Abstract
FRP (Fiber Reinforced Polymer) is an excellent new constructional material in resistibility to corrosion, high intensity, resistibility to fatigue, and plasticity. FBG (Fiber Bragg Grating) sensor is widely used at present as a smart sensor due to lots of advantages such as electric resistance, small-sized material, and high durability. However, with insufficiency of measuring displacement, FBG sensor is used only as a sensor measuring physical properties like strain or temperature. In this study, FRP and FBG sensors are to be hybridized, which could lead to the development of a smart FRP rod. Moreover, developing the estimated model for deflection with neural network method, with the data measured through FBG sensor, could make conquest of a disadvantage of FBG sensor - uniquely used for sensing strain. Artificial neural network is MLP (Multi-layer perceptron), trained within error rate of 0.001. Nonlinear object function and back-propagation algorithm is applied to training and this model is verified with the measured axial displacement through UTM and the estimated numerical values.
FRP(Fiber Reinforced Polymer)는 부식의 저항성, 고강도, 피로저항 능력 및 성형성 등에서 우수한 건설 신소재이다. 광섬유 브래그 격자(Fiber Bragg Grating; FBG) 센서는 전자기 저항, 작은 소재의 크기, 그리고 높은 내구성 등의 이점으로 smart sensor로서 현재 많이 사용되고 있다. 하지만 FBG 센서의 변위 측정 기술 능력의 부족으로 현재까지는 변형률, 온도 등의 물리량 측정센서로서 활용되고 있는 실정이다. 본 연구에서는 FRP와 FBG센서의 기능 복합화(Hybrid)를 통하여 smart FRP Rod를 개발 한 후 인장시험을 실시하였다. 또한, FBG센서에 의해 측정된 변형률 데이터를 신경망(Neural Network) 기법을 이용하여 변위 추정 모형을 개발함으로서 FBG 센서 단점인 변형률 계측만을 위한 센싱 역할을 극복하고자 한다. 인공신경망 모형은 MLP(Multi-layer Perceptron)로, 오차범위 0.001에 수렴 될 수 있도록 학습(training)을 실시하였다. 학습에는 비선형 목적함수와 역전파 학습(Back-propagation) 알고리즘을 적용하였으며 모형의 검증은 UTM에서 측정된 변위 값과 수치해석에 의한 결과 값을 비교함으로서 실시하였다.
