| 1 |
1
손상이 없는 상태에서의 실제 구조물에 대한 데이터를 이용하여 상기 실제 구조물에 대응하는 가상 구조물을 생성하는 단계;상기 생성된 가상 구조물에 대해 기계학습 모델을 이용하여 상기 가상 구조물에 가해진 하중과 상기 가상 구조물의 보-기둥 접합부에서 측정되는 가속도 데이터 및 변위 데이터 간의 관계를 학습하는 단계;상기 학습된 변위 데이터를 이용하여 상기 가상 구조물의 층간 변위비를 계산하고, 상기 가상 구조물에 가해진 하중을 통해 상기 가상 구조물에 대한 기둥의 전단력을 도출하는 단계;상기 계산된 층간 변위비와 도출된 기둥의 전단력을 이용하여 상기 가상 구조물의 손상 정보를 결정하는 단계;상기 실제 구조물에 하중이 가해진 경우, 상기 실제 구조물의 보-기둥 접합부에서 측정되는 가속도 데이터 및 변위 데이터를 식별하는 단계;상기 실제 구조물의 보-기둥 접합부에서 식별된 변위 데이터를 이용하여 상기 실제 구조물의 층간 변위비를 계산하고, 계산된 층간 변위비를 상기 가상 구조물의 손상 정보와 비교함으로써 상기 실제 구조물의 손상 정도를 판단하는 단계를 포함하는 손상 탐지 방법
|
| 2 |
2
제1항에 있어서,N 층의 층간 변위비는,N 층 및 N-1 층 사이의 변위 차와 N 층 및 N-1 층 사이의 높이 차를 이용하여 결정되는 손상 탐지 방법
|
| 3 |
3
제1항에 있어서,상기 실제 구조물의 보-기둥 접합부에서 식별된 가속도 데이터를 이용하여 상기 실제 구조물의 손상 위치를 결정하는 단계를 더 포함하는 손상 탐지 방법
|
| 4 |
4
제3항에 있어서,상기 실제 구조물의 손상 위치는,손상이 나타난 보-기둥 접합부의 가속도와 손상이 나타나지 않은 보-기둥 접합부의 가속도 간의 차이를 이용함으로써 결정되는 손상 탐지 방법
|
| 5 |
5
제1항에 있어서,상기 기계학습 모델은,합성곱 신경망(Convolutional Neural Network, CNN) 모델인 손상 탐지 방법
|
| 6 |
6
손상 탐지 장치에 있어서,프로세서를 포함하고,상기 프로세서는,손상이 없는 상태에서의 실제 구조물에 대한 데이터를 이용하여 상기 실제 구조물에 대응하는 가상 구조물을 생성하고, 상기 생성된 가상 구조물에 대해 기계학습 모델을 이용하여 상기 가상 구조물에 가해진 하중과 상기 가상 구조물의 보-기둥 접합부에서 측정되는 가속도 데이터 및 변위 데이터 간의 관계를 학습하며, 상기 학습된 변위 데이터를 이용하여 상기 가상 구조물의 층간 변위비를 계산하고, 상기 가상 구조물에 가해진 하중을 통해 상기 가상 구조물에 대한 기둥의 전단력을 도출하며, 상기 계산된 층간 변위비와 도출된 기둥의 전단력을 이용하여 상기 가상 구조물의 손상 정보를 결정하고, 상기 실제 구조물에 하중이 가해진 경우, 상기 실제 구조물의 보-기둥 접합부에서 측정되는 가속도 데이터 및 변위 데이터를 식별하며, 상기 실제 구조물의 보-기둥 접합부에서 식별된 변위 데이터를 이용하여 상기 실제 구조물의 층간 변위비를 계산하고, 계산된 층간 변위비를 상기 가상 구조물의 손상 정보와 비교함으로써 상기 실제 구조물의 손상 정도를 판단하는 손상 탐지 장치
|
| 7 |
7
제6항에 있어서,N 층의 층간 변위비는,N 층 및 N-1 층 사이의 변위 차와 N 층 및 N-1 층 사이의 높이 차를 이용하여 결정되는 손상 탐지 장치
|
| 8 |
8
제6항에 있어서,상기 프로세서는,상기 실제 구조물의 보-기둥 접합부에서 식별된 가속도 데이터를 이용하여 상기 실제 구조물의 손상 위치를 결정하는 손상 탐지 장치
|
| 9 |
9
제8항에 있어서,상기 실제 구조물의 손상 위치는,손상이 나타난 보-기둥 접합부의 가속도와 손상이 나타나지 않은 보-기둥 접합부의 가속도 간의 차이를 이용함으로써 결정되는 손상 탐지 장치
|
| 10 |
10
제6항에 있어서,상기 기계학습 모델은,합성곱 신경망(Convolutional Neural Network, CNN) 모델인 손상 탐지 장치
|
