http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
풍력 구조물의 진동 특성 분석을 위한 지반-구조물 상호작용 모델의 비교 연구
김정수,Kim, Jeongsoo 한국전산구조공학회 2020 한국전산구조공학회논문집 Vol.33 No.4
본 논문은 모노파일 풍력 지지구조물에 대한 공진 안전성 평가에서 여러 말뚝-구조물 상호작용(PSI) 모델을 사용하여 고유진동수를 비교하였다. PSI 재현을 위한 유한요소모델은 기저 스프링 모델, 분산 스프링 모델, 3차원 고체-쉘 모델을 사용하였다. PSI 모델이 고유주파수에 미치는 영향을 분석하기 위해 기저 스프링과 분산 스프링 모델 적용을 위한 강성행렬 산정법과 Winkler 보 모델을 각각 논문에 나타내고 이들 모델로부터 도출된 서로 다른 기하 및 지반조건을 갖는 모노파일의 고유진동수를 조사하였다. 해석결과는 또한 3차원 고체-쉘 모델의 고유진동수와도 비교되었다. 해석결과는 소구경 모노파일이 견고한 지반 및 암반에 관입된 경우 각 해석모델로부터 얻어진 고유진동수의 차이가 거의 없음을 보여준다. 반면 연약 지반에 설치된 대구경 모노파일에 대해 분산스프링 모델은 고유진동수를 과대평가할 수 있다. 따라서 고유진동수 평가 시 구조물 규모와 지반 조건을 고려해 적합한 PSI모델이 적용되어야 한다. In this study, natural frequencies are compared using several pile-soil interaction (PSI) models to evaluate the effects of each model on resonance safety checks for a monopile type of wind turbine structure. Base spring, distributed spring, and three-dimensional brick-shell models represented the PSIs in the finite element model. To analyze the effects of the PSI models on a natural frequency, after a stiffness matrix calculation and Winkler-based beam model for base spring and distributed spring models were presented, respectively; natural frequencies from these models were investigated for monopiles with different geometries and soil properties. These results were compared with those from the brick-shell model. The results show that differences in the first natural frequency of the monopiles from each model are small when the small diameter of monopile penetrates hard soil and rock, while the distributed spring model can over-estimate the natural frequency for large monopiles installed in weak soil. Thus, an appropriate PSI model for natural frequency analyses should be adopted by considering soil conditions and structure scale.
김정수(Kim, Jeongsoo),정연주(Jeong, Yeon-Ju),박민수(Park, Min-Su) 대한토목학회 2019 대한토목학회논문집 Vol.39 No.2
석션 케이슨은 설치 수심제한이 적고, 비교적 단순한 설치공정과 빠른 시공이 가능하기 때문에 해양 구조물용 앵커 및 기초형식으로 활용되고 있으며 그 적용이 점차 확대되고 있다. 석션 케이슨 기초의 설계는 지반의 지지력 및 안정성 검토가 중심이 되며, 관련 설계기준에서 해석 방법을 제시하고 있다. 반면, 케이슨의 구조적 안전성 분석은 방법이 정형화되지 않았으며 특히 케이슨에 작용하는 하중 모델링에 대한 명확한 산정 방법이 정립되지 않아 석션 케이슨 단면 설계에 어려움이 있다. 이러한 이유로 본 연구에서는 이론 및 수치적 침투해석을 통해 석션압에 의해 발생되는 케이슨 내외부의 간극수압 크기 및 분포를 분석하고, 이를 바탕으로 구조해석에 적용할 수 있는 합리적인 하중 평가 방법을 제시하였다. 추가적으로 관입깊이, 투수계수의 이방성, 석션압 변화가 내외벽에 작용하는 간극수압에 미치는 영향을 분석하였다. A suction caisson has been widely used for anchor and foundation of offshore structures due to its broad application, simple installation, and rapid construction. In design of suction caisson foundation, the bearing capacity and the stability of soil are mainly dealt with and analysis methods for them are presented in design codes related to the foundation. On the other hand, the method for structural safety analysis of the suction caisson is not generalized, in particular for load modeling of the caisson under suction. Consequently, there are difficulties in design of the caisson cross section. For this reason, this study analyzed the magnitude and distribution of pore water pressure on inner and outer surface of the caisson using theoretical and numerical seepage analyse, and an approach to reasonably estimate the load applied to the structural analysis of the caisson was presented. Furthermore, effects of penetration depth, anisotropy of permeability, and suction pressure on the pore water pressure were analyzed.
딥러닝 기반 지하공동구 화재 탐지 모델 개발 : 학습데이터 보강 및 편향 최적화
김정수(Jeongsoo Kim),이찬우(Chan-Woo Lee),박승화(Seung-Hwa Park),이종현(Jong-Hyun Lee),홍창희(Chang-Hee Hong) 한국산학기술학회 2020 한국산학기술학회논문지 Vol.21 No.12
화재는 높은 비정형성으로 인해 딥러닝 모델을 이용한 영상인식 분야에서도 좋은 성능을 내기가 어려운 대상 중 하나이다. 특히 지하공동구 내 화재는 딥러닝 모델의 학습을 위한 화재 데이터 확보가 어렵고 열약한 영상 조건 및 화재로 오인할 수 있는 객체가 많아 화재 검출이 어렵고 성능이 낮다. 이러한 이유로 본 연구는 딥러닝 기반의 지하공동구 내 화재 탐지 모델을 제안하고, 제안된 모델의 성능을 평가하였다. 기존 합성곱 인공신경망에 GoogleNet의 Inception block과 ResNet의 skip connection을 조합하여 어두운 환경에서 발생되는 화재 탐지를 위한 모델 구조를 제안하였으며, 제안된 모델을 효과적으로 학습시키기 위한 방법도 함께 제시하였다. 제안된 방법의 효과를 평가하기 위해 학습 후 모델을 지하공동구 및 유사환경 조건의 화재 문제와 화재로 오인할 수 있는 객체를 포함한 이미지에 적용해 결과를 분석하였다. 또한 기존 딥러닝 기반 화재 탐지 모델의 정밀도, 검출률 지표와 비교함으로써 모델의 화재 탐지성능을 정량적으로 평가하였다. 제안된 모델의 결과는 어두운 환경에서 발생되는 화재 문제에 대해 높은 정밀도와 검출률을 나타내었으며, 유사 화재 객체에 대해 낮은 오탐 및 미탐 성능을 가지고 있음을 보여주었다. Fire is difficult to achieve good performance in image detection using deep learning because of its high irregularity. In particular, there is little data on fire detection in underground utility facilities, which have poor light conditions and many objects similar to fire. These make fire detection challenging and cause low performance of deep learning models. Therefore, this study proposed a fire detection model using deep learning and estimated the performance of the model. The proposed model was designed using a combination of a basic convolutional neural network, Inception block of GoogleNet, and Skip connection of ResNet to optimize the deep learning model for fire detection under underground utility facilities. In addition, a training technique for the model was proposed. To examine the effectiveness of the method, the trained model was applied to fire images, which included fire and non-fire (which can be misunderstood as a fire) objects under the underground facilities or similar conditions, and results were analyzed. Metrics, such as precision and recall from deep learning models of other studies, were compared with those of the proposed model to estimate the model performance qualitatively. The results showed that the proposed model has high precision and recall for fire detection under low light intensity and both low erroneous and missing detection capabilities for things similar to fire.