KR102435166B1 - A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction - Google Patents

A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction Download PDF

Info

Publication number
KR102435166B1
KR102435166B1 KR1020210136945A KR20210136945A KR102435166B1 KR 102435166 B1 KR102435166 B1 KR 102435166B1 KR 1020210136945 A KR1020210136945 A KR 1020210136945A KR 20210136945 A KR20210136945 A KR 20210136945A KR 102435166 B1 KR102435166 B1 KR 102435166B1
Authority
KR
South Korea
Prior art keywords
displacement
strain
weight
location
measurement
Prior art date
Application number
KR1020210136945A
Other languages
Korean (ko)
Inventor
이채규
김준기
문현수
Original Assignee
이채규
김준기
문현수
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이채규, 김준기, 문현수 filed Critical 이채규
Priority to KR1020210136945A priority Critical patent/KR102435166B1/en
Application granted granted Critical
Publication of KR102435166B1 publication Critical patent/KR102435166B1/en

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
    • 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
    • G01B21/02—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 length, width, or thickness
    • G01B21/04—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 length, width, or thickness by measuring coordinates of points
    • G01B21/045—Correction of measurements
    • 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
    • G01B21/02—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 length, width, or thickness
    • G01B21/04—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 length, width, or thickness by measuring coordinates of points
    • G01B21/047—Accessories, e.g. for positioning, for tool-setting, for measuring probes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

The present invention relates to a method for determining the number and a measurement position using a genetic algorithm and AI technology for precise strain-displacement prediction, which can estimate displacement having the minimum error. The present invention comprises: a step (S1) of determining an installation position of a measurement device; a step (S2) of estimating displacement having the minimum error; and a step (S3) of performing measurement using a virtual sensor.

Description

정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법{A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction}A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction}

본 발명은 교량의 변형률을 측정하여 변위를 정밀하게 추정하기 위하여 1단계 사전구조해석 결과와 2단계 현장 계측값을 이용한 유전자 알고리즘과 AI기술을 적용하여 최적의 변형률 계측 위치 및 개소를 결정하는 방법에 관한 것이다.The present invention is a method of determining the optimal strain measurement location and location by applying a genetic algorithm and AI technology using the first-stage pre-structural analysis result and the second-stage on-site measurement value in order to accurately estimate the displacement by measuring the strain rate of the bridge. it's about

일단 건설된 교량은 공용기간 중 예상치 않은 하중에 의해 구조적 손상이 발생하여 구조안전성능이 저하하거나 시간경과에 따른 재료의 내구성능이 저하하는 현상이 발생된다. Once the bridge is built, structural damage occurs due to unexpected loads during the service period, resulting in deterioration of structural safety performance or deterioration of material durability over time.

내구성능의 저하와 같은 현상은 육안점검이나 간단한 현장 장비를 이용하여 쉽게 조사할 수 있으나 구조성능의 저하 현상은 작용하는 활하중에 대한 교량의 반응을 계측하여 분석하여야만 조사가 가능하다.A phenomenon such as a decrease in durability can be easily investigated using visual inspection or simple field equipment, but a phenomenon of deterioration in structural performance can only be investigated by measuring and analyzing the bridge response to the applied live load.

따라서 시설물 안전법에서는 정밀안전진단 주기에 현장재하시험을 통해 교량의 상부구조 거동을 계측하여 내하력을 평가하도록 규정하고 있다. Therefore, the Facility Safety Act stipulates to evaluate the load-bearing capacity by measuring the behavior of the superstructure of the bridge through an on-site load test during the precision safety diagnosis cycle.

주기적인 교량의 거동 확인을 구조 상태 모니터링(SHM, Structural Health Monitoring)이라고 하고 SHM에 의한 교량의 건전성을 평가하는 데 사용되는 다양한 물리적 매개 변수 중 교량 변위는 가장 기본적인 정보이다. 단기 변위는 비정상적인 변화나 손상을 직관적으로 판단하는 데 도움이 되며, 장기 변위 이력은 엔지니어가 구조물의 노화 정도를 판단할 수 있는 기본 정보를 제공한다. Periodic checking of bridge behavior is called Structural Health Monitoring (SHM), and bridge displacement is the most basic information among various physical parameters used to evaluate bridge health by SHM. Short-term displacement helps intuitively determine abnormal changes or damage, and long-term displacement history provides basic information for engineers to determine the degree of aging of a structure.

변위를 측정하기 위해 다양한 유형의 계측기기가 개발되었으며 대표적인 유형은 접촉식과 비접촉식으로 나눌 수 있다.Various types of measuring instruments have been developed to measure displacement, and representative types can be divided into contact type and non-contact type.

접촉식 계측기기는 선형 가변 차동 변압기(LVDTS)와 같은 변위 변환기 등이 있으며, 대상 구조물에 계측기기를 고정하기 위해 안정적인 베이스가 필요하므로 교량 하부 공간이 도로, 철도 또는 깊은 계곡인 경우에는 장기적으로 계측기기를 고정할 방법을 찾기가 어렵다. 따라서 접촉 센서는 종종 실험실 목적 또는 현장에서 단기 변위 측정에만 사용된다. Contact measuring instruments include displacement transducers such as linear variable differential transformers (LVDTS), and since a stable base is required to fix the measuring instruments to the target structure, when the space under the bridge is a road, railroad, or deep valley, the instrument is fixed for a long time. It's hard to find a way to do it. Therefore, contact sensors are often used only for short-term displacement measurements for laboratory purposes or in the field.

이러한 접촉식 변위 계측기기의 대안으로 레이저, 레이더, GPS 및 이미지와 같은 다양한 비접촉식 변위 계측기기가 개발되었고 그 정밀도는 계측기기에 따라 다르지만 일반적으로 0.02 ~ 0.2㎜ 범위이다. 그러나 비접촉식 계측기기는 매우 고가이기 때문에 비용의 부담이 클 뿐만 아니라 날씨 및 습도와 같은 환경 조건에 민감하다. As an alternative to these contact displacement measurement devices, various non-contact displacement measurement devices such as laser, radar, GPS, and image have been developed, and their precision varies depending on the measurement device, but is generally in the range of 0.02 to 0.2 mm. However, since non-contact measuring instruments are very expensive, they are not only expensive, but also sensitive to environmental conditions such as weather and humidity.

따라서, 변위를 직접 측정할 수 없는 경우에 대한 대안으로 측정이 쉬운 변형률 또는 가속도/속도에서 변위를 추정하기 위한 방법이 개발되어 왔다. Therefore, as an alternative to the case where displacement cannot be directly measured, a method for estimating displacement at strain or acceleration/velocity that is easy to measure has been developed.

하기의 첨부된 선행기술문헌들(특허문헌)에서 보는 바와 같이 Euler-beam 이론을 기반으로 하는 변위 산정 이론식이 존재하므로 변형률이나 가속도로부터 변위를 이론적으로 추정하는 많은 방안들이 개발되었다. As shown in the accompanying prior art documents (patent literature), since there exists a displacement estimation theoretical formula based on Euler-beam theory, many methods for estimating displacement theoretically from strain or acceleration have been developed.

