KR20230097781A - 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 - Google Patents
전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230097781A KR20230097781A KR1020210187607A KR20210187607A KR20230097781A KR 20230097781 A KR20230097781 A KR 20230097781A KR 1020210187607 A KR1020210187607 A KR 1020210187607A KR 20210187607 A KR20210187607 A KR 20210187607A KR 20230097781 A KR20230097781 A KR 20230097781A
- Authority
- KR
- South Korea
- Prior art keywords
- damage
- sandwich panel
- electrically conductive
- neural network
- electrode
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 239000002131 composite material Substances 0.000 claims description 18
- 239000006261 foam material Substances 0.000 claims description 16
- 239000000853 adhesive Substances 0.000 claims description 13
- 230000001070 adhesive effect Effects 0.000 claims description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 239000002041 carbon nanotube Substances 0.000 claims description 11
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 11
- 229920000139 polyethylene terephthalate Polymers 0.000 claims description 10
- 239000005020 polyethylene terephthalate Substances 0.000 claims description 10
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 8
- 239000004917 carbon fiber Substances 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 239000004918 carbon fiber reinforced polymer Substances 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- AMGQUBHHOARCQH-UHFFFAOYSA-N indium;oxotin Chemical compound [In].[Sn]=O AMGQUBHHOARCQH-UHFFFAOYSA-N 0.000 claims description 5
- -1 polyethylene terephthalate Polymers 0.000 claims description 5
- 239000004814 polyurethane Substances 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 229920002635 polyurethane Polymers 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000011162 core material Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002071 nanotube Substances 0.000 description 1
- 239000011120 plywood Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/20—Investigating the presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Electrochemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널이 전기 전도성을 가지는 상,하부 전도성 표판과 전도성 코어로 형성되고, 상기 샌드위치 패널에 머신러닝을 통해 학습된 전극 최적화 신경망 모델로부터 도출된 최적의 전극 개수만큼 전극을 구비하여 전기 저항값을 측정하고, 머신 러닝을 통해 학습된 손상 감지 신경망 모델로부터 측정된 전기 저항값에 따른 손상 위치와 손상 유형을 도출하도록 구성됨으로써, 상기 샌드위치 패널의 손상을 보다 신속하고 정확하게 감지할 수 있는 이점이 있다.
Description
본 발명은 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법에 관한 것으로서, 보다 상세하게는 전기전도성 폼 소재를 사용하여 전기전도성 샌드위치 패널을 형성하고, 머신 러닝을 통해 상,하부 전도성 표판에 구비된 전극의 개수를 최적화하여, 손상을 보다 정확하게 감지할 수 있는 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법에 관한 것이다.
일반적으로 샌드위치 패널(Sandwich panel)은, 서로 다른 종류의 재료를 샌드위치 모양으로 적층하여 접착제로 접착한 특수 합판을 의미한다. 이러한 샌드위치 패널의 표판은 플라스틱, 알루미늄, 스테인레이스 등 강도가 큰 재료를 사용하고, 심재는 종이, 목재, 발포 플라스틱재 등을 사용하여 보온, 방음, 강도 등을 고려한다. 샌드위치 패널은 금속 패널과 유사한 구조 강성을 가지면서도 경량화에 효과적이기 때문에 건축용 자재 등 다양한 분야에 사용되고 있다.
그러나, 종래의 샌드위치 패널은 변형이나 손상을 측정하기 위해서는 별도의 센서 등을 추가적으로 설치하거나, 음향 센서 등 검사 장비를 통해 스캔 하거나, 육안 등으로 손상 여부를 판단하였다. 센서를 추가 설치하는 경우 비용이 많이 드는 문제점이 있을 뿐만 아니라, 검사 대상이 되는 부분이 매우 광범위하므로 센서의 설치에는 한계가 있다. 또한, 검사 장비를 이용하거나 육안으로 검사할 경우 이미 손상이나 손상이 발생된 이후에서야 확인이 가능하기 때문에 안전성 확보에 문제점이 있다.
본 발명의 목적은, 샌드위치 패널의 손상을 보다 정확하게 감지할 수 있는 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법을 제공하는 데 있다.
