KR20230049962A - Method for estimating chlorine concentration in contrete structures using artificial intelligence - Google Patents

Abstract

A method for estimating the concentration of chlorine included in concrete structures more accurately by using artificial intelligence is disclosed. A method for estimating chlorine concentration according to an embodiment includes the steps of acquiring spectrum data, which is based on light by plasma generated from a target when the target included in a concrete structure is irradiated with a laser; performing pre-processing on the spectrum data; estimating the concentration of chlorine by inputting the pre-processed data into a pre-trained artificial neural network model; and outputting the estimated chlorine concentration.

Description

인공지능을 이용한 콘크리트 구조물의 염소 농도 예측 방법{METHOD FOR ESTIMATING CHLORINE CONCENTRATION IN CONTRETE STRUCTURES USING ARTIFICIAL INTELLIGENCE}Method for predicting chlorine concentration in concrete structures using artificial intelligence

본 발명은 인공지능을 이용한 콘크리트 구조물의 염소 농도 예측 방법에 관한 것이다.The present invention relates to a method for predicting chlorine concentration in a concrete structure using artificial intelligence.

종래에 콘크리트 구조물의 부식, 균열 내지 기타 변형을 확인하기 위하여, 시료 채취와 같은 파괴 검사가 수행될 수 있다. 그러나, 파괴 검사의 경우 콘크리트 구조물로부터 시료를 채취해야 함에 따라 콘크리트 구조물이 손상될 수 있다는 문제점이 있다.Conventionally, in order to check corrosion, cracks, or other deformations of a concrete structure, destructive testing such as sampling may be performed. However, in the case of destructive testing, there is a problem in that the concrete structure may be damaged as a sample must be taken from the concrete structure.

또한, 콘크리트 구조물을 변형을 확인하기 위하여 타음검사, 콘크리트 테스터, 적외선 열 감지등의 비파과 검사도 사용되고 있다. 그러나, 종래의 비파괴 검사는 콘크리트 구조물이 손상되지 않는다는 점에서 피과 검사에 비하여 장점을 갖지만, 정확도가 낮거나 검사 범위가 적은것과 같은 여러 문제점을 가지고 있다.In addition, non-breakthrough tests such as hammering inspection, concrete tester, and infrared heat detection are also used to check the deformation of concrete structures. However, the conventional non-destructive inspection has an advantage over the dermatologic inspection in that the concrete structure is not damaged, but has several problems such as low accuracy or a small inspection range.

이러한 종래의 검사 방식들의 문제점을 해결하기 위하여 최근에는 스펙트럼 분석법을 이용한 콘크리트 구조물의 변형 검사가 이용되고 있으며, 그중에서도 레이저 유도 붕괴 분석법(이하, LIBS: Laser Induced Breakdown Spectroscopy)을 이용한 콘크리트 구조물의 변형 검사에 대한 연구가 진행되고 있다.In order to solve the problems of these conventional inspection methods, recently, the deformation inspection of concrete structures using the spectrum analysis method has been used, and among them, the deformation inspection of concrete structures using Laser Induced Breakdown Spectroscopy (LIBS) research is in progress.

해결하고자 하는 일 과제는 인공지능을 이용하여 콘크리트 구조물에 포함된 염소의 농도를 보다 정확하게 예측하기 위한 방법을 제공하는데에 있다.One task to be solved is to provide a method for more accurately predicting the concentration of chlorine contained in concrete structures using artificial intelligence.

본 출원의 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved in the present application is not limited to the above-described problem, and problems not mentioned will be clearly understood by those skilled in the art from this specification and the accompanying drawings. .

일 실시예에 따른 염소 농도 예측 방법은 스펙트럼 데이터 - 상기 스펙트럼 데이터는 콘크리트 구조물에 포함된 타겟에 레이저가 조사될 경우, 상기 타겟에서 발생되는 플라즈마에 의한 광에 기초함 - 를 획득하는 단계; 상기 스펙트럼 데이터에 대하여 전처리를 수행하는 단계; 상기 전처리된 데이터를 미리 학습된 인공 신경망 모델에 입력하여 염소의 농도를 예측하는 단계; 및 상기 염소의 농도 예측값을 출력하는 단계를 포함할 수 있다.A method for predicting chlorine concentration according to an embodiment includes obtaining spectral data, wherein the spectral data is based on light from plasma generated in the target when a laser is irradiated to a target included in a concrete structure; performing pre-processing on the spectrum data; predicting the concentration of chlorine by inputting the preprocessed data to a pre-learned artificial neural network model; and outputting a predicted value of the chlorine concentration.

