KR20220090757A - Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel - Google Patents
Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel Download PDFInfo
- Publication number
- KR20220090757A KR20220090757A KR1020200181604A KR20200181604A KR20220090757A KR 20220090757 A KR20220090757 A KR 20220090757A KR 1020200181604 A KR1020200181604 A KR 1020200181604A KR 20200181604 A KR20200181604 A KR 20200181604A KR 20220090757 A KR20220090757 A KR 20220090757A
- Authority
- KR
- South Korea
- Prior art keywords
- impact
- collision
- underwater tunnel
- amount
- location
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63J—AUXILIARIES ON VESSELS
- B63J99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Ocean & Marine Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법은 수중 터널에 충격이 발생한 경우, 상기 수중 터널에 구비된 센서를 통하여 충격 정보를 측정하는 측정 단계, 데이터 학습을 통해 구축된 인공신경망 기반의 충돌 분석 모델에 상기 충격 정보를 입력하는 입력 단계 및 충돌 분석 모델에 의하여 분석된 충돌 위치 및 충격량을 출력하는 출력 단계를 포함한다. 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법과 장치는 수중 터널의 안정성과 관련하여 외부 접근체와 충돌 발생시의 충돌 위치 및 충격량을 평가하는 방법을 제공한다. 본 발명은 기학습된 인공신경망을 활용하기 때문에 다양한 변수가 존재하는 해양의 극한 상황에서도 신뢰성을 향상시키며, 수중 터널의 설계에 매우 유용하게 이용될 수 있다.In the method for estimating the impact location and amount of impact of an underwater tunnel according to the present invention, when an impact occurs in the underwater tunnel, a measurement step of measuring impact information through a sensor provided in the underwater tunnel, an artificial neural network-based collision built through data learning and an input step of inputting the impact information into an analysis model and an output step of outputting the impact location and impact amount analyzed by the impact analysis model. The method and apparatus for estimating the impact location and impact amount of an underwater tunnel according to the present invention provides a method for evaluating the impact location and impact amount when a collision with an external approach occurs in relation to the stability of the underwater tunnel. Since the present invention utilizes a pre-learned artificial neural network, it improves reliability even in extreme conditions in the ocean where various variables exist, and can be very usefully used in the design of an underwater tunnel.
Description
본 발명은 수중 터널 충돌에 대한 안정성 평가에 관한 것으로, 더욱 상세하게는 수중 터널과 외부 물체의 충돌시의 충돌 위치와 충격량을 추정하는 방법 및 장치에 관한 것이다.The present invention relates to stability evaluation of an underwater tunnel collision, and more particularly, to a method and apparatus for estimating a collision location and an impact amount when an underwater tunnel collides with an external object.
최근 지속적인 인구 증가, 자원 고갈 및 환경 오염 등의 문제로 인하여 인류 문명의 지속과 생존을 위한 방안이 모색되고 있으며, 이와 관련하여 해양과 우주에 대한 이용 및 개발에 대한 연구가 활발히 진행되고 있다. 그중 수중 터널(Submerged Floating Tunnel)은 해양 환경을 고려한 대표적인 토목 구조물 중 하나이다.Recently, due to problems such as continuous population growth, resource depletion, and environmental pollution, methods for the continuation and survival of human civilization are being sought. Among them, the submerged floating tunnel is one of the representative civil structures considering the marine environment.
도 1은 수중 터널의 개요도이다. 수중 터널 구조물은 구조 설계기술, 시공 기술, 에너지 공급 기술, 이동 기술, 안전 유지관리 기술과 같은 다양한 기술의 집합체로, 그 중 안전 유지관리는 극한 환경에서 사용자의 안전을 보장하는데 가장 중요한 기술 요소이다.1 is a schematic diagram of an underwater tunnel; The underwater tunnel structure is a collection of various technologies such as structural design technology, construction technology, energy supply technology, movement technology, and safety maintenance technology. .
수중 터널의 안전유지 관리와 관련하여, 가장 핵심적인 기술은 선박, 잠수함, 대형 어류 등과 같은 외부 접근체의 충돌을 방지하고 예측하는 기술이다. 수중 터널에 충돌이 발생하는 경우, 구조물의 대형 손상으로 인해 수리 및 보수와 관련한 막대한 경제적 피해가 발생할 뿐만 아니라, 인명 피해를 피할 수 없다. 따라서, 수중 터널의 충돌에 의한 안전성을 평가할 수 있는 기술에 대한 연구개발이 필요하다. In relation to the safety maintenance and management of underwater tunnels, the most essential technology is the technology to prevent and predict the collision of external objects such as ships, submarines, and large fish. When a collision occurs in an underwater tunnel, large-scale damage to the structure causes enormous economic damage related to repairs and repairs, as well as human casualties. Therefore, it is necessary to research and develop a technology that can evaluate the safety due to the collision of the underwater tunnel.
아직까지는 수중 터널의 충돌의 안전성을 평가할 수 있는 연구가 많이 이루어지지 않은 실정이다.There are still not many studies that can evaluate the safety of collisions in underwater tunnels.
대한민국 등록특허 제10-1686043호(발명의 명칭: 해양 구조물의 선박 충돌 모니터링 시스템, 출원인: (주)한국플랜트관리)는 선박의 안전운행을 돕는 항로표지시설물과 원유 또는 LNG를 지상저장탱크에 로딩하기 위해 파이프라인이 가설되어 있는 잔교와 같은 해양 구조물의 선박으로 인한 충돌을 감지하는 해양 구조물의 선박 충돌 모니터링 시스템에 관한 것이다. Republic of Korea Patent Registration No. 10-1686043 (Title of the invention: Ship collision monitoring system for offshore structures, Applicant: Korea Plant Management Co., Ltd.) is a navigational aid facility that helps the safe operation of ships and loading crude oil or LNG into a ground storage tank To this end, it relates to a ship collision monitoring system of an offshore structure that detects a collision caused by a ship of an offshore structure such as a pier on which a pipeline is erected.
하지만, 파이프라인과 같은 단순 구조물이 아닌 수중 터널과 같은 복잡한 대형의 구조물에서는 대한민국 등록특허 제10-1686043호와 같이 충돌 지수와 임계치를 비교하는 일반적인 방법만으로 극한의 해양 환경에서의 다양한 변수를 고려할 수 없다는 문제점이 있다.However, in a complex large structure such as an underwater tunnel, not a simple structure such as a pipeline, various variables in the extreme marine environment can be considered only by the general method of comparing the collision index and the critical value as in Korean Patent Registration No. 10-1686043. There is a problem that there is no
대한민국 등록특허 제10-1053139호(발명의 명칭: 해상교량의 충돌방지 구조물 및 그 시공방법, 출원인: 삼성물산 주식회사)는 해상작업에 불구하고 시공이 간편하면서도, 충분한 강도 및 내구성을 갖는 해상교량의 충돌방지 구조물 및 그 시공방법에 관한 것이다. 대한민국 등록특허 제10-1053139호는 충돌을 방지하기 위한 구조물에 대한 구성만을 개시하고 있을 뿐, 안전성을 도모하기 위한 기술적 수단에 대해서는 아무런 개시가 없다.Republic of Korea Patent Registration No. 10-1053139 (Title of the invention: Collision prevention structure of an offshore bridge and its construction method, Applicant: Samsung C&T Corporation) is a construction of an offshore bridge with sufficient strength and durability while being easy to construct despite offshore work. It relates to an anti-collision structure and its construction method. Republic of Korea Patent Registration No. 10-1053139 discloses only the configuration of the structure for preventing the collision, there is no disclosure about the technical means for promoting safety.
