KR20230119483A - Prediction and simulation system of wave overtopping and method thereof - Google Patents
Prediction and simulation system of wave overtopping and method thereof Download PDFInfo
- Publication number
- KR20230119483A KR20230119483A KR1020220015696A KR20220015696A KR20230119483A KR 20230119483 A KR20230119483 A KR 20230119483A KR 1020220015696 A KR1020220015696 A KR 1020220015696A KR 20220015696 A KR20220015696 A KR 20220015696A KR 20230119483 A KR20230119483 A KR 20230119483A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- coastal
- coast
- wave
- overwater
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009118 appropriate response Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011521 glass Chemical group 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Revetment (AREA)
Abstract
본 발명의 실시 예는 연안 재해 중 월파를 모니터링하고 예측하여 월파로 인한 피해를 최소화할 수 있도록 해양 구조물의 구조적 특징과 연안의 변화 정보를 통해 월파를 예측할 수 있는 시뮬레이션 시스템 및 방법을 제공한다. Embodiments of the present invention provide a simulation system and method capable of predicting overcoming waves through structural characteristics of marine structures and coastal change information so as to minimize damage due to overcoming waves by monitoring and predicting overcoming waves during coastal disasters.
Description
본 발명은 연안 재해 중 월파를 모니터링하고 예측하여 월파로 인한 피해를 최소화할 수 있도록 하는 월파 예측 시뮬레이션 시스템 및 이를 이용한 예측 방법에 관한 것이다. The present invention relates to an overwater prediction simulation system and a prediction method using the same for minimizing damage caused by overwaves by monitoring and predicting overwaves during coastal disasters.
이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다. The contents described below are only described for the purpose of providing background information related to an embodiment of the present invention, and the contents described do not naturally constitute prior art.
최근 지구 온난화 등에 따른 환경 변화에 따라 과거의 기후 환경이 점차로 변화되고 있으며, 이에 따라 전 세계적으로 기상 이변이 나타나고 있다. Recently, the climate environment of the past is gradually changing due to environmental changes caused by global warming, etc., and accordingly, extreme weather events are appearing all over the world.
이에 따른 재난 및 재해 형태가 점차 다양화되고 그 피해 규모 또한 증가됨에 따라 재난 및 재해를 예방하고자 하는 예측 시스템이 요구되고 있다. Accordingly, as the types of disasters and disasters gradually diversify and the scale of damage increases, a prediction system for preventing disasters and disasters is required.
이러한 재해 시스템에 대한 예측은 주로 집중호우나 폭풍을 동반한 폭우 등에 대한 산사태, 도로 침수 등에 대한 것이 주를 이루고 있으며, 해양 재난에 대한 주의는 미미한 실정이다. Predictions for these disaster systems are mainly about landslides and flooding of roads due to heavy rain accompanied by torrential rain or storms, and attention to marine disasters is insignificant.
다만 해양 재난에 관련된 기술로는 크루즈선과 같이 내부 구조가 복잡한 대형 구조물에 화재, 침수, 폭발, 붕괴, 전복 등의 사고가 발생할 경우 대응하도록 하는 관제 시스템으로 국내 특허공개공보 제2009-0129662호 "위치인식 및 센서네트워크 기반 능동형 비상관제 시스템"에 관련 기술이 기재되어 있다. However, technology related to marine disasters is a control system that responds to accidents such as fire, flooding, explosion, collapse, and capsize in large structures with complex internal structures such as cruise ships. Recognition and sensor network-based active non-correlation system" is described in related technology.
또한, 국내 특허공개공보 제2007-0017835호 "이동 통신망을 이용한 지진/해일 경보 시스템 및 그 방법"에 따르면 지진 및 해일 발생을 알리는 기술이 기재되어 있다. In addition, according to Korean Patent Publication No. 2007-0017835 "Earthquake/tsunami warning system using mobile communication network and its method", a technique for notifying the occurrence of an earthquake and tsunami is described.
그러나 이러한 기재된 발명을 통해서는 실시간으로 해양 재난 위험을 판단할 수 있는 가시화 자료를 제공하지 못하고, 판단자에 따라 다르게 판단하거나 잘못 판단하여 그 결과가 전혀 달라지게 될 수 있는 문제점이 있어, 해양재난에 대해 효과적으로 대응할 수 없다는 한계가 있다. However, through this described invention, there is a problem in that it is not possible to provide visualization data that can judge the risk of marine disasters in real time, and the result may be completely different due to different or incorrect judgments depending on the judge. There is a limit to the ability to respond effectively to
더욱이, 종래 기술을 통해서는 해안 연안에 설치된 해양 구조물에 의해 발생하는 재난을 예측하고, 예측된 재난에 따른 적절한 대응을 실행하는데 한계가 있었다. Moreover, the prior art had limitations in predicting disasters caused by offshore structures installed along the coast and implementing appropriate responses according to the predicted disasters.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.The foregoing background art is technical information that the inventor possessed for derivation of the present invention or acquired during the derivation process of the present invention, and cannot necessarily be said to be known art disclosed to the general public prior to filing the present invention.
본 발명의 실시 예는 연안에 설치된 해양 구조물의 구조적 특징을 이용하여 연안에서 발생 가능한 재해를 예측할 수 있는 월파 예측 시뮬레이션 시스템 및 이를 이용한 예측 방법을 제공하는 것이다. An embodiment of the present invention is to provide a wave overrun prediction simulation system capable of predicting disasters that may occur in the coast using structural characteristics of offshore structures installed in the coast, and a prediction method using the same.
또한, 본 발명의 실시예는 연안 변화에 기초하여 월파와 같은 해양 재해를 실시간으로 확인할 수 있는 월파 예측 시뮬레이션 시스템 및 이를 이용한 예측 방법을 제공하는 것이다. In addition, an embodiment of the present invention is to provide an overwater prediction simulation system capable of checking marine disasters such as overwater in real time based on coastal changes, and a prediction method using the same.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.The object of the present invention is not limited to the above-mentioned tasks, and other objects and advantages of the present invention not mentioned above can be understood by the following description and will be more clearly understood by the embodiments of the present invention. It will also be seen that the objects and advantages of the present invention may be realized by means of the instrumentalities and combinations indicated in the claims.
본 발명의 실시 예에 따른 각 단계의 적어도 일부가 프로세서에 의해 수행되고, 연안에 설치된 해양 구조물 및 상기 연안의 지형 정보 중 적어도 하나의 정보에 대한 연안 정보를 수집하고, 수집된 상기 연안 정보를 기반으로 상기 연안에 발생하는 월파를 예측하도록 훈련된 월파 예측 모델에 상기 연안 정보를 입력하여 상기 연안에 월파를 예측하며, 상기 연안 정보를 수집 시, 상기 해양 구조물의 형태 및 기하학적 특징, 상기 해양 구조물 표면의 거칠기 계수 및 상기 연안 침식을 방지하기 위한 호안의 높이 중 어느 하나를 포함하는 구조물 정보 및 상기 연안에 발생하는 평균 파고, 상기 해양 구조물과 인접한 해수면 깊이, 상기 연안에 입사하는 파도의 입사 각도와 수심, 상기 연안에 입사하는 파도의 주기를 나타내는 파형의 경사 및 상기 연안의 기 설정된 기준면에서 해면을 측정한 높이 중 어느 하나를 포함하는 연안 변화 정보를 수집하는 과정을 포함할 수 있다. At least a part of each step according to an embodiment of the present invention is performed by a processor, collects coastal information about at least one of information on a marine structure installed on a coast and topographical information on the coast, and based on the collected coastal information. The coastal information is input to the overcoming wave prediction model trained to predict the overcoming wave occurring on the coast to predict the overcoming wave on the coast, and when the coastal information is collected, the shape and geometrical characteristics of the offshore structure, the surface of the offshore structure Structure information including any one of a roughness coefficient and a height of a revetment for preventing coastal erosion, an average wave height generated on the coast, a sea surface depth adjacent to the offshore structure, an incident angle and water depth of waves incident on the coast , and collecting coastal change information including any one of a slope of a waveform representing a period of a wave incident on the coast and a height measured from a predetermined reference surface of the coast.
