한국지반공학회논문집 제36권 10호 2020년 10월 pp. 41 ～ 56 JOURNAL OF THE KOREAN GEOTECHNICAL SOCIETY
Vol.36, No.10, October 2020 pp. 41 ～ 56
ISSN 1229-2427 (Print) ISSN 2288-646X (Online) https://doi.org/10.7843/kgs.2020.36.10.41
성토 구간 지반 응답을 고려한 열차 내 지진 감지 기술 개발 연구
A Study on a Seismic Detection Technology for High-speed Railway Considering Site Response Characteristics
유 민 택1 Yoo, Mintaek 문 재 상2 Moon, Jae Sang 박 병 선3 Park, Byoungsun 유 병 수4 Yoo, Byoung Soo
Abstract
For the rapid and accurate warning, the system requires not only the sufficient number of seismometers but also the appropriate detection technique of sensor data. Instead of installing new seismometers, on-board accelerometers of the train could be utilized as alternatives. However, the data from on-board accelerometers includes train vibrations and the response of embankment site by earthquake, which are different from earthquakes measured from the seismometer.
This study suggests signal analysis technique to detect earthquake from the on-board accelerometer data. The virtual on-board accelerometer data including the response of embankment site, obtained from site response analysis method, has been constructed. The constructed data has been analyzed using short time Fourier transform (STFT) and wavelet transform (WT). STFT method provides better performance to detect long-period earthquake whereas WT method is more available to detect short-period earthquake.
요 지
지진 경보 시스템이 빠르고 정확하게 가동하기 위해서는 충분한 수량의 계측 시스템 확보와 더불어서 적절한 계측 데이터 해석기술 개발이 요구된다. 신규 지진계를 설치시 많은 비용이 소모되기 때문에, 열차 내 가속도계 등을 대체재 로 지진 경보 시스템에 활용하는 것이 효율적이다. 그러나 열차에 설치된 가속도계의 경우, 지진계와는 달리 열차 주행시 진동 데이터가 포함되어 있다. 또한, 지진 발생시 성토구간에 의해서 변화된 지진응답을 계측하게 된다. 본 연구에서는 위의 특성들이 포함된 열차 가속도계 데이터에 기반한 지진감지 기술을 제안하고자 한다. 우선, 성토구간 의 지진응답 해석기법을 활용하여 열차가 성토구간을 지날 때 지진이 발생하는 것을 구현한 가상의 열차 가속도 데이터를 구축하였다. 구축한 가속도 데이터를 Short time Fourier Transform(STFT)와 Wavelet Transform(WT)을 활용 하여 시간-주파수 분석을 수행하였다. 분석 결과, STFT가 장주기 지진 감지에 적합한 반면, WT의 경우 단주기 지진 감지에 유용함을 확인하였다.
Keywords : Earthquake detection, High-speed railway, Short time fourier transform, Site response analysis, Wavelet transform
1정회원, 한국철도기술연구원 철도구조연구팀 선임연구원 (Member, Senior Researcher, Railroad Structure Research Team, Korea Railroad Research Institute) 2비회원, (주)유신 구조부 대리 (Engineer, Structural Dept., Yooshin Engrg. Corporation)
3비회원, (재)한국건설생활환경시험연구원 건설기술연구센터 책임연구원 (Senior Researcher, Construction Technology Research Center, Korea Conformity Laboratories, Tel: +82-2-2102-2758 ,Fax: +82-2-856-4785, [email protected], Corresponding author, 교신저자)
4정회원, 서울대학교 박사과정 (Member, Ph.D Candidate, Dept. of Civil and Environmental Engrg., Seoul National Univ.)
*본 논문에 대한 토의를 원하는 회원은 2021년 4월 30일까지 그 내용을 학회로 보내주시기 바랍니다. 저자의 검토 내용과 함께 논문집에 게재하여 드립니다.
Copyright © 2020 by the Korean Geotechnical Society
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
1. 서 론
우리나라는 과거 지진의 안전지대로 알려져 왔지만, 2016년 경주지진(경주 9.12지진)(Korea Meteorological Administration, 2016), 2017년 포항지진(Korea Meteoro- logical Administration, 2017)이 발생함에 따라 지진에 대한 경각심이 높아지고 있다. 지진은 구조물의 손상 및 붕괴로 인해 사회적 비용을 초래할 뿐 아니라, 교량, 터 널과 같은 사회기반시설물의 경우 이동 중인 차량의 전 복 등으로 인한 2차 피해가 발생한다. 따라서 구조물의 내진 성능 확보와 더불어 지진 발생 시 위험을 조기에 알릴 수 있는 경보 시스템을 구축하는 것은 매우 중요하 다. 특히, 대규모 사회기반시설물인 철도 시설물은 지진 에 의한 철도 교량의 붕괴, 노반침하, 산사태 등에 의해 철도에 손상이 발생하는 경우 운행 중인 열차의 탈선과 충돌이 발생할 수 있다. 열차가 탈선하는 경우 대규모 인명 및 재산 피해를 초래할 수 있어 지진 발생 시 신속 하게 열차를 서행 또는 정지시킬 수 있는 지진 감지 및 경보시스템이 필요하다.
현재 국내에서 운영 중인 KTX의 지진 경보 시스템은 철도 시설물에 설치한 지진 가속도 센서를 통해 지진을 감지하고, 유선으로 기관사에게 통보하여 열차의 서행 및 정지를 결정하는 방식이다(Sheen et al., 2017). 이러 한 지진 경보 시스템은 지진 발생 이후 열차의 정지까지 상당한 시간이 소요되며, 지진 가속도 센서가 설치되지 않는 지역에 열차가 통과하는 경우 지진 발생 여부를 파악하기 어렵다는 문제가 있다. 또한, 철도 시설물의 전체 구간에 지진 가속도 센서를 설치하고 유지 관리하 는 것은 높은 비용과 인력 문제로 인해 새로운 지진 경 보 시스템의 개발이 요구된다.
이에 따라 스마트 기기와 인터넷을 이용한 지진 경보 네 트워크 기술이 개발되고 있다. 미국의 Southern California Earthquake Center와 Incorporated Research Institutions for Seismology는 데스크탑, 노트북, USB에 설치된 Micro- Electro-Mechanical Systems의 센서를 이용하여 전 세계 지진을 관측할 수 있는 Quake Catcher Network(QCN:
http://quakecatcher.net)를 구축하였다(Neighbors et al., 2017). 미국 caltech에서는 USB Seismometer를 이용한 지 진 관측 네트웨크인 Community Seismic Network(CSN:
http://csn.caltech.edu)를 구축 및 운영하고 있다(Clayton et al., 2015). 최근에는 스마트폰의 센서를 활용한 지진 관측 네트워크 애플리케이션인 MyShake(http://myshake.
berkeley.edu)가 개발되어 20만명 이상의 이용자가 사 용하고 있다. MyShake는 미국의 지진 경보 시스템인 ShakeAlert(https://www.shakealert.org) 보다 신속하고 정 확한 지진 감지 및 경보가 가능한 것으로 평가된다(Kong et al., 2016). 일본은 1992년부터 신칸센 운영을 위한 지 진조기경보 시스템으로 Urgent Earthquake Detection and Alarm System을 운영하고 있는데, 철도 인근에 설 치된 지진관측소에서 철도 방향으로 진행하는 P-wave 를 감지하고 경보를 내리는 시스템이다. JR EEW system East Japan Railway Company에서 운영하는 지진조기경 보 시스템인 JR EEW system은 해안가 및 철도를 따라 설치된 지진 관측소를 활용하여 지진을 감지하고 경보 를 내린다.
최근 철도 시설물에 설치하는 지진 가속도 센서를 대 체하기 위한 목적으로 열차 내에서 지진을 계측할 수 있는 열차 탑재 용 가속도 센서를 이용한 지진 경보 시 스템을 개발하기 위한 연구가 수행되고 있다. 해당 연구 는 저비용 센서를 활용하여 On-board 형태의 가속도센 서를 열차내에 직접 설치하고 지진을 감지하는 즉시 즉 각적인 열차의 정지 및 서행 여부를 알려주어 열차의 탈선을 방지하는데 그 목적이 있다. On-board 형태의 가 속도 센서는 열차마다 설치될 수 있어야 하며 이에 일반 적인 지진계에 비해 저비용으로 제작되는 특징이 있다.
이에, JR EEW 시스템과 같이 작은 규모의 수직 진동인 p-wave를 계측하는 것에는 무리가 있어 열차의 수평진 동을 감지하고 즉각적으로 대응할 수 있는 신호 처리 기법 연구가 필수적이다. 특히, On-board용 가속도 센서 는 지진에 의한 진동 외에도 열차 자체의 진동하중을 계측하기 때문에 지진에 의한 진동과 구분해내는 기술 이 필요하다. Moon 등은 열차 운영 시 On-board용 가속 도 센서를 통해 측정된 열차의 진동데이터와 지진의 진 동데이터를 분석하여 On-board용 가속도 센서의 지진 감지 여부를 조사하였으나(Moon et al., 2020), 노두암에 서의 지진 가속도 결과를 적용하여 지반 및 성토층에서 발생하는 지반응답을 고려하지 못하는 한계가 있다.
따라서 본 연구에서는 성토 구간에서 증폭된 지진파 와 열차 하중에 의한 진동을 구분하기 위한 연구를 수행 하였다. 열차 운행 중 발생할 수 있는 가상의 지진 가속 도 시간이력을 열차 내부에서 발생하는 진동가속도와 중첩하고 이를 구분해내기 위한 연구를 수행하였다. 열 차의 진동 가속도 시간 이력은 KTX의 On-board용 센서 에서 계측한 진동 계측 데이터를 이용하였으며, 지진 데
Fig. 1. Vibration data measured route (KTX Iksan – KTX Jeoungyeup)
Fig. 2. KTX train velocity and vibration acceleration
이터는 포항지진, 경주지진, Hachinohe 지진기록 가속 도 시간이력을 활용하였다. 지진 가속도의 크기는 재현 주기 1,000년과 2,400년 지진을 적용하였으며, 지반응답 해석을 통해 성토 구간에서 열차에 발생할 수 있는 지진 응답을 산출하였다. 중첨된 가속도 시간이력 결과를 Short Time Fourier Transform(STFT) 및 Wavelet Transform (WT) 방법을 통해 변환하여 열차 진동 계측 데이터와 비교하였으며, 이를 토대로 지진 가속도와 열차 진동가 속도를 구분해내는 연구를 수행하였다.
2. 열차 가속도 및 지진 가속도 데이터
2.1 열차 하중 데이터
열차 진동 가속도 계측은 KTX 익산역에서 KTX 정 읍역까지 구간에서 수행되었으며(Fig. 1), 사용된 계측 기는 라즈베리파이와 IMU 센서를 결합한 자체 개발 센 서를 활용하였다. 라즈베리 파이 센서와 IMU 센서의
sampling frequency는 장비의 최대 성능으로 계측할 수 있는 500Hz로 하였다. 실시간 신호처리 시간 등을 고려 한 지진 감지를 위한 최적 sampling frequency 결정은 추후 연구에서 진행할 예정이다. Fig. 2는 라즈베리 파 이 센서와 IMU 센서를 이용하여 측정한 KTX 열차의 진동에 의한 횡방향의 가속도 시간 이력이다.
2.2 지진 가속도 데이터
2.2.1 지진 가속도 선정
지진 데이터는 단주기 지진파인 2016년 경주지진과 장주기 지진파인 1968년 Hachinohe 지진기록 가속도 시 간 이력을 사용하였다. 경주지진은 진앙으로부터 22km 떨어진 덕정리(DKJ) 관측소에서 관측된 결과를 이용하 였으며, Hachinohe 지진기록은 1968년 Tokachi-oki 지 진의 hachinohe 관측소 자료를 이용하였다. Fig. 3은 경 주 지진 발생 시 계측된 가속도 시간이력을 재현주기에 맞춰 스케일링한 결과와 주파수별 스펙트럼 가속도 값
(a) Acceleration time history
(b) Power spectral density Fig. 3. Gyoung-ju earthquake
(a) Acceleration time history
(b) Power spectral density Fig. 4. Hachinohe earthquake
(a) KP 109.25k site (b) KP 110.0k site Fig. 5. Boring log of site response analysis
을 나타낸 그래프이다. 경주지진은 최대 가속도가 발생 한 이후 급격하게 가속도가 감소하였으며, 2Hz 이상의 영역에서 높은 에너지가 나타났다. Fig. 4는 Hachinohe 지진기록 발생 시 계측된 가속도 시간이력 및 스펙트럼 가속도 결과이다. Hachinohe 지진기록은 최대 가속도가 발생한 이후로 약 1m/sec2의 가속도가 100초 정도 지속 되었으며, 1Hz 이하의 영역에서 높은 에너지가 발생한 것을 확인할 수 있다.
2.2.2 지반응답 해석
본 연구에서는 오송역으로부터 각각 109.25km, 110km 떨어진 KP 109.25k 구간과 KP 110.0k 구간 에서의 성토 구간에 대해 지반응답해석을 수행하였다. 지반 응답 해석 을 위한 지반 정보는 시추주상도를 활용하였다(Figure 5). 시추주상도는 원지반에 대한 지반 조사 결과를 나타 낸다. 각 성토 구간의 성토지반은 다짐도 95% 이상인 단단한 쌓기 지반으로 높이는 각각 9.2m, 3.97m이다.
Proshake 2.0 프로그램을 사용하여 1차원 등가선형 지반응답해석을 수행하였으며, 시추주상도를 바탕으로
결정한 입력 물성치는 Table 1과 같다. 입력 지반 운동 은 재현주기에 따라 최대지반가속도를 0.154, 0.22g로 보정한 포항, 경주, Hachinohe 지진기록을 암반층 최상 단에 적용하였다. 해석에 필요한 지반 물성인 전단파 속 도와 습윤단위중량은 표준관입저항과의 상관식을 이용 하여 결정하였다. 전단파 속도는 국내 풍화토 지반에 대 해 Sun et al.(2013)에 의해 제안된 상관식을 이용하여 결정하였으며, 단위 중량은 Bowles(1977)이 제안한 사 질토의 상대 밀도에 따른 습윤단위중량의 평균값을 적용하였다. 등가선형 해석을 위한 지반 비선형 곡선은 Proshake 내장 모델인 모래 지반의 Seed and Idriss(1970) 모델과 암반의 Schnabel et al.(1972)의 모델을 적용하 였다. 해석 종료를 위한 수렴 기준은 최대 전단탄성계 수의 변동률이 1% 이내가 되도록 설정하였으며, 해석 결과 최종 반복 계산 횟수는 최소 5회, 최대 16회로 나 타났다.
Fig. 6은 지반 응답 해석 단면의 acceleration profile을 나타낸다. KP 109.25k 구간에서 지표면 지진 응답 가속 도는 Hachinohe 지진기록이 경주지진에 비해 크게 나타
Table 1. Input properties for site response analysis (a) KP 109.25k input properties
Layer number Thickness (m) Unit weight (kN/m3) Vs (m/s) G Max (MPa)
1 9.20 18.9 267.6 137.6
2 1.00 18.9196.2 74.0
3 1.00 18.9206.982.3
4 1.00 18.9230.2 101.8
5 1.00 18.9230.2 101.8
6 1.00 18.9238.5 109.3
7 1.00 17.3 163.947.2
8 1.00 18.9201.7 78.2
9 1.00 18.9211.986.3
10 1.00 18.9253.7 123.7
11 1.00 18.9267.6 137.6
12 1.00 19.7 283.3 160.8
13 1.00 19.7 289.2 167.6
14 1.00 19.7 292.1 170.9
15 1.00 19.7 280.3 157.4
16 1.00 19.7 303.2 184.1
17 1.00 19.7 303.2 184.1
18 1.00 19.7 311.0 193.8
191.00 19.7 318.6 203.3
20 0.00 21.0 760.0 1236.5
(b) KP 110.00k input properties
Layer number Thickness (m) Unit weight (kN/m3) Vs (m/s) G Max (MPa)
1 3.97 18.9 267.6 137.6
2 1.00 17.3 147.3 38.1
3 1.00 17.3 171.2 51.5
4 1.00 17.3 155.942.8
5 1.00 17.3 155.942.8
6 1.00 17.3 163.947.2
7 1.00 17.3 163.947.2
8 1.00 17.3 155.942.8
91.00 17.3 163.947.2
10 1.00 17.3 163.947.2
11 1.00 17.3 155.942.8
12 1.00 17.3 147.3 38.1
13 1.00 17.3 137.6 33.3
14 1.00 18.9184.4 65.3
15 1.00 18.9184.4 65.3
16 1.00 18.9184.4 65.3
17 1.00 18.9206.982.3
18 1.00 18.9216.7 90.3
191.00 18.9257.3 127.2
20 0.00 21.0 760.0 1236.5
났다. 이는 단주기 지진파인 경주지진의 경우 고주파수 영역이 지반응답 해석을 통해 에너지를 잃었기 때문으 로 판단된다. 경주 지진은 2,400년 재현주기 지진의 지 표면 가속도가 1,000년 재현주기 지진보다 크게 나타났
으나, Hachinohe 지진기록은 재현주기와 관계 없이 유 사한 값을 보였다. 경주지진은 성토 구간에서 표면 지진 파 대비 약 51%(1,000년), 48%(2,400년) 감폭되었으며, 이는 Hachinohe 지진기록의 8%(1,000년), 7%(2,400년)
(a) KP 109.25k site (b) KP 110.0k site Fig. 6. Acceleration profile of site response analysis
(a) Ground response analysis result (1,000 year) (b) Ground response analysis result (2,400 year) Fig. 7. KP 109.25k Embankment site Acceleration Time History
(a) Ground response analysis result (1,000 year) (b) Ground response analysis result (2,400 year) Fig. 8. KP 110.0k Embankment site Acceleration Time History
에 비해 높았다. KP 110.0k 구간에서 경주지진은 표면 지진파 대비 12%(1,000년), 10%(2,400년)가 감폭되었으 며, Hachinohe 지진기록은 재현주기에 관계없이 약 2%
가 감폭되었다.
Fig. 7과 Fig. 8은 각각 KP 109.25k 구간 성토단면과 KP
110.0k 구간 성토 단면의 지표 지진응답 가속도 시간이 력을 나타낸다. KP 109.25k 구간 성토단면의 경우 경주 지진에 의한 지반응답 해석 결과 최대 가속도가 0.102g (1,000년), 0.122g(2,400년)으로 나타났으며, Hachinohe 지진기록은 0.131g(1,000년), 0.134g(2,400년)으로 나타
Fig. 9. Short Time Fourier Transform (STFT) method
났다. Hachinohe 지진기록이 경주지진에 비해 최대 지진 가속도가 22%(1,000년), 9%(2,400년) 높았다. KP 110.0k 구간 성토단면의 경우 경주지진에 의한 지반응답 해석 결과 최대 가속도가 0.0727g(1,000년), 0.0862g(2,400년) 으로 나타났으며, Hachinohe 지진기록은 0.126g(1,000년), 0.135g(2,400년)으로 나타났다. KP 110.0k 구간 성토단 면의 경우 KP 109.25k에 비해 경주지진에 의한 지진 가 속도가 30% 정도 감소한 반면, Hachinohe 지진기록은 유사하였다. KP 110.0k 구간 성토단면에서 Hachinohe 지진기록은 경주지진에 비해 지진 가속도가 42%(1,000 년), 36%(2,400년) 높았다.
3. 데이터 분석
3.1 데이터 분석 기법
본 연구에서는 가속도 시간이력의 분석을 위해 Short Time Fourier Transform(STFT) 방법과 Wavelet Transform (WT) 방법을 사용하였다. STFT 방법은 시간이력 데이터 의 시간에 따른 특성의 변화를 나타내는 방법으로 다양한 분야에서 시간이력 데이터의 시간대별 특성 변화를 감지 하는 데 사용되었다(Griffin et al., 1984; Wongsaroj et al., 2019; Khan et al., 2019; Pan et al., 2019; Lei et al., 2019).
STFT는 주어진 시간이력 Data가 시간대에 따라서 특 성이 변화할 경우, 특성의 변화를 파악하기 위해서 사용 하는 Method이다. Duration인 시간이력의 일반적인 Power Spectral Density(PSD) function은 아래와 같다.
(1)
t는 시간으로 ≤ ≤ 이며 는 시간이력 A(t)의 Fourier transform이다. 위의 식은 A(t)가 주어진 시간대
≤ ≤ 에서 Stationary process 일 경우 유효하다. 만 약 시간이력 Data가 시간대에 따라서 특성이 변화할 경 우, 위의 식은 Data 전체의 주파수 영역 특성은 보여줄 수 있지만, 시간대에 따른 주파수영역 특성의 경향성은 표현하기 어렵다. 시간에 따라 특성이 변화하는 시간이 력 Data의 특성을 분석하기 위해서 본 연구에서는 STFT를 사용하였다. STFT는 아래 식 과 같이 정의된다.
≤ ≤
⋮ ≤ ≤
≤ ≤ ⋮
(2)
(3)
≤ ≤ (4)
식 (2)에서 STFT를 통해 얻은 는 특정 시간 대 ≤ ≤ 에서의 PSD 인 의 모음임을 의미한다. 는 식 (3)과 같이 의 절대값의 제곱이며, 식 (4)는 는 시간이력 A(t) 중 위의 주어 진 시간대에 대응하는 구간만을 Fourier Transform하는 것을 의미한다.
Fig. 10. Wavelet Transform (WT) mother wavelet type
Fig. 9는 시간에 따라서 진폭 및 주파수가 변하는 signal의 STFT 결과이다. 일반적인 PSD와 달리 시간에 따라서 달라지는 특성을 확인할 수 있다. 이와 같이 STFT에 기반하여, 시간에 따른 PSD의 변화를 나타내 는 것을 스펙토그램(Spectrogram)이라고 한다.
WT 방법은 주어진 신호를 특정 신호의 집합으로 재 구성하는 방법이다. 일반적인 Fourier Transform의 경 우, 신호를 사인파와 코사인파의 조합으로 재구성하는 반면, WT는 wavelet이라는 기저신호(mother wavelet)를 활용하여 주어진 신호를 재구성한다. Fig. 10은 Wavelet transform에서 활용가능한 대표적인 기저신호들을 나타 내었다. Mother wavelet은 사인파 및 코사인파와는 다 르게 신호의 길이가 정해져 있으며, 비대칭성을 지니고 있다. 또한, 사인파와 코사인파는 주파수영역에서 특정 주기에서만 에너지가 나타나며 나머지 주기에서는 에 너지가 0 이다. 반면, Mother wavelet은 주기에 따라 0이 아닌 다양한 에너지 패턴이 나타난다. 연속성을 지닌 사 인파와 코사인파를 사용하는 푸리에 변환과는 달리, WT 는 제한된 길이의 기저신호를 사용함으로써, 신호의 급 격한 변화를 잘 잡아낼 수 있다. 본 연구에서는 Morlet wavelet을 사용하여 WT을 수행하였다.
STFT와 WT 방법은 모두 시간에 따른 주파수영역 특성의 변화를 도식화하는 방법이나 아래와 같은 차이 점을 보인다. 우선, STFT은 연속성을 지닌 사인파와 코
사인파를 사용하는 반면, WT는 제한적인 기저신호를 사용함으로써, 신호의 다양한 변화를 상대적으로 잘 잡 아낸다고 알려져 있다(Akin, 2002; Karim et al., 2011;
Lapins et al., 2020). 다만, 기저신호의 형상에 따라서 감지 결과가 상이할 수 있기 때문에 주어진 신호를 분석 시, 기저신호의 적절한 선택이 필요하다(Al-Qazzaz et al., 2015; Strömbergsson et al., 2019; Rodrigues et al., 2016).
또한, 특정 시간 간격에서의 Fourier transform을 나열하 는 STFT의 경우, 시간-주파수 해상도가 전 영역에 걸쳐 서 동일한 반면, wavelet transform의 경우, 시간-주파수 해상도가 주파수에 따라서 다르게 나타난다. 본 연구에 서는 Morlet wavelet을 사용하여 WT 을 수행하였다. 이 와 같은 STFT 및 Wavelet Transform의 시간-주파수 영 역내에서의 해상도 변화를 Fig. 11에 도식화 하였다.
3.2 열차 가속도에 대한 스펙토그램 특성
Fig. 12는 익산-정읍 구간의 열차 진동 가속도에 대한 시간이력 및 스펙토그램 변환 결과이다. 열차 진동 가속 도의 경우 열차의 속도가 증가함에 따라 크기가 증가하 는 것을 확인할 수 있다. 스펙토그램의 결과를 보면 열 차 진동가속도의 경우 100hz 이상의 대역에서 가장 많 은 에너지를 가지고 있으며, 약 10hz 및 30hz 대역에서 속도가 증가와 함께 더 높은 주파수 성분의 에너지가
Fig. 11. Resolution of STFT and WT method in time-frequency domain
Fig. 12. KTX train vibration acceleration spectrogram
증가하는 것을 확인할 수 있다. 100hz 이상의 대역은 열 차 자체의 기계진동 등에 의한 영향으로 파악되며, 속도 증가와 함께 고에너지 대역의 주파수가 증가하는 영역 은 열차의 주행에 의한 진동 가속도로 분석된다. WT의 경우 상대적으로 고주파수에서 더 큰 에너지를 가지고
있는 것으로 분석되는데 이는 앞서 설명한 시간-주파수 영역의 해상도 차이에서 기인하며, 고주파수일수록 고 해상도록 해석이 되어 더 많은 에너지를 가진 것으로 나타나게 된다.
(a) Gyoung-ju earthquake acceleration spectrogram
(b) Hachinohe earthquake acceleration spectrogram Fig. 13. Earthquake acceleration spectrogram
3.3 지진 가속도에 대한 스펙토그램 특성
지진 가속도 시간이력에 대한 스펙토그램 분석 결과 를 Fig. 13에 도시하였다. Fig. 13(a) 경주지진의 경우
10Hz 이상의 높은 주파수 대역에서 에너지가 크게 분포 하는 것을 확인할 수 있다. 이러한 주파수 특성은 지반 응답을 거치면서 변형되며, 상대적으로 낮은 주파수 대 역의 에너지는 증가하고 10Hz 이상의 높은 주파수 대역
Fig. 14. Data Synthesis Flow Chart
의 에너지는 작아지는 것을 확인할 수 있다. 이는 지반 의 고유주기가 상대적으로 낮은 주파수 대역에 위치하 기 때문에 발생하는 현상으로, 더 연약한 지반인 2번 현 장의 경우 이러한 현상이 더 크게 발생하였다. Fig. 13(b) 포항지진의 경우 경주 지진과 비교하여 높은 에너지를 가지는 주파수 영역이 상대적으로 낮은 지진임을 확인 할 수 있으며, 지반 증폭에 의한 경향은 유사하게 나타 났다. 분석 방법에 따른 차이를 살펴보면, WT방법의 경 우 3hz 이상의 고주파수 영역에서의 에너지는 STFT보 다 명확하게 나타나는 것을 확인할 수 있다. 이에 비해, 0.5hz 이하의 저주파수 영역에서는 STFT 방법에서 지 진 가속도의 에너지를 보다 명확하게 확인할 수 있다.
4. 지진 가속도 판별 기법 개발
4.1 데이터 중첩
지진 발생시 열차 내에서 계측될 수 있는 지진 데이 터를 생성하는 방법은 열차 계측 데이터와 지진계측 데 이터를 중첩(Superposition) 하는 것이다. 본 연구에서는 열차의 진동 가속도 시간이력과 지진 가속도의 지반응 답 해석 가속도 시간이력 결과를 중첩하여 해당 데이터 를 생성하고, 열차의 진동 가속도 시간이력만 있는 평상 시 데이터와 비교하여 스펙토그램 내에서 지진 감지 여 부를 판별하였다. 지진 가속도는 열차의 속도 증가에 따 른 지진 판별 가능여부를 파악하기 위해 열차의 속도 별로 총 6개 구간에서 중첩시켰다. 다만, 실제 운행중인 열차내에서 계측되는 지진의 가속도는 차륜, 열차 차량
내에서 발생할 수 있는 진동 중첩 등으로 다른 경향이 나타날 수 있으며 이에 관한 연구는 다음 연구에서 진행 할 예정이다.
데이터의 중첩은 Fig. 14와 같은 절차로 수행되었다.
우선, 두 데이터를 중첩하기 위해 지진 데이터를 열차 데이터의 sampling rate에 맞춰서 upsampling을 수행하 였다. 만약 upsampling이 적절하게 이루어진다면, original 데이터의 특성이 그대로 반영되어야 한다. 그러나 계측 데이터를 바로 upsampling 할 경우, 데이터의 고 주파수 영역 요소들이 정확하게 추정이 이루어지지 못할 수 있 다. 그리하여, 본 연구에서는 우선 original data에 finite impulse response filter에 기반한 interpolation algorithm 을 적용하여, 지진데이터의 sampling rate를 100Hz에서 500Hz로 바꾸었다.
4.2 SFTF 방법
앞 장에서 기술한 방법으로 산출한 시간이력 결과에 대해 STFT 분석을 수행하고 Figure 15에 도시하였다.
도시한 순서는 지진이 발생하지 않은 평상시 열차 진동 가속도 시간이력, 암반 지진 가속도를 중첩한 결과, 성 토구간 1번의 지진 응답 가속도를 중첩한 결과, 성토구 간 2번의 지진응답 가속도를 중첩한 결과 순서이다. 먼 저 1,000년 재현주기 경주지진의 결과를 살펴보면 암반 지진 가속도를 중첩한 결과에서 가장 명확하게 지진 가 속도를 판별해 낼 수 있다. 이에 비해 지반 응답결과의 경우 속도가 300km 수준으로 증가하는 400초 ~ 500초 영역에서 기존 열차 진동 가속도와의 판별이 어려운 한
(a) Gyoung-ju earthquake with return period of 1,000 years (b) Gyoung-ju earthquake with return period of 2,400 years
(c) Hachinohe earthquake with return period of 1,000 years (d) Hachinohe earthquake with return period of 2,400 years Fig. 15. Results of STFT method
계가 있다. 이는 경주 지진과 같은 단주기 지진파의 경 우 지반 응답을 통해 고주파수 성분이 감쇠되며 지진 가속도의 에너지가 크게 감소되기 때문이다. 2,400년 재
현주기 지진의 경우 역시 지반응답을 거치면서 지진 가 속도의 에너지가 크게 감소되어 1,000년 재현주기 지진 과 유사한 결과를 나타냈으며 약 150km/h 이하의 수준
(a) Gyoung-ju earthquake with return period of 1,000 years (b) Gyoung-ju earthquake with return period of 2,400 years
(c) Hachinohe earthquake with return period of 1,000 years (d) Hachinohe earthquake with return period of 2,400 years Fig. 16. Results of WT method
에서만 지진에 대한 판별이 가능할 것으로 판단된다.
Hachinohe 지진기록의 경우 지진의 지속시간이 길고 장 주기 영역의 지진 가속도 에너지가 크게 남아있어 비교 적 명확하게 열차 진동가속와의 판별이 가능하다.
4.3 Wavelet 방법
본 장에서는 산출한 시간이력 결과에 대해 WT 분석 을 수행한 결과를 기술하고자 한다. Fig. 16은 앞 장에 서 나타낸 것과 동일한 방식으로 WT 분석결과를 도시 한 그래프이다. 1,000년 재현주기 경주지진의 결과를 살펴보면 STFT 결과에서 보다 지진 가속도가 보다 명 확하게 나타나 이미지 분석을 통해 지진을 판별해낼 수 있는 것을 확인할 수 있다. 특히 250초 가량의 지진의 경우 열차 속도 약 220km/h 수준에서의 지진 가속도인 데, STFT 결과보다 뚜렷한 이상치가 나타나는 것을 볼 수 있다. 이는 WT 방법이 높은 주파수 영역에서의 해상 도가 높기 때문이며 단주기 지진파의 감지에는 WT 방 법이 STFT 방법보다 유리할 것으로 판단된다. 그러나 해당 방법에서도 300km/h 속도 대역에서는 지진에너지 에 대한 뚜렷한 이상치를 판별하기는 어려운 것으로 보 이며, ktx의 최고 속도로 주행시 지진 감지 기술에 대해 서는 다른 신호 해석 기법의 적용이 필요하다. 장주기 지진파인 Hachinohe 지진기록의 경우 지진 에너지가 크 고 저주파수 영역의 에너지가 많아 1,000년 재현주기 지진도 충분히 판별이 가능한 것으로 판단된다. 단, 이 러한 장주기 지진파의 경우 STFT가 보다 명확한 판별 이 가능한데 이는 앞서 언급했던 해상도 차이에서 기인 한다. STFT 방법은 낮은 주파수 대역에서도 동일한 해 상도를 유지하므로 낮은 주파수에서 보다 명확한 이상 치 판별이 가능하다.
5. 결 론
본 연구에서는 고속열차의 지진 조기 감지 기술 개발 을 위해 열차 진동가속도를 계측하고 이를 실제 철도 성토노반의 지반응답해석을 수행한 지진가속도와 비교 함으로써 지진 가속도를 판별하는 연구를 수행하였다.
(1) 열차 진동가속도 계측은 라즈베리파이와 IMU 센서 를 결합한 저비용 센서를 활용하였으며, 계측 주파수 는 약 500hz 수준이다. 진동 가속도 시간이력은 스
펙토그램으로 변환하여 분석하였으며 분석을 위해 사용한 기법은 Short Time Fourier Transform(STFT) 방법과 Wavelet Transform(WT) 방법이다.
(2) 계측한 열차 진동가속도를 스펙토그램으로 변환한 결과 100hz 대역과 10Hz∼30Hz 대역에서 큰 에너지 는 가지는 것을 확인할 수 있다. 10Hz∼30Hz 대역 에너지의 경우 열차 속도가 증가함에 따라 고에너지 를 가지는 주파수 값이 증가하는 경향을 보였다.
(3) 열차에서 계측되는 지진하중을 최대한 모사하기 위 해 단주기 지진파인 경주지진파와 장주기 지진파인 Hachinohe 지진기록에 대해 실제 철도 성토구간을 모델링하고 지반응답 해석을 수행하였다. 지반응답 해석 결과를 스펙토그램으로 변환한 결과, 지반응답 을 통해 10Hz 이상의 고주파수 영역 에너지가 상당 부분 소산되며 저주파수 영역의 에너지는 증가하는 것을 확인하였다.
(4) 열차 진동가속도와 지반응답해석을 수행한 지진 가 속도를 중첩하고 열차 진동가속도와 스펙토그램을 비교하는 방법으로 열차 내 가속도계를 활용한 지진 감지 기술을 분석하였다. 분석결과, 단주기 지진파 인 경주지진의 경우 1,000년 재현주기 지진을 기준 으로 STFT 방법으로는 150km/h 속도까지, WT 방 법으로는 220km/h 속도까지 이상치를 획득하여 감 지할 수 있는 것으로 분석되었다. 또한, STFT는 장 주기 지진 감지에 적합한 반면, WT의 경우 단주기 지진 감지에 유용함을 확인하였다. 일련의 결과를 바탕으로 볼 때, 상대적으로 열차의 속도가 낮은 일 반열차의 경우 더 낮은 재현주기의 지진도 판별해 낼 수 있을 것이라 판단된다.
(5) 다만, 실제 운행중인 열차내에서 계측되는 지진의 가속도는 차륜, 열차 차량내에서 발생할 수 있는 진 동 중첩 등으로 다른 경향이 나타날 수 있으며 이에 관한 추가적인 연구가 필요하다.
감사의 글
본 연구는 국토교통부 국토교통기술촉진연구사업(300 km/h 급 고속열차의 탈선 방지를 위한 차량 탑재(On- board)용 지진 계측 및 10초 이내 지진 조기 경보 기술 응용 단계 연구, 과제번호 20CTAP-C152247-02) 및 국토 교통부 건설기술연구사업(비탈면 대상 조사･점검 개선 및 보강시설 노후화 대응 기술 개발, 20SCIP-C151408-
02)의 연구비지원으로 수행되었으며 이에 깊은 감사를 드립니다.
참고문헌 (References)
1. Akin, M. (2002), Comparison of Wavelet Transform and FFT Methods in the Analysis of EEG Signals, J. of medical systems, Vol.26, pp.241-247.
2. Al-Qazzaz, N.K., Ali, S.H.B.M., Ahmad, S.A., Islam, M.S., and Escudero, J. (2015), Selection of Mother Wavelet Functions for Multi-Channel EEG Signal Analysis during a Working Memory Task, Sensors, Vol.15, pp.29015-29035.
3. Bowles, E.B. (1977), Foundation analysis and design. 2nd ed.
McGraw-Hill Book Company, New York.
4. Clayton, R.W., Heaton, T., Kohler, M., Chandy, M., Guy, R., and Bunn, J. (2015), Community Seismic Network: A dense array to sense earthquake strong motions, Seismol. Res. Lett. Vol.86, pp.
1354-1363.
5. Griffin, D. and Lim, J. (1984), Signal Estimation from Modified Short-time Fourier Transform. IEEE Transactions on Acoustics, Speech and Signal Processing, Vol.32, No.2, pp.236-243.
6. Karim, S.A.A., Kamarudin, M.H., Karim, B.A., Hasan, M.K., and Sulaiman, J. (2011), “Wavelet Transform and Fast Fourier Transform for Signal Compression: A Comparative Study”, International Conference on Electronic Devices, Systems and Applications (ICEDSA), Kuala Lumpur, pp.280-285.
7. Khan, A., Ko, D.K., Lim, S.C., and Kim, H.S. (2019), Structural Vibration-based Classification and Prediction of Delamination in Smart Composite Laminates Using Deep Learning Neural Network, Composites Part B: Engineering, Vol.161, pp.586-594.
8. Kong, Q., Allen, R.M., and Schreier, L. (2016), MyShake: Initial Observations from a Global Smartphone Seismic Network, Geophys.
Res. Lett., Vol.106, pp.9588-9594.
9. Korea Meteorological Administration. Annual Report 2016; Korea Meteorological Administration: Seoul, Korea, 2016.
10. Korea Meteorological Administration. Annual Report 2017; Korea Meteorological Administration: Seoul, Korea, 2017.
11. Lapins, S., Roman, D.C., Rougier, J., Angelis, S.D., Cashman, K.V., and Kendall, J.-M. (2020), An examination of the Continuous Wavelet Transform for Volcano-seismic Spectral Analysis, Journal of Volcanology and Geothermal Research, Vol.389, pp.106728.
12. Lei, J., Liu, C., and Jiang, D. (2019), Fault diagnosis of wind
turbine based on Long Short-term memory networks, Renewable energy, Vol.133, pp.422-432.
13. Moon, J.S. and Yoo, M.T. (2020), Development of a Seismic Detection Technology for High-Speed Trains Using Signal Analysis Techniques, Sensors, Vol.20 No.13 pp.3708.
14. Neighbors, C., Cochran, E.S., Ryan, K.J., and Kaiser, A.E. (2017), Solving for Source Parameters Using Nested Array Data: A Case Study from the Canterbury, New Zealand Earthquake Sequence.
Pure Appl. Geophys., Vo.174, pp.875-893.
15. Rodrigues, A.P., D’Mello, G., and Pai S.P. (2016), Selection of Mother Wavelet for Wavelet Analysis of Vibration Signals in Machining, Journal of Mechanical Engineering and Automation, Vol.6 No.5A, pp.81-85.
16. Schnabel, P.B., Lysmer, J., and Seed, H.B. (1972), “SHAKE: A computer program for earthquake response analysis of horizontally layered sites”, Report No. EERC 72-12, Earthquake Engineering Research Center, University of California, Berkeley, California.
17. Seed, H. B. and Idriss, I. M. (1970), Soil moduli and damping factors for dynamic response analysis. Rep. No. EERC 70-10.
Earthquake Engineering Research Centre, Berkeley, CA.
18. Sheen, D.H., Park, J.H., Chi, H.C., Hwang, E.H., Lim, I.S., Seong, Y.J., and Pak, J. (2017), The First Stage of an Earthquake Early Warning System in South Korea, Seismol. Res. Lett., Vol.88, pp.
1491-1498.
19. Strömbergsson, D., Marklund, P., Berglund, K., Saari, J., and Thomson, A. (2019), Mother Wavelet Selection in the Discrete Wavelet Transform for Condition Monitoring of Wind Turbine Drivetrain Bearings, Wind Energy, Vo.22, pp.1581-1592.
20. Sun, C.G., Cho, C.S., Son, M., and Shin, J.S. (2013),Correlations between Shear Wave Velocity and In-situ Penetration Test Results for Korean Soil Deposits, Pure and Applied Geophysics, Vol.170, No.3, pp.271-281.
21. Pan, X., Cheng, Z., Zheng, Z., and Zhang, Y. (2019), Sparse Bayesian Learning Beamforming Combined with Short-time Fourier Transform for Fault Detection of Wind Turbine Blades, The Journal of the Acoustical Society of America, Vol.145, No.3, pp.1802-1802.
22. Wongsaroj, W., Hamdani, A., Thong-Un, N., Takahashi, H., and Kikura, H. (2019), Extended Short-Time Fourier Transform for Ultrasonic Velocity Profiler on Two-Phase Bubbly Flow Using a Single Resonant Frequency, Applied Sciences, Vol.9, No.1, pp.50.
Received : September 21st, 2020 Revised : October 5th, 2020 Accepted : October 6th, 2020