본 출원의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The solutions to the problems of the present application are not limited to the above-described solutions, and solutions not mentioned will be clearly understood by those skilled in the art from this specification and the accompanying drawings. You will be able to.

본 출원에 따르면, 인공지능을 이용하여 콘크리트 구조물에 포함된 염소의 농도를 보다 정확하게 예측할 수 있다.According to the present application, it is possible to more accurately predict the concentration of chlorine contained in a concrete structure using artificial intelligence.

본 출원의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.The effects of the present application are not limited to the above-mentioned effects, and effects not mentioned will be clearly understood by those skilled in the art from this specification and the accompanying drawings.

도 1은 일 실시예에 따른 전기장의 적용 여부에 따른 LIBS 신호 강도의 차이를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 염소 농도 예측 장치를 나타낸 블록도이다.
도 3은 일 실시예에 따른 염소 농도 예측 방법을 설명하기 위한 동작 흐름도이다.
도 4는 일 실시예에 따른 인공 신경망 모델을 설명하기 위한 도면이다.1 is a diagram for explaining a difference in LIBS signal strength depending on whether an electric field is applied or not according to an embodiment.
2 is a block diagram illustrating an apparatus for predicting chlorine concentration according to an embodiment.
3 is an operational flowchart for explaining a method for predicting chlorine concentration according to an embodiment.
4 is a diagram for explaining an artificial neural network model according to an exemplary embodiment.

본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분양에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.The embodiments described in this specification are intended to clearly explain the spirit of the present invention to those skilled in the art distribution to which the present invention belongs, so the present invention is not limited to the embodiments described in this specification, and the The scope should be construed to include modifications or variations that do not depart from the spirit of the invention.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 판례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.The terms used in this specification have been selected as general terms that are currently widely used as much as possible in consideration of the functions in the present invention, but these may vary depending on the intention of those skilled in the art, precedents, or the emergence of new technologies to which the present invention belongs. can However, in the case where a specific term is defined and used in an arbitrary meaning, the meaning of the term will be separately described. Therefore, the terms used in this specification should be interpreted based on the actual meaning of the term and the overall content of this specification, not the simple name of the term.

본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.The drawings accompanying this specification are intended to easily explain the present invention, and the shapes shown in the drawings may be exaggerated as necessary to aid understanding of the present invention, so the present invention is not limited by the drawings.

본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.If it is determined that a detailed description of a known configuration or function related to the present invention in this specification may obscure the gist of the present invention, a detailed description thereof will be omitted if necessary.

도 1은 일 실시예에 따른 LIBS 신호 강도와 염소 농도 간의 상관관계를 설명하기 위한 도면이다.1 is a diagram for explaining a correlation between LIBS signal strength and chlorine concentration according to an embodiment.

도 1을 참조하면, 도 1의 그래프는 서로 다른 5가지 농도(0.1%, 0.5%, 1.0%, 5%, 10%)의 NaCl 용액에 대한 LIBS 스펙트럼을 나타낼 수 있다. 그래프의 X축은 파장을 나타내고, Y축은 LIBS 신호 강도를 나타낸다. 또한, 노이즈 대비 신호 강도 비율 (SNR)을 높이고, 재현성을 높이기 위해서 각 농도의 NaCl 용액별로 10회씩 측정되고, 이에 대한 평균값이 계산되어 도 1의 LIBS 스펙트럼이 도출될 수 있다.Referring to FIG. 1, the graph of FIG. 1 may show LIBS spectra for NaCl solutions of five different concentrations (0.1%, 0.5%, 1.0%, 5%, and 10%). The X-axis of the graph represents the wavelength, and the Y-axis represents the LIBS signal strength. In addition, in order to increase the signal intensity ratio (SNR) to noise and improve reproducibility, each NaCl solution of each concentration is measured 10 times, and the average value thereof is calculated to derive the LIBS spectrum of FIG. 1.

LIBS 스펙트럼에서, 염소 (Cl)는 VUV (Vacuum UV) 영역의 134.724nm와 NIR (Near IR) 영역의 837.59nm에서 가장 강한 피크가 나타날 수 있다. 그러나, 134.724nm에 위치한 LIBS 신호 강도의 피크는 대기 중에 대부분 흡수되기 때문에 일반적인 LIBS 장비로는 측정이 불가능하고, 진공 상태에서만 측정이 가능할 수 있다. 이에 따라, 본 명세서에서는 타겟(예를 들어, 콘크리트 구조물의 일부분)의 염소 성분을 검출하기 위하여 NIR 영역의 837.59nm에 위치하는 피크의 LIBS 신호 강도를 측정할 수 있다.In the LIBS spectrum, chlorine (Cl) may show the strongest peaks at 134.724nm in the VUV (Vacuum UV) region and 837.59nm in the NIR (Near IR) region. However, since most of the LIBS signal intensity peak located at 134.724 nm is absorbed in the atmosphere, it is impossible to measure it with general LIBS equipment, and it may be possible to measure it only in a vacuum. Accordingly, in the present specification, the LIBS signal intensity of the peak located at 837.59 nm in the NIR region can be measured in order to detect the chlorine component of the target (eg, part of a concrete structure).

도 1 그래프에서 나타나는 바와 같이, NaCl 용액의 농도, 즉, 염소의 농도가 높아질수록 LIBS 신호 강도가 증가되는 것이 확인될 수 있다. 이에 따라, 염소의 농도와 LIBS 신호의 강도의 대응관계가 있음을 알 수 있다.As shown in the graph of FIG. 1, it can be seen that the LIBS signal intensity increases as the concentration of the NaCl solution, that is, the concentration of chlorine increases. Accordingly, it can be seen that there is a correspondence between the concentration of chlorine and the intensity of the LIBS signal.

또한, 일 실시예에서, NaCl이 포함된 몰탈 샘플에 대해서도 LIBS 신호 측정할 경우에도, 837.59nm에 위치하는 LIBS 신호강도의 피크가 검출될 수 있다. 이에 따라, LIBS 스펙트럼을 활용하여 콘크리트 구조물에 포함된 염소의 농도가 예측될 수 있다.In addition, in one embodiment, even when the LIBS signal is measured for a mortar sample containing NaCl, the peak of the LIBS signal intensity located at 837.59 nm can be detected. Accordingly, the concentration of chlorine contained in the concrete structure can be predicted using the LIBS spectrum.

도 2는 일 실시예에 따른 염소 농도 예측 장치를 나타낸 블록도이다.2 is a block diagram illustrating an apparatus for predicting chlorine concentration according to an embodiment.

도 2를 참조하면, 염소 농도 예측 장치(100)는 스펙트럼 데이터 획득 모듈(110) 및 예측 모듈(120)을 포함할 수 있다.Referring to FIG. 2 , the chlorine concentration prediction device 100 may include a spectrum data acquisition module 110 and a prediction module 120 .

일 실시예에서, 스펙트럼 데이터 획득 모듈(110)은 타겟(예를 들어, 콘크리트 구조물의 일 부분)에 레이저를 조사하여 플라즈마를 형성시키고 그로부터 스펙트럼 데이터를 획득할 수 있다. 또한, 예측 모듈(120)은 스펙트럼 데이터 획득 모듈(110)에서 획득된 스펙트럼 데이터를 기초로 염소의 농도를 예측할 수 있다.In one embodiment, the spectrum data acquisition module 110 may irradiate a laser to a target (eg, a portion of a concrete structure) to form plasma and obtain spectrum data therefrom. Also, the prediction module 120 may predict the concentration of chlorine based on the spectrum data acquired by the spectrum data acquisition module 110 .

