이성호
(Seong-Ho Lee)
1
김기현
(Ki-Hyun Kim)
2iD
윤석구
(and Seok-Goo Youn3)
3†iD
-
서울과학기술대학교 건설시스템공학과 대학원생
(Graduate Student, Department of Civil Engineering, Seoul National University of Science
and Technology, Seoul 01811, Rep. of Korea)
-
컨텍이앤씨(주) 대표이사
(CEO, CONTEK ENC Co., Ltd., Seongnam 13503, Rep. of Korea)
-
서울과학기술대학교 건설시스템공학과 교수
(Professor, Department of Civil Engineering, Seoul National University of Science and
Technology, Seoul 01811, Rep. of Korea)
Copyright © Korea Concrete Institute(KCI)
키워드
충격공진법, 딥러닝, 합성곱 신경망, 장단기 기억 신경망, 플라스틱 덕트
Key words
Impact-Echo, deep learning, CNN, LSTM, plastic duct
1. 서 론
콘크리트 구조물에서 후긴장된 Prestressed Concrete(이하 PSC) 방식은 PS 강재를 콘크리트 타설 전에 미리 삽입하고 긴장시킨다.
이후 덕트 내부에 그라우트로 덕트 내부를 채워 부식에 의한 PS 강재의 단면적 감소가 없도록 한다. 하지만 콘크리트 덕트 내부 안에 그라우트 미충전으로
인한 공극이 발생하면 공극 부분에 물, 염화칼슘 등이 침투가 발생하고 PS 강재 부식에 의해 단면적 감소가 발생하게 된다. PS 강재의 단면적 감소는
적은 휨강도로도 강재를 쉽게 파단시킬 수 있으며 교량을 사전에 어떠한 예고없이 붕괴시킬 수 있는 것으로 보고된다(Woodward 1989; Poston and West 2005). 이러한 이유로 PSC 교량에서 덕트 내 그라우트 미충전 부분을 조사하는 것이 중요하다.
Impact-Echo(이하 IE)는 비파괴검사 방법으로 1980년대부터 콘크리트 구조물의 결함을 찾는 연구가 진행되었다(Sansalone and Carino 1986). PSC 교량 덕트 내부에 존재하는 공극을 찾는 방법으로 IE가 유효한 방법일 수 있다고 보고되고 있다(Terzioglu et al. 2018; Liu et al. 2019). 하지만 PSC 교량 내부 덕트가 플라스틱인 경우, IE로 덕트 내부 공극이나 그라우팅 상태를 파악하기 어렵다고 또한 보고되고 있다(Muldoon et al. 2007; Zhu and Popovics 2007; Ohtsu and Alver 2009). 그 이유는 플라스틱 덕트의 경우 콘크리트나 그라우팅 재료보다 낮은 음향 임피던스를 갖기 때문이다(Sansalone and Streett 1997; Ohtsu and Alver 2009).
이를 해결하기 위해 인간이 아닌 기계가 학습하고, 비파괴검사 결과를 진단하는 머신러닝 기법이 연구되고 있다(Dorafshan and Azari 2020a; Oh et al. 2020; Xu and Yu 2021). 머신러닝 기법은 많은 양의 데이터 처리에 효율적이고, 데이터가 많아질수록 높은 성능을 보이는 장점이 있다. 특히 머신러닝 분야에서 심층구조인 딥러닝
학습 방식은 기존의 머신러닝 성능을 한 단계 높였으며, 딥러닝 모델은 이미지 인식 분야에서 인간보다 더 정확하다는 연구 결과가 보고되고 있다(He et al. 2015; Dodge and Karam 2017; Dorafshan and Azari 2020b).
IE 실험에 딥러닝을 접목한 연구들을 살펴보면, Oh et al.(2020)는 부분적으로 미충전한 강재 덕트가 삽입된 실험체에 IE 실험을 하고 Long Short-Term Memory(이하 LSTM) 딥러닝 모델을 적용하였다.
[4]Dorafshan and Azari(2020b)는 콘크리트 바닥판 실험체에 여러 결함을 인위적으로 만들고, IE 실험을 수행하여 1D Convolution
Neural Network(이하 CNN), 2D CNN(AlexNet, GoogleNet, ResNet), LSTM 딥러닝 모델을 적용한 결과를 토대로
1D CNN 모델이 정확도가 가장 높다고 보고하였다. Xu and Yu(2021)는 미충전된 플라스틱 덕트가 삽입된 실험체에 IE 실험을 수행하고
2D CNN 딥러닝 모델을 적용하였다.
이 연구에서는 콘크리트 실험체에 삽입된 플라스틱 덕트 내부 공극을 찾기 위해 IE 실험을 수행하고, 딥러닝 기법을 적용하여 공극 존재 여부를 진단하였다.
무근콘크리트, 철근콘크리트, 그리고 플라스틱 덕트가 삽입된 철근콘크리트 3개의 실험체에 IE 실험을 수행하였다. 딥러닝 모델은 LSTM 모델과 1D
CNN 모델, 그리고 1D CNN 모델과 LSTM 모델을 조합한 CNN-LSTM 모델을 적용하였다. 연구 결과를 토대로 플라스틱 덕트 내부의 공극
진단 시 성능이 높은 딥러닝 모델을 비교 평가하였다.
2. Impact-Echo 실험
2.1 이론
IE 실험의 기본적인 원리는 Fig. 1(a)에 나타내었다. 그림에서 A 지점은 밑에 콘크리트 공극이 존재하는 지점이다. 타격장치로 A 지점을 타격하면 충격파가 발생하며, 그중 P파는 콘크리트
내부에서 공극 경계부분과 콘크리트 표면 부분에서 다중 반사가 되어 일정한 주기를 갖는 파형으로 수신기에 측정된다. B 지점은 공극 부분이 없는 콘크리트
두께 부분으로 타격 시 A 지점과 마찬가지로 P파가 콘크리트 바닥과 표면을 다중 반사하며 콘크리트 두께에 대한 일정한 주기의 파형으로 수신기에 측정하게
된다. 측정된 IE 신호 데이터를 Fast Fourier Transform(이하 FFT)을 활용하여 시간 영역에서 주파수 영역으로 변환하면, 특정
공진주파수를 확인할 수 있으며, 공진주파수를 토대로 공극 깊이와 콘크리트 두께를 산정할 수 있다. Fig. 1(b)에 공극/비공극 신호 데이터와 신호 데이터를 FFT 변환한 그림을 나타내었다. 피크주파수 $f_{p}$는 식 (1)로 구할 수 있으며 이 식에서 반사면의 깊이 D를 활용하여 콘크리트 두께와 공극 깊이를 구할 수 있다.
Fig. 1 Schematic of the Impact-Echo
여기서, $C_{p}$는 P파의 전파 속도, $D$는 반사면의 깊이이다. $\beta$는 구조의 기학학적 계수로(Sansalone and Streett 1997), 포아송비에 따라 0.945에서 0.9555의 값을 갖는다(Gibson and Popovics 2005).
2.2 실험체
3개의 콘크리트 실험체로, M1은 무근콘크리트, M2는 철근콘크리트, M3는 중앙에 안이 비어있는 플라스틱 덕트가 삽입된 철근콘크리트이다. 여러 실험체
조건에서 데이터를 수집하기 위해 3개의 실험체를 사용하였다. 콘크리트 실험체 크기는 모두 1.6×1.6×0.4 m이며, 콘크리트 평균 압축강도는 40
MPa이다. 실험체 M2와 M3의 철근은 콘크리트 상단 부분에만 배근되어 있고 철근 직경은 D16, 간격은 125 mm이다. M3의 플라스틱 덕트의
지름은 76 mm이며 두께는 약 2 mm, 콘크리트 상단에서 덕트 표면까지의 거리는 175 mm이다. 실험체의 도면과 사진은 Fig. 2와 Fig. 3에 (a) M1, (b) M2, (c) M3로 나타내었다.
2.3 실험 장비
IE 실험에 사용한 장비로, 타격장치는 직경 7.9~41.0 mm의 금속 재질의 원형 추를 사용하였다. 수신기는 K사의 ASPB-A 모델로 Piezoelectric
Acceleration Transducer를 사용하였고, 주파수 45 kHz까지 측정이 가능한 센서이다. 데이터 수집장치는 K사의 EDX-200A
모델인 Universal Recorder를 사용하였고, 데이터의 샘플링은 65.54 kHz 주파수 범위로 측정하였다. 실험체와 가속도계 부착은 P사의
Petro Wax를 사용하였다. 분석 프로그램은 MATLAB, PYTHON 기반의 Tensorflow, Keras 패키지를 사용하였다. Fig. 4(a)~4(d)에 IE 실험 장비인 (a) 타격장치, (b) 수신기, (c) 데이터 수집장치, (d) 부착 왁스 사진을 나타내었다.
Fig. 2 Schematic of specimens
Fig. 3 Pictures of specimens
Fig. 4 Pictures of instruments
2.4 실험 과정
실험체 표면에 타격지점과 약 50~150 mm 떨어진 곳에 4개의 수신기를 붙이고, 여러 지름의 원형 추를 사용하여 IE 실험을 하였다. 실험체 M1과
M2는 중앙 및 임의의 지점에 타격하여 비공극 데이터를 수집하였다. 실험체 M3는 덕트 부근에서 공극 데이터를 수집하였고, 덕트와 멀리 떨어진 지점에서
비공극 데이터를 수집하였다. 각 실험체의 타격지점은 M1은 7곳, M2는 8곳, M3 공극 부분은 16곳, M3 비공극 부분은 17곳이다. 타격지점마다
여러 지름의 추를 사용하여 IE 실험을 수행하였고, 실험체마다 실험 횟수는 M1은 35회, M2는 37회, M3 공극 부분은 75회, 비공극 부분은
79회이다.
3개의 실험체에서 총 226회의 IE 실험을 수행하였으며, 4개의 수신기를 사용했기 때문에, 총 904개의 IE 신호 데이터가 수집되었다.
추 지름에 따라 얻을 수 있는 최대 주파수($f_{\max}$) 범위는 식 (2)와 같다고 보고된 바 있다(Sansalone and Streett 1997).
여기서, $D$는 추 지름(mm)을 나타낸다. 덕트 깊이는 175 mm이기 때문에 피크점의 이론 주파수대는 11 kHz이다. 따라서 실험에 적용할
최대 추의 지름은 25 mm가 된다. Table 1에는 추 지름별 IE 실험 횟수를 나타내었다. 이 실험에서는 Table 1에 나타낸 바와 같이 추 지름을 7.9 mm에서 41 mm까지 사용하였다.
Table 1 Number of IE experiments with various impactor sphere diameters
|
Sphere’s diameter (mm)
|
IE experiments (number)
|
|
7.9
|
1
|
|
9.5
|
39
|
|
11.1
|
38
|
|
12.7
|
43
|
|
15.9
|
39
|
|
19
|
44
|
|
22
|
4
|
|
25
|
8
|
|
30
|
3
|
|
35
|
3
|
|
41
|
4
|
2.5 FFT 변환
실험체 M1, M2, M3 공극/비공극 지점에서 IE 실험을 하여 얻은 IE 신호 데이터를 FFT 변환하여 Fig. 5(a)~5(d)에 나타내었다. 같은 타격지점에 9.5 mm, 11.1 mm, 12.7 mm, 15.9 mm, 19 mm의 원형 추를 사용했으며 각 추의
IE 신호 데이터를 FFT 변환하여 한 그래프 안에 나타내었다. 진폭은 추 지름마다 FFT 변환 데이터의 형태를 비교할 수 있도록 최대 진폭 값으로
나눠 0~1 사이로 조정하였고 주파수 범위는 33.27 kHz까지 나타내었다. P파의 전파속도는 4,000 m/s, $\beta$는 0.96 가정
시 콘크리트 실험체의 400 mm 두께에서의 이론 주파수는 4.8 kHz, 175 mm의 공극 깊이에서의 이론 주파수는 11 kHz로 계산된다. Fig. 5(a)와 5(b) 비교 시, 무근콘크리트 실험체 M1보다 상단에 철근이 배근된 철근콘크리트 실험체 M2에서 피크점이 더 분산되어 발생한 것을 확인하였다.
또한 Fig. 5(a)~ 5(d)의 모든 실험체 부분에서 두께에 대한 이론주파수 5 kHz 부근에서 피크점을 확인하였지만, 주파수 9~12 kHz대에서도 여러 피크점이
발생하였다. Fig. 5(c)에서 M3 공극 부분의 경우 이론주파수인 11 kHz 부근에서 피크점이 나와야 하지만, 9~12 kHz대에서도 여러 피크점이 발생하여 구분하기 어려웠다.
Ohtsu and Alver(2009)와 Yeh and Liu(2008)의 연구에서도 콘크리트 내부 공극과 결함에 의한 이론 주파수대에서 여러 피크점이 발생한 결과와 유사성이 있으며, 이는 결함에 의한 피크점을 구분하기
어렵게 한다고 분석한 바 있다.
Fig. 5 FFT of each specimen’s IE signals
3. Deep Learning
딥러닝은 머신러닝의 한 분야로, 기존의 머신러닝은 특징을 따로 추출하고 입력하여 학습시키는 방법이었지만, 딥러닝은 특징을 따로 추출하는 작업없이 데이터만
입력하고 자동으로 특징을 추출하여 패턴을 파악한다. 딥러닝의 구조는, 머신러닝의 인공 신경망(ANN) 기반으로 개발되었으며 심층 구조를 갖고 있어,
이전 머신러닝 모델들보다 심층 학습이 가능하다. 딥러닝의 주요 모델로는 CNN, RNN(recurrent neural network) 모델이 있으며,
CNN 모델은 이미지 인식에, RNN 모델은 신호나 연속적인 데이터 처리에 우수한 성능을 보인다. 두 개의 모델을 3개의 콘크리트 실험체에서 수집한
IE 신호 데이터에 적용해 보고, 두 개의 모델을 조합한 CNN- LSTM 모델에도 적용하여 3개의 딥러닝 모델들의 정확도를 평가해보고자 하였다.
3.1 데이터셋 및 데이터 전처리
총 226회의 실험 데이터를 훈련시키는 훈련 데이터셋(train set)과 훈련 도중에 정확도를 확인하는 검정 데이터셋(validation set),
훈련이 끝난 후 모델의 정확도를 확인하는 테스트 데이터셋(test set)으로 나누었다. 검정･테스트 데이터셋은 타격지점마다 지름 9.5~19 mm
범위의 추로 각각 한 번씩 타격하여 수집한 실험 데이터로 구성하였다. 훈련 데이터셋은 지름 9.5~19 mm 범위의 추 외에 지름 7.9 mm 및
22~41 mm 추로 수집된 데이터도 포함하여 여러 추 지름의 조건으로 학습시켰다. 훈련･검정･테스트 데이터셋을 6:2:2의 비율로 맞추고자 133:48:45개의
데이터로 구성하였다. 각 데이터셋은 공극:비공극의 데이터 비율이 1:1이 되도록 맞추었으며, 훈련 데이터셋의 경우 공극의 IE 실험 데이터를 두 배로
복사하여 1:1의 비율에 가깝게 맞추었다. Table 2에 데이터셋마다 각 실험체의 실험 데이터의 개수, 공극/비공극 개수, IE 신호 데이터 수, 공극 데이터의 비율을 나타내었다.
Fig. 6 Architecture of the input data
Table 2 Classification of each dataset
|
Dataset
|
M1
|
M2
|
M3
|
Experiments
|
IE signal data
|
Percentage of void signal data
(%)
|
|
Solid
|
Solid
|
Void
|
Solid
|
|
Train set
|
15
|
17
|
84*
|
59
|
175
|
700
|
48
|
|
Validation set
|
10
|
10
|
18
|
10
|
48
|
192
|
37.5
|
|
Test set
|
10
|
10
|
15
|
10
|
45
|
180
|
33.3
|
*42×2=84
Fig. 6에 입력 데이터를 나타내었는데, 입력 데이터는 IE 신호 데이터, FFT 변환 데이터 그리고 경계조건인 추 지름(mm)과 덕트 깊이(mm) 두 값으로
구성되도록 전처리하였다.
덕트 깊이는 실험체 M1, M2의 경우 M3와 같은 값을 입력하였다. 데이터 전처리할 때 타격지점과 수신기 간의 거리 정보는 고려하지 않았다.
3.2 Long Short-Term Memory (LSTM)
RNN 모델은 은닉층에서 출력층과 다시 은닉층으로 가는 순환적 구조를 갖고 있으며, 시간 변화에 따른 시계열 데이터나 순서가 있는 시퀀스 데이터의
학습에 적합한 모델이다. LSTM 모델은, 기존 RNN 모델을 개선시킨 모델로, 뒤의 데이터가 앞의 데이터의 영향을 못 받는 장기 의존성 문제를 해결하였다(Hochreiter and Schmidhuber 1997). LSTM 모델은, 기존 RNN 모델에 셀 상태(cell state)와 함께 입력, 망각, 출력게이트를 추가하여, 선택적으로 정보 전달이 가능하다.
LSTM 모델의 전체적인 구조는 Fig. 7(a)에 도식화하였다. LSTM 모델의 전체적인 구조를 입력층, LSTM(100)층, 드롭아웃층, 완전연결층(dense)으로 구성하였다. 여기서 드롭아웃층은
임의의 노드를 선택적으로 삭제해주는 층으로 학습과정에서 과적합을 방지해준다. 완전연결층은 입력층과 출력층을 모두 연결해주는 층으로, 여기에 활성화
함수는 출력값을 정규화하여 공극과 비공극 판단을 확률 수치로 나타내어 분류시키는 Softmax 함수를 사용하였다.
3.3 Convolutional Neural Network (CNN)
CNN 모델은 Neocognitron 신경망(Fukushima 1980)으로부터 발전하였으며, 생물의 시각처리방식을 모방한 모델이기 때문에 이미지 인식에 뛰어나다. CNN 모델은 합성곱 연산을 통해 이미지의 부분적인 특징들을
추출하고, 특징들의 패턴을 파악하여 이미지를 식별한다. 또한 이미지뿐만 아니라 신호와 같은 1D 데이터에도 CNN 모델 적용이 가능하다(Rawat and Wang 2017; Dorafshan and Azari 2020). CNN 모델의 전체적인 구조는 Fig. 7(b)에 도식화하였다. CNN 모델의 구조는 입력층, (1) CBRM층, (2) CBRM층, (3) CBRM층, Flatten층과 드롭아웃층, 완전연결층으로
구성하였다. Convolution층과 함께 Batch Normalization층, ReLU 활성화 함수를 사용하는 Activat-ion층, Maxpooling층으로
4개의 층을 하나로 묶어 CBRM층이라 하였다. 여기서 Batch Normalization층은 이전 층인 Convolution층의 출력값을 정규화시켜
훈련 속도를 향상시킨다(Dorafshan and Azari 2020). ReLU 활성화 함수는 이전 층의 출력 값들 중에서 0 보다 작은 값은 0 값으로 출력 하고, 0 보다 큰 값은 그 값 그대로 출력시킨다. Maxpooling층은
이전 층에서 출력된 값 중에서 큰 값만 추출하는 역할을 한다. CBRM층 이후 연결된 Flatten층은 이전 층에서의 데이터들을 1D 데이터로 바꿔
완전연결층에서 공극, 비공극으로 분류할 수 있도록 해준다. 완전연결층에서 활성화 함수는 LSTM 모델과 동일한 Softmax 함수를 사용하였다.
Fig. 7 Schematic of deep learning models
3.4 CNN-LSTM
CNN-LSTM 모델은 두 가지 모델의 특성을 사용할 수 있는 장점을 가지고 있다. 이 모델은 CNN 층에서 입력 데이터의 특징 추출이 가능하고 LSTM
층에서 특징들 간의 상관관계를 파악하는 시공간적 특성을 이용할 수 있다. 또한 LSTM 모델은 CNN 모델의 장기 의존성 문제를 해결하는 역할로 이용되어
구조적으로 성능이 보완된다(Park and Kim 2019). CNN-LSTM 모델의 전체적인 구조는 Fig. 7(c)에 도식화하였다. CNN-LSTM 모델의 구조는 입력층, (1) CBEM층, (2) CBEM층, (3) CBEM층, LSTM(100)층, 드롭아웃층,
완전연결층으로 구성하였다. Convolution층, Batch Normalization층, ELU 함수를 사용하는 Activation층, Maxpooling층으로
4개의 층을 하나로 묶어 CBEM층이라 하였다. 여기서 ELU 활성화 함수는 이전 층의 출력 값들 중에서 0보다 작은 값은 지수함수의 값으로 출력하고,
0보다 큰 값은 그 값 그대로 출력시킨다. CBEM층 이후 완전연결층에서의 활성화 함수는 위의 모델들과 같은 Softmax 함수를 사용하였다.
3.5 Hyperparameters
하이퍼 파라미터 값들은 사용자가 정하는 값으로, 훈련데이터셋 전체를 한 번 학습시키는 것을 Epoch라 하며, Batch size는 학습의 부담을
덜기 위해 훈련 데이터셋을 일정 크기로 나누어 학습시키는 것을 말한다. Learning rate(학습률)는 학습하는 속도를 말하며, 훈련 시 적절한
값으로 조정이 필요하다. 모든 모델의 Hyperparameter 값은 Epoch는 50, Batch size는 20, Learning rate는 0.001로
각 모델들마다 동일하도록 하였다. 모델은 검정 데이터셋의 정확도가 가장 높을 때 자동으로 저장되도록 하였다.
4. 결과 분석
LSTM, CNN, CNN-LSTM 딥러닝 모델들의 훈련 데이터셋 및 검정 데이터셋 훈련과정은 Fig. 8에 나타내었다. LSTM 모델은 epoch 3에서 훈련 데이터셋의 정확도 64 %, 검정 데이터셋의 정확도 62 %로 저장되었다. CNN 모델은 epoch
42에서 훈련 데이터셋의 정확도 94 %, 검정 데이터셋의 정확도 93 %로 저장되었다. CNN-LSTM 모델은epoch 8에서 훈련 데이터셋의 정확도
99 %, 검정 데이터셋의 정확도 97 %로 저장되었다.
각 딥러닝 모델들의 테스트 데이터셋 적용 결과는 Table 3에 (a) LSTM, (b) CNN, (c) CNN-LSTM 모델들의 정오분류표(confusion matrix)와 Table 4에 각 모델의 공극/비공극의 정밀도 및 전체 정확도를 나타내었다. LSTM 모델의 전체 정확도는 58 %, 공극･비공극의 정밀도는 각각 10 %와
82 %로 평가되었다. CNN 모델의 전체 정확도는 84 %, 공극･비공극의 정밀도는 각각 80 %와 87 %로 평가되었다. CNN-LSTM 모델의
전체 정확도는 93 %, 공극･비공극의 정밀도는 각각 88 %와 96 %로 평가되었다. CNN-LSTM 모델이 전체 정확도와 공극･비공극 정밀도에서
가장 높은 수치를 보였다. 다음으로는 CNN 모델이 높았고, LSTM 모델은 CNN, CNN-LSTM 모델보다 상대적으로 전체 정확도와 공극 정밀도가
낮게 평가되었다.
입력 데이터를 IE 신호 데이터, FFT 변환 데이터, 경계조건으로 데이터 전처리하였는데, 이 데이터를 활용하는 경우, 데이터마다 의존하여 학습하는
순환구조의 학습 방식인 LSTM 모델보다 합성곱 연산을 통해 지역적 특징을 추출하고 패턴을 파악하여 학습하는 방식인 CNN 모델이 학습 정확도를 높이는데
더 적합하다고 판단된다. CNN-LSTM 모델은 입력 데이터가 CNN 모델로부터 특징이 추출되고 LSTM 모델이 CNN 모델의 장기 의존성 문제를
해결하는 역할(Park and Kim 2019)로 이용되어 이러한 구조의 시공간적인 장점 때문에 CNN 모델이나 LSTM 모델보다 더 학습이 잘되었다고 판단된다.
Fig. 8 Graphs of training models
Table 3 Confusion Matrix of models
|
(a) LSTM
|
|
|
Prediction (180)
|
|
Void (60)
|
Solid (120)
|
|
Actual
(180)
|
Void (60)
|
6
|
54
|
|
Solid (120)
|
22
|
98
|
|
(b) CNN
|
|
|
Prediction (180)
|
|
Void (60)
|
Solid (120)
|
|
Actual
(180)
|
Void (60)
|
48
|
12
|
|
Solid (120)
|
16
|
104
|
|
(c) CNN-LSTM
|
|
|
Prediction (180)
|
|
Void (60)
|
Solid (120)
|
|
Actual
(180)
|
Void (60)
|
53
|
7
|
|
Solid (120)
|
5
|
115
|
Table 4 Precision and Accuracy of each model
|
Model
|
Void precision
(%)
|
Solid precision
(%)
|
Accuracy
(%)
|
|
LSTM
|
10
|
82
|
58
|
|
CNN
|
80
|
87
|
84
|
|
CNN-LSTM
|
88
|
96
|
93
|
5. 결 론
이 연구는 플라스틱 덕트 내부의 공극을 조사하기 위해 LSTM, CNN, CNN-LSTM 딥러닝 모델을 IE 신호 데이터에 적용하여 평가하고 성능이
높은 모델을 채택하는 데 목적을 두고 있다.
이번 연구는 무근콘크리트, 철근콘크리트, 안이 비어있는 플라스틱 덕트가 삽입된 철근콘크리트 실험체를 대상으로 IE 실험을 진행하였으며 수집한 IE
신호 데이터를 딥러닝 모델에 적용하여 얻은 결과를 간략히 정리하였다.
1) LSTM 모델의 정확도는 58 %이고 공극의 정밀도는 10 %밖에 되지 않았다. LSTM 모델의 경우 비공극 예측으로만 쏠리는 학습이 되었다고
판단된다. 추후 이를 해결하기 위한 조정이 필요하다고 판단된다.
2) CNN 모델의 정확도는 84 %이고 공극의 정밀도는 80 %이다. 80 %대의 정확도를 90 % 대로 올리는 개선이 필요하며 solid 부분의
정밀도보다 void 부분의 정밀도를 더 높이는 개선이 필요하다.
3) CNN-LSTM 모델의 정확도는 93 %이고 공극의 정밀도는 88 %로 딥러닝 모델 중에 정확도와 공극 정밀도가 가장 높았다. 이 연구에서 가장
개선된 모델이라 평가된다. 하지만 CNN 모델과 마찬가지로 solid 부분의 정밀도보다 void 부분의 정밀도를 더 높이는 개선이 필요하다.
4) 이 연구는 추 지름, 덕트 깊이를 제외한 실험에서의 경계 조건인 타격지점과 수신기간의 거리를 고려하지 않았으며 여러 조건의 그라우트 충전/미충전된
덕트와의 비교가 아닌 하나의 미충전된 플라스틱 덕트와 실험체의 비공극 부분 간의 비교로 연구적 제한점이 있다.
감사의 글
이 연구는 서울과학기술대학교 교내연구비의 지원으로 수행되었습니다.
References
Carino N. J., 2015, Impact Echo: The Fundamentals, In Proceedings of the International
Symposium Non-Destructive Testing in Civil Engineering (NDT-CE). Berlin, Germany,15-17
Dodge S., Karam L., 2017, A Study and Comparison of Human and Deep Learning Recognition
Performance under Visual Distortions, 26th International Conference on Computer Communication
and Networks (ICCCN). IEEE. 1-7.
Dorafshan S., Azari H., 2020a, Deep Learning Models for Bridge Deck Evaluation Using
Impact Echo, Construction and Building Materials, Vol. 263, No. , pp. 120109-
Dorafshan S., Azari H., 2020b, Evaluation of Bridge Decks with Overlays Using Impact
Echo, a Deep Learning Approach, Automation in Construction, Vol. 113, No. , pp. 103133-
Fukushima K., 1980, Neocognitron: A Self-Organizing Neural Network Model for a Mechanism
of Pattern Recognition Unaffected by Shift in Position, Biol. Cybernetics, Vol. 36,
No. , pp. 193-202
Gibson A., Popovics J. S., 2005, Lamb Wave Basis for Impact-Echo Method Analysis,
Journal of Engineering Mechanics, Vol. 131, No. 4, pp. 438-443
He K., Zhang X., Ren S., Sun J., 2015, Delving Deep into Rectifiers: Surpassing Human-Level
Performance on Imagenet Classification, Proceedings of the IEEE International Conference
on Computer Vision, Vol. , No. , pp. 1026-1034
Hochreiter S., Schmidhuber J., 1997, Long Short-Term Memory, Neural Computation, Vol.
9, No. 8, pp. 1735-1780
Liu Y. L., Shi J. J., Huang J. Q., Wei G. S., Wu Z. X., 2019, Grouting Defect Detection
of Lapped Bar Connections Based on Impact-Echo Method, Shock and Vibration, Vol. 2019,
No. 4, pp. 1-14
Muldoon R., Chalker A., Forde M. C., Ohtsu M., Kunisue F., 2007, Identifying Voids
in Plastic Ducts in Post-Tensioning Prestressed Concrete Members by Resonant Frequency
of Impact-Echo, SIBIE and Tomography, Construction and Building Materials, Vol. 21,
No. 3, pp. 527-537
Oh, B. D., Choi, H., Song, H. J., Kim, J. D., Park, C. Y., and Kim, Y. S. (2020) Detection
of Defect Inside Duct Using Recurrent Neural Networks. Sensors and Materials 32(1),
171-182.
Ohtsu, M., and Alver, N. (2009) Development of Non-Contact SIBIE Procedure for Identifying
Ungrouted Tendon Duct. NDT&E International 42(2), 120-127.
Park, H. Y., and Kim, K. J. (2019) Sentiment Analysis of Moive Review Using Integrated
CNN-LSTM Model. Journal of Intelligence and Information Systems 25(4), 141-154. (In
Korean)
Poston, R. W., and West, J. S. (2005) Investigation of the Charlotte Motor Speedway
Bridge Collapse. Metropolis and Beyond: Proceedings of the 2005 Structures Congress
and the 2005 Forensic Engineering Symposium. April 20-24, 2005, New York, NY. 1-11.
Rawat, W., and Wang, Z. (2017) Deep Convolutional Neural Networks for Image Classification:
A Comprehensive Review. Neural Comput 29(9), 2352-2449.
Sansalone, M. J., and Carino, N. J. (1986) Impact-Echo: A Method for Flaw Detection
in Concrete Using Transient Stress Waves (NBSIR 86-3452). National Bureau of Standards.
1-222.
Sansalone, M. J., and Streett, W. B. (1997) Impact-Echo - Nondestructive Evaluation
for Concrete and Masonry. Bullbirer, Ithaca, NY.
Terzioglu, T., Karthik, M. M., Hurlebaus, S., Hueste, M. B. D., Maack, S., Woestmann,
J., Wiggenhauser, H., Krause, M., Miller, P. K., and Olson, L. D. (2018) Nondestructive
Evaluation of Grout Defects in Internal Tendons of Post-Tensioned Girders. NDT and
E International 99, 23-35.
Woodward, R. J. (1989) Collapse of a Segmental Post-Tensioned Concrete Bridge. Transportation
Research Record. 1211.
Xu, J., and Yu, X. (2021) Detection of Concrete Structural Defects Using Impact Echo
Based on Deep Networks. Journal of Testing and Evaluation 49(1), 109-120.
Yeh, P. L., and Liu, P. L. (2008) Application of the Wavelet Transform and the Enhanced
Fourier Spectrum in the Impact Echo Test. NDT & E International 41(5), 382-394.
Zhu, J., and Popovics, J. S. (2007) Imaging Concrete Structures Using Air-Coupled
Impact-Echo. Journal of Engineering Mechanics 133(6), 628-640.