Modal influence-based system identification and sustainable structural health monitoring for buildings
저자
발행사항
서울 : 연세대학교 일반대학원, 2016
학위논문사항
Thesis(doctoral)-- 연세대학교 일반대학원 : 건축공학과.. 구조공학 2016. 8
발행연도
2016
작성언어
영어
주제어
DDC
690
발행국(도시)
대한민국
형태사항
xix, 209p ; 26 cm
일반주기명
지도교수: 박효선
소장기관
건물은 다양한 외부 환경 요인 및 건물 내 활동 등의 자극에 의해 지속적으로 노후화가 진행된다. 지진, 태풍, 쓰나미와 같은 자연재해는 건물에 갑작스럽고 기대하지 않은 하중으로 작용한다. 이와 같은 갑작스런 하중은 건물의 노후화를 가속화하고, 손상을 유발시키며, 심지어 붕괴로 이어진다. 건물의 손상 및 붕괴는 심각한 인적, 물적 손실을 유발할 수 있다. 이에, 첨단 센싱 기술을 이용하여 건물의 상태를 평가하고, 안전성 및 사용성을 보증하는 구조 건전도 모니터링 기술 (structural health monitoring, SHM)이 개발되어 왔다.
SHM기술은 건물 도처에 설치된 센서로부터 계측되는 구조 응답을 통해 건물의 상태를 관찰하고 점검하는데 활용된다. 건물 구조물의 기본적인 특성을 식별하기 위한 진동 계측 기반 SHM 연구들이 활발히 진행되어 왔다. 이 연구들은 구조물의 본질적 속성을 나타내는 모달 파라미터를 추출하는 기법인 시스템 식별 (system identification, SI)에 초점을 맞추어 진행되어 왔다. SI기법으로 추출된 모달 파라미터 변화를 통해 구조물에 발생한 손상의 위치와 정도를 직접적으로 평가할 수 있다. 또한, SI를 통해 추출한 고유주파수, 모드 형상, 감쇠비와 같은 모달 파라미터를 이용하여 실제 구조물의 특성을 반영하는 구조 모델을 만들고, 구조 응답을 추정하는 모델 업데이팅 기법이 개발되어 왔다.
SI 기법의 신호 처리 및 계측 데이터 간 상관함수 추정 시 요구되는 다양한 변수들의 변화에 따라 추출되는 모달 파라미터는 변동성을 보인다. 또한, 대부분의 SI 기법들은 계측한 데이터 간의 상관함수를 구성하고 이를 분해하는데, 이 과정에서 상당한 전산 처리 과정을 요구한다. 특히, 센서의 설치 개소가 많은 대형, 고층 건물에 대한 장기 모니터링과 같이 계측되는 데이터의 양이 방대할 경우, 막대한 전산 처리가 소요되어 실시간으로 SI 결과를 제공받을 수 없다. 한편, 구조물의 응답에 대한 각 모드의 영향이 다름에도 불구하고, 기존의 모달 파라미터 기반 모델 업데이팅 기법들은 모드의 기여도 혹은 그 영향을 무시하거나, 고려할지라도 명확한 기준을 갖고 있지 않다. 따라서, 정확한 구조 응답 추정을 위해, 보다 높은 신뢰성을 가지고 효율적으로 모달 파라미터를 추출할 수 있는 SI 기법 및 구조물의 모드 특성이 잘 반영된 합리적인 모델 업데이팅 기법이 필요하다.
이를 위해, 본 연구는 건물을 대상으로, 모델 업데이팅을 수반한 모드 영향 기반 시스템 식별 기법을 제시하여, 기존 SI 기법 및 모델 업데이팅 기법의 한계를 극복하고, SHM 기술을 개선하고자 한다. 본 연구에서는 모달 파라미터 기반의 모델 업데이팅에서 모드 영향을 고려하기 위해 모드 참여 계수를 이용한 새로운 모델 업데이팅 기법을 제시한다. 또한, 모델 업데이팅에서 모드 영향을 반영하기 위한 다른 방법으로써, 모달 응답 기반 모델 업데이팅 기법을 제시한다. 제시한 모델 업데이팅 기법에서 사용되는 모달 응답과 모달 파라미터는, 기존 SI 기법에서 나타나는 불확실성과 전산 처리 과정을 단축할 수 있는 시각적 시스템 식별 기법으로부터 추출된다. 제시한 모드 영향 기반 시스템 식별 기법들은 실험체와 실 건물 구조물에 대한 실험적 연구를 통해 검증하고자 한다.
본 연구는 건물의 지속가능한 SHM 기법을 제시한다. 장기 모니터링에서 센서의 고장과 data 손실과 같은 기존 센싱 기법의 한계가 극복될 필요가 있다. 또한, 재료, 기하, 접합조건과 같은 다양한 불확실성으로 인하여, 건물, 특히 대형 건물의 구조 응답을 예측할 수 있는 정확한 해석 모델을 구현하는데 어려움이 있다. 이에, 본 연구에서는 사전에 계측된 데이터에 기반하여, 센서의 고장 시에도 구조 응답을 예측할 수 있는 SHM 기법을 제시한다. 건물의 지속가능한 센싱을 위해, 인공 신경망 (Artificial neural network, ANN)이 적용된다. 고층 건물 기둥의 안전성을 보증하기 위해, 진화 학습 기반 지속가능한 변형률 센싱 기법이 제시된다. 제시한 기법은 고층 건물 모사 실험체의 풍동 실험을 통해 검증된다.
Buildings are continuously aged by the external environments and internal activities. Natural hazards such earthquake, typhoon, and tsunami act on the buildings as abrupt and unexpected loads. Such abrupt loads accelerate aging, cause damage and even collapse of the buildings. Basically, damage or collapse of the buildings can lead to human and economic losses. For this, structural health monitoring (SHM) has been developed to assess the current state of the buildings and guarantee the safety and serviceability of the building based on the advanced sensing technology.
In the SHM, buildings are monitored and examined by the structural responses measured from the sensors installed throughout the buildings. The SHM researches based on the vibration measurements have been actively conducted to identify the fundamental characteristics of the building structures. They focussed on the system identification (SI) which is the process of extracting the modal parameters that represent intrinsic attribute of the structures. The changes of the modal parameters can be used to directly evaluate the severity and location of damages of the structures. And, using the identified modal parameters such as natural frequency, mode shape, and damping ratio, model updatings for constructing structural model reflecting the characteristics the actual structures and estimating the real structural behaviors have been developed.
According to the variation of the variables in the signal processing and data correlation in the SI, the modal parameters with uncertainties are extracted. In addition, most SI methods include the correlation and decomposition processes of the measured data that take account considerable computational costs. Moreover, although the influence of each mode on the response of the structure is different, most previous modal parameter-based model updating methods ignored this effect or considered contribution of modes without obvious criteria. Therefore, more efficient SI methods with low uncertainty for extracting accurate modal parameters and rational model updating methods well reflecting characteristic of modal parameters for estimating structural responses are required.
To overcome limitations of the previous SI and model updating methods and improve the current SHM methods, this research presents modal influence-based SI methods including model updating for buildings. To consider modal influence in model updating, a new method using modal participation factor is presented. In addition, as another way to reflect modal influence in the model updating, a modal response-based model updating method is presented. Modal response and parameters used in the model updating method are extracted from a visual SI method that can reduce uncertainty and time consuming in modal identification. The presented modal influence-based SI methods are verified through experimental studies on specimens and a real building.
Moreover, this study presents a sustainable SHM method for buildings. It is required to overcome the limitations of the existing sensing technique such as sensor fault and data loss in long-term monitoring. In addition, there are some difficulties in constructing accurate analytical model for estimating structural response due to various uncertainties from the absence of information on material, geometry, and compatibility of the building, especially large-scaled structure. Thus, this study presents a method to estimate structural responses under circumstance when installed sensors are faulty based on previously measured data. To achieve sustainable sensing for building, artificial neural network (ANN) is implemented to the presented method. To ensure safety of the column of the high-rise building, a sustainable strain sensing model trained by evolutionary learning algorithm is presented. The presented sustainable SHM method is verified through wind tunnel tests for a high-rise building specimen.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)