• Steel and Composite Structures
• /
• 제51권2호
• /
• pp.185-202
• /
• 2024

In this research paper, and for the first time, wave propagations in sigmoidal imperfect functionally graded material plates are investigated using a simplified quasi-three-dimensionally higher shear deformation theory (Quasi-3D HSDTs). By employing an indeterminate integral for the transverse displacement in the shear components, the number of unknowns and governing equations in the current theory is reduced, thereby simplifying its application. Consequently, the present theories exhibit five fewer unknown variables compared to other Quasi-3D theories documented in the literature, eliminating the need for any correction coefficients as seen in the first shear deformation theory. The material properties of the functionally graded plates smoothly vary across the cross-section according to a sigmoid power law. The plates are considered imperfect, indicating a pore distribution throughout their thickness. The distribution of porosities is categorized into two types: even or uneven, with linear (L)-Type, exponential (E)-Type, logarithmic (Log)-Type, and Sinus (S)-Type distributions. The current quasi-3D shear deformation theories are applied to formulate governing equations for determining wave frequencies, and phase velocities are derived using Hamilton's principle. Dispersion relations are assumed as an analytical solution, and they are applied to obtain wave frequencies and phase velocities. A comprehensive parametric study is conducted to elucidate the influences of wavenumber, volume fraction, thickness ratio, and types of porosity distributions on wave propagation and phase velocities of the S-FGM plate. The findings of this investigation hold potential utility for studying and designing techniques for ultrasonic inspection and structural health monitoring.

• 마이크로전자및패키징학회지
• /
• 제24권4호
• /
• pp.23-29
• /
• 2017

본 연구에서는 선박이송용 트레슬의 표면에 부착할 수 있는 광섬유센서 패키지를 설계하고 파장다중분할방식에 기초한 센서 네트워크를 설계한 후, 모의 트레슬 유닛을 이용한 실험을 통하여 트레슬의 구조적 건전 모니터링을 위한 스마트 트레슬의 가능성을 확인하였다. 광섬유 브래그 격자 센서는 알루미늄 관으로 만들어진 원통형으로 패키징 되었다. 또한, 패키징 된 광섬유 센서를 폴리머 튜브에 삽입 한 후, 튜브 내부에 에폭시를 충전하여 센서가 해수에 대한 부식저항과 내구성을 갖도록 하였다. 패키지 된 광섬유 센서는 0.2 MPa 하의 수압테스트를 통하여 해수에서의 사용에 대한 신뢰성도 검증되었다. 트레슬의 변형에 관한 유한 요소 해석에 의해 얻어진 트레슬 부재의 변위가 큰 곳을 중심으로 트레슬에 부착할 브래그 격자의 수와 위치를 결정하였다. 최대 하중이 가해지는 트레슬 부재의 변형은 ${\sim}1000{\mu}{\varepsilon}$의 변형율로 분석되었으며, 그 때 트레슬에 걸리는 최대 하중으로 인한 센서의 브래그 파장 변화는 ~1,200 pm으로 계산되었다. 유한 요소 해석에서 얻은 결과에 따라 센서의 브래그 파장 간격을 3~5 nm로 결정하여 트레슬에 하중이 가해 졌을 때 센서 사이의 브래그 격자 파장값이 겹치지 않도록 설계하였다. 5개의 광섬유센서 패키지로 구성된 센서 모듈 5개를 연결하면 브래그 격자 센서 50개가 네트워크 될 수 있으므로, 브래그 격자 파장 검출기의 광원 중심 파장이 1550 nm에서 150 nm 광학 창 내에서 모두 검출될 수 있도록 하였다. 모의 트레슬 유닛에 부착 된 5개의 광섬유 센서 패키지의 브래그 파장 이동은 광섬유 루프미러를 사용하는 브래그 격자 파장검출기에 의해 잘 검출되었으며, 그 때 검출된 브래그 격자 센서의 값은 최대 변형률이 약 $235.650{\mu}{\varepsilon}$로 측정되었다. 센서 패키징과 네트워킹의 모델링 결과는 실험 결과와 서로 잘 일치하였다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제16권1호
• /
• pp.120-130
• /
• 2012

최근 장대 교량 및 복잡한 교량의 형상이 자주 건설됨에 따라, 교량의 안전도 및 건전성 평가에 많은 관심이 집중되고 있다. 장대교량의 경우 다양한 종류의 계측기 들이 설치되어, 측정된 센싱(Sensing)자료를 신호처리를 통해 케이블을 이용하여 장거리 전송하거나, Smart Health 모니터링 개념으로 교량 현장에서 게이트웨이(Gateway)를 통해 외부 무선통신망에 연결하여 정보를 전송하는 최신 무선통신 기술을 적용하고 있다. 하지만, 전 세계적으로 발생한 교량 관련 안전사고의 경우 위험 또는 사고인지에 따른 실시간 예방적, 지능적 조치가 미흡하여 대형사로를 유발한 것으로 보고되고 있다. 이런 문제점을 해결하고자 본 논문에서는 첨단 무선통신인 RFID(Radio Frequency Identification)/USN (Ubiquitous Sensor Network)기술의 기본 개념인 "Communication Among things" 사물 간 통신 개념을 교량 계측모니터링에 적용하여, 교량에 탑재된 다양한 계측 센서 노드로부터 내구성/안전성에 관련된 위험신호를 추출하여 긴박한 안전사고 등이 인지된 경우 사고예방개념에서 사물 간 통신개념으로, 교량의 센서노드가 바로 교량 인근의 교통신호등에 RF 무선 전파를 송신하여 교량의 교통을 차단하며, 대형 사고를 예방할 수 있는 USN기반의 지능형 교량 시스템을 구축을 위한 센서노드모듈을 설계 하였으며, TinyOS 기반 미들웨어 설계와 센서 자유공간 송수신거리 테스트를 실시하여 센서의 성능을 검증 하였다.

• Wind and Structures
• /
• 제36권4호
• /
• pp.237-247
• /
• 2023

The emergence of high-rise buildings has necessitated frequent structural health monitoring and maintenance for safety reasons. Wind causes damage and structural changes on tall structures; thus, safe structures should be designed. The pressure developed on tall buildings has been utilized in previous research studies to assess the impacts of wind on structures. The wind tunnel test is a primary research method commonly used to quantify the aerodynamic characteristics of high-rise buildings. Wind pressure is measured by placing pressure sensor taps at different locations on tall buildings, and the collected data are used for analysis. However, sensors may malfunction and produce erroneous data; these data losses make it difficult to analyze aerodynamic properties. Therefore, it is essential to generate missing data relative to the original data obtained from neighboring pressure sensor taps at various intervals. This study proposes a deep learning-based, deep convolutional generative adversarial network (DCGAN) to restore missing data associated with faulty pressure sensors installed on high-rise buildings. The performance of the proposed DCGAN is validated by using a standard imputation model known as the generative adversarial imputation network (GAIN). The average mean-square error (AMSE) and average R-squared (ARSE) are used as performance metrics. The calculated ARSE values by DCGAN on the building model's front, backside, left, and right sides are 0.970, 0.972, 0.984 and 0.978, respectively. The AMSE produced by DCGAN on four sides of the building model is 0.008, 0.010, 0.015 and 0.014. The average standard deviation of the actual measures of the pressure sensors on four sides of the model were 0.1738, 0.1758, 0.2234 and 0.2278. The average standard deviation of the pressure values generated by the proposed DCGAN imputation model was closer to that of the measured actual with values of 0.1736,0.1746,0.2191, and 0.2239 on four sides, respectively. In comparison, the standard deviation of the values predicted by GAIN are 0.1726,0.1735,0.2161, and 0.2209, which is far from actual values. The results demonstrate that DCGAN model fits better for data imputation than the GAIN model with improved accuracy and fewer error rates. Additionally, the DCGAN is utilized to estimate the wind pressure in regions of buildings where no pressure sensor taps are available; the model yielded greater prediction accuracy than GAIN.