그러나 실제 교량은 복잡하고 불확실한 하중에 노출되기 때문에 측정된 변형률을 이용하여 Euler-beam 이론을 기반으로 변위를 추정하는 것은 신뢰성을 확보하기 어렵다는 문제가 있었다.However, since the actual bridge is exposed to complex and uncertain loads, it is difficult to secure reliability in estimating displacement based on the Euler-beam theory using the measured strain.

따라서 이러한 한계를 극복하기 위해 또 다른 선행기술문헌에서 보는 바와 같이 인공 신경망을 기반으로 한 AI기법을 이용하여 변형률을 이용한 변위 산정 방법을 개발하였으나, 변위를 추정하기 위한 계측기기의 설치방법이 체계화되지 못하였을 뿐만 아니라, 현장 계측 데이터만을 의지하여 AI기법으로 변위를 추정하다 보니 개발된 기법을 적용하기 위해서는 현장에서 계측하여야 하는 계측기기 개수의 증가를 유발할 뿐만 아니라 추정된 변위의 정밀도를 확보하기 어려운 문제점이 발생하였다. Therefore, to overcome this limitation, as shown in another prior art document, a displacement calculation method using strain was developed using an AI technique based on an artificial neural network, but the installation method of measuring equipment for estimating displacement was not systemized. Not only could it not be possible, but because displacement was estimated with the AI technique only by relying on field measurement data, it caused an increase in the number of measuring devices that had to be measured in the field in order to apply the developed technique, and it was difficult to secure the accuracy of the estimated displacement. This occurred.

특허문헌 0001 : 대한민국 등록특허번호 제10-260324호 - 이동하중에 의한 보의 변위응답 산정을 위한 가속도측정치의 신호처리 방법Patent Document 0001: Republic of Korea Patent No. 10-260324 - Signal processing method of acceleration measurement for calculating the displacement response of a beam due to a moving load 특허문헌 0002 : 대한민국 공개특허번호 제2001-105982호 - 가속도 센서를 이용한 휴대용 동적변위 측정장치Patent Document 0002: Korean Patent Publication No. 2001-105982 - Portable dynamic displacement measuring device using an acceleration sensor 특허문헌 0003 : 구조물의 측정 진동가속도를 이용하여 동적 변위 및 속도이력을 측정하는 측정방법 및 측정장치Patent Document 0003: Measuring method and measuring device for measuring dynamic displacement and velocity history using the measured vibration acceleration of a structure

본 발명은 교량의 변위를 변형률을 계측하여 추정하는 종래 기술의 제반 단점과 문제점을 해결하기 위한 것으로, 대상시설물에 대해 사전 구조해석을 통해 계측하고자 하고자 하는 위치의 변위오차가 최소화되는 변형률 측정 위치 갯수와 위치를 결정하는 계측기기의 설치방법을 체계화하고, 대상 교량의 실측 변형률에 직접적인 영향을 미치는 온도보정을 실시하여 주변 환경 변화에 따른 영향을 최소화하며, 대상 교량의 실제 조건을 반영하기 위해 현장계측 데이터를 이용하여 인공신경망 학습오차 학습을 실시하여 최소오차를 갖는 변위를 추정할 수 있는 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법을 제공하는데 그 목적이 있다. The present invention is to solve the various disadvantages and problems of the prior art for estimating the displacement of a bridge by measuring the strain, and the number of strain measurement locations where the displacement error of the location to be measured is minimized through a prior structural analysis of the target facility Systematize the installation method of measuring devices that determine the position and location of the target bridge, perform temperature correction that directly affects the measured strain of the target bridge, minimize the effect of changes in the surrounding environment, and perform field measurements to reflect the actual conditions of the target bridge The purpose of this is to provide a method for determining the measurement location and location of a structure to which AI technology and a genetic algorithm that can estimate the displacement with the minimum error by performing artificial neural network learning error learning using data are applied.

상기한 목적을 달성하기 위하여 본 발명은 구조물의 변위의 정밀도 향상을 위한 구조해석의 결과를 이용하여 유전자 알고리즘(GA)에 의한 인공신경망(AI) 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정하는 단계(S1); 상기 구조물의 실제 조건을 반영하여 추정된 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용한 인공신경망 학습을 실시하여 최소오차를 갖는 변위를 추정하는 단계(S2); 및 상기 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행하는 단계(S3);를 포함하여 이루어지되, 상기 S2 단계는, 현장 구조물에 S1단계에서 결정한 절점위치에 변형률(εM,T,i) 게이지와 훈련용 변위계(DM,T,i), 확인용 변위계(DM,C,i), 온도계(TM,i)를 포함하는 계측기기를 설치하는 단계(S21)와, 상기 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집하는 단계(S22)와, 현장에서 측정된 변형률(εM,T,i) 및 측정변위(DM,T,i, DM,C,i)를 측정온도(

Figure 112021117936914-pat00001
) 에 따른 보정을 하는 단계(S23)와, 목적함수의 오차를 산정하기 위한 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(
Figure 112021117936914-pat00002
)를 부여하는 단계(S24)와, 온도보정된 현장측정 변형률(ε1 M,T,i)을 이용한 추정변위(PM,E,i)를 산정하고 가중치(
Figure 112021117936914-pat00003
)를 부여하는 단계(S25)와, 온도보정된 훈련용 측정변위(D1M,T,i, D1M,C,i)와 온도보정된 추정 변위(D1M,E,i)를 이용한 목적함수(MSE)에 대한 인공신경망 학습 단계(S26)와, 부여된 변형률 데이터 개수만큼의 가중치(
Figure 112021117936914-pat00004
)를 변화하는 단계(S27)와, 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정하되(S28), 목적함수가 최소인 가중치인 경우(S28-1), 상기 변형률 데이터 개수(
Figure 112021117936914-pat00005
)별 인공신경망 학습오차가 최소가 되는 가중치를 결정하는 단계(S29) 및 결정되어 완성된 변형률-변위 추정공식을 이용하여 확인용 계측기기의 측정변위(DM,C,i)로 검증하는 단계(S30)를 포함하여 이루어지는 것을 특징으로 한다.In order to achieve the above object, the present invention systematically determines the installation location of measuring equipment by performing artificial neural network (AI) learning error by genetic algorithm (GA) using the results of structural analysis for improving the precision of displacement of structures. step (S1); estimating the displacement with the minimum error by performing artificial neural network learning using field measurement data to improve the precision of the displacement estimated by reflecting the actual condition of the structure (S2); and performing measurement using a virtual sensor configured according to the displacement having the estimated minimum error (S3), wherein the step S2 includes a strain (ε M ) at the node position determined in step S1 in the field structure. ,T,i ) Gauges and training displacement meters (D M,T,i ), displacement meters for confirmation (D M,C,i ), and thermometers (T M,i ) of installing a measuring instrument including a (S21) and , the step of collecting data generated by the normal passing load for the installed measuring device (S22), and the strain (ε M,T,i ) and the measured displacement (D M,T,i , D M, measured in the field) C,i ) is the measured temperature (
Figure 112021117936914-pat00001
) and the number of strain data to be applied to the genetic algorithm (GA) for calculating the error of the objective function (S23) and
Figure 112021117936914-pat00002
) is given (S24), and the estimated displacement (P M,E,i ) is calculated using the temperature-corrected in situ measurement strain (ε1 M,T,i ) and the weight (
Figure 112021117936914-pat00003
), an objective function using the temperature-corrected training measurement displacement (D1 M,T,i, D1 M,C,i ) and the temperature-corrected estimated displacement (D1 M,E,i ) A neural network learning step (S26) for (MSE), and a weight (
Figure 112021117936914-pat00004
), and determining the weight at which the artificial neural network learning error for each weight is the minimum (S28), when the objective function is the minimum weight (S28-1), the number of strain data (
Figure 112021117936914-pat00005
) determining the weight at which the neural network learning error is minimized (S29) and verifying with the measured displacement (D M,C,i ) of the measuring device for confirmation using the determined and completed strain-displacement estimation formula (S30) is characterized in that it comprises.

또한 구조물에 계측기기를 설치하는 단계(S21)는, 설치 위치를 결정하는 단계(S1)에서 결정한 절점에 훈련용 변형률 계측기기, 해당 결정한 절점에 훈련용 변위 계측기기, 변위를 확인하고자 하는 위치에 확인용 변위계 계측기기 및 온도에 따른 오차를 보정하기 위한 온도 계측기기를 설치하는 것임을 특징으로 한다.In addition, in the step (S21) of installing the measuring device on the structure, the strain measuring device for training at the node determined in the step (S1) of determining the installation location, the training displacement measuring device at the determined node, and the position where you want to check the displacement It is characterized in that it is to install a displacement measuring device and a temperature measuring device for correcting the error according to the temperature.

여기서 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집하는 단계(S22)는, 인공지능(AI) 훈련용 측정변형률(

Figure 112021117936914-pat00006
) 데이터, AI 훈련용 측정변위(
Figure 112021117936914-pat00007
) 데이터, 확인용 측정변위(
Figure 112021117936914-pat00008
) 데이터 및 대상 부재의 온도(
Figure 112021117936914-pat00009
) 데이터를 수집하는 것임을 특징으로 한다.Here, the step (S22) of collecting the data generated by the normal passing load for the installed measuring device is the measurement strain (AI) for training.
Figure 112021117936914-pat00006
) data, measured displacement for AI training (
Figure 112021117936914-pat00007
) data, measurement displacement for confirmation (
Figure 112021117936914-pat00008
) data and the temperature of the target member (
Figure 112021117936914-pat00009
) to collect data.

그리고 측정 변형률에 가중치(

Figure 112021117936914-pat00010
)부여하고 추정 변위를 산정하는 단계(S25)에서, 상기 추정변위(
Figure 112021117936914-pat00011
) = 가중값(
Figure 112021117936914-pat00012
) × 변환계수(
Figure 112021117936914-pat00013
) × 변형률(
Figure 112021117936914-pat00014
) 인 것을 특징으로 한다.and a weight (
Figure 112021117936914-pat00010
) and calculating the estimated displacement (S25), the estimated displacement (
Figure 112021117936914-pat00011
) = weight(
Figure 112021117936914-pat00012
) × conversion factor (
Figure 112021117936914-pat00013
) × strain (
Figure 112021117936914-pat00014
) is characterized in that

한편 부여된 변형률 데이터 개수만큼의 가중치(

Figure 112021117936914-pat00015
)를 변화하여(S27), 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정하는 단계(S28)는, 목적함수의 값이 작은 가중치는 남고, 목적함수의 값이 높은 가중치를 제외시켜 가면서 남아 있는 위치의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성하여 목적함수가 최소인 가중치를 찾아내되, 상기 가중치(
Figure 112021117936914-pat00016
)는 1.0부터 0.0범위까지 0.05씩 축소시켜 가며 적용하는 것을 특징으로 한다.On the other hand, the weight (
Figure 112021117936914-pat00015
) by changing (S27), the step of determining the weight at which the neural network learning error for each weight is minimized (S28) remains while the weight with a small objective function value remains and the weight with a high objective function value is excluded. A new genetic algorithm is repeatedly generated using the value of the position to find the weight with the smallest objective function, and the weight (
Figure 112021117936914-pat00016
) is reduced by 0.05 from 1.0 to 0.0.

한편 상기 S2 단계에서, 현장에서 실제 계측한 데이터를 이용함으로써 S1단계에서 결정한 절점위치의 변형률(εM,T,i) 게이지 개수를 더 적은 개수로 감소하여 설치됨을 특징으로 한다.On the other hand, in the step S2, the strain (ε M,T,i ) at the node position determined in the step S1 by using the data actually measured in the field is reduced and installed by reducing the number of gauges to a smaller number.

본 발명의 실시 예에 따르면 다음과 같은 효과가 있다.According to an embodiment of the present invention, the following effects are obtained.

첫째, 계측기기의 설치 시 현장계측을 하기 전에 수치해석을 통해 사전에 계략적으로 결정함으로써 현장에서 계측기기를 설치할 위치를 즉시 결정할 수 있으며, 변형률-변위 변화 가상센서의 정밀도를 증가시킬 수 있다. First, it is possible to immediately determine the location to install the measuring device in the field by strategically determining it through numerical analysis before on-site measurement when installing the measuring device, and it is possible to increase the precision of the strain-displacement change virtual sensor.

둘째, 인공신경망 및 유전 알고리즘(GA, Genetic Algorithm)을 사용하여 변위 예측에 필요한 변형률 측정 지점의 수와 위치를 최적화한 결과 2개소 이상의 측정 지점의 데이터가 있으면 전체 변위를 예측하기에 충분한 것으로 확인되어 상시 차량하중 작용하는 PSC-I Beam 형식의 실제 교량에 실험 적용한 결과 접촉식 계측 기기에서 측정된 변위와 비교하여 ±5%이내의 오차를 갖는 변위를 측정할 수 있다.Second, as a result of optimizing the number and location of strain measurement points required for displacement prediction using an artificial neural network and genetic algorithm (GA, Genetic Algorithm), it was confirmed that data from two or more measurement points is sufficient to predict the entire displacement. As a result of experimental application of the PSC-I Beam type bridge that always acts as a vehicle load, it is possible to measure the displacement with an error within ±5% compared to the displacement measured by the contact-type measuring device.

