KR20210068735A - 건물의 변형 형상을 예측하는 방법 및 장치 - Google Patents

건물의 변형 형상을 예측하는 방법 및 장치 Download PDF

Info

Publication number
KR20210068735A
KR20210068735A KR1020190158111A KR20190158111A KR20210068735A KR 20210068735 A KR20210068735 A KR 20210068735A KR 1020190158111 A KR1020190158111 A KR 1020190158111A KR 20190158111 A KR20190158111 A KR 20190158111A KR 20210068735 A KR20210068735 A KR 20210068735A
Authority
KR
South Korea
Prior art keywords
floor
building
displacement
wind
data
Prior art date
Application number
KR1020190158111A
Other languages
English (en)
Other versions
KR102356403B1 (ko
Inventor
김법렬
Original Assignee
경일대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경일대학교산학협력단 filed Critical 경일대학교산학협력단
Priority to KR1020190158111A priority Critical patent/KR102356403B1/ko
Publication of KR20210068735A publication Critical patent/KR20210068735A/ko
Application granted granted Critical
Publication of KR102356403B1 publication Critical patent/KR102356403B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계, 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 건물의 최상층의 변위를 측정하고 최상층의 최상층 변위 데이터를 수집하는 단계, 각 층의 풍응답 데이터 및 각 층의 변위 데이터와, 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및 트레이닝된 건물 변형 예측 모델을 통해 최상층 변위 데이터로부터 건물의 변형 형상을 예측하는 단계를 통해 건물의 변형 형상을 예측하는 방법 및 장치가 제공된다.

