Abstract
An artificial intelligence-based cable tension estimation model was developed to expand the utilization of data obtained from cable accelerometers of cable-stayed bridges. The model was based on an algorithm for selecting the natural frequency in the tension estimation process based on the vibration method and an applied artificial neural network (ANN). The training data of the ANN was composed after converting the cable acceleration data into the frequency, and machine learning was carried out using the characteristics with a pattern on the natural frequency. When developing the training data, the frequencies with various amplitudes can be used to represent the frequencies of multiple shapes to improve the selection performance for natural frequencies. The performance of the model was estimated by comparing it with the control criteria of the tension estimated by an expert. As a result of the verification using 139 frequencies obtained from the cable accelerometer as the input, the natural frequency was determined to be similar to the real criteria and the estimated tension of the cable by the natural frequency was 96.4% of the criteria.
본 연구에서는 사장교의 케이블 가속도계로부터 확보한 방대한 계측데이터의 활용을 확대하고자 인공지능 기반의 케이블 장력 추정 모델을 개발하였다. 케이블 장력 추정 모델은 진동법에 따른 장력 추정 과정에서 고유진동수를 판정할 수 있는 알고리즘을 핵심으로 하며 학습데이터 구성에 적합하고 판정 결과에 대한 성능이 확보될 수 있도록 입력층, 은닉층, 출력층으로 구성되는 인공신경망(Artificial Neural Network)을 적용하였다. 인공신경망의 학습데이터는 케이블 가속도 계측데이터를 진동수로 변환 후 구성하였으며 고유진동수를 중심으로 일정한 패턴을 갖는 특성을 활용하여 기계학습을 진행하였다. 학습데이터 구성 시 다수 패턴의 고유진동수를 대표할 수 있도록 다양한 크기의 진폭을 갖는 진동수를 사용하고 일정 수준으로 진동수를 누적하여 사용할 경우 고유진동수에 대한 판정 성능이 개선됨을 확인하였다. 장력 추정 모델의 성능을 판단하기 위해 계측분석 기술자에 의해 추정한 장력의 관리기준과 비교하였다. 케이블 가속도계로부터 확보한 139개의 진동수를 입력값으로 사용하여 검증을 수행한 결과 실제 정답과 유사하게 고유진동수를 판정하였고 고유진동수에 의해 케이블의 장력을 추정한 결과는 96.4%의 수준으로 관리기준에 부합하는 결과를 보여주고 있다.