1 |
1
건강한 상태의 건물에 화이트 노이즈를 가했을 때 상기 건물의 각층에서 측정되는 가속도 데이터를 식별하는 단계;상기 식별된 가속도 데이터에 기초하여 상기 건물에 대한 제1 변위 데이터를 계산하는 단계;상기 계산된 제1 변위 데이터를 이용하여 손상 탐지 모델을 학습하는 단계; 및손상된 상태의 건물에 화이트 노이즈를 가했을 때 식별되는 가속도 데이터에 의해 계산된 제2 변위 데이터를 상기 학습된 손상 탐지 모델에 적용함으로써 상기 건물의 층별 손상 여부를 탐지하는 단계를 포함하는 손상 탐지 방법
|
2 |
2
제1항에 있어서,상기 학습하는 단계는,2차원 형태로 계산된 변위 데이터와 상기 2차원 형태로 계산된 변위 데이터에 대응하는 1차원 형태의 변위 데이터를 각각 입출력으로 하여 상기 손상 탐지 모델을 학습하는 손상 탐지 방법
|
3 |
3
제1항에 있어서,상기 탐지하는 단계는,상기 제2 변위 데이터를 상기 학습된 손상 탐지 모델에 적용한 출력 값을 식별하는 단계;상기 식별된 출력 값을 상기 건강한 상태의 건물에 대응하는 제1 변위 데이터 및 상기 손상된 상태의 건물에 대응하는 제2 변위 데이터를 각각 이용하여 정규화 하는 단계; 및상기 제1 변위 데이터 및 제2 변위 데이터 각각을 이용하여 정규화된 출력 값들 사이의 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하는 단계를 포함하는 손상 탐지 방법
|
4 |
4
제3항에 있어서,상기 탐지하는 단계는,상기 제1 변위 데이터를 이용하여 정규화된 출력 값에 평균 제곱 오차를 적용한 제1 결과가 상기 제2 변위 데이터를 이용하여 정규화된 출력 값에 평균 제곱 오차를 적용한 제2 결과 보다 큰 건물의 층을 손상 층으로 판단하는 손상 탐지 방법
|
5 |
5
제3항에 있어서,상기 탐지하는 단계는,상기 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하기 어려운 경우, 확률 밀도 함수(Probability Density Function, PDF)를 이용하여 상기 건물의 손상 층을 판단하는 단계를 더 포함하는 손상 탐지 방법
|
6 |
6
제5항에 있어서,상기 판단하는 단계는,상기 건물의 층들 중 상기 확률 밀도 함수의 피크(Peak) 값이 0
|
7 |
7
제3항에 있어서,상기 탐지하는 단계는,상기 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하기 어려운 경우, 상기 제1 변위 데이터 및 제2 변위 데이터 각각을 이용하여 정규화된 출력 값들 사이의 데이터 군집 특성을 파악하여 상기 건물의 손상 층을 판단하는 단계를 더 포함하는 손상 탐지 방법
|
8 |
8
제7항에 있어서,상기 데이터 군집 특성은,t-분포 확률적 임베딩(t-distributed Stochastic Neighbor Embedding, t-SNE) 기법을 통해 결정되는 손상 탐지 방법
|
9 |
9
제1항에 있어서,상기 손상 탐지 모델은,합성곱 신경망(Convolutional Neural Network, CNN) 모델인 손상 탐지 방법
|
10 |
10
손상 탐지 장치에 있어서,상기 손상 탐지 장치는, 프로세서를 포함하고,상기 프로세서는,건강한 상태의 건물에 화이트 노이즈를 가했을 때 상기 건물의 각층에서 측정되는 가속도 데이터를 식별하고, 상기 식별된 가속도 데이터에 기초하여 상기 건물에 대한 제1 변위 데이터를 계산하며, 상기 계산된 제1 변위 데이터를 이용하여 손상 탐지 모델을 학습하고, 손상된 상태의 건물에 화이트 노이즈를 가했을 때 식별되는 가속도 데이터에 의해 계산된 제2 변위 데이터를 상기 학습된 손상 탐지 모델에 적용함으로써 상기 건물의 층별 손상 여부를 탐지하는 손상 탐지 장치
|
11 |
11
제10항에 있어서,상기 프로세서는,2차원 형태로 계산된 변위 데이터와 상기 2차원 형태로 계산된 변위 데이터에 대응하는 1차원 형태의 변위 데이터를 각각 입출력으로 하여 상기 손상 탐지 모델을 학습하는 손상 탐지 장치
|
12 |
12
제10항에 있어서,상기 프로세서는,상기 제2 변위 데이터를 상기 학습된 손상 탐지 모델에 적용한 출력 값을 식별하고, 상기 식별된 출력 값을 상기 건강한 상태의 건물에 대응하는 제1 변위 데이터 및 상기 손상된 상태의 건물에 대응하는 제2 변위 데이터를 각각 이용하여 정규화 하며, 상기 제1 변위 데이터 및 제2 변위 데이터 각각을 이용하여 정규화된 출력 값들 사이의 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하는 손상 탐지 장치
|
13 |
13
제12항에 있어서,상기 프로세서는,상기 제1 변위 데이터를 이용하여 정규화된 출력 값에 평균 제곱 오차를 적용한 제1 결과가 상기 제2 변위 데이터를 이용하여 정규화된 출력 값에 평균 제곱 오차를 적용한 제2 결과 보다 큰 건물의 층을 손상 층으로 판단하는 손상 탐지 장치
|
14 |
14
제12항에 있어서,상기 프로세서는,상기 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하기 어려운 경우, 확률 밀도 함수(Probability Density Function, PDF)를 이용하여 상기 건물의 손상 층을 판단하는 손상 탐지 장치
|
15 |
15
제14항에 있어서,상기 프로세서는,상기 건물의 층들 중 상기 확률 밀도 함수의 피크(Peak) 값이 0
|
16 |
16
제12항에 있어서,상기 프로세서는,상기 상호 연관 분포를 통해 상기 건물의 손상 층을 판단하기 어려운 경우, 상기 제1 변위 데이터 및 제2 변위 데이터 각각을 이용하여 정규화된 출력 값들 사이의 데이터 군집 특성을 파악하여 상기 건물의 손상 층을 판단하는 손상 탐지 장치
|
17 |
17
제16항에 있어서,상기 데이터 군집 특성은,t-분포 확률적 임베딩(t-distributed Stochastic Neighbor Embedding, t-SNE) 기법을 통해 결정되는 손상 탐지 장치
|
18 |
18
제10항에 있어서,상기 손상 탐지 모델은,합성곱 신경망(Convolutional Neural Network, CNN) 모델인 손상 탐지 장치
|