인공신경망을 이용한 저강도 고유동화재의 Flow 및 일축압축강도 예측

Abstract

현재 석탄회를 재활용할 수 있는 용도는 시멘트원료, 레미콘 혼화재, 성․ 복토용 등으로 제한되어 있으며, 석탄회 중에서도 비회(fly ash)는 많은 연구로 90%이상이 정제되어 재활용되는 반면, 저회(bottom ash)는 대부분 재활용되지 못하고 회 처리장에 매립되는 실정이다. 본 연구에서는 석탄회의 재할용 방안의 하나로서 화력발전소 석탄회 매립장에 매립되어 있는 석탄회를 이용하여 저강도 고유동화재(CLSM, Controlled Low-Strength Material)의 재료를 개발하기 위한 flow와 압축강도 특성을 분석하였다. CLSM의 flow 및 강도특성은 비회, 저회, 시멘트, 수량 등과 같은 배합비에 크게 의존하는데, 각 구성요소들의 혼합비율과 flow 및 강도값에 대한 역학적 관계를 정량적으로 도출 하기가 현실적으로 매우 어렵다. 따라서 CLSM의 유효활용을 위해서는 CLSM의 구성성분 비율에 대한 flow 및 압축강도값을 도출할 수 있는 산정방법이 필요하다. 이에 본 연구에서는 인공신경망 학습을 통해 flow 및 일축압축강도를 실험을 통하지 않고도 CLSM의 flow 및 일축압축강도를 예측하고자 한다. CLSM의 제작은 비회, 저회, 시멘트, 물의 1/2을 콘크리트용 믹서기에 넣고 5분간 된비빔 후, 나머지 물 1/2을 첨가하여 5분간 비빔을 함으로서 균질한 CLSM을 제조하였으며, 학습용과 검증용으로 나누어 공시체를 제작하였다. 실내실험으로부터 얻은 60개 중 45개의 flow 및 재령 28일의 일축압축강도를 학습에 사용하였고 나머지 15개는 구축된 인공신경망 검증에 사용하였다. 본 연구에서는 은닉층은 2, 3개, 모멘텀상수는 0.8, 0.9 목표시스템 오차값 0.01, 0.001 은닉층의 노드 수는 4, 6, 8와 학습률은 0.2, 0.3로 변화시키면서 학습 횟수는 최대 100000번을 학습하여 각각의 변화에 따른 인공신경망 모델의 학습효율 및 예측능력을 평가하고 이를 기준으로 CLSM의 flow 및 압축강도 산정에 적합한 최적인공신경망 모델을 결정하였으며, 학습결과가 우수한 모델 6개에 대한 학습결과만 분석에 사용하였다. 분석결과 학습에서는 flow 및 압축강도의 결정계수(R2)값이 R2=0.89∼0.92, R2=0.93∼0.96 으로 높은 상관관계를 보였으며, 검증용 자료를 통한 예측결과 CLSM의 flow 및 압축강도의 결정계수(R2)값이 각각 결정계수(R2)값이 0.70, 0.76으로 model 1의 구조가 가장 적합한 모델로 판단된다.