| 1 |
1
현장 콘크리트 구조물에서 샘플링 위치와 수량을 결정하고, 샘플을 채취하여 최적 상태의 분석용 샘플로 가공하여 보관하도록 콘크리트 구조물에 대한 현장 샘플링을 실시하는 현장 샘플링 설계(Practical Sampling Design: PSD) 유닛(110);상기 콘크리트 구조물 샘플의 1차 구성재료를 물리적으로 분리하여 가공 처리하는 샘플 가공 처리부(120);상기 샘플 가공 처리부(120)에서 가공 처리된 콘크리트 구조물 샘플을 적어도 하나 이상의 화학분석장비를 이용하여 화학분석을 실시하는 실험 설계(Experimental Design: ED) 유닛(130);상기 콘크리트 구조물 샘플의 2차 구성재료를 화학적으로 분리하고, 화학분석 결과를 코드화하는 화학적 프로파일링 알고리즘(Chemical Profiling Algorithm: CPA)을 적용하는 화학적 프로파일링 알고리즘(CPA) 적용 유닛(140);딥러닝(Deep Learning) 분석을 위해 상기 실험 설계(ED) 유닛(130)의 분석결과에 딥러닝 인터페이스 알고리즘(Deep learning Interface Algorithm: DIA)을 적용하여 기구축된 표준화실험 데이터와 비교 및 최적의 분석결과를 도출하는 딥러닝 인터페이스 알고리즘(DIA) 적용 유닛(150); 및상기 콘크리트 구조물 샘플의 열화 피해규모를 평가하되, 상기 콘크리트 구조물 샘플에 대해 화재 피해규모 평가, 강도 발현성 평가, 탄산화 피해규모 평가, 염해 피해규모 평가 및 기타 화학적 공격 피해규모를 평가하는 열화 평가 유닛(170)을 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 2 |
2
제1항에 있어서, 상기 현장 샘플링 설계(PSD) 유닛(110), 상기 실험 설계(ED) 유닛(130), 상기 화학적 프로파일링 알고리즘(CPA) 적용 유닛(140) 및 상기 딥러닝 인터페이스 알고리즘(DIA) 적용 유닛(150)이 연계되어 콘크리트 구조물 샘플 채취부터 열화 피해규모를 과학적이고 정량적으로 평가할 수 있는 콘크리트 구조물용 포렌식 조사(Forensic Investigation of concrete Structure: FIS) 분석툴을 제공하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 3 |
3
제1항에 있어서, 상기 열화 평가 유닛(170)의 열화 평가 결과에 따른 상기 콘크리트 구조물의 열화 진행속도를 시간(t)의 함수로 예측하도록 시뮬레이션을 구현하여 핵심 정보를 도출하고, 원인별 열화 피해규모를 평가하여 코드화 처리하는 시간의존평가(Time Dependent Assessment: TDA) 도출부(180)를 추가로 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 4 |
4
제1항에 있어서, 상기 실험 설계(ED) 유닛(130)은 현장에서 채취되어 가공된 콘크리트 구조물 샘플에 대해 XRD(X-ray diffraction), XRF(X-ray fluorescence), FTIR(Fourier transform infrared), NMR(Nuclear Magnetic Resonance) 또는 TGA(thermometric analysis)를 적어도 하나 이상 이용하여 화학분석을 실시하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 5 |
5
제1항에 있어서, 상기 화학적 프로파일링 알고리즘(CPA) 적용 유닛(140)은,상기 콘크리트 구조물 샘플의 질량감소율을 측정하는 열중량 분석(Thermo-Gravimetric Analysis: TGA)을 수행하는 열중량 분석부(141);상기 콘크리트 구조물 샘플의 화재피해온도에 따라 특정 파장넘버에서 나타나는 피크(peak)의 최대값 및 해당 부위의 면적을 분석하는 퓨리에변환 적외선 분광(Fourier Transform Infrared: FTIR) 분석부(142); 및분석 목적에 따라 다양한 화학분석장비를 병행하여 화학적 분석을 진행하는 화학분석부(143)를 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 6 |
6
제5항에 있어서, 상기 열중량 분석부(141)에서 화재피해온도가 높을수록 질량감소 패턴과 전체 질량감소율이 작게 나타나고, 상기 퓨리에변환 적외선 분광 분석부(142)에서 전체적으로 화재피해온도가 높을수록 피크(peak)의 최대값과 그 부위의 면적이 작아지는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 7 |
7
제5항에 있어서, 상기 딥러닝 인터페이스 알고리즘(DIA) 적용 유닛(150)은,상기 열중량 분석부(141)의 단독 분석결과를 입력 데이터로 하여 화재손상 콘크리트 구조물 내측의 손상깊이별 화재피해온도와 콘크리트 구조물 외측 열원에 해당되는 부분의 화재온도곡선을 산출하기 위한 최종 출력(output)을 도출하는 제1 DIA 적용부(151);상기 제1 DIA 적용부(151)에서 도출된 상관값이 적정 수준 이하인 경우, 상기 열중량 분석부(141)의 분석결과, 상기 퓨리에변환 적외선 분광 분석부(142)의 분석결과 및 상기 화학분석부(143)의 분석결과를 입력 데이터로 하여 명확하게 나타나는 특징(Feature)에 대해 가중치를 두어 재분석하여, 상기 콘크리트 구조물 내측의 손상깊이별 화재피해온도와 상기 콘크리트 구조물 외측 열원에 해당되는 부분의 화재온도곡선을 산출하기 위한 최종 출력(output)을 도출하는 제2 DIA 적용부(152); 및상기 제1 DIA 적용부(151)의 분석결과 또는 상기 제2 DIA 적용부(152)의 분석결과를 상기 기구축된 표준화실험 데이터와 비교하는 데이터 비교 분석부(153)를 포함하되,상기 제2 DIA 적용부(152)의 상기 특징(Feature)은 특정 온도에서 명확하게 나타나는 결과값인 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 8 |
8
제1항에 있어서,상기 딥러닝 인터페이스 알고리즘(DIA) 적용 유닛(150)은, 현장에서 채취된 콘크리트 구조물 샘플을 분석한 데이터와 기구축된 통계 데이터를 비교하여 매칭시키되, 현장에서 샘플링한 콘크리트 구조물 샘플 위치뿐만 아니라 분석의 대상을 콘크리트 구조물 전체로 확대하는 전체론적 접근과정(Wholistic approach) 및 이러한 전체론적 접근과정 중에 샘플링이 이루어지지 않은 곳의 결과를 얻기 위한 최적화(Optimisation) 과정을 적용하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 9 |
9
제1항에 있어서, 기타 현장조사 데이터, 표준화실험 데이터 및 히스토리 정보를 저장하는 빅데이터 저장부(160)를 추가로 포함하되, 상기 표준화실험 데이터는 표준화된 실험실 조건에서 콘크리트 샘플의 노출온도별 질량감소율을 나타내는 열중량 분석(TGA) 결과와 노출온도별 화학성분 변화를 나타내는 퓨리에변환 적외선 분광(FTIR) 분석결과 및 기타 다양한 화학 분석결과를 포함하고 있는 저장공간을 의미하고, 상기 기타 현장조사 데이터는 해당 화재현장조사를 통해 얻은 각종 인터뷰, CCTV 분석, 통신 등을 통해 얻은 정보를 포함하고 있는 저장공간을 의미하며, 상기 히스토리 정보는 그 동안에 발생한 화재현장 분석결과를 데이터화하여 정리한 정보를 포함하고 있는 저장공간을 의미하는 것으로 상기 빅데이터 저장부는 이러한 모든 정보를 포괄적으로 포함하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 10 |
10
제1항에 있어서, 상기 콘크리트 구조물 샘플에 대한 분석결과의 정확성을 높이기 위해 상기 콘크리트 구조물 샘플을 오염시키는 오염물질을 제거하거나 오염원인을 보정하는 샘플 오염원 보정 유닛(190)을 추가로 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 11 |
11
제10항에 있어서, 상기 샘플 오염원 보정 유닛(190)은,상기 샘플 가공 처리부(120)가 상기 콘크리트 구조물 샘플을 가공 처리할 경우, 상기 콘크리트 구조물 샘플의 오염원을 물리적으로 제거하여 상기 콘크리트 구조물 샘플을 보정하는 샘플 오염원 물리적 보정부(191); 및상기 화학적 프로파일링 알고리즘(CPA) 적용 유닛(140)의 화학적 프로파일링 알고리즘(CPA)을 적용할 경우, 상기 콘크리트 구조물 샘플의 오염원을 화학적으로 제거하여 상기 콘크리트 구조물 샘플을 보정하는 샘플 오염원 화학적 보정부(192)를 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 12 |
12
제11항에 있어서,상기 샘플 오염원 물리적 보정부(191)는 원심분리기를 이용하여 상기 콘크리트 구조물 샘플을 오염시킨 오염물질을 물리적으로 제거하여 상기 콘크리트 구조물 샘플을 보정하되, 상기 원심분리기를 이용하여 현장에서 채취한 콘크리트 구조물 샘플의 각 구성재료를 물리적으로 분리한 후 목표한 콘크리트 구조물 샘플에 대해서만 본 실험을 진행하여 최종 결과값으로 도출하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 13 |
13
제11항에 있어서,상기 샘플 오염원 화학적 보정부(192)는 1개 이상의 화학분석 장비를 이용하여 오염원이 포함되어 있는지 여부를 상호교차 확인한 후 오염원이 포함되어 있을 경우에는 이를 제거하여 보정된 수치(calibrated value)를 최종 결과값으로 도출하거나, 단일 장비를 이용한 화학분석 결과에서는 일부 구간이나 특정 화학성분의 결과만을 선별하여 최종 결과값으로 도출하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 14 |
14
제1항에 있어서, 상기 열화 평가 유닛(170)은, 상기 콘크리트 구조물의 깊이별 화재 피해온도를 예측하고, 상기 콘크리트 구조물의 표면부의 화재피해온도 곡선을 예측하는 화재 피해규모 평가부(171);상기 콘크리트 구조물의 깊이별 수화 지연 및 화학적 피해에 따른 강도발현 수준을 평가하는 강도 발현성 평가부(172);상기 콘크리트 구조물의 깊이별 탄산화 피해규모를 조사하고, 탄산화 피해속도를 예측하는 탄산화 피해규모 평가부(173);상기 콘크리트 구조물의 깊이별 염화물 피해규모를 조사하고, 염해 피해속도를 예측하는 염해 피해규모 평가부(174); 및상기 콘크리트 구조물의 깊이별 부식성 가스에 의한 피해규모, 산 및 황산염의 염류에 의한 피해규모를 조사하고, 기타 화학적 피해 열화속도를 예측하는 기타 화학적 공격 피해규모 평가부(175)를 포함하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 15 |
15
제14항에 있어서, 상기 화재 피해규모 평가부(171)는,상기 딥러닝 인터페이스 알고리즘 적용 유닛(150)에 따라 화재손상 콘크리트 구조물의 손상깊이별 특정 위치에서의 화재피해온도를 예측하는 화재피해온도 예측부(171a);상기 딥러닝 인터페이스 알고리즘 적용 유닛(150)에 따라 화재손상 콘크리트 구조물 외측의 최초 열원(Heat source)에 해당하는 화재온도곡선을 산출하는 화재온도곡선 산출부(171b);상기 예측된 화재피해온도 및 산출된 화재온도곡선에 따라 상기 화재손상 콘크리트 구조물 내부의 열확산경로를 예측하는 열확산경로 예측부(171c); 및상기 예측된 화재피해온도 및 산출된 화재온도곡선에 따라 화재현장의 화재발생지로부터 열의 이동경로를 시간의 함수로 추적 및 재현하는 화염이동경로 추적 재현부(171d)를 포함하되,상기 열확산경로 예측부(171c)는 화재현장에서 채취한 미지의 화재손상 콘크리트 구조물 샘플에 대한 화재 당시의 화재피해온도 예측에 대응하여 시간경과에 따른 열확산경로를 규명하는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 16 |
16
제15항에 있어서, 상기 화재온도곡선 산출부(171b)는 동일한 위치에서 깊이별로 샘플을 채취하여 1세트 단위로 분석한 각각의 데이터를 비교 분석하여 시간(t)의 함수로 나타냄으로써, 상기 콘크리트 구조물 최초 열원(Heat source)에 해당하는 표면의 화재온도곡선을 산출하되, 상기 화재온도곡선은 시간에 따른 수열온도의 크기와 노출시간의 값으로 주어지는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 17 |
17
제1항에 있어서, 상기 콘크리트 구조물 샘플은 화재손상 콘크리트 구조물의 벽, 기둥 또는 슬래브의 건축부재를 대상으로 드릴링 또는 코어링을 실시하여 채취하되, 직경은 최소로 하고, 깊이는 적어도 40㎜ 이상 주철근 위치까지 실시하며,상기 드릴링 또는 코어링 채취된 콘크리트 구조물 샘플은 하나의 위치에서 적어도 2개 이상의 콘크리트 구조물 샘플을 1세트로 정의하고, 모든 분석은 1세트 단위로 실시하되, 해당하는 값이 기구축된 표준화실험 데이터와 모두 일치하거나 가장 유사한 값을 찾아서 출력을 도출하며,상기 1세트(set) 단위 분석은 하나의 위치에서 드릴링 또는 코어링을 통해 채취한 샘플을 최소한 2개 이상을 분석함으로써, 각각의 구간별 결과값 비교시 열의 확산속도를 시간의 함수로 나타낼 수 있는 것을 특징으로 하는 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템
|
| 18 |
18
삭제
|
| 19 |
19
삭제
|
