AI-Based Rebar Localization, Rail Joint-Gap Prediction, and Cementitious Material Monitoring Research
연구 내용
전기저항 단층촬영과 현장 측정 데이터에 딥러닝을 적용해 구조 변화를 예측하고, PZT 센싱으로 재료 물성 변화를 추적하는 연구
전동호 연구실은 건설 현장에서 필요한 비파괴 탐지와 예측 모델을 데이터 기반으로 개발합니다. 주로 frequency-difference 기반 전기저항 단층촬영 정보를 딥러닝에 연결하여 철근의 위치를 추정하는 접근을 수행하며, 좌표계 표현과 합성곱 신경망 구조를 통해 탐지 정확도를 높이는 방향을 검토합니다. 또한 pozzolanic reactivity 예측에서 R3 시험 데이터와 GAN-augmented 데이터를 통합하는 하이브리드 프레임워크를 적용해 학습 효율을 확보합니다. 레일 구조에서는 현장 계측 변수를 입력으로 하는 딥러닝 모델로 곡선 구간 조인트 갭 변동을 예측하고, 해석가능성 분석을 통해 영향 요인을 파악합니다. 아울러 PZT 다중 모드 센싱으로 시멘트계 재료의 동적 물성 변화를 in-situ로 프로파일링하는 연구도 수행합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2022년에는 전기저항 단층촬영 기반 철근 위치 탐지 문제에 딥러닝을 적용하며 초기 기술 축을 마련했습니다. 이후 2025년에는 건설재료의 반응성 예측을 위해 GAN-augmented 데이터를 포함한 하이브리드 기계학습 프레임워크로 확장했습니다. 같은 해 레일 구조에서는 현장 측정 기반 레일 조인트 갭 변동을 딥러닝으로 예측하고, 예측 요인 분석을 결합해 적용 가능성을 높였습니다. 또한 시멘트계 재료의 동적 물성 변화를 PZT 센싱으로 in-situ 추적하는 방향까지 포함하여, 센서-데이터-모델의 결합을 중심으로 연구 흐름을 강화하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
High-accuracy rebar position detection using deep learning–based frequency-difference electrical resistance tomography
Hybrid machine learning framework for predicting pozzolanic reactivity: Integration of R3 test and GAN-augmented data
Deep learning-based site-specific prediction of rail joint-gap variations on curved ballasted track using field-measured rail data
Multi-mode piezoelectric (PZT) sensing for in-situ profiling of the evolution of dynamic properties in cement-based materials