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널과; 상기 상부 전도성 표판에서 서로 소정간격 이격되게 복수의 위치에 구비된 상부 전극들과; 상기 하부 전도성 표판에서 상기 상부 전극들과 대향되는 복수의 위치에 구비된 하부 전극들과; 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정부와; 상기 샌드위치 패널에 대해 실험 또는 시뮬레이션을 통해 수집된 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 인공 신경망 학습부와; 상기 샌드위치 패널의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 샌드위치 패널의 손상 위치와, 표판 손상, 코어 손상 및 탈착 손상을 포함하는 손상 유형을 도출하는 모니터링부를 포함한다.
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함한다.
상기 전기전도성 폼 소재는, 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된다.
상기 인공 신경망 학습부는, 상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성한다.
상기 모니터링부는, 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출한다.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함한다.
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지하는 방법은, 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널의 손상을 감지하는 방법에 있어서, 상기 샌드위치 패널에 대한 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 과정과, 상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성하는 과정을 포함하는 인공 신경망 모델 생성단계와; 상기 전극 최적화 모델로부터 손상을 감지하고자 하는 샌드위치 패널의 센싱 면적에 대한 상기 상,하부 전극들의 개수를 도출하는 전극 개수 도출단계와; 상기 전극 최적화 신경망 모델에서 도출된 상,하부 전극들의 개수만큼 전극들이 배치되면, 저항측정부가 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정단계와; 모니터링부가 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 손상감지단계를 포함한다.
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함한다.
상기 전기전도성 폼 소재는, 상기 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된다.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함한다.
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널이 전기 전도성을 가지는 상,하부 전도성 표판과 전도성 코어로 형성되고, 상기 샌드위치 패널에 머신러닝을 통해 학습된 전극 최적화 신경망 모델로부터 도출된 최적의 전극 개수만큼 전극을 구비하여 전기 저항값을 측정하고, 머신 러닝을 통해 학습된 손상 감지 신경망 모델로부터 측정된 전기 저항값에 따른 손상 위치와 손상 유형을 도출하도록 구성됨으로써, 상기 샌드위치 패널의 손상을 보다 신속하고 정확하게 감지할 수 있는 이점이 있다.
또한, 인공 신경망 모델을 통해 센싱 면적에 대한 최적의 전극 개수를 도출함으로써, 효율성이 향상될 수 있다.
또한, 샌드위치 패널의 표판 손상 뿐만 아니라 코어 손상과 탈착 손상까지 감지할 수 있는 이점이 있다.
도 1은 본 발명의 실시예에 따른 전기전도성 샌드위치 패널을 개략적으로 나타낸 단면도이다.
도 2는 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 방법을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 머신러닝을 통해 전극 최적화 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 4는 도 3에서 도출된 전극 최적화 신경망 모델을 통해 전기전도성 샌드위치 패널에 포함되는 전극 개수를 도출하는 방법을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 머신러닝을 통해 손상 감지 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 6은 도 5에서 도출된 손상 감지 모델을 통해 전기전도성 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 방법을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 방법을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 머신러닝을 통해 전극 최적화 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 4는 도 3에서 도출된 전극 최적화 신경망 모델을 통해 전기전도성 샌드위치 패널에 포함되는 전극 개수를 도출하는 방법을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 머신러닝을 통해 손상 감지 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 6은 도 5에서 도출된 손상 감지 모델을 통해 전기전도성 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 방법을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다.
본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 인공 신경망 모델들로부터 전기전도성 샌드위치 패널의 전극 개수, 손상 위치 및 손상 유형을 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다.
본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널(10), 상부 전극들(20), 하부 전극들(30), 저항측정부(미도시), 인공신경망 학습부(미도시) 및 모니터링부(미도시)를 포함한다.
도 1은 본 발명의 실시예에 따른 전기전도성 샌드위치 패널을 개략적으로 나타낸 단면도이다.
도 1을 참조하면, 상기 샌드위치 패널(10)은, 상부 전도성 표판(11), 하부 전도성 표판(12) 및 전도성 코어(13)를 포함한다.
상기 상부 전도성 표판(11)은, 전기전도성 복합소재로 형성되어 상기 샌드위치 패널(10)의 상판을 이룬다.
상기 전기전도성 복합소재는 복수의 탄소섬유플라이들이 적층 형성된 탄소섬유강화플라스틱인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 전기전도성 복합소재는 탄소섬유 외에 전기 전도성을 가지는 복합소재라면 어느 것이나 적용 가능하다.
상기 하부 전도성 표판(12)은 상기 샌드위치 패널(10)의 하판을 이룬다. 상기 하부 전도성 표판(12)은, 상기 상부 전도성 표판(11)과 동일한 전기전도성 복합소재로 형성된다. 다만, 이에 한정되지 않고, 상기 하부 전도성 표판(12)과 상기 상부 전도성 표판(11)은 서로 다른 전기전도성 복합소재로 형성되는 것도 물론 가능하다.
상기 전도성 코어(13)는, 상기 상부 전도성 표판(11)과 상기 하부 전도성 표판(12)사이에 적층되고, 전기전도성 폼 소재로 형성된다. 상기 전도성 코어(13)는, 상기 상부 전도성 표판(11)과 상기 하부 전도성 표판(12)에 전기전도성 접착재로 접착된다.
상기 전기전도성 폼 소재는, 탄소나노튜브(CNT)와 폴리우레탄(PU)을 미리 설정된 비율로 혼합하여 형성된다.
상기 전기전도성 접착재(14)는, 산화인듐주석(ITO)로 코팅된 PET(Polyethylene terephthalate)필름인 것으로 예를 들어 설명한다.
따라서, 상기 샌드위치 패널(10)을 구성하는 상기 상부 전도성 표판(11), 상기 하부 전도성 표판(12), 상기 전도성 코어(13) 및 상기 전기전도성 접착재(14)는 모두 전기 전도성을 가지도록 형성된다.
상기 상부 전극(20)은, 상기 상부 전도성 표판(11)에서 서로 소정간격 이격되게 복수의 위치에 구비된다. 상기 상부 전극(20)의 개수는 후술하는 전극 최적화 신경망 모델로부터 도출되어 설정된다.
상기 하부 전극(30)은, 상기 하부 전도성 표판(12)에서 서로 소정간격 이격되게 복수의 위치에 구비된다. 상기 하부 전극(30)의 개수는 후술하는 전극 최적화 신경망 모델로부터 도출되어 설정된다.
상기 상부 전극들(20)과 상기 하부 전극들(30)은 각각 상하방향으로 서로 대응되게 배치된다. 상기 상부 전극들(20)과 상기 하부 전극들(30)은 두 개씩 쌍을 이루어 채널(C)을 형성한다. 또한, 상기 상부 전극들(20) 중에서 두 개씩 쌍을 이루어 채널을 형성하고, 상기 하부 전극들(20) 중에서 두 개씩 쌍을 이루어 채널을 형성하는 것도 가능하다. 상기 상부 전극들(20)과 상기 하부 전극들(30)에는 각각 전선이 연결되어, 상기 저항측정부(미도시)에 연결된다.
상기 저항측정부(미도시)는, 상기 상부 전극(20)과 상기 하부 전극(30)이 이루는 복수의 전극 쌍들의 전기 저항값을 측정한다.
상기 인공신경망 학습부(미도시)는, 상기와 같이 구성된 다수의 샌드위치 패널들에 대한 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터를 이용하여 머신 러닝을 수행하여, 상기 상,하부 전극들(20)(30)의 개수를 도출하는 전극 최적화 신경망 모델을 생성한다. 상기 인공신경망 학습부(미도시)는, 상기 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력 변수로 하고, 상기 상,하부 전극들(20)(30)의 개수를 출력 변수로 하여 머신 러닝을 수행하여, 상기 샌드위치 패널(10)의 센싱 면적에 대한 최적의 상기 상,하부 전극들(20)(30)의 개수를 도출하는 전극 최적화 신경망 모델을 생성한다. 상기 인공신경망 학습부(미도시)는, 오차 역전파(Back propagation) 알고리즘을 사용하여 신경망의 가중치를 갱신하여, 상기 센싱 면적에 대한 최적의 전극 개수를 도출할 수 있는 상기 전극 최적화 신경망 모델을 생성한다. 다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험 이외에도 손상을 발생시킬 수 있는 것이라면 적용 가능하다.
또한, 상기 인공신경망 학습부(미도시)는, 상기 학습 데이터 중에서 상기 샌드위치 패널(10)의 기본 정보와 상기 전극 쌍들의 전기 저항값을 입력변수로 하고, 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 손상 감지 신경망 모델을 생성한다.
상기 샌드위치 패널(10)의 기본 정보는, 상기 상,하부 전도성 표판(11)(12)에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어(13)의 두께, 상기 전기전도성 폼에 포함된 탄소나노튜브의 비율 중 적어도 일부를 포함한다.
상기 손상 유형은, 표판 손상, 코어 손상 및 탈착 손상으로 분류된 손상 모드이다. 상기 표판 손상은, 상기 상,하부 전도성 표판(11)(12)에 발생된 표판 크랙 등의 손상을 포함한다. 상기 코어 손상은, 상기 전도성 코어(13)에 발생된 코어 크랙이나 코어 전단(core shear) 등의 손상을 포함한다. 상기 탈착 손상은, 상기 상,하부 전도성 표판(11)(12)과 상기 전도성 코어(13)사이에 발생된 디본딩(deboning) 등의 손상을 포함한다. 다만, 이에 한정되지 않고, 상기 손상 유형은, 상기 샌드위치 패널(10)에서 발생될 수 있는 손상이라면 어느 것이나 추가로 적용가능하다.
상기 모니터링부(미도시)는, 손상을 감지하고자 하는 감지 대상의 샌드위치 패널(10)의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화를 상기 손상 감지 신경망 모델에 입력하여, 상기 손상 감지 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 도출한다.
상기와 같이 구성된 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템에서 손상을 감지하는 방법을 설명하면, 다음과 같다.
도 2는 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 방법을 나타낸 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 손상 감지 방법은, 인공 신경망 모델 생성단계(S1)(S2), 전극 개수 도출단계(S3), 저항측정단계(S4) 및 손상감지단계(S5)를 포함한다.
상기 인공 신경망 모델 생성단계(S1)(S2)는, 전극 최적화 신경망 모델을 생성하는 과정(S1)과, 손상 감지 신경망 모델을 생성하는 과정(S2)을 포함한다.
도 3은 본 발명의 실시예에 따른 머신러닝을 통해 전극 최적화 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 3을 참조하면, 상기 전극 최적화 신경망 모델은, 상기 인공 신경망 학습부가 상기 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력 변수로 하고 상기 상,하부 전극들(20)(30)의 개수를 출력 변수로 하여 머신 러닝을 수행하여 생성된다. 상기 인공신경망 학습부(미도시)는, 오차 역전파(Back propagation) 알고리즘을 사용하여 은닉층과 출력층의 가중치를 갱신하여, 상기 센싱 면적에 대한 최적의 전극 개수를 도출할 수 있는 상기 전극 최적화 신경망 모델을 생성한다.
도 5는 본 발명의 실시예에 따른 머신러닝을 통해 손상 감지 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 5를 참조하면, 상기 손상 감지 신경망 모델은, 상기 인공 신경망 학습부가 상기 학습 데이터 중에서 상기 샌드위치 패널(10)의 기본 정보와 상기 전극 쌍들의 전기 저항값을 입력 변수로 하고, 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 생성된다.
상기와 같이 상기 전극 최적화 신경망 모델이 생성되면, 상기 전극 개수 도출단계(S3)에서는 상기 전극 최적화 신경망 모델로부터 손상을 감지하고자 하는 샌드위치 패널(10)의 센싱 면적에 대한 최적의 상기 상,하부 전극들(20)(30)의 개수를 도출한다.
도 4는 도 3에서 도출된 전극 최적화 신경망 모델을 통해 전기전도성 샌드위치 패널에 포함되는 전극 개수를 도출하는 방법을 나타낸 도면이다.
도 4를 참조하면, 상기 전극 최적화 신경망 모델에 상기 샌드위치 패널(10)의 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력하면, 상기 전극 최적화 신경망 모델로부터 최적의 상기 상,하부 전극들(20)(30)의 개수가 도출된다.
상기 샌드위치 패널(10)의 설계자 또는 제작자는 상기 전극 최적화 신경망 모델로부터 도출된 개수만큼 상기 상,하부 전극들(20)(30)을 배치할 수 있다. 상기 상,하부 전극들(20)(30)은 상기 상,하부 전도성 표판(11)(12)에 삽입되는 것도 가능하고 상기 상,하부 전도성 표판(11)(12)의 표면에 연결하는 것도 가능하다.
이후, 상기 저항측정단계(S4)에서는 손상을 감지하고자 하는 샌드위치 패널(10)에 대해 상기 저항측정부(미도시)가 상기 전극 쌍들의 전기 저항값을 측정한다.
상기 손상감지단계(S5)에서는 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 도출한다.
도 6은 도 5에서 도출된 손상 감지 모델을 통해 전기전도성 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 방법을 나타낸 도면이다.
도 6을 참조하면, 상기 손상 감지 신경망 모델에 상기 상,하부 전도성 표판(11)(12)의 정보, 상기 전도성 코어(13)의 정보 및 상기 저항측정부에서 실시간으로 측정한 전기 저항값을 입력하면, 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형이 도출된다.
상기 상,하부 전도성 표판(11)(12)의 정보는, 상기 상,하부 전도성 표판(11)(12)에 포함된 탄소섬유플라이의 적층수인 것으로 예를 들어 설명하며, 이는 상기 샌드위치 패널(10)의 제작시 미리 설정되어 저장된 정보이다.
상기 전도성 코어(13)의 정보는, 상기 전도성 코어(13)의 두께와 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율인 것으로 예를 들어 설명한다. 상기 전도성 코어(13)의 정보는 상기 샌드위치 패널(10)의 제작시 미리 설정되어 저장된 정보이다.
상기 손상 감지 신경망 모델로부터 도출되는 손상 유형은, 상기 표판 손상, 상기 코어 손상 및 상기 탈착 손상으로 분류된 것으로 예를 들어 설명한다.
상기와 같이, 본 발명에서는 상기 샌드위치 패널(10)의 코어 부분도 전기 전도성을 가지도록 형성되고, 인공 신경망을 이용하여 학습된 손상 감지 신경망 모델로부터 손상 유형을 분류하여 도출할 수 있으므로, 상기 샌드위치 패널(10)의 손상 정도를 보다 신속하고 정확하게 진단할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
11: 상부 전도성 표판 12: 하부 전도성 표판
13: 전도성 코어 14: 전기전도성 접착재
20: 상부 전극 30: 하부 전극
13: 전도성 코어 14: 전기전도성 접착재
20: 상부 전극 30: 하부 전극
Claims (10)
- 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널과;
상기 상부 전도성 표판에서 서로 소정간격 이격되게 복수의 위치에 구비된 상부 전극들과;
상기 하부 전도성 표판에서 상기 상부 전극들과 대향되는 복수의 위치에 구비된 하부 전극들과;
상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정부와;
상기 샌드위치 패널에 대해 실험 또는 시뮬레이션을 통해 수집된 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 인공 신경망 학습부와;
상기 샌드위치 패널의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 샌드위치 패널의 손상 위치와, 표판 손상, 코어 손상 및 탈착 손상을 포함하는 손상 유형을 도출하는 모니터링부를 포함하는 전기전도성 샌드위치 패널의 손상 감지 시스템. - 청구항 1에 있어서,
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함하는 전기전도성 샌드위치 패널의 손상 감지 시스템. - 청구항 2에 있어서,
상기 전기전도성 폼 소재는, 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된 전기전도성 샌드위치 패널의 손상 감지 시스템. - 청구항 3에 있어서,
상기 인공 신경망 학습부는,
상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성하는 전기전도성 샌드위치 패널의 손상 감지 시스템. - 청구항 4에 있어서,
상기 모니터링부는,
상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 전기전도성 샌드위치 패널의 손상 감지 시스템. - 청구항 1에 있어서,
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함하는 전기전도성 샌드위치 패널의 손상 감지 시스템. - 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널의 손상을 감지하는 방법에 있어서,
상기 샌드위치 패널에 대한 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 과정과,
상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성하는 과정을 포함하는 인공 신경망 모델 생성단계와;
상기 전극 최적화 모델로부터 손상을 감지하고자 하는 샌드위치 패널의 센싱 면적에 대한 상기 상,하부 전극들의 개수를 도출하는 전극 개수 도출단계와;
상기 전극 최적화 신경망 모델에서 도출된 상,하부 전극들의 개수만큼 전극들이 배치되면, 저항측정부가 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정단계와;
모니터링부가 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 손상감지단계를 포함하는 전기전도성 샌드위치 패널의 손상 감지 방법. - 청구항 7에 있어서,
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함하는 전기전도성 샌드위치 패널의 손상 감지 방법. - 청구항 8에 있어서,
상기 전기전도성 폼 소재는, 상기 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된 전기전도성 샌드위치 패널의 손상 감지 방법. - 청구항 9에 있어서,
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함하는 전기전도성 샌드위치 패널의 손상 감지 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210187607A KR20230097781A (ko) | 2021-12-24 | 2021-12-24 | 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210187607A KR20230097781A (ko) | 2021-12-24 | 2021-12-24 | 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230097781A true KR20230097781A (ko) | 2023-07-03 |
Family
ID=87157082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210187607A KR20230097781A (ko) | 2021-12-24 | 2021-12-24 | 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230097781A (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102317518B1 (ko) | 2018-03-02 | 2021-10-25 | (주)엘엑스하우시스 | 샌드위치 패널 및 그의 제조방법 |
-
2021
- 2021-12-24 KR KR1020210187607A patent/KR20230097781A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102317518B1 (ko) | 2018-03-02 | 2021-10-25 | (주)엘엑스하우시스 | 샌드위치 패널 및 그의 제조방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10953608B2 (en) | Structural health monitoring of curved composite structures using ultrasonic guided waves | |
Zhang et al. | Vibration-based assessment of delaminations in FRP composite plates | |
KR101961408B1 (ko) | 탄소섬유강화플라스틱 구조물의 손상 모니터링 방법 | |
US9365302B2 (en) | Multi-dimensional damage detection | |
KR102145246B1 (ko) | 탄소섬유복합재의 손상 예측 시스템 및 방법 | |
CN113720907B (zh) | 一种轮廓与深度顺序辨识的复合材料分层损伤辨识方法 | |
CN102607935B (zh) | 一种含冲击损伤复合材料层压板剩余压缩强度的测算方法 | |
An et al. | Airplane hot spot monitoring using integrated impedance and guided wave measurements | |
Sohn et al. | Reference‐free damage classification based on cluster analysis | |
KR101964880B1 (ko) | 탄소섬유강화플라스틱 구조물의 응력 진단 시스템 및 방법 | |
Hu et al. | Damage detection of a woven fabric composite laminate using a modal strain energy method | |
KR20230097781A (ko) | 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법 | |
CN110988119A (zh) | 激光量测等效伪荷载检测复合材料层合板分层损伤的方法 | |
KR101978467B1 (ko) | 탄소섬유강화플라스틱 구조물의 균열 진전을 감지하는 센서 및 방법 | |
Yeager et al. | Impact detection and characterization in composite laminates with embedded fiber Bragg gratings | |
KR20190068155A (ko) | 복합재를 이용한 구조물의 파손 진단장치 및 이에 의한 구조물 파손 진단방법 | |
Nanda et al. | Theoretical analysis of the shaft | |
KR102472536B1 (ko) | 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법 | |
KR102361821B1 (ko) | 머신 러닝을 이용하여 복합재의 손상 위치를 검출하는 방법 | |
Niutta | Residual elastic response in damaged woven laminates through local Impulse Excitation Technique | |
Mohanan et al. | Performance assessment of sandwich structures with debonds and dents | |
Takahashi et al. | Statistical damage detection of laminated CFRP beam using electrical resistance change method | |
Marinescu et al. | Comparative Study of Tensile Behaviour for Layered Polymeric Composite Materials | |
KR102393044B1 (ko) | 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법 | |
CN105954363B (zh) | 一种复合材料分层检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] |