"2조(스마트하조)"의 두 판 사이의 차이

2022년 12월 18일 (일) 22:03 기준 최신판

프로젝트 개요

기술개발 과제

국문 : 건설 분야 빅데이터 및 딥러닝 활용방안 연구

영문 : A Study on the Utilization of Big Data and Deep Learning in Construction Field

과제 팀명

스마트하조

지도교수

문영일 교수님

개발기간

2022년 9월 ~ 2022년 12월 (총 4개월)

구성원 소개

서울시립대학교 토목공학과 2019XXX0** 윤**(팀장)

서울시립대학교 토목공학과 2018XXX0** 고**

서울시립대학교 토목공학과 2017XXX0** 유**

서울시립대학교 토목공학과 2017XXX0** 이**

서론

개발 과제의 개요

개발 과제 요약

토목건설 분야는 다른 분야에 비해 IT 기술의 적용이 상대적으로 늦은 편이다. 그 이유는 건설 분야는 세부 공정이 매우 복잡할 뿐만 아니라 예측하기 어려운 점이 많기 때문이다. 기존의 측정방식을 이용해 각각의 대상 콘크리트에 대해 반복적인 측정을 하게되면 비용적, 시간적 소모가 크며, 특히 구조물의 안전진단시 매 진단마다 긴 측정과정을 반복해야 한다.

그 중에서도 가장 먼저 딥러닝을 적용하려는 움직임이 시작된 곳은 가까운 미래에 심각한 인력 부족과 생산성 향상 문제에 직면하게 될 건설현장의 유지관리 분야로, 노동 집약적인 안전관리 및 건전성 평가에 딥러닝을 적용한 자동화 시스템을 도입하였을 때의 효과가 직관적이다.

콘크리트 강도측정방식은 크게 실험적 방법과 비파괴적 시험의 두 가지 방식으로 이루어져 왔다. 실험적 방법은 샘플링된 콘크리트에 대해 직접 압축력을 가해 압축강도를 실험하는 방식이 대표적이며, 비파괴적 방법은 표면을 타격하여 강도를 측정하는 반발경도법과 콘크리트를 통과하는 음파의 속도를 통해 강도를 측정하는 초음파법이 대표적이다. 이러한 두 가지 방식 모두 콘크리트 미세구조를 직접적으로 반영하지 않고 물리적인 측정값을 도출해내 강도를 판단하는 방식이다. 콘크리트 특성상 그 강도는 내부 미세구조가 결정하는데, 내부구조와 강도의 상관관계에 대한 학술적 연구는 많이 진행되어 왔지만 실무에서 강도를 측정할 때에 적용되진 못한다.

최근 콘크리트분야에 딥러닝기술이 발전하여 CT기법과 연계된 연구들이 진행되고 있는 추세이다. 하지만 실무에서의 강도측정은 여전히 이전의 방식들에 의해 이루어지고 있다. 따라서 CT기법과 딥러닝의 연계를 통해 자동화된 콘크리트 강도측정 프로세스를 구축하여 기존 측정방식의 비용적, 시간적 소모를 감소하고자 한다.

개발 과제의 배경

딥러닝을 기반으로한 스마트 건설 기술의 활성화가 진행 중이다.

빅데이터를 기반으로 딥러닝을 구축하여 시공 관리에 적용할 방안에 대한 연구가 필요하다.

철근콘크리트 구조물 설계시 콘크리트의 극한 변형률(강도)을 기준으로 하여 설계하도록 되어있으며 이는 콘크리트의 강도가 증가할수록 더 경제적이고 더 안정적인 구조물 설계를 가능함을 뜻한다.

광주 붕괴사고에서 착안하여, 콘크리트의 배합비에 따른 안정성 탐지에 딥러닝을 활용하는 방안에 관해 탐색할 필요성을 느꼈다.[1]

개발 과제의 목표 및 내용

목표

빅데이터와 딥러닝에 대한 기본적 이해와 건설 분야에 활용 방안 탐색
비파괴 검사(CT기법)을 이용한 콘크리트의 공극 탐지 딥러닝 모델 검토 및 개선

내용

빅데이터와 딥러닝 기술에 대한 탐색
딥러닝을 활용한 스마트 건설 기술의 연구
콘크리트 배합비에 따른 딥러닝 모델의 구축을 통해 딥러닝의 건설 분야 활용 방안에 대해 구체화
콘크리트의 설계과정에서의 강도 평가 및 기존 구조물의 강도 검사를 평가하는 재료적 통합 프로세스 구축

-딥러닝 모델 정확도가 높아지면 연산시간은 증가함

-가용 가능한 수치제원 내에서 최적의 모델인 RESNET50 모델 선정

모델 학습

-선정될 모델에 CT사진의 데이터 셋과 최종 결과값인 강도의 데이터 셋을 학습함으로써 CT사진에서 강도로 직접 연결되는 콘크리트 강도 예측 모델 구축

이론적 계산 및 시뮬레이션

콘크리트 내부구조 데이터 도출

26008장의 콘크리트 내부 구조 CT사진을 보유
위 사진들과 TensorFlow2를 이용하여 현재 콘크리트 내부구조 데이터화를 완료
또한 콘크리트 내부구조사진들을 해석하려면 콘크리트의 CT사진의 이진화가 필요하며, 이를 수행하는 스크립트를 작성하여 자료들을 이진화 완료

pngFiles = dir('*.png');

numfiles = length(pngFiles);

I = cell(1,numfiles);

for u=1:numfiles

I{u} = imread(pngFiles(u).name);

clearvars -except I u pngFiles numfiles

clc

%I=imread('img(i).png');

T=graythresh(I{u}); %Find grayscale threshold of pore/solid using Otsu's method

data=imbinarize(I{u},T*0.8);

cd ..

cd mesh

mkdir(sprintf('%d',u))

cd([num2str(u)])

save 'binary' 'data'

%% Main-process

clearvars -except I u pngFiles numfiles

clc

load('binary')

...

<이진화 과정 코드>

콘크리트의 유한요소 해석을 위한 격자점 형성 및 분류파일 형성

<격자화(mesh화)된 단면 데이터>

콘크리트 강도 수치모의

-본 연구에서 수행하고자 하는 것은 콘크리트 사진을 통해서 콘크리트 강도를 유추하는 것임

-딥러닝 학습을 통해서 콘크리트 강도를 추정하려면 실제의 콘크리트 CT사진과 이와 연결되는 콘크리트 강도 정답값의 표본이 있어야함

-수천에서 수만가지의 표본을 얻기 위해 실험을 반복하는 것은 현실적으로 어려우므로 유한요소해석을 통해서 얻은 콘크리트 강도값을 딥러닝 학습에 이용

-수치모의 조건

2차원 평면 가정

0.1456* 0.1456(m^2) 정방형 구조체

인장력을 가하여 인장파괴를 유도

균열을 확인하여 인장파괴강도를 구함

구한 인장강도로부터 압축강도를 구하게됨 ( 공식: 압축강도는 8~10인장강도)

가운데 부분에서 파괴가 일어나도록 상하단부 5%는 변형이 없는 강체라고 가정

-재료의 물성치는 다음과 같음

재료 1은 상하단부 5%를 제외한 부분의 콘크리트이며 재료 2는 상하단부 5%의 콘크리트이다.

콘크리트 강도 측정을 위한 학습 모델 구축과정

-유한요소 해석을 통해 얻어낸 재료의 강도와 이진화를 거쳐 사전처리를 한 콘크리트 CT사진들을 입력데이터로 넣어서 딥러닝 모델을 구축

-본 연구에서는 26000여장의 사진중 20000장의 데이터를 이용해 딥러닝 학습을 시킨후 나머지 6000여장의 사진으로 검증을 실시할 예정임

-문헌조사와 가용가능한 수치제원을 검토한 결과 본 연구에서 채택한 딥러닝 학습모델은 RESNET-50임

- 딥러닝 코드는 다음과 같음

import tensorflow as tf

import numpy as np

import cv2

import random

import os

# porosity, lLh, lLv, omegah, omegav, coarseness

vars_avg = [2.5413, 1.5193, 1.1520, 1.2911, 1.2564, 3.2136]

save_weights = "/home/hanul/TensorFlow/tensorflow_project/Code"

lab_path = "/home/hanul/TensorFlow/tensorflow_project/Code/porosity_normalization_label.txt"

img_path = "/home/hanul/TensorFlow/tensorflow_project/Code/img"

save_num = 910

batch_size = 40

epochs = 70

img_size = 224

lr = 0.00001

valid_ratio = 0.3

training_counts = 1

pre_checkpoint_path = ""

pre_checkpoint = False # 초기 학습: false / 학습 이어서 할 때: true / 테스트: true

기보유데이터 활용 검증 및 실제 시공체 검증

-본 연구에서는 시간적, 자원적 한계로 일부 요소들에 대해서 단순화 하였으며 전처리가 완료된 자료들을 활용하였으므로 실제 콘크리트 배합을 통해서 확인해볼 필요가 있음

-본 연구에서는 26000여장의 사진 중 유한요소 해석을 마친 4000장의 데이터만을 학습 데이터 셋과 테스트 데이터 셋으로 분할하여 사용

-또한 실제 콘크리트 배합 후 본 설계의 모든 과정을 직접해봄으로서 실제 현장에서의 적용성을 검토해 볼 예정이었으나 시간적 한계로 시공체 제작 및 파괴시험과 CT촬영을 위한 시편 제작의 과정만 완료

상세설계 내용

콘크리트 단면 구조의 데이터화부터 강도해석, 딥러닝 모델 구축 등의 과정을 도식화하면 아래와 같음.

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

콘크리트 교량 코어링 작업 형상.

코어링 된 시편을 micro CT 사진 촬영 형상.

구축 된 딥러닝 모델을 통해 CT 사진으로부터 강도 및 물성치 예측 형상.

포스터

완료작품의 평가

현행 콘크리트 강도예측시 오차 20%까지 허용하는것에 비하여 개선된 강도예측
기존의 딥러닝모델에서 이미지를 통해 공극을 유추하는 것을 넘어서 콘크리트의 강도 역시 딥러닝 모델의 적용성을 보여줌으로서 다른 물성치 역시 딥러닝의 적용가능성을 제시
기존의 콘크리트 강도 측정 시험은 시험장의 환경과 시험하는 사람의 역량에 따라서 여러 가지 오차 및 추가 소요시간이 걸릴 수 있으나 딥러닝 모델은 인간의 판단을 배제한 것으로서 신뢰성 및 즉시성이 높아 범용적으로 사용가능할것으로 판단됨
기존의 토목분야에 4차산업혁명의 근간인 딥러닝 기술과 상용화되어 있는 Micro-CT기술을 융합한 기술로서 토목의 새로운 분야를 제시함.

향후계획

3차원 이미지로 강도 측정 프로세스 구축
콘크리트의 구성 성분에 따른 강도 예측 및 상관관계 도출
딥러닝 기법을 이용하여 콘크리트 인장강도와 압축강도 상관관계 제안
실제 시험을 통한 강도값이 확보 된 공시체의 CT자료를 통해 모델의 신뢰도 추가 검증 필요

@@ 1번째 줄: / 1번째 줄: @@
 ==프로젝트 개요==
 === 기술개발 과제 ===
-''' 국문 : ''' 건설 분야 빅데이터 및 딥러닝 활용방안 연구..
+''' 국문 : ''' 건설 분야 빅데이터 및 딥러닝 활용방안 연구
-''' 영문 : ''' A Study on the Utilization of Big Data and Deep Learning in Construction Field..
+''' 영문 : ''' A Study on the Utilization of Big Data and Deep Learning in Construction Field
 ===과제 팀명===
-..
+스마트하조
 ===지도교수===
@@ 17번째 줄: / 17번째 줄: @@
 서울시립대학교 토목공학과 2019XXX0** 윤**(팀장)
-서울시립대학교 교통공학과 2018XXX0** 고**
+서울시립대학교 토목공학과 2018XXX0** 고**
 서울시립대학교 토목공학과 2017XXX0** 유**
 서울시립대학교 토목공학과 2017XXX0** 이**
 ==서론==
 ===개발 과제의 개요===
 ====개발 과제 요약====
-내용
+*토목건설 분야는 다른 분야에 비해 IT 기술의 적용이 상대적으로 늦은 편이다. 그 이유는 건설 분야는 세부 공정이 매우 복잡할 뿐만 아니라 예측하기 어려운 점이 많기 때문이다. 기존의 측정방식을 이용해 각각의 대상 콘크리트에 대해 반복적인 측정을 하게되면 비용적, 시간적 소모가 크며, 특히 구조물의 안전진단시 매 진단마다 긴 측정과정을 반복해야 한다.
+*그 중에서도 가장 먼저 딥러닝을 적용하려는 움직임이 시작된 곳은 가까운 미래에 심각한 인력 부족과 생산성 향상 문제에 직면하게 될 건설현장의 유지관리 분야로, 노동 집약적인 안전관리 및 건전성 평가에 딥러닝을 적용한 자동화 시스템을 도입하였을 때의 효과가 직관적이다.
+*콘크리트 강도측정방식은 크게 실험적 방법과 비파괴적 시험의 두 가지 방식으로 이루어져 왔다. 실험적 방법은 샘플링된 콘크리트에 대해 직접 압축력을 가해 압축강도를 실험하는 방식이 대표적이며, 비파괴적 방법은 표면을 타격하여 강도를 측정하는 반발경도법과 콘크리트를 통과하는 음파의 속도를 통해 강도를 측정하는 초음파법이 대표적이다. 이러한 두 가지 방식 모두 콘크리트 미세구조를 직접적으로 반영하지 않고 물리적인 측정값을 도출해내 강도를 판단하는 방식이다. 콘크리트 특성상 그 강도는 내부 미세구조가 결정하는데, 내부구조와 강도의 상관관계에 대한 학술적 연구는 많이 진행되어 왔지만 실무에서 강도를 측정할 때에 적용되진 못한다.
+*최근 콘크리트분야에 딥러닝기술이 발전하여 CT기법과 연계된 연구들이 진행되고 있는 추세이다. 하지만 실무에서의 강도측정은 여전히 이전의 방식들에 의해 이루어지고 있다. 따라서 CT기법과 딥러닝의 연계를 통해 자동화된 콘크리트 강도측정 프로세스를 구축하여 기존 측정방식의 비용적, 시간적 소모를 감소하고자 한다.
 ====개발 과제의 배경====
-내용
+*딥러닝을 기반으로한 스마트 건설 기술의 활성화가 진행 중이다.
+*빅데이터를 기반으로 딥러닝을 구축하여 시공 관리에 적용할 방안에 대한 연구가 필요하다.
+*철근콘크리트 구조물 설계시 콘크리트의 극한 변형률(강도)을 기준으로 하여 설계하도록 되어있으며 이는 콘크리트의 강도가 증가할수록 더 경제적이고 더 안정적인 구조물 설계를 가능함을 뜻한다.
+*광주 붕괴사고에서 착안하여, 콘크리트의 배합비에 따른 안정성 탐지에 딥러닝을 활용하는 방안에 관해 탐색할 필요성을 느꼈다.[https://news.naver.com/main/read.naver?mode=LSD&mid=sec&sid1=101&oid=437&aid=0000287123]
 ====개발 과제의 목표 및 내용====
-내용
+*목표
+#빅데이터와 딥러닝에 대한 기본적 이해와 건설 분야에 활용 방안 탐색
+#비파괴 검사(CT기법)을 이용한 콘크리트의 공극 탐지 딥러닝 모델 검토 및 개선
+*내용
+#빅데이터와 딥러닝 기술에 대한 탐색
+#딥러닝을 활용한 스마트 건설 기술의 연구
+#콘크리트 배합비에 따른 딥러닝 모델의 구축을 통해 딥러닝의 건설 분야 활용 방안에 대해 구체화
+#콘크리트의 설계과정에서의 강도 평가 및 기존 구조물의 강도 검사를 평가하는 재료적 통합 프로세스 구축
 ===관련 기술의 현황===
 ====관련 기술의 현황 및 분석(State of art)====
 *전 세계적인 기술현황
-내용
+**콘크리트의 비파괴 강도 측정법
-*특허조사 및 특허 전략 분석
-내용
+::반발경도
-*기술 로드맵
+:::-콘크리트의 표면을 타격하여 해머의 반발경도로 강도 추정
-내용
+:::-비용이 저렴하고 구조가 간단하며 사용이 편리함
+::초음파법
+:::-초음파 pulse를 콘크리트 내부에 발사 후 초음파 속도를 측정하여 콘크리트의 품질 상태를 검사
+:::-콘크리트의 강도, 내부의 결함, 균열 깊이 등을 검사
+::복합법
+:::-강도법과 초음파법을 병용하여 시험
+:::- 콘크리트의 압축강도 추정의 정확도가 높음
+::음파법
+:::- 콘크리트 공시체에 진동을 주어 공명, 진동으로 측정
+:::- 층분리,균열발견시 사용
+:::- 최근에는 CT기법을 이용한 이미지 분석법이 활발히 연구되고 있음
+:::- 여러 가지 상으로 혼합물의 형태인 콘크리트의 특성상 크리트의 내부구조, 특히 그 중에서도 공극이 콘크리트의 강도에 큰 영향을 미치므로 이러한 콘크리트의 공간적, 구조적 특성을 파악하기 위한 방법으로 이미지를 이용한 기법들이 대두
+::: - 더불어 CT기법과 현재사회에서 각광받고 있는 딥러닝의 연계를 통한 콘크리트 분석에 관한 연구가 활발히 진행되고 있고, 균열탐지 작업 등의 분야에서 그 활용성을 인정받고 있음
+:*CT기법
+:::- CT 기법은 X-ray나 초음파를 여러 각도에서 대상에 투영하고 이를 컴퓨터로 재구성하고 내부 단면의 모습을 화상으로 처리하는 촬영 기법임
+::: - 일반 X-ray 사진과는 다르게 내부의 모든 단면에 대해서 알 수 있는 사진이기 때문에 일반 X-ray  사진으로 알아내기 힘든 정보들을 파악 가능함
+:::- 재료를 파괴 하지 않으면서 내부 검사가 가능하여 토목 및 여러 공학 분야의 기술 및 연구에 적용되고 있음
+:*딥러닝
+:::- 딥러닝은 머신러닝의 한 방법으로 인공신경망이라는 기법을 사용하여 데이터에서 얻은 규칙을 독립적으로 훈련하는 기술임
+:::- 개요에서 상술했듯이 이미지처리와 음성인식 자연어 처리분야에서 두각을 드러내어 현대 산업에서 사용되고 있음
+:::- 토목분야에서도 교량, 교각의 균열을 탐지하는 기술에 사용되며, 콘크리트 재료적 분석에도 접목되어 활발한 연구가 진행되고 있음
+:::- 딥러닝은 회귀분석이라는 통계적 개념으로부터 파생된 기술임
 ====시장상황에 대한 분석====
 *경쟁제품 조사 비교
-내용
+::-콘크리트 강도를 추정하는 비파괴 시험에는 반발경도법, 초음파속도법, 조합법, 충격반향기법, 충격공진법 등이 있으며, 이 중에서 반발경도법, 초음파속도법이 간편성을 인정받아 자주 사용되고 있음. 이러한 방법들은 직접적 실험에 의한 방법에 비해 편리하지만, 매번 시험 및 결과분석의 과정을 거쳐야하는 번거로움은 여전히 존재함.
-*마케팅 전략 제시
+::-최근, 컴퓨터 기술의 발달에 따라 시뮬레이션을 통한 해석적 강도추정 방법이 존재하기는 하지만 이러한 방식 또한 각각의 대상마다 일련의 과정을 반복해야 함. 따라서 자동화된 통합적 프로세스가 요구됨.
-내용
+*시장성 분석
+::-노후건축물은 일반적으로 사용승인 후 30년 이상 지난 건축물을 의미하며, 노후건축물 비율은 2005년 29%, 2010년 34%, 2019년 37.8%로 계속 상승하는 추세임.
+::-2019년 제정된 건축물관리법이 2020년 5월부터 시행되어 의무적으로 정기점검, 긴급점검 등을 시행하여야하며 특히 노후건축물은 모두 적용대상임.
+::- 2019년 12월 말 기준 노후건축물 비율이 부산은 54.3%, 대구, 대전은 48.9% 전남은 48.2%이며 모두 건축물의 유지관리를 위해 정기적으로 점검해야하는 대상임.
+::-시설물 유지관리시장 규모는 2007년 1조 8천억 수준에서 2016년 4조원 시장으로 성장, 시설물 점검과 진단 시장의 규모는 2007년 749억에서 2016년 2279억까지 성장했고 앞으로도 더 커질 전망임.
+::-따라서 정확하고 편리한 시설물 점검·진단 방법이 시설물 유지관리 및 점검·진단 시장에서 시장성을 확보할 것으로 예상됨.
+*사회성 분석
+::-서울 용산구 상가 붕괴사고 (18년 6월), 강남구 대종빌딩 기둥 균열로 인한 퇴거조치(18년 12월), 광주 클럽 붕괴사고(19년 7월) 등 건축물의 안전에 대한 사회적 관심이 높아지는 추세임.
+::-일반적으로 교량이나 건축물 등 사회적 간접자본에 해당하는 구조물들은 국민들의 시간적, 공간적으로 이용률이 높으며 특히 구조물의 노화나 외력에 의한 균열들로 인하여 사고가 일어날시 인명, 재산 피해가 다른 사고에 비해 압도적으로 높음.
+::-결과적으로 이러한 구조물에 대한 안정성의 신뢰부재는 사회에 불안감 조성을 야기하므로 이를 해소 할 수 있는 정확하고 신속한 구조물 점검·진단은 사회성에 부합할 것으로 판단됨.
 ===개발과제의 기대효과===
 ====기술적 기대효과====
-내용
+*CT기법과 딥러닝 기술의 연계를 통한 강도 측정의 통합적 프로세스를 구축하게 되면 CT기법을 통해 얻은 콘크리트 내부구조로부터 강도를 손쉽게 얻어 낼 수 있게 되어, 기존에 사용되던 비파괴적 강도측정법(초음파법, 반발경도법 등)에 비해 매 과정을 반복해야 하는 번거로움을 제거할 수 있음.
+*구축될 프로세스를 기존 구조물에 대한 안전진단에 적용할 뿐만 아니라, 새로운 콘크리트 시공시에도 적용하여 강도측정의 편리성 증진을 통해 최선의 배합을 손쉽게 선택할 수 있도록 함.
 ====경제적, 사회적 기대 및 파급효과====
-내용
+*구조물 안전진단에 필수적으로 들어가는 과정을 축소 및 자동화 시켜 소모되는 인적, 비용적 자원을 저감할 수 있음.
+*통합적 프로세스를 통한 콘크리트 강도 측정으로 구조물 안정성 확보 및 유지관리의 용이성이 향상되어 사회적으로 높아지는 구조물 안전에 대한 우려의 해소를 기대할 수 있음.
 ===기술개발 일정 및 추진체계===
 ====개발 일정====
-내용
+[[파일:Capstone civil01.PNG]]
 ====구성원 및 추진체계====
-내용
+:9월 - 딥러닝 및 빅데이터에 대한 자료 조사 ( 이** 유** 고** )
+:10월~11월 - Deep Learning coding ( 이** 윤** 유** )
+:11월~12월 - 코드 러닝 후 결과 값 해석 (  이** 고** 윤** )
+:12월 – 최종 보고서 작성 ( 고** 윤** 유** )
 ==설계==
 ===설계사양===
 ====제품의 요구사항====
-내용
+[[파일:Capstone_civil03.PNG]]
-====설계 사양====
-내용
 ===개념설계안===
-내용
+* 콘크리트 내부 CT 사진 확보
+[[파일:Capstone_civil04.PNG]]
+:-콘크리트 내부에 대한 20000여장의 단면 CT사진을 확보함.
+*콘크리트 단면 CT 사진 이진화
+[[파일:Capstone_civil05.PNG]]
+*콘크리트 내부구조 데이터의 mesh화
+[[파일:Capstone_civil06.PNG]]
+:-콘크리트 CT사진으로부터 도출한 콘크리트 내부구조 데이터를 이용해 격자 형식의 콘크리트 모델 생성
+*유한요소 해석 프로그램 상의 균열 진행 모습
+[[파일:Capstone_civil07.PNG]]
+:-유한요소 수치해석 프로그램인 FEAP(Finite Element Analysis Program)을 이용해 대상 격자 구조에 대한 인장강도를 도출.
+:-얻어진 인장강도에서 상관관계식을 통해 원하는 값인 압축강도를 계산할 수 있음.
+*학습 모델 선정
+:-딥러닝 모델에는 여러 가지 종류가 존재함
+:-딥러닝 모델 정확도가 높아지면 연산시간은 증가함
+:-가용 가능한 수치제원 내에서 최적의 모델인 RESNET50 모델 선정
+*모델 학습
+[[파일:Capstone_civil08.PNG]]
+:-선정될 모델에 CT사진의 데이터 셋과 최종 결과값인 강도의 데이터 셋을 학습함으로써 CT사진에서 강도로 직접 연결되는 콘크리트 강도 예측 모델 구축
 ===이론적 계산 및 시뮬레이션===
-내용
+*콘크리트 내부구조 데이터 도출
+#26008장의 콘크리트 내부 구조 CT사진을 보유
+#위 사진들과 TensorFlow2를 이용하여 현재 콘크리트 내부구조 데이터화를 완료
+#또한 콘크리트 내부구조사진들을 해석하려면 콘크리트의 CT사진의 이진화가 필요하며, 이를 수행하는 스크립트를 작성하여 자료들을 이진화 완료
+:pngFiles = dir('*.png');
+:    numfiles = length(pngFiles);
+:    I = cell(1,numfiles);
+:
+:    for u=1:numfiles
+:        I{u} = imread(pngFiles(u).name);
+:
+:clearvars -except I u pngFiles numfiles
+:clc
+:
+:%I=imread('img(i).png');
+:T=graythresh(I{u}); %Find grayscale threshold of pore/solid using Otsu's method
+:data=imbinarize(I{u},T*0.8);
+:cd ..
+:cd mesh
+:mkdir(sprintf('%d',u))
+:cd([num2str(u)])
+:save 'binary' 'data'
+:
+:%% Main-process
+:
+:
+:clearvars -except I u pngFiles numfiles
+:clc
+:
+:load('binary')
+:...
+:<이진화 과정 코드>
+*콘크리트의 유한요소 해석을 위한 격자점 형성 및 분류파일 형성
+[[파일:Capstone_civil09.PNG]]
+:<격자화(mesh화)된 단면 데이터>
+*콘크리트 강도 수치모의
+:-본 연구에서 수행하고자 하는 것은 콘크리트 사진을 통해서 콘크리트 강도를 유추하는 것임
+:-딥러닝 학습을 통해서 콘크리트 강도를 추정하려면 실제의 콘크리트 CT사진과 이와 연결되는 콘크리트 강도 정답값의 표본이 있어야함
+:-수천에서 수만가지의 표본을 얻기 위해 실험을 반복하는 것은 현실적으로 어려우므로 유한요소해석을 통해서 얻은 콘크리트 강도값을 딥러닝 학습에 이용
+:-수치모의 조건
+::2차원 평면 가정
+::0.1456* 0.1456(m^2) 정방형 구조체
+::인장력을 가하여 인장파괴를 유도
+::균열을 확인하여 인장파괴강도를 구함
+::구한 인장강도로부터 압축강도를 구하게됨 ( 공식: 압축강도는 8~10인장강도)
+::가운데 부분에서 파괴가 일어나도록 상하단부 5%는 변형이 없는 강체라고 가정
+:-재료의 물성치는 다음과 같음
+[[파일:Capstone_civil10.PNG]]
+::재료 1은 상하단부 5%를 제외한 부분의 콘크리트이며 재료 2는 상하단부 5%의 콘크리트이다.
+*콘크리트 강도 측정을 위한 학습 모델 구축과정
+:-유한요소 해석을 통해 얻어낸 재료의 강도와 이진화를 거쳐 사전처리를 한 콘크리트 CT사진들을 입력데이터로 넣어서 딥러닝 모델을 구축
+:-본 연구에서는 26000여장의 사진중 20000장의 데이터를 이용해 딥러닝 학습을 시킨후 나머지 6000여장의 사진으로 검증을 실시할 예정임
+:-문헌조사와 가용가능한 수치제원을 검토한 결과 본 연구에서 채택한 딥러닝 학습모델은 RESNET-50임
+:- 딥러닝 코드는 다음과 같음
+:import tensorflow as tf
+:import numpy as np
+:import cv2
+:import random
+:import os
+:
+:          # porosity, lLh, lLv, omegah, omegav, coarseness
+:vars_avg = [2.5413, 1.5193, 1.1520, 1.2911, 1.2564, 3.2136]
+:save_weights = "/home/hanul/TensorFlow/tensorflow_project/Code"
+:lab_path = "/home/hanul/TensorFlow/tensorflow_project/Code/porosity_normalization_label.txt"
+:img_path = "/home/hanul/TensorFlow/tensorflow_project/Code/img"
+:save_num = 910
+:batch_size = 40
+:epochs = 70
+:img_size = 224
+:lr = 0.00001
+:valid_ratio = 0.3
+:training_counts = 1
+:pre_checkpoint_path = ""
+:pre_checkpoint = False  # 초기 학습: false / 학습 이어서 할 때: true / 테스트: true
+*기보유데이터 활용 검증 및 실제 시공체 검증
+:-본 연구에서는 시간적, 자원적 한계로 일부 요소들에 대해서 단순화 하였으며 전처리가 완료된 자료들을 활용하였으므로 실제 콘크리트 배합을 통해서 확인해볼 필요가 있음
+:-본 연구에서는 26000여장의 사진 중 유한요소 해석을 마친 4000장의 데이터만을  학습 데이터 셋과 테스트 데이터 셋으로 분할하여 사용
+:-또한 실제 콘크리트 배합 후 본 설계의 모든 과정을 직접해봄으로서 실제 현장에서의 적용성을 검토해 볼 예정이었으나 시간적 한계로 시공체 제작 및 파괴시험과 CT촬영을 위한 시편 제작의 과정만 완료
 ===상세설계 내용===
-내용
+*콘크리트 단면 구조의 데이터화부터 강도해석, 딥러닝 모델 구축 등의 과정을 도식화하면 아래와 같음.
+[[파일:Capstone_civil11.PNG]]
 ==결과 및 평가==
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
+*콘크리트 교량 코어링 작업 형상.
+[[파일:Capstone_civil12.PNG]]
+:
+*코어링 된 시편을 micro CT 사진 촬영 형상.
+[[파일:Capstone_civil13.PNG]]
+:
+*구축 된 딥러닝 모델을 통해 CT 사진으로부터 강도 및 물성치 예측 형상.
+[[파일:Capstone_civil14.PNG]]
 ====포스터====
-내용
+[[파일:Capstone_civil15.PNG]]
-===관련사업비 내역서===
-내용
 ===완료작품의 평가===
-내용
+*현행 콘크리트 강도예측시 오차 20%까지 허용하는것에 비하여 개선된 강도예측
+*기존의 딥러닝모델에서 이미지를 통해 공극을 유추하는 것을 넘어서 콘크리트의 강도 역시 딥러닝 모델의 적용성을 보여줌으로서 다른 물성치 역시 딥러닝의 적용가능성을 제시
+*기존의 콘크리트 강도 측정 시험은 시험장의 환경과 시험하는 사람의 역량에 따라서 여러 가지 오차 및 추가 소요시간이 걸릴 수 있으나 딥러닝 모델은 인간의 판단을 배제한 것으로서 신뢰성 및 즉시성이 높아 범용적으로 사용가능할것으로 판단됨
+*기존의 토목분야에 4차산업혁명의 근간인 딥러닝 기술과 상용화되어 있는 Micro-CT기술을 융합한 기술로서 토목의 새로운 분야를 제시함.
 ===향후계획===
-내용
+*3차원 이미지로 강도 측정 프로세스 구축
+*콘크리트의 구성 성분에 따른 강도 예측 및 상관관계 도출
-===특허 출원 내용===
+*딥러닝 기법을 이용하여 콘크리트 인장강도와 압축강도 상관관계 제안
-내용
+*실제 시험을 통한 강도값이 확보 된 공시체의 CT자료를 통해 모델의 신뢰도 추가 검증 필요

"2조(스마트하조)"의 두 판 사이의 차이

2022년 12월 18일 (일) 22:03 기준 최신판

목차

프로젝트 개요

기술개발 과제

과제 팀명

지도교수

개발기간

구성원 소개

서론

개발 과제의 개요

개발 과제 요약

개발 과제의 배경

개발 과제의 목표 및 내용

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

시장상황에 대한 분석

개발과제의 기대효과

기술적 기대효과

경제적, 사회적 기대 및 파급효과

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

설계

설계사양

제품의 요구사항

개념설계안