2차년도 |
■ 전기화학 임피던스 데이터 기반 머신러닝 알고리즘 핵심요소기술 개발- 핵심요소기술 개발 단계로써 기초 콘크리트 배합비 대상 다수의 샘플 데이터를 확보하여 배합비 추정 머신러닝 알고리즘을 완성
|
1)콘크리트 미세구조 반영 전기 화학 임피던스 분석 : 기존 시멘트 계 재료 대상 등가회로 적용 사례 분석 최소 50건 이상 및 제안 기법 차별성 방안 도출● 임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 전기를 측정하는 노드를 이용하여 대상 물질의 내부에 존재하는 수분과 전도성 이온으로 전기적 흐름을 파악하는 비파괴기법이다. 구체적으로 대상 물질에 미세한 교류전류를 인가한 후, 미세구조를 반영한 전기 등가회로를 전제로 임피던스를 도출하여 내부 구성 물질을 추정할 수 있다. 임피던스 분광법은 사용법이 매우 간단하여 다양한 분야에 적용되고 있다. 대표적으로 국내에서는 ‘인바디’라는 이름으로 인체의 체성분을 분석하는 방법으로 활용되고 있다. ● 선행연구를 통해 임피던스 측정법과 머신러닝을 활용하여 굳지 않은 시멘트 페이스트의 물-시멘트비를 예측한 결과, 사용된 4가지 머신러닝 알고리즘 모델(GPR 2종류, SVR, DT) 모두 높은 정확도로 물-시멘트비를 예측할 수 있었다. 아래 표는 물-시멘트비 31~44% 범위를 대상으로 굳지 않은 시멘트 페이스트의 배합비를 예측한 오차를 나타낸다. ● 선행연구를 통해 제안하고자 하는 개념을 이미 정립(TRL 2단계)하였으며, 시멘트 계 재료의 가장 기초단계인 시멘트 페이스트를 대상으로 본 연구에서 제안하는 개발기술을 적용하여 타당성 및 잠재성을 검증받은 바 있다.2)콘크리트(시멘트, 물, 굵은골재, 잔골재) 대상 물-시멘트비 추정 머신러닝 알고리즘 개발 : 배합 및 임피던스 측정 실험 수행, MATLAB 기반 알고리즘 구축● 머신러닝은 데이터 학습을 통해 대량의 데이터를 보다 정교하게 분류시킬 수 있는 특징을 가지고 있어 임피던스와 같이 다량의 데이터를 정교하게 분리하는데 보다 효과적이다.● 기존의 건축 분야에서 임피던스는 철근의 부식이나 콘크리트의 응결을 측정하는 데 활용되어 왔으나 이러한 연구들은 대부분 연관 관계 파악이 어렵고 연구자들이 직접적으로 데이터와 현상을 비교하여 결과를 도출하게 된다. 본 연구에서는 단순 비교를 통한 결과 도출이 아닌, 머신러닝을 통해 학습한 모델을 이용하여 콘크리트 미세구조와 임피던스 간의 관계를 파악하고자 한다. ● 머신러닝 기법 중 본 연구에서 사용하고자 하는 지도학습 (supervised learning)은 데이터 기반의 모델링 기법이다. 입력과 출력 사이의 매핑 함수를 확률적 경사 하강법 (stochastic gradient descent, SGD) 등의 최적화 알고리즘을 통해 컴퓨터가 스스로 학습을 한다. 학습된 최적의 매핑 함수 (모델)를 이용하면, 입력받은 데이터 (예: 임피던스 신호)로부터 원하는 출력(예: 배합비)을 전문가의 개입 없이 직접적으로 추정할 수 있다.3)샘플 데이터 최소 500건 이상 확보 및 실험실 규모 검증● 최소 100건 이상의 실험을 진행하여 개발된 알고리즘의 성능 및 정확성을 검증하고 실험값을 알고리즘의 학습 및 검증 모델로써 활용하고자 한다.● 콘크리트의 물-시멘트비, 굵은골재율, 잔골재율 등을 실험의 변수로 설정하고 임피던스 분석기 및 전극을 확보하여 실험 준비 및 계획을 수립한다. 또한, 실험의 정확성을 높이기 위해 동일한 조건에서 최소 10회 이상의 반복 실험을 수행하여 실험에 대한 신뢰도를 향상하고자 한다.● 임피던스 측정에 있어 전류의 값을 변경하여 결과의 오차를 유발하는 외부 조건들(측정 용기의 크기, 전극의 측정 깊이, 물과 배합 후 측정 시간 등)을 최소화하기 위해 규격화된 실험 방법 계획서를 작성하고자 한다. 4)주요 배합비 요소 추정 정확도 80% 이상 확보(물-시멘트비, 잔골재, 굵은골재 비율 등)● 머신러닝 알고리즘의 최적화 과정을 통해 콘크리트 배합비 추정 결과 80% 이상의 정확도를 확보하고자 한다. 본 연구에서 정확도란 전체 100% 비율에서 실제 배합비에 대한 오차의 비율을 뺀 값으로 정의 내린다. ● 시멘트 페이스트 대상으로 진행된 물-시멘트비 예측의 선행연구 결과 90% 이상의 정확도를 기록하였으며, 잔골재율, 굵은골재율과 같은 추가 배합비 요소의 영향을 고려하여 본 연구는 80%의 정확도를 목표로 설정하였다.
|
활용방안 |
■ 예상 기술 수요처- 본 개발기술이 비파괴적인 임피던스 기법과 자동화된 알고리즘을 채택한 머신러닝 기반 콘크리트 품질관리 기술임을 고려하였을 때, 기술이전 대상으로 국내외 비파괴 검사 수요기업이 기술 수요처로 예상됨. 대표적으로 굳지 않은 콘크리트의 수분함량을 휴대용으로 계측하는 기기를 납품하는 국내 업체가 가장 관련된 수요처로 예상됨- 본 기술의 최종 수요처는 건설 현장으로 건설기술진흥법에서 규정한 모든 국내 건설 현장에 적용된다. 특히, 해양 시설용 콘크리트나 프리캐스트 콘크리트 공정 등 배합 요소 및 비율에 민감한 콘크리트의 품질관리에 관여하는 업체 및 기관에서의 사용 효과가 클 것으로 예상됨■ 활용계획- 다양한 조건별 배합 데이터에 적용하여 개발기술의 신뢰도 향상과 적용 범위 확장- 현장 변수가 반영된 배합비를 즉시 도출하고 대응함으로써 레미콘의 신뢰성을 확보하고 최종적으로 콘크리트 구조물의 강도와 내구성을 보장하는 기초기술로 활용- 본 연구에서 개발된 기술인 배합비 예측 알고리즘과 현장 장비 설계안을 후속 연구인 실제 현장 장비의 개발 및 실용화 과정에 활용- 연구개발성과를 토대로 지식재산권을 보유함으로써, 추후 관련 시장 확대 시 시장 선점과 경쟁력을 위한 원천기술 확보에 활용■ 기대효과- 기존 주관적, 경험적 수치에 의존하는 품질관리 기술에서 벗어나 정량적 데이터를 바탕으로 객관적 결과를 제공하여 콘크리트 품질관리 기술의 신뢰성 향상 기대- 배합 요소와 비율에 민감한 해양 시설용 콘크리트 또는 프리캐스트 콘크리트 공정의 품질관리에 적용될 경우 고품질 제품의 효율적 생산 기대- 기존 인력 기반으로 수행되는 콘크리트 품질관리 업무를 머신러닝을 통해 자동화함으로써 업무 효율 증대- 결과적으로 자동화된 건설 현장 조성 및 스마트 품질관리 시장 확보에 기여- 현장 배합비를 추정하는 새로운 개념의 콘크리트 평가 기술로서, 콘크리트 품질관리 분야의 연구 확장과 기술 개발 기대- 추정한 현장 배합비와 구조물의 내구성 및 강도 발현의 상관관계 연구 및 활용
|