도 1은 본 발명에 따른 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예를 설명하기 위한 흐름도.
도 2는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예를 설명하기 위한 흐름도.
도 3은 도 2의 수치해석 모델에서 절점들을 설명하기 위한 예시도.
도 4는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 실측계측 데이터를 통한 추정변위 보정 방법의 실시 예를 설명하기 위한 흐름도.
도 5는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정한 변형률-변위 예측 방법에서 인공신경망 학습오차(MSE,최소제곱평균)에 의한 목적함수가 최소가 되는 위치를 찾아가는 과정을 설명하기 위한 도면이다. 1 is a flowchart for explaining an embodiment of a strain-displacement prediction method for determining the measurement location and location of a structure to which a genetic algorithm and AI technology according to the present invention are applied.
2 is a flowchart for explaining an embodiment of a method for selecting an optimal position to install a strain gauge in the strain-displacement prediction method determined in the measurement position and location of the structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied;
Figure 3 is an exemplary diagram for explaining the nodes in the numerical analysis model of Figure 2;
FIG. 4 is a flowchart for explaining an embodiment of a method of correcting estimated displacement through actual measurement data in a strain-displacement prediction method for determining the measurement location and location of a structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied.
5 is a process of finding the position where the objective function is minimized by the artificial neural network learning error (MSE, least squares mean) in the strain-displacement prediction method determined at the measurement location and location of the structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied It is a drawing for explaining.

본 발명의 바람직한 실시 예를 첨부된 도면에 의하여 상세히 설명하면 다음과 같다.A preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings as follows.

아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 또한 실시 예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고, 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다. In addition, the terms used in the present invention have been selected as widely used general terms as possible. It is intended to clarify that the present invention should be understood as the meaning of the term, not the name. In addition, in describing the embodiments, descriptions of technical contents that are well known in the technical field to which the present invention pertains and are not directly related to the present invention will be omitted. This is to more clearly convey the gist of the present invention by omitting unnecessary description.

도 1은 본 발명에 따른 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예를 설명하기 위한 흐름도이다.1 is a flowchart for explaining an embodiment of a strain-displacement prediction method for determining the measurement location and location of a structure to which a genetic algorithm and AI technology according to the present invention are applied.

본 발명에 따른 유전자 알고리즘(Genetic Algorithm : GA)과 인공지능(AI)기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 실시 예는 도 1에 나타낸 바와 같이, 변형률을 이용하여 추정한 구조물 변위의 정밀도를 향상하기 위해 우선 구조해석의 결과를 이용하여 인공신경망 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정한다(S1).As shown in FIG. 1, an embodiment of a strain-displacement prediction method for determining the measurement location and location of a structure to which a genetic algorithm (GA) and artificial intelligence (AI) technology is applied according to the present invention is shown in FIG. In order to improve the precision of the estimated structural displacement, first, the artificial neural network learning error is performed using the results of the structural analysis to systematically determine the installation location of the measuring device (S1).

그 다음 교량과 같은 구조물의 실제 조건을 반영하여 추정하는 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용하여 인공신경망 학습오차를 실시하여 최소오차를 갖는 변위를 추정한다(S2).Then, in order to improve the precision of the displacement to be estimated by reflecting the actual conditions of the structure such as a bridge, an artificial neural network learning error is performed using the field measurement data to estimate the displacement with the minimum error (S2).

그리고 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행한다(S3).Then, measurement is performed using a virtual sensor configured according to the displacement having the estimated minimum error (S3).

여기서 계측기기 설치 위치의 체계화를 결정(구축)하는 단계(S1)는 구조해석의 결과를 이용하여 유전자 알고리즘에 의한 인공신경망 학습을 통해 계측기기 설치 위치를 결정하는 것으로, 이에 대한 실시 예를 도 2를 통해 설명하기로 한다.Here, the step (S1) of determining (establishing) the systematization of the installation location of the measurement device is to determine the installation location of the measurement device through artificial neural network learning by a genetic algorithm using the result of the structural analysis, and an embodiment of this is shown in FIG. will be explained through

도 2는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예를 설명하기 위한 흐름도이고, 도 3은 도 2의 수치해석 모델에서 절점들을 설명하기 위한 예시도이며, 도 5는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 인공신경망 학습오차(MSE,최소제곱평균)에 의한 목적함수가 최소가 되는 위치를 찾아가는 과정을 설명하기 위한 도면이다. 2 is a flowchart for explaining an embodiment of a method for selecting an optimal position to install a strain gauge in the strain-displacement prediction method for determining the measurement position and location of a structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied, FIG. 3 is It is an exemplary diagram for explaining the nodes in the numerical analysis model of FIG. 2, and FIG. 5 is an artificial neural network learning error ( It is a diagram to explain the process of finding the position where the objective function is minimized by MSE, least squares mean).

도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 변형률계를 설치할 최적위치 선정 방법의 실시 예는 도 2 및 도 3에 나타낸 바와 같은데, 대상 구조물에 대해 n개의 절점을 갖는 구조해석 모델을 구축하고 이동 활하중에 의해 해석 모델의 각 절점에 대해서 계산 변형률 (

Figure 112021117936914-pat00017
)과 계산 변위(
Figure 112021117936914-pat00018
) 결과를 수집한다(S11). 여기서, 계산 변형률 (
Figure 112021117936914-pat00019
)과 계산 변위(
Figure 112021117936914-pat00020
)는 수치해석 모델에서 i번째 절점의 변형률과 변위이다.An example of a method for selecting an optimal location to install a strain gauge in the strain-displacement prediction method for determining the measurement location and location of a structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied is as shown in FIGS. 2 and 3 , but the target structure Construct a structural analysis model with n nodes for
Figure 112021117936914-pat00017
) and the calculated displacement (
Figure 112021117936914-pat00018
) to collect the results (S11). Here, the calculated strain (
Figure 112021117936914-pat00019
) and the calculated displacement (
Figure 112021117936914-pat00020
) is the strain and displacement of the i-th node in the numerical model.

이어 유전자 알고리즘(Genetic Algorithm : GA)에 적용할 변형률 데이터 개수(Ns)를 부여한다(S12). 이때, 인공신경망 학습에서 변형률의 위치과 개수를 동시에 최적화하면 경우의 수가 너무 많기 때문에 변형률 데이터 개수(NS)는 대상구조물(시설물)의 중요도에 따라 예를 들면 2개부터 4개까지 인위적으로 설정할 수 있다. 또한 실제 계측 단계에서는 2-3개로 축소할 수 있다.Next, the number of strain data (Ns) to be applied to the Genetic Algorithm (GA) is given (S12). At this time, if the location and number of strains are optimized at the same time in artificial neural network learning, the number of strain data ( NS ) can be artificially set, for example, from 2 to 4 depending on the importance of the target structure (facility) because the number of cases is too large. have. In addition, in the actual measurement stage, it can be reduced to 2-3.

그리고 도 3에서와 같은 N1개(N1 = 1개. 2개, 3개, 4개 등)의 절점중에서 유전자 알고리즘 적용 변형률 데이터 개수(

Figure 112021117936914-pat00021
)만큼의 절점 i에서 계산 변형률(
Figure 112021117936914-pat00022
)에 의한 추정변위(
Figure 112021117936914-pat00023
)를 산정한다(S13). 이때,
Figure 112021117936914-pat00024
로 나타낼 수 있으며,
Figure 112021117936914-pat00025
는 이론적으로 변형률을 이용하여 변위를 계산하기 위한 변환계수로서, 대상 교량의 주어진 단면제원과 재료특성을 이용하여 Euler-beam 이론에 의해 계산할 수 있다. And the number of strain data applied by the genetic algorithm among the N1 nodes (N1 = 1, 2, 3, 4, etc.) as in FIG. 3 (
Figure 112021117936914-pat00021
) calculated strain (
Figure 112021117936914-pat00022
Estimated displacement by ( )
Figure 112021117936914-pat00023
) is calculated (S13). At this time,
Figure 112021117936914-pat00024
can be expressed as
Figure 112021117936914-pat00025
is a conversion coefficient for calculating displacement using strain theoretically, and can be calculated by Euler-beam theory using the given cross-sectional dimensions and material properties of the target bridge.

그 다음 구조해석 모델 절점의 변형률에 의한 추정변위(

Figure 112021117936914-pat00026
)와 구조해석에 의한 계산 변위(
Figure 112021117936914-pat00027
)를 이용한 인공신경망 학습오차(MSE, 최소제곱평균, 평균제곱오차)를 목적함수로 구성한다(S14).Then, the estimated displacement (
Figure 112021117936914-pat00026
) and calculated displacement by structural analysis (
Figure 112021117936914-pat00027
), the artificial neural network learning error (MSE, least square mean, mean square error) is configured as an objective function (S14).

여기서 목적함수

Figure 112021117936914-pat00028
라 할 때, Ns = 변형률 데이터 개수이고,
Figure 112021117936914-pat00029
= 해석모델의 계산변위이며,
Figure 112021117936914-pat00030
= 신경망 추정변위이고, i는 절점번호이다.here the objective function
Figure 112021117936914-pat00028
, Ns = the number of strain data,
Figure 112021117936914-pat00029
= the calculated displacement of the analysis model,
Figure 112021117936914-pat00030
= Neural network estimated displacement, and i is the node number.

그리고 도 3의 복수의 절점들 중 무작위로 절점의 위치를 변경해가면서 목적함수(MSE)에 대해 인공신경망 학습을 수행한다(S15). 물론, 무작위로 절점의 위치를 변경할 때 절점간의 간격을 규칙적인 방법과 불규칙적인 방법을 취할 수 있다. Then, the artificial neural network learning is performed on the objective function (MSE) while randomly changing the positions of the nodes among the plurality of nodes of FIG. 3 ( S15 ). Of course, when changing the position of the nodes at random, it is possible to take a regular method and an irregular method for the spacing between nodes.

그 다음, 절점의 위치 i를 무작위로 변경한다(S16). 이때, 도 5에서와 같이 목적함수의 값이 작은 절점은 남고, 목적함수의 값이 높은 절점은 제외시켜가면서 남아 있는 절점의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성함으로써 결국은 목적함수가 최소인 절점을 찾아낼 때까지 수행된다.Then, the position i of the node is randomly changed (S16). At this time, as shown in FIG. 5 , a node with a small objective function value remains and a node with a high objective function value is excluded, and a new genetic algorithm is repeatedly generated using the remaining node value, eventually resulting in a minimum objective function. This is done until a node is found.

그리고 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(NS)를 변경하면서 인공신경망 학습오차가 최소가 되는 절점을 결정한다(S17). 참고로, 유전자 알고리즘(GA)에 의하여 결정하여야 하는 주요 변수는 적용할 변형률 데이터 절점 개수와 절점 위치이다. And while changing the number of strain data (N S ) to be applied to the genetic algorithm (GA), the node at which the artificial neural network learning error is minimized is determined (S17). For reference, the main variables to be determined by the genetic algorithm (GA) are the number of nodes and the position of the nodes of strain data to be applied.

한편 이러한 도 3에서의 계측된 변형률을 이용하여 추정한 변위의 정밀도를 향상하고 교량의 실제 조건을 반영하기 위하여 현장계측 데이터를 이용한 추정변위 보정을 도 4에서와 같이 거쳐야 한다. Meanwhile, in order to improve the precision of the displacement estimated using the strain measured in FIG. 3 and to reflect the actual conditions of the bridge, the estimated displacement correction using the field measurement data should be performed as in FIG. 4 .

도 4는 도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법의 S1단계에서 결정된 변형률계 위치에서 대상교량에서 실제 계측하여 추정변위의 정밀도를 항상 시키는 추정변위 보정 방법의 실시 예를 설명하기 위한 흐름도이다.4 shows the actual measurement at the target bridge at the strain meter position determined in step S1 of the strain-displacement prediction method for determining the measurement position and location of the structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied to always increase the precision of the estimated displacement It is a flowchart for explaining an embodiment of the estimated displacement correction method.

도 1에 나타낸 유전자 알고리즘과 AI기술을 적용한 구조물의 계측위치 및 개소 결정을 위한 변형률-변위 예측 방법에서 실제계측 데이터를 통한 추정변위 보정 방법의 실시 예는 도 4에 나타낸 바와 같은데, 현장구조물(시설물)에 S1단계에서 결정한 절점위치에 변형률(εM,T,i) 게이지와 훈련용 변위계(DM,T,i), 확인용 변위계(DM,C,i), 온도계(TM,i) 등 계측기기를 설치한다(S21). 이때, 변형률 게이지는 S1 단계에서 최대 4개였다 하더라도, 현장에서는 2-3개로 축소시킬 수 있다.An embodiment of the estimated displacement correction method through the actual measurement data in the strain-displacement prediction method for determining the measurement position and location of the structure to which the genetic algorithm and AI technology shown in FIG. 1 are applied is as shown in FIG. ), strain (ε M,T,i ) gauge, displacement gauge for training (D M,T,i ), displacement gauge for confirmation (D M,C,i ), and thermometer (T M,i ) at the node position determined in step S1. ), etc., to install a measuring device (S21). At this time, even if the maximum number of strain gauges was 4 in step S1, it can be reduced to 2-3 in the field.

즉 도 1에서와 같은 최적의 계측기기 설치 위치 결정(구축) 단계(S1)에서 결정한 절점위치에 훈련용 변형률 계측기기와, 해당 결정한 절점에 훈련용 변위 계측기기를 설치한다. 그리고 변위를 확인하고자 하는 위치에 확인용 변위계 계측기기를 설치하고, 온도에 따른 오차를 보정하기 위한 온도 계측기기를 설치한다.That is, a strain measuring device for training and a displacement measuring device for training are installed at the determined node at the node position determined in the step S1 of determining the optimal measuring device installation location (construction) step S1 as in FIG. 1 . Then, a displacement measuring device for checking is installed at a position to check the displacement, and a temperature measuring device for correcting an error according to the temperature is installed.

이어 현장에서 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집한다(S22). 이때, AI 훈련용 측정변형률(

Figure 112021117936914-pat00031
), AI 훈련용 측정변위(
Figure 112021117936914-pat00032
), 확인용 측정변위(
Figure 112021117936914-pat00033
) 및 대상 부재의 온도(
Figure 112021117936914-pat00034
) 데이터를 수집한다.Then, data generated by the normal passing load for the measuring device installed in the field is collected (S22). At this time, the measurement strain for AI training (
Figure 112021117936914-pat00031
), measured displacement for AI training (
Figure 112021117936914-pat00032
), measurement displacement for confirmation (
Figure 112021117936914-pat00033
) and the temperature of the target member (
Figure 112021117936914-pat00034
) to collect data.

그리고 현장에서 측정된 변형률(εM,T,i) 및 측정변위(DM,T,i, DM,C,i)를 측정온도(

Figure 112021117936914-pat00035
) 에 따른 보정을 한다(S23). 이때, 보정변형률은 (
Figure 112021117936914-pat00036
)이고, 보정 측정변위는 (
Figure 112021117936914-pat00037
)이다.And the strain (ε M,T,i ) measured in the field and the measured displacement (D M,T,i , D M,C,i ) are converted to the measurement temperature (
Figure 112021117936914-pat00035
) is corrected according to (S23). At this time, the correction strain is (
Figure 112021117936914-pat00036
), and the corrected measured displacement is (
Figure 112021117936914-pat00037
)to be.

이어 목적함수의 오차를 산정하기 위한 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(

Figure 112021117936914-pat00038
)를 부여한다(S24). 이때, 본 발명에서는 인공신경망 학습에서 변형률의 가중치와 개수를 동시에 최적화하면 경우의 수가 너무 많기 때문에 변형률 데이터 개수(
Figure 112021117936914-pat00039
)는 최적의 계측기기 설치위치 결정(구축)단계(S1)에서 결정한 최대 변형률 데이터 개수부터 시작하여 점차 줄여가면서 학습하는 것이 바람직하다. 그리고 이러한 학습에 따라 딥러닝에 의한 진보된 학습이 이루어질 수 있다.Next, the number of strain data to be applied to the genetic algorithm (GA) for calculating the error of the objective function (
Figure 112021117936914-pat00038
) is given (S24). At this time, in the present invention, if the weight and number of strain are optimized at the same time in artificial neural network learning, the number of strain data (
Figure 112021117936914-pat00039
), it is desirable to start with the number of maximum strain data determined in the determining (building) step (S1) of the optimal measuring device installation location and to learn while gradually decreasing. And according to this learning, advanced learning by deep learning can be made.

그 다음 온도보정된 현장측정 변형률(ε1M,T,i)를 이용한 추정변위(

Figure 112021117936914-pat00040
) 를 산정하고, 가중치(
Figure 112021117936914-pat00041
)를 부여한다(S25). 여기서 추정변위(
Figure 112021117936914-pat00042
) = 가중값(
Figure 112021117936914-pat00043
) × 변환계수(
Figure 112021117936914-pat00044
) × 변형률(
Figure 112021117936914-pat00045
)이다.Then , the estimated displacement (
Figure 112021117936914-pat00040
) is calculated, and the weight (
Figure 112021117936914-pat00041
) is given (S25). Here, the estimated displacement (
Figure 112021117936914-pat00042
) = weight(
Figure 112021117936914-pat00043
) × conversion factor (
Figure 112021117936914-pat00044
) × strain (
Figure 112021117936914-pat00045
)to be.

그 다음 온도보정된 훈련용 측정변위(D1M, T, i, D1M, C, i)와 온도보정된 추정변위(D1M, E, i)를 이용한 목적함수(MSE)에 대한 인공신경망을 학습한다(S26). 여기서 목적함수

Figure 112021117936914-pat00046
이고, Ns = 변형률 데이터 개수, D M,T = 보정 측정변위, P M = 신경망 추정변위이다.Then, an artificial neural network for the objective function (MSE) using the temperature-corrected training measurement displacements (D1 M, T, i , D1 M, C, i ) and the temperature-corrected estimated displacements (D1 M, E, i ) was constructed. learn (S26). here the objective function
Figure 112021117936914-pat00046
, Ns = number of strain data, D M,T = calibrated measured displacement, P M = neural network estimated displacement.

한편 가중치(

Figure 112021117936914-pat00047
)를 변화하는데(S27), 부여된 변형률 데이터 개수만큼 인가를 판단하여(S28-1), 부여된 변형률 데이터 개수만큼의 가중치를 변화한다. 여기서 유전자 알고리즘(GA)에 의한 가중치 변화에 따른 최적의 가중치를 찾는 방법은 도 5의 개념과 동일하며 목적함수의 값이 작은 가중치는 남고, 목적함수의 값이 높은 가중치를 제외시켜 가면서 남아 있는 위치의 값을 이용하여 새로운 유전자를 거듭 생성하므로서 결국은 목적함수가 최소인 가중치를 찾아내는 것으로, 이때 가중치(
Figure 112021117936914-pat00048
)는 1.0부터 0.0범위까지 0.05씩 축소시켜가며 적용할 수 있다.On the other hand, the weight (
Figure 112021117936914-pat00047
) to change (S27), by determining whether to apply as much as the number of assigned strain data (S28-1), and changing the weight as much as the assigned number of strain data. Here, the method of finding the optimal weight according to the weight change by the genetic algorithm (GA) is the same as the concept of FIG. 5, and the weight with a small value of the objective function remains and the weight with a high value of the objective function is excluded while remaining position. By repeatedly generating new genes using the value of
Figure 112021117936914-pat00048
) can be applied from 1.0 to 0.0 by reducing by 0.05.

그리고 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정한다(S28). 이때, 목적함수가 최소인 가중치인 경우(S28-1), 변형률 데이터 개수(

Figure 112021117936914-pat00049
)별 인공신경망 학습오차가 최소가 되는 가중치를 결정한다(S29). Then, a weight at which an artificial neural network learning error for each weight is minimized is determined (S28). At this time, when the objective function is the minimum weight (S28-1), the number of strain data (
Figure 112021117936914-pat00049
), a weight at which an artificial neural network learning error is minimized is determined (S29).

그에 따라 최종 결정된 추정변위 식을 이용하여 추정한 변위와 확인용 변위와 상호 비교하는데, 완성된 변형률-변위 추정공식을 이용하여 확인용 계측기기의 측정변위(DM,C,i)로 검증한다(S30). Accordingly, the displacement estimated using the finally determined estimated displacement equation is compared with the displacement for confirmation, and the completed strain-displacement estimation formula is used to verify the measured displacement (D M,C,i ) of the measurement instrument for confirmation. (S30).

이상과 같은 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다. Although the present invention has been described with the above examples, the present invention is not necessarily limited to these examples, and various modifications may be made within the scope without departing from the technical spirit of the present invention. Therefore, the examples disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these examples. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

Claims (6)

구조물의 변위의 정밀도 향상을 위한 구조해석의 결과를 이용하여 유전자 알고리즘(GA)에 의한 인공신경망(AI) 학습오차를 실시하여 체계적으로 계측기기 설치 위치를 결정하는 단계(S1);
상기 구조물의 실제 조건을 반영하여 추정된 변위의 정밀도를 향상하기 위해 현장계측 데이터를 이용한 인공신경망 학습을 실시하여 최소오차를 갖는 변위를 추정하는 단계(S2); 및
상기 추정된 최소오차를 갖는 변위에 따라 구성한 가상센서를 이용한 계측을 수행하는 단계(S3);를 포함하여 이루어지되,
상기 S2 단계는,
현장 구조물에 S1단계에서 결정한 절점위치에 변형률(εM,T,i) 게이지와 훈련용 변위계(DM,T,i), 확인용 변위계(DM,C,i), 온도계(TM,i)를 포함하는 계측기기를 설치하는 단계(S21)와, 상기 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집하는 단계(S22)와, 현장에서 측정된 변형률(εM,T,i) 및 측정변위(DM,T,i, DM,C,i)를 측정온도(
Figure 112021117936914-pat00050
) 에 따른 보정을 하는 단계(S23)와, 목적함수의 오차를 산정하기 위한 유전자 알고리즘(GA)에 적용할 변형률 데이터 개수(
Figure 112021117936914-pat00051
)를 부여하는 단계(S24)와, 온도보정된 현장측정 변형률(ε1 M,T,i)을 이용한 추정변위(PM,E,i)를 산정하고 가중치(
Figure 112021117936914-pat00052
)를 부여하는 단계(S25)와, 온도보정된 훈련용 측정변위(D1M,T,i, D1M,C,i)와 온도보정된 추정 변위(D1M,E,i)를 이용한 목적함수(MSE)에 대한 인공신경망 학습 단계(S26)와, 부여된 변형률 데이터 개수만큼의 가중치(
Figure 112021117936914-pat00053
)를 변화하는 단계(S27)와, 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정하되(S28), 목적함수가 최소인 가중치인 경우(S28-1), 상기 변형률 데이터 개수(
Figure 112021117936914-pat00054
)별 인공신경망 학습오차가 최소가 되는 가중치를 결정하는 단계(S29); 및 결정되어 완성된 변형률-변위 추정공식을 이용하여 확인용 계측기기의 측정변위(DM,C,i)로 검증하는 단계(S30)를 포함하여 이루어지는 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
Using the result of structural analysis to improve the precision of the displacement of the structure, systematically determining the installation location of the measuring device by performing artificial neural network (AI) learning error by the genetic algorithm (GA) (S1);
estimating the displacement with the minimum error by performing artificial neural network learning using field measurement data to improve the precision of the displacement estimated by reflecting the actual condition of the structure (S2); and
Performing measurement using a virtual sensor configured according to the displacement having the estimated minimum error (S3);
In step S2,
Strain (ε M,T,i ) gauge, displacement gauge for training (D M,T,i ), displacement gauge for confirmation (D M,C,i ), thermometer (T M, i ) installing a measuring device including the step (S21), collecting data generated by a normal passing load for the installed measuring device (S22), and the strain measured in the field (ε M,T,i ) and the measured displacement (D M,T,i , D M,C,i ) of the measured temperature (
Figure 112021117936914-pat00050
) and the number of strain data to be applied to the genetic algorithm (GA) for calculating the error of the objective function (S23) and
Figure 112021117936914-pat00051
) is given (S24), and the estimated displacement (P M,E,i ) is calculated using the temperature-corrected in situ measurement strain (ε1 M,T,i ) and the weight (
Figure 112021117936914-pat00052
), an objective function using the temperature-corrected training measurement displacement (D1 M,T,i, D1 M,C,i ) and the temperature-corrected estimated displacement (D1 M,E,i ) A neural network learning step (S26) for (MSE), and a weight (
Figure 112021117936914-pat00053
), and determining the weight at which the artificial neural network learning error for each weight is the minimum (S28), when the objective function is the minimum weight (S28-1), the number of strain data (
Figure 112021117936914-pat00054
) determining a weight at which an artificial neural network learning error is minimized (S29); And using the determined and completed strain-displacement estimation formula, verifying the measured displacement (D M,C,i ) of the measuring instrument for confirmation (S30) for precise strain-displacement prediction A method of determining the measurement location and location of a structure using genetic algorithms and AI technology.
 제1항에 있어서,
상기 구조물에 계측기기를 설치하는 단계(S21)는,
상기 설치 위치를 결정하는 단계(S1)에서 결정한 절점에 훈련용 변형률 계측기기, 해당 결정한 절점에 훈련용 변위 계측기기, 변위를 확인하고자 하는 위치에 확인용 변위계 계측기기 및 온도에 따른 오차를 보정하기 위한 온도 계측기기를 설치하는 것임을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
According to claim 1,
The step (S21) of installing a measuring device on the structure is,
A strain measuring device for training at the node determined in the step (S1) of determining the installation location, a displacement measuring device for training at the determined node, a displacement measuring device for checking at the position where you want to check the displacement, and to correct the error according to temperature Precise strain-displacement prediction, characterized in that it installs a temperature measuring device for
 제1항에 있어서,
상기 설치된 계측기기에 대해 상시 통과하중에 의해 발생하는 데이터를 수집하는 단계(S22)는,
인공지능(AI) 훈련용 측정변형률(
Figure 112021117936914-pat00055
) 데이터, AI 훈련용 측정변위(
Figure 112021117936914-pat00056
) 데이터, 확인용 측정변위(
Figure 112021117936914-pat00057
) 데이터 및 대상 부재의 온도(
Figure 112021117936914-pat00058
) 데이터를 수집하는 것임을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
According to claim 1,
The step (S22) of collecting data generated by the normal passing load for the installed measuring device (S22),
Measurement strain for artificial intelligence (AI) training (
Figure 112021117936914-pat00055
) data, measured displacement for AI training (
Figure 112021117936914-pat00056
) data, measurement displacement for confirmation (
Figure 112021117936914-pat00057
) data and the temperature of the target member (
Figure 112021117936914-pat00058
) A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction, characterized in that data is collected.
 제1항에 있어서,
상기 측정 변형률에 가중치(
Figure 112021117936914-pat00059
)부여하고 추정 변위를 산정하는 단계(S25)에서,
상기 추정변위(
Figure 112021117936914-pat00060
) = 가중값(
Figure 112021117936914-pat00061
) × 변환계수(
Figure 112021117936914-pat00062
) × 변형률(
Figure 112021117936914-pat00063
) 인 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
According to claim 1,
A weight (
Figure 112021117936914-pat00059
) in the step of giving and calculating the estimated displacement (S25),
The estimated displacement (
Figure 112021117936914-pat00060
) = weight(
Figure 112021117936914-pat00061
) × conversion factor (
Figure 112021117936914-pat00062
) × strain (
Figure 112021117936914-pat00063
), a method for determining the measurement location and location of a structure to which a genetic algorithm and AI technology for precise strain-displacement prediction are applied.
 제1항에 있어서,
상기 부여된 변형률 데이터 개수만큼의 가중치(
Figure 112021117936914-pat00064
)를 변화하여(S27), 가중치별 인공신경망 학습오차가 최소가 되는 가중치를 결정하는 단계(S28)는,
목적함수의 값이 작은 가중치는 남고, 목적함수의 값이 높은 가중치를 제외시켜 가면서 남아 있는 위치의 값을 이용하여 새로운 유전자 알고리즘을 거듭 생성하여 목적함수가 최소인 가중치를 찾아내되, 상기 가중치(
Figure 112021117936914-pat00065
)는 1.0부터 0.0범위까지 0.05씩 축소시켜 가며 적용하는 것을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법.
According to claim 1,
Weight (
Figure 112021117936914-pat00064
) by changing (S27) to determine the weight at which the artificial neural network learning error for each weight is minimized (S28),
The weight with the small objective function value remains, and while the weight with the high objective function value is excluded, a new genetic algorithm is repeatedly generated using the value of the remaining position to find the weight with the smallest objective function, the weight (
Figure 112021117936914-pat00065
) is a method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction, characterized in that it is applied while reducing by 0.05 from 1.0 to 0.0.
 제1항에 있어서,
상기 S2 단계에서,
현장에서 실제 계측한 데이터를 이용함으로써 S1단계에서 결정한 절점위치의 변형률(εM,T,i) 게이지 개수를 더 적은 개수로 감소하여 설치됨을 특징으로 하는 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 AI 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법. According to claim 1,
In step S2,
Genetic algorithm and AI for precise strain-displacement prediction, characterized in that the number of strain (ε M,T,i ) gauges at the node position determined in step S1 is reduced to a smaller number by using the data actually measured in the field How to determine the measurement location and location of a structure to which technology is applied.
KR1020210136945A 2021-07-14 2021-10-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction KR102435166B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210136945A KR102435166B1 (en) 2021-07-14 2021-10-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210091986A KR102332188B1 (en) 2021-07-14 2021-07-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction
KR1020210136945A KR102435166B1 (en) 2021-07-14 2021-10-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210091986A Division KR102332188B1 (en) 2021-07-14 2021-07-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction

Publications (1)

Publication Number Publication Date
KR102435166B1 true KR102435166B1 (en) 2022-08-23

Family

ID=78867379

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210091986A KR102332188B1 (en) 2021-07-14 2021-07-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction
KR1020210136945A KR102435166B1 (en) 2021-07-14 2021-10-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020210091986A KR102332188B1 (en) 2021-07-14 2021-07-14 A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction

Country Status (1)

Country Link
KR (2) KR102332188B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592382B (en) * 2024-01-18 2024-04-26 高速铁路建造技术国家工程研究中心 Dynamic response prediction method, system and medium for railway track bridge system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100260324B1 (en) 1998-05-06 2000-08-01 최병은 Method for evaluating beam displacement under moving load by double integration of acceleration
KR20010105982A (en) 2000-05-19 2001-11-29 권순덕 Portable Device for Measuring Dynamic Displacement Using Acceleration-meter
KR101348817B1 (en) * 2013-01-11 2014-01-08 연세대학교 산학협력단 Method and system for estimation of error or omitted measured values using artificial neural network
KR101644311B1 (en) * 2015-02-04 2016-08-01 건양대학교산학협력단 Optimal Structure Identification system based Embedded Software Technology for maintenance of smart structure

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100260324B1 (en) 1998-05-06 2000-08-01 최병은 Method for evaluating beam displacement under moving load by double integration of acceleration
KR20010105982A (en) 2000-05-19 2001-11-29 권순덕 Portable Device for Measuring Dynamic Displacement Using Acceleration-meter
KR101348817B1 (en) * 2013-01-11 2014-01-08 연세대학교 산학협력단 Method and system for estimation of error or omitted measured values using artificial neural network
KR101644311B1 (en) * 2015-02-04 2016-08-01 건양대학교산학협력단 Optimal Structure Identification system based Embedded Software Technology for maintenance of smart structure

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Measuring method and measuring device for measuring dynamic displacement and velocity history using the measured vibration acceleration of a structureXP NUMBER: SOURCE: ()

Also Published As

Publication number Publication date
KR102332188B1 (en) 2021-12-02

Similar Documents

Publication Publication Date Title
Robert‐Nicoud et al. Model identification of bridges using measurement data
Soman et al. Numerical evaluation of multi-metric data fusion based structural health monitoring of long span bridge structures
Zhou et al. A summary review of correlations between temperatures and vibration properties of long‐span bridges
Sigurdardottir et al. On-site validation of fiber-optic methods for structural health monitoring: Streicker Bridge
Soman et al. Bi‐axial neutral axis tracking for damage detection in wind‐turbine towers
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
CN102034021A (en) Integral and local information fusing method of structure health diagnosis
Hong et al. Comprehensive comparison of macro-strain mode and displacement mode based on different sensing technologies
Park et al. Traffic safety evaluation for railway bridges using expanded multisensor data fusion
Zhang et al. Deflection distribution estimation of tied‐arch bridges using long‐gauge strain measurements
Bergmeister et al. Global monitoring concepts for bridges
Thöns et al. On damage detection system information for structural systems
Hong et al. Condition assessment of reinforced concrete beams using dynamic data measured with distributed long-gage macro-strain sensors
KR101328889B1 (en) Structural health monitoring system based on measured displacement
KR102435166B1 (en) A method of determining the measurement location and location of a structure using a genetic algorithm and AI technology for precise strain-displacement prediction
Li et al. Bridge damage detection from the equivalent damage load by multitype measurements
Iliopoulos et al. Continuous fatigue assessment of an offshore wind turbine using a limited number of vibration sensors
Li et al. Early warning for abnormal cable forces of cable-stayed bridges considering structural temperature changes
CN109781863B (en) Structure corrosion two-stage detection method and system based on rapid vibration test
EP3951344A1 (en) Methods and systems for damage evaluation of structural assets
CN108871221A (en) A kind of bridge monitoring device
KR101458159B1 (en) Apparatus and method for estimation of strain distribution of steel girder subjected to uncertain loads
Valinejadshoubi et al. Structural health monitoring of buildings and infrastructure
CN112883478A (en) Steel structure displacement prediction method and device, terminal equipment and system
Xia et al. Principles and validation of strain gauge shunt design for large dynamic strain measurement

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant