김순용
(Soon-Yong Kim)
†iD
박진엽
(Jin-Yeub Park)
1iD
-
학생회원, 서울시립대학교 토목공학과 석사과정
-
정회원, University of Illinois at Urbana-Champaign 토목환경공학과 박사후 연구원
-
정회원, 한국도로공사 도로교통연구원 디지털융합연구실 책임연구원
-
정회원, 서울시립대학교 토목공학과/도시빅데이터융합학과 부교수, 교신저자
Copyright © The Korea Institute for Structural Maintenance and Inspection
키워드
반지도학습, 딥러닝, 진동 응답, 구조물 손상 탐지, LK-Block Encoder, 1-D CNN
Key words
Semi-supervised learning, Deep learning, Vibration responses, Damage detection, LK-Block Encoder, 1-D CNN
1. 서 론
최근 사회적으로 구조물의 안전성이 중요한 문제로 부각되고 있다. 구조물은 시간이 지남에 따라 자연적인 부식이나 노화, 환경 영향, 지진 및 지반의
움직임, 화학적 작용, 부하 변화, 화재 등으로 손상될 수 있다. 구조물이 심각한 손상을 입었을 경우에는 외관조사(Visual Inspection)만으로
구조물의 손상을 찾는 일이 충분할 수도 있다. 그러나, 대형구조물에서 소수의 부재가 손상을 입었거나 열화된 경우, 외관조사만으로 손상의 유무나 손상
위치를 찾는 것은 상당히 어려운 일이다. 또한 손상 중 균열의 내부 확장, 부식의 내부 진행, 강도 감소, 층 분리, 재료 결함 등은 겉으로 드러나지
않으나 구조물의 안전성에 심각한 문제를 야기할 수 있다. 따라서 외관에서 발견되지 않는 손상의 탐지를 위해서는 센서를 이용하여 측정한 응답 데이터와
구조물의 내재적 특성을 활용하는 응답 기반의 손상 탐지 기술을 활용할 필요가 있다.
손상 탐지를 위하여 활용되는 응답으로는 변위, 변형률, 기울기, 진동 등이 있으며, 이 중 가장 많이 활용되는 응답은 바로 진동 응답이다. 구조적
손상이 발생하면 국부적인 부재의 강성이 감소하며, 이는 구조물의 동특성(고유진동수, 모드 형상, 모드감쇠비 등)의 변화로 연결된다. 이러한 개념에
기초하여 구조물의 동특성을 측정하여 구조물의 손상도를 추정하는 방법들이 개발되어 왔다. 과거에는 구조물의 고유진동수와 모드 형상의 변화를 기반으로
구조물의 손상을 탐지하는 방법이 제시되었다(Huth et al., 2005). 이후에도 주파수 응답 함수를 통해 구조물의 강성과 질량 파라미터를 추정하는 모델을 통해 손상을 탐지하는 방법(Shadan et al., 2016)이 제안되는 등 다수의 연구자들이 구조물의 진동을 활용하여 손상을 검출하는 방법을 제시한 바 있다(Azim and Gul, 2019; Ghorbani et al., 2020; Entezami et al., 2022; Meixedo et al., 2022).
그러나 지난 연구 결과는 구조물의 안전도를 평가하는데 동특성이 갖는 한계 역시 보여주고 있으며, 그 이유는 다음과 같다. 1) 구조물의 동적 응답에는
손상과 관련된 특징(Feature)들이 내재하고 있으나, 그 특징들은 주로 고차의 동적 특성과의 관련성이 높다. 따라서, 일반적으로 진동 응답에서
획득가능한 저차의 동적 특성만을 이용하는 경우 작은 손상을 탐지하는 것은 쉽지가 않다(Salawu, 1997). 2) 작은 손상의 경우, 주변 환경(온도, 습도 등)의 변화에 대한 동적 특성의 민감도가 손상에 대한 민감도보다 더 크다. 3) 센서의 교정,
계측 위치, 측정 잡음 등으로 인하여 동적 특성 측정 시 오차가 발생할 수 있다. 이와 같은 현실적인 문제로 인하여, 동특성만을 이용하여 손상을 찾는
기술들은 실제 구조물에 매우 제한적으로 적용되고 있다.
최근에는 구조물의 동적 응답에 딥러닝 기술을 적용하여 손상 탐지를 수행하는 기술에 대한 연구가 활발하게 수행되고 있다. 딥러닝 모델은 깊은 은닉층으로
인해 데이터에 내재된 특징을 자동으로 찾는 장점을 가지고 있다. 따라서 적절한 딥러닝 모델을 사용할 경우 동적 특성과 별개로 손상과 관련성이 높은
특징만을 추출할 수 있으며, 이를 활용하여 손상을 탐지하는 것이 가능하다. 구조물에서 계측된 동적 응답으로부터 Intrinsic Mode Functions과
Signal Reconstruction을 수행한 데이터를 기반으로 CNN(Convolutional Neural Network)을 이용하여 지도학습(Supervised
Learning)을 진행하고 검증하는 방법(Mousavi et al., 2020), FE(Finite Elements) 시뮬레이션 데이터를 사용하여 CNN 기반 머신 러닝 분류 모델을 훈련시키는 방법(Seventekidis et al., 2023), CNN Auto-Encoder 기반 비지도학습 딥러닝 모델을 이용하여 벤치마크 모델과 실제 교량의 손상을 탐지하는 방법(Rastin et al., 2021) 등 머신 러닝과 딥러닝을 활용한 손상 탐지 또한 연구가 활발히 진행되었다.
딥러닝 기반의 손상 탐지 기술은 주로 지도학습(Supervised Learning) 또는 비지도학습(Unsupervised Learning) 기반의
딥러닝 모델을 활용하고 있다. 그러나 지도학습은 데이터 라벨링에 많은 시간과 노동력을 필요로 하며, 비지도학습은 분류(Classification)가
불가능한 점과 낮은 정확도가 문제로 지적된다. 이 두 가지 방법을 적절하게 차용하여 두 학습체계의 단점을 보완한 학습체계가 반지도학습(Semi–supervised
Learning)이다. 반지도 학습은 라벨링된 일부 데이터와 라벨링이 되지 않은 데이터를 모두 활용하여 모델을 학습하는 방식으로, 최소한의 라벨링
작업을 통해 상당한 정확도의 분류를 수행할 수 있는 장점을 갖는다.
본 연구에서는 반지도학습 딥러닝 모델을 활용한 진동 기반 손상 탐지 기술을 제안하고, 그 기술의 정확도를 높이기 위한 활용 방법을 제시하고자 한다.
진동 데이터를 사용하여 1-D Large-Kernel CNN Block Encoder(LK-Block Encoder)의 반지도학습을 통해 손상을 탐지하는
프레임워크를 제안하였으며, 이 프레임워크를 검증하기 위해 전단 빌딩을 이용하여 손상을 탐지하는 실험을 진행하였다. 우선, 4층 전단 빌딩 구조물에서
손상 시나리오를 설계하고 정상 상태와 손상 상태의 진동 데이터를 측정하였다. 이를 사용하여 모델을 학습하고, 동일한 손상 상태에서 측정한 진동 데이터를
사용하여 기본적인 탐지 정확도를 검증하였다. 추가적으로 학습 데이터의 수에 따른 손상 탐지 정확도의 변화와, 학습 데이터에 사용된 손상 상태 데이터의
종류에 따른 손상 탐지 정확도의 변화를 확인하였다. 이를 이용해 구조물에서 진동 데이터를 측정한 뒤, 제안한 모델을 활용하여 손상을 높은 정확도로
탐지할 수 있음을 확인하고자 하였다.
2. 딥러닝을 이용한 진동 기반 손상 탐지 기술
2.1 딥러닝 모델의 반지도학습
반지도학습은 지도학습과 비지도학습의 중간 형태로 데이터의 일부만 라벨이 지정된 상태에서 모델을 훈련시키는 기계 학습 분야이다. 일반적으로 지도학습은
모든 데이터에 대해 라벨이 부여되어, 한 번의 학습에서 모든 학습 데이터에 대해 오차를 비교할 수 있다. 따라서 이를 통해 데이터를 특징에 대하여
학습하고, 학습된 모델로 회귀, 분류하는 것에 최적화 되어있다. 이와는 반대로 비지도학습은 라벨이 없는 데이터를 사용하며 데이터 간의 유사도만을 이용하여
학습한다. 따라서 이 경우에는 유사도가 비슷한 데이터끼리 가까운 특징 거리를 설정하여 군집화하는 것에 최적화되어있다. 반지도학습에서는 일부 데이터에만
라벨을 부여하고 나머지 데이터는 라벨이 없는 상태로 학습이 진행된다.
이러한 반지도학습은 지도학습과 비지도학습이 갖는 한계점을 극복할 수 있다. 지도학습은 모든 데이터에 대한 라벨이 필요하기 때문에 데이터의 라벨을 모르는
경우에는 사용할 수 없으며, 모든 데이터의 라벨을 알더라도 데이터양이 방대한 경우에는 인력과 시간이 많이 소요된다. 또한 일반적으로 손상된 구조물의
진동 데이터를 수집하는 것에는 한계가 있기 때문에 진동 데이터 기반 손상 탐지를 진행하는 경우 지도학습 모델을 사용하는 것에는 한계가 있다. 반면
비지도학습은 모든 데이터에 라벨을 부여하기 힘든 경우나, 학습 데이터의 라벨을 사람이 알기 어려운 경우에 진행된다. 따라서 손상 탐지와 같이 학습
데이터를 구조물의 진동 응답으로 사용하는 경우에는 비지도학습이 적합하다. 하지만 비지도학습의 경우에는 지도학습에 비해 정확도가 현저하게 낮다. 이는
정답값이 하나도 쓰이지 않았기 때문에 학습을 통한 유사도의 차이가 작기 때문이다. 반지도학습은 일부 데이터만 라벨을 부여하기 때문에 라벨링 과정의
인력과 시간을 절약할 수 있으며, 모든 데이터의 라벨을 알지 못하더라도 학습을 진행할 수 있다. 또한 라벨링 데이터를 전혀 사용하지 않는 비지도학습과
다르게 학습과 기준 설정 과정에서 라벨링 데이터를 사용하기 때문에 비지도학습에 비해 높은 정확도를 보인다. 따라서 실제 손상된 경우를 찾기 어려운
구조물의 손상 탐지를 위해, 구조물의 생애기간 동안 발생한 소수의 손상에 해당하는 데이터를 활용하여 구조물의 손상 탐지 기술을 구현할 수 있다. 본
연구에서는 파이썬(Python) 언어를 활용하여 반지도학습을 기반으로 하는 LK-Block Encoder를 이용한 구조물 손상 탐지 프레임워크를 제작하였으며,
이에 대한 검증을 진행하였다.
2.2 반지도학습 진동 기반 손상 탐지 모델
2.2.1 LK-Block Encoder
LK-Block Encoder는 1-D Convolutional Neural Network(CNN)을 기반으로 하는 인코더이며, 본 프레임워크의 핵심적
구성요소이다. LK-Block Encoder의 기본 구조는 Fig. 1과 같이 4개의 은닉층과 하나의 출력층으로 이루어져 있으며, 하나의 LK-Block은 Convolutional Layer, 배치 정규화, 활성화 함수,
Max Pooling으로 이루어져 있다.
LK-Block을 자세히 분석하면 다음과 같다. Convolutional Layer는 1-D Convolutional Layer를 사용하였으며, Channel의
수는 첫 번째 층에서 입력 Channel은 1개, 출력 Channel은 32개, 두 번째 층에서 입력 Channel은 32개, 출력 Channel은
64개, 세 번째 층에서 입력 Channel은 64개, 출력 Channel은 128개, 4번째 층에서 입력 Channel은 128개, 출력 Channel은
256개이다. 커널의 길이는 27로 설정하였으며, 크기가 13인 패딩(Padding)을 이용하여 입력 전후의 데이터 길이를 유지하였다.
모든 층에서 같은 스케일의 특징을 추출하기 위해 Convolution Layer 뒤에 배치 정규화 층을 사용하였다. LK-Block에서 활성 함수로는
Softsign 함수가 사용되었다. 이는 음의 값을 갖는 특징을 고려할 수 있기 때문에 진동 특징을 추출하는데 있어서 ReLU(Rectified Linear
Unit) 함수보다 더 높은 정확도를 보인다. 이후 데이터 길이를 줄이기 위해 Max Pooling을 진행한다. 이때 커널의 크기는 4를 사용하여
Max Pool하였다. 본 LK-Block Encoder는 다양한 구조물의 손상 및 이상상태 탐지를 위하여 개발되었으며, 본 절에서 제시하는 각 Block의
구성요소(커널 길이, 활성함수)에 대해서는 기존 연구(Kim, 2023)에서 검증한 바 있다.
2.2.2 반지도학습 기반 구조물 손상 탐지 프레임워크
본 연구에서는 LK-Block Encoder의 반지도학습을 활용하여 진동 기반으로 구조물의 손상 탐지를 수행하는 프레임워크를 제안하였다. Fig. 2는 프레임워크를 그림으로 도식화한 것이다. 모델 학습에는 라벨(상태에 대한 정답)이 있는 정상 및 손상 데이터와 라벨이 없는 정상 및 손상 데이터가
사용되며, 학습과 임계치(Threshold) 설정, 그리고 테스트는 다음과 같은 과정을 거쳐 이루어진다.
Fig. 2 Proposed framework to detect damage from structures based on semi-supervised
learning of LK Encoder
우선, 학습 데이터 중 라벨이 있는 정상 데이터를 이용하여 초기 중심점(Initial Center Point)을 설정한다. 이후 초기 중심점과 학습
데이터의 특징 공간상의 거리를 활용하여 모델을 학습한다. 이때, 정상 상태 데이터는 초기 중심점과 가까워지고 손상 상태 데이터는 멀어지도록 설정하는
손실함수(Loss Function)을 사용하여 학습을 진행하게 되며, 이 손실함수를 식으로 나타내면 다음 식 (1)과 같다.
여기에서, 첫 번째 항은 라벨이 없는 데이터를 학습하기 위한 손실함수이며 두 번째 항은 라벨이 있는 데이터를 학습하기 위한 손실함수이다. η는 두
항의 가중치를 정하는 계수이며, 1.0으로 설정하였다. 가중치 계수 산정 근거에 대해서는 기존 연구(Kim, 2023)에서 검증한 바 있다. c는 초기 중심점의 특징공간 상의 위치를 나타낸다. 두 번째 항에서 $y_{j}$는 정상 상태 데이터의 경우에는 1, 손상
상태 데이터의 경우에는 -1로 설정하여 정상 상태 데이터는 c와 가까울수록, 손상 상태 데이터는 멀수록 손실함수 값이 작아지도록 한다. 한 Epoch
동안 모든 데이터에 대해 학습이 이루어지며, 학습은 학습 Loss가 5번 연속으로 증가하게 되면 과적합을 방지하기 위해 Early Stop 하도록
설계되었다. 이때 학습 Loss가 5번 연속으로 증가하면 과적합이 진행되기 시작하는 시점이라는 것을 다양한 시도를 통해 확인하였다. 이와 같은 방식으로
학습이 완료된 LK- Block Encoder는 정상 데이터는 특징공간 상에서 초기 중심점의 근처로 사상(Mapping)하는 반면, 손상 데이터는
초기 중심점에서 먼 위치로 사상되게 된다. 즉, 정상 데이터는 특징공간 상에서 초기 중심점을 중심으로 특정한 반경을 갖는 초구(hypersphere)
내부로, 손상 데이터는 초구 바깥으로 사상된다. LK-Block Encoder의 학습을 완료한 이후에는 정상과 손상 데이터를 구분하기 위한 특징공간
상의 초구의 반경을 결정하여야 하며, 이 반경(거리)이 바로 정상과 손상을 구분하기 위한 임계치(Threshold)가 된다.
임계치는 학습 데이터 이외의 검증 데이터를 활용하여 결정한다. 검증데이터를 LK-Block Encoder에 통과시킨 뒤 임계치의 변화에 따른 ROC(Receiver
Operating Characteristic)을 얻을 수 있다. ROC는 이진 분류모델에서 임계치의 변화에 따른 TPR(True Positive Rate)와
FPR(False Positive Rate)를 나타낸 그림으로서, TPR은 학습된 모델과 임계치에 의하여 손상으로 결정된 값이 실제 손상인 비율,
FPR은 학습된 모델과 임계치에 의하여 손상으로 결정된 값이 실제 정상인 비율이다. 따라서 TPR이 높으면서 FPR이 낮은 임계치가 가장 좋은 임계치가
된다. 본 연구에서는 ROC 곡선에서 TPR과 FPR의 차이가 최대가 되는 임계값을 찾고, 이를 손상 탐지를 위한 임계치로 결정하였다. 임계치가 결정되면,
학습된 LK-Block Encoder를 통과한 데이터의 특징 공간상의 위치와 초기 중심점 간의 거리가 임계치보다 작은 경우 정상으로 분류되며, 임계치보다
큰 경우 손상으로 분류된다.
이후 제안 방법의 성능 검증을 위하여 테스트를 수행하였으며, 이때 성능 지표로는 식 (2)와 같은 정확도(Accuracy)를 활용하였다.
여기에서, TP(True Positive)는 정상 데이터를 정상으로 판정한 경우, TN(True Negative)은 손상 데이터를 손상으로 판정한
경우, FP(False Positive)는 손상 데이터를 정상으로 판정한 경우, FN(False Negative)은 정상 데이터를 손상으로 판정한
경우이다.
3. 전단 빌딩을 이용한 손상 탐지 프레임워크의 성능 평가
3.1 전단 빌딩을 이용한 손상 탐지 실험 셋업
3.1.1 실험 대상 전단 빌딩
제안한 프레임워크의 손상 탐지 성능을 평가하기 위한 구조물로 다음 Fig. 3와 같은 전단 빌딩 모형을 제작하였다. 본 전단 빌딩은 가로와 세로가 각각 160mm, 80mm이고 높이가 515mm, 전체 질량이 7kg인 4층
전단 빌딩이다. 각 층은 알루미늄 슬라브로 이루어져 있으며, 슬라브 하나의 가로, 세로, 폭은 각각 160mm, 80mm, 15mm, 질량은 1.75kg이다.
가운데 부분이 뚫려있는 철판을 알루미늄 슬라브의 좌우에 부착하여 기둥의 역할을 하도록 하였다. 철판 기둥의 높이와 세로 넓이는 각각 140mm, 80mm이며,
두께는 1mm이며, 가운데에 있는 구멍으로 인하여 실제 기둥 역할을 하는 부분의 폭은 30mm (2개 x 15mm)이다. 이 철판의 질량은 약 0.1kg으로
전체 질량에서 무시할 수 있는 정도이다. 전단 빌딩의 손상을 시뮬레이션 하기 위하여, 철판의 기둥 부분의 폭을 30mm가 아닌 27mm(10% 손상),
21mm(30% 손상)로 줄인 철판을 Fig. 4와 같이 제작하여 활용하였다.
Fig. 3 Dimensions of Shear building
Fig. 4 Shear building columns to simulate damages
3.1.2 진동 계측 셋업
진동 계측을 위하여 Fig. 5와 같이 4층 전단 빌딩 모형을 가진이 가능한 진동대 위에 설치하고, 각 층에 수평 방향으로 4개의 가속도 센서를 부착하였다. 사용된 진동대는 Quanser의
Shake Table Ⅱ이며 가진을 위한 Amplifier로는 Quanser의 AMPAQ-PWM을 사용하였다. 설치된 가속도계는 PCB Piezotronics의
압전형 가속도계인 393B05 제품으로, 민감도는 10V/g이고, 측정 주파수 영역은 0.7Hz부터 450Hz까지이다. 가속도 데이터는 NI(National
Instruments)의 PXIe-1082를 사용하여 수집하였다.
Fig. 5 Experimental setup for measurements
Quanser 사에서 제공한 프로그램을 활용하여 랜덤한 진동을 제작하고 진동대를 가진하였다. 랜덤한 진동은 0.001Hz- 10Hz 사이의 주파수와
0.005-0.01mm 사이의 진폭을 랜덤하게 갖는 조화파형(Sine파) 100개를 중첩하여 생성하였다. 이와 같이 랜덤으로 가진된 전단 빌딩의 진동
응답은 512Hz의 샘플링 주파수로 측정되었으며, 매 계측은 손상 상태와 계측 환경에 따라 8분(480초)에서 20분(1200초) 사이로 진행하였다.
3.2 전단 빌딩 계측 시나리오
전단 빌딩 계측 시나리오는 Fig. 6와 같이 정상 상태와 손상 상태 2개, 학습 환경 2개로 나누어 설정하였다. 손상 상태는 손상 탐지 프레임워크가 탐지해야할 테스트 대상에 해당하는
환경이며, 학습 환경은 손상 탐지 프레임워크에 학습 데이터로만 사용한 환경이다. 정상 상태(NC)는 모든 전단 빌딩의 기둥이 Fig. 4(a)와 같이 30mm의 폭을 갖는 철판을 사용한 경우이다. 손상은 Fig. 4와 같이 철판 기둥의 폭을 줄이는 방법으로 만들었다. 10% 손상된 기둥의 폭은 27mm, 30% 손상된 기둥의 폭은 21mm이다. 손상 상태는 4층
우측 기둥의 폭을 30% 줄인 경우와 10% 줄인 경우로 나누었다. 학습 환경은 손상 상태 L을 기준으로 손상의 위치가 다른 환경, 손상의 크기가
다른 환경으로 나누었다.
큰 손상 상태(DC-L)는 전단 빌딩의 4층 우측 기둥에 30% 손상을 가한 경우이다. 작은 손상 상태(DC-S)는 DC-L에 비해 작은 손상을 가정한
것으로, 4층 우측 기둥에 10% 손상을 가한 경우이다. 학습 환경 A(TC-A)는 4층 양쪽 기둥에 30% 손상을 가한 것이며, 학습 환경 B(TC-B)는
손상 상태와 다른 위치에 손상이 발생한 경우로 3층 우측 기둥에 기둥 손상을 30%만큼 가한 경우이다.
NC와 DC-S는 각각 6번씩, DC-L은 3번, 학습 환경에 대해서는 각각 4번씩 계측을 진행하였으며 계측한 데이터 셋의 종류와 크기는 Table 1에 나타나 있다. 정상 상태의 데이터 셋의 이름은 N1-N6로 구분하였으며, DC-L, DC-S의 데이터 셋은 각각 L1-L4, S1-S6이고 TC-A,
TC-B의 데이터 셋은 각각 A1-A4, B1-B4이다. 데이터는 시간 영역의 데이터(time history)이며, 1회 측정 시 시간은 약 600초
근처이고 488-1199초까지 약간의 편차를 가지고 있다.
Table 1 Name and size of data
|
Condition
|
Name of Data
|
Data Size (sec)
|
|
Normal Condition (NC)
|
N1
|
1197
|
|
N2
|
899
|
|
N3
|
633
|
|
N4
|
602
|
|
N5
|
1111
|
|
N6
|
608
|
|
Large Damage Condition
(DC-L)
|
L1
|
1199
|
|
L2
|
1130
|
|
L3
|
897
|
|
Small Damage Condition
(DC-S)
|
S1
|
605
|
|
S2
|
607
|
|
S3
|
489
|
|
S4
|
627
|
|
S5
|
610
|
|
S6
|
609
|
|
Training Condition A (TC-A)
|
A1
|
606
|
|
A2
|
488
|
|
A3
|
603
|
|
A4
|
620
|
|
Training Condition B (TC-B)
|
B1
|
491
|
|
B2
|
605
|
|
B3
|
611
|
|
B4
|
490
|
3.3 전단 빌딩 손상 탐지를 위한 고유진동수 분석의 한계
제안한 프레임워크의 성능을 확인하기 전에 우선 기존에 손상 탐지를 위하여 주로 활용되는 고유진동수의 변화 정도를 확인하였다. Fig. 6의 손상 시나리오 중 큰 손상 상태(DC-L)와 같이 상당한 크기의 손상은 고유진동수의 변화가 상당하게 나타난다. 그러나, 작은 손상 상태(DC-S)와
같이 작은 손상의 경우 고유진동수만으로 손상 탐지를 하는 것은 쉽지 않다. 본 전단 빌딩에 대해서도 이를 확인하기 위해, 정상 상태(NC)와 큰 손상
상태(DC-L)에 대해 전단 빌딩의 4층에서 계측한 진동 응답을 FFT(Fast Fouier Transform)하여 주파수 응답을 얻은 뒤, 고유진동수를
획득하였다. Fig. 7은 정상 상태와 큰 손상을 갖는 DC-L, 작은 손상을 갖는 DC-S의 주파수 응답을 비교한 것이다. Fig. 7(a)에서 볼 수 있듯이, 손상이 큰 경우에는 2차, 3차, 4차 고유진동수가 상당한 차이가 나타나서 고유진동수만으로 손상 발생 여부를 확인할 수 있음을
알 수 있다. 그러나 Fig. 7(b)에서 볼 수 있듯이 손상이 작은 경우에는 정상 상태 진동의 고유진동수와 손상 상태 진동의 고유진동수가 거의 비슷하여 이를 활용하여 손상을 탐지하는
것은 쉽지 않음을 알 수 있다.
Fig. 7 Frequency responses of Normal and Damage Conditions
이를 더 확실히 확인하기 위하여, 정상 상태(NC)와 작은 손상 상태(DC-S)에 대해 계측한 각 6세트의 데이터로부터 획득한 고유진동수의 Box
plot을 Fig. 8에 나타내었다. 1-4차 고유진동수 모두에서 두 상태의 고유진동수 범위가 겹치는 것을 볼 수 있다. 그나마 차이가 크게 나타난 3차 고유진동수의 경우에도
정상 상태의 평균 고유진동수인 25.4Hz를 기준으로 측정된 3차 고유진동수가 25.4Hz보다 작은 경우가 25% 밖에되지 않음을 확인할 수 있다.
이는 손상의 크기가 크지 않을 때에는 계측마다 발생하는 고유진동수 편차가 손상으로 인하여 발생하는 고유진동수 차이보다 작은 경우가 많음을 의미한다.
따라서 일반적 방법으로 고유진동수의 변화만으로 손상을 판단하는 것은 매우 어렵다. 본 연구에서는 제안한 프레임워크를 활용하여 고유진동수만으로는 판단하기
어려운 작은 손상도 높은 정확도로 탐지할 수 있음을 보이고자 한다.
Fig. 8 Box plots of natural frequencies measured in Normal Condition and Small Damage
Condition
4. 손상 탐지 프레임워크의 기본 성능 확인
4.1 데이터 준비
위에서 측정한 데이터를 활용하여 손상 탐지 프레임워크의 성능을 확인하기 위한 데이터를 준비하였다. 512Hz로 계측된 데이터는 1.5초(768개)
단위로 분할하여 모델에 입력하였다. 이 중, 라벨이 있는 데이터와 없는 데이터의 비율을 1:9로 랜덤하게 설정하여 LK Encoder의 반지도학습을
수행하였다. 참고로 본 연구에서는 4층 전단 빌딩에 대해 각 층에 설치된 가속도계로부터 측정된 진동 응답을 사용하였으므로, Fig. 1의 N은 4로 고정하였다.
4.2 동일한 종류의 데이터에 대한 제안 프레임워크의 기본 손상 탐지 성능 분석
4.2.1 큰 손상 상태(DC-L) 탐지 성능
기본적인 프레임워크의 성능 분석을 위하여, 큰 손상 상태(DC-L)로 LK Encoder를 학습한 뒤 동일한 손상 상태의 데이터로 검증 및 테스트를
수행하였다. 참고로, 큰 손상 상태(DC-L)는 Fig. 7(a)에서와 같이 고유진동수를 분석하는 것으로도 손상이 어느 정도 탐지되는 경우이다. Table 2는 학습, 검증, 테스트에 사용된 데이터 셋을 나타내며, 각각의 환경에 대해 1개의 데이터 셋만을 활용하여 학습하고, 각각 2개의 데이터 셋을 이용하여
검증 및 테스트를 수행하였다.
Table 3는 검증과 테스트 결과를 나타낸 것이다. 검증 데이터에 의해 특징 공간상에서 정상과 손상을 결정하는 거리인 임계치는 0.1618로 결정되었다. 이
임계치를 적용한 결과, 테스트 데이터에 대해 손상 탐지 정확도는 97.03%, AUC는 100%로 나타났다. 이와 같은 결과는 제안 프레임워크가 손상
탐지를 위한 능력을 충분히 가지고 있음을 보여준다.
Table 2 Datasets used to detect Large Damage Condition
|
Data
|
Train set
|
Validation set
|
Test set
|
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
|
Condition
|
NC
|
DC-L
|
NC
|
DC-L
|
NC
|
DC-L
|
|
Used Datasets
|
N1
|
L1
|
{N5,N6}
|
{L2,L3}
|
{N5,N6}
|
{L2,L3}
|
Table 3 Validation and testing results for Large Damage Condition
|
|
Accuracy (%)
|
AUC (%)
|
Threshold
|
|
Result
|
97.03
|
100
|
0.1618
|
4.2.2 작은 손상 상태(DC-S) 탐지 성능
더 작은 손상 발생 시 프레임워크의 성능 분석을 위하여, 작은 손상 상태(DC-S)로 LK Encoder를 학습한 뒤 동일한 손상 상태의 데이터로
검증 및 테스트를 수행하였다. 참고로, 작은 손상 상태(DC-S)는 Fig. 7(b)에서와 같이 고유진동수를 활용하여 손상 탐지가 매우 어려운 경우이다. Table 4는 학습, 검증, 테스트에 사용된 데이터 셋을 나타내며, 4.3.1과 마찬가지로 1개의 데이터 셋만을 활용하여 학습하고, 2개의 데이터 셋으로 검증
및 테스트를 수행하였다.
Table 5는 검증과 테스트 결과를 나타낸 것이다. 검증 데이터에 의해 특징 공간상에서 정상과 손상을 결정하는 거리인 임계치는 0.0911로 결정되었다. 큰
손상 상태의 경우 대비 작은 임계치는 특징 공간상에서 상태를 구분하기가 좀 더 어려움을 나타낸다. 이 임계치를 적용한 결과, 테스트 데이터에 대해
손상 탐지 정확도는 79.15%, AUC는 79.18%로 나타났다. 이와 같은 결과는 손상의 크기가 작아졌을 때 제안 프레임워크의 손상 탐지 능력이
현저하게 감소함을 의미한다. 이는 소수의 데이터 셋만으로는 상태를 구분하는 성능이 낮을 수 있음을 보여주는 것으로, 다음 장에서 데이터 셋을 증가하면서
학습 환경 별 성능에 대해 추가적 연구를 수행하였다.
Table 4 Datasets used to detect Small Damage Condition
|
Data
|
Train set
|
Validation set
|
Test set
|
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
|
Condition
|
NC
|
DC-S
|
NC
|
DC-S
|
NC
|
DC-S
|
|
Used Datasets
|
N1
|
S1
|
{N5,N6}
|
{S5,S6}
|
{N5,N6}
|
{S5,S6}
|
Table 5 Validation and testing results for Small Damage Condition
|
|
Accuracy (%)
|
AUC (%)
|
Threshold
|
|
Result
|
79.15
|
79.18
|
0.09114
|
5. 증가된 데이터 셋을 활용한 손상 탐지 프레임워크의 성능 향상
위의 4장과는 다르게 학습 시 학습 환경과 손상 상태의 데이터 셋으로 조합 가능한 모든 경우에 대해 테스트함으로서, 계측 환경의 변화에 따른 성능
변화도 함께 확인하였다.
5.1 데이터 셋 증가에 따른 작은 손상 탐지 성능 분석
제안 프레임워크를 활용하여 작은 손상(DC-S)의 탐지 정확도를 높이기 위하여 학습 데이터 셋의 수를 증가시켰다. 다만, 실제 구조물에서는 손상 상태
진동을 계측하는 것에 한계가 존재하기 때문에 손상 상태에 대한 학습 데이터를 늘리기는 쉽지 않다. 이를 고려하여, 본 연구에서는 손상 상태의 학습
데이터 셋은 1개씩만 사용하고 정상 상태의 학습 데이터 셋은 1개, 2개, 3개, 4개로 늘려가면서 프레임워크를 학습하였다. 정상 상태와 손상 상태
학습 데이터에서 조합이 가능한 모든 경우를 성능 테스트한 후 평균과 표준편차를 이용하여 분석하였다. 검증과 테스트는 데이터 셋을 각각 2개씩 사용하여
진행하였다.
작은 손상 상태(4층 우측 기둥 10% 손상)를 손상 상태 학습 데이터 셋으로 설정하여 딥러닝 모델을 학습하였다. 모델에 사용된 데이터 셋은 Table 6과 같다. 이 중 정상 상태 학습 데이터 셋을 1개, 2개, 3개, 4개로 늘려가며 학습하였으며, 손상 상태 학습 데이터 셋은 L1부터 L4까지 1개씩만을
사용하였다.
정상 상태와 손상 상태 학습 데이터에서 조합이 가능한 모든 경우를 성능 테스트한 후 평균과 표준편차를 이용하여 분석하였다. 따라서 정상 상태 학습
데이터를 1개 사용한 경우 성능 테스트를 16번, 2개 사용한 경우 성능 테스트를 24번, 3개 사용한 경우 성능 테스트를 16번, 4개를 사용한
경우 4번 진행하였다.
Table 6 Datasets used in Chapter 5.1
|
Data
|
Train set
|
Validation set
|
Test set
|
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
|
Condition
|
NC
|
DC-S
|
NC
|
DC-S
|
NC
|
DC-S
|
|
Used datasets
|
N1, N2,
N3, N4
|
S1, S2, S3, S4
|
{N5,
N6}
|
{S5,
S6}
|
{N5,
N6}
|
{S5,
S6}
|
|
{N1,N2},
{N1,N3}, {N1,N4},
{N2,N3}, {N2,N4},
{N3,N4}
|
|
{N1,N2,N3}, {N1,N2,N4}, {N1,N3,N4}, {N2,N3,N4}
|
|
{N1,N2,
N3,N4}
|
Table 7은 테스트한 결과 정확도와 AUC를 정상 상태 학습 데이터 셋의 개수에 따라 분류하여 평균과 표준편차를 나타낸 것이다. 각각 정상 상태 학습 데이터를
1개 사용한 16번의 테스트 결과의 평균, 2개 사용한 24번의 테스트 결과의 평균, 3개 사용한 16번의 테스트 결과의 평균, 4개 사용한 4번의
테스트 결과의 평균이다. 60번의 테스트에서 가장 높은 정확도가 나타난 경우는 {N1,N2,N3,N4}로 학습하고 B2로 테스트한 경우였으며, 이때
모델의 테스트 정확도는 99.90%로 나타났다. 60번의 테스트에서 가장 낮은 정확도가 나타난 경우는 N4로 학습하고 B4로 테스트한 경우였으며,
이때 모델의 테스트 정확도는 53.55%로 나타났다.
Table 7 Model training results in Chapter 5.1
|
Number of train normal datasets
|
Average accuracy (%)
|
Standard deviation of accuracy (%)
|
Average AUC (%)
|
Standard deviation of AUC (%)
|
|
1
|
78.01
|
10.1590
|
81.51
|
12.2928
|
|
2
|
90.69
|
8.3190
|
94.87
|
5.9901
|
|
3
|
96.90
|
5.1856
|
98.97
|
2.3285
|
|
4
|
99.66
|
0.2932
|
99.97
|
0.0427
|
Table 7을 보면 정상 상태 학습 데이터 셋의 수가 증가할수록 정확도의 평균이 증가하는 것을 볼 수 있다. 정상 상태 학습 데이터 셋을 1개 사용하여 학습했을
때는 16번의 테스트 정확도 평균이 78.01%였고, 4개 사용하여 학습했을 때는 99.66%였다. 이를 통해 정상 상태 학습 데이터 셋을 1개를
사용하여 학습한 경우보다 4개 사용하여 학습한 경우에 테스트 정확도가 약 21.65%가 증가하는 것을 볼 수 있다.
5.2 학습 환경의 손상과 테스트 대상의 손상이 다른 경우 손상 탐지 성능 분석
5.2.1 더 큰 손상 데이터(학습 환경 A)로 학습한 경우
학습 환경 A(4층 양측 기둥 30% 손상)를 손상 상태 학습 데이터 셋으로 설정하여 딥러닝 모델을 학습하였다. 모델에 사용된 데이터 셋은 Table 8과 같다. 이 중 정상 상태 학습 데이터 셋을 5.2.1과 같이 1개, 2개, 3개, 4개로 늘려가며 학습하였으며, 손상 상태 학습 데이터 셋은 1개를
사용하였다. 5.2.1과 마찬가지로 정상 상태와 손상 상태 학습 데이터에서 조합이 가능한 모든 경우를 성능 테스트한 후 평균과 표준편차를 이용하여
분석하였다.
Table 9은 테스트한 결과 정확도와 AUC를 정상 상태 학습 데이터 셋의 개수에 따라 분류하여 평균과 표준편차를 나타낸 것이다. 각각 정상 상태 학습 데이터를
1개 사용한 16번의 테스트 결과의 평균, 2개 사용한 24번의 테스트 결과의 평균, 3개 사용한 16번의 테스트 결과의 평균, 4개 사용한 4번의
테스트 결과의 평균이다. 60번의 테스트에서 가장 높은 정확도가 나타난 경우는 {N1,N2,N4}로 학습시켜 A3로 테스트한 경우였으며, 이때 모델의
테스트 정확도는 98.64%로 나타났다. 60번의 테스트에서 가장 낮은 정확도가 나타난 경우는 N3로 학습시켜 A2로 테스트한 경우였으며, 이때 모델의
테스트 정확도는 41.54%로 나타났다.
Table 8 Datasets used in Chapter 5.2.1
|
Data
|
Train set
|
Validation set
|
Test set
|
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
|
Condition
|
NC
|
TC-A
|
NC
|
DC-S
|
NC
|
DC-S
|
|
Used datasets
|
N1, N2,
N3, N4
|
A1, A2, A3, A4
|
{N5,
N6}
|
{S5,
S6}
|
{N5,
N6}
|
{S5,
S6}
|
|
{N1,N2},
{N1,N3}, {N1,N4},
{N2,N3}, {N2,N4},
{N3,N4}
|
|
{N1,N2,N3}, {N1,N2,N4}, {N1,N3,N4}, {N2,N3,N4}
|
|
{N1,N2,
N3,N4}
|
Table 9 Model training results in Chapter 5.2.1
|
Number of train normal datasets
|
Average accuracy (%)
|
Standard deviation of accuracy (%)
|
Average AUC
(%)
|
Standard deviation of AUC (%)
|
|
1
|
71.33
|
15.6437
|
70.01
|
24.4410
|
|
2
|
75.47
|
14.9409
|
75.68
|
23.6983
|
|
3
|
78.56
|
17.6044
|
79.62
|
22.2654
|
|
4
|
86.54
|
13.8806
|
90.31
|
13.6875
|
Table 9을 보면 학습 환경 A로 학습을 시킨 경우에도 정상 상태 학습 데이터 셋의 수가 증가할수록 정확도의 평균이 증가하는 것을 볼 수 있다. 정상 상태
학습 데이터 셋을 1개 사용하여 학습했을 때는 16번의 테스트 정확도 평균이 71.33%, 4개 사용하여 학습했을 때는 86.54%로 약 15.21%
증가하였다.
5.2.2 손상 위치가 다른 데이터(학습 환경 B)로 학습한 경우
학습 환경 B(3층 우측 기둥 30% 손상)를 손상 상태 학습 데이터 셋으로 설정하여 딥러닝 모델을 학습하였다. 모델에 사용된 데이터 셋은 Table 10과 같다. 이 중 정상 상태 학습 데이터 셋을 5.2.1과 같이 1개, 2개, 3개, 4개로 늘려가며 학습하였으며, 손상 상태 학습 데이터 셋은 1개씩을
사용하였다. 5.2.1과 마찬가지로 정상 상태와 손상 상태 학습 데이터에서 조합이 가능한 모든 경우를 성능 테스트한 후 평균과 표준편차를 이용하여
분석하였다.
Table 10 Datasets used in Chapter 5.2.2
|
Data
|
Train set
|
Validation set
|
Test set
|
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
Normal data
|
Anomaly data
|
|
Condition
|
NC
|
TC-B
|
NC
|
DC-S
|
NC
|
DC-S
|
|
Used datasets
|
N1, N2,
N3, N4
|
B1, B2, B3, B4
|
{N5,
N6}
|
{S5,
S6}
|
{N5,
N6}
|
{S5,
S6}
|
|
{N1,N2},
{N1,N3}, {N1,N4},
{N2,N3}, {N2,N4},
{N3,N4}
|
|
{N1,N2,N3}, {N1,N2,N4}, {N1,N3,N4}, {N2,N3,N4}
|
|
{N1,N2,
N3,N4}
|
Table 11 Datasets used in Chapter 5.2.2
|
Number of train normal datasets
|
Average accuracy
(%)
|
Standard deviation of accuracy (%)
|
Average AUC
(%)
|
Standard deviation of AUC (%)
|
|
1
|
64.41
|
15.4577
|
66.21
|
18.8415
|
|
2
|
70.53
|
18.5475
|
73.81
|
21.5994
|
|
3
|
71.03
|
13.3981
|
67.07
|
24.3796
|
|
4
|
79.93
|
15.3859
|
83.84
|
20.1993
|
Table 11는 테스트한 결과 정확도와 AUC를 정상 상태 학습 데이터 셋의 개수에 따라 분류하여 평균과 표준편차를 나타낸 것이다. 각각 정상 상태 학습 데이터를
1개 사용한 16번의 테스트 결과의 평균, 2개 사용한 24번의 테스트 결과의 평균, 3개 사용한 16번의 테스트 결과의 평균, 4개 사용한 4번의
테스트 결과의 평균이다. 60번의 테스트에서 가장 높은 정확도가 나타난 경우는 {N1,N3,N4}로 학습하고 B2로 테스트한 경우였으며, 이때 모델의
테스트 정확도는 97.29%로 나타났다. 60번의 테스트에서 가장 낮은 정확도가 나타난 경우는 N4로 학습하고 B2로 테스트한 경우였으며, 이때 모델의
테스트 정확도는 41.85%로 나타났다.
Table 11을 보면 학습 데이터의 손상 상태 종류가 테스트 데이터와 다른 경우에도 정상 상태 학습 데이터 셋의 수가 증가할수록 정확도의 평균이 증가하는 것을
볼 수 있다. 정상 상태 학습 데이터 셋을 1개 사용하여 학습했을 때는 16번의 테스트 정확도 평균이 64.41%, 4개 사용하여 학습했을 때는 79.93%로
약 15.52% 증가하였다.
5.2.3 결과 분석
위 실험의 결과를 종합했을 때 정상 상태의 학습 데이터 수를 늘려서 학습하면 테스트 정확도가 향상되는 것을 알 수 있다. Fig. 9은 데이터 세트 개수에 따른 학습 정확도를 상자 그래프로 나타낸 것이다. (a)는 학습 데이터로 작은 손상 상태(DC-S)를 사용한 경우, (b)는
학습 데이터로 학습 환경 A(TC-A)를 사용한 경우, (c)는 학습 데이터로 학습 환경 B(TC-B)를 사용한 경우이다. (a)의 경우 테스트 정확도가
75% 이하인 경우도 2개 존재하지만 그래프의 가시성을 위해 75%보다 높은 경우만 나타내었다.
이를 통해 3가지 경우 모두 정상 상태 학습 데이터 셋을 1개만 사용하면 90% 이하의 정확도를 갖는다는 것을 알 수 있다. 정상 상태 학습 데이터
셋을 2개 사용한 경우에는 데이터 셋의 편차에 따라 50%에서 90%까지 넓은 범위의 정확도가 산출되었다. 정상 상태 데이터 셋이 3개인 경우에도
데이터 편차에 따라 넓은 범위의 정확도가 산출되었으며, 작은 손상 상태 (DC-S)와 학습 환경 A(TC-A)의 경우에는 정확도의 중간값 또한 증가한
것을 볼 수 있다. 학습 환경 B(TC-B)의 경우 중간값은 정상 상태 데이터 셋을 2개 사용했을 때와 비슷하게 나타났지만, 최저값은 증가한 것을
볼 수 있다.
Fig. 9 Box plot of accuracy accoring to training dataset
정상 상태 학습 데이터 셋을 4개 사용한 경우에는 3가지 경우 모두 가장 높은 정확도 범위를 갖는 것을 볼 수 있다. 이를 통해 학습 데이터에 쓰인
손상 상태 종류와 테스트에 쓰인 손상 상태의 종류가 같은 경우와 다른 경우 모두 정상 상태 학습 데이터 수가 증가하면 테스트 정확도가 증가한다는 것을
알 수 있다. 이는 LK-Block Encoder 기반 딥러닝 모델을 학습시킬 때 정상 상태 학습 데이터를 증가시키면 딥러닝 모델의 성능을 향상시킬
수 있다는 것을 보여준다.
5.3 성능 향상 이후 딥러닝을 이용한 손상 탐지 결과
정상 상태 학습 데이터 셋의 증가를 통해 LK-Block Encoder 기반의 딥러닝 모델 학습 성능을 높일 수 있었다. 구조물의 진동 응답을 기반으로
구조물 손상을 탐지하는 것에는 앞서 서술한 바와 같이 어려움이 존재한다. 특히 고유진동수 분석과 같이 저명한 손상 탐지 방법조차 미세 손상을 탐지하는데는
한계가 있다. LK-Block Encoder 기반 반지도학습 모델은 이러한 미세 손상을 탐지하는데 큰 성능을 보인다.
Fig. 10는 5.1절에서 정상 상태 학습 데이터 셋을 4개({N1, N2, N3, N4}) 사용한 경우 각각의 테스트 데이터에 대한 학습 결과를 t-SNE
그림을 통해 특징공간에 대해 시각화한 것이다. t-SNE 그림에서 주황색 점은 손상 상태를, 파란색 점은 정상 상태를 나타내며, 초록색 포인트는 초기
중심점이다. 이 그림을 통해 제안한 LK-Block Encoder 기반 반지도학습 프레임워크가 다수의 데이터가 활용되었을 때 미세 손상 환경을 높은
성능으로 분류한다는 것을 직접 확인할 수 있다.
Fig. 10 t-SNE plot according to test data (Training data = {N1,N2,N3,N4})
6. 결 론
본 연구에서는 진동 데이터를 사용하여 손상을 탐지하는 방법으로 딥러닝을 활용한 프레임워크를 제안하였다. 제안한 손상 탐지 프레임워크는 LK-Block
Encoder를 반지도학습하여 손상과 정상을 분류하는 모델이다. 이를 검증하기 위해 전단 빌딩을 이용한 실험을 진행하여 정확도를 분석하였다. 전단
빌딩의 4층 우측 기둥이 30% 손상된 상태와 같이 고유진동수 분석으로도 손상을 판단할 수 있는 상태의 경우 제안된 모델을 사용하여도 97.03%의
높은 정확도로 손상을 탐지할 수 있다.
또한 손상 탐지 프레임워크를 학습하는데 필요한 정상 상태 데이터 셋을 증가시키면, 작은 손상 상태(DC-S)와 같이 고유진동수 분석으로는 탐지할 수
없는 손상 상태에 대해서도 99.66%의 정확도로 탐지할 수 있다. 이를 통해 실제 구조물에서 탐지하기 힘든 작은 손상에 대해서도 제안한 프레임워크를
사용하면 높은 정확도로 탐지가 가능하다는 것을 알 수 있다. 또한 실제로 계측하는 것에 한계가 있는 손상 상태 데이터는 증가시키지 않고, 비교적 계측이
용이한 정상 상태 데이터만을 증가시켜 모델을 학습하여도 높은 정확도를 보여준다.
종합적으로 고유진동수 분석으로는 정상범위라고 판단되는 작은 손상을 제안한 모델은 탐지할 수 있다는 점에서 신뢰성이 높으며, 또한 정확도를 높이기 위해서는
평시의 정상 환경 진동 데이터를 학습 데이터로 추가하면 된다는 점에서 사용성이 높다. 따라서 사용된 반지도학습을 이용한 손상 탐지 프로그램은 기존의
구조물 손상 탐지 기술을 대체할 수 있으며, 기존의 구조물 손상 탐지 기술이 탐지할 수 없는 환경까지 탐지 가능하다는 결론을 도출할 수 있다.
본 연구에서 제안한 모델을 구조물 모니터링 시스템에 추가하면 실교량의 손상 탐지에 적용할 수 있을 것으로 기대된다. 다만 구조물마다 특성이 다르기
때문에 하나의 구조물에서 수집한 데이터로 학습한 모델을 다양한 구조물의 손상 탐지에 적용하면 성능에 한계를 보일 수 밖에 없다. 추후 도메인 적응(Domain
Adaptation) 기술을 통해 제안한 프레임워크를 발전시킨다면 한 번의 학습으로 다양한 구조물의 손상을 탐지할 수 있을 것으로 기대된다.
감사의 글
이 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (NO.2022M3J6A1084845).
References
Huth, O., Feltrin, G., Maeck, J., Kilic, N., and Motavalli, M., (2005), Damage identification
using modal data: Experiences on a prestressed concrete bridge, Journal of Structural
Engineering, 131(12), 1898-1910.
Shadan, F., Khoshnoudian, F., and Esfandiari, A., (2016), A frequency response‐based
structural damage identification using model updating method, Structural Control and
Health Monitoring, 23(2), 286-302.
Azim, M. R., and Gül, M., (2019), Damage detection of steel girder railway bridges
utilizing operational vibration response, Structural Control and Health Monitoring,
26(11), e2447.
Ghorbani, E., Buyukozturk, O., and Cha, Y. J., (2020), Hybrid output-only structural
system identification using random decrement and Kalman filter, Mechanical Systems
and Signal Processing, 144 ,106977.
Entezami, A., Mariani, S., and Shariatmadar, H., (2022), Damage Detectionin Largely
Unobserved Structures under Varying Environmental Conditions: An AutoRegressive Spectrum
and Multi-Level Machine Learning Methodology, Sensors, 22(4), 1400.
Meixedo, A., Santos, J., Ribeiro, D., Calçada, R., and Todd, M. D., (2022), Online
unsupervised detection of structural changes using train–induced dynamic responses,
Mechanical Systems and Signal Processing, 165, 108268.
Salawu, O. S., (1997), Detection of structural damage through changes in frequency:
a review, Engineering structures, 19(9), 718-723.
Mousavi, Z., Ettefagh, M. M., Sadeghi, M. H., and Razavi, S. N., (2020), Developing
deep neural network for damage detection of beam-like structures using dynamic response
based on FE model and real healthy state, Applied Acoustics, 168, 107402.
Seventekidis, P., Giagopoulos, D., and Koutsoupakis, J., (2023), Simulation Error
Influence on Damage Identification Classifiers Trained by Numerical Data, Society
for Experimental Mechanics Annual Conference and Exposition, 11-25.
Rastin, Z., Ghodrati Amiri, G., and Darvishan, E., (2021), Unsupervised structural
damage detection technique based on a deep convolutional autoencoder, Shock and Vibration,
2021(1), 6658575.
Kim, B., (2023), Deep Learning-Based Assessment of Civil Structure: Inspection using
Instance Segmentation and Monitoring using Semi-Supervised Learning [Ph.D. Dissertation,
University of Seoul]. University of Seoul.
