Automated Detection of Low-Amplitude Vortex-Induced Vibrations in Long-Span Bridges Using LSTM-Based VAE-GAN = LSTM 기반 VAE-GAN을 이용한 장대교량의 저진폭 와류진동 자동 탐지 기법

국문 초록 (Abstract)

장대교량은 높은 유연성과 낮은 감쇠비로 인해 와류진동(vortex-induced vibration, VIV)에 취약한 구조 형식을 갖는다. 기존에는 대진폭 와류진동이 사용성과 장기 피로 문제의 관점에서 주요하게 다루어졌으나, 최근 연구에 따르면 저진폭 수준의 와류진동 역시 케이블 등의 부재에 2차적인 공진성 응답을 유발함으로써 교량의 장기적인 구조 안정성과 내구성에 영향을 미칠 수 있음이 보고되고 있다. 구조건전성 모니터링(SHM) 시스템을 통해 교량의 진동 응답을 지속적으로 계측할 수 있음에도 불구하고, 저진폭 와류진동은 차량 하중이나 난류에 의한 버페팅 응답에 의해 쉽게 가려져 신뢰성 있는 탐지가 어렵다. 또한 기존의 신호 처리 기법이나 지도학습 기반 와류진동 탐지 방법론은 사전에 정의된 임계값이나 라벨링된 데이터에 의존하기 때문에 이러한 미세한 진동을 효과적으로 탐지하는 데 한계를 가진다.
본 연구에서는 저진폭 와류진동의 자동 탐지를 위해 장단기 기억 신경망(Long Short-Term Memory, LSTM) 기반 변분 오토인코더–생성적 적대 신경망(Variational Autoencoder–Generative Adversarial Network, VAE-GAN)을 이용한 비지도 학습 프레임워크를 제안한다. 제안된 모델은 정상(non-VIV) 상태의 가속도 데이터만을 학습하며, 재구성 오차와 적대적 판별 결과를 결합한 이상 점수(anomaly score)를 계산하여 이상 진동 발생 여부를 판단한다.
제안된 프레임워크는 대한민국의 장대 사장교인 천사대교에서 취득된 장기 SHM 데이터를 활용하여 검증되었다. 검증 결과, 본 방법론은 기존 기법으로도 탐지가 가능했던 1차모드 대진폭 와류진동뿐만 아니라, 기존 방법으로는 식별이 어려운 저진폭 고차모드 와류진동까지 성공적으로 탐지하였다. 또한 고차모드 저진폭 와류진동 및 케이블 와류진동에 의해 유도된 데크 이상 응답 등 기존에 보고되지 않았던 공진성 진동 사례를 추가적으로 식별하였으며, 이상 점수의 시간적 변화를 통해 와류진동의 발생, 유지, 소멸과 같은 진동 단계에 대한 해석 가능성을 제시하였다. 이러한 결과는 제안된 비지도 학습 기반 접근법이 저진폭 와류진동을 신뢰성 있고 일반화 가능하게 탐지할 수 있음을 보여주며, 장대교량의 데이터 기반 유지관리 및 상태 기반 모니터링에 효과적으로 활용될 수 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

Long-span bridges are inherently vulnerable to vortex-induced vibrations (VIV) due to their structural flexibility and low damping characteristics. While large-amplitude VIV is widely recognized as a serviceability concern, recent observations indicate that even low-amplitude VIV can induce secondary resonant responses and adversely affect the long-term structural stability and durability of bridge components. Although structural health monitoring (SHM) systems provide continuous vibration data, low-amplitude VIV is often masked by traffic-induced and buffeting responses, making reliable detection particularly challenging. Moreover, conventional signal processing and supervised learning approaches are limited in detecting such subtle vibrations due to predefined thresholds and the requirement for labeled datasets.
This study proposes an unsupervised deep learning framework for automatic detection of low-amplitude VIV using a Long Short-Term Memory (LSTM)–based Variational Autoencoder–Generative Adversarial Network (VAE-GAN). The model is trained exclusively on normal (non-VIV) acceleration data and identifies abnormal vibration events using an anomaly score that combines reconstruction error and adversarial discrimination output.
The proposed framework was validated using long-term SHM data from the Cheonsa Bridge, a long-span cable-stayed bridge in South Korea. The results show that the framework successfully detects not only first-mode large-amplitude VIV but also low-amplitude higher-mode VIV that is difficult to identify using existing methods. In addition, the proposed framework identified previously unreported resonant vibration responses, including higher-mode low-amplitude VIV and deck abnormalities induced by cable vortex-induced vibrations, and the temporal variation of the anomaly score provided insight into different vibration phases. These findings demonstrate the potential of the proposed approach for reliable and generalizable detection of subtle VIV, supporting data-driven maintenance of long-span bridges.

목차 (Table of Contents)

• CHAPTER 1 INTRODUCTION
• 1.1 Research Background
• 1.2 Previous Studies on VIV Detection and Their Limitations
• 1.3 Research Objective and Scope
• CHAPTER 2 INVESTIGATED BRIDGE
• 2.1 Bridge Description and SHM System
• 2.2 Dynamic Characteristics of the Bridge
• CHAPTER 3 VIV DETECTION FRAMEWORK
• 3.1 Acquisition and Preprocessing of Non-VIV Data
• 3.1.1 Acquisition of Non-VIV Data
• 3.1.2 Data Preprocessing
• 3.2 VAE-GAN Model Training and Definition of Anomaly Score
• 3.2.1 LSTM-Based VAE-GAN Architecture
• 3.2.2 Loss Function Design and Training Strategy
• 3.2.3 Definition of Anomaly Score
• 3.2.4 Threshold Selection for Anomaly Detection
• CHAPTER 4 MODEL VALIDATION AND CASE STUDIES
• 4.1 Model Validation Based on Previously Identified VIV Cases
• 4.1.1 First-Mode Large-Amplitude VIV
• 4.1.2 Second-Mode Low-Amplitude VIV
• 4.2 Case Studies on Newly Identified Abnormal Vibration Events
• 4.2.1 Third-Mode Low-Amplitude VIV
• 4.2.2 Cable-Induced Vibrations below 10 Hz
• CHAPTER 5 CONCLUSIONS AND RECOMMENDATIONS FOR FURTHER STUDY