[go: up one dir, main page]

KR102044041B1 - 지진측정장치 및 지진측정방법 - Google Patents

지진측정장치 및 지진측정방법 Download PDF

Info

Publication number
KR102044041B1
KR102044041B1 KR1020130115172A KR20130115172A KR102044041B1 KR 102044041 B1 KR102044041 B1 KR 102044041B1 KR 1020130115172 A KR1020130115172 A KR 1020130115172A KR 20130115172 A KR20130115172 A KR 20130115172A KR 102044041 B1 KR102044041 B1 KR 102044041B1
Authority
KR
South Korea
Prior art keywords
earthquake
seismic
neural network
scale
artificial neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020130115172A
Other languages
English (en)
Other versions
KR20150035633A (ko
Inventor
연관희
이강렬
류희환
윤재모
이인태
Original Assignee
한국전력공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사 filed Critical 한국전력공사
Priority to KR1020130115172A priority Critical patent/KR102044041B1/ko
Publication of KR20150035633A publication Critical patent/KR20150035633A/ko
Application granted granted Critical
Publication of KR102044041B1 publication Critical patent/KR102044041B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 출원은 지진측정장치 및 지진측정방법에 관한 것으로서, 본 발명의 일 실시예에 의한 지진측정장치는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진계; 및 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출하는 분석부를 포함할 수 있다.

Description

지진측정장치 및 지진측정방법 {Apparatus for measuring earthquake intensity and method for the same}
본 출원은 지진측정장치 및 지진측정방법에 관한 것으로서, 특히 인공지능망 회로를 이용하여 지진의 규모 등을 도출할 수 있는 지진측정장치 및 지진측정방법에 관한 것이다.
지진이 발생하면 산업시설물을 비롯한 구조물 등이 손상될 수 있으며, 인명피해도 함께 수반될 수 있다. 이때, 지진에 의한 피해의 정도는 지진의 규모 및 지진 발생 지점(진원)과의 거리에 따라 달라질 수 있다. 일반적으로 지진의 에너지는 지진발생 지점과의 거리가 멀어질수록 감쇠하면서 약화하는 특성이 있기 때문이다. 따라서, 지진이 발생할 경우, 지진의 규모 및 거리를 최대한 신속, 정확하게 측정하는 것이 광역적인 지진피해 대응에 있어서 매우 중요하다.
일반적인 지진의 규모, 거리 측정방법은, 지진파 중 가장 먼저 도달하는 P파와 늦게 도달하는 S파의 도착시간의 차이(S-P시간)를 이용하여 지진의 거리를 먼저 계산하고, 지진파의 규모-거리에 따르는 지진파 크기의 감쇠식을 이용하여 지진의 규모를 계산하게 된다. 다만, 이 경우, 상기 P파와 S파의 도착시간의 차이를 측정하기 위해서는 상기 P파와 S파를 구분할 수 있어야 하지만, 잡음신호가 포함되는 등 지진 파형이 좋지 않은 경우에는 상기 P파와 S파의 구분이 어려울 수 있다.
이외에도, P파의 크기를 이용하여 지진규모를 미리 예측하고, 지진파의 규모-거리 감쇠식에 S파의 크기를 입력하여 지진 발생지점까지의 거리를 측정하는 방법도 있다. 즉, 지진조기경보(earthquake early warning)의 기능을 수행하는 것이다. 다만, 이 경우 P파의 크기를 이용하여 지진규모를 예측하므로, 지진규모의 오차가 크게 발생될 수 있다. 또한, 지진파형에 포함되는 잡음신호의 레벨이 높은 경우에는 상기 P파와 구별하기 어렵다는 단점이 있다.
공개특허공보 2012-0033382 (2012.04.09)
본 출원은, 인공지능망 회로를 이용하여 지진의 규모 등을 도출할 수 있는 지진측정장치 및 지진측정방법을 제공하고자 한다.
본 발명의 일 실시예에 의한 지진측정방법은, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진파 감지단계; 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하는 특성파라미터 계산단계; 및 상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출하는 지진규모도출단계를 포함할 수 있다.
여기서 상기 특성파라미터 계산단계는, 상기 특성파라미터로 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함할 수 있다.
여기서 상기 특성파라미터 계산단계는, 지진지속시간 동안 측정되는 지반가속도 및 지반속도 중에서, 각각의 최대값을 계산하여 상기 최대지반가속도 및 최대지반속도로 설정할 수 있다.
여기서 상기 특성파라미터 계산단계는,
Figure 112013087786497-pat00001
Figure 112013087786497-pat00002
여기서, CAV는 누적절대속도, CAD는 누적절대변위,
Figure 112019103396589-pat00003
,
Figure 112019103396589-pat00005
,
Figure 112019103396589-pat00006
, t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수를 이용하여, 상기 누적절대속도 및 누적절대변위를 계산할 수 있다.
여기서 상기 지진규모도출단계는, 상기 인공신경망 함수로 TLFF(Two Layer Feed-Forward) 함수를 이용할 수 있다.
여기서 상기 지진규모도출단계는, (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하고, 상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정하며, 상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시켜, 인공신경망을 형성할 수 있다.
여기서 상기 지진규모도출단계는,
Figure 112013087786497-pat00007
y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1인 인공신경망함수를 이용하여, 상기 지진규모를 도출할 수 있다.
여기서, 상기 지진측정방법은, 기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 상기 제1 가중치 및 제2 가중치를 설정하는 인공신경망 학습단계를 더 포함할 수 있다.
여기서 상기 지진규모도출단계는,
Figure 112013087786497-pat00008
를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출할 수 있다. 여기서, 상기 Vs은 지표로부터 기 설정된 깊이까지의 평균전단파속도일 수 있다.
여기서 상기 지진규모도출단계는, 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출하는 제1 과정; 및 상기 후보군을 제2 인공신경망 함수에 입력하여, 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 제2 과정을 포함할 수 있다.
여기서 상기 제1 과정은, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우에는, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정할 수 있다.
여기서 상기 기준지반속도의 값에 따라 누적절대변위의 값이 0으로 계산되는 경우에는, 상기 지진규모의 계산을 종료하며 상기 제1 과정을 종료할 수 있다.
여기서 상기 제2 인공신경망 함수는, 기 측정된 지진관측자료를 이용하여 생성한 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습될 수 있다.
본 발명의 일 실시예에 의한 지진측정장치는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진계; 및 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출하는 분석부를 포함할 수 있다.
