KR20190130257A - 콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템 - Google Patents

Abstract

본 발명은 콘크리트 시설물의 압축강도 예측 방법 및 그 시스템에 관한 것으로서, 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 단계; 콘크리트 시편 제작 단계; 콘크리트 시편 사진 이미지 촬영 단계; 콘크리트 시편 성능시험 및 데이터베이스 구축 단계; 성능평가 알고리즘 설계 단계; 및 성능평가 프로그램 개발 단계를 포함한다. 본 발명에 의하면 건설분야와 ICT 기술분야의 융·복합으로 다가오는 4차 산업혁명에 선제적으로 대응할 수 있는 지능형 유지관리 전략 수립 및 내수시장 활성화 기반 마련이 가능하다.

Description

콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템{PREDICTION METHOD FOR COMPRESSION STRENGTH OF CONCRETE STRUCTURE BASED ON DEEP CONVOLUTIONAL NEURAL NETWORK ALGORITHM AND PREDICTION SYSTEM USING THE METHOD}

본 발명은 콘크리트 시설물의 압축강도 예측 방법 및 그 시스템에 관한 것으로서, 구체적으로는 구조물 표면 이미지 및 딥 컨볼루션 신경망 알고리즘(Deep Convolutional Neural Network Algorithm을 이용하여 효과적으로 콘크리트의 압축 강도를 추정할 수 있는 방법 및 시스템에 관한 것이다.

한국의 시설물 노후화로 인해 안전진단이 필요한 건축물은 2014년 2,608개소(3.8%)에서 2019년 4,054개소(5.95)로 증가될 것으로 예상되며, 2029년에는 노후화 건축물의 비율이 33.7%까지 증가할 것으로 예상되고 있다. 콘크리트는 시설물을 구성하는데 주로 사용되고 있는 주재료이다. 그만큼 콘크리트 구조물의 성능을 확보하는 것이 매우 중요하다.

콘크리트 구조물의 안전성 평가 지표는 압축강도, 철근 배근상황, 철근응력, 구조물의 전체 변형 등을 조사하여 평가한다. 그 중 콘크리트 압축강도는 콘크리트 시설물의 성능을 평가하는 중요한 지표이다. 비록 염해, 동경융해, 철근 부식, 탄산화 등의 요인도 콘크리트 성능에 영향을 주는 요소 이지만, 이러한 요인은 결국 시설물을 지탱하는 콘크리트 압축강도에 영향을 주게 되므로, 압축강도가 매우 중요한 요인이라 할 수 있다.

한국의 한국시설안전공단 분석 보고서에 따르면, 최근 5년간 소규모 취약시설(사회복지시설 등)에 대한 안전점검 결과 불량, 미흡 등급 판정 비율이 25.6%이며, 1·2종 외 시설물(공사장, 주거용 건물 등) 붕괴 사고가 2009년 220건에서 2015년 431건으로 증가. 1950년 이전에 지어진 소규모취약시설 267개 중 안전점검을 받은 시설물은 48개(18.0%)에 불과하다.

콘크리트 시설물의 안전 점검은 시설물 붕괴 위험으로부터 보호해준다. 콘크리트의 성능 지표인 압축강도는 건축물의 안전성을 가늠하는 지표이며, 지진이나, 열화 등에 의한 콘크리트 붕괴 위험으로부터 저항해준다. 시설물 안전성의 척도로서 압축강도가 매우 중요한 요소이나, 실제 시설물의 압축강도를 사전에 측정하여 관리하고 있는 비율은 전체의 21.3%밖에 차지하지 않고 있다.

시설안전공단에 따르면, 2015년 기준 정밀점검 및 정밀안전진단에 대한 평가 대상은 26,247건이나 이중 실제로 5,600건만 평가하여 전체의 21.3%만 차지하고 있다.