Description

건물의 변형 형상을 예측하는 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING DEFORMED SHAPE OF BUILDING}
본 발명은 풍하중에 따른 건물의 변형 형상을 예측하는 관한 방법 및 장치에 관한 것이다.
고층건물에 있어서 풍하중(Wind loads)은 복잡한 변동(fluctuations)을 동반할 수 있다. 그리고 건물에 작용하는 풍하중은 시간에 따라서 매우 다양하게 변화할 수 있다. 소용돌이 흘림(Vortex shedding) 현상이 고려될 때, 바람이 한 방향에서 건물을 향해 불어오더라도 여러 방향의 풍하중이 함께 고려될 필요가 있다. 여기서 여러 방향의 풍하중은, 풍방향 힘(along-wind force), 풍직각방향 힘(cross-wind force), 및 비틀림방향 힘(torsional wind force)을 포함할 수 있다. 이러한 공기역학적 특성(aerodynamic characteristics)은 바람의 속도, 바람의 방향, 건물의 형태, 건물의 위치에 따라서 매우 다양하게 나타날 수 있다(Tanaka, H., Tamura, Y., Ohtake, K., Nakai, M., & Kim, Y. C. (2012). Experimental investigation of aerodynamic forces and wind pressures acting on tall buildings with various unconventional configurations. Journal of Wind Engineering and Industrial Aerodynamics, 107-108, 179-191. 등 참조). 그리고 이러한 복잡한 풍하중의 특성 때문에 풍하중이 고층건물에 작용할 때 발생되는 풍응답(wind-induced response)이 정확하게 추정될 필요가 있다.
대한민국 등록특허공보 제0-1965879호 (2019년 3월 29일) 대한민국 등록특허공보 제10-1328889호 (2013년 11월 6일)
본 발명이 해결하고자 하는 과제는, 최상층의 변위를 사용하여 건물의 변형 형상을 예측하는 방법 및 장치를 제공하는 것이다.
본 발명의 실시예에 따르면, 건물의 변형 형상을 예측하는 방법이 제공된다. 상기 변형 형상 예측 방법은, 상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계, 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계, 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계를 포함한다.
또한 본 발명의 다른 실시예에 따르면, 건물의 변형 형상을 예측하는 건물 변형 예측 장치가 제공된다. 상기 건물 변형 예측 장치는, 상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 변형 형상 측정부, 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 최상층 변위 측정부, 및 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하고, 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 신경망 연산기를 포함한다.
본 발명의 실시예에 따르면, 최상층의 변위와 동일한 시점의 각 층의 변위 및 풍응답을 사용하여 트레이닝된 건물 변형 예측 모델을 통해, 최상층의 변위를 사용하여 각 층의 변위를 예측하고 이를 바탕으로 건물 전체의 변형 형상을 예측함으로써, 각 층의 변위 및 풍응답의 장시간 모니터링이 필요하지 않게 될 수 있다. 이는 GPS를 통해 획득된 건물 최상층의 변위를 사용함으로써 구조물의 안정성 평가를 위한 건물 전체의 변형 형상을 저비용으로 용이하게 측정할 수 있게 할 수 있다.
도 1은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 장치를 나타낸 블록도이다.
도 2는 한 실시예에 따른 건물의 각 층의 변위를 나타낸 개념도이다.
도 3은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 방법을 나타낸 흐름도이다.
도 4는 한 실시예에 따른 건물로 불어오는 바람의 방향을 나타낸 개념도이다.
도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 모델을 나타낸 개념도이다.
도 6은 한 실시예에 따른 신경망 연산기의 입력 및 출력을 나타낸 개념도이다.
도 7a는 한 실시예에 따른 입력 데이터의 데이터 배열이다.
도 7b는 한 실시예에 따른 출력 데이터의 데이터 배열이다.
도 8은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 장치를 나타낸 블록도이고, 도 2는 한 실시예에 따른 건물의 각 층의 변위를 나타낸 개념도이다.
도 1을 참조하면, 한 실시예에 따른 건물 변형 예측 장치(100)는, 변형 형상 측정부(110), 최상층 변위 측정부(120), 및 신경망 연산기(130)를 포함한다.
변형 형상 측정부(110)는 풍응답 측정부(111) 및 변위 측정부(112)를 포함하고, 건물의 각 층의 풍응답 및 변위를 측정하고 건물의 각 층의 풍응답 데이터 및 변위 데이터를 수집한다. 이후, 변형 형상 측정부(110)는 수집된 풍응답 데이터 및 변위 데이터를 신경망 연산기(130)에게 전달한다. 변형 형상 측정부(110)에 의해 수집된 풍응답 데이터 및 변위 데이터는 신경망 연산기(130)의 트레이닝 단계에서 사용될 수 있다. 변형 형상 측정부(110)는 지상 레이저 스캐닝(Terrestrial laser scanning, TLS), 2차원 레이저 스캐너, 또는 움직임 캡처 시스템(motion capture system) 등을 사용할 수 있다.
최상층 변위 측정부(120)는, 건물의 최상층의 변위를 측정하고 건물의 최상층의 변위 데이터를 수집한다. 최상층 변위 측정부(120)는 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 최상층의 바람의 세기 및 방향에 관한 데이터를 수집할 수 있다. 이후, 최상층 변위 측정부(120)는 최상층의 변위 데이터를 신경망 연산기(130)에게 전달한다. 이때 최상층 변위 측정부(120)는 최상층의 바람의 세기 및 방향에 관한 데이터도 신경망 연산기(130)에게 전달할 수 있다. 최상층 변위 측정부(120)에 의해 수집된 최상층의 변위 데이터는 신경망 연산기(130)의 트레이닝 단계 및 추론 단계에서 사용될 수 있다.
신경망 연산기(130)는 각 층의 풍응답 데이터 및 변위 데이터와, 최상층의 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝할 수 있다(트레이닝 단계). 신경망 연산기(130)는 트레이닝 단계에서 최상층의 바람의 세기, 최상층의 바람의 방향도 고려할 수 있다. 신경망 연산기(130)는 특정 시점의 최상층의 변위 데이터가 입력될 때, 해당 시점의 각 층의 변위에 가까운 결과가 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 이후 신경망 연산기(130)는, 최상층 변위 측정부(120)로부터 GPS 데이터를 바탕으로 측정된 최상층의 변위 데이터가 입력되면, 건물 변형 예측 모델을 통해 최상층의 변위 데이터로부터 건물 전체의 변형 형상을 예측할 수 있다(추론 단계).
도 2를 참조하면, 일반적으로, 건물의 최상층의 변위는 건물의 다른 층의 변위보다 크다. 건물의 변위는 각 층에 부딪히는 바람의 세기 및 방향에 따라 결정되지만, 유의미한 시간 간격 동안의 평균에 따르면 최상층의 변위가 가장 크다. 한 실시예에 따른 건물 변형 예측 장치(100)는 건물 변형 예측 모델의 트레이닝을 통해 건물의 최상층의 변위를 사용하여 건물 전체의 변형 형상을 효과적으로 정확하게 예측할 수 있다.
도 3은 한 실시예에 따른 건물의 변형 형상을 예측하는 변형 형상 예측 방법을 나타낸 흐름도이고, 도 4는 한 실시예에 따른 건물로 불어오는 바람의 방향을 나타낸 개념도이며, 도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 모델을 나타낸 개념도이다.
먼저, 변형 형상 측정부(110) 및 최상층 변위 측정부(120)는 각각 건물의 풍응답 및 변위를 측정한다. 변형 형상 측정부(110)는 건물의 각 층의 풍응답 데이터 및 변위 데이터를 수집하고(S110), 최상층 변위 측정부(120)는 건물의 최상층의 최상층 변위 데이터를 수집한다(S120).
고층 건물에는 다양한 방향에서 바람이 불어올 수 있다. 도 4에는 건물의 평면도가 도시되어 있고, 건물로 불어오는 바람의 방향이 점선 화살표로 표시되어 있다. 바람의 방향은 각도
Figure pat00001
