트랜스포머 자기 주의 인코더-디코더와 다중 모드 딥러닝을 이용한 응답 시계열 예측 및 풍력 구조물 안전 모니터링을 위한 디지털 트윈 지원

Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring

본 연구에서는 새로운 트랜스포머 방법론을 활용한 풍력 유발 구조물 응답 예측 능력을 검토합니다. 또한, 이 모델은 교량 구조물 안전 모니터링을 위한 디지털 트윈 구성 요소를 제공합니다. 먼저, 제안된 방법은 시스템의 시간적 특성을 이용하여 예측 모델을 훈련합니다. 둘째, 예측된 진동 값을 측정된 값과 비교하여 큰 편차를 감지합니다. 마지막으로, 식별된 사례는 구조적 변화의 조기 경고 지표로 사용됩니다. 인공지능 기반 모델은 풍력의 정상 상태 또는 구조물의 정상 진동 행동에 대한 가정을 하지 않으므로 응답 예측을 위한 기존 접근 방식보다 뛰어난 성능을 보입니다. 특히, 풍력에 의해 유발되는 동적 거동은 환경 또는 교통 조건의 변화로 인해 예측 정확도가 저하될 수 있는 불확실성을 내포합니다. 이는 정상 진동 행동의 정의를 어렵게 만듭니다. 이에 본 연구에서는 노르웨이 과학 기술 대학교에서 모니터링하는 하르당어 교량의 실제 측정 데이터를 사용하여 제안된 프레임워크를 엄격하게 검증합니다. 제안된 방법은 현실적인 조건에서 정확한 구조적 거동을 포착하며, 시스템의 여기 변화에 대한 적응성을 보여줍니다. 중요한 점은, 트랜스포머 기반 디지털 트윈 구성 요소가 시스템의 수명 주기 동안 시간적 특성을 고려하여 탄력적인 인프라 관리, 지속적인 학습 및 적응형 모니터링을 위한 차세대 도구로 활용될 수 있는 잠재력을 가지고 있다는 것입니다.

The wind-induced structural response forecasting capabilities of a novel transformer methodology are examined here. The model also provides a digital twin component for bridge structural health monitoring. Firstly, the approach uses the temporal characteristics of the system to train a forecasting model. Secondly, the vibration predictions are compared to the measured ones to detect large deviations. Finally, the identified cases are used as an early-warning indicator of structural change. The artificial intelligence-based model outperforms approaches for response forecasting as no assumption on wind stationarity or on structural normal vibration behavior is needed. Specifically, wind-excited dynamic behavior suffers from uncertainty related to obtaining poor predictions when the environmental or traffic conditions change. This results in a hard distinction of what constitutes normal vibration behavior. To this end, a framework is rigorously examined on real-world measurements from the Hardanger Bridge monitored by the Norwegian University of Science and Technology. The approach captures accurate structural behavior in realistic conditions, and with respect to the changes in the system excitation. The results, importantly, highlight the potential of transformer-based digital twin components to serve as next-generation tools for resilient infrastructure management, continuous learning, and adaptive monitoring over the system's lifecycle with respect to temporal characteristics.