J. Korean Soc. Hazard Mitig Search

CLOSE


J. Korean Soc. Hazard Mitig. > Volume 24(3); 2024 > Article
고유진동수의 전이학습 적용을 위한 기초 실험연구

Abstract

Integrating artificial intelligence (AI) into structural health monitoring systems significantly improves the structural integrity and safety of buildings. This integration necessitates extensive data on various structural damage scenarios; however, acquiring comprehensive damage-state data for real-world buildings is difficult, resulting in data scarcity and imbalances between intact- and damage-state datasets. Transfer learning offers a compelling alternative that enables the utilization of damage-state data acquired from scaled experimental models for real-world building applications. This study explores the use of natural frequency ratios before and after damage to facilitate transfer learning. This study established an equation that describes the relationship between the natural frequency ratio before and after damage, accounting for scaling impacts. The natural frequency ratios for both the prototype and scaled models were experimentally determined and compared, focusing on bolted joints in the steel structure. The results of the experiment were consistent with those of the finite-element analysis. The experimentally obtained natural frequency ratios of the prototype and scaled models under identical damage conditions exhibited high congruence. The experimental and FEA results demonstrated analogous patterns of decreasing natural frequency ratio with increasing damage severity. These results indicate that natural frequency ratio data from various damage conditions in scaled models could mitigate data scarcity issues and train AI models for real-world building applications.

요지

구조물 건전성 모니터링에 인공지능 기술을 적용함으로써 더욱 효과적으로 건물의 구조안전성을 확보할 수 있다. 이를 위해서는 다양한 손상조건에 대한 데이터가 요구되지만, 실 건물에 대한 손상상태 데이터를 확보하기 어렵기 때문에 데이터 부족 문제 또는 건전 및 손상상태 데이터간의 불균형 문제가 발생한다. 이에 대한 대안으로, 축소 모형에 대한 다양한 손상상태 데이터를 실험을 통하여 확보하고 이를 실 건물에 적용할 수 있는 전이학습을 이용할 수 있다. 본 연구에서는 고유진동수의 손상전후 비율을 전이학습에 적용하기 위한 실험연구를 수행한다. 축소에 따른 손상전후 고유진동수 비율의 관계를 수식으로 유도한 후, 강구조물의 볼트 접합부를 대상으로 프로토타입 모형과 축소 모형의 손상전후 고유진동수 비율을 실험적으로 구하고 이를 비교한다. 이후 고유진동수 비율의 실험결과를 검증하기 위하여 유한요소해석결과와 비교한다. 동일 손상상태에 대하여 실험적으로 구한 프로토타입 모형과 축소 모형의 고유진동수 비율이 유사함을 알 수 있었고, 손상정도가 심해지면서 감소하는 고유진동수 비율의 실험과 해석 결과에서의 변화 양상 또한 유사함을 알 수 있었다. 즉, 축소 모형에 대하여 다양한 손상상태에 대한 고유진동수 비율 데이터를 확보하여 이를 실 건물의 훈련패턴에 활용한다면 위에서 언급된 데이터 문제가 부분적으로 해결될 수 있을 것으로 판단된다.

1. 서 론

건축구조물은 항상 예기치 못한 구조적인 결함을 가질 수 있으며, 이러한 결함은 육안관찰만으로 발생과 진전을 진단하기 어렵다. 따라서 센서를 통하여 구조물의 실제 응답을 측정하고 이를 통하여 원격에서 구조물의 현재 상태를 추정한 후 이를 바탕으로 건축구조물의 구조적 안전성을 확인할 수 있는 구조물 건전성 모니터링(Structural Health Monitoring) 기법의 도입이 요구되는 것으로 판단된다. 한편, 4차 산업혁명에 따라 건물 유지관리 분야에서의 인공지능 기술 융합이 가속화되고 있으며, 구조물 건전성 모니터링을 위하여 인공지능 기술을 적용함으로써 더욱 효과적이고 정확하게 구조안전성을 확보할 수 있는 기술에 대한 요구가 증대되고 있다(Ye et al., 2019).
딥 러닝(Deep Learnig)과 같은 인공지능 기술을 건물의 건전성 모니터링에 효과적으로 활용하기 위해서는 다양한 손상위치, 손상형태 및 손상정도에 대한 데이터가 요구된다. 그러나 실 건물의 손상은 일반적으로 자주 발생하지 않기 때문에, 손상상태 데이터는 건전상태 데이터에 비하여 미소량이거나 부재한 경우가 많다. 즉, 손상상태 데이터의 부족 문제 또는 건전상태와 손상상태 데이터간의 불균형 문제는 딥 러닝 모델 학습 시 과적합(Overfitting) 현상을 발생시키며, 결과적으로 심각한 성능저하를 초래할 수 있을 것으로 판단된다.
즉, 데이터 부족 및 불균형 문제의 해결을 통한 합리적인 상태평가 결과를 도출하기 위해서는, 건물의 다양한 손상상태에 대한 데이터의 확보가 중요하지만, 실 건물에 인위적 손상을 가한 후 데이터를 획득하는 것은 어렵다. 이에 대한 대안으로, 유사 축소 모형에 대한 다양한 손상상태 데이터를 실험을 통하여 확보하고 이에 대한 정보 및 지식을 실 건물에 적용할 수 있는 전이학습(Transfer Learning) 기법 개발이 필요할 것으로 판단된다. 전이학습은 사전 모델에 대한 정보를 대상 모델의 학습에 이용하는 방법으로써, 대상 모델에 대한 작업 성능을 향상시키기 위하여 사전 모델에 대한 작업에서 학습한 정보를 일정한 절차를 통하여 재사용하는 기계학습 기법이다. 위에서 언급한 바와 같이, 실 건물(대상 모델)의 효과적 구조물 건전성 모니터링을 위해서는 다양한 손상상태에 대한 실험 데이터가 필요하지만 이를 확보하는 것이 현실적으로 어렵기 때문에, 축소 모형(사전 모델)에 대한 손상상태 데이터를 실험을 통하여 확보하고 이에 대한 정보를 실 건물에 적용할 수 있는 전이학습 기법 개발이 필요한 것으로 판단된다.
구조물 건전성 모니터링 기술에 전이학습 기법을 적용하기 위하여 다음과 같은 연구들이 수행되었다. Yano, Figueiredo, Silva, Cury (2023)은 교량 건전성 모니터링을 위하여 유사 구조형식의 교량에 대한 전이학습 기법 적용연구를 진행하였는데, 사전 모델 교량에 대하여 Label이 지정된 훈련 데이터와 대상 모델 교량에 대하여 Label이 지정되지 않지만 유사성을 가지는 테스트 데이터에 대하여 기법을 적용하였다. Ierimonti et al. (2021)은 손상형태 및 정도의 등급을 규정하는 손상 Class에 할당할 수 있는 측정데이터의 부족 문제를 해결하기 위하여 전이 Bayesian 학습을 이용한 준지도학습 기법을 제안하였는데, 특정 손상에 민감한 파라미터를 고려하여 구조물의 대리 모델을 수립하였으며 해당 기법을 문화유산 건물의 건전성 모니터링에 적용하였다. Gardner et al. (2021)은 보수 전 구조물에 대한 데이터를 보수 후 구조물의 건전성 모니터링에 적용하기 위하여 전이학습 기법을 이용하였는데, 보수 후 구조물의 응답 변화 문제를 해결하기 위하여, 보수 전후 데이터 분포를 2개의 분포가 근사적으로 동일한 공유 잠재 공간에 Mapping하였다. Li et al. (2021)은 댐에 대한 기존 구조물 건전성 모니터링 기법이 모니터링을 수행하는 구조물 일부에 대해서만 유용할 수 있다는 단점을 극복하기 위하여 전이학습 기법을 적용하였는데, 일반적 모니터링 지점에서 학습되는 정보를 모니터링 되지 않는 부분으로 전이할 수 있는 방법을, 딥 러닝 네트워크의 모델링 기능과 전이학습의 유연한 전이성을 통합함으로써 제안하였다. Bao et al. (2023)은 구조물의 실시간 모니터링 데이터가 제한된 수의 구조적 조건만을 반영하는 반면 실제 가능한 구조적 조건은 다수이기 때문에 발생하는 데이터 부족 문제를 해결하기 위한 연구를 수행하였는데, 해석모델을 이용하여 훈련 데이터를 생성하고 딥 러닝 네트워크를 사전 학습하며 정보를 실제 모니터링 대상으로 전이할 수 있는 방법을 제안하였다. Gardner et al. (2020)은 훈련패턴이 생성되는 구조물과 모니터링 대상 구조물의 운용조건 차이를 도메인 적응 형태의 전이학습을 통하여 해결할 수 있는 기법을 제안하였는데, Label이 지정된 사전 구조물과 지정되지 않은 대상 구조물의 특성인자 및 Label 분포를 동일한 공간에 Mapping하였다. Yano, Figueiredo, Silva, Cury, Moldovan (2023)은 구조물 건전성 모니터링이 진행되는 교량을 보강하는 경우, 보강 전 모니터링 데이터를 보강 후 모니터링에 활용할 수 있는 기법을 제안하였는데, 보강 전후의 데이터 셋에 대한 도메인 적응 기법을 이용하여 전이학습 기법을 적용하였다. Chen et al. (2021)은 레일의 구조적 상태를 평가하기 위하여 음향방출 모니터링 데이터 및 음향 관련 데이터베이스에서 전이된 정보를 이용한 전이학습 기법을 개발하였는데, 대용량 오디오 데이터에 대하여 사전 훈련된 모델의 하위 Lebel Layer를 해당 연구의 특성인자 추출에 활용하였다. Zhang et al. (2020)은 유도파 기반 구조물 건전성 모니터링을 위하여, 사전 구조물에 대한 모니터링 정보를 다중의 대상 구조물 모니터링에 활용할 수 있는 연구를 수행하였는데, 플레이트 구조물에 대하여 모니터링 정보의 전이를 구현할 수 있는 심층 전이학습 기법을 사용하였다. Hesser et al. (2021)은 손상발생과 관련된 다양한 음향방출 소스들의 형태를 규명하고 그 차이를 구분하기 위한 연구를 진행하였는데, 심층 전이학습과 결합된 2D 컨볼루션 신경망을 훈련시키기 위하여 측정된 신호에 대하여 웨이블릿 변환을 수행하였다.
한편, 구조물 건전성 모니터링을 위하여 대표적으로 이용되는 구조응답은 가속도이며, 이를 통하여 산출되는 구조물의 고유진동수는 모니터링 대상의 중요한 파라미터 중 하나이다. 즉, 손상발생 및 노후화 등에 의한 구조물의 강성 등 구조특성의 변화는 고유진동수의 변화를 초래하므로, 측정되는 고유진동수를 모니터링하고 손상 등에 의한 고유진동수 변화의 패턴을 분석하면 구조물의 현 상태를 평가하고 손상을 추정할 수 있다.
또한, 볼트 접합은 강구조물에서 사용되는 대표적인 접합 방법이지만, 활하중 변동에 의하여 접합부에 반복하중이 가해질 수 있고, 접합부에서는 볼트 접합에 의해서만 응력이 전달되므로 응력집중이 발생할 수 있다. 이러한 반복하중 및 응력집중 등에 의하여 볼트의 조임력이 이완되고 볼트가 부분적으로 탈락될 가능성이 있다. 이로 인하여 접합부의 강성이 감소되고 구조물 전체의 성능이 저하될 수 있으며, 결함이 진전되면 안전사고 및 비용손실 등을 야기할 수 있다. 따라서 볼트 접합부에 대한 구조물 건전성 모니터링 기술 적용을 통하여 건물의 구조적인 안전성을 확보할 필요가 있다.
위에서 전이학습 기법 관련 선행연구를 조사한 바와 같이, 보다 효율적인 구조물 건전성 모니터링을 위하여 다양한 분야에서 연구가 진행되었는데, 구조물의 훈련 데이터를 유사 규모 및 형식의 다중 구조물 모니터링에 전이하거나 보수 및 보강 후 동일 구조물의 모니터링에 전이할 수 있는 연구, 해석모델로부터 생성한 훈련 데이터를 실구조물에 전이할 수 있는 연구 및 운용조건의 차이를 해결할 수 있는 연구 등이 수행되었다. 그러나 축소 모형에 대한 손상실험 데이터를 실 구조물에 활용하기 위한 연구결과는 미흡한 것으로 판단된다. 본 연구에서는 실 건물에 대한 인공지능 기반 구조물 건전성 모니터링을 위하여, 데이터 부족 및 불균형 문제 해결을 위한 실험연구를 수행한다. 즉, 구조물의 손상상태에 대한 데이터의 확보를 위하여 축소 모형에 대한 손상실험을 수행하고, 이를 프로토타입 모형에 적용하기 위한 연구를 진행한다. 구조물 건전성 모니터링을 위하여 대표적으로 이용되고 있는 고유진동수을 이용하고, 강구조물에서 중요한 구조부위인 볼트 접합부를 대상으로, 축소 모형 및 프로토타입 모형으로부터 실험적으로 구한 손상전후 고유진동수 비율을 비교한다. 또한, 검증을 위하여 축소 모형 및 프로토타입 모형 각각에 대한 유한요소해석에 의한 고유진동수 비율을 함께 비교한다. 즉, 손상전후 고유진동수 비율을 전이학습의 파라미터로 활용하기 위한 실험연구를 진행한다.

2. 이론적 배경

2.1 고유진동수 비율의 상사비 분석

손상발생에 의한 고유진동수의 변화량 및 변화패턴은 해당 손상의 위치 및 정도에 따라 달라지므로 손상전후 고유진동수를 비교분석함으로서 합리적으로 손상을 추정할 수 있다.
전이학습을 위한 축소 모형의 길이에 대한 상사비 즉, 축소 모형에 대한 프로토타입 모형의 길이 비율이 λ이면 고유진동수의 상사비는 일반적으로 λ-1이며, 이때 모달 강성의 상사비는 λ이다(Zhang et al., 2015). 한편, 손상을 추정하기 위하여 손상전후 고유진동수 비율을 이용할 수 있다. 프로토타입 모형과 축소 모형에 대한 손상전후 고유진동수 비율의 관계를 (Eq. (1)과 같이 유도하였는데, 손상에 의한 질량 변화는 강성 변화에 비하여 미미한 것으로 가정하였다.
(1)
(fp,id)2(fp,i0)2kp,idkp,i0λks,idλks,i0(fs,id)2(fs,i0)2
여기서 f는 고유진동수, k는 모달 강성, λ는 상사비, 위첨자 0 및 d는 각각 건전상태와 손상상태, 아래첨자 ps는 각각 프로토타입 모형과 축소 모형, 아래첨자 i는 모드차수를 의미한다.
즉, 손상전후 고유진동수 비율을 프로토타입 모형과 축소 모형에서 1:1로 이용할 수 있는 것으로 판단된다.

2.2 접합부의 유한요소해석

손상전후 고유진동수 비율의 실험결과를 검증하기 위하여 축소 모형 및 프로토타입 모형 각각에 대한 유한요소해석을 진행하였다.
강구조물에서 볼트 접합부는 반강접 상태인 경우가 많으며, 이를 고려하기 위하여 접합부를 회전강성으로 모델링할 수 있다. 즉, 휨모멘트에 의한 볼트 접합부의 회전변형은 중요한 변형 모드이며, 볼트 조임력의 이완 또는 부분적 볼트 탈락은 모델링된 회전강성의 감소로 평가될 수 있다. 여기서는 접합부에 대한 회전강성의 손상지수를 다음 식으로 도입하였다(Yi, 2001).
(2)
β=1kθkθ
여기서 kθ는 건전상태 또는 강결상태, kθ는 손상상태의 접합부 회전스프링이다. 즉, β는 0에서 1의 사이의 값이며, 1에 가까울수록 손상정도가 심해짐을 의미한다.
본 연구에서는 Yi (2001)에서 구성한 프로그램을 이용하였는데, 여기서는 반강접 접합부를 가지는 보 요소의 강성 행렬을 구성할 때 보 양단 및 보의 회전강성으로 접합부의 고정도를 정의한 후, Eq. (1)을 유도하여 접합부 고정도의 민감도를 조사하고 손상을 추정하였다.
즉, 반강접 접합부을 가지는 구조물의 유한요소해석을 위하여 부재 단부에 회전강성을 도입한 후, 손상에 의한 접합부 고정도의 감소를 회전강성의 변화로 정의할 수 있다. 따라서 진동 데이터 등 구조물의 거동을 측정하여 이를 해석모델과 비교하고 Eq. (2)의 손상지수를 이용함으로써, 접합부의 현 상태를 정량화하고 손상의 정도를 추정할 수 있다.

3. 실험연구

3.1 프로토타입 모형 및 축소 모형

전이학습을 위한 프로토타입 모형과 축소 모형의 손상에 의한 고유진동수 비율 변화의 관계를 연구하기 위하여, Fig. 1에 보인 바와 같이 프로토타입 모형과 길이 기준 1/2배의 축소 모형을 제작하였다. 즉, 위에서 언급된 길이 상사비(λ)를 2로 설정하였으며 기하학적 상사만을 적용하였다. 강재(SS275)를 이용하였으며, 각 모형에 사용된 부재들의 치수 및 모형의 크기를 Table 1에 나타내었다. Fig. 1의 2층 중간기둥과 상하 보의 접합부를 고장력볼트 4개를 이용하여 각각 연결하였다. 프로토타입 모형에서는 M10 (F10T), 축소 모형에서는 M5 (F10T)의 고장력볼트를 사용하였으며, Fig. 1에서 굵은 타원형 점선 내부에 대한 상세를 Fig. 2Table 2에 나타내었다. 한편, Fig. 3에는 제작된 두 모형을 비교하였으며, 나머지 접합부는 용접접합으로 연결하였다.
Fig. 1
Shape of the Models
kosham-2024-24-3-1gf1.jpg
Table 1
Member Dimension and Model Size
Prototype model Scaled model
A PL-12*100*988 PL-6*50*494
B PL-12*100*806 PL-6*50*403
C PL-12*100*364 PL-6*50*182
D 400 mm 200 mm
E 1000 mm 500 mm
F 500 mm 250 mm
Fig. 2
Detail of the Joint
kosham-2024-24-3-1gf2.jpg
Table 2
Dimension of the Joint
Prototype model Scaled model
a PL-12*100*364 PL-6*50*182
b PL-12*100*100 PL-6*50*50
c PL-12*100*988 PL-6*50*494
d 388 mm 194 mm
e 60 mm 30 mm
f 20 mm 10 mm
g M10 M5
Fig. 3
Comparison of the Prototype Model and Scaled Model
kosham-2024-24-3-1gf3.jpg
본 연구에서는 1층 중간기둥이 없는 구조형태에 대하여 실험을 진행하였으나, 향후 더욱 일반적 형태의 구조물에 대한 실험을 진행하여 연구결과의 신뢰도를 더욱 확보할 필요가 있을 것으로 판단된다. 그러나 연구목적을 달성하기 위한 모달 테스트, 고유진동수 추정 및 유한요소해석 등의 연구과정은 일반적 형태의 구조물에 대한 연구과정과 동일하다고 사료된다.

3.2 실험셋업 및 실험방법

프로토타입 모형과 축소 모형의 고유진동수를 측정하기 위하여 가속도계를 설치하였는데, 모드를 식별하기 위하여 Fig. 1에 보인 위치에 4개의 가속도계(Acc 1~Acc 4)를 부착하였다. 충격을 통한 자유진동실험을 수행하였는데, 10초간 5,000 Hz의 속도로 데이터를 취득하였다. 한편, 모형의 하부를 지지하기 위하여 Fig. 1에 모형 하부에서 회색으로 보인 20 t 판을 견고한 지그에 고장력볼트를 이용하여 연결하였다.
Fig. 2의 상부 접합부 볼트를 탈락시키면서 손상실험을 진행하였다. 즉, 건전상태, Case 1 (볼트 1개 탈락), Case 2 (볼트 2개 탈락) 및 Case 3 (볼트 3개 탈락)에 대하여 각각 자유진동실험을 수행하였는데, 프로토타입 모형과 축소 모형에 대하여 동일하게 실험을 진행하였다. 발생시킨 손상의 형태를 Fig. 4에 나타내었는데, 손상에 대한 사진은 프로토타입 모형에 대한 것이며, 접합부 중앙에 보이는 패치는 임피던스실험을 위한 압전 센서로서 본 연구의 내용과는 관련이 없다.
Fig. 4
Damage Cases
kosham-2024-24-3-1gf4.jpg

3.3 건전상태 구조물의 고유진동수

손상을 발생시키기 전 건전상태의 프로토타입 모형과 축소 모형에 대하여, 유한요소프로그램을 이용하여 2차까지의 고유진동수를 횡방향 모드에 대하여 해석적으로 구하였으며 이를 자유진동실험을 통한 실험결과와 Table 3에 비교하였는데, 축소 모형에 대한 프로토타입 모형의 고유동수 비율을 함께 나타내었다. 이때 볼트 접합부는 강결상태로 가정하였다. 축소 모형에 대한 프로토타입 모형의 길이 비율(λ)이 2이므로, 해석결과에서는 고유진동수의 상사비(λ-1)를 만족하고, 실험결과에서도 유사한 비율임을 확인할 수 있다. 한편, 해석결과 및 실험결과가 약간 차이가 있는데, 이는 해석에서는 모형 하단을 고정단으로 처리하였으나, 실험수행 시 모형 하단의 지지조건이 완전한 고정효과를 구현하지 못하였기 때문인 것으로 판단된다. 한편, 소규모 실험실의 공간을 고려하여 실제 구조물 보다 축소된 크기로 프로토타입 모형과 축소 모형을 설계하였기 때문에, 고유주기가 실제 구조물 보다 짧음을 알 수 있다. 향후, 실제 구조물의 고유주기와 유사하거나 근접하도록 모형을 제작하여 후속실험을 진행할 필요가 있을 것으로 판단된다.
Table 3에 보인 고유진동수에 대한 모드형상을 Fig. 5에 나타내었는데, 1차 모드형상은 기둥의 휨변형에 의한 형상이고, 2차 모드형상은 기둥과 보의 휨변형이 함께 발생하는 형상이다. Fig. 2의 상부 접합부 볼트를 탈락시키면서 손상실험을 진행하였는데, 이는 1차 및 2차 진동모드에 모두 영향을 미치는 것으로 판단된다. 위에서 언급한 바와 같이 유한요소해석 시 접합부에 대한 회전강성의 손상지수를 도입하였기 때문에, 실험결과를 해석결과와 비교하기 위하여 이후 보의 휨변형이 발생하는 2차 고유진동수를 대상으로 손상에 의한 고유진동수 변화에 대한 분석을 수행하였다.
Table 3
Natural Frequency in Healthy State (Hz)
Prototype model Scaled model Frequency ratio
Analysis 1st mode 19.76 39.53 0.50
2nd mode 69.01 138.02 0.50
Experiment 1st mode 17.78 37.38 0.48
2nd mode 67.02 133.48 0.50
Fig. 5
Mode Shape
kosham-2024-24-3-1gf5.jpg

3.4 손상태 해석결과 및 실험결과

손상상태 자유진동실험을 통하여 구한 2차 고유진동수의 건전상태 2차 고유진동수에 대한 비율 즉, 손상전후 고유진동수 비율을 Table 4에 나타내었다. 여기서, 동일 손상상태에 대하여 프로토타입 모형과 축소 모형에서의 고유진동수 비율이 유사함을 알 수 있다.
Table 4
Natural Frequency Ratio Before and After the Damage
Prototype model Scaled model
Case 1 0.995 0.996
Case 2 0.994 0.992
Case 3 0.970 0.975
한편, 건전상태 및 손상상태에 대한 자유진동실험 결과를 해석결과와 비교하기 위하여, 프로토타입 모형과 축소 모형에 대하여 각각 유한요소해석을 수행하였다. Fig. 6에 보인 바와 같이 36개의 요소와 2개의 접합부에 대한 회전스프링을 도입하였으며, 탄성계수는 2.05 E + 5 MPa, 질량은 7,850 kg/m3으로 입력하였다.
Fig. 6
Finite Element Model
kosham-2024-24-3-1gf6.jpg
Fig. 6에 보인 Joint 1을 강결상태로 고정한 후, 손상을 가한 Joint 2의 kθ, 2에 대하여, Eq. (2)β를 0에서 1까지 변화시키며 고유진동수를 계산하였다. 이러한 해석을 통한 고유진동수 결과와 실험결과를 손상전후 고유진동수 비율로 Fig. 7에 비교하였는데, 프로토타입 모형과 축소 모형에 대한 손상경우별 고유진동수 감소비율에 해당하는 β값 역시 유사함을 알 수 있다. 또한, 접합부의 손상정도가 심해지면서 감소하는 손상전후 고유진동수 비율(실험결과)과 β가 증가하면서 감소하는 손상전후 고유진동수 비율(해석결과)의 변화 양상 또한 유사함을 알 수 있다.
Fig. 7
Variation of Natural Frequency Ratio
kosham-2024-24-3-1gf7.jpg
위 결과로 부터, 축소 모형의 손상실험으로부터 구한 손상전후 고유진동수 비율을 프로토타입 모형에 대한 손상데이터로 1:1로 적용할 수 있는 것으로 판단된다. 즉, 손상발생에 의하여 고유진동수가 감소하며, 손상전후 고유진동수 비율을 손상추정에 활용함에 있어서, 축소 모형에 대한 손상실험으로부터 구한 비율을 프로토타입 모형에 1:1로 적용할 수 있을 것으로 사료된다.
인공지능 기반 실 건물의 효율적 구조물 건전성 모니터링을 위해서는 건전상태 및 손상상태에 대한 적절한 데이터가 필요하다. 그러나 실 건물에 대한 손상데이터의 확보가 어렵기 때문에 위에서 언급된 데이터 부족 및 불균형 문제가 발생할 수 있다. 실 건물에 대한 해석적 손상데이터는, 본 연구에서 접합부의 해석모델 수립 및 손상상태에 대한 수치해석을 진행한 것과 같이, 해당 건물에 대한 해석모델의 다양한 손상경우에 대한 수치 시뮬레이션을 통하여 확보할 수 있을 것으로 판단된다. 한편, 실 건물에 대한 실험적 손상데이터 문제는 본 연구에서 제안한 바와 같이 축소 모형에 대한 손상실험을 수행한 후 이 데이터를 실 건물에 전이학습을 통하여 적용함으로써 해결할 수 있을 것으로 사료된다. 본 연구에서는 이러한 전이학습을 위하여, 구조물 건전성 모니터링을 위하여 대표적으로 이용되는 고유진동수를 대상으로, 손상전후 고유진동수 비율의 유용성을 확인할 수 있었다.

4. 결 론

본 연구에서는 전이학습을 통한 보다 효율적인 구조물 건전성 모니터링을 위하여, 강구조물의 볼트 접합부를 대상으로 축소 모형과 프로토타입 모형의 손상전후 고유진동수 비율의 적용을 위한 실험연구를 수행하였다.
프로토타입 모형과 축소 모형에 대한 손상전후 고유진동수 비율의 관계를 수식으로 유도한 후, 프로토타입 모형과 길이 기준 1/2배의 축소 모형에 대한 자유진동실험을 동일한 손상상태에 대하여 수행하여 손상전후 고유진동수 비율을 각각 구하였다. 또한, 반강접 접합부를 가지는 유한요소모델을 수립하고, 손상지수를 사용하여 손상정도에 따른 고유진동수 비율을 프로토타입 모형과 축소 모형에 대하여 각각 해석적으로 구하였다. 동일 손상상태에 대하여 프로토타입 모형과 축소 모형에서 실험적으로 구한 손상전후 고유진동수 비율이 유사함을 알 수 있었고, 접합부의 손상정도가 심해지면서 감소하는 손상전후 고유진동수 비율의 실험결과와 해석결과에서의 변화 양상 또한 유사함을 알 수 있었다. 즉, 축소 모형에 대하여 다양한 손상위치, 손상형태 및 손상정도에 대한 손상실험을 수행하여 손상상태에 대한 고유진동수 비율 변화의 패턴 데이터를 확보하여 이를 실 건물의 학습에 적용한다면, 인공지능 기반 건물의 구조물 건전성 모니터링과 관련된 데이터 부족 및 불균형 문제가 부분적으로 해결될 수 있을 것으로 판단된다.
향후, 전이학습을 통한 효율적인 구조물 건전성 모니터링 기술 개발을 위하여, 볼트 탈락 외 볼트 조임력의 이완, 균열, 부식 등 다양한 손상형태에 대한 고유진동수 비율의 적용 타당성 검토가 필요할 것으로 판단된다. 또한, 압전센서 기반 국부적 모니터링을 위하여 임피던스 신호 등의 전이학습 적용을 위한 추가연구가 진행되어야 할 것으로 사료된다.

감사의 글

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (NRF-2022R1A2C1004708).

References

1. Bao, N, Zhang, T, Huang, R, Biswal, S, Su, I, and Wang, Y (2023) A deep transfer learning network for structural condition identification with limited real-world training data. Structural Control and Health Monitoring, Vol. 2023, pp. 8899806.
crossref pdf
2. Chen, S.X, Zhou, L, Ni, Y.Q, and Liu, X.Z (2021) An acoustic-homologous transfer learning approach for acoustic emission-based rail condition evaluation. Structural Health Monitoring, Vol. 20, pp. 2161-2181.
crossref pdf
3. Gardner, P, Bull, L.A, Dervilis, N, and Worden, K (2021) Overcoming the problem of repair in structural health monitoring:Metric-informed transfer learning. Journal of Sound and Vibration, Vol. 510, pp. 116245.
crossref
4. Gardner, P, Liu, X, and Worden, K (2020) On the application of domain adaptation in structural health monitoring. Mechanical Systems and Signal Processing, Vol. 138, pp. 106550.
crossref
5. Hesser, D.F, Mostafavi, S, Kocur, G.K, and Markert, B (2021) Identification of acoustic emission sources for structural health monitoring applications based on convolutional neural networks and deep transfer learning. Neurocomputing, Vol. 453, pp. 1-12.
crossref
6. Ierimonti, L, Cavalagli, N, Venanzi, I, Garcia-Macias, E, and Ubertini, F (2021) A transfer Bayesian learning methodology for structural health monitoring of monumental structures. Engineering Structures, Vol. 247, pp. 113089.
crossref
7. Li, Y, Bao, T, Gao, Z, Shu, X, Zhang, K, Xie, L, et al (2021) A new dam structural response estimation paradigm powered by deep learning and transfer learning techniques. Structural Health Monitoring, Vol. 21, pp. 770-787.
crossref pdf
8. Yano, M.O, Figueiredo, E, Silva, S, and Cury, A (2023) Foundations and applicability of transfer learning for structural health monitoring of bridges. Mechanical Systems and Signal Processing, Vol. 204, pp. 110766.
crossref
9. Yano, M.O, Figueiredo, E, Silva, S, Cury, A, and Moldovan, I (2023) Transfer learning for structural health monitoring in bridges that underwent retrofitting. Buildings, Vol. 13, pp. 2323.
crossref
10. Ye, X.W, Jin, T, and Yun, C.B (2019) A review on deep learning-based structural health monitoring of civil infrastructures. Smart Structures and Systems, Vol. 24, pp. 567-585.

11. Yi, J.H (2001) Damage Assessment of Structural Joints Using Structural Identification Techniques. Ph.D. dissertation, Korea Advanced Institute of Science and Technology, Daejeon, Korea.

12. Zhang, B, Hong, X, and Liu, Y (2020) Multi-task deep transfer learning method for guided wave-based integrated health monitoring using piezoelectric transducers. IEEE Sensors Journal, Vol. 20, pp. 14391-14400.
crossref
13. Zhang, Z, Wang, Y, and Fan, Z (2015) Similarity analysis between scale model and prototype of large vibrating screen. Shock and Vibration, Vol. 2015, pp. 247193.
crossref pdf


ABOUT
ARTICLE CATEGORY

Browse all articles >

BROWSE ARTICLES
AUTHOR INFORMATION
Editorial Office
1010 New Bldg., The Korea Science Technology Center, 22 Teheran-ro 7-gil(635-4 Yeoksam-dong), Gangnam-gu, Seoul 06130, Korea
Tel: +82-2-567-6311    Fax: +82-2-567-6313    E-mail: master@kosham.or.kr                

Copyright © 2024 by The Korean Society of Hazard Mitigation.

Developed in M2PI

Close layer
prev next