음향방출을 이용한 축하중 콘크리트 부재의 머신러닝 기반 손상단계 식별 및 발생원 = Machine Learning-Based Damage-Stage Identification and Source Localization in Axially Loaded Concrete Members Using Acoustic Emission

국문 초록 (Abstract)

압축하중을 받는 콘크리트 부재의 구조적 손상은 조기에 탐지되지 않을 경우 균열의 점진적 진전과 함께 급작스러운 파괴로 이어질 수 있다. 음향방출（Acoustic Emission, AE） 기법은 균열의 발생 및 전파 과정에서 발생하는 응력파 신호를 분석함으로써 내부 손상 활동을 실시간으로 감지할 수 있는 효과적인 비파괴 모니터링 기술이다. 본 연구에서는 반복하중 및 단조하중 조건에서 압축을 받는 콘크리트 블록을 대상으로 AE 기반 손상 상태 식별과 손상원 위치 추정을 수행하였다. 총 7 개의 콘크리트 블록 시험체에 대해 압축 실험을 수행하였으며, 비보강 시험체와 CFRP 로 구속된 시험체를 모두 포함하였다. 이 중 2 개의 시험체는 반복하중 조건에서, 5 개의 시험체는 단조하중 조건에서 시험되었다. 하중 재하 동안 손상 활동을 지속적으로 모니터링하기 위해 콘크리트 블록 표면에 6 개의 AE 센서를 설치하였다. 손상 진전 및 균열 거동을 평가하기 위하여 진폭（amplitude）, 카운트（counts）, 에너지（energy）, 신호강도（signal strength）, 피크주파수（peak frequency） 등의 AE 파라미터를 분석하였다. 또한 AE 손상원 위치 추정을 수행하여 하중 단계별 손상의 공간적 분포를 평가하였다. 손상 특성화를 향상시키기 위해 Hsu–Nielsen（HN） 시험과 실제 하중 실험에서 획득한 AE 특성을 활용하여 기계학습 기반 프레임워크를 개발하였다. 손상 단계 분류와 손상원 위치 추정을 위해 앙상블 학습 모델을 적용하였다. 개발된 프레임워크는 비보강 시험체와 CFRP 구속 시험체에 대해 각각 80.67%와 71.67%의 손상 단계 분류 정확도를 나타냈으며, 손상원 위치 추정에서는 각각 78.91%와 69.59%의 정확도를 보였다. 또한 기계학습 기반 위치 추정 결과는 기존의 Time-of-Arrival（TOA） 기법보다 실제 균열 패턴과 더욱 높은 일치성을 나타내었다. 연구 결과, 균열의 발생 및 전파에 따라 AE 활동이 현저하게 증가하는 것으로 나타났다. 반복하중 조건에서는 손상 축적이 각 하중 단계에 따라 점진적으로 진행된 반면, 단조하중 조건에서는 파괴 시점까지 지속적인 균열 진전이 관찰되었다. CFRP 로 구속된 시험체는 비보강 시험체에 비해 균열 전파가 지연되었으며, 보다 분산된 손상 활동을 나타냈다. 또한 위치 추정된 AE 이벤트는 시험체에서 관찰된 실제 균열 패턴 및 파괴 영역과 양호한 일치성을 보였다. 본 연구는 기계학습과 결합된 AE 모니터링 기법이 압축하중을 받는 콘크리트 구조물의 손상 진화, 균열 전파, 손상 심각도 평가 및 손상원 위치 추정을 효과적으로 수행할 수 있음을 입증하였다. 또한 본 연구 결과는 AE 기반 모니터링과 데이터 기반 접근법을 통합한 고도화된 구조건전성 모니터링（Structural Health Monitoring, SHM） 시스템 개발 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

Structural damage in concrete members subjected to compressive loading can lead to progressive cracking and sudden failure if not detected early. Acoustic Emission （AE） is an effective non-destructive monitoring technique that detects internal damage in real time by analyzing stress-wave signals generated during crack initiation and propagation. This study investigates AE-based damage stage identification and source localization in concrete blocks subjected to repeated and monotonic compressive loading. A total of seven concrete block specimens were tested under compression, including both unconfined and CFRP-confined specimens. Among them, two specimens were subjected to repeated loading, while five specimens were tested under monotonic loading. Six AE sensors were installed on the concrete block surfaces to monitor damage activity during loading continuously. AE parameters, including amplitude, counts, energy, signal strength, and peak frequency, were analyzed to evaluate damage progression and crack behavior. In addition, AE source localization was performed to identify the spatial distribution of damage during different loading stages. To enhance damage characterization, a machine-learning-based framework was developed using AE features obtained from Hsu–Nielsen （HN） tests and experimental loading data. Ensemble learning models were employed for damage-stage classification and source localization. The developed framework achieved damage-stage classification accuracies of 80.67% and 71.67% for the control and CFRP-confined specimens, respectively, while source localization accuracies of 78.91% and 69.59% were obtained. The machine-learning-based localization results showed better agreement with observed crack patterns compared to the conventional Time-of-Arrival （TOA） approach. The results showed that AE activity increased significantly with crack initiation and propagation. Under repeated loading, damage accumulation progressed gradually through different loading stages, while monotonic loading produced continuous crack development until failure. CFRP-confined specimens exhibited delayed crack propagation and more distributed damage activity compared to unconfined specimens. Furthermore, localized AE events showed good agreement with the observed crack patterns and failure regions of the specimens. The study demonstrates that AE monitoring combined with machine learning can effectively identify damage evolution, crack progression, damage severity, and source localization in concrete structures under compressive loading. The findings highlight the potential of integrating AE-based monitoring and data-driven approaches for advanced structural health monitoring applications. Keywords: Acoustic emission （AE）, Structural health monitoring （SHM）, Damage stage identification, Source localization, Machine learning.

목차 (Table of Contents)

• I. INTRODUCTION 1
• 1.1. Research background 1
• 1.2. Research problem and research gap 3
• 1.3. Research objectives 4
• 1.4. Scope of study 5
• 1.5. Research methodology 6
• II. LITERATURE REVIEW 8
• 2.1. Structural health monitoring (SHM) 8
• 2.2. Acoustic emission (AE) technique 9
• 2.3. Acoustic emission parameters 10
• 2.4. AE source localization 11
• 2.5. AE monitoring in concrete and CFRP-strengthened structures 13
• 2.6. Machine learning applications in AE-based damage monitoring 14
• 2.7. Research significance 15
• III. EXPERIMENTAL PROGRAM AND RESULTS 17
• 3.1. Experimental overview 17
• 3.2. Test specimens 18
• 3.3. Material properties 19
• 3.4. CFRP strengthening procedure 20
• 3.5. Instrumentation setup 21
• 3.6. AE monitoring system and calibration 23
• 3.7. Loading protocol 25
• 3.8. Data acquisition and processing 27
• 3.9. Failure modes and crack patterns 27
• 3.10. AE-based damage stage identification and characterization 30
• 3.11. Load–displacement behavior 33
• 3.12. Strain behavior 37
• 3.13. AE-based damage evolution and crack characterization 40
• 3.14. RA–AF analysis for crack mode characterization 49
• IV. MACHINE LEARNING FRAMEWORK AND EXPERIMENTAL VALIDATION 53
• 4.1. Feature selection and correlation analysis for machine learning 53
• 4.2. Machine learning-based damage identification and source localization 54
• 4.3. Damage stage classification framework and validation strategy 55
• 4.4. Machine learning results and discussion 57
• 4.5. Discussion of model performance 60
• 4.6. Strain behavior and crack development 61
• 4.7. AE-based source localization and crack correlation 66
• V. CONCLUSIONS 74
• REFERENCES 76
• APPENDICES 80