서지주요정보
Bridge health monitoring methods using neural networks techniques = 신경망 기법을 이용한 교량의 건전도 모니터링
서명 / 저자 Bridge health monitoring methods using neural networks techniques = 신경망 기법을 이용한 교량의 건전도 모니터링 / Jong-Jae Lee.
저자명 Lee, Jong-Jae ; 이종재
발행사항 [대전 : 한국과학기술원, 2004].
Online Access 비공개원문

소장정보

등록번호

8015831

소장위치/청구기호

학술문화관(문화관) 보존서고

DCE 04007

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

초록정보

Bridge health monitoring has become an important research topic in conjunction with damage assessment and safety evaluation of bridges. The use of system identification approaches for damage detection has been expanded in recent years owing to the advancements in signal analysis and information processing techniques. Soft computing techniques such as neural networks and genetic algorithm have been utilized increasingly for this end due to their excellent pattern recognition capability. In this study, the neural networks-based damage detection methods were proposed for effective health monitoring of bridge structures, since the neural networks technique is adequate to on-line health monitoring due to quick computation time and ability to deal with various types of input data. The aim of this study is to develop practical techniques of damage identification that is suitable for structural health monitoring of bridge structures, and can be summarized as (I) development of a damage detection method using neural networks technique based on the changes of the modal parameters due to the damages which can effectively consider the modeling errors in the baseline FE model, (2) enhancement of the efficiency in the damage estimation method using two-step approach which can alleviate the issues associated with many unknown parameters faced in the real structures, and (3) application of the presented methods to a real bridge which can verify the effectiveness and the applicability of the proposed methods. First, a neural networks-based damage detection technique which employs the input parameters less sensitive to the modeling errors was presented for element level damage assessments of bridge structures. It was proposed to use the mode shape differences or the mode shape ratios between before and after damage as the input to the NN to reduce the effect of the modeling errors in the baseline FE model, from which the training patterns are to be generated. From two numerical example analyses on a simple beam and a multi-girder bridge, the effectiveness and the applicability of the proposed method using the mode shape differences or ratios were demonstrated. From laboratory tests on a bridge model, it has been found that the present neural networks technique can be effectively used for damage detection of the bridges under traffic loadings considering the modeling errors. Most of the inflicted damages have been detected very successfully for various damage cases. For an experimental study on a real bridge with multiple girders, the damage estimation was performed on a substructure using selective information excluding the mode shape data near the nodal points. The damage locations were identified with good accuracy for all the damage cases, whereas the estimated results contained minor false alarms at several locations. Secondly, a two-step identification strategy was proposed for effective monitoring of bridge structures to alleviate ill-posedness problem in the neural networks-based damage detection. Three different methods were utilized for the first step for screening potential damaged members: (1) Damage Indicator Method based on the Modal Strain Energy (DIMMSE), (2) Probabilistic Neural Networks (PNN), and (3) Neural Networks using Grouping technique (NN-Gr). Then, in the second step the conventional neural networks technique was utilized to assess damage locations and damage severities. Numerical example analyses were performed on a simply supported bridge model with multiple girders to demonstrate the effectiveness of the proposed two-step strategy for effective health monitoring of bridge structures. Two-step approach was also applied to the field test on a Hannam Grand Bridge. Three different combinations of damage localization and damage assessment methods have shown unique characteristics depending on the first step method utilized. The modal strain energy-based damage indicator method has an advantage of being sensitive to damage, however, it has a disadvantage of being sensitive to noise. To overcome the noise-sensitive feature, it is recommended to use the continuously monitored data, since the measurement data sets can be easily accumulated in the monitoring process. The effect of measurement noise can be reduced by noise injection learning algorithm in PNN and NN, but it is difficult to obtain an accurate baseline model to be used for the generation of training patterns. This problem can be overcome by using the modal quantities less sensitive to the modeling errors. It has been found that the multiple damages can be detected by using DIM-MSE or NN-Gr in the first step. To detect multiple damages using PNN, it has been suggested to use the sequential estimation scheme. The damage locations for Damage Case III in a field test were successfully identified using the sequential estimation scheme. This study concentrated on the practical approach to improve the applicability of the bridge health monitoring methods using neural networks technique. To make it more applicable and reliable, it is recommended to use various damage detection methods available in the monitoring system. There is no universal way, since the damage detection of a bridge is problem specific.

본 연구에서는 교량의 건전도 모니터링을 위한 효율적인 신경망 기법기반 손상추정기법을 제안하였다. 신경망 기법은 다양한 종류의 입력자료를 이용할 수 있으며 온라인 모니터링에 적합한 빠른 계산시간 등의 장점을 가진다. 본 연구의 목적은 훈련패턴의 생성에 사용되는 기저 유한요소모델의 모델오차를 효율적으로 고려할 수 있는 기법을 제안하고, 실제 구조계에서의 많은 자유도 문제를 완화시킬 수 있는 2단계 접근법을 사용하여 효율성을 높이는 것이다. 다양한 수치예제 해석, 모형교량에 대한 실내실험 및 한남대교에 대한 현장 실험을 통하여 제안된 기법의 효율성과 적용성을 검증하였다. 신경망 기법을 활용한 손상추정 시, 기저모델의 모델오차를 효과적으로 고려할 수 있는 기법을 제안하였다. 모델오차가 없는 구조계와 모델오차가 있는 구조계에서의 손상 전, 후에 대한 모드방정식으부터 모드형상의 차 또는 모드형상의 비가 모델오차에 민감하지 않음을 보이고 이를 신경망의 입력자료로 활용할 것을 제안하였다. 단순보 및 다주형 교량에 대한 수치모의실험을 통하여 제안된 기법을 검증하였으며 실제 적용성을 검토하였다. 한국기계연구원과 공동으로 수행한 모형교량 실험에서는 차량통과에 의한 상시진동실험 데이터를 이용하여 FDD 기법으로 저차 4개의 모드를 추정하였다. 유한요소모델 개선의 과정이 없이 다소의 모델링 오차를 포함하고 있는 초기 유한요소 모델을 손상추정을 위한 기저모델로 사용하였다. 초기 유한요소 모델의 모드형상을 사용하여 신경망을 학습시킨 경우에는 손상추정이 잘 이루어지지 않았으나, 제안한 입력자료인 모드형상의 차나 모드형상의 비를 활용한 결과는 수정된 유한요소모델의 모드형상을 사용한 경우에 비하여 보다 좋은 결과를 나타내었다. 한남대교 구교 최북측 1경간에 대한 손상실험을 수행하였다. 인접교량으로부터의 차량통과와 교량하부의 차량 및 열차통과에 의한 진동을 이용하여 상시진동시험을 수행하고, 모드계수를 추정하였다. 초기 유한요소 모델로부터 계산된 해석모드와 실험모드 사이에는 모드형상의 modal assurance criteria (MAC)값이 95% 이상의 유사성을 나타내고는 있으나 손상에 의한 모드민감도를 비해 큰 모델링 오차를 가지고 있었다. 손상추정은 4개의 주형으로 구성된 부구조에 대하여 저차 3개의 모드를 사용하여 수행하였다. 손상추정은 노드점 부근의 모드형상데이터를 제외한 선택적인 정보를 사용하여 추정하였다. 손상위치가 모든 손상경우에 대해서 비교적 정확히 추정되었으며, 이를 통하여 본 연구에서 제시한 기법이 실제 현장교량에서의 모델링 오차를 효율적으로 고려할 수 있음을 확인하였다. 신경망 기법기반 손상추정에서 많은 자유도와 관련되어 나타날 수 있는 악조건 문제를 완화하고 효율적인 교량의 모니터링을 위해서 2단계 접근법을 적용하였다. 탐색하고자 하는 손상가능부재의 수를 줄이기 위한 1단계에서는 모드변형률 에너지에 근거한 손상지수법, 확률신경망 기법 및 그룹화기법을 이용한 신경망기법을 각각 활용하였다. 2단계에서는 1단계에서 추정된 손상가능부재들에 대해서 신경망 기법을 이용하여 손상의 위치 및 정도 추정을 수행하였다. 제안된 3가지의 2단계 접근법에 대한 각각의 적용성 및 효율성을 검토하기 위하여 10개의 주형을 가지는 단순교에 대한 수치예제를 수행하였다. 120개의 요소를 가지는 단순교 모델에 대하여 다양한 계측오차를 고려하여 각 방법의 성능을 검토하였다. 손상추정의 결과는 1단계에서 사용한 방법에 따라 다양한 특성을 나타내었다. 모드변형률 에너지에 근거한 손상지수법을 사용한 경우, 손상에 대해 민감한 장점을 가지는 반면, 변형률 모드형상을 모드형상의 이계미분으로부터 구하는 문제로 인해 계측오차에 민감하다는 단점을 나타내었다. 노이즈에 민감한 문제를 해결하기 위한 방안으로 모니터링 과정에서의 손상지수의 변화추이를 관찰하는 방법과 모니터링 시스템에서 획득되는 계측데이터를 평균하여 노이즈를 줄이는 방법을 제안하였다. 반면 확률신경망이나 그룹화기법을 이용한 신경망 기법을 사용하는 경우에는 인위적인 노이즈를 첨가한 훈련패턴을 사용함으로써, 노이즈에 대한 영향이 작게 나타난다. 확률신경망을 사용한 경우에는 여러군데 손상이 있는 경우를 찾지 못하는 단점이 나타났으며, 이를 해결하기 위하여 순차적인 손상추정 방법이 적용될 수 있음을 제안하였다. 그룹화기법을 이용한 신경망 기법을 1단계에서 사용하는 경우에는 노이즈와 다중손상에 대한 장점을 가지지만, 신경망의 훈련이 어렵고 단일 손상에 대해서는 확률신경망에 비해 정확성이 다소 떨어지는 단점을 나타내었다. 효률적인 교량모니터링을 위한 2단계 접근법의 실제 적용성을 확인하기 위하여 한남대교 현장실험에 대해 적용하였다. 모드변형률 에너지에 근거한 손상지수법은 손상 1단계의 경우 다소 많은 오차를 포함하고 있으나, 손상이 크게 도입된 2, 3단계에서는 손상의 위치를 비교적 정확히 추정하였다. 확률신경망을 사용한 경우에는 손상 1, 2단계의 단일 손상에 대해서는 손상위치 추정이 정확히 이루어졌으나, 손상 3단계에서는 두군데 손상위치 중 한군데를 찾지 못하였다. 따라서 순차적인 손상추정을 도입하여 손상 2단계를 기준으로 손상 3단계를 추정한 경우에는 추가적으로 도입된 손상의 위치를 비교적 정확히 추정하였다. 그룹화기법을 이용한 신경망 기법을 사용한 경우에는 1단계의 추정결과가 확률신경망의 결과보다 다소 많은 오차를 포함하고 있으나 다중손상의 위치를 찾아내었다. 1단계에서 추정된 결과에 근거하여 탐색하고자 하는 손상가능부재의 수를 줄여서 2단계를 수행하였다. 실제 손상부재가 손상가능부재로 성공적으로 포함되는 경우에는 2단계에서 손상부재의 위치를 정확히 찾아낼 수 있었으며, 손상정도 추정도 성공적으로 수행됨을 확인하였다. 본 연구는 신경망 기법을 이용하여 교량 건전도 모니터링 기법의 실제 적용성을 높이기 위한 실용적인 기술개발에 초점을 두었다. 교량의 손상추정은 대상 교량, 계측오차의 특성 및 크기, 발생 가능한 손상유형, 탐색부재의 수, 사용 가능한 모니터링 시스템 등 다양한 변수를 가지고 있으므로 어떠한 하나의 방법이 모든 경우에 최적의 결과를 주는 획일적인 문제로 정의되지 않는다. 따라서, 성공적이고 신뢰성 있는 교량 모니터링 시스템의 구축을 위해서는 모니터링 시스템에서 사용 가능한 다양한 손상추정기법을 함께 사용하는 것이 바람직하다.

서지기타정보

서지기타정보
청구기호 {DCE 04007
형태사항 x, 143 p. : 삽도 ; 26 cm
언어 영어
일반주기 저자명의 한글표기 : 이종재
지도교수의 영문표기 : Chung-Bang Yun
지도교수의 한글표기 : 윤정방
수록잡지명 : "Neural networks-based damage detection for bridges considering errors in baseline finite element models". Journal of sound and vibration
학위논문 학위논문(박사) - 한국과학기술원 : 건설및환경공학과,
서지주기 Reference : p. 129-136
주제 STRUCTURAL HEALTH MONITORING
BRIDGE STRUCTURES
NEURAL NETWORKS
DAMAGE DETECTIONIC BEHAVIOR
구조물 건전도 모니터링
교량구조물
신경망 기법
손상추정
QR CODE qr code