KR20220017550A - Apparatus and method for analysising seismic response based on deep learning - Google Patents

Apparatus and method for analysising seismic response based on deep learning Download PDF

Info

Publication number
KR20220017550A
KR20220017550A KR1020200097339A KR20200097339A KR20220017550A KR 20220017550 A KR20220017550 A KR 20220017550A KR 1020200097339 A KR1020200097339 A KR 1020200097339A KR 20200097339 A KR20200097339 A KR 20200097339A KR 20220017550 A KR20220017550 A KR 20220017550A
Authority
KR
South Korea
Prior art keywords
acceleration
values
time
learning
time point
Prior art date
Application number
KR1020200097339A
Other languages
Korean (ko)
Other versions
KR102388378B1 (en
Inventor
안재훈
유재원
홍석경
Original Assignee
부산대학교 산학협력단
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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020200097339A priority Critical patent/KR102388378B1/en
Publication of KR20220017550A publication Critical patent/KR20220017550A/en
Application granted granted Critical
Publication of KR102388378B1 publication Critical patent/KR102388378B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • G01V1/008—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/01—Measuring or predicting earthquakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

The present invention relates to a deep learning-based ground response analysis apparatus and a method thereof. According to one aspect of the present invention, the deep learning-based ground response analysis apparatus comprises: an input data generation module generating input data including an acceleration value, a speed value, and a distance value at each time for a plurality of times based on acceleration data for training including acceleration values for the plurality of times measured during a preset time in the ground at a predesignated point or acceleration data for evaluation including acceleration values for the plurality of times becoming the target of ground response analysis and measured over time in the ground at the point; a training unit inputting a plurality of predetermined supervised learning values corresponding to the acceleration value at each time for the plurality of times of the acceleration data for training and input data corresponding to the acceleration data for training into a preset learning model to train the learning model; and a ground response analysis unit applying input data corresponding to the acceleration data for evaluation to the learning model trained by the training unit to estimate ground response acceleration prediction values for the plurality of times over time.

Description

딥러닝 기반의 지반응답해석 장치 및 방법{APPARATUS AND METHOD FOR ANALYSISING SEISMIC RESPONSE BASED ON DEEP LEARNING}Apparatus and method for deep learning-based ground response analysis {APPARATUS AND METHOD FOR ANALYSISING SEISMIC RESPONSE BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반의 지반응답해석 장치 및 방법에 관한 것으로, 더욱 상세하게는 딥러닝을 이용해 지하에서 측정된 가속도를 지반응답해석함에 따라 지표면에서의 지반응답가속도를 추정할 수 있는 딥러닝 기반의 지반응답해석 장치 및 방법에 관한 것이다.The present invention relates to a deep learning-based ground response analysis apparatus and method, and more particularly, a deep learning-based deep learning-based system capable of estimating the ground response acceleration on the ground surface by analyzing the ground response of the acceleration measured underground using deep learning It relates to a ground response analysis apparatus and method of

한반도에서 발생하고 있는 지진발생 횟수는 과거에 비해 점점 증가하고 있는 추세이다. 특히, 규모 5.0 이상 큰 규모의 지진발생빈도도 점차 증가하고 있다. 2017년 포항시에서 발생한 규모 5.4의 지진의 경우, 1978년 기상청 계기 관측 이래 역대 두 번째로 큰 지진으로 기록되었고, 부상자 92명, 이재민 1,797명 및 27,317개소의 시설 피해와 약 551억 원의 피해액이 발생하였다.The number of earthquakes occurring on the Korean Peninsula is increasing compared to the past. In particular, the frequency of earthquakes with a magnitude of 5.0 or greater is gradually increasing. In the case of an earthquake of magnitude 5.4 in Pohang in 2017, it was recorded as the second-largest earthquake ever recorded since the Meteorological Administration instrument observed in 1978. did

지진 발생으로 인해 수반되는 지진·지반재해와 그에 따른 사회 및 경제적 피해가 막대함을 경험함에 따라, 지진 대비의 중요성이 부각되고 있다.As earthquakes and ground disasters and consequent social and economic damage are enormous, the importance of preparing for earthquakes is being emphasized.

암반 지대를 통하여 토사지반으로 전파되는 지진파는 토층을 통과하면서 지반의 물성에 따라 지반증폭 현상 발생 후, 상부 구조물에 하중을 가하게 된다. 하부지반의 동적 물성 특성에 따라 지반증폭 정도는 다르며, 내진설계 시 지반 특성을 반영한 부지 고유의 지반증폭현상의 평가를 통한 지반응답가속도의 정확한 예측 및 평가가 필수적이다.Seismic waves propagating through the bedrock zone pass through the soil layer and apply a load to the upper structure after the ground amplification phenomenon occurs according to the physical properties of the ground. The degree of ground amplification varies according to the dynamic properties of the sub-ground, and it is essential to accurately predict and evaluate the ground response acceleration through the evaluation of the site-specific ground amplification phenomenon that reflects the ground characteristics during seismic design.

지반응답가속도에 영향을 미치는 인자는 지반물성 및 지층구조, 지진 등이 있다. 지반물성 및 지층구조에 따른 토질역학적 지반정수들은 생성단계에서부터 고유한 불확실성을 갖고 있으며, 측정오차, 실험오차, 해석모델과 같은 요소들의 오차로 인해 불확실성은 더 커진다. 이에 따라, 계측 지진 데이터를 이용하여 지반응답가속도를 산출하기 위해 딥러닝 기술의 적용이 필요하다.Factors that affect the ground response acceleration include ground material properties, stratum structure, and earthquake. Soil dynamics ground constants according to geophysical properties and stratum structure have inherent uncertainty from the stage of creation, and the uncertainty increases due to errors in factors such as measurement error, experimental error, and analysis model. Accordingly, it is necessary to apply deep learning technology to calculate the ground response acceleration using the measured earthquake data.

대한민국 특허출원번호 제10-2013-0115172호Republic of Korea Patent Application No. 10-2013-0115172 대한민국 특허출원번호 제10-2011-7003124호Korean Patent Application No. 10-2011-7003124

본 발명의 목적은 상기 문제점을 해결하기 위한 것으로, 딥러닝을 이용해 지하에서 측정된 가속도를 지반응답해석함에 따라 지표면에서의 지반응답가속도를 추정하는 딥러닝 기반의 지반응답해석 장치 및 방법을 제공하는 것이다.It is an object of the present invention to solve the above problems, and to provide a deep learning-based ground response analysis apparatus and method for estimating the ground response acceleration at the surface of the earth by analyzing the ground response of the acceleration measured underground using deep learning. will be.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.The object of the present invention is not limited to the object mentioned above, and other objects not mentioned will be clearly understood from the description below.

본 발명의 일면에 따른 딥러닝 기반의 지반응답해석 장치는 미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터 또는 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터에 기초하여, 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성하는 입력 데이터 생성모듈, 학습용 가속도 데이터에 대응되는 입력 데이터와 학습용 가속도 데이터의 복수개의 시점에 대한 시점별 가속도값에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 학습모델을 학습시키는 학습부 및 평가용 가속도 데이터에 대응되는 입력 데이터를 학습부에서 학습된 학습모델에 적용하여 시간에 따른 복수개의 시점에 대한 지반응답가속도 예측값들을 추정하는 지반응답해석부를 포함한다.A deep learning-based ground response analysis apparatus according to an aspect of the present invention is acceleration data for learning including acceleration values for a plurality of time points measured for a preset time in the basement of a pre-designated point or measured according to time in the basement of the point Input data for generating input data including acceleration values, velocity values, and distance values for each viewpoint for a plurality of viewpoints based on the acceleration data for evaluation including acceleration values for a plurality of viewpoints that are the subject of the ground response analysis A generating module, a learning unit for learning the learning model by inputting a plurality of predetermined supervised learning values corresponding to the input data corresponding to the acceleration data for learning and the acceleration values for each viewpoint of the plurality of viewpoints of the learning acceleration data to the preset learning model and a ground response analysis unit for estimating ground response acceleration prediction values for a plurality of time points according to time by applying input data corresponding to the acceleration data for evaluation to the learning model learned by the learning unit.

본 발명의 다른 면에 따른 딥러닝 기반의 지반응답해석 방법은 미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터의 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 학습용 입력 데이터를 생성하는 단계, 학습용 입력 데이터와 학습용 가속도 데이터에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 학습모델을 학습시키는 단계, 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터를 시간에 따라 적분하여, 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 평가용 입력 데이터를 생성하는 단계 및 학습모델을 학습시키는 단계에서 미리 학습된 학습모델에 평가용 입력 데이터를 적용하여 시간에 따른 복수개의 시점에 대한 지반응답가속도 예측값들을 추정하는 단계를 포함한다.The deep learning-based ground response analysis method according to another aspect of the present invention integrates acceleration values of acceleration data for learning including acceleration values for a plurality of time points measured for a preset time under the ground at a pre-designated point over time. Generating input data for learning including acceleration values, velocity values, and distance values for each viewpoint for a plurality of viewpoints, and inputting a plurality of predetermined supervised learning values corresponding to the learning input data and the learning acceleration data to a preset learning model to learn the learning model by integrating the acceleration data for evaluation including acceleration values for a plurality of time points that are the targets of the ground response analysis measured over time in the basement of the point over time, In the step of generating the input data for evaluation including the acceleration value, the speed value, and the distance value for each time point, and in the step of learning the learning model, the input data for evaluation is applied to the learning model learned in advance for a plurality of time points according to time and estimating ground response acceleration prediction values.

본 발명에 따르면 지반응답가속도의 다른 영향요소들을 고려하지 않고, 지진파의 가속도만으로 지반응답가속도를 추정할 수 있는 딥러닝 기반의 지반응답해석 장치 및 방법을 제공하는 효과가 있다.According to the present invention, there is an effect of providing a deep learning-based ground response analysis apparatus and method capable of estimating the ground response acceleration only with the acceleration of seismic waves without considering other influencing factors of the ground response acceleration.

본 발명에 따르면 지하에서 측정된 가속도를 적분함에 따라 복수개의 시점에 대한 속도, 거리를 산출하여 입력데이터를 생성함에 따라 딥러닝 기반의 지반응답가속도를 추정에 사용하기 위한 데이터를 증강하는 효과를 가진다.According to the present invention, as input data is generated by calculating velocities and distances for a plurality of viewpoints by integrating the acceleration measured underground, the data for estimating the deep learning-based ground response acceleration has the effect of augmenting it. .

또한, 지반응답가속도 예측값과 지반응답가속도 실측값과의 비교를 통해 추정된 지반응답가속도의 정확도를 평가하여, 평가 결과를 학습모델에 적용함에 따라 정확도가 향상된 지반응답해석결과를 제공하는 효과를 기대할 수 있다.In addition, it is expected that the accuracy of the ground response acceleration estimated through comparison of the ground response acceleration prediction value and the ground response acceleration actual value will be evaluated, and the effect of providing the ground response analysis result with improved accuracy by applying the evaluation result to the learning model is expected. can

본 발명의 효과는 상기에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 지반응답해석 장치의 블록도이다.
도 2는 지진파 발생에 따라 미리 정해진 지점의 지하에서 측정된 시간에 따른 가속도 그래프를 나타낸 예시도이다.
도 3은 본 발명의 실시예들에 따라 지진파의 가속도로부터 생성된 입력 데이터를 설명하기 위한 예시도이다.
도 4는 본 발명의 실시예들에 따라 산출된 지반응답가속도 예측값들을 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예들에 따라 산출된 예측 스펙트럼 가속도를 주기에 따라 도시한 예측 스펙트럼 가속도 그래프이다.
도 6은 본 발명의 다른 실시예에 따른 딥러닝 기반의 지반응답해석 방법의 순서도이다.1 is a block diagram of a deep learning-based ground response analysis apparatus according to an embodiment of the present invention.
2 is an exemplary diagram illustrating an acceleration graph according to time measured underground at a predetermined point according to the occurrence of seismic waves.
3 is an exemplary diagram for explaining input data generated from the acceleration of seismic waves according to embodiments of the present invention.
4 is an exemplary diagram for explaining predicted values of ground response acceleration calculated according to embodiments of the present invention.
5 is a predicted spectral acceleration graph showing predicted spectral acceleration calculated according to a period according to embodiments of the present invention.
6 is a flowchart of a deep learning-based ground response analysis method according to another embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명은 청구항의 기재에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and those of ordinary skill in the art to which the present invention pertains. It is provided to fully inform the person of the scope of the invention, and the present invention is only defined by the description of the claims. On the other hand, the terms used in this specification are for describing the embodiments, and are not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 지반응답해석 장치의 블록도이다.1 is a block diagram of a deep learning-based ground response analysis apparatus according to an embodiment of the present invention.

도 1을 참조하면 본 발명의 일 실시예에 따른 딥러닝 기반의 지반응답해석 장치(10)는 학습용 가속도 입력부(101), 지도학습값 입력부(103), 평가용 가속도 입력부(105), 입력 데이터 생성모듈(110), 학습부(120), 지반응답해석부(130), 제1 스펙트럼 가속도 산출모듈(140), 제2 스펙트럼 가속도 산출모듈(150), 오차율 산출부(160)을 포함하는 것일 수 있다.Referring to FIG. 1 , a deep learning-based ground response analysis apparatus 10 according to an embodiment of the present invention includes an acceleration input unit 101 for learning, a supervised learning value input unit 103, an acceleration input unit 105 for evaluation, and input data. To include a generation module 110 , a learning unit 120 , a ground response analysis unit 130 , a first spectral acceleration calculation module 140 , a second spectral acceleration calculation module 150 , and an error rate calculation unit 160 . can

학습용 가속도 입력부(101)는 외부로부터 미리 지정된 지점의 지하에서 지진파의 발생에 따라, 소정 시간동안 가속도를 측정함에 따라 생성되는 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터를 입력받는 것일 수 있다.The learning acceleration input unit 101 receives learning acceleration data including acceleration values for a plurality of time points generated by measuring acceleration for a predetermined time according to the generation of seismic waves underground at a predetermined point from the outside. .

학습용 가속도 입력부(101)는 외부로부터 미리 지점된 지점에 대해 그 거동을 대표하는 지점(예를 들어 노두)에서 지진파의 발생에 따라, 소정 시간동안 가속도를 측정함에 따라 생성되는 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터를 입력받는 것일 수 있다.Acceleration for a plurality of viewpoints generated by measuring the acceleration for a predetermined time according to the occurrence of the seismic wave at a point (eg, an outcrop) representing the behavior of the learning acceleration input unit 101 from the outside It may be to receive learning acceleration data including values.

도 2는 지진파 발생에 따라 미리 정해진 지점의 지하에서 측정된 시간에 따른 가속도 그래프를 나타낸 예시도로, 학습용 가속도 데이터는 지진파 발생에 따라 소정시간동안 측정된 가속도를 기설정된 샘플링주기(예를들어 0.01초)로 샘플링함에 따른 복수개의 시점별 가속도값들을 포함하는 것일 수 있다.2 is an exemplary view showing an acceleration graph according to time measured underground at a predetermined point according to the occurrence of a seismic wave, and the acceleration data for learning is an acceleration measured for a predetermined time according to the occurrence of a seismic wave at a preset sampling period (for example, 0.01 seconds). ) may include acceleration values for a plurality of time points according to sampling.

학습용 가속도 입력부(101)는 외부로부터 과거 지진 발생에 의해 가속도 센서가 설치된 어느 지점의 지하에서 가속도를 측정함에 따라 생성되는 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터를 입력받는 것일 수 있다.The learning acceleration input unit 101 may receive learning acceleration data including acceleration values for a plurality of viewpoints generated by measuring acceleration underground at a point where an acceleration sensor is installed due to past earthquakes from the outside.

지도학습값 입력부(103)는 외부로부터 학습용 가속도 데이터에 대응되는 지진 발생에 의해 해당 지점의 지표면에서 지반응답가속도를 측정함에 따라 생성되는 복수개의 시점에 대한 지반응답가속도 값들을, 학습용 가속도 데이터의 복수개의 시점에 대한 시점별 가속도값에 대응되는 복수개의 지도학습값들로 입력받는 것일 수 있다.The supervised learning value input unit 103 receives the ground response acceleration values for a plurality of time points generated by measuring the ground response acceleration on the ground surface of the corresponding point by the occurrence of an earthquake corresponding to the acceleration data for learning from the outside, a plurality of acceleration data for learning It may be to receive input as a plurality of supervised learning values corresponding to the acceleration values for each viewpoint with respect to the dog viewpoints.

평가용 가속도 입력부(105)는 외부로부터 지진파 발생에 의해 미리 지정된 지점의 지하에서 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터를 입력받는 것일 수 있다.The acceleration input unit 105 for evaluation may receive acceleration data for evaluation including acceleration values for a plurality of viewpoints that are the target of the ground response analysis measured underground at a pre-designated point due to the generation of seismic waves from the outside.

입력 데이터 생성모듈(110)은 미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터 또는 해당 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터에 기초하여, 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성하는 것일 수 있다.The input data generating module 110 is a target of acceleration data for learning including acceleration values for a plurality of time points measured for a preset time in the basement of a predetermined point or a ground response analysis measured over time in the basement of the corresponding point. Based on the acceleration data for evaluation including acceleration values for a plurality of viewpoints, input data including acceleration values, velocity values, and distance values for each viewpoint for the plurality of viewpoints may be generated.

입력 데이터 생성모듈(110)은 학습용 가속도 데이터 또는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 적분함에 따라 학습용 가속도 데이에 대응되는 입력 데이터 또는 평가용 가속도 데이터에 대응되는 입력 데이터를 생성하는 것일 수 있다.The input data generating module 110 integrates the acceleration values for a plurality of points in the acceleration data for learning or the acceleration data for evaluation to generate input data corresponding to the acceleration data for learning or input data corresponding to the acceleration data for evaluation. can

입력 데이터 생성모듈(110)은 속도 산출부(111), 거리 산출부(113), 입력 데이터 생성부(115)를 포함하는 것일 수 있다.The input data generating module 110 may include a speed calculating unit 111 , a distance calculating unit 113 , and an input data generating unit 115 .

속도 산출부(111)는 학습용 가속도 데이터 또는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 속도값들을 산출하는 것일 수 있다.The speed calculating unit 111 may calculate the speed values for the plurality of time points by integrating the acceleration values for a plurality of time points of the acceleration data for learning or the acceleration data for evaluation according to time.

속도 산출부(111)는 복수개의 시점 중 어느 한 시점인 제1 시점에서의 가속도값과 제1 시점 이후의 제2 시점에서의 가속도값과 제1 시점과 제2 시점 사이의 시간에 기초하여 제1 시점부터 제2 시점까지의 가속도값들을 적분함에 따른 속도변화값을 산출하고, 속도변화값을 누적함에 따라 시점별 속도값을 산출하는 것일 수 있다.The speed calculator 111 is configured to perform a second time based on an acceleration value at a first time point, which is one of a plurality of time points, an acceleration value at a second time point after the first time point, and a time between the first time point and the second time point. The speed change value may be calculated by integrating the acceleration values from the first time point to the second time point, and the speed value for each time point may be calculated by accumulating the speed change values.

속도 산출부(111)는 복수개의 시점 중 최초시점의 속도값이 없는 경우 기설정된 초기값(예를들어 0)을 최초시점의 속도값으로 부여하는 것일 수 있다.The speed calculator 111 may assign a preset initial value (eg, 0) as the speed value of the first time when there is no speed value at the first time among the plurality of time points.

속도 산출부(111)는 복수개의 시점 중 최초시점 이후의 시점에 대해, 최초시점의 속도값과 해당 시점까지의 각 시점의 속도변화값을 누적함에 따라 각 시점의 속도값을 산출하는 것일 수 있다.The speed calculation unit 111 may calculate the speed value at each time point by accumulating the speed value of the first time point and the speed change value of each time point up to the time point after the first time point among the plurality of time points. .

거리 산출부(113)는 속도 산출부(111)에서 산출된 복수개의 시점에 대한 속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 거리값들을 산출하는 것일 수 있다.The distance calculation unit 113 may calculate distance values for the plurality of viewpoints by integrating the velocity values for the plurality of viewpoints calculated by the speed calculation unit 111 over time.

거리 산출부(113)는 복수개의 시점 중 어느 한 시점인 제1 시점에서의 속도값과 제1 시점 이후의 제2 시점에서의 속도값과 제1 시점과 제2 시점 사이의 시간에 기초하여 제1 시점부터 제2 시점까지의 속도값들을 적분함에 따른 변위값을 산출하고, 변위값을 누적함에 따라 시점별 거리값을 산출하는 것일 수 있다.The distance calculating unit 113 is configured to calculate a second time based on a speed value at a first time point, which is one of the plurality of time points, a speed value at a second time point after the first time point, and a time between the first time point and the second time point. The displacement value may be calculated by integrating the velocity values from the first time point to the second time point, and the distance value for each time point may be calculated by accumulating the displacement values.

거리 산출부(113)는 복수개의 시점 중 최초시점의 거리값이 없는 경우 기설정된 초기값(예를들어 0)을 최초시점의 거리값으로 부여하는 것일 수 있다.The distance calculator 113 may assign a preset initial value (eg, 0) as the distance value of the first point of view when there is no distance value of the first point among the plurality of viewpoints.

입력 데이터 생성부(115)는 학습용 가속도 데이터 또는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들과, 속도 산출부(111)에서 복수개의 시점에 대한 가속도값들로부터 산출한 복수개의 시점에 대한 속도값들과, 거리 산출부(113)에서 복수개의 시점에 대한 속도값들로부터 산출한 복수개의 시점에 대한 거리값들을 시간에 따라 매칭하여, 복수개의 시점별 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성하는 것일 수 있다.The input data generator 115 calculates acceleration values for a plurality of time points of the acceleration data for learning or the acceleration data for evaluation, and the acceleration values for the plurality of time points calculated by the speed calculator 111. By matching the speed values and distance values for a plurality of viewpoints calculated from the velocity values for the plurality of viewpoints by the distance calculator 113 over time, the acceleration values, speed values, and distance values for each viewpoint are calculated It may be to generate input data including

도 3은 본 발명의 실시예들에 따라 지진파의 가속도로부터 생성된 입력 데이터를 설명하기 위한 예시도이다.3 is an exemplary diagram for explaining input data generated from the acceleration of seismic waves according to embodiments of the present invention.

도 3을 참조하면 본 발명의 실시예들에 따라 입력 데이터 생성부(115)에서 생성된 입력 데이터는 지진파가 발생함에 따라 소정 시간(예를 들어 120초)동안 측정된 가속도를 기설정된 샘플링 주기(예를 들어 0.1초)로 샘플링함에 따른 복수개의 시점별(t0, t1, … , tn) 가속도값과, 복수개의 시점별 가속도값을 적분함에 따라 산출된 복수개의 시점별 속도값과, 복수개의 시점별 속도값을 적분함에 따라 산출된 복수개의 거리값을 포함하는 것일 수 있다.Referring to FIG. 3 , the input data generated by the input data generating unit 115 according to the embodiments of the present invention is obtained through a preset sampling period ( For example, 0.1 second) acceleration values for a plurality of time points (t 0 , t 1 , ..., t n ) and a plurality of time point velocity values calculated by integrating the acceleration values for a plurality of time points, It may include a plurality of distance values calculated by integrating a plurality of speed values for each time point.

입력 데이터는 복수개의 시점(t0, t1, … , tn)과 대응되는 복수개의 행과, 가속도값과 속도값과 거리값에 각각 대응되는 복수개의 열로 구성되는 것일 수 있다.The input data may be composed of a plurality of rows corresponding to a plurality of time points t 0 , t 1 , ... , t n , and a plurality of columns corresponding to an acceleration value, a velocity value, and a distance value, respectively.

입력 데이터 생성모듈(110)은 지진의 발생에 따라 어느 지점의 지하에서 측정된 가속도로부터 속도, 거리를 산출하여 복수개의 시점에 대한 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성함으로써, 지반응답가속도를 예측하기위한 입력 데이터를 증강시킬 수 있다.The input data generation module 110 generates input data including acceleration values, speed values, and distance values for a plurality of time points by calculating a speed and a distance from the acceleration measured underground at a certain point according to the occurrence of an earthquake, The input data for predicting the ground response acceleration can be augmented.

학습부(120)는 학습용 가속도 데이터에 대응되는 입력 데이터와 학습용 가속도 데이터의 복수개의 시점에 대한 시점별 가속도값에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 학습모델을 학습시키는 것일 수 있다.The learning unit 120 learns the learning model by inputting input data corresponding to the acceleration data for learning and a plurality of predetermined supervised learning values corresponding to the acceleration values for each viewpoint of the plurality of viewpoints of the learning acceleration data into the preset learning model. it may be to do

학습모델은 입력층, 복수개의 콘볼루션층, 복수개의 relu층을 포함하는 신경망 구조인 것일 수 있다.The learning model may be a neural network structure including an input layer, a plurality of convolutional layers, and a plurality of relu layers.

학습부(120)는 과거 지진 발생에 따라 지하에서 측정된 가속도와 해당 지진에 대응되어 지표면에서 측정된 지반응답가속도를 이용하여 기설정된 학습모델에 입력함에 따라, 학습모델이 복수개의 시점별 가속도값, 속도값, 거리값들을 입력받아 그에 대한 지반응답가속도를 예측하도록 학습시키는 것일 수 있다. The learning unit 120 uses the acceleration measured underground according to the occurrence of past earthquakes and the ground response acceleration measured at the surface in response to the earthquake and input to the preset learning model, so that the learning model is an acceleration value for a plurality of time points. , velocity values, and distance values may be received and learned to predict the ground response acceleration.

지반응답해석부(130)는 평가용 가속도 데이터에 대응되는 입력 데이터를 학습부에서 미리 학습된 학습모델에 적용하여 평가용 가속도에 대한 시간에 따른 복수개의 시점에 대한 지반응답가속도 예측값들을 추정하는 것일 수 있다.The ground response analysis unit 130 applies the input data corresponding to the acceleration data for evaluation to the learning model previously learned in the learning unit to estimate the prediction values of the ground response acceleration for a plurality of time points according to the time for the evaluation acceleration. can

도 4는 본 발명의 실시예들에 따라 산출된 지반응답가속도 예측값들을 설명하기 위한 예시도이다.4 is an exemplary diagram for explaining predicted values of ground response acceleration calculated according to embodiments of the present invention.

도 4를 참조하면 지반응답해석부(130)는 평가용 가속도 데이터의 복수개의 시점(t0, t1, … , tn)에 대한 가속도값들에 대응되어 지표면에 전파되는 복수개의 시점(t0 ', t1 ', … , tn ')에 대한 지반응답가속도 예측값들을 추정하는 것일 수 있다. Referring to FIG. 4 , the ground response analysis unit 130 corresponds to acceleration values for a plurality of time points (t 0 , t 1 , ..., t n ) of acceleration data for evaluation and propagates to the ground surface at a plurality of time points t 0 ' , t 1 ' , ... , t n ' ) may be estimating the prediction values of the ground response acceleration.

제1 스펙트럼 가속도 산출모듈(140)은 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 기설정된 복수개의 주기를 각각 적용함에 따라 복수개의 주기 각각에 대한 최대 가속도값들을 산출하고, 최대 가속도값들에 기초하여 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The first spectral acceleration calculation module 140 applies a plurality of preset periods to the predicted ground response acceleration values for a plurality of time points estimated by the ground response analysis unit 130, respectively, and thus the maximum acceleration value for each of the plurality of periods , and calculating the spectral acceleration for the predicted values of the ground response acceleration for a plurality of time points estimated by the ground response analysis unit 130 based on the maximum acceleration values.

복수개의 주기는 미리 정해진 시작값부터 종료값까지의 범위를 외부로부터 입력되는 입력값에 대응되는 갯수만큼 균등하게 분할함에 따른 복수개의 값들에 대응되도록 설정되는 것일 수 있다.The plurality of periods may be set to correspond to a plurality of values obtained by equally dividing a range from a predetermined start value to an end value by a number corresponding to an input value input from the outside.

