KR102697886B1 - Damage sensing system for electro conductive sandwich panel and method - Google Patents
Damage sensing system for electro conductive sandwich panel and method Download PDFInfo
- Publication number
- KR102697886B1 KR102697886B1 KR1020210187607A KR20210187607A KR102697886B1 KR 102697886 B1 KR102697886 B1 KR 102697886B1 KR 1020210187607 A KR1020210187607 A KR 1020210187607A KR 20210187607 A KR20210187607 A KR 20210187607A KR 102697886 B1 KR102697886 B1 KR 102697886B1
- Authority
- KR
- South Korea
- Prior art keywords
- damage
- sandwich panel
- electrically conductive
- neural network
- network model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 16
- 239000006261 foam material Substances 0.000 claims description 16
- 239000000853 adhesive Substances 0.000 claims description 13
- 230000001070 adhesive effect Effects 0.000 claims description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 12
- 239000002041 carbon nanotube Substances 0.000 claims description 12
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 12
- 229920000139 polyethylene terephthalate Polymers 0.000 claims description 10
- 239000005020 polyethylene terephthalate Substances 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 7
- 239000004917 carbon fiber Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- AMGQUBHHOARCQH-UHFFFAOYSA-N indium;oxotin Chemical compound [In].[Sn]=O AMGQUBHHOARCQH-UHFFFAOYSA-N 0.000 claims description 5
- -1 polyethylene terephthalate Polymers 0.000 claims description 5
- 239000004814 polyurethane Substances 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 229920002635 polyurethane Polymers 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 239000004918 carbon fiber reinforced polymer Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000006260 foam Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 239000011120 plywood Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/20—Investigating the presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/041—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널이 전기 전도성을 가지는 상,하부 전도성 표판과 전도성 코어로 형성되고, 상기 샌드위치 패널에 머신러닝을 통해 학습된 전극 최적화 신경망 모델로부터 도출된 최적의 전극 개수만큼 전극을 구비하여 전기 저항값을 측정하고, 머신 러닝을 통해 학습된 손상 감지 신경망 모델로부터 측정된 전기 저항값에 따른 손상 위치와 손상 유형을 도출하도록 구성됨으로써, 상기 샌드위치 패널의 손상을 보다 신속하고 정확하게 감지할 수 있는 이점이 있다. A damage detection system for an electrically conductive sandwich panel according to the present invention is configured such that the sandwich panel is formed of upper and lower conductive plates having electrical conductivity and a conductive core, and the sandwich panel is provided with an optimal number of electrodes derived from an electrode optimization neural network model learned through machine learning to measure an electrical resistance value, and the damage location and damage type are derived from the measured electrical resistance value from a damage detection neural network model learned through machine learning, thereby having the advantage of being able to detect damage to the sandwich panel more quickly and accurately.
Description
본 발명은 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법에 관한 것으로서, 보다 상세하게는 전기전도성 폼 소재를 사용하여 전기전도성 샌드위치 패널을 형성하고, 머신 러닝을 통해 상,하부 전도성 표판에 구비된 전극의 개수를 최적화하여, 손상을 보다 정확하게 감지할 수 있는 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법에 관한 것이다. The present invention relates to a damage detection system and method for an electrically conductive sandwich panel, and more particularly, to a damage detection system and method for an electrically conductive sandwich panel, which forms an electrically conductive sandwich panel using an electrically conductive foam material, and optimizes the number of electrodes provided on upper and lower conductive plates through machine learning, thereby enabling more accurate detection of damage.
일반적으로 샌드위치 패널(Sandwich panel)은, 서로 다른 종류의 재료를 샌드위치 모양으로 적층하여 접착제로 접착한 특수 합판을 의미한다. 이러한 샌드위치 패널의 표판은 플라스틱, 알루미늄, 스테인레이스 등 강도가 큰 재료를 사용하고, 심재는 종이, 목재, 발포 플라스틱재 등을 사용하여 보온, 방음, 강도 등을 고려한다. 샌드위치 패널은 금속 패널과 유사한 구조 강성을 가지면서도 경량화에 효과적이기 때문에 건축용 자재 등 다양한 분야에 사용되고 있다. In general, a sandwich panel refers to a special plywood that is made by laminating different types of materials in a sandwich shape and bonding them with adhesive. The surface of these sandwich panels uses strong materials such as plastic, aluminum, and stainless steel, and the core uses paper, wood, and foam plastic materials to consider heat insulation, soundproofing, and strength. Sandwich panels have structural rigidity similar to metal panels, but are effective in reducing weight, so they are used in various fields such as construction materials.
그러나, 종래의 샌드위치 패널은 변형이나 손상을 측정하기 위해서는 별도의 센서 등을 추가적으로 설치하거나, 음향 센서 등 검사 장비를 통해 스캔 하거나, 육안 등으로 손상 여부를 판단하였다. 센서를 추가 설치하는 경우 비용이 많이 드는 문제점이 있을 뿐만 아니라, 검사 대상이 되는 부분이 매우 광범위하므로 센서의 설치에는 한계가 있다. 또한, 검사 장비를 이용하거나 육안으로 검사할 경우 이미 손상이나 손상이 발생된 이후에서야 확인이 가능하기 때문에 안전성 확보에 문제점이 있다. However, in order to measure deformation or damage in conventional sandwich panels, additional sensors, etc., were installed, or inspection equipment such as acoustic sensors were used to scan, or damage was determined visually. If additional sensors were installed, there was a problem that the cost was high, and since the area to be inspected was very wide, there were limits to the installation of sensors. In addition, since damage or damage can only be confirmed after it has already occurred when inspection equipment was used or inspection was performed visually, there was a problem in ensuring safety.
본 발명의 목적은, 샌드위치 패널의 손상을 보다 정확하게 감지할 수 있는 전기전도성 샌드위치 패널의 손상 감지 시스템 및 방법을 제공하는 데 있다. The purpose of the present invention is to provide a damage detection system and method for an electrically conductive sandwich panel capable of more accurately detecting damage to the sandwich panel.
