DOI QR코드

DOI QR Code

Simulation-Based Damage Estimation of Helideck Using Artificial Neural Network

인공 신경망을 사용한 시뮬레이션 기반 헬리데크 손상 추정

  • Kim, Chanyeong (Department of Ocean Engineering, Korea Maritime and Ocean Univ.) ;
  • Ha, Seung-Hyun (Department of Ocean Engineering, Korea Maritime and Ocean Univ.)
  • 김찬영 (한국해양대학교 해양공학과) ;
  • 하승현 (한국해양대학교 해양공학과)
  • Received : 2020.09.14
  • Accepted : 2020.09.22
  • Published : 2020.12.31

Abstract

In this study, a simulation-based damage estimation method for helidecks is proposed using an artificial neural network. The structural members that share a connecting node in the helideck are regarded as a damage group, and a total of 37,400 damage scenarios are numerically generated by applying randomly assigned damage to up to three damage groups. Modal analysis is then performed for all the damage scenarios, which are selectively used as either training or validation or verification sets based on the purpose of use. An artificial neural network with three hidden layers is constructed using a PyTorch program to recognize the patterns of the modal responses of the helideck model under both damaged and undamaged states, and the network is successively trained to minimize the loss function. Finally, the estimated damage rate from the proposed artificial neural network is compared to the actual assigned damage rate using 400 verification scenarios to show that the neural network is able to estimate the location and amount of structural damage precisely.

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.

Keywords

Acknowledgement

이 논문은 2018년도 교육부의 한국연구재단(No. NRF-2018R1D1A1B07040517) 및 2020년도 산업통상자원부의 창의산업융합 특성화 인재양성사업(N0000717)의 지원을 받아 수행된 연구 결과임.

References

  1. ANSYS Inc. (2017) ANSYS Mechanical APDL Command Reference, Release 18.2.
  2. Bakhary, N., Hao, H., Deeks, A. (2007) Damage Detection Using Artificial Neural Network with Consideration of Uncertainties, Eng. Struct., 29, pp.2806-2815. https://doi.org/10.1016/j.engstruct.2007.01.013
  3. Elshafey, A.A., Haddara, M.R., Marzouk, H. (2010) Damage Detection in Offshore Structures Using Neural Networks, Mar. Struct., 23, pp.131-145. https://doi.org/10.1016/j.marstruc.2010.01.005
  4. Jung, T.-W., Kim, B.-M., Ha, S.-H. (2017) A Study on Lightweight Design of Cantilever-type Helideck Using Topology Optimization, J. Comput. Struct. Eng. Inst. Korea, 30(5), pp.453-460. https://doi.org/10.7734/COSEIK.2017.30.5.453
  5. Lee, J.-W. (2017) Damage Estimation Method for Jacket-type Support Structure of Offshore Wind Turbine, J. Korea Acad.-Ind., 18(8), pp.64-71.
  6. Lee, S.H., Lee, K.H., Lee, J.H. (2019) Damage Detection in Truss Structures Using Deep Learning Techniques, J. Korean Assoc. Spat. Struct., 19(1), pp.93-100.
  7. Mehrjoo, M., Khaji, N., Moharrami, H., Bahreininejad, A. (2008) Damage Detection of Truss Bridge Joints Using Artificial Neural Networks, Expert Syst. Appl., 35, pp.1122-1131. https://doi.org/10.1016/j.eswa.2007.08.008
  8. Rosenblatt, F. (1958) The Perceptron: A Probabilistic Model for Information Storage and Organization in The Brain, Psychol. Rev., 65(6), pp.386-408. https://doi.org/10.1037/h0042519
  9. Sim, K., Kim, B., Kim, C., Ha, S.-H. (2019) Structural Design Optimization of Lightweight Offshore Helidecks Using a Genetic Algorithm and AISC Standard Sections, J. Comput. Struct. Eng. Inst. Korea, 32(6), pp.383-390. https://doi.org/10.7734/COSEIK.2019.32.6.383