여기서 상기 분석부는, 적어도 최대지반속도 및 누적절대변위를 상기 특성파라미터로 포함할 수 있다.
여기서 상기 분석부는, 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출한 후, 상기 후보군을 제2 인공신경망 함수에 입력하여 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 고주파에 민감한 지반가속도와 저주파에 민감한 지반속도를 이용하여 지진규모를 계산하므로, 광대역 주파수 특성을 반영한 지진규모의 측정이 가능하며, 측정된 지진규모의 신뢰도를 개선할 수 있다.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 지반속도를 이용하여 지진규모를 계산하므로, 고주파 잡음 및 응력강하량에 의한 효과를 최소화하여, 잡음 및 응력강하력에 의한 지진규모 왜곡을 최소화할 수 있다.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 기준지반속도를 지진진도 등급에 따라 설정할 수 있으므로, 유감지진 이상의 지진에 대하여 선택적으로 지진규모를 계산하도록 할 수 있다.
도1은 본 발명의 일 실시예에 의한 지진측정장치를 나타내는 블록도이다.
도2는 본 발명의 일 실시예에 의한 지진신호에 나타나는 특성파라미터를 나타내는 그래프이다.
도3은 본 발명의 일 실시예에 의한 인공신경망을 나타내는 다이어그램이다.
도4는 본 발명의 일 실시예에 의한 지진측정장치의 분석부의 동작을 나타내는 개략도이다.
도5는 본 발명의 일 실시예에 의한 지진측정방법을 나타내는 순서도이다.
도6 내지 도8은 본 발명의 일 실시예에 의한 지진측정방법에 의한 지진규모 계산결과를 나타내는 비교표 및 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도1은 본 발명의 일 실시예에 의한 지진측정장치를 나타내는 블록도이다.
도1을 참조하면, 본 발명의 일 실시예에 의한 지진측정장치는 지진계(10) 및 분석부(20)를 포함할 수 있다.
이하, 도1을 참조하여 본 발명의 일 실시예에 의한 지진측정장치를 설명한다.
지진계(10)는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성할 수 있다. 상기 지진계는 일반적으로 사용되는 지진계이면 어떠한 것이라도 활용할 수 있다. 구체적으로, 상기 지진계는 수평의 일축방향으로 진동하는 지진파를 측정할 수 있으며, 상기 측정된 지진파로부터 상기 지진파의 지반속도 및 지반가속도의 크기를 측정할 수 있다.
여기서, 상기 지진계는 상기 지반속도를 측정하는 지진속도계 및 상기 지반가속도를 측정하는 지진가속도계를 모두 포함하거나, 상기 지진가속도계만을 포함한 후 상기 측정된 지반가속도를 시간에 대하여 적분을 수행하는 방식으로 상기 지반속도를 구하는 것일 수 있다.
일반적으로 지반속도는 저주파 신호이기 때문에 지진파에 포함되는 고주파(약10hz 이상)의 잡음 신호에 강인한 특성이 있다. 따라서, 상기 지반속도를 이용하여 지진분석을 수행하면 잡음신호에 따른 지진분석 결과의 왜곡을 최소화할 수 있다. 또한, 지반속도의 경우 P파의 신호대잡음비가 양호하므로, P파를 이용한 지진분석이 가능해져 구조물에 지진피해를 주는 S파 도달 이전에 지진통보를 하는 지진조기경보를 수행할 수 있다.
상기 지반속도와 지반가속도를 함께 이용하여 지진분석을 수행하는 것은, 개념적으로는 고주파 성분 지진파와 저주파 성분 지진파를 동시에 활용하는 것을 의미한다. 일반적인 지진파는 저주파와 고주파 성분을 동시에 갖는 광대역 주파수 파형에 해당하므로, 상기 지반속도와 지반가속도를 동시에 이용하면 지진분석결과의 신뢰성을 향상시키는 것이 가능하다.
나아가, 지반속도를 사용하면, 응력강하량(stress drop, Δσ)에 의한 왜곡을 최소화하여 안정적으로 지진규모를 추정하는 것이 가능하다. 구체적으로, 지반가속도의 최대값(amax)과 지반속도의 최대값(vmax)의 응력강하량(Δσ)에 대한 지진규모 추정의 민감도는 다음과 같다.
Figure 112013087786497-pat00009
상기 식에 나타난 바와 같이, 지반속도 최대값 vmax의 로그(log)는 지반가속도 최대값 amax의 로그보다 log Δσ에 0.8배 덜 민감하므로, 지진의 응력강하량에 따른 지진규모 추정 왜곡을 최소화할 수 있음을 확인할 수 있다. 반면 log(Vmax)는 지진규모에 대해서는 log(amax)보다 1.8배 정도 더 민감하므로, 상기 지반속도가 지진규모 추정에 더욱 합리적인 특성 파라미터임을 알 수 있다.
따라서, 상기 지진계(10)를 이용하여 지반가속도 및 지반속도를 포함하는 지진신호를 생성함으로써, 지반가속도만 활용하는 경우 고주파 잡음 등에 의하여 발생할 수 있는 지진통보의 오작동 및 지진규모 추정 왜곡을 최소화하고, 고주파와 저주파 지진파 특성을 동시에 고려하여 지진규모 추정의 신뢰성을 향상시킬 수 있다.
여기서, 상기 지반가속도 및 지반속도는 단위시간당 기 설정된 횟수로 샘플링하여 측정할 수 있으며, 상기 샘플링된 지반가속도 및 지반속도는 단위시간내에 ns 개의 샘플링값을 가지는 벡터의 집합으로 나타낼 수 있다. 예를들어, 상기 샘플링된 지반가속도를 단위시간(1초) 동안 ns개의 샘플링을 수행하는 경우, ais(t) = (ai, ai +1,…, ai + ns -1)으로 나타낼 수 있으며, 상기 샘플링된 지반속도는 vis(t) = (vi, vi +1,…, vi + ns -1)로 나타낼 수 있다. 이때, 상기 지진계(10)는, 샘플링된 지반가속도 및 지반속도에 대하여 절대값을 취할 수 있다.
상기 지진파를 감지한 지진계(10)는, 상기 샘플링된 지반가속도 및 지반속도를 포함하는 지진신호를 생성하여 상기 분석부(20)로 전송할 수 있다.
분석부(20)는, 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출할 수 있다.
여기서, 상기 특성파라미터는 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함할 수 있다.
상기 최대지반가속도는 도2(a)에 도시된 바와 같이, 지진지속시간(N) 동안 입력되는 지반가속도(|a|) 중에서 최대값에 해당하고, 상기 최대지반속도는 도2(b)에 도시된 바와 같이, 지진지속시간(N)동안 입력되는 지반속도(|V|) 중에서 최대값을 의미한다. 상기 지진지속시간(N)은 지진발생시 예상되는 지진파의 지속시간으로서, 일반적으로 3 ~ 40 초 사이에서 설정될 수 있다.
상기 누적절대속도는, 상기 입력되는 지반가속도(|a|)를 단위시간별로 적분한 후, 상기 적분결과를 지진지속시간(N) 동안 적산하여 구할 수 있다. 즉, 단위시간동안 기 설정된 횟수(ns)만큼 샘플링된 지반가속도값 중에서, 연속하는 두개의 샘플링값과 샘플링 시간간격을 이용하여 상기 연속하는 두개의 샘플링값 사이의 면적을 계산하고, 이를 단위시간동안 적산함으로써 상기 적분결과를 구할 수 있다. 여기서, 상기 단위시간 내의 지반가속도(|a|)의 최대값이 기준지반가속도 ath보다 작은 경우에는 상기 적분결과를 상기 적산에서 제외하여, 상기 지진신호에 포함될 수 있는 잡음을 제거할 수 있다.
구체적으로, 상기 누적절대속도는
Figure 112013087786497-pat00010
을 이용하여 구할 수 있으며, 여기서, CAV는 누적절대속도,
Figure 112013087786497-pat00011
Figure 112013087786497-pat00012
,
Figure 112013087786497-pat00013
, t는 시간, ath는 기준지반가속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다.
상기 누적절대변위는, 상기 입력되는 지반속도(|v|)를 단위시간별로 적분한 후, 상기 적분결과를 지진지속시간(N) 동안 적산하여 구할 수 있다. 즉, 단위시간동안 기 설정된 횟수(ns)만큼 샘플링된 지반속도값 중에서, 연속하는 두개의 샘플링값과 샘플링 시간간격을 이용하여 상기 연속하는 두개의 샘플링값 사이의 면적을 계산하고, 이를 단위시간동안 적산함으로써 상기 적분결과를 구할 수 있다. 여기서, 상기 단위시간 내의 지반속도(|v|)의 최대값이 기준지반속도 vth보다 작은 경우에는 상기 적분결과를 상기 적산에서 제외하여, 상기 지진신호에 포함될 수 있는 잡음을 제거할 수 있다.
구체적으로, 상기 누적절대변위는
Figure 112013087786497-pat00014
을 이용하여 구할 수 있으며, 여기서, CAD는 누적절대변위,
Figure 112013087786497-pat00015
Figure 112013087786497-pat00016
,
Figure 112013087786497-pat00017
, t는 시간, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다.
이외에도, 상기 특성파라미터에는 상기 지진계(10)가 지진파를 관측하는 관측장소에 따른 고유의 값인 Vs를 더 포함할 수 있다. 상기 Vs는 지표로부터 기 설정된 깊이까지의 평균전단파속도를 나타내는 것으로서, 특히 지표로부터 지하 30m까지의 평균전단파속도인 Vs30을 활용할 수 있다. 다만, 본 발명의 내용은 이에 한정되는 것은 아니며, 지하 100m 또는 지하 10m까지의 평균전단파속도를 이용하는 것도 가능하다. 나아가, 상기 지표로부터 지하 30m까지의 평균전단파속도에 관한 정보가 없을 경우에는, 상기 지진계(10)가 구비된 지반이 연약지반인지 혹은 암반지반인지에 따라 개략적인 Vs30값을 설정하는 것도 가능하다. 예를들어, 연약지반의 경우에는 Vs30을 300m/sec로 설정할 수 있으며, 암반지반인 경우에는 Vs30을 800m/sec로 설정할 수 있다.
추가적으로, 상기 분석부(20)는 상기 누적절대속도 및 누적절대변위 대신에, BSPGA(BSPGA: Bracketed Summation of Peak Gound Acceleration per second) 및 BSPGV(BSPGV: Bracketed Summation of Peak Gound velocity per second)를 상기 특성파라미터로 계산하여 활용할 수 있다. 즉, 누적절대속도나 누적절대변위와 같이, 면적을 적분하는 것이 아니라, 각각의 단위시간에서의 최대값을 적산하는 방식으로, 상기 BSPGA, BSPGV를 계산할 수 있다.
상기 누적절대속도나 누적절대변위의 경우에는 초당 100 샘플링 이상의 지반가속도값, 지반속도값을 필요로 하지만, 상기 BSPGA, BSPGV를 이용하는 경우에는 매초 하나의 정보만을 이용하므로, 필요한 계산량을 현저하게 감소시킬 수 있다. 다만, 정확도의 면에서는 누적절대속도 및 누적절대변위를 활용하는 경우에 비하여 다소 낮아질 수 있다.
구체적으로,
Figure 112013087786497-pat00018
을 이용하여 상기 BSPGA를 구할 수 있으며, 상기 pis는 앞서 설명한 바와 동일하므로, 각 단위시간 내의 최대 지반가속도값 중에서 기준지반가속도(ath)보다 큰 지반가속도만이 적산될 수 있다. 따라서, 상기 기준지반가속도(ath)보다 작은 지반가속도값은 상기 적산에서 제외할 수 있으며, 이로인해 상기 적산에서 잡음신호를 배제할 수 있다. 여기서, 상기 pis대신에 p?s를 입력하고, ais(t) 대신에 vis(t)를 입력하면 상기 BSPGV도 동일한 방식으로 구할 수 있다.
상기 분석부(20)는 상기 계산된 특성파라미터를 인공신경망 함수에 입력하여 지진규모를 계산할 수 있으며, 상기 인공신경망 함수는 특히, TLFF(Two Layer Feed-Forward) 함수일 수 있다.
구체적으로, 도3에 도시된 바와 같이, 상기 분석부(20)는 인공신경망을 형성할 수 있다. 먼저, 상기 인공신경망에는 (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 포함할 수 있다. 또한, 상기 인공신경망에는, 상기 입력노드와 연계되는 각각의 중간노드에 대하여 설정되는 (P+1)*(Q+1)개의 제1 가중치 및 상기 중간노드와 연계되는 출력노드에 설정되는 (Q+1)개의 제2 가중치가 포함될 수 있다. 여기서, 상기 입력노드 각각에 상기 특성파라미터를 대응하여 입력하면, 상기 입력노드와 중간노드, 중간노드와 출력노드 사이의 관계에 의하여 상기 출력노드에 지진규모가 출력될 수 있다.
상기 인공신경망 함수는
Figure 112013087786497-pat00019
와 같이 수식으로 나타낼 수 있다. 여기서, y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1일 수 있다. 상기 g(x)는 상기 인공신경망 함수에 비선형 특성을 부여하기 위한 것으로서, 상기 수식에 나타난 바와 같이 logsig 함수를 활용할 수 있으며, 상기 logsig 함수 이외에 tansig함수를 이용하는 것도 가능하다.
상기 인공신경망 함수를 이용하여 정확한 지진규모를 도출하기 위해서는, 상기 제1 가중치 및 제2 가중치의 설정이 중요하다. 상기 가중치는, 과거에 관측된 지진의 지진신호와 지진규모 등이 포함된 지진관측자료를 이용하여 상기 인공신경망 함수를 학습(training)시키는 방식으로 설정할 수 있다. 즉, 상기 지진관측자료에 나타난 특성파라미터를 입력하였을 때 상기 지진관측자료에 나타난 지진규모가 도출되도록 상기 제1 가중치 및 제2 가중치를 조절하는 방식으로 상기 제1 가중치 및 제2 가중치를 설정할 수 있다.
예를들어, 상기 특성파라미터로,
Figure 112013087786497-pat00020
를 상기 입력노드에 각각 입력하면, 상기 각각의 특성파라미터에 대하여 상기 제1 가중치 및 제2 가중치가 적용되어, y값인 지진규모가 도출될 수 있다. 여기서, lnPGA, lnCAV, lnPGV, lnCAD, lnVs는 각각 PGA, CAV, PGV, CAD에 대한 자연로그값이다.
추가적으로, 도4에 도시한 바와 같이, 상기 분석부(20)는 두개의 인공신경망 함수(TLFF1, TLFF2)를 이용하여 지진규모를 도출하는 것도 가능하다. 즉, 서로 다른 복수개의 기준지반가속도(ath) 및 기준지반속도(vth)설정한 후, 상기 각각의 기준지반가속도 및 기준지반속도에 의한 PGA, CAV, PGV, CAD 등을 인공신경망 함수(TLFF1)에 입력하여, 각각의 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모를 도출할 수 있다.
이후, 상기 복수개의 지진규모를 하나의 후보군으로 설정한 후, 상기 후보군을 제2 인공신경망 함수(TLFF2)에 입력하여, 상기 후보군에 있는 지진규모 중에서 최적의 지진규모를 도출하도록 할 수 있다.
상기 기준지반가속도 및 기준지반속도에 따라 상기 계산되는 지진규모는 달라질 수 있으며, 상기 기준지반가속도 및 기준지반속도의 설정에 따라 지진파의 포락형상을 지진규모 추정에 간접적으로 반영하며, 상기 지진신호에 포함된 잡음의 제거정도를 달리 할 수 있다. 따라서, 상기 기준지반가속도 및 기준지반속도를 변화하면서 복수개의 후보군을 생성한 후, 상기 후보군 중에서 최적의 지진규모를 도출하도록 함으로써, 보다 정확하게 지진규모를 계산할 수 있다.
또한, 주변 잡음 신호에 강인한 특성을 가지는 지반속도는, MMI(Modified Mercalli Intensity) 등급에 의하여 정량화되는 지진진도(Sesimic Intensity)와 연계될 수 있으므로, 상기 지진진도와 관련하여 상기 기준지반속도를 설정할 수 있다. 예를들어, 사람이 인지할 수 있는 유감진도에 해당하는 지반속도를 알 수 있으며, 상기 유감진도에 해당하는 지반속도를 상기 기준지반속도로 설정하면, 상기 유감진도 이상인 경우에만 상기 지진규모를 도출하도록 할 수 있다.
추가적으로, 상기 분석부(20)는, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우가 발생하면, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정할 수 있다. 즉, 상기 누적절대속도가 0인 경우에는 lnCAV의 값을 계산하는 것이 불가능하므로 상기 지진규모를 계산할 수 없게 된다. 그러므로, 나머지 상기 누적절대속도가 0이 아닌 경우에 측정된 지진규모에 대한 평균을 구하여 상기 누적절대속도가 0인 경우의 지진규모로 선택하도록 할 수 있다.
또한, 상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우에는 상기 지진규모 계산을 종료할 수 있다. 상기 누적절대변위가 0인 경우는 기준지반속도를 초과하는 지반속도가 계측되지 않은 경우에 해당하므로, 이 경우 의미있는 지반진동이 없었던 것으로 볼 수 있다. 따라서, 상기 누적절대변위가 0인 경우에는 상기 지진규모계산을 중단하도록 할 수 있다.
도5는 본 발명의 일 실시예에 의한 지진측정방법을 나타내는 순서도이다.
도5를 참조하면, 본 발명의 일 실시예에 의한 지진측정방법은 지진파감지단계(S10), 특성파라미터 계산단계(S20) 및 지진규모도출단계(S30)를 포함할 수 있다.
이하, 도5를 참조하여 본 발명의 일 실시예에 의한 지진측정방법을 설명한다.
지진파감지단계(S10)는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성할 수 있다. 상기 지진파감지단계(S10)는 지진계를 이용하여 상기 지진파를 감지할 수 있으며, 상기 지진파로부터 지반가속도, 지반속도 등을 측정할 수 있다. 구체적으로, 상기 지반가속도 및 지반속도는 단위시간당 기 설정된 횟수로 샘플링될 수 있다. 상기 지반속도는 상기 지반가속도를 적분하는 방식으로 계산할 수도 있다.
특성파라미터 계산단계(S20)는, 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산할 수 있다. 상기 특성파라미터에는 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement) 등을 포함할 수 있다.
여기서, 도2에 도시된 바와 같이, 상기 최대지반가속도(PGA)는 지진지속시간(N) 동안 측정되는 지반가속도 중에서 최대값에 해당하고, 상기 최대지반속도(PGV)는 지진지속시간(N)동안 측정되는 지반속도 중에서 최대값에 해당한다.
또한, 상기 누적절대속도 및 누적절대변위는,
Figure 112013087786497-pat00021
Figure 112013087786497-pat00022
를 이용하여 각각 계산할 수 있다. 여기서, CAV는 누적절대속도, CAD는 누적절대변위,
Figure 112013087786497-pat00023
Figure 112013087786497-pat00024
,
Figure 112013087786497-pat00025
,
Figure 112013087786497-pat00026
, t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다.
이외에도, 지진파를 관측하는 관측장소에 따른 고유의 값인 Vs를 상기 특성 파라미터로 더 포함할 수 있으며, 상기 누적절대속도 및 누적절대변위 대신에, BSPGA(BSPGA: Bracketed Summation of Peak Gound Acceleration per second) 및 BSPGV(BSPGV: Bracketed Summation of Peak Gound velocity per second)를 상기 특성파라미터로 계산하여 활용하는 것도 가능하다. 상기 Vs, BSPGA 및 BSPGV는 앞서 설명하였으므로, 여기서는 자세한 설명을 생략한다.
지진규모도출단계(S30)는, 상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출할 수 있다. 여기서, 상기 인공신경망 함수는 TLFF(Two Layer Feed-Forward) 함수일 수 있다.
구체적으로, 도3에 도시된 바와 같이, (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하여 인공신경망을 형성할 수 있으며, 상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정할 수 있다. 이후, 상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시킬 수 있다.
상기 인공신경망 함수는,
Figure 112013087786497-pat00027
와 같이 나타낼 수 있으며, y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1일 수 있다. 따라서, 상기 입력노드에 상기 특성파라미터를 입력하면, 상기 인공신경망 함수에 의하여 지진규모가 계산되어 도출될 수 있다. 예를들어,
Figure 112013087786497-pat00028
를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출할 수 있다.
여기서, 상기 인공신경망 함수를 통하여 정확한 지진규모를 계산하기 위해서는, 상기 제1 가중치 및 제2 가중치의 설정이 중요하다. 따라서, 상기 제1 가중치 및 제2 가중치 설정을 위한 인공신경망 학습단계(미도시)를 더 포함할 수 있다. 상기 인공신경망 학습단계는 상기 지진파감지 이전에 수행될 수 있다.
구체적으로, 인공신경망 학습단계는, 기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습할 수 있으며, 상기 학습을 통하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 제1 가중치 및 제2 가중치를 설정할 수 있다. 상기 지진관측자료는 과거에 관측된 지진의 지진신호와 상기 지진의 지진규모에 관한 정보를 포함하는 것일 수 있다.
추가적으로, 상기 지진규모도출단계(S30)는, 제1 과정을 통하여 서로 다른 복수개의 기준지반가속도 및 기준지반속도에 대응하는 복수개의 지진규모를 계산할 수 있으며, 이후 제2 과정을 통하여 상기 복수개의 지진규모 중에서 최적의 지진규모를 선택할 수 있다.
구체적으로, 상기 제1 과정은 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력할 수 있다. 상술한 특성파라미터의 식에 제시된 바와 같이, 상기 기준지반속도 및 기준지반가속도가 달라지면 상기 특성파라미터의 값이 달라질 수 있다. 따라서, 상기 기준지반가속도 및 기준지반속도의 설정을 달리하면, 복수개의 서로 다른 지진규모를 계산할 수 있으며, 상기 복수개의 지진규모를 이용하여 후보군을 형성할 수 있다.
여기서, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우가 발생할 수 있다. 이 경우 상기 누적절대속도에 대한 로그값을 구하는 것이 불가능하므로, 상기 지진규모를 계산할 수 없다. 다만, 이후 제2 과정을 통하여 최적의 지진규모값을 도출하기 위해서는 지진규모를 설정할 필요가 있으므로, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 할 수 있다.
또한, 상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우가 발생할 수 있으며, 이 경우에는 상기 지진규모 계산을 종료할 수 있다. 특히, 상기 누적절대변위의 값이 0인 경우에는 기준지반속도를 초과하는 지반속도가 계측되지 않은 경우에 해당하므로, 이 경우 의미있는 지반진동이 없었던 것으로 볼 수 있다. 따라서, 상기 누적절대변위가 0인 경우에는 상기 지진규모계산을 중단할 수 있다.
제2 과정은, 상기 후보군을 제2 인공신경망 함수에 입력할 수 있으며, 상기 후보군에 포함된 지진규모 중에서 최적의 지진규모값을 도출할 수 있다. 여기서, 상기 제2 인공신경망 함수는 상기 서로 다른 기준지반가속도 및 기준지반속도에 따라 계산된 지진규모 중에서 최적의 지진규모값을 도출하도록 설정된 것일 수 있다. 즉, 상기 제2 인공신경망 함수는, 기 측정된 지진관측자료를 이용하여 계산한 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습된 것일 수 있다.
도6 내지 도8은, 지반속도를 이용한 지진규모 추정에 의한 개선효과를 검토하기 위하여, 국내외 지진가속도자료(국내 606개, 유럽강진DB 365개, 미국 NGA 2,883개)에 상기 본 발명의 일 실시예에 의한 지진측정방법을 적용한 비교표 및 그래프이다. 상기 지진가속도자료의 초당 샘플링수는 100이상이며, 속도자료로의 변환을 위하여 4차 버트워스(buttworth) 저주파차단(차단주파수 = 0.075Hz) 필터를 적용하고 시간영역에서 적분하였다. 도6의 PGA, PGV, BSPGA, BSPGV는 2개의 수평성분 시간이력에 대해 계산된 값의 기하평균을 사용하였다. 분석은 5가지 경우(① ~ ⑤)에 대하여 수행하였으며, 지반속도 추가에 따른 오차저감효과 및 다수의 기준지반가속도 및 기준지반속도(ath, vth)에 대한 지진규모의 최적조합방법 적용에 따른 오차저감 효과를 살펴볼 수 있다.
구체적으로 ①과 ②, ③과 ④의 경우를 비교하면 지반속도 추가에 따른 오차 저감효과를 확인할 수 있으며, 도6 및 도7에 도시된 바와 같이 20%의 오차저감효과를 얻을 수 있다. 또한, ⑤dhk ③, ⑤와 ④를 비교하면 다수의 기준지반가속도 및 기준지반속도(ath, vth) 적용에 따른 오차저감 효과를 확인할 수 있으며, 도6 및 도8에 도시된 바와 같이 20%의 추가적인 오차저감효과를 얻을 수 있음을 확인할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
10: 지진계 20: 분석부
S10: 지진파감지단계 S20: 특성파라미터 계산단계
S30: 지진규모도출단계

Claims (16)

  1. 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진파 감지단계;
    상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하는 특성파라미터 계산단계; 및
    상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출하는 지진규모도출단계를 포함하고,
    상기 지진규모도출단계는 상기 인공신경망 함수로 TLFF(Two Layer Feed-Forward) 함수를 이용하며,
    상기 지진규모도출단계는, (P+1)개의 입력노드를 포함하는 , (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하고,
    상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정하며,
    상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시켜, 인공신경망을 형성하고,
    상기 지진규모도출단계는
    Figure 112019103396589-pat00045

    y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1인 인공신경망함수를 이용하여, 상기 지진규모를 도출하며,
    상기 지진규모도출단계는,
    서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출하는 제1 과정; 및
    상기 후보군을 제2 인공신경망 함수에 입력하여, 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 제2 과정을 포함하는 지진측정방법.
  2. 제1항에 있어서, 상기 특성파라미터 계산단계는
    상기 특성파라미터로 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함하는 지진측정방법.
  3. 제2항에 있어서, 상기 특성파라미터 계산단계는
    지진지속시간 동안 측정되는 지반가속도 및 지반속도 중에서, 각각의 최대값을 계산하여 상기 최대지반가속도 및 최대지반속도로 설정하는 지진측정방법.
  4. 제3항에 있어서, 상기 특성파라미터 계산단계는
    Figure 112019103396589-pat00029

    Figure 112019103396589-pat00030

    여기서, CAV는 누적절대속도, CAD는 누적절대변위,
    Figure 112019103396589-pat00031
    ,
    Figure 112019103396589-pat00033
    ,
    Figure 112019103396589-pat00034
    , t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수를 이용하여, 상기 누적절대속도 및 누적절대변위를 계산하는 지진측정방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 상기 제1 가중치 및 제2 가중치를 설정하는 인공신경망 학습단계를 더 포함하는 지진측정방법.
  9. 제1항에 있어서, 상기 지진규모도출단계는
    Figure 112019103396589-pat00036
    를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출하며, 상기 Vs은 지표로부터 기 설정된 깊이까지의 평균전단파속도인 지진측정방법.
  10. 삭제
  11. 제1항에 있어서, 상기 제1 과정은
    상기 기준지반가속도의 값에 따라 누적절대속도의 값이 0으로 계산되는 경우에는, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정하는 지진측정방법.
  12. 제1항에 있어서,
    상기 기준지반속도의 값에 따라 누적절대변위의 값이 0으로 계산되는 경우에는, 상기 지진규모의 계산을 종료하며 상기 제1과정을 종료하는 지진측정방법.
  13. 제1항에 있어서, 상기 제2 인공신경망 함수는
    기 측정된 지진관측자료를 이용하여 생성한 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습된 지진측정방법.
  14. 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진계; 및
    상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출하는 분석부를 포함하고,
    상기 분석부는
    서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출한 후, 상기 후보군을 제2 인공신경망 함수에 입력하여 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 지진측정장치.
  15. 제14항에 있어서, 상기 분석부는
    적어도 최대지반속도 및 누적절대변위를 상기 특성파라미터로 포함하는 지진측정장치.
  16. 삭제
KR1020130115172A 2013-09-27 2013-09-27 지진측정장치 및 지진측정방법 Active KR102044041B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130115172A KR102044041B1 (ko) 2013-09-27 2013-09-27 지진측정장치 및 지진측정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130115172A KR102044041B1 (ko) 2013-09-27 2013-09-27 지진측정장치 및 지진측정방법

Publications (2)

Publication Number Publication Date
KR20150035633A KR20150035633A (ko) 2015-04-07
KR102044041B1 true KR102044041B1 (ko) 2019-12-03

Family

ID=53032795

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130115172A Active KR102044041B1 (ko) 2013-09-27 2013-09-27 지진측정장치 및 지진측정방법

Country Status (1)

Country Link
KR (1) KR102044041B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210142858A (ko) 2020-05-19 2021-11-26 중앙대학교 산학협력단 스마트 ＩｏＴ 지진 센서유닛 및 이용한 통보방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101815356B1 (ko) 2015-12-24 2018-01-04 한국전력공사 지온경사 추정 방법 및 지온경사 추정 장치
KR101886805B1 (ko) 2016-11-28 2018-08-08 한전케이디엔 주식회사 지진정보를 제공하는 원격 검침 시스템
KR101946855B1 (ko) 2018-09-07 2019-02-15 대한민국 지진동 감지 센서 및 이를 이용한 지진 대응 시스템
KR102095751B1 (ko) 2019-05-23 2020-04-01 세종대학교산학협력단 구조물 손상 감지 시스템 및 방법
CN110631792B (zh) * 2019-10-11 2021-01-05 东南大学 基于卷积神经网络的抗震混合试验模型更新方法
KR102098075B1 (ko) * 2019-10-30 2020-04-07 케이아이티밸리(주) 지진조기경보 시스템을 위한 기계학습 기반의 실시간 오탐지 차단 방법
CN111239802B (zh) * 2020-01-19 2021-05-28 中国海洋大学 基于地震反射波形和速度谱的深度学习速度建模方法
CN111458748B (zh) * 2020-03-30 2021-03-05 青岛理工大学 基于三层数据集神经网络的性能地震动危险性分析方法
KR102238678B1 (ko) * 2020-09-04 2021-04-12 주식회사 비앤비네트웍스 지진 감지 장치를 통합한 빌딩 자동 제어용 인공지능형 원격 제어반 및 상기 원격 제어반에 의한 빌딩 자동 제어 방법
CN112882087B (zh) * 2020-11-03 2024-02-20 武汉地震科学仪器研究院有限公司 核电厂地震停堆保护系统、方法及核电厂停堆控制系统
KR102260783B1 (ko) * 2020-11-25 2021-06-07 주식회사 아이자랩 경사지 붕괴위험 예측용 계측기 및 이를 구비하는 경사지 붕괴위험 예측 시스템
KR102260788B1 (ko) * 2020-11-25 2021-06-07 주식회사 아이자랩 경사지 붕괴위험 예측 방법
CN114779331B (zh) * 2022-04-26 2025-02-14 中国矿业大学 一种基于累积微震响应的矿震风险区域预测方法
CN116643310B (zh) * 2023-07-20 2023-11-10 东北石油大学三亚海洋油气研究院 地震拓频方法、装置、电子设备及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1164533A (ja) * 1997-08-21 1999-03-05 Kajima Corp ニューラルネットワークによる自己学習機能を持った地震早期検知システム
JP2003255052A (ja) * 2002-03-05 2003-09-10 Tokyo Gas Co Ltd 計測震度推定装置
JP5193714B2 (ja) * 2008-07-18 2013-05-08 Ｊｘ日鉱日石エネルギー株式会社 配管亀裂診断装置及び配管の亀裂診断方法
KR101185465B1 (ko) 2010-09-30 2012-10-02 한국전력공사 지진의 누적절대속도 추정 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
연관희. 신속 지진피?통보를 위한 지반가속도의 초당 최대값 구간적산 방법의 활용에 관한 연구. 한국지진공학회 논문집. 제16권 제1호, 2012년 2월. 37-45쪽 1부.*
일본 공개특허공보 특개2003-255052호(2003. 9. 10.) 1부.*
일본 공개특허공보 특개2010-25715호(2010. 2. 4.) 1부.*
일본 공개특허공보 특개평11-64533호(1999. 3. 5.) 1부.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210142858A (ko) 2020-05-19 2021-11-26 중앙대학교 산학협력단 스마트 ＩｏＴ 지진 센서유닛 및 이용한 통보방법

Also Published As

Publication number Publication date
KR20150035633A (ko) 2015-04-07

Similar Documents

Publication Publication Date Title
KR102044041B1 (ko) 지진측정장치 및 지진측정방법
KR102027252B1 (ko) 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템
JP6763394B2 (ja) 土質判定装置、土質判定方法及びプログラムを記憶する記録媒体
Hadjileontiadis et al. Crack detection in beams using kurtosis
Leonard et al. Free-vibration behaviour of a cracked cantilever beam and crack detection
TW201233986A (en) Method for analyzing structure safety
RU2447280C1 (ru) Способ определения уровня жидкости в нефтяной скважине
JP6429042B2 (ja) 地盤特性を自動校正する現地型地震早期警報システム及び関連方法
CN114222934A (zh) 地震观测设备、地震观测方法以及记录介质
Lee et al. Analysis of nonlinear site response using the LSST downhole accelerometer array data
JP5507903B2 (ja) 震度推定方法及び装置
CN106568499A (zh) 随机振动信号的评估方法
JP2014169960A (ja) 地震の主要動到達時刻の予測方法
Smail et al. ARMA models for modal analysis: effect of model orders and sampling frequency
Damadipour et al. Seismic modal identification using a new approach based on weighted transmissibility
KR102388378B1 (ko) 딥러닝 기반의 지반응답해석 장치 및 방법
CN103376465B (zh) 建筑物楼层的地震即时分析系统及其方法
KR101386255B1 (ko) 지진측정장치 및 지진측정방법
CN103530275A (zh) 基于振动传递率函数主成分置信度的结构损伤预警方法
JP2024057455A (ja) 震源距離推定装置、震源距離推定プログラム及び震源距離推定方法
Bushuev et al. Detecting changes in the condition of a pressure transucer by analysing its output signal
KR20050055250A (ko) 에너지소산률을 이용한 구조물의 건전도 모니터링 시스템
JP2021071332A (ja) 地震動の到達判定方法、地震動の到達判定システム
EP1769267B1 (en) Movement detection system and method
JP4195171B2 (ja) 地盤構造推定方法

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20130927

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20180821

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20130927

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20190809

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20191024

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20191106

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20191106

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20221101

Start annual number: 4

End annual number: 4

PR1001 Payment of annual fee

Payment date: 20241106

Start annual number: 6

End annual number: 6