본 발명은 상술한 기술적 요구를 감안하여 안출된 것으로, 본 발명의 목적은 수중 터널이라는 특수 구조물을 대상으로 하여, 외부 접근체와 충돌 발생시의 구조물의 안전성을 평가할 수 있는 방법을 제공함에 있다. 특히, 종래의 물리적인 데이터를 구조 역학과 동역학 관점에서 분석하는 것과 달리 기학습된 인공신경망을 활용하여 더욱 신뢰성 있게, 다양한 변수가 존재함에도 정확성을 높일 수 있는 수중 터널의 충돌 위치 및 충격량 추정 방법 및 장치의 제공을 본 발명의 목적으로 한다.The present invention has been devised in view of the above technical needs, and an object of the present invention is to provide a method for evaluating the safety of a structure in the event of a collision with an external approach by targeting a special structure called an underwater tunnel. In particular, unlike the conventional analysis of physical data from the perspective of structural dynamics and dynamics, a method for estimating the impact location and impact amount of an underwater tunnel that can increase the accuracy even in the presence of various variables more reliably and more reliably by using a pre-learned artificial neural network, and It is an object of the present invention to provide a device.
본 발명은 수중 터널에 발생할 수 있는 충돌로 인한 물리적 피해를 정량적으로 예측하기 위한 것으로, 충돌 발생시 구조물에 부착한 센서를 통해 가속도 데이터를 획득하고 구축한 기법을 통해 충돌 위치와 충격량을 파악한다. 구체적으로, 충돌 위치와 충격량은 구조물에서 계측된 물리량에 기초하여 인공신경망(ANN)을 기반으로 한 알고리즘에 의하여 획득된다. 본 발명의 과제는 "충돌의 위치와 충돌체의 충격량을 파악할 수 있는 알고리즘 구축하기 위한 기법 구축"에 있다.The present invention is to quantitatively predict the physical damage caused by a collision that may occur in an underwater tunnel. When a collision occurs, acceleration data is acquired through a sensor attached to a structure, and the collision location and amount of impact are identified through the established technique. Specifically, the collision location and the impact amount are obtained by an artificial neural network (ANN)-based algorithm based on the physical quantities measured in the structure. An object of the present invention is to "establish a technique for constructing an algorithm that can determine the location of a collision and the amount of impact of a colliding body".
상기 목적을 달성하기 위한 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법은 상기 수중 터널에 충격이 발생한 경우, 상기 수중 터널에 구비된 센서를 통하여 충격 정보를 측정하는 측정 단계, 데이터 학습을 통해 구축된 인공신경망 기반의 충돌 분석 모델에 상기 충격 정보를 입력하는 입력 단계 및 상기 충돌 분석 모델에 의하여 분석된 충돌 위치 및 충격량을 출력하는 출력 단계;를 포함한다. The method for estimating the impact location and impact amount of an underwater tunnel according to the present invention for achieving the above object is a measurement step of measuring impact information through a sensor provided in the underwater tunnel when an impact occurs in the underwater tunnel, through data learning and an input step of inputting the impact information to the built-up artificial neural network-based collision analysis model and an output step of outputting the collision location and the amount of impact analyzed by the collision analysis model.
그리고, 상기 센서는 상기 수중 터널에 기설정된 이격 거리를 갖도록 배치된 복수의 단위 센서를 포함하며, 상기 복수의 단위 센서는 충돌에 의한 가속도, 속도, 변위 정보를 측정할 수 있다.In addition, the sensor includes a plurality of unit sensors arranged to have a predetermined separation distance in the underwater tunnel, and the plurality of unit sensors may measure acceleration, speed, and displacement information due to a collision.
또한, 상기 충돌 분석 모델은, 경간별 가속도 데이터를 포함하는 학습 데이터를 입력받는 입력층; 상기 경간별 가속도 데이터의 연산을 위한 복수의 노드를 포함하는 은닉층; 및 상기 은닉층에서 필터링된 충돌 위치 및 충격량을 출력하는 출력층;을 포함할 수 있다.In addition, the collision analysis model may include: an input layer for receiving learning data including acceleration data for each span; a hidden layer including a plurality of nodes for calculating the acceleration data for each span; and an output layer for outputting the impact location and impact amount filtered by the hidden layer.
그리고, 상기 출력 단계에서 출력된 충돌 위치 및 충격량에 기초하여 상기 수중 터널의 안전 레벨을 판단하는 판단 단계;를 더 포함할 수 있다.And, the determination step of determining the safety level of the underwater tunnel based on the collision position and the amount of impact output in the output step; may further include.
또한, 상기 안전 레벨은 상기 출력 단계에서 출력된 충격량과 기설정된 임계값을 비교하여 설정될 수 있다.In addition, the safety level may be set by comparing the amount of impact output in the output step with a preset threshold value.
한편, 상기 목적을 달성하기 위한 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 장치는 수중 터널의 외부에 기설정된 이격거리를 갖고 배치된 복수의 센서; 상기 복수의 센서에서 측정된 충격 정보를 인공 신경만 기반의 충돌 분석 모델을 이용하여 분석하는 충돌 분석부; 및 상기 충돌 분석부에서 분석된 충돌 위치 및 충격량을 출력하는 결과값 출력부;를 포함한다.On the other hand, the apparatus for estimating the collision position and impact amount of the underwater tunnel according to the present invention for achieving the above object includes a plurality of sensors arranged with a predetermined separation distance outside the underwater tunnel; a collision analysis unit that analyzes the impact information measured by the plurality of sensors using a collision analysis model based only on artificial nerves; and a result value output unit for outputting the collision location and the amount of impact analyzed by the collision analysis unit.
그리고, 상기 센서는 상기 수중 터널에 대한 충돌에 의한 가속도, 속도, 변위 정보를 측정할 수 있다.In addition, the sensor may measure acceleration, velocity, and displacement information due to a collision with the underwater tunnel.
또한, 상기 충돌 분석 모델은, 경간별 가속도 데이터를 포함하는 학습 데이터를 입력받는 입력층; 상기 경간별 가속도 데이터의 연산을 위한 복수의 노드를 포함하는 은닉층; 및 상기 은닉층에서 필터링된 충돌 위치 및 충격량을 출력하는 출력층;을 포함할 수 있다.In addition, the collision analysis model may include: an input layer for receiving learning data including acceleration data for each span; a hidden layer including a plurality of nodes for calculating the acceleration data for each span; and an output layer for outputting the impact location and impact amount filtered by the hidden layer.
그리고, 상기 결과값 출력부에서 출력된 충돌 위치 및 충격량에 기초하여 상기 수중 터널의 안전 레벨을 판단하는 안전레벨 판단부;를 더 포함할 수 있다.It may further include; a safety level determination unit for determining the safety level of the underwater tunnel based on the collision position and the amount of impact output from the result output unit.