콘크리트 시설물의 압축강도를 측정하는 방법은 파괴 시험과 비파괴 시험으로 구분된다. 콘크리트 시설물의 압축강도 비파괴 시험은 시설물의 안전진단 효율성을 강화시키는 방법이다. 기존의 콘크리트 압축강도 파괴시험은 콘크리트 시편을 직접 인발하여 실험을 통해 상태를 평가하였으나, 이는 장비와 인력이 많이 투입되고 비용이 많이 소모 되며, 시설물을 파괴할 뿐만 아니라 내부에 배근된 철근이 절단되거나 부식될 수 있어 안전상에 문제가 지적되고 있다. 이러한 문제점을 해결할 수 있는 방안으로 대상 구조물의 압축강도 검사 시 구조물의 피해를 최소화할 수 있는 비파괴 시험방법을 필요로 하게 된다. 그 방법으로는 강도 측정의 경우 반발경도법, 초음파 탐사법이 있으며 반발경도법이 널리 사용되고 있다. 반발경도법에서도 특히 슈미트 해머법을 이용한 방법이 많이 사용되고 있다. 이 방법은 콘크리트의 표면부에 타격하여 반발력을 측정하기 때문에 표면부의 품질과 타격조건에 따라 영향을 받으므로 콘크리트 구조체 내부의 강도를 명확히 측정하기는 곤란하다. 또한 콘크리트와 같은 불균질한 재료에서는 타격면에 존재하는 골재의 유무, 습윤상태, 콘크리트의 재령 등에 따라 차이가 난다. 따라서 타격 방법 등의 측정환경에 따라 결과 값이 상이하게 나올 수 있다. 게다가 실험을 통해 얻은 반발경도 값을 이용하여 콘크리트 압축강도 추정시 사용하는 예측 식에 따라 그 결과 값이 다르게 나오는 문제점이 있다. 콘크리트 압축강도는 표면 상태나 실험 환경 등이 다르더라도 균일하고 정확한 강도를 측정하는 것이 중요하다.

이와 같이, 종래의 콘크리트성능 평가 방법 중 파괴 시험은 모체 콘크리트에서 코어를 채취하여 파괴하는 방법으로 모체 콘크리트의 내구성에 영향을 주어 구조물의 안전성에 문제가 발생할 수 있으며 비용적인 문제도 큰 단점을 가진다. 또한 비파괴 시험은 측정조건에 따라 측정값의 편차가 크고, 정밀도가 떨어지는 단점이 있고, 고가의 진단 장비 및 전문 인력이 투입되어 비용의 증가가 발생 하는 문제가 있으므로 저 비용으로도 효과적으로 콘크리트의 압축 강도를 추정할 수 있는 방안이 요구되고 있다.

본 발명은 종래의 콘크리트 압축 강도 측정 방법의 단점을 극복하기 위해 개시된 것으로서, 구조물 표면 이미지 및 딥 컨볼루션 신경망 알고리즘(Deep Convolutional Neural Network Algorithm, 이하, DCNN)을 이용하여 효과적으로 콘크리트의 압축 강도를 추정할 수 있는 방법 및 시스템의 제공을 목적으로 한다.

상기한 본 발명의 목적을 실현하기 위한 하나의 특징에 따른 콘크리트 시설물의 압축강도 예측 방법은, 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 단계; 콘크리트 시편 제작 단계; 콘크리트 시편 사진 이미지 촬영 단계; 콘크리트 시편 성능시험 및 데이터베이스 구축 단계; 성능평가 알고리즘 설계 단계; 및 성능평가 프로그램 개발 단계를 포함한다.

본 발명에 의한 콘크리트 시설물의 압축강도 예측 방법 및 그 시스템에 의하면,

건설 분야와 ICT 기술분야의 융·복합으로 다가오는 4차 산업혁명에 선제적으로 대응할 수 있는 지능형 유지관리 전략 수립 및 내수시장 활성화 기반 마련을 가능하게 한다.

또한, 고가 진단장비 및 전문 인력이 투입되는 기존의 성능진단방식을 탈피하여 유지관리에 사용되는 국가 예산 절이 가능하며, 콘크리트 시설물의 성능을 효율적으로 예측하여 시기적절한 중장기적 유지관리 대응 전략 수립을 가능하게 한다.

도 1은 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 과정을 설명한다.
도 2는 콘크리트 시편 제작을 위한 조건의 한 예이다.
도 3은 시편 제작 과정을 설명한다.
도 4는 시편 이미지 촬영 조건의 한 예이다.
도 5는 데이터베이스 구축을 위해 생성된 데이터의 한 예이다.
도 6은 사진 이미지와 콘크리트 성능 값의 대응 관계를 설명하는 예이다.
도 7은 빅 데이터 구축단계 내지 프로그램 개발 단계를 설명한다.
도 8은 딥 컨볼루션 신경망 알고리즘 기반 콘크리트 시설물 특성별 성능평가 알고리즘 설계의 한 예이다.
도 9는 시설물 유지 관리를 위한 딥 컨볼루션 신경망 알고리즘 기반 사진판독형 콘크리트 성능 평가 프로그램의 개발 과정을 설명한다.
도 10은 본 발명의 실시 과정 및 발명에 의한 효과를 설명한다.
도 11은 본 발명에서 압축강도를 예측하는 알고리즘의 한 예이다.

이하, 첨부한 도면들을 참조하여 본 발명의 바람직한 실시예를 보다 상세하게 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음에 유의한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지 이유로 첨부 도면에 있어서 일부 구성 요소는 과장되거나 생략되거나 개략적으로 도시되었다.

기존의 콘크리트 성능평가는 파괴시험과 비파괴 시험 두 종류로 나누어진다. 파괴시험의 경우 기존콘크리트를 직접 파괴하여 콘크리트의 성능을 평가한다.

비파괴 시험의 경우 콘크리트를 파괴하지 않고 반발경도법, 초음파법 등의 방법으로 성능을 평가한다. 반발경도법은 콘크리트 면에 슈미트해머로 타격에너지를 가하여 콘크리트면의 경도에 따라 반발경도를 측정하고 반발경도와 콘크리트 압축강도와의 상관관계를 도출하여 콘크리트의 압축강도를 추정하는 방법이다.

초음파법은 초음파펄스가 콘크리트 면을 따라 전달될 때 전달되는 속도와 콘크리트 압축강도와의 상관관계를 도출하여 콘크리트의 압축강도를 추정하는 방법이다.

본 발명에서는 콘크리트 표면 사진에서 압축강도 예측을 위한 DCNN 기반 콘크리트 압축강도 예측 방법을 제안한다. DCNN은 이미지기반 분석 기법이며, 동일한 객체의 다양한 모습의 이미지를 학습하여 다양한 환경에서도 객체를 정확히 판별하는 기법이다.

이미지 촬영장비는 휴대하기 쉽고 사용이 편리한 DSLR 카메라를 이용하여 촬영하는 것이고, DSLR 카메라로부터 얻은 이미지는 서로 다른 성능 값 범주로 구분한다. 그 다음 이 데이터를 이용하여 DCNN 모델을 학습시킨다. 결과의 정확도는 테스트 이미지를 입력하여 실제 성능 값과 예측 값이 차이 값으로 검증한다. 실험결과 이는 불 균질한 콘크리트 표면 이미지로부터 압축강도를 예측하기에 충분하다는 것을 의미한다.

본 발명에 의한 콘크리트 시설물의 압축강도 예측 방법은 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 단계, 콘크리트 시편 제작 단계, 콘크리트 시편 사진 이미지 촬영 단계, 콘크리트 시편 성능시험 및 데이터베이스 구축 단계, 성능평가 알고리즘 설계 단계, 성능평가 프로그램 개발 단계를 포함한다.

구체적으로 본 발명에서, 콘크리트의 성능 평가에 활용되는 특성은 공극률, 압축강도, 염화물 확산계수로 콘크리트 사진에서 그 특성을 파악하여 성능 평가를 예측한다. 건축물 성능 평가 시 종래에 사용되었던 고가의 장비 및 시험 없이 콘크리트 표면 사진을 입력데이터에 대한 성능 평가 예측 값을 사전에 축적한 Big Data와 딥러닝 알고리즘을 활용하여 도출해 낸다.

도 1은 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 과정을 설명한다.

성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 단계에서,

콘크리트 성능 Big Data를 구축하기 위해 우선 콘크리트 시편을 제작한다.

각 시편에 대한 사진 이미지 (Input)를 촬영하고, 압축강도 (Output 1), 염화물 확산계수 (Output 2), 공극률 (Output 3)을 시험을 통해 산출한다. 마지막으로, 사진 이미지 (Output)와 각 성능 값 (Input 1, 2, 3)을 라벨링 (labeling) 하여 콘크리트 성능 데이터베이스를 구축한다.

도 2는 콘크리트 시편 제작을 위한 조건의 한 예이다. 도 3은 시편 제작 과정을 설명한다.

콘크리트 시편 제작에서, 콘크리트의 압축강도, 염화물 확산계수에 영향을 주는 대표적인 요인은 공극 특성이며, 이는 물/시멘트비와 재령에 영향을 받기 때문에 다양한 범위의 성능 값을 가질 수 있도록 목표 압축강도 40MPa, 30MPa, 27MPa, 24MPa, 21MPa, 18MPa 기준으로 각각 물시멘트비(W/C) 33%, 40%, 46%, 50%, 62%, 68% 로 OPC100 배합으로 설계하였다. 또한 재령일을 3, 7, 29, 91일로 구분하여 시편 사진이미지 촬영과 성능 시험을 할 수 있도록 시편 수를 설정하는 것이 바람직하다.

도 4는 시편 이미지 촬영 조건의 한 예이다.

콘크리트 시편 사진 이미지 촬영단계에서, 향후 실제 콘크리트 건물의 성능 평가 시 휴대하기 쉽고, 촬영이 간편한 USB 현미경과 DSLR 카메라를 활용하여 사진 이미지를 촬영한다.

도 5는 데이터베이스 구축을 위해 생성된 데이터의 한 예이다.

콘크리트 시편 성능시험 및 데이터베이스 구축단계에서, 제작한 시편을 콘크리트 성능 시험을 통하여 성능 결과 값을 얻고 사진 이미지를 입력하면 콘크리트의 예측 성능 값을 얻기 위한 데이터베이스 구축한다.

도 6은 사진 이미지와 콘크리트 성능 값의 대응 관계를 설명하는 예이다.

도 7은 빅 데이터 구축단계 내지 프로그램 개발 단계를 설명한다.

성능평가 알고리즘 설계단계는 구체적으로, ① 콘크리트 구조물 성능평가 모델 설계를 위한 데이터 특성 분석단계, ② 성능평가 구현을 위한 DCNN 모델의 입출력 정의 및 실험단계, ③ 실험자료 및 목표 값 Matching을 위한 DCNN 모델의 데이터 전처리 및 증폭 Simulation 단계 및 ④ 성능 목표값 Tracking을 위한 DCNN 모델의 신경망 알고리즘 설계단계를 포함한다.

① 콘크리트 구조물 성능평가 모델 설계를 위한 데이터 특성 분석단계에서, 콘크리트 성능 지표를 나타내는 공극, 강도, 염화물 확산계수, 건전도 등의 콘크리트 정밀 표면 이미지 데이터 특성 파악한다. 이어서 콘크리트 이미지 데이터의 공극, 강도, 염화물 확산계수, 건전도 등의 특성별 데이터 분포 및 상관관계 통계 분석 및 데이터 시각화 분석 실험을 수행한다.

② 성능평가 구현을 위한 DCNN 모델의 입출력 정의 및 실험단계에서, 특성별 입력 데이터 사이즈, 입력 데이터 구조 및 형태, 출력 형태를 정의한다. 이어서 고정 초기 신경망 모델을 활용하여 공극, 강도, 염화물 확산계수, 건전도 등의 연속 변수를 범주화 실험 및 입력 데이터 구조 설계 실험을 수행한다.

③ 실험자료 및 목표 값 Matching을 위한 DCNN 모델의 데이터 전처리 및 증폭 Simulation 단계에서, 조명, 위치, 각도 등에 따른 입력 데이터의 변형 및 왜곡 현상 입력 데이터에 반영하고, 이미지 변형 컴퓨터 비전 알고리즘을 적용하여 조명, 위치, 각도 등의 각 변형별 데이터 생성 및 고정 초기 신경망 모델 활용하여 검증한다.

④ 성능 목표 값 Tracking을 위한 DCNN 모델의 신경망 알고리즘 설계단계에서, 특성별 입력 데이터 타입, 사이즈 및 구조, 출력 사이즈 및 형태를 반영한 DCNN구조 설계를 수행하고, DCNN의 layer 수 및 형태, layer module, filter 사이즈 및 개수 그리고 신경망 전체 구조 설계 Learning set의 구성은 ㄱ. DCNN의 입력데이터, ㄴ. DCNN의 Architecture 후보군, ㄷ. DCNN의 학습을 위한 학습 파라미터 세트로 구성된다.

도 8은 딥 컨볼루션 신경망 알고리즘 기반 콘크리트 시설물 특성별 성능평가 알고리즘 설계의 한 예이다.

성능평가 프로그램 개발단계는, ① DCNN 기반 알고리즘 피드백을 통한 Big Data Mining 단계, ② 콘크리트 시설물 성능평가 알고리즘 Big Data 검증 및 보완 단계, ③ 콘크리트 시설물 유지관리 활용을 위한 최적 사진판독 프로세스 개발 단계 및 ④ 외부 실험 자료를 이용한 사진 판독형 콘크리트 성능평가 프로그램 검증 단계를 포함한다.

① DCNN 기반 알고리즘 피드백을 통한 Big Data Mining 단계에서, 1 차 년도에 개발된 DCNN 기반 알고리즘에 대한 피드백을 통해 콘크리트 성능 영향 요인과 관련된 Big Data 내의 유용한 상관관계 분석한다.

이어서, 시설물 사용자가 콘크리트 성능을 평가하고 콘크리트 시설물의 유지관리를 결정하는 의사결정 정보 Data Mining을 수행한다.

② 콘크리트 시설물 성능평가 알고리즘 Big Data 검증 및 보완 단계에서, 콘크리트 시설물 성능평가 알고리즘 Big Data 특성 검증한다.

이어서, 1차 년도에 구축된 콘크리트 표면 최적 사진 기준 및 성능 대표 자료를 기반으로 MIP, 강도, 촉진 등 실험 Data 보완한다.

③ 콘크리트 시설물 유지관리 활용을 위한 최적 사진판독 프로세스 개발 단계에서, 콘크리트 시설물 성능평가 알고리즘 Big Data 특성 검증한다. 이어서, 1차 년도에 구축된 콘크리트 표면 최적 사진 기준 및 성능 대표 자료를 기반으로 MIP, 강도, 촉진 등 실험 Data 보완한다.

④ 외부 실험 자료를 이용한 사진 판독형 콘크리트 성능평가 프로그램 검증 단계에서, 외부 실험 데이터를 이용하여 사진 판독형 성능평가 프로그램 검증하고, 사진 판독형 콘크리트 성능평가 시스템의 신뢰도 향상을 위한 지속적인 피드백 제공한다.

도 9는 시설물 유지 관리를 위한 딥 컨볼루션 신경망 알고리즘 기반 사진판독형 콘크리트 성능 평가 프로그램의 개발 과정을 설명한다.

도 10은 본 발명의 실시 과정 및 발명에 의한 효과를 설명한다.

도 11은 본 발명에서 압축강도를 예측하는 알고리즘의 한 예이다.

본 발명에 의한 콘크리트 시설물의 압축강도 예측 방법 및 그 시스템에 의하면,

건설 분야와 ICT 기술분야의 융·복합으로 다가오는 4차 산업혁명에 선제적으로 대응할 수 있는 지능형 유지관리 전략 수립 및 내수시장 활성화 기반 마련을 가능하게 한다.

또한, 고가 진단장비 및 전문 인력이 투입되는 기존의 성능진단방식을 탈피하여 유지관리에 사용되는 국가 예산 절이 가능하며, 콘크리트 시설물의 성능을 효율적으로 예측하여 시기적절한 중장기적 유지관리 대응 전략 수립을 가능하게 한다.

즉, 콘크리트 성능 평가 및 건축물 안전 진단, 본 기술은 콘크리트의 표면 사진을 활용, 사진에 나타나는 공극률, 염화물계수, 압축강도의 특징을 딥러닝 기술을 통하여 분석하여 콘크리트의 내구성을 판단하는 자료를 도출 해 내는 것으로 기존의 성능평가 기술들 보다 효과적으로 콘크리트의 성능을 평가 할 수 있으며 콘크리트의 성능 평가에 사용되는 진단 비용을 최소화할 수 있다.

상술한 바와 같이 본 발명은 콘크리트 성능 평가 및 건축물 안전 진단에 적용 가능하다.

또한 향후, 준공 후 안전 진단을 필요로 하는 건축물, 건축물 유지관리 시장에 적용할 수 있다.

이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있다.

Claims (1)

1. 성능평가 알고리즘 설계를 위한 콘크리트 성능평가 빅 데이터(Big Data) 구축 단계;
   콘크리트 시편 제작 단계;
   콘크리트 시편 사진 이미지 촬영 단계;
   콘크리트 시편 성능시험 및 데이터베이스 구축 단계;
   성능평가 알고리즘 설계 단계; 및
   성능평가 프로그램 개발 단계를 포함하는 콘크리트 시설물의 압축강도 예측 방법.

Images