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널과; 상기 상부 전도성 표판에서 서로 소정간격 이격되게 복수의 위치에 구비된 상부 전극들과; 상기 하부 전도성 표판에서 상기 상부 전극들과 대향되는 복수의 위치에 구비된 하부 전극들과; 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정부와; 상기 샌드위치 패널에 대해 실험 또는 시뮬레이션을 통해 수집된 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 인공 신경망 학습부와; 상기 샌드위치 패널의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 샌드위치 패널의 손상 위치와, 표판 손상, 코어 손상 및 탈착 손상을 포함하는 손상 유형을 도출하는 모니터링부를 포함한다.The damage detection system of an electrically conductive sandwich panel according to the present invention comprises: a sandwich panel including an upper conductive plate formed of an electrically conductive composite material, a lower conductive plate formed of the electrically conductive composite material, and a conductive core formed of an electrically conductive foam material and laminated between the upper conductive plate and the lower conductive plate and bonded with an electrically conductive adhesive; upper electrodes provided at a plurality of positions spaced apart from each other by a predetermined distance on the upper conductive plate; lower electrodes provided at a plurality of positions facing the upper electrodes on the lower conductive plate; a resistance measurement unit measuring an electrical resistance value of a plurality of electrode pairs formed by the upper electrodes and the lower electrodes; an artificial neural network learning unit performing machine learning using, among learning data collected through experiments or simulations for the sandwich panel, sensing sensitivity, sensing area, and positions of the upper and lower electrodes as input variables and the number of the upper and lower electrodes as output variables, to generate an electrode optimization neural network model deriving an optimal number of the upper and lower electrodes for the sensing area of the sandwich panel; It includes a monitoring unit that derives the damage location of the sandwich panel and the damage type including surface damage, core damage, and detachment damage based on the basic information of the sandwich panel and the change in the electric resistance value measured by the resistance measuring unit.
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함한다.The above electrically conductive composite material includes carbon fiber reinforced plastic.
상기 전기전도성 폼 소재는, 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된다.The above-mentioned electrically conductive foam material is formed by mixing carbon nanotubes and polyurethane at a preset ratio.
상기 인공 신경망 학습부는, 상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성한다.The above artificial neural network learning unit uses at least some of the number of layers of carbon fiber plies included in the upper and lower conductive plates, the thickness of the conductive core, the ratio of carbon nanotubes included in the electrically conductive foam material, and the electrical resistance values of the electrode pairs as input variables among the learning data, and the damage location and damage type of the sandwich panel as output variables, thereby performing machine learning to generate a damage detection neural network model that derives the damage location and the damage type.
상기 모니터링부는, 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출한다.The above monitoring unit derives the damage location and damage type of the sandwich panel from the damage detection neural network model.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함한다.The above-mentioned electrically conductive adhesive includes a PET (polyethylene terephthalate) film coated with indium tin oxide (ITO).
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지하는 방법은, 전기전도성 복합소재로 형성된 상부 전도성 표판과, 상기 전기전도성 복합소재로 형성된 하부 전도성 표판과, 상기 상부 전도성 표판과 상기 하부 전도성 표판 사이에 적층되어 전기전도성 접착재로 접착되고 전기전도성 폼 소재로 형성된 전도성 코어를 포함하는 샌드위치 패널의 손상을 감지하는 방법에 있어서, 상기 샌드위치 패널에 대한 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 센싱 면적에 대한 최적의 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하는 과정과, 상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께, 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율 및 상기 전극 쌍들의 전기 저항값 중 적어도 일부를 입력변수로 하고, 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하고 머신러닝을 수행하여, 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성하는 과정을 포함하는 인공 신경망 모델 생성단계와; 상기 전극 최적화 모델로부터 손상을 감지하고자 하는 샌드위치 패널의 센싱 면적에 대한 상기 상,하부 전극들의 개수를 도출하는 전극 개수 도출단계와; 상기 전극 최적화 신경망 모델에서 도출된 상,하부 전극들의 개수만큼 전극들이 배치되면, 저항측정부가 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정단계와; 모니터링부가 상기 저항측정부에서 측정한 전기 저항값의 변화에 따라 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 손상감지단계를 포함한다.The method for detecting damage to an electrically conductive sandwich panel according to the present invention comprises: a method for detecting damage to a sandwich panel including an upper conductive surface formed of an electrically conductive composite material, a lower conductive surface formed of the electrically conductive composite material, and a conductive core formed of an electrically conductive foam material and laminated between the upper conductive surface and the lower conductive surface, bonded with an electrically conductive adhesive, the method comprising: a process of generating an electrode optimization neural network model that derives an optimal number of the upper and lower electrodes for the sensing area of the sandwich panel by performing machine learning using, as input variables, sensing sensitivity, a sensing area, and the positions of the upper and lower electrodes among learning data obtained through an experiment or simulation for the sandwich panel, and the number of the upper and lower electrodes as output variables; and a process of generating an electrode optimization neural network model that derives an optimal number of the upper and lower electrodes for the sensing area of the sandwich panel by using, as input variables, at least some of the number of laminated carbon fiber plies included in the upper and lower conductive surfaces, the thickness of the conductive core, the ratio of carbon nanotubes included in the electrically conductive foam material, and the electrical resistance values of the electrode pairs among the learning data, the method comprising: An artificial neural network model generation step including a process of generating a damage detection neural network model that derives the damage location and the damage type by performing machine learning with output variables; an electrode number derivation step of deriving the number of upper and lower electrodes for the sensing area of the sandwich panel to be damaged from the electrode optimization model; a resistance measurement step in which, when electrodes are arranged in the number of upper and lower electrodes derived from the electrode optimization neural network model, a resistance measurement unit measures the electrical resistance values of a plurality of electrode pairs formed by the upper electrode and the lower electrode; and a damage detection step in which, by a monitoring unit, the damage location and the damage type of the sandwich panel are derived from the damage detection neural network model according to a change in the electrical resistance value measured by the resistance measurement unit.
상기 전기전도성 복합소재는, 탄소섬유강화플라스틱을 포함한다.The above electrically conductive composite material includes carbon fiber reinforced plastic.
상기 전기전도성 폼 소재는, 상기 탄소나노튜브와 폴리우레탄을 미리 설정된 비율로 혼합하여 형성된다.The above-mentioned electrically conductive foam material is formed by mixing the carbon nanotubes and polyurethane at a preset ratio.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함한다.The above-mentioned electrically conductive adhesive includes a PET (polyethylene terephthalate) film coated with indium tin oxide (ITO).
본 발명에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널이 전기 전도성을 가지는 상,하부 전도성 표판과 전도성 코어로 형성되고, 상기 샌드위치 패널에 머신러닝을 통해 학습된 전극 최적화 신경망 모델로부터 도출된 최적의 전극 개수만큼 전극을 구비하여 전기 저항값을 측정하고, 머신 러닝을 통해 학습된 손상 감지 신경망 모델로부터 측정된 전기 저항값에 따른 손상 위치와 손상 유형을 도출하도록 구성됨으로써, 상기 샌드위치 패널의 손상을 보다 신속하고 정확하게 감지할 수 있는 이점이 있다. A damage detection system for an electrically conductive sandwich panel according to the present invention is configured such that the sandwich panel is formed of upper and lower conductive plates having electrical conductivity and a conductive core, and the sandwich panel is provided with an optimal number of electrodes derived from an electrode optimization neural network model learned through machine learning to measure an electrical resistance value, and the damage location and damage type are derived from the measured electrical resistance value from a damage detection neural network model learned through machine learning, thereby having the advantage of being able to detect damage to the sandwich panel more quickly and accurately.
또한, 인공 신경망 모델을 통해 센싱 면적에 대한 최적의 전극 개수를 도출함으로써, 효율성이 향상될 수 있다. Additionally, efficiency can be improved by deriving the optimal number of electrodes for the sensing area through an artificial neural network model.
또한, 샌드위치 패널의 표판 손상 뿐만 아니라 코어 손상과 탈착 손상까지 감지할 수 있는 이점이 있다. In addition, it has the advantage of being able to detect not only surface damage of the sandwich panel, but also core damage and debonding damage.
도 1은 본 발명의 실시예에 따른 전기전도성 샌드위치 패널을 개략적으로 나타낸 단면도이다.
도 2는 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 방법을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 머신러닝을 통해 전극 최적화 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 4는 도 3에서 도출된 전극 최적화 신경망 모델을 통해 전기전도성 샌드위치 패널에 포함되는 전극 개수를 도출하는 방법을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 머신러닝을 통해 손상 감지 신경망 모델을 생성하는 방법을 나타낸 도면이다.
도 6은 도 5에서 도출된 손상 감지 모델을 통해 전기전도성 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 방법을 나타낸 도면이다.FIG. 1 is a cross-sectional view schematically showing an electrically conductive sandwich panel according to an embodiment of the present invention.
FIG. 2 is a drawing showing a damage detection method for an electrically conductive sandwich panel according to an embodiment of the present invention.
FIG. 3 is a diagram illustrating a method for generating an electrode optimization neural network model through machine learning according to an embodiment of the present invention.
FIG. 4 is a diagram illustrating a method for deriving the number of electrodes included in an electrically conductive sandwich panel using the electrode optimization neural network model derived in FIG. 3.
FIG. 5 is a diagram illustrating a method for generating a damage detection neural network model through machine learning according to an embodiment of the present invention.
FIG. 6 is a diagram illustrating a method for deriving damage location and damage type of an electrically conductive sandwich panel using the damage detection model derived in FIG. 5.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다. Hereinafter, embodiments of the present invention will be described with reference to the attached drawings.
본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 인공 신경망 모델들로부터 전기전도성 샌드위치 패널의 전극 개수, 손상 위치 및 손상 유형을 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다. In an embodiment of the present invention, the entity that performs machine learning and derives the number of electrodes, damage location, and damage type of an electrically conductive sandwich panel from artificial neural network models constructed through machine learning is explained as an example by using a computer (not shown).
본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템은, 샌드위치 패널(10), 상부 전극들(20), 하부 전극들(30), 저항측정부(미도시), 인공신경망 학습부(미도시) 및 모니터링부(미도시)를 포함한다.A damage detection system for an electrically conductive sandwich panel according to an embodiment of the present invention includes a sandwich panel (10), upper electrodes (20), lower electrodes (30), a resistance measuring unit (not shown), an artificial neural network learning unit (not shown), and a monitoring unit (not shown).
도 1은 본 발명의 실시예에 따른 전기전도성 샌드위치 패널을 개략적으로 나타낸 단면도이다.FIG. 1 is a cross-sectional view schematically showing an electrically conductive sandwich panel according to an embodiment of the present invention.
도 1을 참조하면, 상기 샌드위치 패널(10)은, 상부 전도성 표판(11), 하부 전도성 표판(12) 및 전도성 코어(13)를 포함한다. Referring to Fig. 1, the sandwich panel (10) includes an upper conductive plate (11), a lower conductive plate (12), and a conductive core (13).
상기 상부 전도성 표판(11)은, 전기전도성 복합소재로 형성되어 상기 샌드위치 패널(10)의 상판을 이룬다. The upper conductive plate (11) is formed of an electrically conductive composite material and forms the upper plate of the sandwich panel (10).
상기 전기전도성 복합소재는 복수의 탄소섬유플라이들이 적층 형성된 탄소섬유강화플라스틱인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 전기전도성 복합소재는 탄소섬유 외에 전기 전도성을 가지는 복합소재라면 어느 것이나 적용 가능하다.The above-mentioned electrically conductive composite material is explained as an example of a carbon fiber reinforced plastic in which a plurality of carbon fiber plies are laminated. However, the present invention is not limited thereto, and any composite material having electrical conductivity other than carbon fiber may be applied to the above-mentioned electrically conductive composite material.
상기 하부 전도성 표판(12)은 상기 샌드위치 패널(10)의 하판을 이룬다. 상기 하부 전도성 표판(12)은, 상기 상부 전도성 표판(11)과 동일한 전기전도성 복합소재로 형성된다. 다만, 이에 한정되지 않고, 상기 하부 전도성 표판(12)과 상기 상부 전도성 표판(11)은 서로 다른 전기전도성 복합소재로 형성되는 것도 물론 가능하다.The lower conductive plate (12) forms the lower plate of the sandwich panel (10). The lower conductive plate (12) is formed of the same electrically conductive composite material as the upper conductive plate (11). However, the present invention is not limited thereto, and the lower conductive plate (12) and the upper conductive plate (11) may of course be formed of different electrically conductive composite materials.
상기 전도성 코어(13)는, 상기 상부 전도성 표판(11)과 상기 하부 전도성 표판(12)사이에 적층되고, 전기전도성 폼 소재로 형성된다. 상기 전도성 코어(13)는, 상기 상부 전도성 표판(11)과 상기 하부 전도성 표판(12)에 전기전도성 접착재로 접착된다. The conductive core (13) is laminated between the upper conductive plate (11) and the lower conductive plate (12) and is formed of an electrically conductive foam material. The conductive core (13) is bonded to the upper conductive plate (11) and the lower conductive plate (12) using an electrically conductive adhesive.
