변형률 이력 데이터를 활용한 양방향 LSTM 네트워크 기반 거더의 처짐 예측 (Deflection Prediction of Girdersusing Bi-LSTM Network Based on Strain History Data)

서지정보

· 발행기관 : 대한토목학회
· 수록지 정보 : 대한토목학회논문집(국문) / 44권 / 6호 / 743 ~ 752페이지
· 저자명 : 박상원, 장민우, 야즈단파나 오미드

초록

정밀한 안전진단은 시설물의 항속적 운영을 위한 필수지표이다. 상시 다양한 형태의 반복하중에 노출된 교량의 내하력 평가를 위해 하중재하시험을 기반으로 처짐을 계측하는 방법이 널리 활용되고 있다. 최근에는 스마트 진단 기술 발전에 힘입어 영상 정보로부터 응답을 평가하는 방법들이 제시된 바 있다. 그러나 영상 정보를 활용하는 경우 조명, 각도의 왜곡이 발생하거나, 사각지대 정보수집이 어려워 전체 거동 파악이 난해한 등의 단점이 있다. 이 연구에서는 인공지능을 기반으로 거더의 정적 시험시 계측한 변형률 데이터를 활용하여 수직 방향의 처짐을 추정하는 기법을 제시하였다. 하중 재하에 따른 변형률 이력은 명지대학교 하이브리드 구조실험센터에서 수행한 11개 거더에 대한 하중 시험으로부터 취득하였다. 모델 학습을 위하여 입력 매개변수로는 거더의 종류, 정적하중, 변형률 이력계 등으로 구성하였으며, 양방향 Long Short Term Memory(LSTM) 네트워크를 활용하여 경간 중앙에서의 처짐을 추정하는 모델을 개발하였다. 하이퍼파라미터 최적화를 통해 인공지능 모델의 성능을 개선하였고, 정합성 평가를 수행하여 성능을 검증하였다. 또한, 훈련 수준에 따른 예측 정확도와 소요 시간 분석을 통해 제시한 기법의 효용성을 평가하였다.

영어초록

Precise diagnosis of structural condition is essential indicator for the sustained operation of infrastructure. The load tests are widely used to assess the serviceability and safety condition of bridges that are continually exposed to various forms of repeated loading. Recently, advancement in smart diagnostic technologies have introduced methods for assessing structural responses using image data. However, when utilizing image data, challenges such as distortions from lighting and angles, as well as difficulties in collecting information from blind spots, can hinder the comprehensive understanding of structural behavior. To address these limitations, this study presents an artificial intelligence (AI) based method for estimating vertical deflections using strain data measured during static tests on girders. The strain data were obtained from load tests conducted on 11 girders at the Hybrid Structural Testing Center of Myongji University. The deep learning model was developed using a bidirectional Long Short-Term Memory (LSTM) network, with multiple input parameters including girder type, static load, and strain data. The performance of AI model was further enhanced through hyperparameter optimization, and its accuracy was verified through consistency evaluation. Additionally, the effectiveness of the proposed method was evaluated by analyzing prediction accuracy and computational time in relation to the quantity of training data.

참고자료

· 없음