또한, 상기 안전 레벨은 상기 결과값 출력부에서 출력된 충격량과 기설정된 임계값을 비교하여 판단될 수 있다.In addition, the safety level may be determined by comparing the amount of impact output from the result value output unit with a preset threshold value.
본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법과 장치는 수중 터널의 안정성과 관련하여 외부 접근체와 충돌 발생시의 충돌 위치 및 충격량을 평가하는 방법을 제공한다. 본 발명은 기학습된 인공신경망을 활용하기 때문에 다양한 변수가 존재하는 해양의 극한 상황에서도 신뢰성을 향상시키며, 수중 터널의 설계에 매우 유용하게 이용될 수 있다.The method and apparatus for estimating the impact location and impact amount of an underwater tunnel according to the present invention provides a method for evaluating the impact location and impact amount when a collision with an external approach occurs in relation to the stability of the underwater tunnel. Since the present invention utilizes a pre-learned artificial neural network, it improves reliability even in extreme conditions in the ocean where various variables exist, and can be very usefully used in the design of an underwater tunnel.
본 발명은 수중 터널이라는 특수 구조물을 대상으로 이루어졌다는 점에서 충돌과 관련한 종래 기술들과 차이점이 있고, 종래 기술은 충돌로 인해 발생하는 물리적인 데이터를 구조 역학과 동역학의 관점에서 충돌을 분석하는데 그쳤지만, 본 발명은 기학습된 인공신경망을 활용하여 충돌 위치와 충격량을 파악하기 때문에 신뢰성을 높일 수 있다. The present invention is different from the prior art related to collision in that it is made for a special structure called an underwater tunnel, and the prior art only analyzes the collision from the point of view of structural dynamics and dynamics of the physical data generated by the collision. However, in the present invention, reliability can be improved because the collision location and the amount of impact are identified by using a pre-learned artificial neural network.
도 1은 수중 터널의 개요도이다.
도 2는 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법을 설명하기 위한 개략도이다.
도 3은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법의 흐름도이다.
도 4a 내지 4c는 인공신경망 기반 충돌 분석 모델을 활용하여 충돌 위치 및 충격량을 파악하는 개념을 도시한다.
도 5는 인공신경망 기반의 충돌 분석 모델 구축을 위한 학습 데이터 확보 과정을 설명하는 도면이다.
도 6은 본 발명에 따른 인공신경망 기반의 충돌 분석 모델의 레이어 구조를 도시한다.
도 7은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법을 위해 구축된 충돌 분석 모델을 도시한다.
도 8a 내지 8c는 본 발명에 이용되는 충돌 분석 모델의 학습 결과를 나타내는 그래프이다.
도 9a 및 9b는 학습 자료와 비학습 자료를 이용하여 충돌 분석 모델을 검증한 결과이다.
도 10은 충돌 해석 구축을 통한 임계 충격량을 파악 및 안전 단계 설정 방법을 설명하는 도면이다.
도 11은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 장치의 구성을 나타내는 블록도이다.1 is a schematic diagram of an underwater tunnel;
2 is a schematic diagram for explaining a collision location and impact amount estimation method of an underwater tunnel according to the present invention.
3 is a flowchart of a method for estimating the impact location and impact amount of an underwater tunnel according to the present invention.
4A to 4C illustrate a concept of identifying a collision location and an impact amount using an artificial neural network-based collision analysis model.
5 is a view for explaining a process of securing learning data for constructing an artificial neural network-based collision analysis model.
6 shows a layer structure of an artificial neural network-based collision analysis model according to the present invention.
7 shows a collision analysis model constructed for a method for estimating a collision location and an impact amount of an underwater tunnel according to the present invention.
8A to 8C are graphs showing the learning results of the collision analysis model used in the present invention.
9A and 9B are results of verifying the collision analysis model using learning data and non-learning data.
10 is a view for explaining a method of determining a critical impact amount and setting a safety level through collision analysis construction.
11 is a block diagram illustrating a configuration of an apparatus for estimating a collision location and an impact amount of an underwater tunnel according to the present invention.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the embodiments disclosed in the present specification will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numbers regardless of reference numerals, and redundant description thereof will be omitted. The suffix "part" for the components used in the following description is given or mixed in consideration of only the ease of writing the specification, and does not have a meaning or role distinct from each other by itself. In addition, in describing the embodiments disclosed in the present specification, if it is determined that detailed descriptions of related known technologies may obscure the gist of the embodiments disclosed in the present specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are only for easy understanding of the embodiments disclosed in the present specification, and the technical idea disclosed herein is not limited by the accompanying drawings, and all changes included in the spirit and scope of the present invention , should be understood to include equivalents or substitutes.
도 2는 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법을 설명하기 위한 개략도이다. 도 2에 도시된 바와 같이, 수중 터널은 수중에 설치된 길이 방향의 구조물로, 외부(해저)와 차단된 내부에 레일, 전철 등의 다양한 장치들이 포함된다. 수중 터널은 외부 접근체, 예를 들어, 해저를 지나는 생물이나 잠수함 등과의 충돌 위험성이 존재하며, 충돌이 발생한 경우 해저라는 환경 특성상 큰 사고로 이어질 수밖에 없으며, 수리 보수가 매우 어렵거나 불가능할 수 있다. 2 is a schematic diagram for explaining a collision location and impact amount estimation method of an underwater tunnel according to the present invention. As shown in FIG. 2 , the underwater tunnel is a longitudinal structure installed in the water, and various devices such as rails and trains are included in the inside blocked from the outside (undersea). Underwater tunnels have a risk of collision with external access objects, for example, creatures or submarines passing through the seabed.
따라서, 해저 터널의 운용을 위해서는 외부 충돌을 완벽히 차단할 수 있어야 하겠지만, 이를 100% 차단하는 것은 불가능하기 때문에, 외부 접근체와의 충돌 가능성을 미리 예측하고, 사전에 대비할 수 있는 환경이 갖추어져야 한다.Therefore, it is necessary to completely block external collisions for the operation of the submarine tunnel, but since it is impossible to block 100% of this, an environment that can predict the possibility of collision with an external approach and prepare in advance must be prepared.
도 2에 도시된 바와 같이, 수중 터널에는 기설정된 간격으로 배치된 다수의 센서(Sensor1, Sensor2, Sensor3, Sensor4, Sensor…)가 배치된다. 외부 접근체가 수중 터널에 접근하는 경우, 물에 의한 파동이 각 센서에 전달되며, 각 센서에서 검지되는 물리량은 서로 차이가 있게 된다. 또한, 파동이 닿는 시간이 다르기 때문에, 물리량의 시간적인 변화도 특정 패턴을 가질 수 있다.As shown in FIG. 2, a plurality of sensors (Sensor1, Sensor2, Sensor3, Sensor4, Sensor...) arranged at preset intervals are disposed in the underwater tunnel. When an external approach approaches the underwater tunnel, water waves are transmitted to each sensor, and the physical quantity detected by each sensor is different. In addition, since the time at which the waves strike is different, the temporal change of a physical quantity may also have a specific pattern.
도 2의 (a)는 해석 모델을 활용한 알고리즘 학습 데이터를 획득하기 위하여 수중 터널을 모델링한 도면이고, 도 2의 (b)는 각 센서에서 데이터(Data1, Data2, Data3, Data4, Data5…)를 획득한 뒤, 이에 기초하여 충돌 위치 및 충격량을 추정하며, 충격량(Impact)에 기초하여 수중 터널의 안전 레벨을 판단하는 과정을 도시한다. 즉, 추정된 충격량과 충돌 해석 결과를 통하여 기준임계값과 비교해 안전성을 평가한다. 수중 터널의 안전 레벨은 안전(Step 1), 관심(Step 2), 주의(Step 3), 경보(Step 4), 위험(Step 5)의 5개로 분류될 수 있지만, 다른 실시예에서는 다양하게 변형될 수 있다.Figure 2 (a) is a diagram modeling an underwater tunnel to obtain algorithm learning data using an analysis model, Figure 2 (b) is the data (Data1, Data2, Data3, Data4, Data5 ...) from each sensor After obtaining , the collision location and the amount of impact are estimated based on this, and the process of determining the safety level of the underwater tunnel based on the impact is shown. That is, the safety is evaluated by comparing it with the standard threshold value through the estimated impact amount and the collision analysis result. The safety level of the underwater tunnel can be classified into five of safety (Step 1), concern (Step 2), caution (Step 3), warning (Step 4), and danger (Step 5), but in other embodiments, various modifications can be
도 3은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법의 흐름도이다.3 is a flowchart of a method for estimating the impact location and impact amount of an underwater tunnel according to the present invention.
먼저, 수중 터널에 충격이 발생한 경우, 상기 수중 터널에 구비된 센서를 통하여 충격 정보를 측정한다(S110). 이는 데이터 학습을 위한 기초가 되며, 구축된 인공지능 모델의 입력 정보가 된다. S110 단계는 수중 터널에 배치된 다수의 센서에 의하여 이루어진다. 센서는 수중 터널에 기설정된 이격 거리를 갖도록 배치된 복수의 단위 센서를 포함하며, 복수의 단위 센서는 충돌에 의한 가속도, 속도, 변위 정보를 측정할 수 있다. First, when an impact occurs in the underwater tunnel, impact information is measured through a sensor provided in the underwater tunnel (S110). This becomes the basis for data learning and becomes the input information of the built artificial intelligence model. Step S110 is made by a plurality of sensors disposed in the underwater tunnel. The sensor includes a plurality of unit sensors arranged to have a predetermined separation distance in the underwater tunnel, and the plurality of unit sensors may measure acceleration, velocity, and displacement information due to a collision.
데이터 학습이 이미 이루어진 경우, S110 단계에서 측정된 충격 정보가 충돌 분석 모델에 입력된다(S120). 다수의 센서는 충격 정보를 충돌 분석을 수행하는 CPU(Central Process Unit), GPU(Graphic Processing Unit), 컨트롤러 등으로 입력하며, CPU나 컨트롤러는 충돌 분석 모델에 기초하여 입력된 충격 정보를 분석한다.If data learning has already been performed, the impact information measured in step S110 is input to the collision analysis model (S120). A plurality of sensors inputs impact information to a CPU (Central Process Unit), GPU (Graphic Processing Unit), controller, etc. that perform crash analysis, and the CPU or controller analyzes the input impact information based on the crash analysis model.
마지막으로, 충돌 분석 모델에 의해 분석된 충돌 위치 및 충격량을 출력한다(S130). 출력된 충돌 위치 및 충격량은 안전 레벨 판단에 이용될 수 있다. 즉, 출력 단계(S130) 이후에 CPU나 컨트롤러 등에 의하여 수중 터널의 안전 레벨을 판단하는 판단 단계가 더 포함될 수 있다. Finally, the collision location and impact amount analyzed by the collision analysis model are output (S130). The output impact location and impact amount may be used to determine the safety level. That is, after the output step (S130), a determination step of determining the safety level of the underwater tunnel by a CPU or a controller may be further included.
여기서, 충돌 분석 모델은 수치해석을 통한 학습 데이터(충돌로 인한 가속도, 변위 정보 등)를 확보하고, 데이터 학습을 통한 인공신경망 기반 알고리즘으로 구축된다. 즉, 센서에서 측정된 각 지점별 가속도 및/또는 변위 데이터는 충돌 위치 및 충격량을 파악 알고리즘을 위한 입력 데이터로 활용된다. 이에 대해서는 아래에서 더욱 상세히 설명한다.Here, the collision analysis model secures learning data (acceleration, displacement information, etc. due to collision) through numerical analysis, and is built with an artificial neural network-based algorithm through data learning. That is, the acceleration and/or displacement data for each point measured by the sensor is used as input data for an algorithm to determine the collision location and the amount of impact. This will be described in more detail below.
도 4a 내지 4c는 인공신경망 기반 충돌 분석 모델을 활용하여 충돌 위치 및 충격량을 파악하는 개념을 도시한다.4A to 4C illustrate a concept of identifying a collision location and an impact amount using an artificial neural network-based collision analysis model.
충돌 분석 모델은 인공신경망 기반으로 구축된다. 인공신경망 활용을 위한 학습데이터는 상용 수치 해석 프로그램을 활용하여 획득될 수 있다.The collision analysis model is built based on artificial neural networks. Learning data for using artificial neural networks can be obtained by using a commercial numerical analysis program.
여기서는 SAP 2000을 활용하여 ANN(Artificial Neural Network) 기반 충돌 분석 모델을 위한 학습 데이터를 구축했다. 즉, 도 4a에 도시된 해석 대상 해양 구조물(수중 터널)을 도 4b와 같이 모델링한다. 이후, 도 4a에 도시된 충돌 위치(Point 86)에 충격량 F의 힘이 인가된 경우, 도 4c와 같이 시간 이력에 따른 충돌 하중을 분석한다. 도 4c에서 가로축은 시간을 의미하고, 세로축은 충격량을 의미한다.Here, we built training data for an artificial neural network (ANN)-based collision analysis model using SAP 2000. That is, the analysis target marine structure (underwater tunnel) shown in FIG. 4A is modeled as shown in FIG. 4B. Then, when the force of the impact amount F is applied to the impact location (Point 86) shown in FIG. 4A , the impact load according to the time history is analyzed as shown in FIG. 4C . In FIG. 4C , the horizontal axis indicates time, and the vertical axis indicates the amount of impact.
도 4a 내지 4c의 순서대로 해양 구조물의 모델링을 수행한 뒤 다양한 입력 하중을 인가하면서 충돌 수치 해석을 실시하고, 이를 학습시켜 충돌 분석 모델을 구축한다. After modeling the offshore structure in the order of FIGS. 4A to 4C , a collision numerical analysis is performed while applying various input loads, and a collision analysis model is constructed by learning it.
도 5는 ANN 기반의 충돌 분석 모델 구축을 위한 학습 데이터 확보 과정을 설명하는 도면이다.5 is a view for explaining a process of securing learning data for constructing an ANN-based collision analysis model.
먼저, SAP 2000을 활용하여 해양 구조물을 도 5의 좌측 도면과 같이 모델링한다. 이후, 충돌 하중 발생시 각 경간의 지점별로, 시간에 따른 가속도 크기 변화를 관측한다. 각 지점별 가속도 응답의 크기는 서로 상이할 수 있고, 충돌과 가까운 지점일수록 높은 가속도값이 관측된다. 각 경간의 중심에서의 가속도 응답은 도 5의 우측 그래프와 같다. 여기서, 가로축은 시간을 의미하고, 세로축은 가속도값을 의미한다.First, using SAP 2000, an offshore structure is modeled as shown in the left drawing of FIG. 5 . Thereafter, when the collision load occurs, the change in the magnitude of the acceleration with time is observed for each point of each span. The magnitude of the acceleration response at each point may be different, and the closer the point to the collision, the higher the acceleration value is observed. The acceleration response at the center of each span is shown in the graph on the right of FIG. 5 . Here, the horizontal axis means time, and the vertical axis means an acceleration value.
다양한 충돌 케이스에 따른 가속도 응답 데이터를 입력하고 학습시킨다. 즉, 충돌 위치, 충돌체의 물리량, 충격의 도달시간 등에 관한 입력값과 결과값을 학습시켜 충돌체의 충격량을 산정한다. 즉, 수치 해석을 통해 얻은 가속도 데이터를 알고리즘을 위한 학습데이터로 활용한다. It inputs and trains acceleration response data according to various collision cases. That is, the impact amount of the impact body is calculated by learning the input values and result values related to the impact location, the physical quantity of the impact body, and the arrival time of the impact. That is, the acceleration data obtained through numerical analysis is used as learning data for the algorithm.
도 6은 본 발명에 따른 인공신경망 기반의 충돌 분석 모델의 레이어 구조를 도시한다. 6 shows a layer structure of an artificial neural network-based collision analysis model according to the present invention.
본 발명에 따른 충돌 분석 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구분될 수 있다. 먼저, 입력층은 센서에 의해 측정된 경간별 가속도 데이터, 더욱 상세하게는, 도 5에서 설명한 수치 해석을 통해 획득한 가속도 데이터를 입력받는다. 가속도 데이터 외에 충돌체의 물리량 데이터를 더 입력받을 수도 있다. The collision analysis model according to the present invention may be divided into an input layer, a hidden layer, and an output layer. First, the input layer receives the acceleration data for each span measured by the sensor, more specifically, the acceleration data obtained through the numerical analysis described in FIG. 5 . In addition to the acceleration data, the physical quantity data of the colliding body may be further input.
은닉층은 충돌 위치와 충격량을 변경하면서 연산 및 해석을 수행한다. 은닉층은 충돌 위치에서의 가속도 응답을 반복 학습하는 복수의 노드를 포함한다. 마지막으로, 출력층은 새로운 입력 데이터(학습에 사용되지 않은 새로운 조건의 데이터)가 입력되어 은닉층에서 필터링된 결과값(충돌 위치 및 충격량)을 출력한다.The hidden layer performs calculations and analysis while changing the collision location and impact amount. The hidden layer includes a plurality of nodes that repeatedly learn the acceleration response at the collision location. Finally, in the output layer, new input data (data of a new condition not used for learning) is input, and the result value (collision position and impact amount) filtered in the hidden layer is output.
분석된(추정된) 결과값(충돌 위치 및 충격량)은 안전성 평가에 이용된다. 안전성 평가 결과를 기준으로 적절한 대응 시나리오를 구성하여 수중 터널 설계에 이용할 수 있다.The analyzed (estimated) results (impact location and impact amount) are used for safety evaluation. Based on the safety evaluation result, an appropriate response scenario can be configured and used for underwater tunnel design.
도 7은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법을 위해 구축된 충돌 분석 모델을 도시하고, 도 8a 내지 8c는 본 발명에 이용되는 충돌 분석 모델의 학습 결과를 나타내는 그래프이다. 7 shows a collision analysis model constructed for a method for estimating the collision location and impact amount of an underwater tunnel according to the present invention, and FIGS. 8A to 8C are graphs showing the learning results of the collision analysis model used in the present invention.
본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법을 위해 구축된 충돌 분석 모델은 SAP2000에서 스프링 지지된 10 경간 보 구조물을 수치해석하여, 충격하중 위치를 바꿔가며 학습데이터를 구축했다. 학습데이터는 가속도값, 충돌체 물리량, 도달시간 등일 수 있다. The collision analysis model constructed for the method for estimating the impact location and impact amount of an underwater tunnel according to the present invention numerically analyzed the spring-supported 10-span beam structure in SAP2000, and constructed learning data by changing the impact load position. The learning data may be an acceleration value, a physical quantity of a colliding body, an arrival time, and the like.
학습 데이터 구축 뒤, MATLAB에서 Neural Network Toolbox를 이용하여 충돌 위치, 충격량 등을 추정할 수 있는 인공신경망을 구축한다. 여기서, 입력 데이터는 10개의 가속도계에서 계측된 최대값과 도달 시간(총 20개의 입력 노드)이고, 출력 데이터는 5개의 경간에서 충돌 여부(총 5개의 출력 노드)이다. After building the training data, use Neural Network Toolbox in MATLAB to build an artificial neural network that can estimate the collision location and impact amount. Here, the input data is the maximum value and arrival time measured by 10 accelerometers (total of 20 input nodes), and the output data is whether or not there is a collision in 5 spans (total of 5 output nodes).
도 7에 도시된 바와 같이, 알고리즘에 대한 상세는 아래와 같다.As shown in FIG. 7 , the details of the algorithm are as follows.
Data Division: Random (dividerand)Data Division: Random (dividerand)
Training: Scaled Conjugate Gradient (Trainscg)Training: Scaled Conjugate Gradient (Trainscg)
Performance: Cross-Entropy (crossentropy)Performance: Cross-Entropy (crossentropy)
Calculations: MEXCalculations: MEX
도 9a 및 9b는 학습 자료와 비학습 자료를 이용하여 충돌 분석 모델을 검증한 결과이다.9A and 9B are results of verifying a collision analysis model using learning data and non-learning data.
충돌 분석 모델의 검증은 학습 자료와 비학습 자료를 이용하여 수행했다. 도 9a는 학습에 사용한 자료를 이용한 성능 검증 결과이고, 도 9b는 학습에 사용되지 않은 자료를 이용한 성능 검증 결과이다. 도 9a 및 9b에서 가로축은 센서의 위치를 의미하고, 세로축은 충격량을 의미한다.Validation of the collision analysis model was performed using learning and non-learning data. 9A is a performance verification result using data used for learning, and FIG. 9B is a performance verification result using data not used for learning. 9A and 9B , the horizontal axis indicates the position of the sensor, and the vertical axis indicates the amount of impact.
도 9a 및 9b에 도시된 바와 같이, 학습에 사용한 자료 및 학습에 사용되지 않은 자료 중 어느 것에 의해서도 충돌 위치와 충격량이 정확히 추정할 수 있었다.As shown in FIGS. 9A and 9B , the collision location and the amount of impact could be accurately estimated by any of the data used for learning and the data not used for learning.
도 10은 충돌 해석 모델 구축을 통한 임계 충격량 파악 및 안전 단계 설정 방법을 설명하는 도면이다. 학습 데이터를 통하여 구축된 충돌 분석 모델을 활용하여 추정된 충돌 위치와 충격량은 안전성 평가를 위한 기초가 된다.10 is a view for explaining a method of determining a critical impact amount and setting a safety level through the construction of a collision analysis model. The collision location and impact amount estimated using the collision analysis model built through the learning data becomes the basis for safety evaluation.
즉, 도 10의 좌측 그래프와 같이 충돌 해석 모델에 의하여 충격량이 파악되면, 임계값에 기초하여 분류된다. 여기서 임계값은 충돌 및 파괴 해석을 실시하여 획득된 값으로, 충돌로 인하여 구조적 문제가 발생할 수 있는 단계를 설정한다. 도 10에서는 총 5개의 단계로 분류되었으나, 실시예에 따라 다르게 설정될 수 있다. That is, if the amount of impact is grasped by the collision analysis model as shown in the left graph of FIG. 10 , it is classified based on the threshold value. Here, the threshold value is a value obtained by performing collision and fracture analysis, and sets the stage at which structural problems may occur due to collision. In FIG. 10, a total of five steps are classified, but may be set differently according to embodiments.
본 발명은 수중 터널과 외부 접근체 충돌 발생시, 구조물의 안전성 평가를 위하여 구축된 인공 신경망 기반 알고리즘을 활용하여 충돌 위치와 충격량을 파악하는 기법에 관한 것으로 아래와 같은 효과를 도모할 수 있다.The present invention relates to a technique for determining the location of a collision and an amount of impact by using an artificial neural network-based algorithm constructed for safety evaluation of a structure when an underwater tunnel collides with an external approach, and the following effects can be achieved.
(1) 인공신경망을 활용한 분석 기법을 토대로 복잡한 연산 없이 간단하고 신속하게 충돌 위치와 충격량을 추정할 수 있다.(1) Based on the analysis technique using artificial neural networks, it is possible to estimate the impact location and impact amount simply and quickly without complicated calculations.
(2) 충돌 발생시 해양 구조물의 구조적 안전성을 조기에 효과적으로 파악할 수 있다.(2) In the event of a collision, the structural safety of offshore structures can be identified early and effectively.
(3) 구조물을 활용하는 사용자의 안전을 확보할 수 있다.(3) The safety of users using the structure can be secured.
도 11은 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 장치(100)의 구성을 나타내는 블록도이다. 도 11에 도시된 바와 같이, 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 장치(100)는 센서(110), 충돌 분석부(120), 결과값 출력부(130) 및 안전레벨 판단부(140)를 포함한다.11 is a block diagram showing the configuration of the
센서(110)는 수중 터널에는 기설정된 간격으로 배치된다. 도 2에 도시된 바와 같이, 각각의 단위 센서(Sensor1, Sensor2, Sensor3, Sensor4, Sensor…)는 동일 혹은 상이한 간격을 두고 배치될 수 있지만 일정한 간격으로 배치되는 것이 바람직하다. 외부 접근체가 수중 터널에 접근하는 경우, 물에 의한 파동이 각 센서에 전달되며, 각 센서에서 검지되는 물리량은 서로 차이가 있게 된다. 또한, 파동이 닿는 시간이 다르기 때문에, 물리량의 시간적인 변화도 특정 패턴을 가질 수 있다. 센서(110)는 수중 터널에 대한 충돌에 의한 가속도, 속도, 변위 정보를 측정한다. The
충돌 분석부(120) 및 결과값 출력부(130)는 동일한 구성에 포함될 수 있다. 즉, 충돌 분석부(120) 및 결과값 출력부(130)의 명칭은 기능적으로 달리 분류되는 구성요소를 의미할 뿐, 물리적으로 구별되는 개별 구성일 필요는 없다. 충돌 분석부(120) 및 결과값 출력부(130)는 CPU나 컨트롤러 등 연산을 수행할 수 있는 모듈이면 족하다. The
충돌 분석부(120)는 복수의 센서에서 측정된 충격 정보를 입력받고, 인공신경망 기반의 충돌 분석 모델을 이용하여 분석한다. 충돌 분석 모델은 획득된 학습 데이터에 기초하여 학습되고, 센서로부터 입력된 입력 데이터를 연산하여 출력 데이터를 도출한다. The
충돌 분석 모델은 인공신경망 기반으로 구축되며, 인공신경망 활용을 위한 학습데이터는 상용 수치 해석 프로그램을 활용하여 획득될 수 있다. 해양 구조물의 모델링을 수행하고, 다양한 입력 하중을 인가하면서 충돌 수치 해석을 실시하고, 이를 학습시켜 충돌 분석 모델을 구축한다. The collision analysis model is built based on an artificial neural network, and the learning data for using the artificial neural network can be obtained by using a commercial numerical analysis program. It performs modeling of offshore structures, performs collision numerical analysis while applying various input loads, and builds a collision analysis model by learning it.
구체적으로, 충돌 하중 발생시 각 경간의 지점별로, 시간에 따른 가속도 크기 변화를 관측한다. 각 지점별 가속도 응답의 크기는 서로 상이할 수 있고, 충돌과 가까운 지점일수록 높은 가속도값이 관측된다. 다양한 충돌 케이스에 따른 가속도 응답 데이터를 입력하고 학습시킨다. 즉, 충돌 위치, 충돌체의 물리량, 충격의 도달시간 등에 관한 입력값과 결과값을 학습시켜 충돌체의 충격량을 산정한다. 즉, 수치 해석을 통해 얻은 가속도 데이터를 알고리즘을 위한 학습데이터로 활용한다. Specifically, when a collision load occurs, the change in the magnitude of the acceleration with time is observed for each point of each span. The magnitude of the acceleration response at each point may be different, and the closer the point to the collision, the higher the acceleration value is observed. It inputs and trains acceleration response data according to various collision cases. That is, the impact amount of the impact body is calculated by learning the input values and result values related to the impact location, the physical quantity of the impact body, and the arrival time of the impact. That is, the acceleration data obtained through numerical analysis is used as learning data for the algorithm.
충돌 분석 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구분될 수 있다. 먼저, 입력층은 센서에 의해 측정된 경간별 가속도 데이터, 더욱 상세하게는, 도 5에서 설명한 수치 해석을 통해 획득한 가속도 데이터를 입력받는다. 가속도 데이터 외에 충돌체의 물리량 데이터를 더 입력받을 수도 있다. 은닉층은 충돌 위치와 충격량을 변경하면서 연산 및 해석을 수행한다. 은닉층은 충돌 위치에서의 가속도 응답을 반복 학습하는 복수의 노드를 포함한다. 마지막으로, 출력층은 새로운 입력 데이터(학습에 사용되지 않은 새로운 조건의 데이터)가 입력되어 은닉층에서 필터링된 결과값(충돌 위치 및 충격량)을 출력한다. 분석된(추정된) 결과값(충돌 위치 및 충격량)은 안전성 평가에 이용된다. 안전성 평가 결과를 기준으로 적절한 대응 시나리오를 구성하여 수중 터널 설계에 이용할 수 있다.The collision analysis model may be divided into an input layer, a hidden layer, and an output layer. First, the input layer receives the acceleration data for each span measured by the sensor, more specifically, the acceleration data obtained through the numerical analysis described in FIG. 5 . In addition to the acceleration data, the physical quantity data of the colliding body may be further input. The hidden layer performs calculations and analysis while changing the collision location and impact amount. The hidden layer includes a plurality of nodes that repeatedly learn the acceleration response at the collision location. Finally, in the output layer, new input data (data of a new condition not used for learning) is input, and the result value (collision position and impact amount) filtered in the hidden layer is output. The analyzed (estimated) results (impact location and impact amount) are used for safety evaluation. Based on the safety evaluation result, an appropriate response scenario can be configured and used for underwater tunnel design.
결과값 출력부(130)는 충돌 분석부(120)에서 충돌 위치 및 충격량을 출력한다. 위에서 언급했듯이, 결과값 출력부(130)의 기능은 충돌 분석부(120) 내에 포함될 수 있다. The
안전레벨 판단부(140)는 결과값 출력부(130)에서 출력된 충돌 위치 및 충격량에 기초하여 수중 터널의 안전 레벨을 판단한다. 안전 레벨은 상기 결과값 출력부에서 출력된 충격량과 기설정된 임계값을 비교하여 판단될 수 있다. 안전레벨 판단부(140)의 기능도 충돌 분석부(120)에 포함될 수 있다. 즉, 충돌 분석부(120), 결과값 출력부(130) 및 안전레벨 판단부(140)가 일체의 구성(예: CPU)으로 구현될 수 있다. The safety
인공신경망 학습과 관련하여, 인공신경망의 계층간 계산을 수행할 때, 해당 층의 노드로 입력되는 입력 데이터에 소정의 연관 파라미터(또는 가중치, w)를 곱하여 받아들여 계산을 수행할 수 있다. 그리고 각 노드에서 수행한 계산 결과값을 모두 합(가중합)한 후 (보통 행렬 곱이나 Convolution 곱 등이 보통 사용된다.), 미리 설정된 활성화 함수를 통과시켜 소정의 출력 데이터를 생성 하여 다음 계층으로 전달한다. 활성화 함수는 계단 함수(step function), 부호 함수(sign function), 선형 함수(linear function), 로지스틱 시그모이드 함수(logistic sigmoid function), 하이퍼탄젠트 함수(hyper tangent function), ReLU 함수, 소프트맥스(softmax) 함수를 이용할 수 있지만 이에 한정되지 않는다. 보통 사용 된다. 활성화 함수는 응용 분야에 맞는 인공신경망 모델의 구조를 설계 할 때 적절히 선정된다. 인공신경망의 학습은 신경망 내의 모든 연관 파라미터(w)를 반복적으로 적절한 값으로 갱신(또는 수정)하는 과정으로 기계 학습한다. 인공신경망의 기계 학습은 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습 중 하나를 선택하여 이루어질 수 있다. 또한, 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법은 데이터의 군집화 및 분류를 위해 다수의 은닉층을 갖는 딥러닝 알고리즘을 이용할 수도 있다. In relation to artificial neural network learning, when performing inter-layer calculation of an artificial neural network, the calculation may be performed by multiplying input data input to a node of the corresponding layer by a predetermined associated parameter (or weight, w). Then, after summing (weighted sum) of all the calculation results performed at each node (usually matrix multiplication or convolution product is usually used), it passes through a preset activation function to generate predetermined output data and move to the next layer. transmit Activation functions are a step function, a sign function, a linear function, a logistic sigmoid function, a hyper tangent function, a ReLU function, and a softmax ( softmax) function can be used, but is not limited thereto. Usually used. The activation function is appropriately selected when designing the structure of the artificial neural network model suitable for the application field. Learning of artificial neural networks is machine learning in which all relevant parameters (w) in the neural network are repeatedly updated (or modified) to appropriate values. Machine learning of an artificial neural network may be performed by selecting one of supervised learning, unsupervised learning, and reinforcement learning. In addition, the method for estimating the impact location and impact amount of an underwater tunnel according to the present invention may use a deep learning algorithm having a plurality of hidden layers for data clustering and classification.
한편, 위에서 설명한 본 발명에 따른 수중 터널의 충돌 위치 및 충격량 추정 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.On the other hand, the method for estimating the impact location and impact amount of the underwater tunnel according to the present invention described above may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
이상에서 실시예들에 설명된 특징, 구조, 효과 등은 본 발명의 하나 의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.Features, structures, effects, etc. described in the above embodiments are included in one embodiment of the present invention, and are not necessarily limited to one embodiment. Furthermore, features, structures, effects, etc. illustrated in each embodiment can be combined or modified for other embodiments by those of ordinary skill in the art to which the embodiments belong. Accordingly, the contents related to such combinations and modifications should be interpreted as being included in the scope of the present invention.
100: 수중 터널의 충돌 위치 및 충격량 추정 장치
110: 센서
120: 충돌 분석부
130: 결과값 출력부
140: 안전레벨 판단부100: device for estimating the impact location and impact amount of the underwater tunnel
110: sensor
120: collision analysis unit
130: result output unit
140: safety level determination unit
Claims (10)
상기 수중 터널에 충격이 발생한 경우, 상기 수중 터널에 구비된 센서를 통하여 충격 정보를 측정하는 측정 단계;
데이터 학습을 통해 구축된 인공신경망 기반의 충돌 분석 모델에 상기 충격 정보를 입력하는 입력 단계; 및
상기 충돌 분석 모델에 의하여 분석된 충돌 위치 및 충격량을 출력하는 출력 단계;를 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 방법.In the method for estimating the impact location and impact amount of the underwater tunnel,
a measuring step of measuring impact information through a sensor provided in the underwater tunnel when an impact occurs in the underwater tunnel;
an input step of inputting the impact information into an artificial neural network-based collision analysis model built through data learning; and
An output step of outputting the impact location and impact amount analyzed by the impact analysis model; Containing, Method for estimating impact location and impact amount of an underwater tunnel.
상기 센서는 상기 수중 터널에 기설정된 이격 거리를 갖도록 배치된 복수의 단위 센서를 포함하며, 상기 복수의 단위 센서는 충돌에 의한 가속도, 속도, 변위 정보를 측정하는, 수중 터널의 충돌 위치 및 충격량 추정 방법.According to claim 1,
The sensor includes a plurality of unit sensors arranged to have a predetermined separation distance in the underwater tunnel, wherein the plurality of unit sensors measure acceleration, velocity, and displacement information due to a collision, estimating the impact location and impact amount of the underwater tunnel Way.
상기 충돌 분석 모델은,
경간별 가속도 데이터를 포함하는 학습 데이터를 입력받는 입력층;
상기 경간별 가속도 데이터의 연산을 위한 복수의 노드를 포함하는 은닉층; 및
상기 은닉층에서 필터링된 충돌 위치 및 충격량을 출력하는 출력층;을 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 방법.According to claim 1,
The collision analysis model is,
an input layer receiving learning data including acceleration data for each span;
a hidden layer including a plurality of nodes for calculating the acceleration data for each span; and
An output layer for outputting the impact location and impact amount filtered from the hidden layer; Containing, a method for estimating impact location and impact amount of an underwater tunnel.
상기 출력 단계에서 출력된 충돌 위치 및 충격량에 기초하여 상기 수중 터널의 안전 레벨을 판단하는 판단 단계;를 더 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 방법.According to claim 1,
A determination step of determining a safety level of the underwater tunnel based on the impact location and impact amount output in the output step; further comprising, a method for estimating impact location and impact amount of the underwater tunnel.
상기 안전 레벨은 상기 출력 단계에서 출력된 충격량과 기설정된 임계값을 비교하여 설정되는, 수중 터널의 충돌 위치 및 충격량 추정 방법.5. The method of claim 4,
The safety level is set by comparing the amount of impact output in the output step with a preset threshold value, the collision location and impact amount estimation method of the underwater tunnel.
상기 복수의 센서에서 측정된 충격 정보를 인공신경망 기반의 충돌 분석 모델을 이용하여 분석하는 충돌 분석부; 및
상기 충돌 분석부에서 분석된 충돌 위치 및 충격량을 출력하는 결과값 출력부;를 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 장치.A plurality of sensors arranged with a predetermined separation distance outside the underwater tunnel;
a collision analysis unit that analyzes the impact information measured by the plurality of sensors using an artificial neural network-based collision analysis model; and
Containing, apparatus for estimating the impact location and impact amount of the underwater tunnel; including;
상기 센서는 상기 수중 터널에 대한 충돌에 의한 가속도, 속도, 변위 정보를 측정하는, 수중 터널의 충돌 위치 및 충격량 추정 장치.7. The method of claim 6,
The sensor measures acceleration, velocity, and displacement information due to the collision with respect to the underwater tunnel, the collision location and impact amount estimation device of the underwater tunnel.
상기 충돌 분석 모델은,
경간별 가속도 데이터를 포함하는 학습 데이터를 입력받는 입력층;
상기 경간별 가속도 데이터의 연산을 위한 복수의 노드를 포함하는 은닉층; 및
상기 은닉층에서 필터링된 충돌 위치 및 충격량을 출력하는 출력층;을 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 장치.7. The method of claim 6,
The collision analysis model is,
an input layer receiving learning data including acceleration data for each span;
a hidden layer including a plurality of nodes for calculating the acceleration data for each span; and
An output layer for outputting the impact location and impact amount filtered from the hidden layer; Containing, the apparatus for estimating impact location and impact amount of the underwater tunnel.
상기 결과값 출력부에서 출력된 충돌 위치 및 충격량에 기초하여 상기 수중 터널의 안전 레벨을 설정하는 안전레벨 판단부;를 더 포함하는, 수중 터널의 충돌 위치 및 충격량 추정 장치.7. The method of claim 6,
A safety level determination unit for setting a safety level of the underwater tunnel based on the collision position and the amount of impact output from the result output unit; further comprising, an apparatus for estimating the impact location and impact amount of the underwater tunnel.
상기 안전 레벨은 상기 결과값 출력부에서 출력된 충격량과 기설정된 임계값을 비교하여 판단되는, 수중 터널의 충돌 위치 및 충격량 추정 장치.10. The method of claim 9,
The safety level is determined by comparing the amount of impact output from the result value output unit with a preset threshold value, the collision location and impact amount estimation apparatus of the underwater tunnel.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200181604A KR102563375B1 (en) | 2020-12-23 | 2020-12-23 | Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200181604A KR102563375B1 (en) | 2020-12-23 | 2020-12-23 | Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220090757A true KR20220090757A (en) | 2022-06-30 |
KR102563375B1 KR102563375B1 (en) | 2023-08-04 |
Family
ID=82215101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200181604A KR102563375B1 (en) | 2020-12-23 | 2020-12-23 | Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102563375B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101053139B1 (en) | 2009-07-14 | 2011-08-02 | 삼성물산 주식회사 | Anti-collision structure of offshore bridge and its construction method |
KR101459021B1 (en) * | 2013-11-22 | 2014-11-07 | 한국해양과학기술원 | System of collision impact absorption for submerged floating tunnel |
KR101686043B1 (en) | 2015-07-14 | 2016-12-13 | (주)한국플랜트관리 | Vessel collision monitoring system of marine structure |
KR20200117262A (en) * | 2019-04-03 | 2020-10-14 | 한국원자력연구원 | Method and apparatus for analyzing of shock signal |
-
2020
- 2020-12-23 KR KR1020200181604A patent/KR102563375B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101053139B1 (en) | 2009-07-14 | 2011-08-02 | 삼성물산 주식회사 | Anti-collision structure of offshore bridge and its construction method |
KR101459021B1 (en) * | 2013-11-22 | 2014-11-07 | 한국해양과학기술원 | System of collision impact absorption for submerged floating tunnel |
KR101686043B1 (en) | 2015-07-14 | 2016-12-13 | (주)한국플랜트관리 | Vessel collision monitoring system of marine structure |
KR20200117262A (en) * | 2019-04-03 | 2020-10-14 | 한국원자력연구원 | Method and apparatus for analyzing of shock signal |
Also Published As
Publication number | Publication date |
---|---|
KR102563375B1 (en) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Casas et al. | Bridge damage detection based on vibration data: past and new developments | |
Silva et al. | A novel unsupervised approach based on a genetic algorithm for structural damage detection in bridges | |
Bakhary et al. | Damage detection using artificial neural network with consideration of uncertainties | |
Sidarta et al. | Damage detection of offshore platform mooring line using artificial neural network | |
Arangio et al. | Bayesian neural networks for bridge integrity assessment | |
Staszewski | Intelligent signal processing for damage detection in composite materials | |
Lee et al. | Neural networks-based damage detection for bridges considering errors in baseline finite element models | |
Park et al. | Sequential damage detection approaches for beams using time-modal features and artificial neural networks | |
Cross | On structural health monitoring in changing environmental and operational conditions | |
Gharehbaghi et al. | Supervised damage and deterioration detection in building structures using an enhanced autoregressive time-series approach | |
Guo et al. | Optimal sensor placement for damage detection of bridges subject to ship collision | |
Flah et al. | Localization and classification of structural damage using deep learning single-channel signal-based measurement | |
Saad et al. | Using neural network approaches to detect mooring line failure | |
Hamasaki et al. | Prediction of human's movement for collision avoidance of mobile robot | |
Avci et al. | Structural damage detection in civil engineering with machine learning: Current state of the art | |
Nguyen et al. | Use of time‐and frequency‐domain approaches for damage detection in civil engineering structures | |
Baek et al. | Impact load identification method based on artificial neural network for submerged floating tunnel under collision | |
Kong et al. | Semi-supervised networks integrated with autoencoder and pseudo-labels propagation for structural condition assessment | |
KR102563375B1 (en) | Method and apparatus for estimating position and inpulse of collision with submerged floating tunnel | |
Lee et al. | Damage localization for bridges using probabilistic neural networks | |
Lyu et al. | Health state inversion of Jack-up structure based on feature learning of damage information | |
Erdbrink et al. | Controlling flow-induced vibrations of flood barrier gates with data-driven and finite-element modelling | |
Wootton et al. | An echo state network approach to structural health monitoring | |
Montewka et al. | Probabilistic meta-models evaluating accidental oil spill size from tankers |
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 |