상기 전기전도성 폼 소재는, 탄소나노튜브(CNT)와 폴리우레탄(PU)을 미리 설정된 비율(중량비)로 혼합하여 형성된다. The above-mentioned electrically conductive foam material is formed by mixing carbon nanotubes (CNT) and polyurethane (PU) at a preset ratio (weight ratio).
상기 전기전도성 접착재(14)는, 산화인듐주석(ITO)로 코팅된 PET(Polyethylene terephthalate)필름인 것으로 예를 들어 설명한다. The above-mentioned electrically conductive adhesive (14) is explained as an example of a PET (polyethylene terephthalate) film coated with indium tin oxide (ITO).
따라서, 상기 샌드위치 패널(10)을 구성하는 상기 상부 전도성 표판(11), 상기 하부 전도성 표판(12), 상기 전도성 코어(13) 및 상기 전기전도성 접착재(14)는 모두 전기 전도성을 가지도록 형성된다.Accordingly, the upper conductive plate (11), the lower conductive plate (12), the conductive core (13) and the electrically conductive adhesive (14) constituting the sandwich panel (10) are all formed to have electrical conductivity.
상기 상부 전극(20)은, 상기 상부 전도성 표판(11)에서 서로 소정간격 이격되게 복수의 위치에 구비된다. 상기 상부 전극(20)의 개수는 후술하는 전극 최적화 신경망 모델로부터 도출되어 설정된다. The upper electrodes (20) are provided at multiple locations spaced apart from each other by a predetermined distance on the upper conductive plate (11). The number of the upper electrodes (20) is derived and set from an electrode optimization neural network model described below.
상기 하부 전극(30)은, 상기 하부 전도성 표판(12)에서 서로 소정간격 이격되게 복수의 위치에 구비된다. 상기 하부 전극(30)의 개수는 후술하는 전극 최적화 신경망 모델로부터 도출되어 설정된다. The lower electrodes (30) are provided at multiple locations spaced apart from each other by a predetermined interval on the lower conductive plate (12). The number of the lower electrodes (30) is derived and set from an electrode optimization neural network model described below.
상기 상부 전극들(20)과 상기 하부 전극들(30)은 각각 상하방향으로 서로 대응되게 배치된다. 상기 상부 전극들(20)과 상기 하부 전극들(30)은 두 개씩 쌍을 이루어 채널(C)을 형성한다. 또한, 상기 상부 전극들(20) 중에서 두 개씩 쌍을 이루어 채널을 형성하고, 상기 하부 전극들(20) 중에서 두 개씩 쌍을 이루어 채널을 형성하는 것도 가능하다. 상기 상부 전극들(20)과 상기 하부 전극들(30)에는 각각 전선이 연결되어, 상기 저항측정부(미도시)에 연결된다. The upper electrodes (20) and the lower electrodes (30) are arranged so as to correspond to each other in the vertical direction. The upper electrodes (20) and the lower electrodes (30) are paired in pairs to form a channel (C). In addition, it is also possible to form a channel by forming a pair of two of the upper electrodes (20) and to form a channel by forming a pair of two of the lower electrodes (20). Wires are connected to the upper electrodes (20) and the lower electrodes (30), respectively, and are connected to the resistance measuring unit (not shown).
상기 저항측정부(미도시)는, 상기 상부 전극(20)과 상기 하부 전극(30)이 이루는 복수의 전극 쌍들의 전기 저항값을 측정한다. The above resistance measurement unit (not shown) measures the electrical resistance values of multiple electrode pairs formed by the upper electrode (20) and the lower electrode (30).
상기 인공신경망 학습부(미도시)는, 상기와 같이 구성된 다수의 샌드위치 패널들에 대한 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터를 이용하여 머신 러닝을 수행하여, 상기 상,하부 전극들(20)(30)의 개수를 도출하는 전극 최적화 신경망 모델을 생성한다. 상기 인공신경망 학습부(미도시)는, 상기 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력 변수로 하고, 상기 상,하부 전극들(20)(30)의 개수를 출력 변수로 하여 머신 러닝을 수행하여, 상기 샌드위치 패널(10)의 센싱 면적에 대한 최적의 상기 상,하부 전극들(20)(30)의 개수를 도출하는 전극 최적화 신경망 모델을 생성한다. 상기 인공신경망 학습부(미도시)는, 오차 역전파(Back propagation) 알고리즘을 사용하여 신경망의 가중치를 갱신하여, 상기 센싱 면적에 대한 최적의 전극 개수를 도출할 수 있는 상기 전극 최적화 신경망 모델을 생성한다. 다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험 이외에도 손상을 발생시킬 수 있는 것이라면 적용 가능하다. The artificial neural network learning unit (not shown) performs machine learning using learning data obtained through experiments or simulations that apply external force to a plurality of sandwich panels configured as described above, and generates an electrode optimization neural network model that derives the number of the upper and lower electrodes (20)(30). The artificial neural network learning unit (not shown) performs machine learning using the sensing sensitivity, the sensing area, and the positions of the upper and lower electrodes (20)(30) among the learning data as input variables, and the number of the upper and lower electrodes (20)(30) as an output variable, and generates an electrode optimization neural network model that derives the optimal number of the upper and lower electrodes (20)(30) for the sensing area of the sandwich panel (10). The artificial neural network learning unit (not shown) generates the electrode optimization neural network model that can derive the optimal number of electrodes for the sensing area by updating the weights of the neural network using an error back propagation algorithm. However, without limitation thereto, the above experiment or simulation may be applied to anything other than a test that applies external force, as long as it can cause damage.
또한, 상기 인공신경망 학습부(미도시)는, 상기 학습 데이터 중에서 상기 샌드위치 패널(10)의 기본 정보와 상기 전극 쌍들의 전기 저항값을 입력변수로 하고, 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 손상 감지 신경망 모델을 생성한다. In addition, the artificial neural network learning unit (not shown) performs machine learning using the basic information of the sandwich panel (10) and the electrical resistance values of the electrode pairs among the learning data as input variables and the damage location and damage type of the sandwich panel (10) as output variables to generate a damage detection neural network model.
상기 샌드위치 패널(10)의 기본 정보는, 상기 상,하부 전도성 표판(11)(12)에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어(13)의 두께, 상기 전기전도성 폼에 포함된 탄소나노튜브의 비율(중량비) 중 적어도 일부를 포함한다. The basic information of the sandwich panel (10) includes at least some of the number of layers of carbon fiber plies included in the upper and lower conductive plates (11) and (12), the thickness of the conductive core (13), and the ratio (weight ratio) of carbon nanotubes included in the electrically conductive foam.
상기 손상 유형은, 표판 손상, 코어 손상 및 탈착 손상으로 분류된 손상 모드이다. 상기 표판 손상은, 상기 상,하부 전도성 표판(11)(12)에 발생된 표판 크랙 등의 손상을 포함한다. 상기 코어 손상은, 상기 전도성 코어(13)에 발생된 코어 크랙이나 코어 전단(core shear) 등의 손상을 포함한다. 상기 탈착 손상은, 상기 상,하부 전도성 표판(11)(12)과 상기 전도성 코어(13)사이에 발생된 디본딩(deboning) 등의 손상을 포함한다. 다만, 이에 한정되지 않고, 상기 손상 유형은, 상기 샌드위치 패널(10)에서 발생될 수 있는 손상이라면 어느 것이나 추가로 적용가능하다.The above damage types are damage modes classified into plate damage, core damage, and detachment damage. The plate damage includes damage such as plate cracks that occur in the upper and lower conductive plates (11)(12). The core damage includes damage such as core cracks or core shear that occur in the conductive core (13). The detachment damage includes damage such as deboning that occurs between the upper and lower conductive plates (11)(12) and the conductive core (13). However, the present invention is not limited thereto, and any damage types that may occur in the sandwich panel (10) may be additionally applied.
상기 모니터링부(미도시)는, 손상을 감지하고자 하는 감지 대상의 샌드위치 패널(10)의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화를 상기 손상 감지 신경망 모델에 입력하여, 상기 손상 감지 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 도출한다. The above monitoring unit (not shown) inputs basic information of the sandwich panel (10) of which damage is to be detected and the change in the electric resistance value measured by the resistance measuring unit into the damage detection neural network model, and derives the damage location and damage type of the sandwich panel (10) from the damage detection model.
상기와 같이 구성된 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 시스템에서 손상을 감지하는 방법을 설명하면, 다음과 같다. A method for detecting damage in a damage detection system for an electrically conductive sandwich panel according to an embodiment of the present invention configured as described above is described as follows.
도 2는 본 발명의 실시예에 따른 전기전도성 샌드위치 패널의 손상 감지 방법을 나타낸 도면이다. FIG. 2 is a drawing showing a damage detection method for an electrically conductive sandwich panel according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 실시예에 따른 손상 감지 방법은, 인공 신경망 모델 생성단계(S1)(S2), 전극 개수 도출단계(S3), 저항측정단계(S4) 및 손상감지단계(S5)를 포함한다.Referring to FIG. 2, a damage detection method according to an embodiment of the present invention includes an artificial neural network model generation step (S1) (S2), an electrode number derivation step (S3), a resistance measurement step (S4), and a damage detection step (S5).
상기 인공 신경망 모델 생성단계(S1)(S2)는, 전극 최적화 신경망 모델을 생성하는 과정(S1)과, 손상 감지 신경망 모델을 생성하는 과정(S2)을 포함한다.The above artificial neural network model generation step (S1)(S2) includes a process (S1) of generating an electrode optimization neural network model and a process (S2) of generating a damage detection neural network model.
도 3은 본 발명의 실시예에 따른 머신러닝을 통해 전극 최적화 신경망 모델을 생성하는 방법을 나타낸 도면이다. FIG. 3 is a diagram illustrating a method for generating an electrode optimization neural network model through machine learning according to an embodiment of the present invention.
도 3을 참조하면, 상기 전극 최적화 신경망 모델은, 상기 인공 신경망 학습부가 상기 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력 변수로 하고 상기 상,하부 전극들(20)(30)의 개수를 출력 변수로 하여 머신 러닝을 수행하여 생성된다. 상기 인공신경망 학습부(미도시)는, 오차 역전파(Back propagation) 알고리즘을 사용하여 은닉층과 출력층의 가중치를 갱신하여, 상기 센싱 면적에 대한 최적의 전극 개수를 도출할 수 있는 상기 전극 최적화 신경망 모델을 생성한다.Referring to FIG. 3, the electrode optimization neural network model is generated by the artificial neural network learning unit performing machine learning using the sensing sensitivity, the sensing area, and the positions of the upper and lower electrodes (20)(30) among the learning data as input variables and the number of the upper and lower electrodes (20)(30) as output variables. The artificial neural network learning unit (not shown) generates the electrode optimization neural network model capable of deriving the optimal number of electrodes for the sensing area by updating the weights of the hidden layer and the output layer using the error back propagation algorithm.
도 5는 본 발명의 실시예에 따른 머신러닝을 통해 손상 감지 신경망 모델을 생성하는 방법을 나타낸 도면이다. FIG. 5 is a diagram illustrating a method for generating a damage detection neural network model through machine learning according to an embodiment of the present invention.
도 5를 참조하면, 상기 손상 감지 신경망 모델은, 상기 인공 신경망 학습부가 상기 학습 데이터 중에서 상기 샌드위치 패널(10)의 기본 정보와 상기 전극 쌍들의 전기 저항값을 입력 변수로 하고, 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 생성된다. Referring to FIG. 5, the damage detection neural network model is generated by performing machine learning using the basic information of the sandwich panel (10) and the electrical resistance values of the electrode pairs as input variables from the learning data, and the damage location and damage type of the sandwich panel (10) as output variables.
상기와 같이 상기 전극 최적화 신경망 모델이 생성되면, 상기 전극 개수 도출단계(S3)에서는 상기 전극 최적화 신경망 모델로부터 손상을 감지하고자 하는 샌드위치 패널(10)의 센싱 면적에 대한 최적의 상기 상,하부 전극들(20)(30)의 개수를 도출한다. When the electrode optimization neural network model is generated as described above, in the electrode number derivation step (S3), the optimal number of upper and lower electrodes (20) (30) for the sensing area of the sandwich panel (10) for which damage is to be detected is derived from the electrode optimization neural network model.
도 4는 도 3에서 도출된 전극 최적화 신경망 모델을 통해 전기전도성 샌드위치 패널에 포함되는 전극 개수를 도출하는 방법을 나타낸 도면이다.FIG. 4 is a diagram illustrating a method for deriving the number of electrodes included in an electrically conductive sandwich panel using the electrode optimization neural network model derived in FIG. 3.
도 4를 참조하면, 상기 전극 최적화 신경망 모델에 상기 샌드위치 패널(10)의 센싱 민감도, 센싱 면적, 상기 상,하부 전극들(20)(30)의 위치를 입력하면, 상기 전극 최적화 신경망 모델로부터 최적의 상기 상,하부 전극들(20)(30)의 개수가 도출된다. Referring to FIG. 4, when the sensing sensitivity, sensing area, and positions of the upper and lower electrodes (20)(30) of the sandwich panel (10) are input into the electrode optimization neural network model, the optimal number of the upper and lower electrodes (20)(30) is derived from the electrode optimization neural network model.
상기 샌드위치 패널(10)의 설계자 또는 제작자는 상기 전극 최적화 신경망 모델로부터 도출된 개수만큼 상기 상,하부 전극들(20)(30)을 배치할 수 있다. 상기 상,하부 전극들(20)(30)은 상기 상,하부 전도성 표판(11)(12)에 삽입되는 것도 가능하고 상기 상,하부 전도성 표판(11)(12)의 표면에 연결하는 것도 가능하다. The designer or manufacturer of the sandwich panel (10) can place the upper and lower electrodes (20)(30) in the number derived from the electrode optimization neural network model. The upper and lower electrodes (20)(30) can be inserted into the upper and lower conductive plates (11)(12) and can also be connected to the surfaces of the upper and lower conductive plates (11)(12).
이후, 상기 저항측정단계(S4)에서는 손상을 감지하고자 하는 샌드위치 패널(10)에 대해 상기 저항측정부(미도시)가 상기 전극 쌍들의 전기 저항값을 측정한다. Thereafter, in the resistance measurement step (S4), the resistance measurement unit (not shown) measures the electric resistance values of the electrode pairs for the sandwich panel (10) for which damage is to be detected.
상기 손상감지단계(S5)에서는 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형을 도출한다.In the above damage detection step (S5), the damage location and damage type of the sandwich panel (10) are derived from the damage detection neural network model.
도 6은 도 5에서 도출된 손상 감지 모델을 통해 전기전도성 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 방법을 나타낸 도면이다.FIG. 6 is a diagram illustrating a method for deriving damage location and damage type of an electrically conductive sandwich panel using the damage detection model derived in FIG. 5.
도 6을 참조하면, 상기 손상 감지 신경망 모델에 상기 상,하부 전도성 표판(11)(12)의 정보, 상기 전도성 코어(13)의 정보 및 상기 저항측정부에서 실시간으로 측정한 전기 저항값을 입력하면, 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널(10)의 손상 위치와 손상 유형이 도출된다. Referring to FIG. 6, when the information of the upper and lower conductive plates (11)(12), the information of the conductive core (13), and the electric resistance value measured in real time by the resistance measuring unit are input into the damage detection neural network model, the damage location and damage type of the sandwich panel (10) are derived from the damage detection neural network model.
상기 상,하부 전도성 표판(11)(12)의 정보는, 상기 상,하부 전도성 표판(11)(12)에 포함된 탄소섬유플라이의 적층수인 것으로 예를 들어 설명하며, 이는 상기 샌드위치 패널(10)의 제작시 미리 설정되어 저장된 정보이다. The information of the upper and lower conductive plates (11)(12) above is explained as the number of layers of carbon fiber plies included in the upper and lower conductive plates (11)(12), and this is information that is preset and stored during the production of the sandwich panel (10).
상기 전도성 코어(13)의 정보는, 상기 전도성 코어(13)의 두께와 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 비율인 것으로 예를 들어 설명한다. 상기 전도성 코어(13)의 정보는 상기 샌드위치 패널(10)의 제작시 미리 설정되어 저장된 정보이다. The information of the conductive core (13) is explained as, for example, the thickness of the conductive core (13) and the ratio of carbon nanotubes included in the electrically conductive foam material. The information of the conductive core (13) is information that is preset and stored during the production of the sandwich panel (10).
상기 손상 감지 신경망 모델로부터 도출되는 손상 유형은, 상기 표판 손상, 상기 코어 손상 및 상기 탈착 손상으로 분류된 것으로 예를 들어 설명한다. The damage types derived from the above damage detection neural network model are classified into the above-mentioned plate damage, the above-mentioned core damage, and the above-mentioned detachment damage, as examples.
상기와 같이, 본 발명에서는 상기 샌드위치 패널(10)의 코어 부분도 전기 전도성을 가지도록 형성되고, 인공 신경망을 이용하여 학습된 손상 감지 신경망 모델로부터 손상 유형을 분류하여 도출할 수 있으므로, 상기 샌드위치 패널(10)의 손상 정도를 보다 신속하고 정확하게 진단할 수 있다. As described above, in the present invention, the core portion of the sandwich panel (10) is also formed to have electrical conductivity, and the damage type can be classified and derived from a damage detection neural network model learned using an artificial neural network, so that the degree of damage to the sandwich panel (10) can be diagnosed more quickly and accurately.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, these are merely exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical idea of the appended claims.
