• 제목/요약/키워드: geometry-efficiency

검색결과 562건 처리시간 0.02초

현수교 행어케이블의 장력 추정을 위한 직접탐색법 기반의 역해석 기법의 적용 (Application of Back Analysis Technique Based on Direct Search Method to Estimate Tension of Suspension Bridge Hanger Cable )

  • 김진수;박재봉;박광림;박동욱;김성완
    • 한국구조물진단유지관리공학회 논문집
    • /
    • 제27권5호
    • /
    • pp.120-129
    • /
    • 2023
  • 행어케이블의 장력은 현수교의 건전성과 안전성을 확인할 수 있는 주요 응답 중 하나이다. 일반적으로 공용 중인 현수교에서 행어케이블의 장력을 추정하기 위해 진동법이 주로 사용되고 있다. 진동법은 행어케이블에서 고유진동수들을 측정하고 행어케이블의 형상 조건을 이용하여 간접적으로 장력을 추정하는 방법이다. 이 연구에서는 영상계측시스템을 이용하여 팔영대교의 행어케이블에 대하여 장력을 추정하였다. 영상계측시스템은 측정의 편의성과 경제성을 고려하여 디지털 캠코더와 삼각대를 사용하였다. 영상계측시스템을 이용하여 측정된 행어케이블의 응답은 변위 기반이므로 진동법을 적용하기 위한 고차모드의 고유진동수는 측정하기 어려울 수 있다. 이 연구에서는 저차모드의 고유 진동수를 이용하여 장력을 추정할 수 있는 역해석 기법을 적용하였다. 역해석 기법은 현장에서 측정된 행어케이블의 고유진동수들과 유한요소해석을 이용하여 산정된 고유진동수들의 오차를 목적함수로 정의하여 최적화를 수행하였다. 최적화 방법은 목적함수의 편미분이 필요 없는 직접탐색법을 적용하였다. 역해석 기법을 이용하여 산정된 장력과 진동법을 이용하여 추정된 장력을 비교 분석하여 역해석 기법에 대한 신뢰도와 정확도를 확인하였다. 그 결과 역해석 기법을 적용하면 저차모드의 고유진동수를 이용하여도 신뢰성 있는 장력의 추정이 가능하였다.

머신러닝 기반 MMS Point Cloud 의미론적 분할 (Machine Learning Based MMS Point Cloud Semantic Segmentation)

  • 배재구;서동주;김진수
    • 대한원격탐사학회지
    • /
    • 제38권5_3호
    • /
    • pp.939-951
    • /
    • 2022
  • 자율주행차에 있어 가장 중요한 요소는 차량 주변 환경과 정확한 위치를 인식하는 것이며, 이를 위해 다양한 센서와 항법 시스템 등이 활용된다. 하지만 센서와 항법 시스템의 한계와 오차로 인해 차량 주변 환경과 위치 인식에 어려움이 있다. 이러한 한계를 극복하고 안전하고 편리한 자율주행을 위해서 고정밀의 인프라 정보를 제공하는 정밀도로지도(high definition map, HD map)의 필요성은 증대되고 있다. 정밀도로지도는 모바일 매핑 시스템(mobile mapping system, MMS)을 통해 획득된 3차원 point cloud 데이터를 이용하여 작성된다. 하지만 정밀도로지도 작성에 많은 양의 점을 필요로 하고 작성 항목이 많아 수작업이 요구되어 많은 비용과 시간이 소요된다. 본 연구는 정밀도로지도의 필수 요소인 차선을 포함한 도로, 연석, 보도, 중앙분리대, 기타 6개의 클래스로 MMS point cloud 데이터를 유의미한정보로 분할하여 정밀도로지도의 효율적인 작성에 목적을 둔다. 분할에는 머신러닝 모델인 random forest (RF), support vector machine (SVM), k-nearest neighbor (KNN) 그리고 gradient boosting machine (GBM)을 사용하였고 MMS point cloud 데이터의 기하학적, 색상, 강도 특성과 차선 분할을 위해 추가한 도로 설계적 특성을 고려하여 11개의 변수를 선정하였다. 부산광역시 미남역 일대 5차선도로 130 m 구간의 MMS point cloud 데이터를 사용하였으며, 분할 결과 각 모델의 평균 F1 score는 RF 95.43%, SVM 92.1%, GBM 91.05%, KNN 82.63%로 나타났다. 가장 좋은 분할 성능을 보인 모델은 RF이며 클래스 별 F1 score는 도로, 보도, 연석, 중앙분리대, 차선에서 F1 score가 각각 99.3%, 95.5%, 94.5%, 93.5%, 90.1% 로 나타났다. RF 모델의 변수 중요도 결과는 본 연구에서 추가한 도로 설계적 특성의 변수 XY dist., Z dist. 모두 mean decrease accuracy (MDA), mean decrease gini (MDG)가 높게 나타났다. 이는 도로 설계적 특성을 고려한 변수가 차선을 포함한 여러 클래스 분할에 중요하게 작용하였음을 뜻한다. 본 연구를 통해 MMS point cloud를 머신러닝 기반으로 차선을 포함한 여러 클래스로 분할 가능성을 확인하고 정밀도로지도 작성 시 수작업으로 인한 비용과 시간 소모를 줄이는데 도움이 될 것으로 기대한다.