Browse

A Structural Model Updating Method of Finite Element Models Enhanced by the System Reduction and Neural Networks
구조 축소 기법과 인공신경 회로망을 이용한 유한요소 구조물의 모델 갱신 기법

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors
성희준
Advisor
조맹효
Issue Date
2020
Publisher
서울대학교 대학원
Keywords
Model updating methodDegree of freedom-based reduction methodSystem identificationSensor location selection methodNeural networks모델 갱신 기법자유도 기반 축소 기법시스템 식별센서 위치 선정 방법인공 신경 회로망
Description
학위논문 (박사) -- 서울대학교 대학원 : 공과대학 기계공학과, 2020. 8. 조맹효.
Abstract
Model updating methods for structural systems have been introduced in various numerical processes. To improve the updating method, the process must require an accurate analysis and minimized experimental uncertainties. Finite element model was employed to describe structural system. Structural vibration behavior of a plate model is expressed as a combination of the initial state behavior of the structure and its associated perturbations. The dynamic behavior obtained from a limited number of accessible nodes and their associated degrees of freedom is employed to detect structural changes that are consistent with the perturbations. The equilibrium model is described in terms of the measured and unmeasured modal data. Unmeasured information is estimated using an iterated improved reduction scheme. Because the identification problem depends on the measured information, the quality of the measured data determines the accuracy of the identified model and the convergence of the identification problem. The accuracy of the identification depends on the measurement/sensor location. We propose a more accurate identification method using the optimal sensor location selection method. Experimental examples are adopted to examine the convergence and accuracy of the proposed method applied to an inverse problem of system identification. Model updating methods for structural systems have been introduced in various fields. Model updating processes are important for improving a models accuracy by considering experimental data. Structural system identification was achieved here by applying the degree of freedom-based reduction method and the inverse perturbation method. Experimental data were obtained using the specific sensor location selection method. Experimental vibration data were restored to a full finite element model using the reduction method to compare and update the numerical model. Applied iteratively, the improved reduced system method boosts model accuracy
during full model restoration; however, iterative processes are time-consuming. The calculation efficiency was improved using the system equivalent reduction-expansion process in concert with the proper orthogonal
decomposition. A convolutional neural network was trained and applied to the updating process. We propose the use of an efficient model updating method using a convolutional neural network to reduce calculation time. Experimental and numerical examples were adopted to examine the efficiency and accuracy of the model updating method using a convolutional neural network. A more complex model is applied for model updating method and validated with proposed methods. A bolt assembly modeling is introduced and simplified with verified methodologies.
구조 시스템에 대한 모델 갱신 방법이 다양한 해석에 도입되고 있습니다. 갱신 방법을 개선하려면 프로세스에 정확한 분석과 최소화된 실험적 불확실성이 필요합니다. 유한 요소 모델을 사용하여 구조 시스템을 구현했습니다. 평판 모델의 구조적 진동 거동은 구조의 초기 상태 거동과 그와 관련된 섭동의 조합으로 표현됩니다. 제한된 수의 가능한 위치와 그에 해당하는 자유도에서 얻은 동적 거동은 섭동과 일치하는 구조적 변화를 감지하는 데 사용됩니다. 등가 모델은 측정 및 측정되지 않은 모드 데이터의 관점에서 설명됩니다. 측정되지 않은 정보는 반복적 인 개선된 축소 기법을 사용하여 추정됩니다. 시스템 식별 문제는 측정된 정보에 의존하기 때문에 측정된 데이터의 정확도는 식별된 모델의 정확성과 식별 문제의 수렴성을 결정합니다. 시스템 식별의 정확성은 측정 및 센서의 위치에 따라 달라집니다. 최적의 센서 위치를 선정하는 방법을 사용하여, 보다 정확한 식별 방법을 제안합니다. 실험 예제는 시스템 식별의 역 해석 문제에 적용된 제안된 방법의 수렴성과 정확성을 조사하기 위해 선정되었습니다. 실험 데이터를 고려하여 모델의 정확성을 높이려면 모델 갱신 방법이 중요합니다. 여기서 자유도 기반 축소 기법과 역 섭동 방법을 적용하여 구조 시스템 식별을 수행했습니다. 센서 위치 선정 방법을 사용하여 양질의 실험 데이터를 얻을 수 있었습니다. 실험 모델과 해석 모델을 비교하고 갱신하기 위해 실험 데이터와 축소 기법의 변환행렬을 사용하여 전체 유한 요소 모델로 복원되었습니다. 반복적으로 적용되는 개선된 축소 기법은 전체 모델 복원 과정에서 모델의 정확도를 높여줍니다. 그러나 반복 계산으로 인해 시간이 많이 걸립니다. 적합 직교 분해와 함께 반복 계산이 필요 없는 자유도 축소 기법의 변환행렬을 사용하여 계산 효율을 향상시켰습니다. 합성 곱 인공 신경 회로망을 학습하여 모델 갱신 방법에 적용되었습니다. 본 연구를 통해 계산 시간을 줄일 수 있는 합성 곱 인공 신경 회로망을 사용하는 효율적인 모델 갱신 방법의 사용을 제안합니다. 합성 곱 인공 신경 회로망을 사용하는 모델 갱신 방법의 효율성과 정확성을 조사하기
위해 실험 및 수치 예제를 선정하고 검증했습니다. 또한 제안된 방법의 검증을 위해 보다 복잡한 모델이 모델 갱신 방법에 적용되었습니다. 검증된 방법을 볼트 결합 모델링에 도입하고 실험을 통한 모델 갱신으로 더욱 단순화된 모델링을 제안합니다.
Language
eng
URI
https://hdl.handle.net/10371/169125

http://dcollection.snu.ac.kr/common/orgView/000000161421
Files in This Item:
Appears in Collections:
College of Engineering/Engineering Practice School (공과대학/대학원)Dept. of Mechanical Aerospace Engineering (기계항공공학부)Theses (Ph.D. / Sc.D._기계항공공학부)
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse