Damage Assessment of Plate Gider Railway Bridge Based on the Probabilistic Neural Network

확률신경망을 이용한 철도 판형교의 손상평가

  • 조효남 (한양대학교 공과대학교) ;
  • 이성칠 (한양대학교 토목ㆍ환경공학과) ;
  • 강경구 (승화 E&C 건설IT사업부) ;
  • 오달수 (한양대학교 토목ㆍ환경공학과)
  • Published : 2003.09.01

Abstract

Artificial neural network has been used for damage assessment by many researchers, but there are still some barriers that must be overcome to improve its accuracy and efficiency. The major problems associated with the conventional artificial neural network, especially the Back Propagation Neural Network(BPNN), are on the need of many training patterns and on the ambiguous relationship between neural network architecture and the convergence of solution. Therefore, the number of hidden layers and nodes in one hidden layer would be determined by trial and error. Also, it takes a lot of time to prepare many training patterns and to determine the optimum architecture of neural network. To overcome these drawbacks, the PNN can be used as a pattern classifier. In this paper, the PNN is used numerically to detect damage in a plate girder railway bridge. Also, the comparison between mode shapes and natural frequencies of the structure is investigated to select the appropriate training pattern for the damage detection in the railway bridge.

손상평가를 위해 많은 연구자들에 의해 인공신경망이 이용되어 왔다. 그러나, 인공신경망을 이용한 손상평가에 있어 정확성과 능률성을 제고하기 위해서는 몇가지 문제점이 있다. 기존의 인공신경망 특히 역전파신경망(BPNN)의 경우 신경망 학습을 위해 많은 수의 학습패턴을 필요로 하며, 또한 신경망의 구조와 해의 수렴간에 어떤 확정적인 관계가 존재하지 않는다. 따라서 신경망의 은닉층의 수와 한 은닉층에서의 노드수는 시행착오적으로 결정되게 된다. 이러한 많은 훈련패턴의 준비와 최적의 신경망 구조 결정을 위해서는 많은 시간이 필요하다. 본 논문에서는 이러한 단점들을 극복하기 위해 확률신경망을 패턴분류기로 사용하였다. 이를 판형철도교의 손상평가에 수치해석적으로 검증하였다. 또한 확률신경망을 이용한 철도판형교 손상평가시 적절한 훈련패턴 선택을 위해 모드형상과 고유진동수를 사용한 경우의 적용성에 대해 검토하였다.

Keywords

References

  1. Wu, X., Ghaboussi, J., and Garrett J.H. Jr, 'Use of neural networks in detection of structural damage', Computer & Structures, Vol.42, No.4, 1992, pp.649-659 https://doi.org/10.1016/0045-7949(92)90132-J
  2. Szewczyk Z.P., Hajela P., 'Damage detection in structures based on feature-sensitive neural networks', J Comput Civil Eng, ASCE, Vol.8, No.2, 1994, pp.163-78 https://doi.org/10.1061/(ASCE)0887-3801(1994)8:2(163)
  3. Pandey, P. C., and Barai, S. V., 'Multilayer perceptron in damage detection of bridge structures', Computer & Structures, Vol.54, No.4, 1995, pp.597-608 https://doi.org/10.1016/0045-7949(94)00377-F
  4. Bahng, E. Y., 'Substructural identification for Damage Assessment Using Neural Networks', Ph. D. Dissertation, Dept. of Civil Engrg, Korea Advanced Institute of Science and Technology, Taejon, Korea, 1997
  5. Specht, D. F., 'Probabilistic Neural Networks' Neural Networks. 3, 1990, pp.109-118 https://doi.org/10.1016/0893-6080(90)90049-Q
  6. Rhytter, A., 'Vibration Based Inspection of Civil Engineering Structures', Ph. D. Dissertation, Dept. of Building Technology and Structural Engineering, Aalborg University, Denmark, 1993
  7. Wasserman, P.D., Advanced Methods in Neural Networks, Van Nostrand Reinhold, New York, (Chapter 3), 1993, pp.35-55
  8. Baum, E. B. and Haussler, D., What size net gives valid generalization?, Neural Computation 1, 1989, pp.151-160
  9. MIDASIT, Midas Civil Ver 5.2 Manual, 2002