예를들어, 시작값이 0.01이고 종료값이 10이며 외부로부터 입력값이 1600인 경우, 0.01부터 10 사이를 1600개로 분할함에 따른 1600개의 값들이 복수개의 주기로 설정되는 것일 수 있다.For example, when the start value is 0.01, the end value is 10, and the input value is 1600 from the outside, 1600 values obtained by dividing 0.01 to 10 into 1600 may be set as a plurality of periods.

제1 스펙트럼 가속도 산출모듈(140)은 변위 응답 산출부(141), 이계 도함수 산출부(143), 스펙트럼 가속도 산출부(145)를 포함하는 것일 수 있다.The first spectral acceleration calculation module 140 may include a displacement response calculation unit 141 , a second derivative calculation unit 143 , and a spectral acceleration calculation unit 145 .

변위 응답 산출부(141)는 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 기설정된 댐핑 팩터와, 기설정된 복수개의 주기 각각에 따른 고유주파수를 반영한 감쇠함수를 복수개의 시점 중 어느 한 시점인 제1 시점(

Figure pat00001
)부터 제1 시점(
Figure pat00002
) 이후의 어느 한 시점인 제2 시점(
Figure pat00003
)까지 적분함에 따라 시간에 대한 변위 응답을 산출하는 것일 수 있다.The displacement response calculating unit 141 includes a damping factor preset in the ground response acceleration prediction values for a plurality of time points estimated by the ground response analysis unit 130, and a damping function reflecting the natural frequency according to each of a plurality of preset periods. A first time point that is any one of a plurality of time points (
Figure pat00001
) from the first time point (
Figure pat00002
) at any point after the second time point (
Figure pat00003
) may be to calculate the displacement response with respect to time.

여기서 제1 시점(

Figure pat00004
)은 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 있어서 복수개의 시점 중 최초시점(t0')을 의미하고, 제2 시점(
Figure pat00005
)은 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 있어서 복수개의 시점 중 최종시점(tn')을 의미한다.where the first time point (
Figure pat00004
) means the first time point (t 0 ') among the plurality of time points in the ground response acceleration predicted values for a plurality of time points estimated by the ground response analysis unit 130, and the second time point (
Figure pat00005
) means the final time point (t n ') among the plurality of time points in the prediction values of the ground response acceleration for a plurality of time points estimated by the ground response analysis unit 130 .

변위 응답 산출부(141)는 하기의 수학식을 통해 복수개의 시점에 대한 지반응답가속도 예측값들에 대한 변위 응답을 산출하는 것일 수 있다.The displacement response calculator 141 may calculate a displacement response with respect to the prediction values of the ground response acceleration for a plurality of viewpoints through the following equation.

Figure pat00006
Figure pat00006

여기서

Figure pat00007
는 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들을 포함하는 지반응답가속도 함수이며,
Figure pat00008
는 기설정된 댐핑 팩터이고,
Figure pat00009
는 고유주파수이며,
Figure pat00010
는 감쇠주파수이다.here
Figure pat00007
is a ground response acceleration function including predicted values of the ground response acceleration for a plurality of time points estimated by the ground response analysis unit 130,
Figure pat00008
is a preset damping factor,
Figure pat00009
is the natural frequency,
Figure pat00010
is the attenuation frequency.

고유주파수(

Figure pat00011
)와 감쇠주파수(
Figure pat00012
)는 각각 아래의 수학식으로 나타낼 수 있다.natural frequency (
Figure pat00011
) and the attenuation frequency (
Figure pat00012
) can be expressed by the following equation, respectively.

Figure pat00013
Figure pat00013

여기서 k는 강성도이고, m 관성질량이며, T는 주기이다.where k is the stiffness, m is the inertial mass, and T is the period.

Figure pat00014
Figure pat00014

변위 응답 산출부(141)는 기설정된 서로 다른 복수개의 주기를 각각 적용함에 따라 서로 다른 고유주파수와 감쇠주파수에서의 변위응답을 산출하는 것일 수 있다.The displacement response calculator 141 may calculate displacement responses at different natural frequencies and attenuation frequencies by applying a plurality of different preset periods, respectively.

이계 도함수 산출부(143)는 미분 연산에 기초하여 변위 응답 산출부(141)에서 산출된 변위 응답에 대한 이계 도함수를 산출하는 것일 수 있다.The second derivative calculating unit 143 may calculate a second derivative of the displacement response calculated by the displacement response calculating unit 141 based on a differential operation.

이계 도함수 산출부(143)는 미분 연산에 기초하여 아래의 수학식과 같은 이계 도함수(

Figure pat00015
)를 산출하는 것일 수 있다.The second derivative calculation unit 143 is a second derivative (
Figure pat00015
) can be calculated.

Figure pat00016
Figure pat00016

스펙트럼 가속도 산출부(145)는 변위 응답의 이계 도함수와 복수개의 시점에 대한 지반응답가속도 예측값들을 시간에 따라 합함에 따른 값들의 절대값에 대한 최댓값에 기초하여 스펙트럼 가속도를 산출하는 것일 수 있다.The spectral acceleration calculator 145 may calculate the spectral acceleration based on the maximum value of the absolute value of the values obtained by adding the second derivative of the displacement response and the predicted values of the ground response acceleration for a plurality of time points over time.

스펙트럼 가속도 산출부(145)는 아래의 수학식을 통해 지반응답해석부(130)에서 추정된 복수개의 시점에 대한 지반응답가속도 예측값들에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The spectral acceleration calculation unit 145 may calculate the spectral acceleration for the ground response acceleration prediction values for a plurality of time points estimated by the ground response analysis unit 130 through the following equation.

Figure pat00017
Figure pat00017

스펙트럼 가속도 산출부(145)는 복수개의 시점에 대한 지반응답가속도 예측값들에 기설정된 복수개의 주기 각각을 적용함에 따라, 기설정된 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The spectral acceleration calculator 145 may calculate the spectral acceleration for each of the plurality of preset periods by applying each of the plurality of preset periods to the predicted ground response acceleration values for a plurality of time points.

제1 스펙트럼 가속도 산출모듈(140)은 서로 다른 복수개의 주기들을 각각 적용하여, 서로 다른 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출함으로써, 강성도 및 관성질량이 서로 다른 단자유도계들에 대한 스펙트럼 가속도를 산출할 수 있다. The first spectral acceleration calculation module 140 calculates spectral accelerations for mono-inductors having different stiffness and inertial masses by applying a plurality of different periods, respectively, and calculating spectral accelerations for a plurality of different periods. can do.

도 5는 본 발명의 실시예들에 따라 산출된 예측 스펙트럼 가속도를 주기에 따라 도시한 예측 스펙트럼 가속도 그래프로, 도 5를 참조하면 기설정된 댐핑 팩터가 5%일 때, 스펙트럼 가속도 산출부(145)에서 0.01부터 10까지 기설정된 1,600개의 주기 각각에 대해 산출된 스펙트럼 가속도를 확인할 수 있다.5 is a predicted spectral acceleration graph showing the predicted spectral acceleration calculated according to the period according to the embodiments of the present invention. Referring to FIG. 5, when the preset damping factor is 5%, the spectral acceleration calculator 145 You can check the spectral acceleration calculated for each of 1,600 preset periods from 0.01 to 10.

제2 스펙트럼 가속도 산출모듈(150)은 지도학습값 입력부에서 입력받은 학습용 가속도데이터에 대응되는 복수개의 지도학습값들을 이용하여 서로 다른 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The second spectral acceleration calculation module 150 may calculate the spectral acceleration for each of a plurality of different periods by using a plurality of supervised learning values corresponding to the learning acceleration data input from the supervised learning value input unit.

제2 스펙트럼 가속도 산출모듈(150)은 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대응되는 복수개의 지도학습값들을 이용하여, 서로 다른 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The second spectral acceleration calculation module 150 uses a plurality of supervised learning values corresponding to the ground response acceleration values for a plurality of time points actually measured on the ground surface corresponding to the learning acceleration data, respectively, in a plurality of different periods. It may be to calculate the spectral acceleration for

여기서, 복수개의 주기는 미리 정해진 시작값부터 종료값까지의 범위를 외부로부터 입력되는 입력값에 대응되는 갯수만큼 균등하게 분할함에 따른 복수개의 값들에 대응되도록 설정되는 것일 수 있다.Here, the plurality of periods may be set to correspond to a plurality of values obtained by equally dividing a range from a predetermined start value to an end value by a number corresponding to an input value input from the outside.

예를들어, 시작값이 0.01이고 종료값이 10이며 외부로부터 입력값이 1600인 경우, 0.01부터 10 사이를 1600개로 분할함에 따른 1600개의 값들이 복수개의 주기로 설정되는 것일 수 있다.For example, when the start value is 0.01, the end value is 10, and the input value is 1600 from the outside, 1600 values obtained by dividing 0.01 to 10 into 1600 may be set as a plurality of periods.

제2 스펙트럼 가속도 산출모듈(150)은 복수개의 지도학습값들에 기설정된 복수개의 주기를 각각 적용함에 따라 복수개의 주기 각각에 대한 최대 가속도값들을 산출하고, 최대 가속도값들에 기초하여 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.The second spectral acceleration calculation module 150 calculates maximum acceleration values for each of a plurality of periods by applying a plurality of preset periods to a plurality of supervised learning values, respectively, and acceleration data for learning based on the maximum acceleration values It may be to calculate the spectral acceleration for the ground response acceleration values for a plurality of time points actually measured on the ground surface corresponding to .

제2 스펙트럼 가속도 산출모듈(150)은 변위 응답 산출부(151), 이계 도함수 산출부(153), 스펙트럼 가속도 산출부(155)를 포함하는 것일 수 있다.The second spectral acceleration calculation module 150 may include a displacement response calculation unit 151 , a second derivative calculation unit 153 , and a spectral acceleration calculation unit 155 .

변위 응답 산출부(151)는 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대응되는 복수개의 지도학습값들에 기설정된 댐핑 팩터와, 기설정된 복수개의 주기 각각에 따른 고유주파수를 반영한 감쇠함수를 복수개의 시점 중 어느 한 시점인 제1 시점(t1)부터 제1 시점(t1)이후의 어느 한 시점인 제2 시점(t2)까지 적분함에 따라 시간에 대한 변위 응답을 산출하는 것일 수 있다.The displacement response calculating unit 151 includes a damping factor preset to a plurality of supervised learning values corresponding to a plurality of supervised learning values corresponding to a plurality of ground response acceleration values for a plurality of time points actually measured on the ground surface corresponding to the learning acceleration data, and a plurality of preset periods. As the attenuation function reflecting the natural frequency according to each is integrated from the first time point (t 1 ) which is any one time point among the plurality of time points to the second time point (t 2 ) which is any one time point after the first time point (t 1 ) It may be to calculate a displacement response with respect to time.

제1 시점(t1)은 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 있어서 복수개의 시점 중 최초시점을 의미하고, 제2 시점(t2)은 복수개의 시점 중 최종시점을 의미하는 것일 수 있다.The first time point t 1 refers to the first time point among the plurality of time points in the ground response acceleration values for a plurality of time points actually measured on the ground surface corresponding to the learning acceleration data, and the second time point t 2 is a plurality It may mean the last time point among the time points.

변위 응답 산출부(151)는 하기의 수학식을 통해 복수개의 지도학습값들, 즉 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대한 변위 응답을 산출하는 것일 수 있다.The displacement response calculating unit 151 calculates a displacement response to a plurality of supervised learning values, that is, to ground response acceleration values for a plurality of time points actually measured on the ground surface in correspondence to learning acceleration data, through the following equation. it could be

Figure pat00018
Figure pat00018

여기서

Figure pat00019
는 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들을 포함하는 지반응답가속도 함수이며,
Figure pat00020
는 기설정된 댐핑 팩터이고,
Figure pat00021
는 고유주파수이며,
Figure pat00022
는 감쇠주파수이다.here
Figure pat00019
is a ground response acceleration function including ground response and acceleration values for a plurality of time points actually measured on the ground surface corresponding to the learning acceleration data,
Figure pat00020
is a preset damping factor,
Figure pat00021
is the natural frequency,
Figure pat00022
is the attenuation frequency.

고유주파수(

Figure pat00023
)와 감쇠주파수(
Figure pat00024
)는 아래의 수학식으로 나타낼 수 있다.natural frequency (
Figure pat00023
) and the attenuation frequency (
Figure pat00024
) can be expressed by the following equation.

Figure pat00025
Figure pat00025

여기서 k는 강성도이고, m 관성질량이며, T는 주기이다.where k is the stiffness, m is the inertial mass, and T is the period.

Figure pat00026
Figure pat00026

변위 응답 산출부(151)는 서로 다른 복수개의 주기를 적용함에 따라 서로 다른 고유주파수(

Figure pat00027
)와 감쇠주파수(
Figure pat00028
)가 적용된 변위 응답을 산출하는 것일 수 있다.The displacement response calculator 151 applies a plurality of different natural frequencies (
Figure pat00027
) and the attenuation frequency (
Figure pat00028
) may be to calculate the applied displacement response.

이계 도함수 산출부(153)는 미분 연산에 기초하여 변위 응답 산출부(151)에서 산출된 변위 응답에 대한 이계 도함수를 산출하는 것일 수 있다.The second derivative calculating unit 153 may calculate a second derivative of the displacement response calculated by the displacement response calculating unit 151 based on a differential operation.

이계 도함수 산출부(153)는 미분 연산에 기초하여 아래의 수학식과 같은 변위 응답에 대한 이계 도함수(

Figure pat00029
)를 산출하는 것일 수 있다.The second derivative calculating unit 153 is configured to calculate the second derivative (
Figure pat00029
) can be calculated.

Figure pat00030
Figure pat00030

스펙트럼 가속도 산출부(155)는 변위 응답의 이계 도함수와 복수개의 지도학습값들을 시간에 따라 합함에 따른 값들의 절대값에 대한 최댓값에 기초하여 스펙트럼 가속도를 산출하는 것일 수 있다.The spectral acceleration calculator 155 may calculate the spectral acceleration based on the maximum value of the absolute value of the second derivative of the displacement response and the values obtained by adding the plurality of supervised learning values over time.

스펙트럼 가속도 산출부(155)는 아래의 수학식을 통해 복수개의 지도학습값들에 대한 스펙트럼 가속도(

Figure pat00031
)를 산출하는 것일 수 있다.The spectral acceleration calculator 155 calculates the spectral acceleration for a plurality of supervised learning values (
Figure pat00031
) can be calculated.

Figure pat00032
Figure pat00032

제2 스펙트럼 가속도 산출모듈(150)은 학습용 가속도 데이터에 대응되어 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대응되는 복수개의 지도학습값들에 서로 다른 복수개의 주기들을 각각 적용하여, 강성도 및 관성질량이 서로 다른 단자유도계에서 복수개의 지도학습값들에 대한 스펙트럼 가속도를 산출할 수 있다. The second spectral acceleration calculation module 150 applies a plurality of different periods to a plurality of supervised learning values corresponding to the ground response acceleration values for a plurality of points actually measured on the ground surface corresponding to the learning acceleration data, respectively. , it is possible to calculate the spectral acceleration for a plurality of supervised learning values in a mono-inductive meter having different stiffness and inertial mass.

오차 산출부(160)는 제1 스펙트럼 가속도 산출모듈(140)에서 복수개의 시점에 대한 지반응답가속도 예측값들에 대해 산출된 스펙트럼 가속도와, 제2 스펙트럼 가속도 산출모듈(150)에서 복수개의 지도학습값들에 대해 산출된 스펙트럼 가속도의 차이에 따른 서로 다른 복수개의 주기에 대한 오차를 산출하는 것일 수 있다.The error calculator 160 calculates the spectral acceleration calculated for the ground response acceleration prediction values for a plurality of time points in the first spectral acceleration calculation module 140 and the plurality of supervised learning values in the second spectral acceleration calculation module 150 . It may be to calculate an error for a plurality of different periods according to the difference in the spectral accelerations calculated for each of them.

오차 산출부(160)는 과거 지진 발생에 대해 지표면에서 실제 측정된 복수개의 시점에 대한 지반응답가속도값들에 대응되는 복수개의 지도학습값들에 대한 스펙트럼 가속도와, 지진 발생에 대해 지표면에 전파될 것으로 예측된 복수개의 시점에 대한 지반응답가속도값들에 대한 스펙트럼 가속도의 오차를 산출하는 것일 수 있다.The error calculation unit 160 is configured to generate a spectral acceleration for a plurality of supervised learning values corresponding to the ground response acceleration values for a plurality of time points actually measured on the ground surface with respect to the occurrence of an earthquake in the past, and to be propagated to the ground surface for the occurrence of an earthquake. It may be to calculate the error of the spectral acceleration with respect to the ground response acceleration values for a plurality of time points predicted to be

오차 산출부(160)는 과거 실측된 지반응답가속도에 대한 스펙트럼 가속도와 예측된 지반응답가속도에 대한 스펙트럼 가속도의 오차를 제공하여, 사용자가 오차에 기초하여 지반응답해석 예측 정확도를 판단하도록 한다.The error calculator 160 provides an error between the spectral acceleration for the ground response acceleration measured in the past and the spectral acceleration for the predicted ground response acceleration, so that the user can determine the accuracy of the prediction of the ground response analysis based on the error.

사용자는 오차 산출부(160)에서 산출되는 오차에 따라 지반응답해석을 추가로 진행하거나, 학습모델을 추가로 학습시켜 지반응답해석 예측 정확도를 향상시킬 수 있다.The user may further perform the ground response analysis according to the error calculated by the error calculation unit 160, or may additionally learn a learning model to improve the prediction accuracy of the ground response analysis.

도 6은 본 발명의 다른 실시예에 따른 딥러닝 기반의 지반응답해석 방법의 순서도이다.6 is a flowchart of a deep learning-based ground response analysis method according to another embodiment of the present invention.

본 발명의 다른 실시예에 따른 딥러닝 기반의 지반응답해석 방법은 본 발명의 일 실시예에 따른 딥러닝 기반의 지반응답해석 장치(10)에 의해 수행될 수 있다.The deep learning-based ground response analysis method according to another embodiment of the present invention may be performed by the deep learning-based ground response analysis apparatus 10 according to an embodiment of the present invention.

이하, 상기에서 설명한 딥러닝 기반의 지반응답해석 장치(10)와 중복되는 내용 및 구성은 도면 부호를 일치시키고 설명의 편의를 위해 자세한 설명을 생략하도록 한다.Hereinafter, the content and configuration overlapping with the deep learning-based ground response analysis apparatus 10 described above coincide with reference numerals, and detailed descriptions will be omitted for convenience of description.

딥러닝 기반의 지반응답해석 장치(10)는 미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터를 입력받고(S101), 학습용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 학습용 입력 데이터를 생성하는 것일 수 있다.The deep learning-based ground response analysis apparatus 10 receives acceleration data for learning including acceleration values for a plurality of time points measured for a preset time in the basement of a predetermined point (S101), and a plurality of acceleration data for learning It may be to generate input data for learning including acceleration values, velocity values, and distance values for a plurality of viewpoints by integrating the acceleration values with respect to the viewpoints over time.

더욱 구체적으로 S101단계 이후 딥러닝 기반의 지반응답해석 장치(10)는 학습용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 속도값들을 산출하고(S103), 복수개의 시점에 대한 속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 거리값들을 산출하며(S105), 복수개의 시점에 대한 가속도값들과 복수개의 시점에 대한 속도값들과 복수개의 시점에 대한 거리값들을 시간에 따라 매칭하여, 복수개의 시점별 가속도값, 속도값, 거리값을 포함하는 학습용 입력 데이터를 생성하는(S107) 것일 수 있다.More specifically, after step S101, the deep learning-based ground response analysis apparatus 10 integrates acceleration values for a plurality of time points of the learning acceleration data over time to calculate speed values for a plurality of time points (S103), and a plurality of Distance values for a plurality of viewpoints are calculated by integrating the velocity values for the plurality of viewpoints over time (S105), and acceleration values for the plurality of viewpoints, speed values for the plurality of viewpoints, and distances for the plurality of viewpoints are calculated (S105). By matching values according to time, it may be to generate input data for learning including an acceleration value, a speed value, and a distance value for each viewpoint ( S107 ).

딥러닝 기반의 지반응답해석 장치(10)는 S107단계에서 생성한 학습용 입력 데이터와 학습용 가속도 데이터에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 학습모델을 학습시키고(S109), 해당 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터를 입력(S111)받는 것일 수 있다.The deep learning-based ground response analysis apparatus 10 learns the learning model by inputting a plurality of predetermined supervised learning values corresponding to the learning input data and the learning acceleration data generated in step S107 to a preset learning model (S109) , may be to receive the acceleration data for evaluation including acceleration values for a plurality of time points that are objects of the ground response analysis measured over time in the basement of the corresponding point (S111).

S111 단계 이후 딥러닝 기반의 지반응답해석 장치(10)는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여, 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 평가용 입력 데이터를 생성하는 것일 수 있다.After step S111, the deep learning-based ground response analysis apparatus 10 integrates the acceleration values for a plurality of time points of the acceleration data for evaluation over time, and calculates the acceleration values, speed values, and distance values for each time point for the plurality of time points. It may be to generate input data for evaluation including.

S111 단계 이후 딥러닝 기반의 지반응답해석 장치(10)는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 속도값들을 산출하고(S113), 복수개의 시점에 대한 속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 거리값들을 산출하며(S115), 복수개의 시점에 대한 가속도값들과 복수개의 시점에 대한 속도값들과 복수개의 시점에 대한 거리값들을 시간에 따라 매칭하여, 복수개의 시점별 가속도값, 속도값, 거리값을 포함하는 평가용 입력 데이터를 생성하는(S117) 것일 수 있다.After step S111, the deep learning-based ground response analysis apparatus 10 integrates acceleration values for a plurality of time points of the acceleration data for evaluation over time to calculate speed values for a plurality of time points (S113), and a plurality of time points Distance values for a plurality of viewpoints are calculated by integrating the velocity values with respect to time (S115), and acceleration values for a plurality of viewpoints, velocity values for a plurality of viewpoints, and distance values for a plurality of viewpoints are calculated. By matching according to time, input data for evaluation including an acceleration value, a speed value, and a distance value for each time point may be generated ( S117 ).

S103 또는 S113 단계에 있어서 딥러닝 기반의 지반응답해석 장치(10)는 학습용 가속도 데이터의 복수개의 시점에 대한 가속도값들 또는 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들에 있어서, 복수개의 시점 중 어느 한 시점인 제1 시점에서의 가속도값과 제1 시점 이후의 제2 시점에서의 가속도값과 제1 시점과 제2 시점 사이의 시간에 기초하여 제1 시점부터 제2 시점까지의 가속도값들을 적분함에 따른 속도변화값을 산출하고, 속도변화값을 누적함에 따라 시점별 속도값을 산출하는 것일 수 있다.In step S103 or S113, the deep learning-based ground response analysis apparatus 10 provides acceleration values for a plurality of viewpoints of acceleration data for learning or acceleration values for a plurality of viewpoints of acceleration data for evaluation, a plurality of viewpoints An acceleration value from the first time point to the second time point based on the acceleration value at the first time point, which is any one time point, the acceleration value at the second time point after the first time point, and the time between the first time point and the second time point It may be to calculate a speed change value by integrating the values, and to calculate a speed value for each time point by accumulating the speed change values.

S105 또는 S115 단계에 있어서 딥러닝 기반의 지반응답해석 장치(10)는 S103 또는 S113 단계에서 산출된 복수개의 시점에 대한 속도값들에 있어서, 복수개의 시점 중 어느 한 시점인 제1 시점에서의 속도값과 제1 시점 이후의 제2 시점에서의 속도값과 제1 시점과 제2 시점 사이의 시간에 기초하여 제1 시점부터 제2 시점까지의 속도값들을 적분함에 따른 변위값을 산출하고, 변위값을 누적함에 따라 시점별 거리값을 산출하는 것일 수 있다.In the step S105 or S115, the deep learning-based ground response analysis apparatus 10, in the speed values for the plurality of time points calculated in the step S103 or S113, the speed at the first time point which is any one of the plurality of time points A displacement value is calculated by integrating the velocity values from the first time point to the second time point based on the value, the velocity value at the second time point after the first time point, and the time between the first time point and the second time point, and the displacement By accumulating the values, the distance value for each viewpoint may be calculated.

S117 단계 이후 딥러닝 기반의 지반응답해석 장치(10)는 S109단계에서 미리 학습된 학습모델에 평가용 입력 데이터를 적용하여 평가용 가속도 데이터에 대응되어 해당 지점의 지표면에서 전파되는 복수개의 시점에 대한 지반응답가속도 예측값들을 추정(S119)하는 것일 수 있다.After step S117, the deep learning-based ground response analysis apparatus 10 applies the input data for evaluation to the learning model learned in step S109 to correspond to the acceleration data for evaluation and propagate from the ground surface of the corresponding point. It may be to estimate the ground response acceleration predicted values (S119).

S119 이후 딥러닝 기반의 지반응답해석 장치(10)는 복수개의 시점에 대한 지반응답가속도 예측값들과 복수개의 시점에 대한 지도학습값들을 각각 이용하여 서로 다른 복수개의 주기에 대한 스펙트럼 가속도를 산출하고(S121), 지반응답가속도 예측값들을 이용해 산출된 스펙트럼 가속도와 지도학습값들을 이용해 산출된 스펙트럼 가속도의 오차를 산출(S123)하는 것일 수 있다.After S119, the deep learning-based ground response analysis apparatus 10 calculates spectral acceleration for a plurality of different periods by using the ground response acceleration predicted values for a plurality of time points and supervised learning values for a plurality of time points, respectively ( S121), it may be to calculate an error between the spectral acceleration calculated using the predicted ground response acceleration values and the spectral acceleration calculated using the supervised learning values (S123).

S121 단계에서 딥러닝 기반의 지반응답해석 장치(10)는 복수개의 시점에 대한 지반응답가속도 예측값들 또는 학습용 가속도 데이터에 대응되어 지표면에서 실측된 복수개의 시점에 대한 지반응답가속도값들에 대응되는 복수개의 지도학습값들에 기설정된 댐핑 팩터와, 기설정된 복수개의 주기 각각에 따른 고유주파수를 반영한 감쇠함수를 복수개의 시점 중 어느 한 시점인 제1 시점부터 제1 시점 이후의 어느 한 시점인 제2 시점까지 적분함에 따라 시간에 대한 변위 응답을 산출하고, 미분 연산에 기초하여 변위 응답에 대한 이계 도함수를 산출하며, 복수개의 시점에 대한 지반응답가속도 예측값들 또는 복수개의 지도학습값들과 변위 응답의 이계 도함수를 시간에 따라 합함에 따른 값들의 절대값에 대한 최댓값에 기초하여 복수개의 시점에 대한 지반응답가속도 예측값들 또는 복수개의 지도학습값들에 대한 스펙트럼 가속도를 산출하는 것일 수 있다.In step S121, the deep learning-based ground response analysis apparatus 10 responds to prediction values of ground response acceleration for a plurality of time points or acceleration data for learning and provides a plurality of ground response acceleration values for a plurality of time points actually measured on the ground surface in step S121. A damping function that reflects a predetermined damping factor in the supervised learning values and a natural frequency according to each of a plurality of predetermined periods is calculated from a first time point, which is any one time point among a plurality of time points, and a second time point which is any one time point after the first time point. By integrating up to the time point, the displacement response with respect to time is calculated, the second derivative for the displacement response is calculated based on the differential operation, and the prediction values of the ground response acceleration for a plurality of time points or a plurality of supervised learning values and the displacement response are calculated. Based on the maximum value of the absolute value of the values obtained by summing the second derivative over time, it may be to calculate the ground response acceleration predicted values for a plurality of time points or the spectral accelerations for a plurality of supervised learning values.

본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Those of ordinary skill in the art to which the present invention pertains will understand that the present invention may be embodied in other specific forms without changing the technical spirit or essential features thereof. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. The scope of the present invention is indicated by the claims to be described later rather than the above detailed description, and all changes or modifications derived from the claims and their equivalent concepts should be construed as being included in the scope of the present invention.

10 : 딥러닝 기반의 지반응답해석 장치
110 : 입력 데이터 생성모듈
120 : 학습부
130 : 지반응답해석부
140 : 제1 스펙트럼 가속도 산출모듈
150 : 제2 스펙트럼 가속도 산출모듈
160 : 오차 산출부10: Deep learning-based ground response analysis device
110: input data generation module
120: study unit
130: ground response analysis unit
140: first spectral acceleration calculation module
150: second spectral acceleration calculation module
160: error calculation unit

Claims (12)

미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터 또는 상기 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터에 기초하여, 상기 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성하는 입력 데이터 생성모듈;
상기 학습용 가속도 데이터에 대응되는 입력 데이터와 상기 학습용 가속도 데이터의 상기 복수개의 시점에 대한 가속도값들에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 상기 학습모델을 학습시키는 학습부; 및
상기 평가용 가속도 데이터에 대응되는 입력 데이터를 상기 학습부에서 학습된 학습모델에 적용하여 시간에 따른 복수개의 시점에 대한 지반응답가속도 예측값들을 추정하는 지반응답해석부; 를 포함하는 딥러닝 기반의 지반응답해석 장치.Acceleration data for learning including acceleration values for a plurality of time points measured for a preset time in the basement of a predetermined point or acceleration values for a plurality of points in time to be subjected to ground response analysis measured in the basement of the point according to time an input data generation module for generating input data including acceleration values, velocity values, and distance values for each viewpoint for the plurality of viewpoints, based on the acceleration data for evaluation including
A learning unit for learning the learning model by inputting input data corresponding to the learning acceleration data and a plurality of predetermined supervised learning values corresponding to acceleration values for the plurality of time points of the learning acceleration data into a preset learning model ; and
a ground response analysis unit for estimating ground response acceleration predicted values for a plurality of time points according to time by applying the input data corresponding to the acceleration data for evaluation to the learning model learned by the learning unit; A deep learning-based ground response analysis device that includes 제1항에 있어서,
상기 입력 데이터 생성모듈은
상기 학습용 가속도 데이터 또는 상기 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 속도값들을 산출하는 속도 산출부;
상기 복수개의 시점에 대한 속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 거리값들을 산출하는 거리 산출부; 및
상기 학습용 가속도 데이터 또는 상기 평가용 가속도 데이터의 복수개의 시점에 대한 가속도값들과 상기 복수개의 시점에 대한 속도값들과 상기 복수개의 시점에 대한 거리값들을 시간에 따라 매칭하여, 상기 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 입력 데이터를 생성하는 입력 데이터 생성부; 를 포함하는 것
인 딥러닝 기반의 지반응답해석 장치.According to claim 1,
The input data generating module is
a speed calculator configured to integrate acceleration values for a plurality of time points of the acceleration data for learning or the acceleration data for evaluation over time to calculate speed values for a plurality of time points;
a distance calculating unit calculating distance values for the plurality of viewpoints by integrating the velocity values for the plurality of viewpoints over time; and
Acceleration values for a plurality of viewpoints of the acceleration data for learning or the acceleration data for evaluation, velocity values for the plurality of viewpoints, and distance values for the plurality of viewpoints are matched over time, and at the plurality of viewpoints an input data generator for generating input data including an acceleration value, a velocity value, and a distance value for each viewpoint; containing
A ground response analysis device based on deep learning. 제2항에 있어서,
상기 속도 산출부는
상기 복수개의 시점 중 어느 한 시점인 제1 시점에서의 가속도값과 상기 제1 시점 이후의 제2 시점에서의 가속도값과 상기 제1 시점과 상기 제2 시점 사이의 시간에 기초하여 상기 제1 시점부터 상기 제2 시점까지의 가속도값들을 적분함에 따른 속도변화값을 산출하고, 상기 속도변화값을 누적함에 따라 시점별 속도값을 산출하는 것
인 딥러닝 기반의 지반응답해석 장치.3. The method of claim 2,
The speed calculator
The first time point based on an acceleration value at a first time point that is one of the plurality of time points, an acceleration value at a second time point after the first time point, and a time between the first time point and the second time point Calculating the speed change value by integrating the acceleration values from to the second time point, and calculating the speed value for each time point by accumulating the speed change value
A ground response analysis device based on deep learning. 제3항에 있어서,
상기 거리 산출부는
상기 복수개의 시점 중 어느 한 시점인 제1 시점에서의 속도값과 상기 제1 시점 이후의 제2 시점에서의 속도값과 상기 제1 시점과 상기 제2 시점 사이의 시간에 기초하여 상기 제1 시점부터 상기 제2 시점까지의 속도값들을 적분함에 따른 변위값을 산출하고, 상기 변위값을 누적함에 따라 시점별 거리값을 산출하는 것
인 딥러닝 기반의 지반응답해석 장치.4. The method of claim 3,
The distance calculator
The first time point based on a speed value at a first time point which is one of the plurality of time points, a speed value at a second time point after the first time point, and a time between the first time point and the second time point Calculating a displacement value by integrating the velocity values from to the second time point, and calculating a distance value for each time point by accumulating the displacement value
A ground response analysis device based on deep learning. 제1항에 있어서,
상기 지반응답해석부에서 추정된 상기 복수개의 시점에 대한 지반응답가속도 예측값들을 이용하여 서로 다른 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출하는 스펙트럼 가속도 산출모듈; 을 더 포함하는
인 딥러닝 기반의 지반응답해석 장치.According to claim 1,
a spectral acceleration calculation module for calculating spectral accelerations for a plurality of different periods by using the ground response acceleration prediction values for the plurality of time points estimated by the ground response analysis unit; further comprising
A ground response analysis device based on deep learning. 제5항에 있어서,
상기 예측 스펙트럼 가속도 산출모듈은
상기 복수개의 시점에 대한 지반응답가속도 예측값들에 기설정된 댐핑 팩터와, 상기 기설정된 복수개의 주기 각각에 따른 고유주파수를 반영한 감쇠함수를 상기 복수개의 시점 중 어느 한 시점인 제1 시점부터 상기 제1 시점 이후의 어느 한 시점인 제2 시점까지 적분함에 따라 시간에 대한 변위 응답을 산출하는 변위 응답 산출부;
미분 연산에 기초하여 상기 변위 응답에 대한 이계 도함수를 산출하는 이계 도함수 산출부; 및
상기 변위 응답의 이계 도함수와 상기 복수개의 시점에 대한 지반응답가속도 예측값들을 시간에 따라 합함에 따른 값들의 절대값에 대한 최댓값에 기초하여 스펙트럼 가속도를 산출하는 스펙트럼 가속도 산출부; 를 포함하는 것
인 딥러닝 기반의 지반응답해석 장치.6. The method of claim 5,
The predicted spectral acceleration calculation module is
A damping factor that is preset in the ground response acceleration prediction values for the plurality of time points and a damping function reflecting a natural frequency according to each of the plurality of preset periods from the first time point, which is any one of the plurality of time points, is calculated from the first time point a displacement response calculator configured to calculate a displacement response with respect to time by integrating up to a second time point, which is any one point after the time point;
a second derivative calculation unit for calculating a second derivative for the displacement response based on a differential operation; and
a spectral acceleration calculator for calculating spectral acceleration based on the maximum value of absolute values of values obtained by adding the second derivative of the displacement response and the predicted values of the ground response acceleration for the plurality of time points over time; containing
A ground response analysis device based on deep learning. 미리 지정된 지점의 지하에서 기설정된 시간동안 측정된 복수개의 시점에 대한 가속도값들을 포함하는 학습용 가속도 데이터의 가속도값들을 시간에 따라 적분하여 상기 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 학습용 입력 데이터를 생성하는 단계;
상기 학습용 입력 데이터와 상기 학습용 가속도 데이터에 대응되는 미리 정해진 복수개의 지도학습값들을 기설정된 학습모델에 입력하여 상기 학습모델을 학습시키는 단계;
상기 지점의 지하에서 시간에 따라 측정된 지반응답해석의 대상이 되는 복수개의 시점에 대한 가속도값들을 포함하는 평가용 가속도 데이터를 시간에 따라 적분하여, 상기 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 평가용 입력 데이터를 생성하는 단계; 및
상기 학습모델을 학습시키는 단계에서 미리 학습된 학습모델에 상기 평가용 입력 데이터를 적용하여 시간에 따른 복수개의 시점에 대한 지반응답가속도 예측값들을 추정하는 단계; 를 포함하는 딥러닝 기반의 지반응답해석 방법.Acceleration values of acceleration data for learning including acceleration values for a plurality of viewpoints measured for a predetermined period of time underground at a predetermined point are integrated over time, and acceleration values, velocity values, and distance values for each viewpoint for the plurality of viewpoints are integrated over time. Generating input data for learning comprising a;
learning the learning model by inputting a plurality of predetermined supervised learning values corresponding to the learning input data and the learning acceleration data into a preset learning model;
Acceleration data for evaluation including acceleration values for a plurality of time points that are the target of the ground response analysis measured over time in the basement of the point are integrated over time, generating input data for evaluation including a value and a distance value; and
estimating ground response acceleration prediction values for a plurality of time points according to time by applying the evaluation input data to the learning model learned in advance in the step of training the learning model; A deep learning-based ground response analysis method including 제7항에 있어서,
상기 학습용 입력 데이터를 생성하는 단계는
상기 학습용 가속도 데이터의 복수개의 시점에 대한 가속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 속도값들을 산출하는 단계;
상기 복수개의 시점에 대한 속도값들을 시간에 따라 적분하여 복수개의 시점에 대한 거리값들을 산출하는 단계; 및
상기 복수개의 시점에 대한 가속도값들과 상기 복수개의 시점에 대한 속도값들과 상기 복수개의 시점에 대한 거리값들을 시간에 따라 매칭하여, 상기 복수개의 시점에 대한 시점별 가속도값, 속도값, 거리값을 포함하는 상기 학습용 입력 데이터를 생성하는 단계; 를 포함하는 것
인 딥러닝 기반의 지반응답해석 방법.8. The method of claim 7,
The step of generating the input data for learning is
calculating velocity values for a plurality of viewpoints by integrating acceleration values for a plurality of viewpoints of the learning acceleration data over time;
calculating distance values for the plurality of viewpoints by integrating the velocity values for the plurality of viewpoints over time; and
Acceleration values for the plurality of viewpoints, velocity values for the plurality of viewpoints, and distance values for the plurality of viewpoints are matched over time, and acceleration values, velocity values, and distances for each viewpoint for the plurality of viewpoints are matched. generating the learning input data including a value; containing
A ground response analysis method based on deep learning. 제5항에 있어서,
상기 복수개의 시점에 대한 속도값들을 산출하는 단계는
상기 복수개의 시점 중 어느 한 시점인 제1 시점에서의 가속도값과 상기 제1 시점 이후의 제2 시점에서의 가속도값과 상기 제1 시점과 상기 제2 시점 사이의 시간에 기초하여 상기 제1 시점부터 상기 제2 시점까지의 가속도값들을 적분함에 따른 속도변화값을 산출하고, 상기 속도변화값을 누적함에 따라 시점별 속도값을 산출하는 것
인 딥러닝 기반의 지반응답해석 방법.6. The method of claim 5,
Calculating the velocity values for the plurality of time points includes:
The first time point based on an acceleration value at a first time point that is one of the plurality of time points, an acceleration value at a second time point after the first time point, and a time between the first time point and the second time point Calculating the speed change value by integrating the acceleration values from to the second time point, and calculating the speed value for each time point by accumulating the speed change value
A ground response analysis method based on deep learning. 제9항에 있어서,
상기 복수개의 시점에 대한 거리값들을 산출하는 단계는
상기 복수개의 시점 중 어느 한 시점인 제1 시점에서의 속도값과 상기 제1 시점 이후의 제2 시점에서의 속도값과 상기 제1 시점과 상기 제2 시점 사이의 시간에 기초하여 상기 제1 시점부터 상기 제2 시점까지의 속도값들을 적분함에 따른 변위값을 산출하고, 상기 변위값을 누적함에 따라 시점별 거리값을 산출하는 것
인 딥러닝 기반의 지반응답해석 방법.10. The method of claim 9,
Calculating distance values for the plurality of viewpoints includes:
The first time point based on a speed value at a first time point which is one of the plurality of time points, a speed value at a second time point after the first time point, and a time between the first time point and the second time point Calculating a displacement value by integrating the velocity values from to the second time point, and calculating a distance value for each time point by accumulating the displacement value
A ground response analysis method based on deep learning. 제7항에 있어서,
상기 지반응답가속도 예측값들을 추정하는 단계 이후에 있어서,
상기 복수개의 시점에 대한 지반응답가속도 예측값들을 이용하여 서로 다른 복수개의 주기 각각에 대한 스펙트럼 가속도를 산출하는 단계; 를 더 포함하는 딥러닝 기반의 지반응답해석 방법.8. The method of claim 7,
After estimating the ground response acceleration predicted values,
calculating the spectral acceleration for each of a plurality of different periods using the predicted values of the ground response acceleration for the plurality of time points; A deep learning-based ground response analysis method further comprising a. 제11항에 있어서,
상기 스펙트럼 가속도를 산출하는 단계는
상기 복수개의 시점에 대한 지반응답가속도 예측값들에 기설정된 댐핑 팩터와, 상기 기설정된 복수개의 주기 각각에 따른 고유주파수를 반영한 감쇠함수를 상기 복수개의 시점 중 어느 한 시점인 제1 시점부터 상기 제1 시점 이후의 어느 한 시점인 제2 시점까지 적분함에 따라 시간에 대한 변위 응답을 산출하는 단계;
미분 연산에 기초하여 상기 변위 응답에 대한 이계 도함수를 산출하는 단계; 및
상기 변위 응답의 이계 도함수와 상기 복수개의 시점에 대한 지반응답가속도 예측값들을 시간에 따라 합함에 따른 값들의 절대값에 대한 최댓값에 기초하여 상기 복수개의 시점에 대한 지반응답가속도 예측값들에 대한 스펙트럼 가속도를 산출하는 단계; 를 포함하는 것
인 딥러닝 기반의 지반응답해석 방법.12. The method of claim 11,
The step of calculating the spectral acceleration is
A damping factor that is preset in the ground response acceleration prediction values for the plurality of time points and a damping function reflecting a natural frequency according to each of the plurality of preset periods from the first time point, which is any one of the plurality of time points, is calculated from the first time point calculating a displacement response with respect to time by integrating up to a second time point, which is any one point after the time point;
calculating a second derivative for the displacement response based on a differential operation; and
Based on the maximum value of the absolute values of the values obtained by adding the second derivative of the displacement response and the predicted values of the ground response acceleration for the plurality of time points over time, the spectral acceleration for the predicted values of the ground response acceleration for the plurality of time points calculating; containing
A ground response analysis method based on deep learning.
KR1020200097339A 2020-08-04 2020-08-04 Apparatus and method for analysising seismic response based on deep learning KR102388378B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200097339A KR102388378B1 (en) 2020-08-04 2020-08-04 Apparatus and method for analysising seismic response based on deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200097339A KR102388378B1 (en) 2020-08-04 2020-08-04 Apparatus and method for analysising seismic response based on deep learning

Publications (2)

Publication Number Publication Date
KR20220017550A true KR20220017550A (en) 2022-02-14
KR102388378B1 KR102388378B1 (en) 2022-04-19

Family

ID=80254344

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200097339A KR102388378B1 (en) 2020-08-04 2020-08-04 Apparatus and method for analysising seismic response based on deep learning

Country Status (1)

Country Link
KR (1) KR102388378B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130115172A (en) 2012-04-11 2013-10-21 시트로닉스 테크놀로지 코퍼레이션 Driving circuit for display panel
KR20180095372A (en) * 2017-02-17 2018-08-27 부산대학교 산학협력단 Device and method for seismic safety estimation for infrastructures

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130115172A (en) 2012-04-11 2013-10-21 시트로닉스 테크놀로지 코퍼레이션 Driving circuit for display panel
KR20180095372A (en) * 2017-02-17 2018-08-27 부산대학교 산학협력단 Device and method for seismic safety estimation for infrastructures

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hyperparameter Study of Recurrent Neural Network for Seismic Response Prediction of Structures Including Vibration Control Units Part 1.* *
Hyunsoo Kim et al. Korean Journal of Spatial Structural Science Vol.20, No.20, June 2020 *

Also Published As

Publication number Publication date
KR102388378B1 (en) 2022-04-19

Similar Documents

Publication Publication Date Title
KR101281803B1 (en) Method for velocity analysis using waveform inversion in Laplace domain for geophysical imaging
Terzis et al. Slip surface localization in wireless sensor networks for landslide prediction
Waddington et al. Inference of accumulation-rate patterns from deep layers in glaciers and ice sheets
CN107843925B (en) A kind of reflection wave inversion method based on orrection phase place
Yamada et al. Estimation of dynamic friction and movement history of large landslides
KR102027252B1 (en) Methods for differentiation of earthquake signal and prediction of earthquake intensity using randomly generated artificial seismic training data for an arbitrary zone
KR20150035633A (en) Apparatus for measuring earthquake intensity and method for the same
Albakri et al. Impact localization in dispersive waveguides based on energy-attenuation of waves with the traveled distance
Kaloop et al. Multi input–single output models identification of tower bridge movements using GPS monitoring system
CN110426739B (en) Geological exploration detection method and device and storage medium
KR102209749B1 (en) Method and system for generating earthquake acceleration time history
van den Ende et al. Deep deconvolution for traffic analysis with distributed acoustic sensing data
Hui et al. Structural damage detection based on covariance of covariance matrix with general white noise excitation
NO343878B1 (en) Acoustic velocity modeling for the subsurface around one or more wells
Calcina et al. Ambient vibration tests of an arch dam with different reservoir water levels: experimental results and comparison with finite element modelling
Omidalizarandi et al. A validated robust and automatic procedure for vibration analysis of bridge structures using MEMS accelerometers
Tsang et al. Modeling shear rigidity of stratified bedrock in site response analysis
Davis et al. Force estimation and event localization (feel) of impacts using structural vibrations
Derkevorkian et al. Development and validation of nonlinear computational models of dispersed structures under strong earthquake excitation
CN112100906B (en) Data-driven large-scale density modeling method, computing device and storage medium
Calcina et al. Vibration analysis of historic bell towers by means of contact and remote sensing measurements
KR102388378B1 (en) Apparatus and method for analysising seismic response based on deep learning
Yablokov et al. Uncertainty quantification of multimodal surface wave inversion using artificial neural networks
CN110426740B (en) Seismic noise imaging exploration method and device and storage medium
US11635538B2 (en) Equivalent linear velocity for first arrival picking of seismic refraction

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant