본문으로 건너뛰기

Machine learning based prediction models for spilt tensile strength of fiber reinforced recycled aggregate concrete

· 약 6분
Wesam Salah Alaloul
Universiti Teknologi PETRONAS 연구원
IBRAHIM YOUSSEF ALYOUSSEF
연구원

논문 정보​

  • 제목: Machine learning based prediction models for spilt tensile strength of fiber reinforced recycled aggregate concrete

  • 저자: Mohammed Alarfaj, Hisham Jahangir Qureshi (King Faisal University), Muhammad Zubair Shahab (COMSATS University Islamabad), Muhammad Faisal Javedd (Ghulam Ishaq Khan Institute), Md Arifuzzaman, Yaser Gamil (Monash University Malaysia)

  • 학회/저널: Case Studies in Construction Materials

  • 발행일: 2024-01-05

  • DOI: 10.1016/j.cscm.2024.e02945

  • 주요 연구 내용: 섬유보강 재생골재 콘크리트(FRAC)의 쪼갬 인장강도(STS)를 예측하기 위해 심층 신경망, 베이즈 최적화 가우시안 과정 회귀, 유전자 발현 프로그래밍을 기반으로 총 5개의 모델(DNN1, DNN2, OGPR, GEP1, GEP2)을 개발. 10개의 입력 변수와 1개의 출력 변수로 구성된 257개의 데이터 포인트를 수집하여 모델 학습(80%) 및 테스트(20%)에 사용. 관련성 계수와 순열 특성 중요도를 이용한 민감도 분석 수행.

  • 주요 결과 및 결론: 3개의 은닉층을 가진 심층 신경망 모델인 DNN2가 테스트 단계에서 R2 값 0.94, MAE 0.187 MPa, RMSE 0.255 MPa를 기록하며 가장 우수한 예측 성능을 보임. 전반적인 성능은 DNN2, OGPR, DNN1, GEP2, GEP1 순으로 높게 나타났으며, DNN과 OGPR 모델이 GEP 모델보다 더 강력하고 효율적인 예측 능력을 보여줌. 시멘트 함량, 천연 굵은 골재, 재생골재 밀도, 고성능 감수제는 쪼갬 인장강도에 긍정적인 영향을 미치는 주요 요인으로 확인됨.

  • 기여점: 섬유보강 재생골재 콘크리트의 쪼갬 인장강도 예측을 위한 다양한 머신러닝 모델의 성능을 체계적으로 비교 분석하여 최적의 예측 모델을 제시. 지속가능한 건설 재료로서 재생골재 콘크리트의 활용 가능성을 높이는 데 기여. 민감도 분석을 통해 콘크리트 강도에 영향을 미치는 주요 요인들을 정량적으로 규명하여 향후 콘크리트 설계 및 제조에 실용적인 가이드라인 제공.

  • 다양한 ML 기법의 종합적 비교: FRAC의 쪼갬 인장강도 예측이라는 동일한 문제에 대해 서로 다른 원리로 작동하는 세 가지 계열의 머신러닝 모델(DNN, GPR, GEP)을 적용하고 성능을 종합적으로 비교하여 가장 적합한 모델을 제시했다.
  • 하이퍼파라미터 최적화 적용: 베이즈 최적화를 OGPR 모델에 적용하는 등 하이퍼파라미터 튜닝을 통해 모델의 예측 정확도를 극대화하여 신뢰성 높은 모델을 구축했다.
  • 실용적 설계 가이드라인 제공: 상세한 민감도 분석을 통해 각 원재료가 콘크리트 강도에 미치는 긍정적/부정적 영향을 정량적으로 밝혀, 향후 친환경 콘크리트의 최적 배합 설계에 실용적인 통찰력을 제공했다.
  • DOI (Digital Object Identifier): 10.1016/j.cscm.2023.e02836
  • 기타 식별 가능한 정보:
    • 연구 분야: 건설 재료, 머신러닝, 지속가능성
    • 대상: 섬유보강 재생골재 콘크리트(FRAC)
    • 데이터셋: 257개의 데이터 포인트로 구성된 문헌 기반 데이터셋

요약​

서론 (Introduction)​

콘크리트는 현대 건설 산업의 핵심 재료이지만, 생산에 필요한 막대한 양의 천연자원 소모와 건설 폐기물 발생은 심각한 환경 문제를 야기한다. 이러한 문제에 대한 지속 가능한 대안으로 폐콘크리트를 분쇄하여 만든 재생골재를 활용하는 재생골재 콘크리트(RAC)가 주목받고 있다. 하지만 재생골재는 표면에 부착된 오래된 모르타르로 인해 강도가 낮고 균열에 취약하다는 본질적인 한계를 가진다.

이러한 단점을 보완하기 위해 강철, 유리, 폴리프로필렌 등 다양한 종류의 섬유를 첨가하여 인장 강도와 균열 저항성을 높인 섬유보강 재생골재 콘크리트(FRAC)가 연구되고 있다. 그러나 FRAC는 구성 요소가 다양하고 그 상호작용이 복잡하여 역학적 특성을 정확히 예측하기 어렵다. 기존의 실험적 방법은 시간과 비용이 많이 소요되는 단점이 있다. 따라서 본 연구는 머신러닝(ML) 기술을 활용하여 FRAC의 핵심 성능 지표인 쪼갬 인장강도(STS)를 신속하고 정확하게 예측하는 모델을 개발하고, 다양한 알고리즘의 성능을 비교 분석하여 가장 효율적인 방법을 찾는 것을 목표로 한다.

본론 (Main Content)​

데이터 수집 및 모델링 방법​

본 연구는 기존에 발표된 신뢰성 있는 연구 문헌으로부터 총 257개의 FRAC 실험 데이터를 수집했다. 데이터셋은 10개의 입력 변수(시멘트, 물, 골재 특성, 섬유 종류 및 부피 등)와 예측 대상인 쪼갬 인장강도(STS)로 구성되었다. 데이터의 일관성을 위해 결측치는 KNN 알고리즘으로 대체하고, 모든 변수는 Min-Max 정규화를 통해 0과 1 사이의 값으로 조정했다.

쪼갬 인장강도를 예측하기 위해 세 가지 다른 계열의 머신러닝 기법을 기반으로 총 다섯 개의 모델을 구축했다.

  1. 심층 신경망 (DNN): 2개의 은닉층을 가진 DNN1과 3개의 은닉층을 가진 DNN2 모델을 개발하여 네트워크 깊이에 따른 성능 변화를 비교했다.
  2. 최적화 가능한 가우시안 과정 회귀 (OGPR): 베이즈 최적화 기법을 사용하여 커널 함수, 커널 스케일 등 주요 하이퍼파라미터를 자동으로 튜닝함으로써 모델 성능을 극대화했다.
  3. 유전자 발현 프로그래밍 (GEP): 진화 알고리즘 기반으로, 유전자 수, 염색체 수, 헤드 크기 등 파라미터를 다르게 설정한 GEP1과 GEP2 모델을 만들어 예측 정확도를 비교했다.

모델 성능 평가 및 비교​

개발된 모델들의 성능은 결정계수(R2), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE) 등의 통계 지표를 통해 평가되었다. 모든 모델은 데이터 과적합을 방지하고 일반화 성능을 검증하기 위해 5겹 교차 검증(5-fold cross-validation)을 거쳤다.

성능 평가 결과, 3개의 은닉층을 가진 DNN2 모델이 압도적으로 우수한 성능을 보였다. 테스트 데이터셋에서

R2 값 0.94를 달성했으며, 이는 예측값과 실제값 사이에 매우 높은 상관관계가 있음을 의미한다. 뒤이어 OGPR 모델(

R2=0.91)이 높은 정확도를 보였다. GEP 모델들은 상대적으로 낮은 성능을 기록했으나, 파라미터를 최적화한 GEP2가 GEP1보다 더 나은 결과를 나타냈다. 이를 통해 모델 구조의 복잡성(DNN의 은닉층 수)과 하이퍼파라미터 최적화(OGPR의 베이즈 최적화)가 예측 정확도에 중요한 영향을 미친다는 것을 확인했다.

민감도 분석 결과​

어떤 입력 변수가 쪼갬 인장강도에 가장 큰 영향을 미치는지 파악하기 위해 관련성 계수(r-value)와 순열 특성 중요도(PFI)를 이용한 민감도 분석을 수행했다. 분석 결과,

시멘트 함량이 강도에 가장 큰 긍정적 영향을 미쳤으며, 천연 굵은 골재(NCA), 재생골재 밀도(Den_RCA), 고성능 감수제(SP) 순으로 긍정적 기여도가 높았다.

반대로,

재생골재(RCA) 함량은 강도에 가장 큰 부정적 영향을 미치는 요인으로 나타났다. 이는 재생골재 자체의 낮은 품질과 약한 계면 특성 때문으로 해석된다. 또한, 재생골재의 최대 크기(Dmax_RCA)와 물 함량 역시 강도 저하의 주요 원인으로 작용했다. 이러한 결과는 고품질 FRAC를 제조하기 위해 어떤 재료의 사용을 늘리고 어떤 재료를 신중하게 제어해야 하는지에 대한 명확한 방향을 제시한다.

결론 (Conclusion)​

본 연구는 심층 신경망(DNN), 가우시안 과정 회귀(OGPR), 유전자 발현 프로그래밍(GEP) 등 다양한 머신러닝 모델을 사용하여 섬유보강 재생골재 콘크리트(FRAC)의 쪼갬 인장강도를 성공적으로 예측했다. 평가 결과, 3개의 은닉층으로 구성된 DNN2 모델이 가장 높은 정확도와 신뢰성을 보여주었으며, OGPR 모델 또한 강력한 예측 성능을 입증했다.

본 연구의 기여점은 단순히 예측 모델을 개발한 것을 넘어, 서로 다른 원리의 알고리즘들을 동일한 데이터셋에서 종합적으로 비교하고 하이퍼파라미터 최적화의 중요성을 확인했다는 데 있다. 또한, 민감도 분석을 통해 각 구성 재료가 강도에 미치는 영향을 정량적으로 규명함으로써, 향후 친환경 고성능 콘크리트의 배합 설계를 위한 실용적인 과학적 근거를 마련했다. 제안된 ML 모델들은 실험에 드는 시간과 비용을 절감하고, 지속 가능한 건설 재료 개발을 가속화하는 데 효과적으로 활용될 수 있을 것이다. 향후 연구로는 더 많은 데이터와 입력 변수를 포함하여 모델의 일반화 성능을 높이고, 쪼갬 인장강도 외 다른 역학적 특성을 예측하는 모델로 확장할 필요가 있다.