이상치 지시 이진벡터를 활용한 구조건전도모니터링을 위한 적대적생성신경망 기반 계측데이터 이상치 복원 모델 = cGAN-based model for Recovering Anomalous Sensing Data in SHM Utilizing Anomaly-Pointing Binary Vector

국문 초록 (Abstract)

구조 건전도 모니터링을 수행하기 위해 센서 네트워크를 구축하게 된다. 이때, 다양한
센서들이 구조물에 부착되어 구조물의 응답을 계측 받게 되는데, 통신 불안정으로 인한
데이터 유실, 베터리 수명 및 교체, 센서의 노후화로 인한 정확성 감소와 같은 이유로 데
이터 계측에 한계가 발생할 수 있다. 이는 구조 건전도 모니터링의 안정성을 저해하는 주
요 요인이 된다. 따라서 본 연구에서 이상데이터가 발생하여도 장기 구조 건전도 모니터
링의 안정성을 유지할 수 있는 이진조건 기반의 적대적생성신경망을 사용한 센서 네트워
크 결측 데이터 복원 기법을 제안한다. 이상데이터의 위치정보를 가지고 있는 이진벡터를
추가함으로써 이상데이터에 대한 복원성능을 향상시켰으며 이진조건을 사용하지 않는 적
대적생성망과의 성능 비교를 수행하였다. 또한 실제 구조응답 데이터의 경우 손실 혹은
이상데이터를 구분하는데 한계가 있기 때문에 이상데이터를 분류하여 이를 토대로 이진
벡터를 결정하는 합성곱신경망을 추가하였다. 해당 모델의 검증을 수행하기 위해 3가지
실험 데이터를 활용하였으며, 해당 실험을 통해 구조 건전도 모니터링 수행에 있어서 결
측 데이터를 대체할 수 있는 유의미한 데이터 복원 성능을 확인하였다. 또한 손실률이 증
가하여도 일정수준 이상의 복원성능을 보이는 것을 확인하였다.

목차 (Table of Contents)

• 그림 차례 ································ ⅱ
• 표 차례 ································· ⅲ
• 국문 요약 ································ ⅳ
• 제1장 서론 ································ 1
• 1.1 연구 배경 ······························ 1
• 1.2 연구 동향 ······························ 2
• 1.3 연구 목적 ······························ 4
• 제2장 방법론 ······························· 5
• 2.1 이상치 지시 이진벡터 및 데이터 생성방법 ··············· 7
• 2.2 네트워크 구성···························· 10
• 2.2.1 모델1: 이상치 지시 이진조건 적대적생성신경망 ·········· 10
• 2.2.2 손실함수···························· 13
• 2.2.3 모델2: 이상치 지시 이진벡터 생성을 위한 합성곱신경망 ······· 15
• 2.2.4 손실함수···························· 17
• 2.3 이상치 지시 이진조건 적대적생성신경망 기반 손실데이터 복원기법 ···· 18
• 제3장 예제 검증 ····························· 22
• 3.1 예제1: 구조해석 모델 ························ 22
• 3.1.1 실험 개요 ··························· 22
• 3.1.2 결과 분석 ··························· 26
• 3.2 예제2: 3층 철골 소형 실험체 ····················· 34
• 3.2.1 실험 개요 ··························· 34
• 3.2.2 결과 분석 ··························· 35
• 3.3 예제3: K-아트홀 ·························· 43
• 3.3.1 실험 개요 ··························· 43
• 3.3.2 결과 분석 ··························· 49
• 제4장 결론 ································ 57
• 참고문헌································· 58