KR101901352B1 - 지진 관측에 대한 예측 시스템 - Google Patents

Abstract

지진 관측에 대한 예측 시스템이 개시된다. 본 시스템은 복수의 플로어(floor)를 포함하고, 복수의 플로어 중 최상층에 가속도센서가 구비된 테스트 구조물, 테스트 구조물에 발생되는 진동을 감쇄시키는 TMD(tuned mass damper), 테스트 구조물을 지지하면서 테스트 구조물에 지진 신호를 트리거하는 진동 테이블 및 진동 테이블을 제어하는 제어부를 포함하며, 제어부는 가속도센서를 통해 측정되는 실제 측정값 및 적어도 하나의 예측 모델을 이용하여 실제 측정값을 예측하는 예측값을 산출하고, 소정의 조건을 만족하는 예측 모델을 선택할 수 있다. 이에 따라, 건물의 거동이 용이하게 측정될 수 있다.

Description

지진 관측에 대한 예측 시스템{Predicting System For Seismic Observation}

본 개시는 지진 관측에 대한 예측 시스템 및 방법에 관한 것으로 보다 상세하게는 테스트 구조물을 이용한 지진 관측에 대한 예측 시스템 및 방법에 관한 것이다.

고층빌딩 또는 브릿지 등의 경우 지진이나 바람을 견딜 수 있는 내진 설계가 필수적이다. 고층빌딩을 예로 들면, 동조 질량 댐퍼(TMD, tuned mass damper)와 같은 건물의 진동을 억제하기 위한 기기가 배치되는 것이 일반적이다.

그리고, 건축 공사가 시행되기 이전에 건물의 내진을 시험하기 위한 테스트 구조물이 이용될 수 있다. 테스트 구조물에 인위적인 충격, 진동이 가해지는 경우에 모니터링된 테스트 구조물의 거동(behavior) 데이터를 수집하여 건출물의 설계 및 시공시에 유용하게 이용될 수 있다.

이런 경우, 테스트 구조물의 거동 및 나아가 건축물의 거동을 용이하게 예측하는 기술의 대두가 요청된다.

한편, 상기와 같은 정보는 본 발명의 이해를 돕기 위한 백그라운드(background) 정보로서만 제시될 뿐이다. 상기 내용 중 어느 것이라도 본 발명에 관한 종래 기술로서 적용 가능할지 여부에 관해, 어떤 결정도 이루어지지 않았고, 또한 어떤 주장도 이루어지지 않는다

등록특허공보 10-1540190호(등록일: 2015.7.22)

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 일 실시 예는 테스트 구조물을 이용한 지진 관측에 대한 예측 시스템 및 방법을 제안한다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기한 과제를 실현하기 위한 본 발명의 일 실시 예와 관련된 지진 관측에 대한 예측 시스템은 복수의 플로어(floor)를 포함하고, 상기 복수의 플로어 중 최상층에 가속도센서가 구비된 테스트 구조물; 상기 테스트 구조물에 발생되는 진동을 감쇄시키는 TMD(tuned mass damper); 상기 테스트 구조물을 지지하면서 상기 테스트 구조물에 지진 신호를 트리거하는 진동 테이블; 및 상기 진동 테이블을 제어하는 제어부를 포함하며, 상기 제어부는, 상기 가속도센서를 통해 측정되는 실제 측정값 및 적어도 하나의 예측 모델을 이용하여 상기 실제 측정값을 예측하는 예측값을 산출하고, 소정의 조건을 만족하는 예측 모델을 선택할 수 있다.

본 발명의 다양한 실시예에 따르면 아래와 같은 효과가 도출될 수 있다.

첫째, 테스트 구조물을 이용한 지진 관측에 대한 예측 시스템이 제공됨으로써, 보다 정확하고 신속하게 테스트 구조물 및 실제 건축물의 거동이 예측될 수 있다.

둘째, 테스트 구조물의 거동을 측정에만 의지하지 않고 수학적으로 정확하게 예측하는 예측 시스템이 제공됨으로써, 장치 효율성 및 비용 절감성이 향상될 수 있다.

셋째, 이미 건축된 구조물의 내진 성능을 평가하는데 상기 시스템이 이용될 수 있는 바, 재난 예측 및 방지에 도움이 될 수 있다.

넷째, 고층빌딩 또는 긴 다리(long span bridge)의 안전 성능을 판단할 때, 상기 시스템이 이용되는 경우 다양한 상황을 시험해볼 수 있다.

본 발명에서 얻은 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 실시 예에 따른 테스트 구조물을 이용한 지진 관측에 대한 예측 시스템을 나타낸다.
도 2는 실시 예에 따른 테스트 구조물에 배치된 TMD를 설명하기 위한 도면이다.
도 3은 실시 예에 따른 지진 관측에 대한 예측 시스템의 구성을 나타내는 블록도이다.
도 4(a) 내지 도 4(c)는 실시 예에 따른 NARX 모델을 나타낸다.
도 5는 실시 예에 따른 다양한 예측 모델을 나타내는 테이블이다.
도 6은 실시 예에 따른 진동 측정값을 특정 예측 모델에 기초하여 예측하는 그래프이다.
도 7은 실시 예에 따른 예측 시스템의 구동 방법을 나타낸다.

첨부되는 도면들을 참조하는 하기의 상세한 설명은 청구항들 및 청구항들의 균등들로 정의되는 본 개시의 다양한 실시 예들을 포괄적으로 이해하는데 있어 도움을 줄 것이다. 하기의 상세한 설명은 그 이해를 위해 다양한 특정 구체 사항들을 포함하지만, 이는 단순히 예로서만 간주될 것이다. 따라서, 해당 기술 분야의 당업자는 여기에서 설명되는 다양한 실시 예들의 다양한 변경들 및 수정들이 본 개시의 범위 및 사상으로부터 벗어남이 없이 이루어질 수 있다는 것을 인식할 것이다. 또한, 공지의 기능들 및 구성들에 대한 설명은 명료성 및 간결성을 위해 생략될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 테스트 구조물(10)을 이용한 지진 관측에 대한 예측 시스템(100)을 나타낸다.

상기 시스템(100)은 테스트 구조물(10), 진동 테이블(110), 진동 컨트롤 박스(120), 제어 컴퓨터(PC)를 포함할 수 있다.

테스트 구조물(10)은 세 개의 층(11-1~11-3)을 포함하고, 각 층마다(11-1~11-3) 가속도 센서(accelerometer, 130-1~130-3)가 배치될 수 있다. 다만, 가속도 센서 중 가장 상층(11-1)의 가속도 센서(130-1)의 진동이 테스트 구조물(10)의 배치상 가장 크게 관측되므로 가장 중요한 측정 센서로 사용될 수 있으나, 실시 예는 이에 국한되지 않는다.

여기서, 테스트 구조물(10)의 제원을 예시적으로 살펴보면, 각 플로어(11)는 평평하고, 테스트 구조물(10)의 높이는 930 mm이고, 각 플로어(11-1~11-3)은 300 mm X 300 mm 의 사이즈에 3.4 Kg를 가지며, 각 층의 기둥(15-1~15-4)는 0.2 Kg 일 수 있다. 또한, 테스트 구조물(10)은 진동 테이블(110)과 4개의 접점(13-1~13-4)을 포함한다. 상기 테스트 구조물(10)은 실제 건축하고자 하는 건축물을 시뮬레이션한 구조물일 수 있으나, 실시 예는 이에 국한되지 않는다.

테스트 구조물(10)은 진동 테이블(110) 상에 배치될 수 있다. 상기 진동 테이블(110)은 힘(F₁, F₂)에 의해 좌우로 움직이게 된다. 상기 힘은 제어 컴퓨터(PC)의 제어에 따라 컨트롤 박스(120)에서 발생될 수 있다. 그러면, 테스트 구조물(10) 역시 상기 힘에 의해 움직이게 된다. 이와 같이, 상기 시스템(100)은 인위적인 지진발생 상황을 연출할 수 있다.

테스트 구조물(10)의 상부에는 TMD(20, tuned mass damper)가 배치될 수 있는데, 도 2를 참고하여 보다 상세하게 설명하기로 한다.

여기서, 테스트 구조물(10) 상에는 수동 진동 제어기(passive vibration controller)인 TMD(20, tuned mass damper, 동조질량댐퍼)가 배치될 수 있다. TMD(20)는 구조물의 진동을 감쇄하기 위해서 사용될 수 있다. TMD(20)는 다소 무거운 질량의 무게추(M)를 포함하고, 상기 무게추(M)는 벽(21)에 고정된 용수철 등(22, 24)과 연결될 수 있다. 상기 무게추(M)는 1.80, 2.39 Kg가 이용될 수 있다. 상기 무게추(M)의 무게는 테스트 구조물(10)의 구조에 따라 다르게 변경될 수 있다. 도 2에 도시된 TMD(20)는 예시적으로 도시되었으므로 다양한 형태, 모양으로 구성될 수 있다.

이하에서는 도 3의 블록도를 참고하여 지진 관측에 대한 예측 시스템(100)의 구성을 설명하기로 한다.

상기 시스템(100)은 진동 테이블(110), 진동 컨트롤러(120), 가속도 센서(130), 저장부(140) 및 제어부(150)를 포함할 수 있다. 도 3에 도시된 구성요소들은 시스템(100)을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 시스템(100)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다

진동 테이블(110)은 진동 컨트롤러(120)에 의해 제어될 수 있다. 진동 테이블(110)은 진동 컨트롤러(120)로부터 제공되는 필요전류에 따라 좌우로 진동될 수 있다. 이에 따라 진동 테이블(110) 위의 테스트 구조물(10)도 함께 진동하게 된다.

진동 컨트롤러(120)는 진동 테이블(110)로부터 위치에 대해 인코딩된 피드백 신호를 수신하여 이를 제어부(150)로 전달한다. 큰 의미로 제어부(150)는 진동 컨트롤러(120)를 포함하는 제어 모듈인 바, 이하에서는 제어부(150)가 진동 컨트롤러(120)를 포함하는 것으로 설명하기로 한다.

가속도 센서(130)는 이동하는 물체의 가속도나 출력의 세기를 측정할 수 있다. 가속도 센서(130)는 테스트 구조물(10) 각 층마다 또는 최상층에 배치되어 테스트 구조물(10)의 지진(진동) 신호를 센싱할 수 있다.

저장부(140)는 제어부(150)의 제어에 따라 다양한 정보를 저장할 수 있다. 저장부(140)는 시스템(100)에서 구동되는 다수의 응용 프로그램, 시스템(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.

제어부(150)는 상기 시스템(100)을 전반적으로 제어하는 구성요소이다. 제어부(150)는 테스트하고자하는 진동신호를 생성하여 진동 컨트롤러(120)를 통해 진동 테이블(110)에 전달할 수 있다. 제어부(150)는 가속도 센서(130)로부터 수신되는 측정값을 무선 또는 유선으로 수집할 수 있다.

이하에서는 본 발명의 실시 예에 따른 지진 관측에 대한 예측을 수행하는 내용을 자세히 설명하기로 한다.

상기 시스템(100)은 테스트 구조물(10)의 거동을 모델링할 수 있다. 여기서, 거동이란 테스트 구조물(10)이 지진(진동) 신호에 따라 움직이는 것을 말한다. 상기 시스템(100)은 테스트 구조물(10)에 발생된 진동 신호를 가속도 센서를 통해 측정하고, 아울러 측정된 진동 신호를 이용하여 수학적으로 상기 측정된 진동 신호가 얼마나 정확한지 예측하는 예측 모델을 제공할 수 있다.

즉, 시스템(100)은 테스트 구조물(10)의 거동을 모델링하고, 실제의 테스트 구조물(10)의 거동과 수학적으로 예측한 테스트 구조물(10)의 예측 거동을 도출할 수 있다. 나아가, 상기 시스템(100)은 실제 구조물을 테스트 구조물(10)을 통해 거동을 예측할 수 있다.

이런 경우, 매번 측정을 통해 테스트 구조물(10)의 거동을 평가하지 않고, 수학적으로 테스트 구조물(10)의 거동을 예측하여 평가하면서 실제 건축물의 거동을 에측할 수 있다.

2016년 10월 18일에 공개된 “Identification of the Response of a controlled building structure subjected to seismic load by using nonlinear system models”를 참고하면, 2개의 시스템 예측/식별(system predictino/identification) 모델이 이용될 수 있다. 상기 모델은 nonlinear autoregresive with exogenous inputs(NARX)와 adaptive neuro-fuzzy inference system(ANFIS)을 포함한다. 상기 논문을 참고하면 NARX 모델이 테스트 구조물(10)의 거동에 대해 더 우수한 식별성을 갖는 바 본 명세서는 NARX 모델을 이용하여 시스템 거동을 예측하고자 하나, ANFIS 모델이 이용될 수도 있다.

NARX 모델의 패러미터는 입력값 및 출력값이 포함될 수 있다. 도 4(a) 내지 도 4(c)를 참고하여 설명하기로 한다. S(t)는 시간에 따른 지진 신호(제어부(150)에 의해 트리거됨)를 나타내고, a(t)는 가속도 센서에서 측정하는 측정값이고, a(t-1)은 1회 시간 지연된 측정값, a(t-2)는 2회 시간 지연된 측정값을 뜻한다. 여기서 1회 지연된 측정값이란 가속도 센서에서 측정되는 측정값 중에서 첫번째 지진신호가 지연된 측정값이고, 2회 지연된 측정값이란 첫번째 및 두번째 지진신호가 지연된 측정값을 말한다.

도 4(a)에 따르면, 상기 모델은 SISO(single input single output)로 입력 패러미터가 하나이고, 출력 패러미터가 하나이다. 도 4(b) 및 도 4(c)는 MISO(multiple input single output)로, 입력 패러미터가 복수이고, 출력 패러미터가 하나이다.

NARX의 예측 모델은 아래의 식 1으로 구조물의 예측 거동으로 이용할 수 있다.

<식 1>

여기서, f는 비선형함수(nonlinear function), u(t) 및 y(t)는 입출력 시퀀스, n_u 및 n_y는 입출력 측정의 최대 개수, n_k는 입력 딜레이를 나타낸다. y(t)는 신경망 알고리즘을 적용한 비선형 함수에 해당된다. NARX 예측 모델은 입출력 패러미터들을 신경망 알고리즘을 통해 다양하게 추출하여 NARX 예측 모델에 적용할 수 있다.

상기 논문에 개시된 바와 같이, sigmoid neurons과 wavelet neurons 가 적용될 수 있으나, 평가 결과가 우수한 sigmoid neurons 을 이용하여 nonlinear model 디자인을 평가하기 위해 sigmoid 함수를 이용될 수 있다.

도 5는 NARX 모델의 평가에 사용되는 통계적 패러미터들을 나타낸다.

상기 논문에 나타난 것처럼 모델 넘버는 1 내지 9일 수 있고, 모델은 모두 NARX가 선택될 수 있다. NARX(1)은 SISO, NARX(2)는 MISO이면서 입력을 S(t) 및 a(t-1)인 경우를, NARX(3)은 MISO 이면서 입력을 S(t), a(t-1), a(t-2)인 경우를 상정한 것이다.

상기 NARX 알고리즘은 모델 패러미터들을 식별하고, 조정하는데 사용될 수 있다. 모델 패러미터를 식별하는 단계는 i) 패러미터 예측(estimation) 및 ii) 구조 탐지(structure detection)을 포함하고, 상기 단계는 모델 오더 선택 및 선택된 모델 오더를 적용하는 것으로 나뉠 수 있다. 모델 오더 선택은 구조 탐지의 일부로 판단될 수 있다.모델 오더를 결정하는 것은 trail and order method 에 의해 결정될 수 있다.

모델 오더는 아래 식 2로 정해질 수 있다.

<식 2>

상술환 n_u 및 n_y는 입출력 측정의 최대 개수, n_k는 입력 딜레이를 나타낸다. 특별히 모델별로 측정값과의 상관도를 판단하는 방법은 R², MAE(mean absolute error), RMSE(root mean squre error)를 계산하는 것이다. 아래 식 3과 같이 R2(correlation coefficient)는 관측값 및 예측값 사이의 선행 의존 정보를 제공한다.

<식 3>

여기서, y, y_s는 관측된 값이고, n은 관측 횟수이고, 타임 t =1 에서 t=n까지 예측된 성능이 나타난다. 더블도트를 포함하는 y, y_s는 관측값의 평균이다.

MAE(mean absolute error, 아래 식 4)는 에러의 평균 크기(magnitude)를 나타내는 지표로, 실제 측정값 및 산출된 예측값 간의 차이의 평균 크기를 나타낸다.

<식 4>

RMSE(root mean squre error, 아래 식 5)는 큰 에러에 큰 가중치를 두는 평균 크기(magnitude)를 나타내는 지표로, 실제 측정값 및 산출된 예측값 간의 차이에 따라 가중치를 다르게 부여하는 평균크기를 나타낸다.

<식 5>

이때, R2의 값이 높을수록, MAE 및 RMSE 의 값이 낮을수록 측정값과 유사한 예측값이 산출된 것을 나타낸다.

도 5와 같이, model 8인 NARX(3)이 예측값이 측정값에 근사값을 형성하고 있다. 이와 같이 테스트 구조물(10)에 지진 신호를 부여하면서 지진 관측의 정확도가 예측될 수 있다. 이를 보여주는 그래프가 도 6이다.

도 6을 참고하면, X축이 측정되는 진동신호의 측정값을 나타내고, Y축이 예측모델(NARX 모델)을 이용한 예측값을 나타낸다. 도 6과 같이 NARX 예측값이 테스트 구조물(10)의 거동을 정확하게 예측하는데 이용될 수 있다.

상기의 알고리즘을 이용하면 건물의 측정값과 예측값을 가장 효과적으로 도출하여 테스트 구조물에 계속적으로 진동값을 올려 테스트 구조물이 무너질 때까지 시험을 하지 않더라도 테스트 구조물의 다양한 패러미터들을 예측하여 측정할 수 있다.

도 7은 실시 예에 따른 예측 시스템의 구동 방법을 나타낸다.

일단, 시뮬레이션 단계(S710내지S750)와 테스트 단계(S760 내지 S780)로 나뉠 수 있다. 시뮬레이션 단계는 보다 낮은 질량의 M을 구비한 TMD가 사용되는 단계이고, 테스트 단계는 보다 높은 질량의 M을 구비한 TMD가 사용되는 단계를 말한다. 이렇게 단계적으로 무게를 높여가며 테스트 구조물(10) 및 나아가 실제 건축물의 거동이 평가될 수 있다.

시뮬레이션 단계를 먼저 설명하기로 한다.

TMD 질량이 1.8 Kg에 대한 지진 신호인 입력과 가속도 센서 측정값인 출력을 선택한다(S710).

상기 1.8Kg 은 테스트 구조물(10)의 제원에 따라 달리 설정될 수 있다.

그 다음으로, 상기 시스템(100)은 신호의 노이즈를 제어한다(S720).

이에 따라, 관측된 측정값의 노이즈가 제거될 수 있다.

그 후에, 모델의 패러미터 및 오더를 입력하고(S730), 모델의 패러미터의 조정을 수행한다(S740).

본 단계는 복수의 예측 모델에 대해 복수의 패러미터에 따라 연산을 수행하고, 가장 최적의 패러미터가 무엇인지, 가장 최적의 예측 모델이 무엇인지 결정할 수 있다.

만약 개선이 있는 경우(S750), 시뮬레이션 단계를 마치고 테스트 단계로 진행한다(S760S 내지 S780).

테스트 단계에서, TMD 질량을 2.3 Kg에 대한 구조물 출력을 시험한다(S760).

개선이 있는 경우(S770), 최적 모델로 선택한다(S780).

개선을 판단하는 것은 상술한 바와 같이, R², MAE, RMSE가 이용될 수 있으나, 실시 예는 이에 국한되지 않는다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 시스템(100)의 제어부(150)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (6)

1. 지진 관측에 대한 예측 시스템에 있어서,
   복수의 플로어(floor)를 포함하고, 상기 복수의 플로어 중 최상층에 가속도센서가 구비된 테스트 구조물;
   상기 테스트 구조물에 발생되는 진동을 감쇄시키는 TMD(tuned mass damper);
   상기 테스트 구조물을 지지하면서 상기 테스트 구조물에 지진 신호를 트리거하는 진동 테이블; 및
   상기 진동 테이블을 제어하는 제어부를 포함하며,
   상기 제어부는,
   상기 가속도센서를 통해 측정되는 실제 측정값 및 적어도 하나의 예측 모델을 이용하여 상기 실제 측정값을 예측하는 예측값을 산출하고, 소정의 조건을 만족하는 예측 모델을 선택하되,
   상기 소정의 조건은,
   상기 실제 측정값 및 산출된 예측값 간 차이의 평균 크기를 나타내는 평균 절대치 에러(mean absolute error, MAE)의 값, 또는 상기 실제 측정값 및 산출된 예측값 간 차이에 따라 가중치를 다르게 부여하는 평균 제곱근 에러(root mean square error, RMSE) 값이 최소인 경우에 만족되며,
   상기 소정의 조건을 만족하는 예측 모델은,
   상기 지진 신호를 나타내는 S(t), 상기 실제 측정값의 제1 연기(delay) 측정값 및 상기 실제 측정값의 제2 연기 측정값 중 적어도 하나를 입력값으로, 상기 가속도센서의 예측되는 거동(behavior)값을 출력값으로 적용하고,
   상기 소정의 조건을 만족하는 예측 모델은,
   신경망 알고리즘을 적용하는 NARX(nonlinear autoregresive with exogenous inputs) 함수를 사용하며,
   상기 TMD에 포함된 무게추의 무게는 시뮬레이션 단계 및 테스트 단계에서 서로 다르게 적용되며, 상기 시뮬레이션 단계에서 최적의 예측 모델이 결정되면, 상기 테스트 단계에서 상기 무게추의 무게가 증가되는, 지진 관측에 대한 예측 시스템.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제

Images