스펙트럼 데이터 획득 모듈(110)은 타겟에 레이저를 조사할 수 있다. 레이저를 조사받은 타겟에는 플라즈마 어블레이션(plasma ablation)이 발생할 수 있다. 이때, 플라즈마 어블레이션이 발생한 타겟에는 플라즈마가 형성될 수 있다. 즉, 스펙트럼 데이터 획득 모듈(110)은 타겟에 레이저를 조사함으로써 타겟에 플라즈마 어블레이션을 유도해 플라즈마를 형성할 수 있다.The spectrum data acquisition module 110 may irradiate a laser to a target. Plasma ablation may occur in the target irradiated with the laser. At this time, plasma may be formed in the target where plasma ablation has occurred. That is, the spectrum data acquisition module 110 may induce plasma ablation on the target by irradiating the target with a laser beam to form plasma.

또한, 스펙트럼 데이터 획득 모듈(110)은 타겟으로부터 광을 수집할 수 있다. 여기서, 스펙트럼 데이터 획득 모듈(110)이 수집하는 광은 타겟에서 유발되는 플라즈마 어블레이션으로 인해 발생하는 광을 포함할 수 있다.Also, the spectrum data acquisition module 110 may collect light from the target. Here, the light collected by the spectrum data acquisition module 110 may include light generated due to plasma ablation caused by the target.

또한, 스펙트럼 데이터 획득 모듈(110)은 수집된 광을 분광 분석하여 스펙트럼 데이터를 획득할 수 있다. 여기서, 스펙트럼 데이터는 광이 갖는 스펙트럼에 관한 정보를 포함할 수 있다. 구체적으로, 스펙트럼 데이터는 광의 파장 별 측정되는 세기(intensity)에 관한 데이터를 포함할 수 있다. 여기서, 스펙트럼 데이터는 광이 갖는 스펙트럼을 샘플링하여 수치화시킨 것을 포함할 수 있다. 예를 들어, 스펙트럼 데이터는 일정 시간 동안 스펙트럼 데이터 획득 모듈(110)에서 수집된 광을 분광하여 파장 별로 세기를 측정했을 때, 측정된 광량에 비례하는 세기값들의 집합을 포함할 수 있다. 본 명세서에서 스펙트럼 데이터는 스펙트럼 데이터 획득 모듈(110)이 수집한 광을 분광함에 따라 획득될 수 있으며, 이에 따라 스펙트럼 데이터는 광을 분광하거나 감지하는 구성에 따라 특정 파장 범위를 가질 수 있다. In addition, the spectrum data acquisition module 110 may obtain spectrum data by spectroscopically analyzing the collected light. Here, the spectrum data may include information about a spectrum of light. Specifically, the spectrum data may include data about intensity measured for each wavelength of light. Here, the spectrum data may include sampling and digitizing a spectrum of light. For example, the spectrum data may include a set of intensity values proportional to the amount of light measured when the intensity of light collected by the spectrum data acquisition module 110 is measured for each wavelength by splitting light for a certain period of time. In this specification, the spectrum data may be obtained by splitting the collected light by the spectrum data acquisition module 110, and accordingly, the spectrum data may have a specific wavelength range according to a configuration for splitting or sensing light.

일 실시예에서, 스펙트럼 데이터는 미리 정해진 파장 대역에 관한 광의 세기 정보를 포함하고, 상기 미리 정해진 파장 대역은 레이저 유도 파괴 분광법에 대한 염소의 피크 파장을 포함할 수 있다. 일 예로, 상기 미리 정해진 파장 대역은, 134.724nm를 포함하는 제1 파장 대역 및 837.59nm를 포함하는 제2 파장 대역 중 적어도 하나를 포함할 수 있다. 또한, 상기 제2 파장 대역의 범위는, 그 하한이 800nm보다 크고, 그 상한이 860nm보다 작을 수 있다. 그리고, 상기 스펙트럼 데이터의 획득이 대기 중에서 수행되는 경우, 상기 미리 정해진 파장 대역은 상기 제2 파장 대역일 수 있다.In one embodiment, the spectral data includes light intensity information about a predetermined wavelength band, and the predetermined wavelength band may include a peak wavelength of chlorine for laser induced destruction spectroscopy. For example, the predetermined wavelength band may include at least one of a first wavelength band including 134.724 nm and a second wavelength band including 837.59 nm. In addition, the range of the second wavelength band may have a lower limit greater than 800 nm and an upper limit less than 860 nm. And, when the acquisition of the spectrum data is performed in the air, the predetermined wavelength band may be the second wavelength band.

