[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR102480382B1 - 인공지능 기반 풍하중 산정 시스템 - Google Patents

인공지능 기반 풍하중 산정 시스템 Download PDF

Info

Publication number
KR102480382B1
KR102480382B1 KR1020220060319A KR20220060319A KR102480382B1 KR 102480382 B1 KR102480382 B1 KR 102480382B1 KR 1020220060319 A KR1020220060319 A KR 1020220060319A KR 20220060319 A KR20220060319 A KR 20220060319A KR 102480382 B1 KR102480382 B1 KR 102480382B1
Authority
KR
South Korea
Prior art keywords
wind pressure
wind
representative
balls
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020220060319A
Other languages
English (en)
Inventor
강현구
이상민
Original Assignee
서울대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교 산학협력단 filed Critical 서울대학교 산학협력단
Priority to KR1020220060319A priority Critical patent/KR102480382B1/ko
Application granted granted Critical
Publication of KR102480382B1 publication Critical patent/KR102480382B1/ko
Priority to PCT/KR2023/006392 priority patent/WO2023224313A1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/02—Wind tunnels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/08—Aerodynamic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

본 발명은 HFPI 실험에서 풍압공 및 압력 전달 튜브의 개수를 대폭 감소시켜 실험 세팅과 측정이 용이하고, 더 많은 대상 건물들에 동시 풍압 측정이 가능하도록 하면서도 정확한 풍압데이터를 얻을 수 있는 인공지능 기반 풍하중 산정 시스템에 대한 것이다.
본 발명은 풍동실험을 위한 학습용 구조모형에 형성된 복수의 풍압공에서 일부 풍압공들을 대표 풍압공으로 선정한 후, 상기 대표 풍압공을 기준으로 전체 풍압공들을 복수의 그룹으로 군집화하는 그룹핑 모듈; 상기 대표 풍압공에서 측정한 시계열 데이터를 입력으로 하여 상기 대표 풍압공이 포함된 그룹 내 나머지 풍압공의 위치에서 측정한 시계열 데이터를 학습함으로써 풍압 예측 모델을 생성하는 학습부; 및 임의의 풍동실험 구조모형에 대해 대표 풍압공에서 계측된 풍압데이터로부터 상기 풍압 예측 모델을 이용하여 대표 풍압공 주변의 나머지 풍압공에 대한 풍압을 예측하는 풍압 산정부; 로 구성되는 것을 특징으로 한다.

Description

인공지능 기반 풍하중 산정 시스템{Wind load estimation system based on artificial intelligence}
본 발명은 HFPI 실험에서 풍압공 및 압력 전달 튜브의 개수를 대폭 감소시켜 실험 세팅과 측정이 용이하고, 더 많은 대상 건물들에 동시 풍압 측정이 가능하도록 하면서도 정확한 풍압데이터를 얻을 수 있는 인공지능 기반 풍하중 산정 시스템에 대한 것이다.
풍하중은 건물, 교량 등 구조물의 구조 설계에서 중력하중 및 지진하중과 함께 주된 고려 사항 중 하나이다.
풍하중은 중저층 건물이나 고유주기가 짧은 구조물에서 주로 외벽에 가해지는 속도압에 의한 정적하중으로 작용한다. 이러한 풍하중은 바람의 흐름에 의해 구조물에 직접적으로 작용하는 하중이며, 풍속이나 풍속의 분포와 같은 기류 특성은 구조물의 형상에 의한 공기역학적 특징에 지배된다.
공기력(aerodynamic force)에 의해 발생하는 평면상 하중은 방향에 따라 풍향과 평행한 풍방향 풍하중, 직교하는 풍직각방향 풍하중, 그리고 수직축에 대한 비틀림 풍하중이 있다.
고유주기가 1초 이상인 비교적 장주기 구조물은 공기력 외에도 속도압의 동적 특성에 의한 추가 하중인 공진력(resonant forces)이 구조물에 발생한다.
대부분의 현행 구조기준은 정해진 풍속 범위 내에서 단순한 형상 및 치수를 갖는 구조물에 대한 설계 절차를 규정하고 있다. 하지만 실제 많은 구조물은 형상적인 특성으로 인해 구조기준의 제한을 벗어나는 경우가 많기 때문에, 풍하중 산정을 위해 실제 구조물과 동일한 형상으로 제작된 구조모형을 대상으로 한 풍동실험이 불가피하다.
이와 같이 구조물에 작용하는 풍하중을 측정하는 것이 풍동실험의 주된 목적 중 하나인데, 종래 풍동실험은 하중 측정 방식에 따라 공탄성(aeroelastic) 풍동실험과 공기역학적(aerodynamic) 풍동실험 두 가지로 분류할 수 있다.
공탄성 풍동실험은 공기역학적 특성과 관련된 건물 외형과 내부의 구조시스템을 모두 스케일링하여 제작된 공탄성 구조모형을 이용하여 수행되는 것으로, 내부 구조시스템으로 하중이 직접 측정된다.
이러한 공탄성 구조모형은 외형을 스케일링하는 것은 비교적 용이하다. 반면, 내부 구조시스템의 경우 질량, 강성, 감쇠의 세 가지 요소를 반드시 포함하여야 하는데, 이 중 감쇠를 적정 수준으로 스케일링하여 실제와 동일하게 구현하는 것이 매우 까다롭다.
공기역학적 풍동실험은 공탄성 풍동실험과 달리 강체 구조모형이 사용되는 것으로, 실험에서는 공기력만 측정되고, 이후 측정된 공기력을 수치 해석 모델에 입력하여 후처리함으로써 공진력을 얻는다.
공기역학적 풍동실험에서 공기력을 측정하기 위한 방식으로는 풍력실험(High Frequency Force Balance, HFFB)과 풍압실험(High Frequency Pressure Interation, HFPI)의 두 가지가 주로 사용된다.
HFFB 구조모형은 강체 모형을 사용하는데 구조모형의 밑면이 고정되지 않고, 풍력천칭(Force Balance Device)이라는 하중 측정 장치상에 구조모형을 설치하여 공기력에 의한 반력을 상기 풍력천칭으로 측정한다. HFFB는 풍동실험 결과에 의해 밑면 반력만이 측정되고, 높이에 따른 하중 분포는 산출되지 않는다. 그렇기 때문에 후처리를 위한 수치 해석 시 하중의 연직 분포는 공학적 판단에 의해 가정된다. 이에 따라 형상이 단순하여 연직 분포 패턴 가정의 난이도가 높지 않은 구조물은 매우 유용하지만, 비정형적 형상을 갖는 건물에는 적용이 용이하지 않고, 외장재 설계에 적용하기 어렵다.
HFPI는 구조모형의 외벽과 천장 등에 수많은 풍압공을 형성하고, 풍압공에 작용하는 풍압을 압력 전달 튜브를 통해 다점풍압계로 측정하여 풍압의 변동, 평균값, 피크값 등을 측정한다. 이러한 측정 결과로부터 높이에 따른 풍압 분포를 얻을 수 있어 공진력을 산정하기 위한 수치 해석 모델 수립에 매우 유용하게 사용될 수 있고, 산정된 결과값을 외장재 설계에 직접 사용할 수 있는 장점이 있다.
도 1에는 종래 풍동실험용 구조모형의 풍압공에 설치된 압력 전달 튜브의 인출 상태가 도시된다.
이러한 HFPI 방식은 구조모형의 풍압공 개수와 배열에 의해 측정치의 정확도가 좌우된다. 그러므로 작은 풍압 실험 구조모형에 많은 수의 풍압공을 배치하고, 구조모형 내부에 풍압공 개수만큼의 압력 전달 튜브를 설치해야 한다. 그러므로 튜브 설치에 어려움이 있고, 특히 구조모형의 형상이 비정형으로 복잡하면 튜브 설치가 매우 어렵다. 또한, 다점 동시 풍압 측정을 하기 때문에, DAQ(Data Acquisition) 시스템에서도 채널의 개수가 제한되는 등 실험 수행에 현실적인 제약이 따르고, 이에 따라 전체 단지에 대한 풍환경 검증이나 대상 구조모형의 후류에 위치하는 건물들에 대해 동시 측정이 어렵다.
KR 10-2025335 B1
상기와 같은 문제점을 해결하기 위하여 본 발명에서는 HFPI 실험에서 풍압공 및 압력 전달 튜브의 개수를 대폭 감소시켜 실험 세팅과 측정이 용이하고, 더 많은 대상 건물들에 동시 풍압 측정이 가능하면서도 정확한 풍압데이터를 얻을 수 있는 인공지능 기반 풍하중 산정 시스템을 제공하고자 한다.
바람직한 실시예에 따른 본 발명은 풍동실험을 위한 학습용 구조모형에 형성된 복수의 풍압공에서 일부 풍압공들을 대표 풍압공으로 선정한 후, 상기 대표 풍압공을 기준으로 전체 풍압공들을 복수의 그룹으로 군집화하는 그룹핑 모듈; 상기 대표 풍압공에서 측정한 시계열 데이터를 입력으로 하여 상기 대표 풍압공이 포함된 그룹 내 나머지 풍압공의 위치에서 측정한 시계열 데이터를 학습함으로써 풍압 예측 모델을 생성하는 학습부; 및 임의의 풍동실험 구조모형에 대해 대표 풍압공에서 계측된 풍압데이터로부터 상기 풍압 예측 모델을 이용하여 대표 풍압공 주변의 나머지 풍압공에 대한 풍압을 예측하는 풍압 산정부; 로 구성되는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템을 제공한다.
다른 바람직한 실시예에 따른 본 발명은 상기 그룹핑 모듈은 각 대표 풍압공과 나머지 전체 풍압공들과의 시계열 데이터에 대한 상관성 분석을 수행하여 사전 설정된 상관성 기준을 만족하는 풍압공들끼리 각 대표 풍압공의 그룹으로 군집화하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템을 제공한다.
다른 바람직한 실시예에 따른 본 발명은 상기 학습부는 일대다 LSTM RNN 인공지능 알고리즘을 이용하여 풍압 예측 모델을 생성하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템을 제공한다.
다른 바람직한 실시예에 따른 본 발명은 상기 학습부는 풍압공에서의 시계열 데이터와 함께 학습용 구조모형의 주변 지형 또는 건물의 3D 모델링 정보를 입력으로 하여 학습하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템을 제공한다.
본 발명에 따르면 학습용 구조모형으로부터 학습부가 학습하여 생성한 풍압 예측 모델을 이용하여 풍압 산정부에서는 대상 풍동실험 구조모형의 대표 풍압공에서 계측된 풍압데이터로부터 나머지 풍압공에 대한 풍압을 예측할 수 있는 인공지능 기반 풍하중 산정 시스템을 제공할 수 있다.
따라서 풍동실험 구조모형의 일부 풍압공에 대한 계측만으로 풍압센서를 측정하지 않은 나머지 전체 풍압공의 풍압데이터를 얻을 수 있으므로, HFPI 실험에서 풍압공 및 압력 전달 튜브의 개수를 대폭 감소시켜 실험 세팅과 측정이 용이하다.
아울러 나머지 풍압센서를 후류에 위치한 구조모형에 분산 설치할 수 있으므로, 제한된 풍압센서와 다점동시측정모듈만으로도 대상 구조모형뿐 아니라 후류 구조모형을 동시에 측정할 수 있어 정확한 풍압데이터를 얻을 수 있다.
도 1은 종래 풍동실험용 구조모형의 풍압공에 설치된 압력 전달 튜브의 인출 상태를 나타내는 도면.
도 2는 본 발명 인공지능 기반 풍하중 산정 시스템의 구성도.
도 3은 학습용 구조모형의 풍압공 배치 상태 및 선정된 대표 풍압공을 나타내는 도면.
도 4는 학습부 입력용 시계열 데이터 취득을 위한 풍동실험 세팅 상태를 도시하는 도면.
도 5는 풍압 산정부에서 시계열 데이터 예측을 위한 풍동실험 세팅 상태를 도시하는 도면.
도 6은 대표 풍압공과의 상관성을 이용한 군집화 개념을 도시하는 도면.
도 7은 정방형 유사도 행렬을 도시하는 도면.
도 8은 Threshold 미만의 값만을 표시한 유사도 행렬을 도시하는 도면.
도 9는 학습용 구조모형의 대표 풍압공에 대한 유사도 분석 결과를 도시하는 도면.
도 10은 일대다 LSTM 적용 시계열의 입력과 출력 과정을 도시하는 도면.
도 11은 훈련집합과 검증집합으로 분할된 시계열 데이터를 도시하는 도면.
도 12는 3D 모델링 정보 학습을 통한 피크 풍압계수 예측 개념을 나타내는 도면.
이하, 첨부한 도면 및 바람직한 실시예에 따라 본 발명을 상세히 설명한다.
도 2는 본 발명 인공지능 기반 풍하중 산정 시스템의 구성도이다. 그리고 도 3은 학습용 구조모형의 풍압공 배치 상태 및 선정된 대표 풍압공을 나타내는 도면이고, 도 4는 학습부 입력용 시계열 데이터 취득을 위한 풍동실험 세팅 상태를 도시하는 도면이며, 도 5는 풍압 산정부에서 시계열 데이터 예측을 위한 풍동실험 세팅 상태를 도시하는 도면이다.
도 2에 도시된 바와 같이, 본 발명 인공지능 기반 풍하중 산정 시스템은 풍동실험을 위한 학습용 구조모형(1)에 형성된 복수의 풍압공(11)에서 일부 풍압공들을 대표 풍압공으로 선정한 후, 상기 대표 풍압공을 기준으로 전체 풍압공들을 복수의 그룹으로 군집화하는 그룹핑 모듈; 상기 대표 풍압공에서 측정한 시계열 데이터를 입력으로 하여 상기 대표 풍압공이 포함된 그룹 내 나머지 풍압공의 위치에서 측정한 시계열 데이터를 학습함으로써 풍압 예측 모델을 생성하는 학습부; 및 임의의 풍동실험 구조모형(2)에 대해 대표 풍압공(21)에서 계측된 풍압데이터로부터 상기 풍압 예측 모델을 이용하여 대표 풍압공 주변의 나머지 풍압공에 대한 풍압을 예측하는 풍압 산정부; 로 구성되는 것을 특징으로 한다.
본 발명에서는 HFPI 실험에서 풍압공 및 압력 전달 튜브의 개수를 대폭 감소시켜 실험 세팅과 측정이 용이하고, 더 많은 대상 건물들에 동시 풍압 측정이 가능하도록 하면서도 정확한 풍압데이터를 얻을 수 있는 인공지능 기반 풍하중 산정 시스템을 제공하기 위한 것이다.
본 발명 인공지능 기반 풍하중 산정 시스템이 구비된 컴퓨팅 장치를 이용하여, 인공지능에 의해 일부 소수의 풍압공 계측 데이터만으로 전체 풍압공의 계측 데이터를 예측 가능하다.
상기 그룹핑 모듈은 우선 학습용 구조모형(1)에 형성된 전체 풍압공(11) 중 일부를 대표 풍압공으로 선정한다(도 4).
상기 대표 풍압공의 선정은 단순 무작위 추출법(simple random sampling)에 의해 선정될 수 있다. 또는, 사용자가 입력한 대표 풍압공의 개수 또는 전체 풍압공 대비 대표 풍압공의 비율에 따라 학습용 구조모형(1)의 외면을 일정 면적으로 분할하고, 각 분할된 면적 내 중심에 위치한 풍압공을 대표 풍압공으로 선정할 수도 있다. 그 외 다양한 방법에 의해 대표 풍압공을 선정 가능하다(도 3).
상기 그룹핑 모듈은 상기와 같이 선정된 대표 풍압공들을 기준으로 주변의 풍압공들을 복수의 그룹으로 군집화한다.
예를 들어, 학습용 구조모형(1)의 4개의 벽면에 각각 125개씩 총 500개의 풍압공이 존재하는 경우, 그룹핑 모듈은 고르게 분산된 50개의 풍압공을 대표 풍압공으로 선정하고, 상기 50개의 풍압공을 기준으로 나머지 450개의 풍압공을 그룹으로 군집화하여 총 50개의 그룹을 생성할 수 있다.
상기 학습부 학습을 위해 우선 학습용 구조모형(1)의 전체 풍압공에 대해 풍압 계측을 수행하여 전체 풍압공에 대해 시계열 데이터가 수집된다. 상기 전체 풍압공에 대한 풍압 시계열 데이터를 기반으로 하여, 학습부는 대표 풍압공에서 계측된 시계열 데이터를 입력으로 하여 그룹 내 나머지 풍압공의 위치에서 측정된 시계열 데이터를 학습한다.
이와 같은 학습에 의해 학습부는 대표 풍압공의 시계열 데이터에 대한 그룹 내 나머지 풍압공의 시계열 데이터의 함수인 풍압 예측 모델을 생성한다.
상기 풍압 산정부는 임의의 풍동실험 구조모형(2)에 대해 대표 풍압공(21)에서 계측된 풍압데이터로부터 상기 풍압 예측 모델을 이용하여 대표 풍압공 주변의 나머지 풍압공에 대한 풍압을 예측한다(도 5).
즉, 상기 풍압 산정부는 풍동실험 검증 대상인 임의의 풍동실험 구조모형(2)에 대해 상기 풍압 예측 모델을 이용하여 전체 풍압공에 대한 풍압 시계열 데이터를 예측하여 생성한다.
구체적으로 상기 풍동실험 구조모형(2)에는 전체 풍압공 중 일부에만 풍압센서(압력탭)가 설치되어 계측이 수행되는데, 상기 풍압센서가 설치되어 계측되는 풍압공이 풍동실험 구조모형(2)의 대표 풍압공(21)이 된다. 이에 따라 풍압 산정부는 상기 대표 풍압공(21)에서 계측된 시계열 데이터를 입력으로 하여 풍압 예측 모델을 통해 측정하지 않은 나머지 풍압공 위치에서의 풍압데이터를 예측한다.
이와 같이, 일부 풍압공에 대한 계측만으로 풍압센서를 측정하지 않은 나머지 전체 풍압공의 풍압데이터를 얻을 수 있다.
이에 따라 나머지 풍압센서를 후류에 위치한 구조모형(20)에 분산 설치함으로써, 제한된 풍압센서와 다점동시측정모듈만으로도 대상 구조모형(2)뿐 아니라 후류 구조모형(20)을 동시에 측정할 수 있다. 또한, 여러 건물이 군집된 단지에 대한 풍하중 검토에도 유용하게 적용할 수 있다.
이러한 방법을 통해 빌딩풍 중에서도 위험도가 높은 와류유기진동(Vortex-Induced Vibration, VIV) 등을 예방할 수 있도록 설계 단계에서부터 측정 데이터를 반영할 수 있다.
또한, 학습부에서 대표 풍압공을 기준으로 군집화된 그룹 내 풍압공들 간의 시계열 데이터 관계를 학습하도록 함으로써 학습의 효율과 정확도를 높일 수 있다.
도 6은 대표 풍압공과의 상관성을 이용한 군집화 개념을 도시하는 도면이고, 도 7은 정방형 유사도 행렬을 도시하는 도면이다. 그리고 도 8은 Threshold 미만의 값만을 표시한 유사도 행렬을 도시하는 도면이고, 도 9는 학습용 구조모형의 대표 풍압공에 대한 유사도 분석 결과를 도시하는 도면이다.
상기 그룹핑 모듈은 각 대표 풍압공과 나머지 전체 풍압공들과의 시계열 데이터에 대한 상관성 분석을 수행하여 사전 설정된 상관성 기준을 만족하는 풍압공들끼리 각 대표 풍압공의 그룹으로 군집화할 수 있다.
학습부에서 대표 풍압공과 그룹 내 나머지 풍압공들 간의 시계열 데이터 관계를 학습할 때, 학습의 효율과 정확도를 보다 높일 수 있도록 그룹핑 모듈은 대표 풍압공과 시계열 데이터에 대한 상관성이 높은 풍압공들을 동일 그룹으로 군집화할 수 있다.
이를 위해 각 대표 풍압공에 대해 학습용 구조모형(1)의 나머지 전체 각 풍압공들과의 시계열 데이터 상의 상관성을 분석하고, 각 대표 풍압공들과 상관성이 높은 풍압공들을 동일 그룹으로 군집화할 수 있다(도 6).
예를 들어, 상관성 분석을 위해 평균제곱근 오차(Root Mean Square Error, RMSE)를 사용하여 시계열 데이터의 길이가 N이고, 2개의 풍압공 위치에서 얻은 값이 각각 Cpe,1, Cpe,2라 하면 아래 수식에 의해 RMSE가 산정된다.
Figure 112022052189463-pat00001
이 방식으로 선택된 대표 풍압공에 대해 나머지 모든 풍압공 위치에 적용하면, 총 500개의 풍압공에 대해 500×500 크기의 정방형 유사도 행렬을 정의할 수 있다(도 7).
이러한 유사도 행렬에서 사전 설정된 상관성 기준으로서의 기준값인 Threshold를 넘지 않는 풍압공끼리 군집화할 수 있다(도 8).
도 9는 각각 학습용 구조모형(1)의 풍상면(windward)(좌상), 우측면(right side)(우상), 좌측면(left side)(좌하) 및 배면(leeward)(우하)의 중앙에 위치하는 대표 풍압공에 대한 유사도 분석 결과를 나타내는 도면이다.
도 9에서 빨간색은 높은 유사도를 나타내고, 파란색은 낮은 유사도를 나타낸다.
이와 같이, 각 대표 풍압공에 대해 유사도 분석을 수행하고, 유사도가 사전 설정된 Threshold를 넘지 않는 풍압공들을 선택된 대표 풍압공의 그룹으로 군집화할 수 있다.
Threshold는 조정을 통해 전체 풍압공에서 군집화에 누락되지 않는 범위로 설정 가능하다.
도 10은 일대다 LSTM 적용 시계열의 입력과 출력 과정을 도시하는 도면이고, 도 11은 훈련집합과 검증집합으로 분할된 시계열 데이터를 도시하는 도면이다.
상기 학습부는 일대다 LSTM RNN 인공지능 알고리즘을 이용하여 풍압 예측 모델을 생성할 수 있다.
대표 풍압공에서 측정한 시계열 데이터를 입력으로 하여 나머지 위치에서 측정한 시계열 데이터를 일대다(one to many) LSTM RNN(Long Short-Term Memory Recurrent Nuerual Network; 장단기 기억모형 순환신경망) 인공지능 알고리즘을 이용하여 학습할 수 있다(도 10).
인공지능(머신러닝) 기술은 데이터에 내재된 패턴을 스스로 찾고 학습하는 블랙박스(Black Box) 방식이므로, 패턴을 수식화하거나 표현하기는 어렵지만 신경망을 통해 가중치와 편향, 은닉층의 상태 등을 통해 최종값을 예측할 수 있다.
도 11과 같이, 모든 시계열 데이터는 훈련집합과 검증집합으로 분할하여 딥러닝 학습에 사용할 수 있다.
이와 같이 학습시킨 모형을 이용하여 군집된 풍압공들 중에 한 곳 즉, 대표 풍압공에서만 측정을 하면, 나머지 풍압공에서 측정을 하지 않고도 시계열 데이터를 온전하게 예측할 수 있다.
도 12는 3D 모델링 정보 학습을 통한 피크 풍압계수 예측 개념을 나타내는 도면이다.
상기 학습부는 풍압공에서의 시계열 데이터와 함께 학습용 구조모형(1)의 주변 지형 또는 건물의 3D 모델링 정보를 입력으로 하여 학습할 수 있다.
풍동실험 대상 건물 및 주변 건물 또는 장애물의 형상 정보를 반영하여 정확하게 풍압을 예측할 수 있도록 상기 학습부에는 3D 모델링 정보가 추가로 입력될 수 있다.
상기 3D 모델링 정보에는 학습용 구조모형(1)의 형상 정보, 주변 건물 및 장애물의 위치, 높이 등이 포함될 수 있다.
상기 학습부는 학습용 구조모형(1)의 대표 풍압공에서 계측된 시계열 데이터를 LSTM을 통해 학습하여 특징을 추출한 잠재변수를 구성한 후, 상기 3D 모델링 정보를 입력으로 넣어 Multi-Layer Perceptron Neural Network에 학습시킬 수 있다.
이에 따라 풍압 산정부에서 풍동실험 구조모형(2)의 대표 풍압공과 대상 건물 및 주변 건물 또는 장애물의 3D 모델링 정보를 입력하면, 이러한 상세를 반영하여 비정형 형상, 다양한 건물의 배치 등에 대해서도 측정하지 않은 풍압공 위치에서의 풍압 시계열 데이터 및 피크 풍압계수를 정확하게 예측할 수 있다(도 12).
풍동실험 시 구조모형 및 주변 건물, 지형을 3D 프린팅을 통해 제작하게 되는데, 이를 위해서는 3D 모델링 정보가 만들어지므로 이를 그대로 활용하여 학습에 이용할 수 있다.
1: 학습용 구조모형
10: 후류 구조모형
11: 풍압공
2: 풍동실험 구조모형
20: 후류 구조모형
21: 대표 풍압공

Claims (4)

  1. 풍동실험을 위한 학습용 구조모형(1)에 형성된 복수의 풍압공(11)에서 일부 풍압공들을 대표 풍압공으로 선정한 후, 상기 대표 풍압공을 기준으로 전체 풍압공들을 복수의 그룹으로 군집화하는 그룹핑 모듈;
    상기 대표 풍압공에서 측정한 시계열 데이터를 입력으로 하여 상기 대표 풍압공이 포함된 그룹 내 나머지 풍압공의 위치에서 측정한 시계열 데이터를 학습함으로써 풍압 예측 모델을 생성하는 학습부; 및
    임의의 풍동실험 구조모형(2)에 대해 대표 풍압공(21)에서 계측된 풍압데이터로부터 상기 풍압 예측 모델을 이용하여 대표 풍압공(21) 주변의 나머지 풍압공에 대한 풍압을 예측하는 풍압 산정부; 로 구성되는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템.
  2. 제1항에서,
    상기 그룹핑 모듈은 각 대표 풍압공과 나머지 전체 풍압공들과의 시계열 데이터에 대한 상관성 분석을 수행하여 사전 설정된 상관성 기준을 만족하는 풍압공들끼리 각 대표 풍압공의 그룹으로 군집화하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템.
  3. 제1항에서,
    상기 학습부는 일대다 LSTM RNN 인공지능 알고리즘을 이용하여 풍압 예측 모델을 생성하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템.
  4. 제3항에서,
    상기 학습부는 풍압공에서의 시계열 데이터와 함께 학습용 구조모형(1)의 주변 지형 또는 건물의 3D 모델링 정보를 입력으로 하여 학습하는 것을 특징으로 하는 인공지능 기반 풍하중 산정 시스템.
KR1020220060319A 2022-05-17 2022-05-17 인공지능 기반 풍하중 산정 시스템 Active KR102480382B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220060319A KR102480382B1 (ko) 2022-05-17 2022-05-17 인공지능 기반 풍하중 산정 시스템
PCT/KR2023/006392 WO2023224313A1 (ko) 2022-05-17 2023-05-11 인공지능 기반 풍하중 산정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220060319A KR102480382B1 (ko) 2022-05-17 2022-05-17 인공지능 기반 풍하중 산정 시스템

Publications (1)

Publication Number Publication Date
KR102480382B1 true KR102480382B1 (ko) 2022-12-21

Family

ID=84536722

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220060319A Active KR102480382B1 (ko) 2022-05-17 2022-05-17 인공지능 기반 풍하중 산정 시스템

Country Status (2)

Country Link
KR (1) KR102480382B1 (ko)
WO (1) WO2023224313A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023224313A1 (ko) * 2022-05-17 2023-11-23 서울대학교 산학협력단 인공지능 기반 풍하중 산정 시스템
CN118332927A (zh) * 2024-05-14 2024-07-12 重庆大学 一种基于机器学习的开孔低矮建筑群风致内外压预测方法
CN119469653A (zh) * 2025-01-16 2025-02-18 中国空气动力研究与发展中心高速空气动力研究所 一种暂冲式超声速风洞低声爆试验装置及数据获取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08184526A (ja) * 1994-12-28 1996-07-16 Fujita Corp 構造物周辺における風速増加域予測方法およびその装置
KR101831906B1 (ko) * 2016-12-29 2018-02-23 주식회사 넥스트폼 모델링을 활용한 건축물의 풍압 해석 시스템 및 방법
KR102025335B1 (ko) 2019-01-30 2019-09-25 서울대학교산학협력단 인공지능 기반 설계풍속 자동 산정 방법 및 시스템
JP2021089158A (ja) * 2019-12-02 2021-06-10 株式会社風工学研究所 風向風速推定装置、風向風速推定方法、および風向風速推定プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102118886B1 (ko) * 2020-02-06 2020-06-04 서울대학교산학협력단 풍력적분 풍동실험 기구
KR102480382B1 (ko) * 2022-05-17 2022-12-21 서울대학교 산학협력단 인공지능 기반 풍하중 산정 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08184526A (ja) * 1994-12-28 1996-07-16 Fujita Corp 構造物周辺における風速増加域予測方法およびその装置
KR101831906B1 (ko) * 2016-12-29 2018-02-23 주식회사 넥스트폼 모델링을 활용한 건축물의 풍압 해석 시스템 및 방법
KR102025335B1 (ko) 2019-01-30 2019-09-25 서울대학교산학협력단 인공지능 기반 설계풍속 자동 산정 방법 및 시스템
JP2021089158A (ja) * 2019-12-02 2021-06-10 株式会社風工学研究所 風向風速推定装置、風向風速推定方法、および風向風速推定プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023224313A1 (ko) * 2022-05-17 2023-11-23 서울대학교 산학협력단 인공지능 기반 풍하중 산정 시스템
CN118332927A (zh) * 2024-05-14 2024-07-12 重庆大学 一种基于机器学习的开孔低矮建筑群风致内外压预测方法
CN119469653A (zh) * 2025-01-16 2025-02-18 中国空气动力研究与发展中心高速空气动力研究所 一种暂冲式超声速风洞低声爆试验装置及数据获取方法

Also Published As

Publication number Publication date
WO2023224313A1 (ko) 2023-11-23

Similar Documents

Publication Publication Date Title
KR102480382B1 (ko) 인공지능 기반 풍하중 산정 시스템
CN107293115B (zh) 一种用于微观仿真的交通流量预测方法
CN105550506B (zh) 基于长期实测数据的桥梁风振响应直接预测方法
CN104376214A (zh) 基于数据驱动的脉动风速模拟方法
CN101630376A (zh) 多模型神经网络的生物发酵过程软测量建模方法及软仪表
CN106289691A (zh) 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置
CN118625696B (zh) 一种无人机多机模拟训练仿真控制系统及控制方法
CN117910120B (zh) 基于轻量化Transformer的风-桥系统抖振响应预测方法
CN111190211A (zh) 一种gps失效位置预测定位方法
CN117592378A (zh) 裂缝预测模型的训练、裂缝预测方法和装置
CN119066913A (zh) 一种适用于多尺度仿真的高性能计算方法
CN117932999A (zh) 基于深度学习的贝叶斯模型修正方法、存储介质及设备
CN117436317A (zh) 基于海上风电桩基的波流载荷仿真计算方法、系统和设备
CN113886928A (zh) 一种建筑力学模拟系统
CN115481461A (zh) 一种基于深度学习的结构风压统计值预测方法
CN114357878A (zh) 一种水陆两栖飞机典型截面的着水面载荷预测方法
CN117421701B (zh) 一种自升式平台桩腿三维空间姿态分布式监测方法
CN113283174B (zh) 基于算法集成与自控制的储层产能预测方法、系统及终端
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法
CN114547997B (zh) 一种基于阵列型人工毛发传感器的流动参数识别方法
CN115270239B (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN119692252B (zh) 一种基于融合网络的流体速度压力场推演方法及系统
CN119272371B (zh) 一种用于预测开孔低矮建筑群内外风压的方法
CN119124302B (zh) 一种基于水环境模拟的水位测量系统
CN119004060B (zh) 极端天气下风电爬坡场景生成方法、系统、设备及介质

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20220517

PA0201 Request for examination
A302 Request for accelerated examination
PA0302 Request for accelerated examination

Patent event date: 20221026

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

Patent event date: 20220517

Patent event code: PA03021R01I

Comment text: Patent Application

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20221213

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20221219

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20221219

End annual number: 3

Start annual number: 1

PG1601 Publication of registration