본 발명의 실시예에 있어서, 상기 연안 변화 정보가 일정한 경우, 상기 구조물 정보의 변화에 따라 월파 특징이 변화할 수 있다. In an embodiment of the present invention, when the coast change information is constant, the characteristics of overwaves may change according to changes in the structure information.
본 발명의 실시예에 있어서, 상기 구조물 정보는 상기 해양 구조물이 경사제 구조물 및 직립제 구조물 중 어느 하나의 구조인지를 판단할 수 있다. In an embodiment of the present invention, the structure information may determine whether the offshore structure is any one of an inclined structure and an upright structure.
본 발명의 실시예에 있어서, 연안 변화 정보는 시간의 순서로 획득하고, 상기 구조물 정보 및 시간의 순서로 획득한 상기 연안 변화 정보는 월파를 예측하기 위한 머신 러닝 기반의 학습 모델일 수 있다. In an embodiment of the present invention, coastal change information is obtained in chronological order, and the structure information and the coastal change information obtained in chronological order may be a machine learning-based learning model for predicting overcrowding.
본 발명의 실시예에 있어서, 상기 구조물 정보 및 상기 연안 변화 정보를 기반으로 월파를 시뮬레이션할 수 있다. In an embodiment of the present invention, an overpass may be simulated based on the structure information and the coastal change information.
본 발명의 실시예에 있어서, 상기 월파 예측 모델은, 상기 연안 변화 정보와 기 설정된 상기 해양 구조물의 형태 및 기하학적 특징을 기준으로 기 설정된 시간 동안 파도가 상기 해양 구조물에 충돌하여 발생한 상기 월파 특징을 분석한 분석값일 수 있다. In an embodiment of the present invention, the overturning wave prediction model analyzes the characteristics of the overturning wave generated when a wave collides with the offshore structure for a preset time based on the coastal change information and the preset shape and geometrical characteristics of the offshore structure. It may be an analysis value.
본 발명의 실시예에 있어서, 상기 연안 변화 정보는 국립지리원에서 제공하는 GIS 정보를 기반하여 추출할 수 있다. In an embodiment of the present invention, the coastal change information may be extracted based on GIS information provided by the National Geographic Office.
본 발명의 실시예에 따른 연안 변화에 기초하여 월파를 예측하는 시스템은, 프로세서 및 상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고, 상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가 연안에 설치된 해양 구조물 및 상기 연안의 지형 정보 중 적어도 하나의 정보에 대한 연안 정보를 수집하고, 수집된 상기 연안 정보를 기반으로 상기 연안에 발생하는 월파를 예측하도록 훈련된 월파 예측 모델에 상기 연안 정보를 입력하여 상기 연안에 월파를 예측하되, 상기 연안 정보를 수집 시, 상기 해양 구조물의 형태 및 기하학적 특징, 상기 해양 구조물 표면의 거칠기 계수 및 상기 연안 침식을 방지하기 위한 호안의 높이 중 어느 하나를 포함하는 구조물 정보 및 상기 연안에 발생하는 평균 파고, 상기 해양 구조물과 인접한 해수면 깊이, 상기 연안에 입사하는 파도의 입사 각도와 수심, 상기 연안에 입사하는 파도의 주기를 나타내는 파형의 경사 및 상기 연안의 기 설정된 기준면에서 해면을 측정한 높이 중 어느 하나를 포함하는 연안 변화 정보를 수집하기 위한 코드들을 저장할 수 있다. A system for predicting overcrowding based on coastal change according to an embodiment of the present invention includes a processor and a memory electrically connected to the processor and storing at least one code executed by the processor, wherein the When the memory is executed by the processor, the processor collects coastal information about at least one of marine structures installed on the coast and topographical information of the coast, and based on the collected coastal information, the overturning waves generated in the coast are detected. The coastal information is input to the overpassing wave prediction model trained to predict the overpassing wave on the coast, and when the coastal information is collected, the shape and geometrical characteristics of the offshore structure, the roughness coefficient of the surface of the offshore structure, and the coastal erosion are calculated. Structure information including any one of the height of the revetment to prevent and the average wave height generated on the coast, the depth of the sea surface adjacent to the offshore structure, the incident angle and water depth of waves incident on the coast, and the number of waves incident on the coast Codes for collecting coastal change information including any one of a slope of a waveform indicating a period and a height measured from the sea level at a predetermined reference surface of the coast may be stored.
전술한 것 외의 다른 측면, 특징, 및 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.Other aspects, features, and advantages other than those described above will become apparent from the following drawings, claims, and detailed description of the invention.
본 발명의 실시 예는 연안의 변화에 따라 연안에 설치된 해양 구조물의 구조적 특징 및 형태에 따라 연안에 발생하는 월파의 특징을 추출할 수 있다. 즉, 연안에 설치된 해양 구조물(예: 방파제)의 구조에 따라 발생하는 월파의 특징을 추출하고, 추출된 월파의 특징을 학습 데이터로 훈련하여 연안에서 발생 가능한 월파를 추정할 수 있도록 한다. Embodiments of the present invention can extract characteristics of overwaves occurring in the coast according to the structural characteristics and shapes of offshore structures installed in the coast according to changes in the coast. That is, the characteristics of overwaves generated according to the structure of marine structures (eg, breakwaters) installed in the coast are extracted, and the characteristics of the extracted overwaves are trained as learning data to estimate overwaves that may occur along the coast.
또한, 해양 구조물 구조에 따라 발생하는 월파 특징을 입력하여 연안에서 발생 가능한 월파의 크기, 시점 등을 예측할 수 있다. 예측된 월파의 크기 및 시점 등을 기반으로 발생 가능한 재해에 대응하는 재해 예방방법을 제공할 수 있다. In addition, it is possible to predict the size and timing of overwaves that may occur along the coast by inputting characteristics of overwaves generated according to the structure of offshore structures. It is possible to provide a disaster prevention method for responding to a disaster that may occur based on the size and timing of the predicted overturning wave.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 실시 예에 따른 월파 예측 시뮬레이션 시스템을 개략적으로 나타낸 도면이다.
도 2는 도 1의 월파 예측 시뮬레이션 시스템의 서버 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시 예에 따른 월파 예측 시뮬레이션 시스템을 이용하여 월파를 예측하는 과정을 실시예를 도시한 도면이다.
도 4 및 도 5는 본 발명의 실시 예에 따라 해양 구조물의 구조적 특징에 따라 발생 가능한 월파를 예측한 실시예를 도시한 도면이다.
도 6 및 도 7은 본 발명의 실시예에 따른 월파 예측 시뮬레이션 시스템을 이용하여 예측한 월파를 가시화한 도면이다.
도 8은 본 발명의 실시 예에 따른 월파 예측 과정을 개략적으로 도시한 순서도이다. 1 is a diagram schematically showing an overcoming wave prediction simulation system according to an embodiment of the present invention.
Figure 2 is a block diagram showing the server configuration of the overpass prediction simulation system of Figure 1.
3 is a diagram illustrating an embodiment of a process of predicting an overcoming wave using an overpass prediction simulation system according to an embodiment of the present invention.
4 and 5 are diagrams illustrating an example of predicting a wave overturning that may occur according to structural characteristics of an offshore structure according to an embodiment of the present invention.
6 and 7 are diagrams visualizing overwaves predicted using the overwave prediction simulation system according to an embodiment of the present invention.