11: 상부 전도성 표판 12: 하부 전도성 표판
13: 전도성 코어 14: 전기전도성 접착재
20: 상부 전극 30: 하부 전극11: Upper conductive plate 12: Lower conductive plate
13: Conductive core 14: Electrically conductive adhesive
20: upper electrode 30: lower electrode
Claims (10)
상기 상부 전도성 표판에서 서로 소정간격 이격되게 복수의 위치에 구비된 상부 전극들과;
상기 하부 전도성 표판에서 상기 상부 전극들과 대향되는 복수의 위치에 구비된 하부 전극들과;
상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정부와;
상기 샌드위치 패널에 대해 실험 또는 시뮬레이션을 통해 수집된 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력 변수로 하고 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 설계자 또는 제작자가 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 입력하면 상기 센싱 면적에 대한 상기 상,하부 전극들의 개수를 도출하는 전극 최적화 신경망 모델을 생성하고,
상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께 및 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 중량비를 포함한 상기 샌드위치 패널의 기본 정보와 상기 전극 쌍들의 전기 저항값을 입력변수로 하고 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하여 머신러닝을 수행하여, 상기 저항 측정부에서 측정한 전기 저항값의 변화를 입력하면 상기 손상 위치와 상기 손상 유형을 도출하는 손상 감지 신경망 모델을 생성하는 인공 신경망 학습부와;
상기 손상 감지 신경망 모델에 상기 샌드위치 패널의 기본 정보와 상기 저항측정부에서 측정한 전기 저항값의 변화을 입력하여, 상기 샌드위치 패널의 손상 위치와, 표판 손상, 코어 손상 및 탈착 손상을 포함하는 손상 유형을 도출하는 모니터링부를 포함하는 전기전도성 샌드위치 패널의 손상 감지 시스템.A sandwich panel including an upper conductive plate formed of an electrically conductive composite material, a lower conductive plate formed of the electrically conductive composite material, and a conductive core formed of an electrically conductive foam material and bonded with an electrically conductive adhesive and laminated between the upper conductive plate and the lower conductive plate;
Upper electrodes provided at a plurality of locations spaced apart from each other by a predetermined distance on the upper conductive plate;
Lower electrodes provided at a plurality of positions facing the upper electrodes on the lower conductive plate;
A resistance measuring unit for measuring the electrical resistance values of a plurality of electrode pairs formed by the upper electrode and the lower electrode;
A machine learning is performed by using the sensing sensitivity, the sensing area, and the positions of the upper and lower electrodes as input variables and the number of the upper and lower electrodes as output variables among the learning data collected through experiments or simulations for the sandwich panel, so that when the designer or manufacturer of the sandwich panel inputs the sensing sensitivity, the sensing area, and the positions of the upper and lower electrodes, an electrode optimization neural network model is generated that derives the number of the upper and lower electrodes for the sensing area.
An artificial neural network learning unit which performs machine learning by using, as input variables, basic information of the sandwich panel, including the number of layers of carbon fiber plies included in the upper and lower conductive plates, the thickness of the conductive core, and the weight ratio of carbon nanotubes included in the electrically conductive foam material among the learning data, and the electrical resistance values of the electrode pairs, and the damage location and damage type of the sandwich panel as output variables, and generates a damage detection neural network model that derives the damage location and the damage type when inputting a change in the electrical resistance value measured by the resistance measuring unit;
A damage detection system for an electrically conductive sandwich panel, comprising a monitoring unit that inputs basic information of the sandwich panel and changes in electrical resistance values measured by the resistance measuring unit into the damage detection neural network model to derive damage locations of the sandwich panel and damage types including surface damage, core damage, and detachment damage.
상기 전기전도성 폼 소재는, 상기 탄소나노튜브와 폴리우레탄을 미리 설정된 중량비로 혼합하여 형성된 전기전도성 샌드위치 패널의 손상 감지 시스템.In claim 1,
The above-mentioned electrically conductive foam material is a damage detection system of an electrically conductive sandwich panel formed by mixing the above-mentioned carbon nanotubes and polyurethane at a preset weight ratio.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함하는 전기전도성 샌드위치 패널의 손상 감지 시스템.In claim 1,
The above-mentioned electrically conductive adhesive is a damage detection system for an electrically conductive sandwich panel including a PET (polyethylene terephthalate) film coated with indium tin oxide (ITO).
상기 샌드위치 패널에 대해 실험 또는 시뮬레이션을 통해 수집된 학습 데이터 중에서 센싱 민감도, 센싱 면적, 상기 상,하부 전도성 표판에 각각 구비된 상,하부 전극들의 위치를 입력 변수로 하고, 상기 상,하부 전극들의 개수를 출력 변수로 하여 머신러닝을 수행하여, 상기 상,하부 전극들의 개수를 도출하기 위한 전극 최적화 신경망 모델을 생성하는 과정과,
상기 학습 데이터 중에서 상기 상,하부 전도성 표판에 포함된 탄소섬유플라이의 적층수, 상기 전도성 코어의 두께 및 상기 전기전도성 폼 소재에 포함된 탄소나노튜브의 중량비를 포함한 상기 샌드위치 패널의 기본 정보와, 상기 상부 전극과 상기 하부 전극이 이루는 전극 쌍들의 전기 저항값을 입력변수로 하고 상기 샌드위치 패널의 손상 위치와 손상 유형을 출력 변수로 하여 머신러닝을 수행하여, 상기 샌드위치 패널의 손상 위치와 상기 손상 유형을 도출하기 위한 손상 감지 신경망 모델을 생성하는 과정을 포함하는 인공 신경망 모델 생성단계와;
상기 샌드위치 패널의 설계자 또는 제작자가 센싱 민감도, 센싱 면적, 상기 상,하부 전극들의 위치를 상기 전극 최적화 신경망 모델에 입력하면, 상기 전극 최적화 신경망 모델로부터 손상을 감지하고자 하는 샌드위치 패널의 센싱 면적에 대한 상기 상,하부 전극들의 개수를 도출하는 전극 개수 도출단계와;
상기 전극 최적화 신경망 모델에서 도출된 상기 상,하부 전극들의 개수만큼 전극들이 배치되면, 저항측정부가 상기 상부 전극과 상기 하부 전극이 이루는 복수의 전극 쌍들의 전기 저항값을 측정하는 저항측정단계와;
모니터링부가 상기 저항측정부에서 측정한 전기 저항값의 변화을 상기 손상 감지 신경망 모델에 입력하여, 상기 손상 감지 신경망 모델로부터 상기 샌드위치 패널의 손상 위치와 손상 유형을 도출하는 손상감지단계를 포함하는,
전기전도성 샌드위치 패널의 손상 감지 방법.A method for detecting damage to a sandwich panel comprising an upper conductive plate formed of an electrically conductive composite material, a lower conductive plate formed of the electrically conductive composite material, and a conductive core formed of an electrically conductive foam material and bonded with an electrically conductive adhesive and laminated between the upper conductive plate and the lower conductive plate,
A process of generating an electrode optimization neural network model for deriving the number of upper and lower electrodes by performing machine learning using the sensing sensitivity, sensing area, and the positions of the upper and lower electrodes respectively provided on the upper and lower conductive plates as input variables among the learning data collected through experiments or simulations for the sandwich panel, and the number of the upper and lower electrodes as output variables;
An artificial neural network model generation step including a process of generating a damage detection neural network model by performing machine learning using, among the learning data, basic information of the sandwich panel, including the number of layers of carbon fiber plies included in the upper and lower conductive plates, the thickness of the conductive core, and the weight ratio of carbon nanotubes included in the electrically conductive foam material, and the electrical resistance values of electrode pairs formed by the upper electrode and the lower electrode as input variables and the damage location and damage type of the sandwich panel as output variables, to derive the damage location and damage type of the sandwich panel;
When the designer or manufacturer of the sandwich panel inputs the sensing sensitivity, sensing area, and the positions of the upper and lower electrodes into the electrode optimization neural network model, an electrode number derivation step for deriving the number of the upper and lower electrodes for the sensing area of the sandwich panel for which damage is to be detected from the electrode optimization neural network model;
When the number of electrodes is equal to the number of upper and lower electrodes derived from the electrode optimization neural network model, a resistance measuring step in which a resistance measuring unit measures the electric resistance values of a plurality of electrode pairs formed by the upper electrode and the lower electrode;
A damage detection step in which the monitoring unit inputs the change in the electric resistance value measured by the resistance measurement unit into the damage detection neural network model and derives the damage location and damage type of the sandwich panel from the damage detection neural network model.
Method for detecting damage in an electrically conductive sandwich panel.
상기 전기전도성 폼 소재는, 상기 탄소나노튜브와 폴리우레탄을 미리 설정된 중량비로 혼합하여 형성된 전기전도성 샌드위치 패널의 손상 감지 방법.In claim 7,
The above-mentioned electrically conductive foam material is a damage detection method for an electrically conductive sandwich panel formed by mixing the above-mentioned carbon nanotubes and polyurethane at a preset weight ratio.
상기 전기전도성 접착재는, 산화인듐주석(ITO)으로 코팅된 PET(Polyethylene terephthalate) 필름을 포함하는 전기전도성 샌드위치 패널의 손상 감지 방법.In claim 9,
The above-mentioned electrically conductive adhesive is a method for detecting damage to an electrically conductive sandwich panel including a PET (polyethylene terephthalate) film coated with indium tin oxide (ITO).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210187607A KR102697886B1 (en) | 2021-12-24 | 2021-12-24 | Damage sensing system for electro conductive sandwich panel and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210187607A KR102697886B1 (en) | 2021-12-24 | 2021-12-24 | Damage sensing system for electro conductive sandwich panel and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230097781A KR20230097781A (en) | 2023-07-03 |
| KR102697886B1 true KR102697886B1 (en) | 2024-08-21 |
Family
ID=87157082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210187607A KR102697886B1 (en) | 2021-12-24 | 2021-12-24 | Damage sensing system for electro conductive sandwich panel and method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102697886B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101805775B1 (en) * | 2016-07-28 | 2017-12-07 | 울산과학기술원 | Sensor sheet of modulus measurement apparatus, modulus measurement apparatus, modulus measurement apparatus for robot, and measurement method of the same |
| KR101952933B1 (en) * | 2017-12-01 | 2019-05-23 | 울산과학기술원 | Sensitivity design method of conductive composite sensor |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101148450B1 (en) * | 2010-03-02 | 2012-05-21 | 삼성전기주식회사 | Touch Screen for Vast Vision |
| KR101396202B1 (en) * | 2012-09-20 | 2014-05-19 | 국립대학법인 울산과학기술대학교 산학협력단 | Structural health monitoring system of fiber reinforced composites including conductive nano-materials, the monitoring and the manufacturing method of the same, and structural health monitoring system of wind turbine blade including conductive nano-materials, the manufacturing method of the same |
| KR102317518B1 (en) | 2018-03-02 | 2021-10-25 | (주)엘엑스하우시스 | A sandwich panel and a manufacturing method thereof |
-
2021
- 2021-12-24 KR KR1020210187607A patent/KR102697886B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101805775B1 (en) * | 2016-07-28 | 2017-12-07 | 울산과학기술원 | Sensor sheet of modulus measurement apparatus, modulus measurement apparatus, modulus measurement apparatus for robot, and measurement method of the same |
| KR101952933B1 (en) * | 2017-12-01 | 2019-05-23 | 울산과학기술원 | Sensitivity design method of conductive composite sensor |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230097781A (en) | 2023-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200047425A1 (en) | Structural Health Monitoring of Curved Composite Structures Using Ultrasonic Guided Waves | |
| CN104462785B (en) | A kind of two benches formula building frame construction damage detecting method | |
| Zhang et al. | Vibration-based assessment of delaminations in FRP composite plates | |
| Viglietti et al. | Analysis of variable angle tow composites structures using variable kinematic models | |
| KR101961408B1 (en) | Monitoring method of CFRP damage | |
| Li et al. | Wave propagation analysis in composite laminates containing a delamination using a three‐dimensional spectral element method | |
| CN112613129B (en) | Composite material plate-shell structure health monitoring method based on inverse finite element and infinitesimal dynamic response method | |
| KR102145246B1 (en) | System and method of predicting damage of carbon fiber composites | |
| CN102607935B (en) | Measurement method of residual compression strength of composite material laminated board containing impact damages | |
| Sun et al. | Identification of intermediate debonding damage in FRP-strengthened RC beams based on a multi-objective updating approach and PZT sensors | |
| Sohn et al. | Reference‐free damage classification based on cluster analysis | |
| De Luca et al. | A sensitivity analysis on the damage detection capability of a Lamb waves based SHM system for a composite winglet | |
| Yeager et al. | Impact detection and characterization in composite laminates with embedded fiber Bragg gratings | |
| KR102697886B1 (en) | Damage sensing system for electro conductive sandwich panel and method | |
| Pan et al. | Vibration-based detection of skin-stiffener debonding on composite stiffened panels using surrogate-assisted algorithms | |
| Meruane et al. | An inverse parallel genetic algorithm for the identification of skin/core debonding in honeycomb aluminium panels | |
| CN110988119A (en) | Method for detecting layered damage of composite laminated plate by measuring equivalent pseudo load through laser | |
| KR101964880B1 (en) | System and method for diagnosing crack propagation of CFRP structures | |
| Niutta | Residual elastic response in damaged woven laminates through local Impulse Excitation Technique | |
| KR101978467B1 (en) | Sensor and method for detecting crack propagation of CFRP structures | |
| KR20220011456A (en) | Method of detecting the location of damage for composite using machine learning | |
| Sreekanth et al. | Natural Frequency based delamination estimation in GFRP beams using RSM and ANN | |
| Schwankl et al. | Electro-mechanical impedance technique for structural health monitoring of composite panels | |
| KR102472536B1 (en) | Method of selecting design parameter for composite sensor using machine learning | |
| Oliveira et al. | On the use of finite differences for vibration-based damage localization in laminated composite plates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |