딥러닝을 이용한 콘크리트 탄산화 예측에 관한 연구

Abstract

콘크리트 탄산화는 대기 중의 이산화탄소가 콘크리트 표면에 접촉하는 것으로 일어나는 콘크리트의 열화 현상이다. 특히, 오늘날 이산화탄소 배출량이 전 세계적으로 증가함에 따라서 콘크리트 내구수명을 계산하는 과정에 콘크리트 탄산화에 대한 논의가 증가되고 있다. 현재까지 콘크리트 탄산화에 관한 다양한 연구들이 진행되고 있으나, 기존의 예측 방식의 경우 적용할 수 있는 영향인자가 제한적이어서 예측 식 간에 탄산화로 인한 콘크리트의 수명이 다르게 나타나며, 예측식의 배경이 된 실험 환경 조건을 벗어나는 경우 오차가 발생하는 문제점이 있다. 그러나 콘크리트 탄산화 실험은 다른 콘크리트 물성 실험에 비해 기간이 오래 걸리는 단점을 가지고 있어, 현재 사용되고 있는 모든 콘크리트 배합의 탄산화 속도계수를 도출하는 것은 어려운 실정이다. 이를 해결하기 위해 인공지능을 이용한 학습모델의 구축을 통해 콘크리트의 탄산화를 예측하는 연구들이 진행되어 왔으나, 앞서 말한 콘크리트 탄산화 실험의 난해함으로 인해 데이터의 수집이 어려워 학습에 이용된 콘크리트의 배합 개수가 작은 문제점을 가지고 있다. 이에 대하여, 본 연구에서는 촉진 탄산화 실험 결과를 학습 데이터로 설정하여 기존 연구들보다 학습에 이용된 콘크리트의 배합 수를 증가시켰으며, 최종적으로 291개의 콘크리트 배합을 학습 데이터로 설정하였다. 본 연구의 목적은 다양한 콘크리트의 배합 조건들을 학습 데이터로 설정하여 콘크리트의 탄산화 속도계수를 학습시킨 뒤, 실제 실험을 통해 얻어낸 실험 배합의 탄산화 속도계수를 예측함으로써 딥러닝을 이용한 탄산화 예측 활용성을 확인하고자 한다. 학습모델은 분석 목표와 데이터의 수준에 적합한 매개변수 조정을 통해 학습 정확도를 높이고자 하였고, 학습의 과적합이 이루어지지 않는 시점까지 학습을 진행하였다. 확인 데이터의 학습 비율과 학습율, 은닉층의 개수 조정을 통해 본 연구의 수준에서 가장 높은 성능을 보인 학습모델을 선정하였고, 최종 선정된 모델은 8주간의 촉진 탄산화 실험을 진행한 콘크리트 실험체로 그 정확도를 확인하여, 기존에 사용되고 있는 실험 기반으로 정리된 예측식과 오차를 비교하였다. 본 연구의 결과는 다음과 같다.

1) DNN 학습모델의 성능 확인을 통해 DNN을 통해 배합데이터를 기반으로 한 탄산화 속도계수의 학습이 진행됨을 확인하였으며, 은닉층 5개, 배치크기 64개, 확인데이터 비율 15%, 학습율 0.0001의 조건이 적용된 학습모델의 성능이 가장 좋게 나타났고, 평균 절대값 오차는 10.92%로 나타났다.

2) 실험 데이터 결과를 이용한 DNN 모델의 MAPE는 12%로 나타났으며, 50PC가 48%, 50B2의 경우 6.27%, 50B3의 경우 16.97%, 50B4는 4.81%로, 60PC는 6.45%, 60B2는 6.87, 60B3은 0.06%, 60B4는 5.64%의 결과가 나타났고, 50PC를 제외한 데이터 예측의 평균 절대값 오차율은 6.73%로 나타났다.

3) 실험 데이터 결과를 이용한 예측 성능 분석 결과, DNN 모델의 평균 절대값 오차가 12.00%, Kishitani 식이 29.23%, Shirayama 식이 18.63%, Hamada 식이 30.26%로 나타나 DNN을 이용한 탄산화 속도계수 예측이 진행됨을 확인하였다.

4) DNN 학습모델의 예측성능이 기존 예측 모델에 비해 높은 정확성을 보이는 것을 확인하였으나, 50PC의 예측값이 48%로 높은 오차를 보였으며, 이는 학습데이터의 부족으로 인해 나타난 결과라 판단되며, 추후 보다 많은 데이터를 적용한 연구가 필요하다고 판단된다. 그러나 일부 데이터의 비교에서 큰 오차율을 확인하였고, 때문에 추후 보다 많은 데이터를 적용한 연구가 필요하다고 판단된다.