고유진동수의 전이학습 적용을 위한 기초 실험연구

• 영문명: Basic Experimental Study on the Application of Natural Frequency to Transfer Learning
• 발행기관: 한국방재학회
• 저자명: 이종원(Jong-Won Lee)
• 간행물 정보: 『2. 한국방재학회 논문집』24권3호, 1~7쪽, 전체 7쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2024.06.30

국문 초록

구조물 건전성 모니터링에 인공지능 기술을 적용함으로써 더욱 효과적으로 건물의 구조안전성을 확보할 수 있다. 이를 위해서는 다양한 손상조건에 대한 데이터가 요구되지만, 실 건물에 대한 손상상태 데이터를 확보하기 어렵기 때문에 데이터 부족문제 또는 건전 및 손상상태 데이터간의 불균형 문제가 발생한다. 이에 대한 대안으로, 축소 모형에 대한 다양한 손상상태데이터를 실험을 통하여 확보하고 이를 실 건물에 적용할 수 있는 전이학습을 이용할 수 있다. 본 연구에서는 고유진동수의 손상전후 비율을 전이학습에 적용하기 위한 실험연구를 수행한다. 축소에 따른 손상전후 고유진동수 비율의 관계를 수식으로 유도한 후, 강구조물의 볼트 접합부를 대상으로 프로토타입 모형과 축소 모형의 손상전후 고유진동수 비율을 실험적으로 구하고 이를 비교한다. 이후 고유진동수 비율의 실험결과를 검증하기 위하여 유한요소해석결과와 비교한다. 동일 손상상태에 대하여 실험적으로 구한 프로토타입 모형과 축소 모형의 고유진동수 비율이 유사함을 알 수 있었고, 손상정도가 심해지면서 감소하는 고유진동수 비율의 실험과 해석 결과에서의 변화 양상 또한 유사함을 알 수 있었다. 즉, 축소 모형에 대하여 다양한 손상상태에 대한 고유진동수 비율 데이터를 확보하여 이를 실 건물의 훈련패턴에 활용한다면 위에서 언급된 데이터 문제가 부분적으로 해결될 수 있을 것으로 판단된다.

영문 초록

Integrating artificial intelligence (AI) into structural health monitoring systems significantly improves the structural integrity and safety of buildings. This integration necessitates extensive data on various structural damage scenarios; however, acquiring comprehensive damage-state data for real-world buildings is difficult, resulting in data scarcity and imbalances between intact- and damage-state datasets. Transfer learning offers a compelling alternative that enables the utilization of damage-state data acquired from scaled experimental models for real-world building applications. This study explores the use of natural frequency ratios before and after damage to facilitate transfer learning. This study established an equation that describes the relationship between the natural frequency ratio before and after damage, accounting for scaling impacts. The natural frequency ratios for both the prototype and scaled models were experimentally determined and compared, focusing on bolted joints in the steel structure. The results of the experiment were consistent with those of the finite-element analysis. The experimentally obtained natural frequency ratios of the prototype and scaled models under identical damage conditions exhibited high congruence. The experimental and FEA results demonstrated analogous patterns of decreasing natural frequency ratio with increasing damage severity. These results indicate that natural frequency ratio data from various damage conditions in scaled models could mitigate data scarcity issues and train AI models for real-world building applications.

목차

1. 서 론

2. 이론적 배경

3. 실험연구

4. 결 론

감사의 글

References

키워드

고유진동수 비율 전이학습 축소 모형 손상상태 데이터 Natural Frequency Ratio Transfer Learning Scaled Model Damage State Data