이터베이스;를 구비하는 것을 특징으로 한다.
상기 다른 목적을 달성하기 위한 본 발명의 기계 학습 기반 지반 및 구조물의 건전도 평가 장치는 상기 데이터 수집 및 전송부는 상기 동적 이벤트 및 상기 구조물 손상이 발생하지 않은 평상 시에 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호가 실시간 소정의 시간 간격에 따라 모니터링 현황 기록으로 저장되는 저장부;를 구비하는 것을 특징으로 한다.
기타 실시예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 각 실시예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.
본 발명에 의할 경우, 지반 및 구조물의 구조 건전도 평가에 기계 학습기술을적용하여 구조물의 환경 조건에 따른 구조물의 반응 분석에 대해 건물 주변 지반 동적 이벤트 발생 및 구조물의 손상 발생 크기 및 위치 데이터의 빅 데이터베이스화가 가능하므로, 건물 주변의 다양한 동적 이벤트 발생 상황에 대해 자동으로 정확한 손상 수준 추정이 가능해 진다.
또한, 지반 및 구조물의 구조 건전도 평가에 다양한 계측 센서들이 종합적으로 사용되더라도 측정된 미세 지진 활동 신호 및 음향 방출 신호의 진폭 이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하므로, 처리 및 전송할 데이터 용량을 최소화시키며, 데이터 분석에 필요한 비용 및 시간을 획기적으로 감소시킬 수 있게 된다.
또한, 구조물이 지하에 있어 지반의 불확실도와 지하 구조물이 육안으로 확인이 되지 않는 경우에도, 인공 지능부가 구조물 주변의 동적 이벤트 및 구조물의 손상 발생 여부와 시차 등을 함께 고려하여 보다 구체적인 손상 수준 평가가 수행되므로, 지반 및 구조물의 건전도 평가의 신뢰도 및 정확도가 향상된다.
도 1은 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치를 설명하기 위한 개략적인 구성도이다.
도 2는 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치의 블록도이다.
도 3은 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 동작을 설명하기 위한 순서도이다.
도 4는 도 3에 도시된 건전도 평가 방법 중 단계(S500)의 부분 동작을 설명하기 위한 순서도이다.
도 5는 도 3에 도시된 건전도 평가 방법 중 단계(S500)를 통해 인공 지능부에서 수행하는 구조물의 손상 수준 평가 동작을 설명하기 위한 표이다.
도 2는 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치의 블록도이다.
도 3은 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 동작을 설명하기 위한 순서도이다.
도 4는 도 3에 도시된 건전도 평가 방법 중 단계(S500)의 부분 동작을 설명하기 위한 순서도이다.
도 5는 도 3에 도시된 건전도 평가 방법 중 단계(S500)를 통해 인공 지능부에서 수행하는 구조물의 손상 수준 평가 동작을 설명하기 위한 표이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 바람직한 실시예에 대하여 상세히 설명하면 다음과 같다.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있다.
더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니다.
이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.
또한, 본 명세서에 있어서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있다.
또한, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있다.
또한, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결시키기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있다.
한편, 상기 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.
또한, 본 명세서에 있어서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용된다.
하지만, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 한다.
또한, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.
더욱이, 본 발명의 명세서에서는, "부", "기", "모듈", "장치" 등의 용어는, 사용된다면, 하나 이상의 기능이나 동작을 처리할 수 있는 단위를 의미한다.
이는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있음을 알아야 한다.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대한 상세한 설명은 생략될 수도 있다.
도 1은 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치를 설명하기 위한 개략적인 구성도이다.
도 2는 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치의 블록도로서, 신호 측정부(100), 데이터 수집 및 전송부(200), 데이터 분석부(300) 및 결과 표시부(400)를 구비한다.
신호 측정부(100)는 미세 지진 활동 센서(110) 및 음향 방출 센서(120)를 포함하고, 데이터 수집 및 전송부(200)는 유효 데이터 필터링부(210) 및 저장부(220)를 포함한다.
또한, 데이터 분석부(300)는 이벤트 분석 프로그램(310), 데이터 분석기(320), 구조물 손상 분석 프로그램(330), 기계 학습 프로그램(340), 인공 지능부(350) 및 빅 데이터베이스(360)를 포함하고, 결과 표시부(400)는 동적 이벤트 크기 및 위치 표시부(410), 구조물 손상 크기 및 위치 표시부(420) 및 손상 수준별 경고 표시부(430)를 포함한다.
도 1 내지 도 2를 참조하여 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 장치의 구성 및 기능을 설명하면 다음과 같다.
신호 측정부(100)는 음향 방출 신호 및 미세 지진 활동 신호를 실시간 측정한다.
이때, 신호 측정부(100) 내 미세 지진 활동(Micro-seismicity, MS) 센서(110)는 구조물 주변의 동적 이벤트에 대한 미세 지진 활동 신호를 측정하고, 음향 방출(Acoustic emission, AE) 센서(120)는 구조물 손상의 발생에 대한 음향 방출 신호를 측정한다.
데이터 수집 및 전송부(200)는 신호 측정부(100)에서 측정된 미세 지진 활동 신호 및 음향 방출 신호를 인가받아 유효 데이터 필터링부(210)를 통하여 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송한다.
이때, 데이터 수집 및 전송부(200) 내 저장부(220)에는 동적 이벤트 및 구조물 손상이 발생하지 않은 평상 시에 측정된 미세 지진 활동 신호 및 음향 방출 신호가 실시간 소정의 시간 간격에 따라 모니터링 현황 기록으로 저장된다.
데이터 분석부(300)는 데이터 수집 및 전송부(200)에서 필터링된 음향 방출 신호 및 필터링된 미세 지진 활동 신호를 인가받아 데이터 분석기(320)가 동적 이벤트 및 구조물 손상의 발생 크기 및 위치를 분석하고, 기계 학습 프로그램(340)이 양자의 상관 관계에 대하여 기계 학습을 수행하여 기 설정된 임계값을 자동 조정한다.
이때, 데이터 분석부(300) 내 인공 지능부(350)는 측정된 미세 지진 활동 신호 및 음향 방출 신호와 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 기계 학습 프로그램(340)을 통해 기계 학습을 수행하고, 학습된 결과에 따라 기 설정된 임계값을 자동 조정한다.
또한, 빅 데이터베이스(360)는 측정된 미세 지진 활동 신호 및 음향 방출 신호, 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터, 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 임계값 및 상관 관계를 저장한다.
결과 표시부(400)는 데이터 분석부(300)에서 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시하거나, 축적된 학습 결과의 분량이 충분한 경우, 기계 학습만으로 추정된 구조물의 손상 수준별 경고를 바로 표시한다.
도 3은 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 동작을 설명하기 위한 순서도이다.
도 1 내지 도 3을 참조하여 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 개략적인 동작을 설명하면 다음과 같다.
신호 측정부(100)가 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정한다(S100).
데이터 수집 및 전송부(200)가 신호 측정부(100)에서 측정된 미세 지진 활동 신호 및 음향 방출 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송한다(S200).
데이터 분석부(300)가 데이터 수집 및 전송부(200)에서 필터링된 미세 지진 활동 신호를 인가받아 동적 이벤트 발생 크기 및 위치를 분석하고(S300), 필터링된 음향 방출 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석한다(S400).
데이터 분석부(300) 내 인공 지능부(350)가 신호 측정부(100)에서 측정된 미세 지진 활동 신호 및 음향 방출 신호와 데이터 분석부(300)에서 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 상관 관계에 대하여 기계 학습을 수행하고, 학습된 결과에 따라 기 설정된 임계값을 자동 조정한다(S500).
결과 표시부(400)가 데이터 분석부(300)에서 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시한다(S600).
본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 상세한 동작 설명은 후술하도록 한다.
도 4는 도 3에 도시된 건전도 평가 방법 중 단계(S500)의 부분 동작을 설명하기 위한 순서도이다.
도 1 내지 도 4를 참조하여 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 중 단계(S500)의 개략적인 동작을 설명하면 다음과 같다.
인공 지능부(350)는 신호 측정부(100)에서 측정된 미세 지진 활동 신호 및 음향 방출 신호와 데이터 분석부(300)에서 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 상관 관계에 대하여 기계 학습을 수행한다(S510).
인공 지능부(350)는 기계 학습된 결과에 따라 기 설정된 임계값을 자동 조정한다(S520).
인공 지능부(350)는 신호 측정부(100)에서 측정된 미세 지진 활동 신호 및 음향 방출 신호, 데이터 분석부(300)에서 분석된 동적 이벤트 및 구조물 손상의 발생 크기 및 위치에 대한 데이터, 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 임계값 및 상관 관계를 빅 데이터베이스(360)에 저장한다(S530).
인공 지능부(350)는 동적 이벤트 및 구조물의 손상 발생 여부와 시차 등을 함께 고려하여 보다 구체적인 손상 수준 평가를 수행한다(S540).
도 5는 도 4에 도시된 건전도 평가 방법 중 단계(S540)를 통해 인공 지능부(350)에서 수행하는 구조물의 손상 수준 평가 동작을 설명하기 위한 표이다.
도 1 내지 도 5를 참조하여 본 발명에 따른 기계 학습 기반 지반 및 구조물의 건전도 평가 방법의 동작을 상세하게 설명하면 다음과 같다.
먼저, 건물 주변 지반에서 지진, 싱크홀, 굴착파손 등과 같은 동적 이벤트가 발생하면 신호 측정부(100) 내 미세 지진 활동 센서(110) 및 음향 방출 센서(120)가 미세 지진 활동 신호 및 음향 방출 신호를 측정한다.
데이터 수집 및 전송부(200)는 미세 지진 활동 센서(110)로부터 측정된 미세 지진 활동 신호 및 음향 방출 센서(120)로부터 측정된 음향 방출 신호를 인가받아 유효 데이터 필터링부(210)를 통하여 신호의 진폭 등이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송한다.
이때, 건물 주변 지반에서 동적 이벤트 및 구조물의 손상이 발생하지 않은 평상 시에는 모니터링 현황 기록을 위해 실시간 수집된 데이터 중 일부는 특정 시간 간격에 따라 데이터 수집 및 전송부(200) 내 소정의 저장부(220)에 저장될 수 있다.
데이터 분석부(300)는 데이터 수집 및 전송부로부터 필터링된 음향 방출 신호를 인가받아 데이터 분석기(320)가 이벤트 분석 프로그램(310)을 이용하여 동적 이벤트 발생 크기 및 위치를 분석하고, 데이터 수집 및 전송부로부터 필터링된 미세 지진 활동 신호를 인가받아 데이터 분석기(320)가 구조물 손상 분석 프로그램(330)을 이용하여 구조물 손상 발생 크기 및 위치를 분석한다.
이때, 데이터 분석부(300) 내 인공 지능부(350)는 미세 지진 활동 신호 및 음향 방출 신호와 분석된 이벤트 발생 크기 및 위치, 손상 발생 크기 및 위치 데이터와의 상관 관계에 대한 빅 데이터베이스(360)를 구축하고, 기계 학습 프로그램(340)을 통해 학습된 결과에 따라 미세 지진 활동 신호 및 음향 방출 신호의 임계값을 자동 조정한다.
결과 표시부(400)는 데이터 분석부(300)로부터 분석된 건물 주변 지반의 동적 이벤트 및 건물 기초 구조물의 손상 크기 및 위치 데이터를 인가받아 각각 동적 이벤트 크기 및 위치 표시부(410), 구조물 손상 크기 및 위치 표시부(420)에 건물 주변 지반의 동적 이벤트, 건물 기초 구조물의 손상 크기 및 위치를 각각 표시한다.
또한, 인공 지능부(350)가 빅 데이터베이스(360)에 축적된 학습 결과의 분량이 충분한 것으로 판단한 후에는 데이터 분석부(300)의 이벤트 발생 크기 및 위치, 손상 발생 크기 및 위치 데이터 분석을 거치지 않고, 기계 학습만으로 구조물의 손상 수준을 추정하여 손상 수준별 경고 표시부(430)에 손상 수준별 경고를 바로 표시한다.
즉, 인공 지능부(350)는 동적 이벤트 및 구조물의 손상 발생 여부와 시차 등을 함께 고려하여 보다 구체적인 손상 수준 평가를 수행한다.
인공 지능부(350)에서 수행하는 구체적인 손상 수준 평가는 도 5를 참조하여 설명하면 다음과 같다.
미세 지진 활동 센서(110) 및 음향 방출 센서(120)로부터 동적 이벤트 및 구조물의 손상 발생이 모두 감지되지 않은 경우에는 '이상 없음'으로 평가되고, 음향 방출 센서(120)에서는 구조물의 손상 발생이 감지되었는데 미세 지진 활동 센서(110)에서는 동적 이벤트가 감지되지 않은 경우에는 '구조물의 구조적 원인에 의한 손상 가능성 높음'으로 손상 수준이 평가된다.
또한, 미세 지진 활동 센서(110)에서는 동적 이벤트가 감지되었는데 음향 방출 센서(120)에서는 구조물의 손상 발생이 감지되지 않은 경우에는 '주변 지반에 이상 발생하였으나 구조물에 영향 미약'으로 손상 수준이 평가되고, 미세 지진 활동 센서(110) 및 음향 방출 센서(120)로부터 동적 이벤트 및 구조물의 손상 발생이 모두 감지된 경우에는 '주변 지반 이상 및 구조물 손상 발생'으로 손상 수준이 평가된다.
이와 같이, 본 발명은 구조물 주변으로부터 수집되는 동적 이벤트 및 구조물의 손상 발생 신호의 분석을 통해 실제 구조물 상태와 이벤트 크기 및 위치에 대한 기계 학습 결과를 토대로, 충분한 분량의 자료 축적 후에는 크기 및 위치 분석을 생략하고 기계 학습만으로 구조물의 손상 수준을 추정할 수 있는 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치를 제공한다.
이를 통하여, 본 발명은 지반 및 구조물의 구조 건전도 평가에 기계 학습기술을적용하여 구조물의 환경 조건에 따른 구조물의 반응 분석에 대해 건물 주변 지반 동적 이벤트 발생 및 구조물의 손상 발생 크기 및 위치 데이터의 빅 데이터베이스화가 가능하므로, 건물 주변의 다양한 동적 이벤트 발생 상황에 대해 자동으로 정확한 손상 수준 추정이 가능해 진다.
또한, 지반 및 구조물의 구조 건전도 평가에 다양한 계측 센서들이 종합적으로 사용되더라도 측정된 미세 지진 활동 신호 및 음향 방출 신호의 진폭 이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하므로, 처리 및 전송할 데이터 용량을 최소화시키며, 데이터 분석에 필요한 비용 및 시간을 획기적으로 감소시킬 수 있게 된다.
또한, 구조물이 지하에 있어 지반의 불확실도와 지하 구조물이 육안으로 확인이 되지 않는 경우에도, 인공 지능부가 구조물 주변의 동적 이벤트 및 구조물의 손상 발생 여부와 시차 등을 함께 고려하여 보다 구체적인 손상 수준 평가가 수행되므로, 지반 및 구조물의 건전도 평가의 신뢰도 및 정확도가 향상된다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.
100 : 신호 측정부
200 : 데이터 수집 및 전송부
300 : 데이터 분석부
400 : 결과 표시부 신호 측정부
200 : 데이터 수집 및 전송부
300 : 데이터 분석부
400 : 결과 표시부 신호 측정부
Claims (12)
- (a) 신호 측정부가 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정하는 단계;
(b) 데이터 수집 및 전송부가 측정된 상기 음향 방출 신호 및 상기 미세 지진 활동 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하는 단계; 및
(c) 데이터 분석부가 상기 필터링된 미세 지진 활동 신호를 인가받아 동적 이벤트 발생 크기 및 위치를 분석하고, 상기 필터링된 음향 방출 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석하는 단계;
를 포함하되,
상기 데이터 분석부 내 인공 지능부가 측정된 상기 미세 지진 활동 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 상관 관계에 대하여 기계 학습을 수행하고, 학습된 결과에 따라 상기 기 설정된 임계값을 자동 조정하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 1 항에 있어서,
상기 (c) 단계 이후에,
결과 표시부가 상기 분석된 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시하는 단계;
를 더 포함하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 2 항에 있어서,
상기 (c) 단계에서,
상기 인공 지능부가 빅 데이터베이스에 축적된 학습 결과의 분량이 충분한 것으로 판단한 후에는,
상기 데이터 분석부의 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치 분석을 거치지 않고, 기계 학습만으로 구조물의 손상 수준을 추정하여 상기 결과 표시부에 손상 수준별 경고를 바로 표시하는 단계;
를 포함하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 1 항에 있어서,
상기 (a) 단계는,
상기 신호 측정부 내 음향 방출 센서가 상기 구조물 손상의 발생에 대한 상기 음향 방출 신호를 측정하는 단계; 및
상기 신호 측정부 내 미세 지진 활동 센서가 상기 구조물 주변의 동적 이벤트에 대한 상기 미세 지진 활동 신호를 측정하는 단계;
를 더 포함하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 1 항에 있어서,
상기 (b) 단계는
상기 동적 이벤트 및 상기 구조물 손상이 발생하지 않은 평상 시에는 측정된 상기 음향 방출 신호 및 상기 미세 지진 활동 신호가 모니터링 현황 기록을 위해 실시간 소정의 시간 간격에 따라 상기 데이터 수집 및 전송부 내 저장부에 저장되는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 3 항에 있어서,
상기 인공 지능부는
측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터와의 상기 상관 관계를 상기 빅 데이터베이스에 저장하는 단계; 및
기계 학습 프로그램을 통해 학습된 결과에 따라 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 상기 임계값을 상기 빅 데이터베이스에 저장하는 단계;
를 더 포함하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 1 항에 있어서,
상기 인공 지능부는
상기 동적 이벤트 및 상기 구조물 손상 발생 여부를 시차와 함께 고려하여 구조물의 손상 수준 평가를 수행하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 제 7 항에 있어서,
상기 구조물의 손상 수준 평가는
상기 동적 이벤트 및 상기 구조물 손상 발생이 모두 감지되지 않은 경우에는 '이상 없음'으로 평가되는 단계;
상기 구조물 손상 발생이 감지되고, 상기 동적 이벤트가 감지되지 않은 경우에는 '구조물의 구조적 원인에 의한 손상 가능성 높음'으로 평가되는 단계;
상기 동적 이벤트가 감지되고, 상기 구조물 손상 발생이 감지되지 않은 경우에는 '주변 지반에 이상 발생하였으나 구조물에 영향 미약'으로 평가되는 단계; 및
상기 동적 이벤트 및 상기 구조물 손상 발생이 모두 감지된 경우에는 '주변 지반 이상 및 구조물 손상 발생'으로 평가되는 단계;
를 포함하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 방법.
- 미세 지진 활동 신호 및 음향 방출 신호를 실시간 측정하는 신호 측정부;
측정된 상기 음향 방출 신호 및 상기 미세 지진 활동 신호를 인가받아 진폭이 기 설정된 임계값을 초과하는 유효 데이터만 필터링하여 전송하는 데이터 수집 및 전송부;
필터링된 상기 음향 방출 신호 및 상기 필터링된 미세 지진 활동 신호를 인가받아 구조물 손상의 발생 크기 및 위치를 분석하고, 양자의 상관 관계에 대하여 기계 학습을 수행하여 상기 기 설정된 임계값을 자동 조정하는 데이터 분석부; 및
상기 분석된 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 표시하는 결과 표시부;
를 구비하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 장치.
- 제 9 항에 있어서,
상기 신호 측정부는
상기 구조물 손상의 발생에 대한 상기 음향 방출 신호를 측정하는 음향 방출 센서; 및
상기 구조물 주변의 동적 이벤트에 대한 상기 미세 지진 활동 신호를 측정하는 미세 지진 활동 센서;
를 구비하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 장치.
- 제 9 항에 있어서,
상기 데이터 분석부는
필터링된 상기 미세 지진 활동 신호를 인가받아 이벤트 분석 프로그램(310)을 이용하여 동적 이벤트 발생 크기 및 위치를 분석하고, 필터링된 상기 음향 방출 신호를 인가받아 구조물 손상 분석 프로그램을 이용하여 구조물 손상 발생 크기 및 위치를 분석하는 데이터 분석기;
측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호와 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터를 인가받아 기계 학습 프로그램을 이용하여 상기 기계 학습을 수행하고, 학습된 결과에 따라 상기 기 설정된 임계값을 자동 조정하는 인공 지능부; 및
측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호, 분석된 상기 동적 이벤트 및 상기 구조물 손상의 발생 크기 및 위치에 대한 데이터, 자동 조정된 미세 지진 활동 신호 및 음향 방출 신호의 상기 임계값 및 상기 상관 관계를 저장하는 빅 데이터베이스;
를 구비하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 장치.
- 제 9 항에 있어서,
상기 데이터 수집 및 전송부는
상기 동적 이벤트 및 상기 구조물 손상이 발생하지 않은 평상 시에 측정된 상기 미세 지진 활동 신호 및 상기 음향 방출 신호가 실시간 소정의 시간 간격에 따라 모니터링 현황 기록으로 저장되는 저장부;
를 구비하는 것을 특징으로 하는,
기계 학습 기반 지반 및 구조물의 건전도 평가 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161499A KR20190062874A (ko) | 2017-11-29 | 2017-11-29 | 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170161499A KR20190062874A (ko) | 2017-11-29 | 2017-11-29 | 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190062874A true KR20190062874A (ko) | 2019-06-07 |
Family
ID=66850122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170161499A KR20190062874A (ko) | 2017-11-29 | 2017-11-29 | 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190062874A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220062201A (ko) * | 2020-11-06 | 2022-05-16 | 충북대학교 산학협력단 | Ｌｓｔｍ 기반 구조물의 동적특성 자동추출방법 및 이를 수행하는 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101328889B1 (ko) | 2012-11-26 | 2013-11-13 | 고려대학교 산학협력단 | 계측 변위 기반의 구조물 건전도 평가 시스템 |
-
2017
- 2017-11-29 KR KR1020170161499A patent/KR20190062874A/ko active Search and Examination
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101328889B1 (ko) | 2012-11-26 | 2013-11-13 | 고려대학교 산학협력단 | 계측 변위 기반의 구조물 건전도 평가 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220062201A (ko) * | 2020-11-06 | 2022-05-16 | 충북대학교 산학협력단 | Ｌｓｔｍ 기반 구조물의 동적특성 자동추출방법 및 이를 수행하는 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
| Zang et al. | Structural damage detection using independent component analysis | |
| Nichols | Structural health monitoring of offshore structures using ambient excitation | |
| CN106339692B (zh) | 一种疲劳驾驶状态信息确定方法及系统 | |
| KR102173241B1 (ko) | 건설현장 이상징후 감지 방법 및 시스템 | |
| EP3759789B1 (en) | System and method for audio and vibration based power distribution equipment condition monitoring | |
| DE112018007754T9 (de) | Informationsverarbeitungsvorrichtung, Informationsverarbeitungssystem, Verfahren und Programm | |
| CN102499625A (zh) | 红外遥控视力自动测量装置及测试方法 | |
| US11947863B2 (en) | Intelligent audio analytic apparatus (IAAA) and method for space system | |
| US20220276400A1 (en) | Seismic observation device, seismic observation method, and recording medium on which seismic observation program is recorded | |
| Anaissi et al. | Multi-objective variational autoencoder: an application for smart infrastructure maintenance | |
| KR20190062874A (ko) | 기계 학습 기반 지반 및 구조물의 건전도 평가 방법 및 장치 | |
| CN116862740A (zh) | 一种基于互联网的智能监狱管控系统 | |
| CN110123484B (zh) | 一种牲畜分娩检测方法和装置 | |
| Abadíaa et al. | Automated decision making in structural health monitoring using explainable artificial intelligence | |
| CN116849643A (zh) | 基于神经网络的可穿戴设备进行跌倒检测的方法 | |
| Hadi et al. | In-Situ Event Localization for Pipeline Monitoring System Based Wireless Sensor Network Using K-Nearest Neighbors and Support Vector Machine | |
| KR102355264B1 (ko) | 진동센서 및 음향센서를 이용한 선박 원격 관리 시스템 및 방법 | |
| CN111951505B (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
| Marrongelli et al. | An artificial intelligence strategy to detect damage from response measurements: application on an ancient tower | |
| JP2022019125A (ja) | 運転訓練評価システムおよび運転訓練評価方法 | |
| CN113743326B (zh) | 安全带佩戴状态监测系统、方法、装置和计算机设备 | |
| CN115147872B (zh) | 一种考场中教师行为的检测方法及系统 | |
| RU2800740C1 (ru) | Система и способ выявления аномалий в киберфизической системе | |
| Jansen et al. | Multi-Feature Anomaly Detection for Structural Health Monitoring of a Road Bridge using an Autoencoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |