Construction of new bridges steadily increases, as the national road networks are continuously expanding. Considering the traffic volume and their weights are getting increasingly larger, The bridge performance evaluation is getting more important. Bridge structural health monitoring (SHM) is concerning performance and safety of bridges. Reliability of the Finite element model for performance predictions gets deteriorated, because of the discrepancy between the analytical model and the real structural condition. The way to reduce this discrepancy to the model updating is to correct the geometrical and physical parameters and boundary conditions. By updating, the FE model can predict responses of the structural more accurately. The success of model updating depends on the optimization methods, experimental data, and selection of parameters for updating.
In this study, FE model updating has been carried out on Palgok-3 Bridge using the modal information obtained from the acceleration measurement data. The modal properties identified from the acceleration measurement data have been found to be fairly far from those obtained the initial FE model. It might be because the initial FE model does not properly reflect the current structural condition.
FE model updating has been carried out using parametric optimization. The study has been concentrated on optimization methods, grouping of updating parameters, and objective function.
Two optimization schemes are used: Nelder-Mead downhill simplex method as a point-to-point approach and genetic algorithm as a population-based approach. GA (population-based) gives the better solution than Nelder-Mead method (point-to-point). The main drawback of point-to-point approach is being trapped in the local optimal solution. Nelder-Mead is very sensitive to the initial values, while GA is not sensitive to the initial values. GA requires relatively more computational effort than Nelder-Mead method.
Two parameter grouping methods are used: conventional grouping based on the proximity of the elements and hierarchical parameter clustering (HPC). Generally, the results from HPC are better in terms of the estimation error of the parameters than conventional approach. But it may not reflect the real condition of the bridge. Conventional grouping of the elements in proximity may be more reasonable for real conditions.
Multi-objective optimization has been adopted, through single objective approach is also considered for the purpose of comparison. FE model updating based on multi-objective optimization provides the multiple non-dominated solutions in single run. If the preference of FE model updating is based on wide and dense search in variable spaces, multi-objective optimization is preferable. Single objective optimization searches the limited variable and objective spaces. Multi-objective optimization based on GA overcomes this because of its main features (independently minimization and tendency to spread the non-dominated solutions). The results are found to be generally much better than the results from FE model updating based on single objective optimization.
도로망의 지속적인 확충에 따라, 새로 신설되는 교량이 꾸준히 증가하고 있다. 차량의 대형화 및 고속화, 그리고 기존의 교량의 노후화를 고려하였을 때, 교량의 건전성 평가는 매우 중요해 지고 있다. 이러한 교량의 건전성을 평가하는 부분을 구조물 건전성 모니터링 (SHM) 의 한 부분이다. 거동을 예측하는데 사용되는 유한요소 모델의 신뢰도는 모델의 이상적인 가정에 의해 실제 교량의 거동을 반영하지 못하는 경우가 많다. 실제 교량의 거동을 반영하기 위해, 유한요소 모델의 물리적 의미를 가지는 변수들과 지점의 조건을 수정하는 모델 개선이 주로 행해진다. 이러한 모델 개선의 성공 여부는 최적화 기법, 계측 데이터의 신뢰성, 적절한 개선 변수의 선정 및 그룹화에 크게 영향을 받는다.
본 연구에서는 팔곡 3 교의 실제 계측 데이터를 이용하여 모델 개선을 하였다. 초기 유한요소 모델과 구조물의 실제 동적 거동은 상당한 차이가 존재하였다. 이는 실제 교량의 거동을 유한요소 모델이 제대로 반영하지 못하기 때문이다. 모델 개선은 모델 변수 기반 최적화 기법에 대해 행해졌다. 최적화 기법, 개선 변수의 그룹방법, 단일·다중 목적함수를 이용한 모델 개선을 하였다.
최적화 기법에 관하여, Nelder-Mead 다운힐 심플렉스법과 유전자 알고리즘을 이용하였다. Nelder-Mead 다운힐 심플렉스법은 point-to-point 방법, 유전자 알고리즘은 population 기반의 대표적인 방법들이다. 유전자 알고리즘이 Nelder-Mead 다운힐 심플렉스법에 비해 더 좋은 개선 모델을 제공하였다. 이는 Nelder-Mead 다운힐 심플렉스법와 같은 point-to-point 방법은 지역 최적화 값에 매우 취약하기 때문이다. 즉, 초기 값의 설정이 최적화의 결과에 크게 영향을 미치게 된다. 반면 유전자 알고리즘은 이러한 초기 값의 설정에 민감하지 않지만, Nelder-Mead 다운힐 심플렉스 방법에 비해 많은 계산량이 요구되어진다.
모델 개선 변수의 그룹 방법을 위해, 기존의 방법과 계측적 파라미터 클러스터링 방법을 비교하였다. 대체로, 계측적 파라미터 클러스터링 방법이 더 좋은 결과를 제공하였다. 하지만, 계층적 파라미터 클러스터링의 경우, 비슷한 민감도를 가지는 변수들을 그룹핑하기 때문에, 실제 구조물의 거동을 제대로 반영하지 못할 수 있다는 문제가 있다. 오히려, 각 경간의 변화가 비슷하다는 가정의 기존 방법이 좀 더 실제 거동을 반영할 지도 모른다. 따라서 이에 대한 연구가 더 요구되어진다.
다중 목적 함수 기반의 모델 개선을 사용하였다. 최종적으로 구한 모델 개선 결과를 단일 목적 함수 기반의 모델 개선의 결과들과 비교하였다. 다중 목적 함수는 단 한 번의 최적화로 단 하나의 개선 결과가 아닌 서로가 독립직인 해들의 집합인 파레토 최적값들을 제공한다. 이러한 파레토 최적값들은 단일 목적함수에서 얻은 결과들에 비해 좋은 결과를 가지고 있다. 또한 다양한 개선 모델들을 제공하여, 개선 모델의 선정에 큰 도움을 준다. 이러한 파레토 최적값에서 개선 모델의 결정은 주로 개선 목적에 의해 결정된다.
추후 연구 방향은 개선 모델의 Over-fitting 을 방지하기 위한 제약조건의 고려, 다중 목적 함수를 통한 정·동적 계측 데이터 기반의 모델 개선 방법, 파레토 최적값들 중 최종 개선 모델의 결정 방법, 현실적인 조건을 반영하기 위한 계층적 파라미터 클러스터링의 적용 방법에 관한 연구가 요구된다.