로 표시될 수 있고, 미리 결정된 각도 간격으로 측정될 수 있다. 예를 들어, 각도
Figure pat00002
는 0° 내지 90° 사이에서 10° 간격으로 측정될 수 있다. 0° 내지 90° 사이의 10개 각도에서 측정된 바람의 방향 및 세기는 변형 형상 측정부(110)에 의해 풍응답이 측정될 때 고려될 수 있다.
풍응답의 측정시 다양한 풍하중(풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)) 이 고려될 필요가 있다. 도 5는 한 실시예에 따른 풍하중의 분석을 위한 3차원 분석 모델(3D analytical model)을 나타낸다. 도 5의 3차원 분석 모델에서 수직 방향의 변형(vertical deformation) 및 수직 방향의 하중(vertical loads)은 고려되지 않았다. 한 실시예에 따른 변형 형상 측정부(110)는 3차원 분석 모델을 사용하여 각 층의 측면 풍응답을 측정 및 분석할 수 있다. 변형 형상 측정부(110)에 의해 사용되는 3차원 분석 모델의 운동 방정식은 아래 수학식 1과 같다.
Figure pat00003
수학식 1에서 M은 질량, C는 댐핑 계수, K는 건물의 강성 행렬(stiffness matrix)이다. 수학식 1의 우변의 F(Fx, Fy, 및 Fθ)는 외부 풍하중(풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces))의 시간 이력이다.
Figure pat00004
는 측면 가속도 벡터이고,
Figure pat00005
는 측면 속도 벡터이며,
Figure pat00006
는 측면 변위 벡터이다.
다시 도 3을 참조하면, 신경망 연산기(130)는 각 층의 풍응답 데이터, 각 층의 변위 데이터, 및 최상층의 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝한다(S130). 한 실시예에 따른 신경망 연산기(130)는 각 층의 풍응답 데이터, 각 층의 변위 데이터, 및 최상층의 변위 데이터 간의 상관 관계를 분석한 후, 특정 시점의 최상층의 변위 데이터가 입력될 때, 그 특정 시점의 각 층의 변위 데이터 및 각 층의 풍응답 데이터가 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 도 6은 한 실시예에 따른 신경망 연산기의 입력 및 출력을 나타낸 개념도이고, 도 7a는 한 실시예에 따른 입력 데이터의 데이터 배열이며, 도 7b는 한 실시예에 따른 출력 데이터의 데이터 배열이다.
도 6을 참조하면, 건물 변형 예측 모델의 트레이닝을 위한 데이터 세트로서, 입력은 최상층의 변위 데이터이고, 출력은 각 층의 변위이다. 즉, 신경망 연산기(130)는 최상층의 변위 데이터가 입력되면, 그에 대응하는 각 층의 변위 데이터가 적절히 출력될 수 있도록 건물 변형 예측 모델을 트레이닝할 수 있다. 도 7a를 참조하면, 최상층의 변위 데이터는 2차원 배열로 표현될 수 있고, 도 7b를 참조하면, 건물 각 층의 변위 데이터는 1차원 배열로 표현될 수 있다.
이후, 각 층의 변위 데이터 및/또는 각 층의 풍응답 데이터가 수집되지 않을 때, 최상층의 변위 데이터가 신경망 연산기(130)에 입력되면, 신경망 연산기(130)는 트레이닝된 건물 변형 예측 모델을 통해 각 층의 변위를 예측할 수 있다(S140). 그리고 신경망 연산기(130)는 예측된 각 층의 변위로부터 건물 전체의 변형 형상을 예측할 수 있다(S150).
위에서 설명한 바와 같이, 최상층의 변위와 동일한 시점의 각 층의 변위 및 풍응답을 사용하여 트레이닝된 건물 변형 예측 모델을 통해, 최상층의 변위를 사용하여 각 층의 변위를 예측하고 이를 바탕으로 건물 전체의 변형 형상을 예측함으로써, 각 층의 변위 및 풍응답의 장시간 모니터링이 필요하지 않게 될 수 있다. 이는 GPS를 통해 획득된 건물 최상층의 변위를 사용함으로써 구조물의 안정성 평가를 위한 건물 전체의 변형 형상을 저비용으로 용이하게 측정할 수 있게 할 수 있다.
도 8은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
도 8의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 건물 변형 예측 장치 등)일 수 있다.
도 8의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (13)

  1. 건물의 변형 형상을 예측하는 방법으로서,
    상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계,
    상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계,
    각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계, 및
    트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계
    를 포함하는 변형 형상 예측 방법.
  2. 제1항에서,
    상기 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 단계는,
    상기 최상층 변위 데이터로부터 상기 각 층의 변위를 예측하는 단계, 및
    상기 각 층의 예측된 변위로부터 상기 건물의 변형 형상을 예측하는 단계
    를 포함하는, 변형 형상 예측 방법.
  3. 제1항에서,
    상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 단계는,
    상기 건물의 각 층의 바람의 세기 및 방향을 미리 결정된 각도 간격으로 측정하는 단계,
    상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하는 단계
    를 포함하는, 변형 형상 예측 방법.
  4. 제3항에서,
    상기 풍하중은 풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)을 포함하고,
    상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하는 단계는,
    미리 결정된 운동 방정식을 갖는 3차원 분석 모델을 사용하여 상기 각 층의 측면 풍응답을 측정하는 단계
    를 포함하는, 변형 형상 예측 방법.
  5. 제1항에서,
    상기 각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하는 단계는,
    상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 상기 변위 데이터와, 이에 대응하는 상기 최상층 변위 데이터를 데이터 세트로 사용하여, 상기 최상층 변위 데이터가 입력될 때 상기 최상층 변위 데이터에 대응하는 상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 변위 데이터가 출력될 수 있도록 상기 건물 변형 예측 모델을 트레이닝하는 단계
    를 포함하는, 변형 형상 예측 방법.
  6. 제1항에서,
    상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계는,
    글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 단계
    를 포함하는, 변형 형상 예측 방법.
  7. 건물의 변형 형상을 예측하는 건물 변형 예측 장치으로서,
    상기 건물의 각 층의 풍응답 및 변위를 측정하고, 각 층의 풍응답 데이터 및 변위 데이터를 수집하는 변형 형상 측정부,
    상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는 최상층 변위 측정부, 및
    각 층의 상기 풍응답 데이터 및 각 층의 상기 변위 데이터와, 상기 최상층 변위 데이터를 바탕으로 건물 변형 예측 모델을 트레이닝하고, 트레이닝된 건물 변형 예측 모델을 통해 상기 최상층 변위 데이터로부터 상기 건물의 변형 형상을 예측하는 신경망 연산기
    를 포함하는 건물 변형 예측 장치.
  8. 제7항에서,
    상기 신경망 연산기는,
    상기 최상층 변위 데이터로부터 상기 각 층의 변위를 예측하고, 상기 각 층의 예측된 변위로부터 상기 건물의 변형 형상을 예측하는, 건물 변형 예측 장치.
  9. 제7항에서,
    상기 변형 형상 측정부는,
    상기 건물의 각 층의 바람의 세기 및 방향을 미리 결정된 각도 간격으로 측정하고, 상기 바람의 방향 및 세기와, 풍하중을 고려하여 상기 풍응답을 측정하는, 건물 변형 예측 장치.
  10. 제9항에서,
    상기 풍하중은 풍방향 힘(along-wind forces), 풍직각방향 힘(cross-wind forces), 및 비틀림방향 힘(torsional wind forces)을 포함하고,
    상기 변형 형상 측정부는,
    미리 결정된 운동 방정식을 갖는 3차원 분석 모델을 사용하여 상기 각 층의 측면 풍응답을 측정하는, 건물 변형 예측 장치.
  11. 제7항에서,
    상기 신경망 연산기는,
    상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 상기 변위 데이터와, 이에 대응하는 상기 최상층 변위 데이터를 데이터 세트로 사용하여, 상기 최상층 변위 데이터가 입력될 때 상기 최상층 변위 데이터에 대응하는 상기 각 층의 상기 풍응답 데이터 및 상기 각 층의 변위 데이터가 출력될 수 있도록 상기 건물 변형 예측 모델을 트레이닝하는, 건물 변형 예측 장치.
  12. 제7항에서,
    상기 변형 형상 측정부는, 지상 레이저 스캐닝(Terrestrial laser scanning, TLS), 2차원 레이저 스캐너, 또는 움직임 캡처 시스템(motion capture system) 중 적어도 하나를 사용하여 상기 각 층의 풍응답 및 변위를 측정하는, 건물 변형 예측 장치.
  13. 제7항에서,
    상기 최상층 변위 측정부는,
    글로벌 포지셔닝 시스템(Global Positioning System, GPS) 데이터를 바탕으로 상기 건물의 최상층의 변위를 측정하고 상기 최상층의 최상층 변위 데이터를 수집하는, 건물 변형 예측 장치.

KR1020190158111A 2019-12-02 2019-12-02 건물의 변형 형상을 예측하는 방법 및 장치 KR102356403B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190158111A KR102356403B1 (ko) 2019-12-02 2019-12-02 건물의 변형 형상을 예측하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190158111A KR102356403B1 (ko) 2019-12-02 2019-12-02 건물의 변형 형상을 예측하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210068735A true KR20210068735A (ko) 2021-06-10
KR102356403B1 KR102356403B1 (ko) 2022-01-26

Family

ID=76378022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190158111A KR102356403B1 (ko) 2019-12-02 2019-12-02 건물의 변형 형상을 예측하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102356403B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102453874B1 (ko) * 2022-03-31 2022-10-11 서종주 도시 계획 설명서 작성 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060029119A (ko) * 2004-09-30 2006-04-04 주식회사 마이다스아이티 고층 건물의 풍응답 조절방법
KR101227776B1 (ko) * 2011-09-15 2013-01-29 연세대학교 산학협력단 Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법
KR101328889B1 (ko) 2012-11-26 2013-11-13 고려대학교 산학협력단 계측 변위 기반의 구조물 건전도 평가 시스템
KR20170069138A (ko) * 2016-10-12 2017-06-20 연세대학교 산학협력단 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060029119A (ko) * 2004-09-30 2006-04-04 주식회사 마이다스아이티 고층 건물의 풍응답 조절방법
KR101227776B1 (ko) * 2011-09-15 2013-01-29 연세대학교 산학협력단 Ａｎｎ을 이용한 구조물 변위 예측 모델의 수립 방법 및 ａｎｎ을 이용한 구조물 변위 예측 방법
KR101328889B1 (ko) 2012-11-26 2013-11-13 고려대학교 산학협력단 계측 변위 기반의 구조물 건전도 평가 시스템
KR20170069138A (ko) * 2016-10-12 2017-06-20 연세대학교 산학협력단 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법
KR101965879B1 (ko) 2016-10-12 2019-04-08 연세대학교 산학협력단 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
최준호 외 3명, "한정된 계측 변위를 이용한 구조물 변형 형상 추정", 대한토목학회논문집 33, (2013.7.31.)* *

Also Published As

Publication number Publication date
KR102356403B1 (ko) 2022-01-26

Similar Documents

Publication Publication Date Title
US20190243935A1 (en) A sensor placement method using strain gauges and accelerometers for structural modal estimation
CN106202789B (zh) 一种基于l1/2正则化的桥梁移动荷载与损伤协同识别方法
RU2018106863A (ru) Система оценки воздушной скорости летательного аппарата на основании модели накопления данных о погоде.
US10612996B2 (en) Structural state evaluation system for smart structure using multi-sensing
JP6235376B2 (ja) 建物の損傷評価システム及び損傷評価方法
Brehm et al. Optimal reference sensor positions using output-only vibration test data
KR101653116B1 (ko) 임팩트 해머 테스트를 통한 구조물의 변형률 추정 시스템, 전역적 및 국부적 안전성 평가 시스템 및 그 평가방법
Keenahan et al. Determination of road profile using multiple passing vehicle measurements
JP6248593B2 (ja) 姿勢検出装置、姿勢検出方法および姿勢検出プログラム
KR102356403B1 (ko) 건물의 변형 형상을 예측하는 방법 및 장치
Wangchuk et al. Modal analysis and tension estimation of stay cables using noncontact vision‐based motion magnification method
JP6601577B2 (ja) 制御目的関数統合システム、制御目的関数統合方法、および、制御目的関数統合プログラム
Huang et al. Online dual‐rate decentralized structural identification for wireless sensor networks
Yang et al. Parameter identification for structural dynamics based on interval analysis algorithm
Putra et al. Multiagent architecture for bridge capacity measurement system using wireless sensor network and weight in motion
Singh et al. Dynamic strain response measurement‐based damage identification in structural frames
JP2010261754A (ja) 常時微動計測に基づく建物の健全性診断法、診断装置及び診断プログラム
CN102252792A (zh) 一种杆件绝对轴力测试方法
Iliopoulos et al. Full-field strain prediction applied to an offshore wind turbine
JP5458389B2 (ja) パラメタ選定方法及びパラメタ選定システム
JP3956302B2 (ja) 構造物の損傷部位検出装置、及び構造物の損傷部位検出方法
JP2022019497A (ja) 検査方法
Hou et al. Monitoring and identification of vehicle-bridge interaction using mobile truck-based wireless sensors
JP2023007932A (ja) 風況予測システム、風況予測方法、および風況予測プログラム
JP2024509394A (ja) 構造物の破損リスクを決定するシステム及び方法

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant