• 한국공작기계학회:학술대회논문집
• /
• 한국공작기계학회 2004년도 추계학술대회 논문집
• /
• pp.40-48
• /
• 2004

The object of this study is to investigate the effect of joinability by using acoustic emission (AE) signals and doing a pattern recognition for weld heat affected zone (HAZ) in tensile testing. This study was carried out an SWS 490A high tension steel for electric shielded metal arc welding (SMAW), $CO_2$ gas arc welding and TIG welding. And correspondingly, the root openings are 3, 4 and 2.8mm. The results of the tensile test of weld HAZ come out electric shield arc welding > $CO_2$ gas arc welding > TIG welding in case of single welding. It is believed that this is a phenomenon where difference of its root opening or base metal thickness. Also, the technique of AE is ideally suited to study variables which control time and stress dependent fracture or damage process in metallic materials.

• 한국전산구조공학회논문집
• /
• 제33권6호
• /
• pp.359-366
• /
• 2020

본 논문에서는 전산구조 해석 데이터를 기반으로 인공 신경망을 활용하여 헬리데크 구조물에 대한 손상 추정 기법을 제안하였다. 헬리데크를 구성하는 트러스와 서포트 부재들에 대해서 절점을 공유하는 부재들을 70개의 모델로 그룹화 하였으며, 최대 3가지 부재 그룹에 무작위로 손상을 부여하여 총 37,400개의 손상 시나리오를 생성하였다. 이들 각각에 대해서 구조 해석 프로그램을 통해 모드 해석을 수행하였으며, 전체 손상 시나리오를 사용 목적에 따라 학습, 유효성 검사, 그리고 검증 시나리오로 분리하였다. 헬리데크의 손상 및 비손상 상태의 동적 응답 특성에 대한 패턴 인식을 위해 PyTorch 프로그램을 활용하여 3개의 은닉층을 가지는 인공 신경망을 구성하였으며, 이에 대해서 다양한 손상 시나리오를 반복 학습함으로써 손실 함수를 최소로 하는 인공 신경망을 도출하였다. 최종적으로 총 400개의 검증 시나리오에 대해서 인공 신경망이 추정한 손상률과 실제 부여된 손상률을 비교하였으며, 그 결과 본 연구를 통해 얻어진 인공 신경망이 손상 부재의 위치와 손상 정도를 매우 높은 정확도로 예측하는 것을 확인하였다.

• Structural Monitoring and Maintenance
• /
• 제1권1호
• /
• pp.111-130
• /
• 2014

The increased use of carbon fiber reinforced polymer (CFRP) in retrofitting reinforced concrete (RC) members has led to the need to develop non-destructive techniques that can monitor and characterize the unique damage mechanisms exhibited by such structural systems. This paper presented the damage characterization results of six CFRP retrofitted RC beam specimens tested in the laboratory and monitored using acoustic emission (AE). The focus of this study was to continuously monitor the change in AE parameters and analyze them both qualitatively and quantitatively, when brittle failure modes such as debonding occur in these beams. Although deterioration of structural integrity was traceable and can be quantified by monitoring the AE data, individual failure mode characteristics could not be identified due to the complexity of the system failure modes. In all, AE was an effective non-destructive monitoring tool that can trace the failure progression in RC beams retrofitted with CFRP. It would be advantageous to isolate signals originating from the CFRP and concrete, leading to a more clear understanding of the progression of the brittle damage mechanism involved in such a structural system. For practical applications, future studies should focus on spectral analysis of AE data from broadband sensors and automated pattern recognition tools to classify and better correlate AE parameters to failure modes observed.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.636-638
• /
• 2022

본 논문은 의료진단 검출 분야에서 혈관, 신경조직, 망막 손상 그리고 다양한 심혈관계 질환과 치매까지 진단하는 데 유용하게 사용하고 있는 안저 영상에 CNN(Convolution Neural Network) 알고리즘을 적용하고 녹내장 병변을 검출하기 위한 연구를 진행한다. 실험을 위하여 정상 안저 영상과 녹내장 병변이 있는 안저 영상으로 구성된 데이터 세트를 AlexNet으로 분류하고 그 성능을 확인하였다.

• 방송공학회논문지
• /
• 제20권6호
• /
• pp.938-949
• /
• 2015

본 논문에서는 외부압력에 의한 외형 손상이나 빛의 방향에 따른 색상 대비변화 등에 견고한 영상기반 속도 제한 표지판 인식 시스템 설계를 제안한다. 속도 제한 표지판 인식을 위해서 최근 패턴 인식 분야에서 뛰어한 성능을 보여주고 있는　CNN (Convolutional neural network)을 사용한다. 하지만 기존의 CNN은 특징 추출을 위해 다수의 은닉층이 사용되고 추출된 결과에 대해 MLP(Multi-layer perceptron) 등과의 완전 연결(fully-connected) 방식을 사용함으로 학습과 테스트 시간이 많이 걸리는 단점이 있다. 본 논문에서는 이러한 단점을 줄이기 위해 2계층의 CNN을 구성하고 패턴 분류를 위해 랜덤 포레스트(Random forest)를 결합하여 완전 연결이 아닌 랜덤 연결 방식을 적용하였다. GTSRB(German Traffic Sign Recognition Benchmark)데이터의 교통안전표지판 중에서 8개 속도 제한 표지판 데이터를 사용하여 제안하는 방식이 SVM (Support Vector Machine)이나 MLP 분류기를 적용할 때 보다 성능이 우수함을 입증하였다.

• 한국철도학회:학술대회논문집
• /
• 한국철도학회 2011년도 정기총회 및 추계학술대회 논문집
• /
• pp.281-286
• /
• 2011

Station structures, one of important infrastructures, which have been being operated since the 1970s, are especially vulnerable to even the medium-level earthquake and they could be damaged by long-term internal or external vibrations such as ambient vibrations. Recently, much attention has been paid to real-time monitoring of the fatal defect or long-term deterioration of civil infrastructures to ensure their safety and adequate performance throughout their life span. In this study, a structural health monitoring methodology using acceleration responses is proposed to evaluate the health-state of the station structures and to detect initial damage-stage. A damage index is developed using the acceleration data and it is applied to outlier analysis, one of unsupervised learning based pattern recognition methods. A threshold value for the outlier analysis is determined based on confidence level of the probabilistic distribution of the acceleration data. The probabilistic distribution is selected according to the feature of the collected data.

• 한국전산구조공학회:학술대회논문집
• /
• 한국전산구조공학회 1997년도 봄 학술발표회 논문집
• /
• pp.97-105
• /
• 1997

A methodology to identify a baseline modal model of a complicated 3-D structure using limited structural and modal information is experimentally examined. In the first part, a system's identification theory for the methodology to identify, baseline modal responses of the structure is outlined. Next, an algorithm is designed to build a generic finite element model of the baseline structure and to calibrate the model by using only a set of post-damage modal parameters. In the second part, the feasibility of the methodology is examined experimentally using a field-tested truss bridge far which only post-damaged modal responses were measured for a few vibration modes. For the complex 3-D bridge with many members, we analyzed to identify unknown stiffness parameters of the structure by using modal parameters of the initial two modes of vibration.

• 한국멀티미디어학회논문지
• /
• 제24권2호
• /
• pp.215-221
• /
• 2021

The agricultural is plagued by agricultural damage from wild boars every year. As a result, research on systems to repelling wild boars continues, and most of the systems are to detect objects with body temperature through sensors and then repelling them with actions such as light and sound. The problems of these system are operating regardless of wild boars and people, which can cause significant accident when using electric fence. In addition, If the same repelling action is repeated, wild boars can be adapted to that repelling action. As a solution to the two problems, Adaptation problem can be solved by random sounds and distinction problem can be solved by YOLO V4.

• 한국지진공학회논문집
• /
• 제10권6호
• /
• pp.57-65
• /
• 2006

본 논문에서는 구조물의 전역적인 손상도 평가와 국부 구조 연결부의 손상 검색을 동시에 수행할 수 있는 하이브리드 구조 손상 모니터링 체계가 제시되었다. 하이브리드 손상 모니터링 체계는 진동기반 기법과 전기/역학적 임피던스 기법으로 구성되었다. 진동기반 기법은 구조물의 모드특징의 변화를 사용하여 구조물의 전역적 특성의 변화를 감지하고, 전기/역학적 임피던스 기법은 PZT 센서의 저항 변화를 사용하여 국부 구조 연결부의 손상 여부를 검출한다. 제안된 하이브리드 모니터링 체계를 검증하기 위해 구조 연결부의 볼트 풀림 상황을 손상 시나리오로 선택하였으며, 가속도 응답과 임피던스 응답 신호가 계측되었다. 실험 결과, 제안된 하이브리드 모니터링 체계를 통해 구조물의 전역적 손상 상태와 국부 구조 연결부의 손상을 정확하게 모니터링 할 수 있었다.

• Smart Structures and Systems
• /
• 제31권5호
• /
• pp.485-500
• /
• 2023

Machine learning-based structural health monitoring (ML-based SHM) methods are researched extensively in the recent decade due to the availability of advanced information and sensing technology. ML methods are well-known for their pattern recognition capability for complex problems. However, the main obstacle of ML-based SHM is that it often requires pre-collected historical data for model training. In most actual scenarios, damage presence can be detected using the unsupervised learning method through anomaly detection, but to further identify the damage types would require prior knowledge or historical events as references. This creates the cold-start problem, especially for new and unobserved structures. Modal-based methods identify damages based on the changes in the structural global properties but often require dense measurements for accurate results. Therefore, a two-stage hybrid modal-machine learning damage detection scheme is proposed. The first stage detects damage presence using Principal Component Analysis-Frequency Response Function (PCA-FRF) in an unsupervised manner, whereas the second stage further identifies the damage. To solve the cold-start problem, mode shape assessment using the first mode is initiated when no trained model is available yet in the second stage. The damage identified by the modal-based method would be stored for future training. This work highlights the performance of the scheme in alleviating the cold-start issue as it transitions through different phases, starting from zero damage sample available. Results showed that single and multiple damages can be identified at an acceptable accuracy level even when training samples are limited.