스펙트럼 데이터 획득 모듈(110)에서 획득된 스펙트럼 데이터는 예측 유닛(120)에서 염소 농도의 예측에 이용될 수 있다.The spectral data acquired by the spectral data acquisition module 110 may be used to predict the chlorine concentration in the prediction unit 120 .

또한, 예측 모듈(120)은 스펙트럼 데이터에 기초하여 염소 농도를 예측 수행할 수 있다. 구체적으로, 예측 모듈(120)은 스펙트럼 데이터 획득 모듈(110)으로부터 스펙트럼 데이터를 획득하고, 스펙트럼 데이터에 기초하여 인공 신경망 모델을 이용하여 염소 농도를 예측할 수 있다.Also, the prediction module 120 may predict the chlorine concentration based on the spectral data. Specifically, the prediction module 120 may obtain spectrum data from the spectrum data acquisition module 110 and predict chlorine concentration using an artificial neural network model based on the spectrum data.

예측 모듈(120)은 염소 농도의 예측을 수행하기 위해 빅데이터, 인공 지능 등의 기술을 이용할 수 있다. 예를 들어, 예측 모듈(120)은 기계 학습된 프로그램을 구동하여 타겟에 대한 염소 농도의 예측을 수행할 수 있다. 이에 대해서는 도 3 및 도 4에서 상세하게 설명한다.The prediction module 120 may use technologies such as big data and artificial intelligence to perform prediction of chlorine concentration. For example, the prediction module 120 may predict the chlorine concentration of a target by driving a machine-learned program. This will be described in detail in FIGS. 3 and 4 .

이상에서 설명한 염소 농도 예측 장치(100)는 물리적으로 단일한 장치로 제공되거나 복수의 장치로 제공될 수 있다. 예를 들어, 염소 농도 예측 장치(100)는 스펙트럼 데이터 획득 모듈(110)과 예측 모듈(120)이 물리적으로 통합된 단일한 장치로 제공될 수 있다. 즉, 염소 농도 예측 장치(100)는 물리적으로 단일한 장치로 구현될 수 있다. 일 예에 따르면, 염소 농도 예측 장치(100)는 스탠드-얼론 형태(stand-alone type)로 구현될 수 있다. 여기서, 스탠드-얼론 형태란 별도의 외부 설비(external equipment) 없이 독자적으로 본 명세서의 일 실시예에 따른 염소 농도 예측 방법 방법을 수행할 수 있는 형태를 의미할 수 있다.The chlorine concentration predicting device 100 described above may be physically provided as a single device or provided as a plurality of devices. For example, the chlorine concentration prediction device 100 may be provided as a single device in which the spectrum data acquisition module 110 and the prediction module 120 are physically integrated. That is, the chlorine concentration predicting device 100 may be physically implemented as a single device. According to one example, the chlorine concentration predicting device 100 may be implemented in a stand-alone type. Here, the stand-alone type may mean a type capable of independently performing the chlorine concentration prediction method according to an embodiment of the present specification without separate external equipment.

다른 예로, 염소 농도 예측 장치(100)는 스펙트럼 데이터 획득 모듈(110)과 예측 모듈(120)이 각각 물리적으로 분리된 별개의 장치로 제공됨에 따라 복수의 장치를 포함하는 시스템으로 구현될 수도 있다. 물론, 염소 농도 예측 장치(100)의 물리적 구현이 상술한 예시로 한정되는 것은 아님에 유의하여야 한다.As another example, the chlorine concentration prediction device 100 may be implemented as a system including a plurality of devices as the spectral data acquisition module 110 and the prediction module 120 are physically separated and provided as separate devices. Of course, it should be noted that the physical implementation of the chlorine concentration predicting device 100 is not limited to the above example.

도 3은 일 실시예에 따른 염소 농도 예측 방법을 설명하기 위한 동작 흐름도이다.3 is an operational flowchart for explaining a method for predicting chlorine concentration according to an embodiment.

도 3을 참조하면, 일 실시예에 따른 염소 농도 예측 방법은 스펙트럼 데이터를 획득하는 단계(S100), 상기 스펙트럼 데이터를 전처리하는 단계(S200), 상기 전처리된 데이터를 인공 신경망 모델에 입력하여 염소의 농도를 예측하는 단계(S300) 및 상기 염소의 농도 예측값을 출력하는 단계(S400)를 포함할 수 있다.Referring to FIG. 3, the chlorine concentration prediction method according to an embodiment includes obtaining spectral data (S100), pre-processing the spectral data (S200), and inputting the pre-processed data to an artificial neural network model to determine the concentration of chlorine. It may include predicting the concentration (S300) and outputting the predicted concentration value of the chlorine (S400).

단계 S100에서, 예측 모듈은 전술한 스펙트럼 데이터 획득 모듈로부터 스펙트럼 데이터를 획득할 수 있다. 이에 대해서는 도 2에서 설명한 사항이 적용될 수 있으므로, 상세한 설명은 생략한다.In step S100, the prediction module may acquire spectrum data from the aforementioned spectrum data acquisition module. Since the details described in FIG. 2 may be applied to this, a detailed description thereof will be omitted.

또한, 단계 S200에서, 예측 모듈은 정규화, 표준화, PCA 등의 방법을 통하여 스펙트럼 데이터에 대하여 전처리를 수행할 수 있다. 일 실시예에서, 예측 모듈은 개별 스펙트럼 데이터에 대하여 정규화를 수행하여 스펙트럼 데이터와 노이즈 간의 강도 차이를 보정할 수 있다.In addition, in step S200, the prediction module may perform preprocessing on the spectrum data through normalization, standardization, PCA, and the like. In one embodiment, the prediction module may correct the intensity difference between the spectral data and noise by performing normalization on individual spectral data.

또한, 스펙트럼 데이터는 서로 다른 분광기로부터 획득될 수 있다. 예측 모듈은 보간(Interpolation)을 이용하여 서로 다른 분광기에서 측정된 스펙트럼 데이터 간의 차이를 제거할 수 있다. 이외에도 단계 S200에서 다양한 전처리 방법이 수행될 수 있다.Also, spectral data may be acquired from different spectrometers. The prediction module may remove differences between spectral data measured by different spectrometers using interpolation. In addition, various preprocessing methods may be performed in step S200.

또한, 단계 S300에서, 예측 모듈은 전처리된 데이터를 미리 학습된 인공 신경망 모델과 비교하여 염소의 농도를 예측할 수 있다. 인공 신경망 모델에 대해서는 도 4를 이용하여 함께 설명한다.In addition, in step S300, the prediction module may predict the concentration of chlorine by comparing the preprocessed data with a pre-learned artificial neural network model. The artificial neural network model will be described together using FIG. 4 .

도 4는 일 실시예에 따른 인공 신경망 모델을 설명하기 위한 도면이다.4 is a diagram for explaining an artificial neural network model according to an exemplary embodiment.

도 4를 참조하면, 인공 신경망 모델(200)은 입력층(210), 은닉층(220) 및 출력층(230)을 포함할 수 있다.Referring to FIG. 4 , the artificial neural network model 200 may include an input layer 210 , a hidden layer 220 and an output layer 230 .

인공 신경망 모델(200)은 ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network) 및 RNN(Recurrent Neural Network) 등 다양한 알고리즘을 통해 도출될 수 있다. 설명의 편의를 위하여 본 명세서에서는 DNN 기반의 인공 신경망 모델(200)을 중심으로 설명하지만, 이에 한정되지 않는다.The artificial neural network model 200 may be derived through various algorithms such as an artificial neural network (ANN), a deep neural network (DNN), a convolution neural network (CNN), and a recurrent neural network (RNN). For convenience of description, in this specification, the DNN-based artificial neural network model 200 is mainly described, but is not limited thereto.

일 실시예에서, 입력층(210)에 전처리된 스펙트럼 데이터가 입력될 수 있다. 일 예로, 입력층에 입력되는 스펙트럼 데이터는 파장 800nm 내지 860nm의 구간에 대응되는 데이터로 구성될 수 있다. 또한, 입력층에 입력되는 스펙트럼 데이터는 미리 정해진 파장 대역에 포함되는 파장값들 별 광의 세기값을 포함할 수 있다. 또한, 입력층에 포함되는 노드의 개수는 입력되는 스펙트럼 데이터의 차원의 수와 대응될 수 있다.In one embodiment, preprocessed spectral data may be input to the input layer 210 . For example, the spectrum data input to the input layer may include data corresponding to a wavelength range of 800 nm to 860 nm. In addition, the spectrum data input to the input layer may include intensity values of light for each wavelength value included in a predetermined wavelength band. Also, the number of nodes included in the input layer may correspond to the number of dimensions of the input spectrum data.

또한, 입력층(210)에서 출력되는 데이터는 은닉측(220)에 입력될 수 있다. 일 예로, 은닉층(220)는 2개 이상일 수 있고, 활성함수는 ReLU일 수 있다.Also, data output from the input layer 210 may be input to the hidden side 220 . For example, the number of hidden layers 220 may be two or more, and the activation function may be ReLU.

또한, 은닉층(220)에서 출력되는 데이터를 출력층(230)에 입력될 수 있고, 출력층(230)에서 염소의 농도 예측값이 출력될 수 있다. 일 예로, 출력층(230)은 노드가 1개이고, 활성함수가 Sigmoid일 수 있다.In addition, data output from the hidden layer 220 may be input to the output layer 230 , and a chlorine concentration prediction value may be output from the output layer 230 . For example, the output layer 230 may have one node and an activation function of sigmoid.

다시 도 3을 참조하면, 단계 S400에서, 예측 모듈은 인공 신경망 모델의 출력되는 염소의 농도 예측값을 획득할 수 있다. 이에 따라, 예측 모듈은 인공 신경망 모델을 이용함으로써 스펙트럼 데이터를 기초로 보다 정확한 염소의 농도 예측값을 획득할 수 있다.Referring back to FIG. 3 , in step S400, the prediction module may obtain a predicted value of chlorine concentration output from the artificial neural network model. Accordingly, the prediction module may obtain a more accurate chlorine concentration prediction value based on the spectral data by using an artificial neural network model.

본 명세서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따 른 전자 장치를 포함할 수 있다. 상기 명령이 프로세서에의 해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소 들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.Various embodiments of the present specification may be implemented as software including instructions stored in a storage medium readable by a machine (eg, a computer). The machine may receive instructions stored from the storage medium. A device capable of calling and operating according to the called command, which may include an electronic device according to the disclosed embodiments When the command is executed by a processor, the processor directly or under the control of the processor A function corresponding to the command may be performed using components. A command may include a code generated or executed by a compiler or an interpreter. A storage medium readable by a device may be a non-transitory ) Can be provided in the form of a storage medium Here, 'non-temporary storage medium' does not contain signals and only means that it is tangible, but does not differentiate between semi-permanent or temporary storage of data in the storage medium. For example, 'non-temporary storage medium' may include a buffer in which data is temporarily stored.

일실시예에 따르면, 본 명세서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예로, 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시적으로 저장되거나, 임시적으로 생성될 수 있다.According to one embodiment, the method according to various embodiments disclosed in this specification may be included in a computer program product and provided. Computer program products may be traded between sellers and buyers as commodities. The computer program product may be distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)) or online through an application store (eg Play Store™). In the case of online distribution, at least a part of a computer program product (eg, a downloadable app) is at least temporarily stored in a storage medium such as a memory of a manufacturer's server, an application store server, or a relay server, can be created temporarily.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, those skilled in the art can make various modifications and variations from the above description. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims (9)

염소 농도 예측 방법에 있어서,
스펙트럼 데이터 - 상기 스펙트럼 데이터는 콘크리트 구조물에 포함된 타겟에 레이저가 조사될 경우, 상기 타겟에서 발생되는 플라즈마에 의한 광에 기초함 - 를 획득하는 단계;
상기 스펙트럼 데이터에 대하여 전처리를 수행하는 단계;
상기 전처리된 데이터를 미리 학습된 인공 신경망 모델에 입력하여 염소의 농도를 예측하는 단계; 및
상기 염소의 농도 예측값을 출력하는 단계
를 포함하는,
염소 농도 예측 방법.
In the chlorine concentration prediction method,
Obtaining spectral data - the spectral data is based on light by plasma generated from the target when laser is irradiated on the target included in the concrete structure;
performing pre-processing on the spectrum data;
predicting the concentration of chlorine by inputting the preprocessed data to a pre-learned artificial neural network model; and
Outputting the predicted value of the chlorine concentration
including,
Chlorine Concentration Prediction Method.
제1항에 있어서,
상기 스펙트럼 데이터는 미리 정해진 파장 대역에 관한 광의 세기 정보를 포함하고, 상기 미리 정해진 파장 대역은 레이저 유도 파괴 분광법에 대한 염소의 피크 파장을 포함하는,
염소 농도 예측 방법.
According to claim 1,
The spectral data includes light intensity information about a predetermined wavelength band, and the predetermined wavelength band includes a peak wavelength of chlorine for laser induced destruction spectroscopy.
Chlorine Concentration Prediction Method.
제2항에 있어서,
상기 미리 정해진 파장 대역은, 134.724nm를 포함하는 제1 파장 대역 및 837.59nm를 포함하는 제2 파장 대역 중 적어도 하나를 포함하는,
염소 농도 예측 방법.
According to claim 2,
The predetermined wavelength band includes at least one of a first wavelength band including 134.724 nm and a second wavelength band including 837.59 nm,
Chlorine Concentration Prediction Method.
제3항에 있어서,
상기 제2 파장 대역의 범위는, 그 하한이 800nm보다 크고, 그 상한이 860nm보다 작은,
염소 농도 예측 방법.
According to claim 3,
The range of the second wavelength band has a lower limit greater than 800 nm and an upper limit smaller than 860 nm,
Chlorine Concentration Prediction Method.
제3항에 있어서,
상기 스펙트럼 데이터를 획득하는 단계가 대기 중에서 수행되는 경우, 상기 미리 정해진 파장 대역은 제2 파장 대역인 것을 특징으로 하는,
염소 농도 예측 방법.
According to claim 3,
Characterized in that, when the obtaining of the spectrum data is performed in the air, the predetermined wavelength band is a second wavelength band.
Chlorine Concentration Prediction Method.
제2항에 있어서,
상기 예측하는 단계에서, 상기 인공 신경망 모델에는 상기 미리 정해진 파장 대역에 포함되는 파장값들 별 광의 세기값이 입력되는,
염소 농도 예측 방법.
According to claim 2,
In the predicting step, the intensity value of light for each wavelength value included in the predetermined wavelength band is input to the artificial neural network model.
Chlorine Concentration Prediction Method.
콘크리트 구조물에 포함된 타겟에 레이저를 조사하고, 상기 레이저가 조사된 타겟에서 발생하는 플라즈마에 의한 광에 기초하는 스펙트럼 데이터를 획득하는 스펙트럼 데이터 획득 모듈; 및
상기 스펙트럼 데이터에 대하여 전처리를 수행하고, 상기 전처리된 데이터를 미리 학습된 인공 신경망 모델에 입력하여 염소의 농도를 예측하고, 상기 염소의 농도 예측값을 출력하는 예측 모듈을 포함하는,
염소 농도 예측 장치.
a spectral data acquisition module that irradiates a laser to a target included in a concrete structure and acquires spectrum data based on light from plasma generated from the target to which the laser is irradiated; and
A prediction module that performs preprocessing on the spectral data, inputs the preprocessed data to a pre-learned artificial neural network model to predict the concentration of chlorine, and outputs the predicted concentration of chlorine,
Chlorine concentration predictor.
제7항에 있어서,
상기 스펙트럼 데이터는 837.59nm를 포함하는 미리 정해진 파장 대역의 파장값들 별 광의 세기값을 포함하는,
염소 농도 예측 장치.
According to claim 7,
The spectrum data includes light intensity values for each wavelength value of a predetermined wavelength band including 837.59 nm.
Chlorine concentration predictor.
제8항에 있어서,
상기 미리 정해진 파장 대역의 범위는, 그 하한이 800nm보다 크고, 그 상한이 860nm보다 작은,
염소 농도 예측 장치.According to claim 8,
The range of the predetermined wavelength band has a lower limit greater than 800 nm and an upper limit less than 860 nm,
Chlorine concentration predictor.

Images