🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

본 연구는 변형률, 바인더 함량 및 공극률을 기반으로 아스팔트 콘크리트의 피로 수명을 정확하게 예측하기 위해 평균 제곱 로그 오차 손실 함수를 사용하는 인공 신경망을 활용하며, 더 높은 바인더 함량이 내구성을 유의미하게 향상시킨다는 점을 입증하는 동시에 향후 연구를 위한 오픈 소스 도구를 제공한다.

원저자: Jakub Houlík, Jan Valentin, Václav Nežerka

게시일 2026-02-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jakub Houlík, Jan Valentin, Václav Nežerka

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

아스팔트 콘크리트(도로를 만드는 재료)를 거대하고 복잡한 케이크라고 상상해 보세요. 이 "재료"들은 부순 돌과 비튜멘(bitumen)이라고 불리는 끈적끈은 타르 같은 접착제로 구성됩니다. 케이크를 계속 앞뒤로 구부리면 금이 갈 수 있는 것처럼, 도로는 수백만 대의 자동차 무게 때문에 균열이 생깁니다. 이 과정을 "피로(fatigue)"라고 하며, 도로가 균열이 생기기 전까지 얼마나 오래 버틸지 알아내는 것은 엔지니어들에게 큰 골칫거리입니다.

전통적으로 도로가 얼마나 오래 지속될지 알아내기 위해, 엔지니어들은 실험실에서 작은 테스트용 케이크를 구운 뒤 이를 반복해서 구부려야 했습니다. 이는 느리고 비용이 많이 들며 몇 주씩 시간이 걸립니다.

이 논문은 컴퓨터(구체적으로는 인간의 뇌처럼 학습하는 일종의 AI인 "신경망(Neural Network)")에게 느린 실험실 테스트를 기다리지 않고도 이 도로 "케이크"가 얼마나 오래 지속될지 예측하도록 가르치는 것에 관한 내용입니다.

다음은 그들이 수행한 작업을 쉬운 비유를 사용하여 정리한 것입니다.

1. 재료가 가장 중요하다

연구진은 도로의 수명에 영향을 미치는 세 가지 주요 "재료"에 집중했습니다:

변형률(Strain Level): 도로가 얼마나 강하게 구부러지는지(마치 종이 클립을 부러뜨리기 전까지 얼마나 구부리는지와 같습니다).
결합재 함량(Binder Content): 혼합물에 끈적한 접착제(비튜멘)가 얼마나 들어있는지.
공극률(Air Voids): 케이크 안에 갇힌 미세한 공기 방울이 얼마나 많은지.

그들은 네 가지 서로 다른 과학 연구에서 데이터를 수집하여 245개의 서로 다른 도로 샘플로 구성된 "레시피 북"을 만들었습니다.

2. 데이터 정제 (The "Box-Cox" 마법)

수집된 데이터는 지저열했습니다. 대부분의 도로는 "정상적인" 수명을 가졌지만, 일부는 훨씬 더 오래 지속되어 데이터에 긴 꼬리가 달린 불균형한 형태를 보였습니다(마м처럼 방 안에 평범한 사람들 사이에 거인 몇 명이 섞여 있는 것과 같습니다).

이를 해결하기 위해 그들은 Box-Cox 변환이라는 수학적 트릭을 사용했습니다. 이것은 덩어리진 데이터를 매끄럽게 만들어 컴퓨터가 더 잘 소화할 수 있도록 하는 블렌더와 같습니다. 또한 그들은 "Z-score"를 사용하여 "이상치(outlier, 이상한 데이터)"를 확인했는데, 이는 나쁜 데이터를 찾아내는 금속 탐지기와 같습니다. 다행히 데이터는 깨끗했으므로 버릴 필요가 없었습니다.

3. AI 두뇌 훈련하기

그들은 디지털 두뇌(신경망)를 구축하여 재료와 도로 수명 사이의 관계를 학습시켰습니다.

구조(Architecture): 그들은 이 두뇌의 다양한 형태를 시도했습니다. 그들은 두 개의 은닉층(hidden layers)(두 단계의 사고 과정)과 각 층에 200개의 뉴런(200개의 작은 생각 주체)을 가진 두뇌가 가장 효과적이라는 것을 발견했습니다.
활성화 함수(Activation Function, ReLU): 이것은 두뇌의 "온/오프" 스위치와 같습니다. 그들은 "ReLU" 스위치가 다른 스위치들보다 두뇌를 활성화하고 학습시키는 데 가장 좋다는 것을 발견했습니다. 다른 스위치들은 두뇌를 잠들게 하거나 너무 단순하게 작동하게 만들었습니다.
최적화 도구(Optimizer, RMSprop): 이것은 두뇌를 안내하는 선생님입니다. 그들은 "RMSprop" 선생님이 실수를 바로잡는 데 가장 안정적이고 효과적이라는 것을 발견했습니다.

4. 성공을 측정하는 두 가지 방법

도로의 수명은 매우 다양하기 때문에(어떤 도로는 수천 번의 사이클 만에, 어떤 도로는 수백만 번 만에 끝납니다), 그들은 AI의 숙제를 채점하는 두 가지 방법을 시도했습니다.

LMSE (선형): 이 방법은 큰 숫자를 맞히는 데 집중합니다. 이는 어려운 문제를 맞혔을 때 점수를 더 많이 주는 시험과 같습니다. 이 방법은 전반적으로 매우 정확했습니다.
LMSLE (로그): 이 방법은 작은 숫자를 맞히는 데 더 집중합니다. 이는 쉬운 문제를 놓치지 않았을 때 추가 점수를 주는 시험과 같습니다. 이 방법은 수명이 길지 않은 도로의 수명을 예측하는 데 더 좋았습니다.

결과: AI는 미래를 예측하는 데 놀라울 정도로 뛰어났습니다. 새로운 데이터로 테스트했을 때, 선형 방법을 사용하여 0.967이라는 점수(R²라고 불림)를 기록했습니다. 이는 매우 어려운 시험에서 A+를 받은 것과 같습니다.

5. AI가 배운 것 (The "Secret Sauce")

AI가 예측을 수행하는 방식을 살펴봄으로써, 연구진은 명확한 규칙을 발견했습니다.

접착제가 많을수록 좋다: 비튜멘(결합재)이 더 많은 도로는 더 오래 지속되는 경 경향이 있습니다. 접착제는 돌들을 결합하고 유연성을 유지해 줍니다.
공기 방울이 적을수록 좋다: 공기 방울(공극률)이 적은 도로가 더 오래 지속됩니다. 공기 방울이 너무 많으면 도로가 약해지고 균열이 생기기 쉽습니다.
최적의 지점: AI는 도로가 진정으로 내구성을 갖추려면 최소 5.5%의 결합재가 있어야 한다고 제안했습니다. 그러나 연구진은 열기에 의해 도로가 너무 부드러지는 것을 방지하기 위해 접착제를 적게 사용하는 도로 하부 층에는 이 수치가 너무 높을 수 있다고 언급했습니다.

6. 한계점 (Limitations)

저자들은 자신들의 작업에 대한 한계를 솔직하게 밝히고 있습니다.

작은 레시피 북: 샘-플이 245개뿐입니다. 이는 이 특정 유형의 테스트에는 많은 양이지만, 컴퓨터가 모든 것을 배우기에는 적은 양입니다.
편향성(Bias): 대부분의 데이터가 단 몇 개의 연구에서 왔습니다. AI는 특정 유형의 도로에 편향될 수 있으며, 본 적 없는 완전히 다른 유형의 도로에는 완벽하지 않을 수 있습니다.
수정구슬은 없다: AI는 훈련 데이터와 유사한 도로를 예측하는 데는 뛰어나지만, 완전히 다른 재료로 만들어진 도로에 대해 묻는다면 잘못된 추측을 할 수도 있습니다.

결론

이 논문은 도로의 레시피(접착제와 공기 방울이 얼마나 들어있는지)를 바탕으로 도로가 얼마나 오래 지속될지 예측하는 스마트한 컴퓨터 프로그램을 사용할 수 있음을 보여줍니다. 이는 느리고 반복적인 실험실 테스트의 필요성을 줄임으로써 엔지니어들의 시간과 비용을 엄청나게 절약할 수 있게 해줍니다. 연구진은 다른 사람들이 자신의 작업을 확인하거나 레시피를 개선할 수 있도록 코드와 데이터를 온라인에 공개했습니다.

기술 요약: 신경망을 이용한 아스팔트 콘크리트의 피로 수명 예측

문제 정의
아스팔트 콘크리트(AC)의 내구성은 피로 수명과 근본적으로 연결되어 있으며, 이는 유지보수 비용과 구조적 수명을 결정하는 매개변수이다. 4점 굽힘(4PB) 테스트와 같은 전통적인 평가 방법은 시편 준비 및 양생에 수 주가 소요되고, 이후 수 시간 또는 수 일간의 테스트가 뒤따르는 등 자원 집약적이고 시간이 많이 소요된다. 머신러닝(ML)은 기존 데이터를 사용하여 피로 수명을 예측하는 경로를 제시하지만, 인공신경망(ANN)을 활용한 기존의 응용 사례들은 상세한 아키텍처 설명을 결여하거나 방대한 이질적 데이터셋을 활용하지 못하는 경우가 많았다. 또한, 로그 분포를 따르며 상당한 왜도(skewness)를 보이는 피로 수명 데이터 특유의 가변성은 표준 회귀 모델에 도전 과제를 제기한다.

방법론
본 연구는 세 가지 주요 입력 변수인 변형률 수준( $\varepsilon$ ), 바인더 함량, 공극률을 기반으로 피로 수명( $N_f$ )을 예측하기 위해 ANN을 채택하였다.

데이터 수집 및 전처리: 데이터셋은 4개의 피어 리뷰 과학 학술지에서 추출한 245개의 샘플로 구성되었으며, 모두 일정한 변형률 속도, 10 Hz 주파수, 20°C(또는 70°F)의 온도 조건에서 4PB 테스트를 수행한 것이다. 원래 $N_f$ 데이터의 상당한 왜도와 롱테일 분포를 해결하기 위해 최적의 파라미터 $\lambda = -0.09$ 를 갖는 Box–Cox 변환을 적용하였다. 이러한 정규화는 Shapiro–Wilk 검정과 Q-Q 플롯을 통해 검증되었다. 이상치 탐지는 표준 Z-점수와 중앙값 절대 편차(MAD)에 기반한 수정된 Z-점수를 모두 사용하여 수행되었으며, 이상치는 식별되지 않아 전체 데이터셋을 그대로 유지하였다.
모델 아키텍처 및 훈련: ANN은 Keras 라이库리(sequential model)를 사용하여 개발되었다. 입력 변수는 MinMaxScaler를 사용하여 정규화되었다. 모델 아키텍처는 은닉층 수( $n_h$ ), 층당 뉴런 수( $n_{neur,h}$ ), 활성화 함수, 옵티마이저를 평가하는 체계적인 하이퍼파라미터 탐색을 통해 최적화되었다. 최종 선택된 아키텍처는 200개의 뉴런을 가진 두 개의 은닉층을 특징으로 하며, ReLU 활성화 함수와 RMSprop 옵티마이저를 사용하였다.
손실 함수 및 검증: 광범위한 피로 수명 데이터를 수용하기 위해 두 가지 별도의 손실 함수인 평균 제곱 오차(LMSE)와 평균 제곱 로그 오차(LMSLE)를 사용하였다. 데이터셋은 75%의 훈련 세트(다시 80%의 훈련 및 20%의 검증으로 분할)와 25%의 테스트 세트로 분할되었다. 견고성을 확보하고 과적합을 최소화하기 위해 4-겹 교차 검증(four-fold cross-validation) 접근 방식이 활용되었다. 모델 성능은 결정 계수( $R^2$ ), 수정된 $R^2$ , 그리고 산점 지수(SI)를 사용하여 평가되었다.

주요 결과

하이퍼파라미터 최적화: $n_h = 2$ 및 $n_{neur,h} = 200$ 구성이 가장 높은 성능을 나타냈다. ReLU는 선형 및 시그모이드 활성화 함수보다 일관되게 우수한 성능을 보였다. 옵티마이저 중에서는 RMSprop이 특히 ReLU와 결합되었을 때 Adam 및 Nadam에 비해 우수한 안정성과 성능을 입증하였다.
손실 함수 성능: LMSE 기반 모델은 테스트 세트에서 더 높은 $R^2$ (0.967)를 달성하였는데, 이는 높은 $N_f$ 관측치와의 강력한 정렬을 의미한다. 반면, LMSLE 기반 모델은 더 낮은 $R^2$ (0.86)를 기록했으나 현저히 낮은 산점 지수(LMSE의 경우 0.503, LMSLE의 경우 0.926)를 보였으며, 이는 LMSLE가 낮은 피로 수치를 가진 샘플들의 상대적 순서와 분포를 더 잘 포착함을 시사한다.
변수 영향력: 부분 의존성 플롯(Partial dependence plots)은 낮은 공극률(이상적으로 3~4% 미만)과 높은 바인더 함량(일반적으로 5.5% 이상)이 연장된 피로 수명과 상관관계가 있음을 보여주었다. 모델은 높은 공극률이 낮은 바인더 함량과 결합될 때 피로 저항성을 현저히 감소시킨다는 점을 확인하였다.

의의 및 기여
저자들은 본 연구가 실험실 시편의 AC 피로 수명을 예측하기 위한 신경망의 포괄적인 적용 사례라고 주장하며, GitHub 저장소를 통해 코드와 데이터셋을 모두 공개하여 차별성을 둔다. 주요 기여는 다음과 같다:

데이터 투명성: 향후 연구에서 모델을 개선하고, 본 연구에서 높은 가변성으로 인해 제외되었던 아스팔트 및 골재 유형과 같은 변수를 확장할 수 있도록 개방형 접근 기반을 제공한다.
방법론적 엄밀성: 피로 데이터의 로그 특성을 처리하기 위해 하이퍼파라미터 최적화 및 적절한 손실 함수(특히 LMSLE) 선택의 효용성을 입증하였다.
실용적 유용성: 예상 피로 수명의 예비 추정을 위한 도구를 제공하여, 엔지니어가 광범적인 실험 테스트에 대한 의존도를 줄이기 위해 설계 초기 단계에서 배합 설계 매개변수(바인더 및 공극률)를 조정할 수 있게 한다.

한계점
본 논문은 데이터셋이 상대적으로 작고 불균형하며, 상당 부분이 제한된 수의 연구로부터 파생되었다는 점을 겸허히 인정한다. 이는 지배적인 출처의 경향성에 대한 편향을 초래할 수 있으며, 특히 극단적인 $N_f$ 값이나 희귀한 피로 시나리오에 대한 일반화 가능성을 제한할 수 있다. 저자들은 본 모델이 훈련에 사용된 지배적 데이터 소스와 유사한 혼합물에 가장 적합하며, 모델의 견고성과 일반화 가능성을 높이기 위해 추가적인 실험 데이터 수집이 필요하다고 언급하였다.