8 is a flowchart schematically illustrating a process for predicting overcoming waves according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 명세서에 발명된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 발명된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 발명된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 발명된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 발명된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the embodiments invented in this specification will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numerals regardless of reference numerals, and redundant description thereof will be omitted. The suffixes "module" and "unit" for components used in the following description are given or used together in consideration of ease of writing the specification, and do not have meanings or roles that are distinct from each other by themselves. In addition, when it is determined that detailed descriptions of related known technologies may obscure the gist of the embodiments disclosed in this specification in describing the embodiments disclosed herein, the detailed descriptions thereof will be omitted. In addition, the accompanying drawings are only for making it easy to understand the embodiments invented in this specification, and the technical ideas invented in this specification are not limited by the accompanying drawings, and are included in the spirit and technical scope of the present invention. It should be understood to include all modifications, equivalents or substitutes.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms including ordinal numbers, such as first and second, may be used to describe various components, but the components are not limited by the terms. These terms are only used for the purpose of distinguishing one component from another.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.Expressions in the singular number include plural expressions unless the context clearly dictates otherwise.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In this application, terms such as "comprise" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.
도 1은 본 발명의 실시 예에 따른 월파 예측 시뮬레이션 시스템을 개략적으로 나타낸 도면이다. 1 is a diagram schematically showing an overcoming wave prediction simulation system according to an embodiment of the present invention.
도 1을 참고하면, 월파 예측 시뮬레이션 시스템(10)은 연안에서 발생하는 변화인 해양 구조물의 구조적 특징, 해안선 위치 변화, 태풍과 같은 자연 재해 등의 정보를 수집하고 수집된 정보를 기반으로 연안에서 발생 가능한 월파를 예측할 수 있는 시스템이다. Referring to FIG. 1, the overpass prediction simulation system 10 collects information such as structural characteristics of marine structures, changes in coastline location, and natural disasters such as typhoons, which are changes that occur along the coast, and based on the collected information, occurs along the coast. It is a system that can predict possible overhang waves.
본 발명의 실시 예들에 있어서, 월파 예측 시뮬레이션 시스템(10)은 연안 근방에서 발생한 태풍과 같은 자연 재해를 관측하고, 연안에 설치된 해양 구조물(예: 방파제)의 구조적 특징을 추출하여 발생할 수 있는 월파의 크기, 규모 등을 예측하고 이에 대한 대응 방안을 수립할 수 있도록 한다. In embodiments of the present invention, the overpass prediction simulation system 10 observes natural disasters such as typhoons occurring near the coast, extracts structural features of marine structures (eg breakwaters) installed on the coast, and calculates It helps to predict the size, scale, etc., and establish countermeasures for it.
실시 예의 월파 예측 시뮬레이션 시스템(10)은 촬영장치(100) 및 서버(200)가 네트워크(300)에 의해 서로 통신 연결되어 있다. In the overpass prediction simulation system 10 of the embodiment, the photographing device 100 and the
월파 예측 시뮬레이션 시스템(10)을 통해 월파를 예측하기 위해서 연안에 설치된 해양 구조물을 구조적 특징, 연안 침식을 방지하기 위한 호안의 높이 등에 대한 구조물 정보와 연안 해안선의 변화, 연안 및 해양 구조물의 파손/변형된 정도 및 재해 등에 대한 연안 변화 정보를 수집할 수 있다. In order to predict overcoming waves through the overpass prediction simulation system 10, structural features of marine structures installed on the coast, structural information on the height of revetments to prevent coastal erosion, changes in coastal shorelines, and damage/deformation of coastal and offshore structures It is possible to collect coastal change information on the degree of damage and disasters.
구체적으로 구조물 정보는 월파를 예측하는 작업자가 직접 수집하거나 촬영장치(100)에서 촬영한 영상을 통해 수집할 수 있으며, 연안 변화 정보는 촬영장치(100)를 통해 수집할 수 있다. In detail, structure information may be directly collected by a worker who predicts overcrowding or may be collected through an image captured by the photographing device 100, and coastal change information may be collected through the photographing device 100.
수집된 정보는 서버(200)로 전송되고, 전송된 정보는 단말(50)로 송신될 수 있다. 이때, 단말(50)로 송신되는 정보는 연안에서 발생 가능한 월파에 대한 정보가 될 수 있다. 단말(50)에서 월파에 대한 정보를 가시화할 수 있도록 서버(200)로 전송되는 연안에 대한 정보는 월파를 예측할 수 있는 데이터로 사용될 수 있다. The collected information is transmitted to the
즉, 서버(200)는 촬영장치(100)로 촬영된 연안에 설치된 해양 구조물을 구조적 특징, 연안 해안선의 변화, 연안 및 해양 구조물의 파손/변형된 정도 및 재해 등에 대한 정보를 통해 연안에서 발생할 수 있는 월파의 규모, 크기 등을 추정할 수 있다. 추정된 월파의 규모, 크기 등에 대한 정보는 단말(50)을 통해 가시화되어 단말(50) 사용자는 실제 발생할 수 있는 재해에 대한 위험성을 인지할 수 있다. That is, the
또한, 월파를 가시화하기 위해서는 연안에 대한 기본 정보가 서버(200)에 기 저장될 수 있다. 서버(200)에 저장되는 연안 정보는 연안에 설치된 해양 구조물을 구조적 특징, 연안 해안선의 변화, 연안 및 해양 구조물의 파손/변형된 정도 및 재해 이외에 해양에 관련된 데이터 및 기상 데이터 등과, 해안 지리 정보, 수중 생물 정보 등을 포함할 수 있다. 서버(200)에 저장되는 해양 정보는 국립지리원에서 제공하는 상기 해양 영역의 GIS 정보를 기반하여 추출할 수 있다. 다만, 본 명세서 상에 기재되지 않더라도 해양에 관련된 해안 및 수중 정보는 상기 해양 정보에 포함되도록 구현될 수 있다.In addition, basic information about the coast may be pre-stored in the
한편, 월파를 예측하기 위해서 서버(200)에 각종 인공지능 알고리즘을 적용할 수 있다. 이를 위해, 서버(200)는 빅 데이터 및 해양 정보를 제공하는 데이터베이스 서버일 수 있다.On the other hand, various artificial intelligence algorithms may be applied to the
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다. Here, artificial intelligence (AI) is a field of computer science and information technology that studies how to enable computers to do thinking, learning, and self-development that can be done with human intelligence. It can mean allowing you to imitate intelligent behavior.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.Also, artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science. In particular, in modern times, attempts to introduce artificial intelligence elements in various fields of information technology and use them to solve problems in those fields are being actively made.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.Machine learning is a branch of artificial intelligence that can include areas of study that give computers the ability to learn without being explicitly programmed. Specifically, machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, makes predictions, and improves its own performance, as well as algorithms for it. Algorithms in machine learning can take the form of building specific models to derive predictions or decisions based on input data, rather than executing rigidly defined static program instructions.
한편, 월파를 가시화하는 방법으로는 예를 들어 MR(Mixed Reality) 서비스 및/또는 AR(Augmented Reality)/VR(Virtual Reality) 등의 기술을 이용할 수 있다. On the other hand, as a method of visualizing the overworld wave, for example, technologies such as MR (Mixed Reality) service and/or AR (Augmented Reality)/VR (Virtual Reality) may be used.
MR이란 현실 세계에 가상 현실이 접목되어 현실의 물리적 객체와 가상 객체가 상호 작용할 수 있는 환경을 말한다. MR은 현실을 기반으로 가상 정보를 부가하는 증강 현실(AR, Augmented Reality)과 가상 환경에 현실 정보를 부가하는 증강 가상(AV, Augmented Virtuality)의 의미를 포함할 수 있다. 즉, 현실과 가상이 자연스럽게 연결된 스마트 환경을 제공할 수 있다.MR refers to an environment in which virtual reality is grafted onto the real world so that physical and virtual objects in the real world can interact. MR may include augmented reality (AR) that adds virtual information based on reality and augmented virtuality (AV) that adds reality information to a virtual environment. In other words, it is possible to provide a smart environment in which the real and the virtual are naturally connected.
또한, VR이란 어떤 특정 환경이나 상황을 컴퓨터로 만들어서 그것을 사용하는 사람이 마치 실제 주변 상황, 환경과 상호 작용을 하고 있는 것처럼 만들어 주는 인간 및 컴퓨터 간의 인터페이스를 말한다.In addition, VR refers to an interface between humans and computers that creates a certain environment or situation as a computer and makes it as if a person using it is interacting with a real surrounding situation or environment.
추가적으로 AR이란 가상 현실(VR)이 아닌 현실세계 기반으로 3차원 가상 이미지를 겹쳐서 하나의 영상으로 보이는 증강 현실 기술을 말한다.In addition, AR refers to augmented reality technology that overlaps three-dimensional virtual images based on the real world, rather than virtual reality (VR), to look as one image.
이와 같이 월파를 가시화하는 단말(50)은 예를 들어 MR(Mixed Reality) 또는 AR/VR 기반으로 디스플레이 할 수 있는 HMD 디스플레이(50A), 어느 하나의 어플리케이션을 통해 디스플레이 하도록 휴대 단말기(50B) 및 안경 형태로 VR 영상을 제공하는 스마트 글래스(50C) 중 어느 하나가 될 수 있다.The terminal 50 that visualizes the overworld wave in this way is, for example, an HMD display 50A capable of displaying based on MR (Mixed Reality) or AR / VR, a portable terminal 50B and glasses to display through any one application It may be any one of the smart glasses 50C providing VR images in the form of.
서버(200)에 연안에 대한 정보와 연안에 설치된 해양 구조물에 대한 구조적 특징 등에 대한 정보를 제공하는 촬영장치(100)는 예를 들어 RTK 드론을 기반하는 무인 비행체(100A), 3D 스캔이 가능한 3D 촬영장치(100B) 및 360도 회전하며 촬영 가능한 VR 카메라(100C) 중 어느 하나일 수 있다. The photographing device 100, which provides the
이와 같은 촬영장치(100) 통해 연안 전체를 촬영함에 따라 연안의 단면적인 이미지가 아닌 항공사진 또는 인공위성 등의 영상정보 등에 대하여 높이의 차이나 기울어짐 등 지형 기복에 의한 기하학적 왜곡을 보정하고 모든 물체를 수직으로 내려다보았을 때의 모습으로 변환한 영상으로 일정한 규격으로 집성하여 좌표 및 주기 등을 기입한 영상지도인 2D 정사영상, 3차원의 점으로 표시된 포인트 클라우드(Point Cloud) 이미지, VR 파노라마 이미지, 3D 이미지 등의 다양한 이미지를 획득할 수 있다. As the entire coast is photographed through such a photographing device 100, geometric distortion due to topographic relief, such as height difference or tilt, is corrected for aerial photographs or image information such as artificial satellites, rather than cross-sectional images of the coast, and all objects are displayed vertically. 2D orthoimage, which is an image map in which coordinates and cycles are written and aggregated to a certain standard with images converted to the appearance when viewed from above, 3D point cloud image displayed as dots, VR panoramic image, 3D image You can acquire various images such as
네트워크(300)는 촬영장치(100)와 서버(200)를 연결할 수 있으며, 다양한 무선 네트워크, 근거리 및/또는 원거리 통신 중 어느 하나로 구성될 수 있지만 네트워크(300)의 종류에 의해 본 발명이 제한되는 것은 아니다. The network 300 may connect the photographing device 100 and the
도 2는 도 1의 월파 예측 시뮬레이션 시스템의 서버 구성을 나타낸 블록도이고, 도 3은 본 발명의 실시 예에 따른 월파 예측 시뮬레이션 시스템을 이용하여 월파를 예측하는 과정을 실시예를 도시한 도면이다. 2 is a block diagram showing the server configuration of the overpass prediction simulation system of FIG. 1, and FIG. 3 is a diagram showing an embodiment of a process of predicting an overpass using the overpass prediction simulation system according to an embodiment of the present invention.
도 2를 참고하면 월파 예측 시뮬레이션 시스템(10)의 서버(200)는 학습 결과로서 월파를 예측하기 위한 인공지능 모델을 훈련 시키는데 필요한 학습용 데이터와 각종 인공 지능 알고리즘과 관련된 컴퓨터 프로그램, 예를 들어 API, 데이터 워크플로우(data workflows) 등을 포함할 수 있다. Referring to FIG. 2, the
또한, 서버(200)는 월파를 예측하기 위한 학습에 필요한 학습용 데이터를 사용자 로그 데이터 형태로 수집하고 수집된 학습용 데이터를 이용하여 직접 훈련시킨 인공지능 모델을 포함할 수 있다. In addition, the
인공신경망을 포함하는 서버(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.The
이러한 서버(200)는 통신부(Communication Unit, 210), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 220), 및 프로세서(Processor, 250) 등을 포함할 수 있다. The
통신부(210)는 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.The communication unit 210 may transmit/receive data with other devices through wired/wireless communication or an interface.
메모리(230)는 모델 저장부(231) 등을 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(140)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망_231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 학습된 모델 또는 학습 전 모델을 포함하는 학습 모델은 인공 신경망 기반, 포레스트 모델 기반 등 특별히 그 종류를 한정하지 않는다.The memory 230 may include a model storage unit 231 and the like. The model storage unit 231 stores a model being learned or learned through the learning processor 140 (or artificial neural network_231a), and when the model is updated through learning, the updated model is stored. A learning model including a learned model or a pre-learning model is not particularly limited in type, such as an artificial neural network based model or a forest model based model.
러닝 프로세서(220)는 학습 데이터를 이용하여 학습 모델을 학습시킬 수 있다. 학습 모델은 서버(200)나 다르게는 촬영장치(100)에 탑재된 상태에서 이용될 수 있다. The learning processor 220 may train a learning model using training data. The learning model may be used while being mounted in the
도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다The artificial
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.The artificial
러닝 프로세서(220)는 훈련 데이터 또는 트레이닝 셋(training set) 을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.The learning processor 220 may train (or learn) the artificial
러닝 프로세서(220)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.The learning processor 220 directly acquires preprocessed input data obtained by the processor 260 through the input unit 220 to learn the artificial
구체적으로, 러닝 프로세서(220)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다Specifically, the learning processor 220 may determine optimized model parameters of the artificial
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.In this specification, an artificial neural network whose parameters are determined by learning using training data may be referred to as a learning model or a trained model.
본 발명의 학습 모델은 머신 러닝을 기반하는 시간의 순서로 획득한 연안 변화 정보를 통해 연안 변화를 추정할 수 있는 모델이고, 구조물 정보와 연안 변화 정보를 통해 파도가 해양 구조물에 충돌하여 발생한 월파 특징을 분석한 분석값을 훈련 데이터로 하여 훈련할 수 있다. The learning model of the present invention is a model capable of estimating coastal change through coastal change information obtained in the order of time based on machine learning. It is possible to train by using the analyzed value as training data.
이와 같이 인공 신경망을 이용하여 월파를 예측하는 과정은 도 3의 (A)에 도시된 바와 같이, 월파 예측 모델에 적용하는 연안 변화 정보 및 구조물 정보를 수집할 수 있다(도 3의 ① 및 ② 참고). As such, in the process of predicting an overpass using an artificial neural network, as shown in (A) of FIG. 3, coastal change information and structure information applied to the overpass prediction model can be collected (see ① and ② in FIG. 3). ).
구체적으로 서버(200)는 구조물 정보를 수집할 수 있다. 구조물 정보란, 해양 구조물의 구조적 특징인 형태나 기하학적 특징, 해양 구조물 표면의 거칠기 계수 및 연안 침식을 방지하기 위한 호안의 높이 등을 포함하는 구조물 정보에 대한 정보라고 할 수 있다. 이러한 구조물 정보는 월파를 예측하는 작업자가 기 입력하거나 촬영장치(100)를 통해 촬영된 영상 정보를 기반으로 추출하여 입력할 수 있다. Specifically, the
또한, 서버(200)는 연안 변화 정보를 수집할 수 있다. 연안 변화 정보란, 서버(200)는 해양 구조물과 인접한 해수면의 깊이, 평균 파고, 연안에 입사하는 파도의 입사 각도나 수심, 주기 등에 대한 정보라고 할 수 있다. 이러한 연안 정보는 촬영장치(100)를 통해 수집할 수 있으며, 기 설정된 시간마다 수집하여 시간의 흐름에 따라 연안 전반의 변화를 추정할 수 있다. Also, the
이러한 연안 변화 정보는 시간의 흐름에 대한 연안의 변화를 수집한 값을 기초로 생성할 수 있다. 예컨대, 연안 변화는 매년 연안에 설치된 해양 구조물 정보, 해안선 변화 정보, 연안에 유출입되는 표사의 변화, 이로 인한 평균 파고, 연안에 입사하는 파도의 입사 각도나 수심, 주기 등을 기초로 생성할 수 있다. Such coastal change information may be generated based on values obtained by collecting coastal changes over time. For example, coastal change can be generated based on marine structure information installed on the coast every year, coastline change information, changes in drift flowing into and out of the coast, resulting average wave height, incident angle, water depth, and period of waves incident on the coast. .
또한, 연안 변화 정보는 미리 설정된 기간보다 짧은 기간, 예컨대 7일마다 추가 연안 지형 정보를 수집하도록 하여 데이터를 보간할 수 있도록 설정될 수도 있다. In addition, coastal change information may be set to interpolate data by collecting additional coastal terrain information for a period shorter than a preset period, for example, every 7 days.
더불어, 서버(200)는 연안에서 발생한 자연 재해 정보를 수집할 수도 있다. 자연 재해란, 태풍과 같은 재해이고, 발생한 재해에 따른 월파 크기 및 규모 등을 예측하도록 한다. In addition, the
이렇게 수집된 구조물 정보와 연안 변화 정보는 3D GIS(geographic information system)로 구축하고, 구축한 3D GIS에 누적된 연안 재해 정보를 매칭시킬 수 있다(도 3의 ③ 참고). Structure information and coastal change information collected in this way can be constructed as a 3D GIS (geographic information system) and matched with coastal disaster information accumulated in the constructed 3D GIS (see ③ in FIG. 3).
즉, 시간 순서대로 변화하는 연안 변화와 해양 구조물의 구조적 특징과 연안 재해(예: 월파)를 매칭시켜 구조물의 구조적 특징과 시간 흐름에 대한 연안 변화에 따른 월파의 규모, 양상 등을 예측할 수 있다(도 3의 (B), (C) 참고). In other words, by matching coastal changes that change in chronological order with structural characteristics of marine structures and coastal disasters (e.g., overwater), it is possible to predict the structural characteristics of structures and the scale and aspect of overwaves according to coastal changes over time ( See (B) and (C) of FIG. 3).
예측된 월파의 규모 및 양상 등은 이를 가상화하여 단말(50)을 통해 시뮬레이션할 수 있다. 예를 들어 2005년부터 2020년까지 연안 변화 정보와 연안에 설치된 해양 구조물(예: 방파제)의 구조적 정보를 수집할 수 있다. 이때, 해양 구조물의 구조적 정보를 수집할 때, 해양 구조물이 경사제 구조물인지 직립제 구조물인지를 판단할 수 있다. The scale and aspect of the predicted wave overpass can be simulated through the terminal 50 by virtualizing it. For example, from 2005 to 2020, coastal change information and structural information of offshore structures (eg breakwaters) installed on the coast can be collected. At this time, when the structural information of the offshore structure is collected, it may be determined whether the offshore structure is an inclined structure or an upright structure.
수집된 정보를 기반으로 해양 구조물의 특징과 연안 변화에 따라 월파의 규모, 양상 등의 월파 특징을 검출할 수 있다. 검출된 월파 특징에 기초하여 조사된 해양 구조물의 구조물 정보와 연안 변화 정보를 기반하여 발생 가능한 월파를 예측하고, 예측된 월파를 시뮬레이션할 수 있다. 또한, 발생 가능한 월파를 예측함으로써, 이에 대한 대응 체계를 수립할 수도 있다. Based on the collected information, it is possible to detect the characteristics of overwaves, such as the size and shape of overwaves, according to the characteristics of marine structures and coastal changes. Based on the detected feature of the overturning wave, it is possible to predict a possible overturning wave based on the structure information of the investigated marine structure and coastal change information, and simulate the predicted overturning wave. In addition, by predicting possible waves overcoming, a response system may be established.
프로세서(250)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The
프로세서(250)는 통신부(210)를 통해 수신한 연안 변화 정보와 구조물 정보를 학습모델을 적용하여 발생 가능한 월파를 예측할 수 있다. The
도 4 및 도 5는 본 발명의 실시 예에 따라 해양 구조물의 구조적 특징에 따라 발생 가능한 월파를 예측한 실시예를 도시한 도면이다. 4 and 5 are diagrams illustrating an example of predicting a wave overturning that may occur according to structural characteristics of an offshore structure according to an embodiment of the present invention.
도면의 설명에 앞서, 해양 연안은 다양한 지형으로 형성되어 있으며, 그에 대응한 해양 구조물이 방파제와 호안의 크기나 높이 등이 다르게 설계될 수 있다. 구체적으로 해양 구조물인 방파제의 경우 경사구조의 구조물과 직립 구조의 구조물 중 어느 하나의 구조물로 설치될 수 있다. Prior to the description of the drawing, the marine coast is formed in various topography, and the marine structure corresponding thereto may be designed with different sizes or heights of breakwaters and revetments. Specifically, in the case of a breakwater, which is an offshore structure, it may be installed as any one of a structure of an inclined structure and a structure of an upright structure.
이러한 사실을 기반하여 도면을 참고하여 직립 구조와 경사 구조의 연안의 변화 정보가 동일하다는 가정하여 해양 구조물의 구조적 차이에 따라 월파의 형태가 다르게 나타나는 것을 알 수 있다. Based on this fact, referring to the drawing, it can be seen that the shape of the overturning wave appears differently according to the structural difference of the offshore structure assuming that the change information of the coast of the upright structure and the inclined structure is the same.
즉, 도 4에 도시된 바와 같이 해양 구조물이 경사 구조인 경우, 방파제의 구조가 기울어 형성되어 있기 때문에 해양 구조물의 경사도에 영향 받을 뿐 높이나 너비에 영향 받지 않는다. 따라서, 해양 구조물이 경사 구조인 경우 발생하는 월파의 크기는 1초당 96.594L의 규모로 발생할 수 있다.That is, as shown in FIG. 4 , when the offshore structure has an inclined structure, the breakwater is not affected by the height or width of the offshore structure because the structure of the breakwater is tilted. Accordingly, when the offshore structure is an inclined structure, the size of the wave overturning may occur at a scale of 96.594 L per second.
이에 반하여 도 5에 도시된 바와 같이 해양 구조물이 직립 구조인 경우 방파제의 너비나 높이에 따라 월파의 크기가 변경될 수 있다. 또한, 해양 구조물이 직립 형태이므로 입사하는 파도의 파형에 기울기가 발생할 수 있고, 이로 인한 월파의 크기도 변화될 수 있다. 구체적으로 해양 구조물이 직립 구조인 경우 발생하는 월파의 크기는 1초당 260.270L의 규모로 발생하는 것을 알 수 있다. On the other hand, as shown in FIG. 5, when the offshore structure has an upright structure, the size of the overpass may be changed according to the width or height of the breakwater. In addition, since the offshore structure is in an upright shape, a gradient may occur in the waveform of the incident wave, and thus the size of the overturning wave may change. Specifically, it can be seen that when the offshore structure is an upright structure, the size of the overturning wave occurs at a scale of 260.270L per second.
이러한 월파 규모 측정 과정은 매트랩(matlab) 파일을 이용하여 산출할 수 있으며, 매트랩 파일에 입력하는 자료는 앞서 서버(200)에 저장되는 구조물 정보 및 연안 변화 정보가 될 수 있다. This overpass scale measurement process can be calculated using a matlab file, and data input to the matlab file can be structure information and coastal change information previously stored in the
여기서, 월파의 규모를 결정하는 조건은 해양 구조물의 구조적 특징 이외에, 평균 파고, 구조물 표면의 거칠기 계수, 입사하는 파도의 각도크기, 조위, 호안 높이, 입사파 수심, 구조물 앞 수심 및 파형 경사도 등 다양한 조건에 의해 월파의 규모를 결정할 수 있다. Here, the conditions determining the size of the overturning wave include, in addition to the structural characteristics of the offshore structure, various factors such as the average wave height, the roughness coefficient of the surface of the structure, the angular size of the incident wave, the tidal level, the height of the revetment, the depth of the incident wave, the depth in front of the structure, and the wave slope. The size of the overhang can be determined by the conditions.
도 6 및 도 7은 본 발명의 실시예에 따른 월파 예측 시뮬레이션 시스템을 이용하여 예측한 월파를 가시화한 도면이다.6 and 7 are diagrams visualizing overwaves predicted using the overwave prediction simulation system according to an embodiment of the present invention.
구체적으로 도 6은 월파 예측 시뮬레이션 시스템(10)에 의해 예측된 월파에 따라 해양 구조물의 위험도를 나타낸다. 즉, 월파란 파도의 처오름에 의하여 바닷물이 방파제나 방조제를 넘는 현상을 의미한다. 따라서, 해양 구조물에 인접한 월파의 위험도가 바다측의 월파보다 높게 나타나게 된다. 이러한 특징을 위험도에 따른 색의 변화 등을 이용하여 가시화함에 따라 월파의 위험도를 알릴 수 있다. Specifically, FIG. 6 shows the degree of risk of marine structures according to the overpasses predicted by the overpassing simulation system 10 . In other words, wolpa means a phenomenon in which seawater exceeds a breakwater or seawall due to the rise of waves. Therefore, the risk of overcoming waves adjacent to offshore structures is higher than that of overcoming waves on the sea side. As these characteristics are visualized using a change in color according to the degree of danger, the degree of danger of overwave can be informed.
또한, 도 7에 도시된 바와 같이 예측된 월파의 규모를 3D화하여 실제 월파가 발생한 것과 유사한 영상을 시뮬레이션할 수 있다. 시뮬레이션된 월파를 단말(50)을 통해 확인할 수 있으며, 시뮬레이션된 월파의 위험도를 체험할 수 있게 된다. In addition, as shown in FIG. 7, it is possible to simulate an image similar to that of an actual overover wave by 3Dizing the scale of the predicted overover wave. The simulated overpass can be confirmed through the terminal 50, and the danger of the simulated overpass can be experienced.
도 8은 본 발명의 실시 예에 따른 월파 예측 과정을 개략적으로 도시한 순서도이다. 8 is a flowchart schematically illustrating a process of predicting overcoming waves according to an embodiment of the present invention.
도면을 참고하면, 본 발명의 실시 예에 따른 월파 예측 방법은 촬영장치(100)를 통해 연안의 변화 정보를 수집하고, 별도의 장치나 촬영장치(100)를 통해 해양 구조물의 구조적 정보를 수집할 수 있다(S110).Referring to the drawing, in the method of predicting overturning waves according to an embodiment of the present invention, coastal change information is collected through the photographing device 100, and structural information of marine structures is collected through a separate device or the photographing device 100. It can (S110).
수집된 연안 변화 정보와 구조물 정보를 머신 러닝 기반의 학습 모델에 입력하여 연안 변화를 추정하고 구조물 특징을 수치적으로 해석할 수 있다(S120_S122, S124). The collected coastal change information and structure information may be input to a machine learning-based learning model to estimate coastal change and numerically analyze structural features (S120_S122, S124).
실시 예에서 구조물 수치 해석이란, 해양 구조물의 구조적 특징인 형태나 기하학적 특징, 해양 구조물 표면의 거칠기 계수 및 연안 침식을 방지하기 위한 호안의 높이 등이 월파의 규모나 양상에 미치는 영향을 해석하는 것을 의미할 수 있다. Numerical analysis of structures in the embodiment means analyzing the effect of the shape or geometrical characteristics of marine structures, the roughness coefficient of the surface of marine structures, and the height of revetments to prevent coastal erosion on the scale or aspect of overcrowding. can do.
또한, 연안 변화 추정이란, 시간에 따라 연안의 변화를 추정할 수 있도록 연안 지형, 연안에 설치된 해양 구조물 등에 따라 해안선 변화, 연안에 발생한 재해에 대한 학습 데이터를 생성하고, 생성된 학습 데이터로 학습 모델을 훈련하는 것을 의미할 수 있다. In addition, coastal change estimation is to generate learning data for changes in the coastline and disasters occurring along the coast according to the coastal topography and marine structures installed on the coast so as to estimate the change of the coast over time, and use the generated learning data to create a learning model. can mean training.
연안 변화를 추정하고 구조물 특징을 수치적으로 해석할 때(S120), 학습 모델에서 출력한 값을 기 설정된 연안에서 발생한 월파 특징과 비교할 수 있다. 재해 정보는 연안 지형에 따라 발생한 월파의 크기, 양상 및 이외의 월파의 특징을 나타낸 것이다. When estimating coastal changes and numerically interpreting structural features (S120), values output from the learning model may be compared with characteristics of overturning waves generated in a preset coast. Disaster information shows the size, pattern, and other characteristics of overwater waves generated according to the coastal topography.
실시 예에서 학습 모델에서 출력한 값에 대응되는 월파 특징을 출력할 수 있다. 출력된 월파 특징을 기초로 연안 변화와 해양 구조물의 구조적 특징에 따른 월파를 예측할 수 있다(S130).In an embodiment, overwave characteristics corresponding to values output from the learning model may be output. Based on the output characteristics of the overturning wave, it is possible to predict the overwave according to the coastal change and the structural characteristics of the marine structure (S130).
이와 같이, 연안에 설치된 해양 구조물의 구조적 특징 및 형태에 따라 연안에 발생하는 월파의 특징을 추출할 수 있다. 즉, 연안에 설치된 해양 구조물(예: 방파제)의 구조에 따라 발생하는 월파의 특징을 추출하고, 추출된 월파의 특징을 학습 데이터로 훈련하여 연안에서 발생 가능한 월파를 추정할 수 있도록 한다. In this way, it is possible to extract the characteristics of the wave overturning occurring in the coast according to the structural characteristics and shapes of the offshore structures installed in the coast. That is, the characteristics of overwaves generated according to the structure of marine structures (eg, breakwaters) installed in the coast are extracted, and the characteristics of the extracted overwaves are trained as learning data to estimate overwaves that may occur along the coast.
또한, 해양 구조물 구조에 따라 발생하는 월파 특징을 입력하여 연안에서 발생 가능한 월파의 크기, 시점 등을 예측할 수 있다. 예측된 월파의 크기 및 시점 등을 기반으로 발생 가능한 재해에 대응하는 재해 예방방법을 제공할 수 있다. In addition, it is possible to predict the size and timing of overwaves that may occur along the coast by inputting characteristics of overwaves generated according to the structure of offshore structures. It is possible to provide a disaster prevention method for responding to a disaster that may occur based on the size and timing of the predicted overturning wave.
이상 설명된 본 발명의 실시 예에 대한 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the embodiments of the present invention described above is for illustrative purposes, and those skilled in the art can easily modify them into other specific forms without changing the technical spirit or essential features of the present invention. you will understand that Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the above detailed description, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof should be construed as being included in the scope of the present invention.
Claims (13)
연안에 설치된 해양 구조물 및 상기 연안의 지형 정보 중 적어도 하나의 정보에 대한 연안 정보를 수집하는 단계; 및
수집된 상기 연안 정보를 기반으로 상기 연안에 발생하는 월파를 예측하도록 훈련된 월파 예측 모델에 상기 연안 정보를 입력하여 상기 연안에 월파를 예측하는 단계를 포함하고,
상기 연안 정보를 수집하는 단계는,
상기 해양 구조물의 형태 및 기하학적 특징, 상기 해양 구조물 표면의 거칠기 계수 및 상기 연안 침식을 방지하기 위한 호안의 높이 중 어느 하나를 포함하는 구조물 정보를 수집하는 단계, 및
상기 연안에 발생하는 평균 파고, 상기 해양 구조물과 인접한 해수면 깊이, 상기 연안에 입사하는 파도의 입사 각도와 수심, 상기 연안에 입사하는 파도의 주기를 나타내는 파형의 경사 및 상기 연안의 기 설정된 기준면에서 해면을 측정한 높이 중 어느 하나를 포함하는 연안 변화 정보를 수집하는 단계를 포함하는,
월파 예측 방법.
A method of predicting overcoming waves based on coastal changes, wherein at least part of each step is performed by a processor,
Collecting coastal information about at least one of marine structures installed on the coast and topographical information of the coast; and
Predicting an overpass on the coast by inputting the coast information into a wave overturn prediction model trained to predict an overpass occurring on the coast based on the collected coast information;
The step of collecting the coastal information,
Collecting structure information including any one of the shape and geometric characteristics of the offshore structure, the roughness coefficient of the surface of the offshore structure, and the height of the revetment for preventing coastal erosion; and
The average wave height generated on the coast, the depth of the sea level adjacent to the offshore structure, the incident angle and water depth of the wave incident on the coast, the slope of the waveform representing the period of the wave incident on the coast, and the sea level at the preset reference plane of the coast. Including the step of collecting coastal change information including any one of the measured heights,
Overwater prediction method.
상기 연안 변화 정보가 일정한 경우, 상기 구조물 정보의 변화에 따라 월파 특징이 변화하는,
월파 예측 방법.
According to claim 1,
When the coastal change information is constant, the characteristics of the overturning wave change according to the change of the structure information.
Overwater prediction method.
상기 구조물 정보를 수집하는 단계는,
상기 해양 구조물이 경사제 구조물 및 직립제 구조물 중 어느 하나의 구조인지를 판단하는 단계를 포함하는,
월파 예측 방법.
According to claim 1,
The step of collecting the structure information,
Including the step of determining whether the offshore structure is any one of an inclined structure and an upright structure,
Overwater prediction method.
상기 연안 변화 정보를 수집하는 단계는, 시간의 순서로 획득하는 단계를 포함하고,
상기 구조물 정보 및 시간의 순서로 획득한 상기 연안 변화 정보는 월파를 예측하기 위한 머신 러닝 기반의 학습 모델인,
월파 예측 방법.
According to claim 1,
Collecting the coastal change information includes obtaining in chronological order,
The structure information and the coastal change information obtained in the order of time are a machine learning-based learning model for predicting overcrowding,
Overwater prediction method.
상기 구조물 정보 및 상기 연안 변화 정보를 기반으로 월파를 시뮬레이션하는 단계를 더 포함하는,
월파 예측 방법.
According to claim 4,
Further comprising the step of simulating an overpass based on the structure information and the coastal change information.
Overwater prediction method.
상기 월파 예측 모델은,
상기 연안 변화 정보와 기 설정된 상기 해양 구조물의 형태 및 기하학적 특징을 기준으로 기 설정된 시간 동안 파도가 상기 해양 구조물에 충돌하여 발생한 상기 월파 특징을 분석한 분석값인,
월파 예측 방법.
According to claim 4,
The overpass prediction model,
An analysis value obtained by analyzing the characteristics of the overturning wave generated when a wave collides with the marine structure for a predetermined time based on the coastal change information and the predetermined shape and geometrical characteristics of the marine structure,
Overwater prediction method.
상기 연안 변화 정보를 수집하는 단계는,
국립지리원에서 제공하는 GIS 정보를 기반하여 추출하는 단계를 포함하는,
월파 예측 방법.
According to claim 1,
Collecting the coastal change information,
Including the step of extracting based on the GIS information provided by the National Geographic Institute,
Overwater prediction method.
프로세서; 및
상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
연안에 설치된 해양 구조물 및 상기 연안의 지형 정보 중 적어도 하나의 정보에 대한 연안 정보를 수집하고, 수집된 상기 연안 정보를 기반으로 상기 연안에 발생하는 월파를 예측하도록 훈련된 월파 예측 모델에 상기 연안 정보를 입력하여 상기 연안에 월파를 예측하되, 상기 연안 정보를 수집 시, 상기 해양 구조물의 형태 및 기하학적 특징, 상기 해양 구조물 표면의 거칠기 계수 및 상기 연안 침식을 방지하기 위한 호안의 높이 중 어느 하나를 포함하는 구조물 정보 및 상기 연안에 발생하는 평균 파고, 상기 해양 구조물과 인접한 해수면 깊이, 상기 연안에 입사하는 파도의 입사 각도와 수심, 상기 연안에 입사하는 파도의 주기를 나타내는 파형의 경사 및 상기 연안의 기 설정된 기준면에서 해면을 측정한 높이 중 어느 하나를 포함하는 연안 변화 정보를 수집하기 위한 코드들을 저장하는,
월파 예측 시뮬레이션 시스템.
As a simulation system for predicting overturning based on coastal changes,
processor; and
A memory electrically connected to the processor and storing at least one code executed by the processor;
When the memory is executed by the processor, the processor
Coastal information for at least one of a marine structure installed on the coast and topographical information of the coast is collected, and the coastal information is applied to an overpass prediction model trained to predict an oversea wave occurring in the coast based on the collected coast information. to predict a wave over the coast, but including any one of the shape and geometrical characteristics of the offshore structure, the roughness coefficient of the surface of the offshore structure, and the height of the revetment for preventing coastal erosion when the coastal information is collected. structure information and the average wave height generated on the coast, the depth of sea surface adjacent to the offshore structure, the incident angle and water depth of the wave incident on the coast, the slope of the waveform representing the period of the wave incident on the coast, and the base of the coast Storing codes for collecting coastal change information including any one of the heights measured from the set reference surface to the sea level,
Overwater prediction simulation system.
상기 연안 변화 정보가 일정한 경우, 상기 구조물 정보의 변화에 따라 월파 특징이 변화하는,
월파 예측 시뮬레이션 시스템.
According to claim 8,
When the coastal change information is constant, the characteristics of the overturning wave change according to the change of the structure information.
Overwater prediction simulation system.
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
상기 구조물 정보를 수집 시, 상기 해양 구조물이 경사제 구조물 및 직립제 구조물 중 어느 하나의 구조인지를 판단하기 위한 코드들을 저장하는,
월파 예측 시뮬레이션 시스템.
According to claim 8,
When the memory is executed by the processor, the processor
When collecting the structure information, storing codes for determining whether the offshore structure is any one of an inclined structure and an upright structure,
Overwater prediction simulation system.
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
상기 연안 변화 정보를 시간의 순서로 획득하고, 상기 구조물 정보 및 시간의 순서로 획득한 상기 연안 변화 정보는 월파를 예측하기 위한 머신 러닝 기반의 학습 모델인,
월파 예측 시뮬레이션 시스템.
According to claim 8,
When the memory is executed by the processor, the processor
The coastal change information is obtained in the order of time, and the structure information and the coastal change information obtained in the order of time are a machine learning-based learning model for predicting overcrowding,
Overwater prediction simulation system.
상기 구조물 정보 및 상기 연안 변화 정보를 기반으로 월파를 시뮬레이션하기 위한 코드들을 더 저장하는,
월파 예측 시뮬레이션 시스템.
According to claim 11,
Further storing codes for simulating overwaves based on the structure information and the coastal change information,
Overwater prediction simulation system.
상기 월파 예측 모델은,
상기 연안 변화 정보와 기 설정된 상기 해양 구조물의 형태 및 기하학적 특징을 기준으로 기 설정된 시간 동안 파도가 상기 해양 구조물에 충돌하여 발생한 상기 월파 특징을 분석한 분석값인,
월파 예측 시뮬레이션 시스템. According to claim 11,
The overpass prediction model,
An analysis value obtained by analyzing the characteristics of the overturning wave generated when a wave collides with the marine structure for a predetermined time based on the coastal change information and the predetermined shape and geometrical characteristics of the marine structure,
Overwater prediction simulation system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220015696A KR102626957B1 (en) | 2022-02-07 | 2022-02-07 | Prediction and simulation system of wave overtopping and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220015696A KR102626957B1 (en) | 2022-02-07 | 2022-02-07 | Prediction and simulation system of wave overtopping and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230119483A true KR20230119483A (en) | 2023-08-16 |
| KR102626957B1 KR102626957B1 (en) | 2024-01-17 |
Family
ID=87848569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220015696A KR102626957B1 (en) | 2022-02-07 | 2022-02-07 | Prediction and simulation system of wave overtopping and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102626957B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230175137A (en) * | 2023-11-20 | 2023-12-29 | (주)해양정보기술 | System and method for risk assessment of wave overtopping |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070017835A (en) | 2005-08-08 | 2007-02-13 | 엘지전자 주식회사 | A system and method for alarming earthquake/earthquake sea wave using mobile communication network |
| KR101006461B1 (en) | 2008-06-13 | 2011-01-06 | 한국해양연구원 | Active Emergency Control System Based on Real Time Location System and Sensor Network |
| KR101934283B1 (en) * | 2018-05-29 | 2019-01-02 | 대한민국(기상청장) | Method of predicting total water level considering shore's characteristics classified into multiple categories and server using the same |
| KR20190064894A (en) * | 2017-12-01 | 2019-06-11 | 군산대학교산학협력단 | Flooding forecasting system and method |
| KR20190131829A (en) * | 2018-05-17 | 2019-11-27 | (주)미래해양 | Smart wave alarm system and operating method thereof |
| KR102323563B1 (en) * | 2020-12-30 | 2021-11-09 | (주)해양정보기술 | Method and system for predicting wave overtopping |
-
2022
- 2022-02-07 KR KR1020220015696A patent/KR102626957B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070017835A (en) | 2005-08-08 | 2007-02-13 | 엘지전자 주식회사 | A system and method for alarming earthquake/earthquake sea wave using mobile communication network |
| KR101006461B1 (en) | 2008-06-13 | 2011-01-06 | 한국해양연구원 | Active Emergency Control System Based on Real Time Location System and Sensor Network |
| KR20190064894A (en) * | 2017-12-01 | 2019-06-11 | 군산대학교산학협력단 | Flooding forecasting system and method |
| KR20190131829A (en) * | 2018-05-17 | 2019-11-27 | (주)미래해양 | Smart wave alarm system and operating method thereof |
| KR101934283B1 (en) * | 2018-05-29 | 2019-01-02 | 대한민국(기상청장) | Method of predicting total water level considering shore's characteristics classified into multiple categories and server using the same |
| KR102323563B1 (en) * | 2020-12-30 | 2021-11-09 | (주)해양정보기술 | Method and system for predicting wave overtopping |
Non-Patent Citations (1)
| Title |
|---|
| 김창겸 외 2인, ‘심층신경망(DNN) 기법을 이용한 월파량 산정’, 한국연안방재학회지(2021.10.30.) 1부.* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230175137A (en) * | 2023-11-20 | 2023-12-29 | (주)해양정보기술 | System and method for risk assessment of wave overtopping |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102626957B1 (en) | 2024-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101942058B1 (en) | Simulation method of sea level rise flooding using Computational Fluid Dynamics and ocean characteristics | |
| Casella et al. | Study of wave runup using numerical models and low-altitude aerial photogrammetry: A tool for coastal management | |
| Hackl et al. | Use of unmanned aerial vehicle photogrammetry to obtain topographical information to improve bridge risk assessment | |
| Pender et al. | Use of computer models of flood inundation to facilitate communication in flood risk management | |
| Muhari et al. | Examination of three practical run-up models for assessing tsunami impact on highly populated areas | |
| Mukoyama | Estimation of ground deformation caused by the earthquake (M7. 2) in Japan, 2008, from the geomorphic image analysis of high resolution LiDAR DEMs | |
| KR20210117243A (en) | Analysis method of corrosion and accumulation in coastal region using time series drone image | |
| Schumann et al. | ROC‐based calibration of flood inundation models | |
| KR20160117766A (en) | Predicting and managing system of marine disasters thorugh analysing ocean information | |
| Gallien et al. | A parcel-scale coastal flood forecasting prototype for a Southern California urbanized embayment | |
| CN112132144A (en) | Unmanned aerial vehicle air line ground collision risk assessment method based on remote sensing image | |
| CN109147026A (en) | Method and system for constructing situation of dam break accident and emergency drilling method | |
| KR102626957B1 (en) | Prediction and simulation system of wave overtopping and method thereof | |
| Zhang et al. | A 3d visualization system for hurricane storm-surge flooding | |
| JP6146731B2 (en) | Coordinate correction apparatus, coordinate correction program, and coordinate correction method | |
| US20240153264A1 (en) | Inundation and overflow prediction system using drone images and artificial intelligence | |
| Medeiros et al. | A Random Forest model based on lidar and field measurements for parameterizing surface roughness in coastal modeling | |
| Zhang et al. | Three-dimensional waterway system for ship navigation based on integrated virtual waterway and flow simulation | |
| CN111260714B (en) | Flood disaster recovery assessment method, device and equipment and computer storage medium | |
| KR101527806B1 (en) | System and Method for Searching Detour route and Calculating Shortest distance using three dimensional information | |
| JP5780413B2 (en) | Deposit amount estimation method, deposit amount estimation diagram, and deposit amount estimation program | |
| Neumann et al. | Comparing the" bathtub method" with Mike 21 HD flow model for modelling storm surge inundation | |
| CN113160191B (en) | Environmental composition integrity judging method and device based on laser radar | |
| CN115953556A (en) | Rainstorm waterlogging road risk AR early warning method and device | |
| CN114943809A (en) | Map model generation method and device and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |