💻 computer science

An Explainable Android-Based Decision Support System for High-Performance Concrete Strength Prediction Using XGBoost and Monte Carlo SHAP

본 연구는 모바일 기기에서 직접 고성능 콘크리트의 압축 강도에 대한 실시간적이고 해석 가능한 예측을 제공하기 위해, 최적화된 XGBoost 모델과 계산 효율적인 Monte Carlo SHAP 알고리즘을 활용하는 설명 가능한 안드로이드 기반 의사결정 지원 시스템을 제시한다.

원저자: mohsen beigi

게시일 2026-08-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: mohsen beigi

원본 논문은 CC BY 4.0 (https://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

콘크리트는 지구상에서 가장 널리 사용되는 건축 자재로, 우리 도시와 교량, 주택의 골격을 형성합니다. 일반적인 콘크리트는 시멘트, 물, 모래, 돌의 혼합물이지만, 고성능 콘크리트는 더 강하고 내구성이 뛰어나며 작업성이 좋도록 설계된 더 정교한 버전입니다. 이 재료를 만드는 데는 섬세한 균형이 필요합니다. 엔지니어들은 목표 강도를 달로하기 위해 시멘트, 물, 다양한 첨가제와 같은 성분들을 특정 양으로 혼합해야 합니다. 전통적으로 적절한 배합을 결정하는 과정은 샘플을 양생하고 압착하여 얼마나 많은 힘을 견딜 수 있는지 확인하는 시간이 오래 걸리는 실험실 테스트를 포함합니다. 이 과정은 느리고 비용이 많이 들며, 종종 엔지니어가 콘크리트를 이미 타설한 후에야 최종 결과를 알 수 있게 하여 불확실성을 남깁니다.

최근 몇 년 동안 과학자들은 과거의 데이터를 통해 결과를 예측하는 컴퓨터 프로그램에 주목해 왔습니다. 머신러닝 모델이라고 불리는 이 프로그램들은 수천 개의 이전 콘크리트 레시피와 그 결과 강도를 분석하여 인간의 직관이 놓칠 수 있는 복잡한 패턴을 찾아낼 수 있습니다. 그러나 중대한 문제가 나타났습니다. 가장 정확한 컴퓨터 모델들이 종종 '블랙박스'처럼 작동한다는 점입니다. 이 모델들은 새로운 혼합물의 강도를 매우 정밀하게 예측할 수는 있지만, 왜 그런 숫자에 도달했는지는 설명하지 못합니다. 건설 현장에 서 있는 엔지니어에게 예측된 강도를 아는 것도 유용하지만, 어떤 성분이 강도를 높이거나 낮추고 있는지 이해하는 것은 안전하고 정보에 기반한 결정을 내리는 데 필수적입니다. 더욱이, 이 강력한 모델들은 대개 실행을 위해 거대한 컴퓨터나 인터넷 연결을 필요로 하므로, 전력과 연결성이 부족한 현장에서 사용하기에는 비실용적입니다.

한 연구자가 높은 정확도의 예측과 명확한 설명을 모두 스마트폰으로 가져오는 도구를 개발함으로써 이 간극을 메웠습니다. 이 연구는 고성능 콘크리트의 강도를 추측하는 데 가장 효과적이라고 판단한 XGBoost라는 특정 유형의 고급 컴퓨터 모델에 집중했습니다. 연구자는 2,000개가 넘는 서로 다른 콘크리트 혼합물 데이터베이스를 사용하여 이 XGBoost 모델을 다섯 가지의 다른 인기 있는 머신러닝 방법과 비교 테스트했습니다. 결과에 따르면 XGBoost 모델이 가장 정확했으며, 예측값은 실제 측정된 강도와 평균적으로 단 3.512 메가파스칼(압력 단위)만큼만 차이가 났습니다. 이러한 성능은 더 큰 오차 범위를 보인 다른 모델들보다 우수했습니다.

이 연구의 진정한 혁신은 이 강력한 모델을 어떻게 모바일 기기에서 작동하게 만들고 이해하기 쉽게 만들었느냐에 있습니다. 휴대폰에서 복잡한 모델을 실행하는 것은 어렵지만, 연구자는 학습된 모델을 휴대폰이 외부 인터넷 연결 없이도 읽고 처리할 수 있는 단순한 텍스트 파일 형식으로 변환함으로써 이 문제를 해결했습니다. 이를 통해 애플리케이션이 완전히 오프라인으로 작동할 수 있게 되었으며, 이는 엔지니어가 원격 지역에서도 어디서든 사용할 수 있음을 의미합니다. '블랙박스' 문제를 해결하기 위해, 연구자는 스마트폰에서도 빠르게 실행될 수 있는 모델의 사고 과정을 설명하는 새로운 방법을 개발했습니다. 표준적인 모델 설명 방식은 계산량이 너무 많아 스마트폰에서 실행하기에는 너무 오래 걸리고 배터리를 소모하기 때문입니다. 대신 연구자는 각 성분이 최종 예측에 얼마나 기여하는지 추정하기 위해 입력 데이터의 무작위 변형을 샘플링하는 기술을 사용했습니다.

그 결과물은 단순히 숫자만을 제공하는 것 이상의 의사결정 지원 시스템입니다. 사용자가 시멘트, 물, 혼합물의 연령과 같은 콘크리트 혼합물의 세부 사항을 입력하면, 앱은 즉시 예측 강도를 계산합니다. 동시에, 앱은 예측 내용을 세분화하여 보여주는 시각적 차트를 생성합니다. 이 차트는 평균적인 혼합물을 기준으로 시작점을 잡은 뒤, 사용자가 입력한 각 특정 성분에 따라 값을 더하거나 빼서 보여줍니다. 예를 들어, 시멘트의 양이 많아지면 예측 강도가 올라가고, 특정 첨가제가 들어가면 강도가 내려가는 식의 모습을 보여줄 수 있습니다. 이러한 시각적 설명은 사용자가 컴퓨터가 어떻게 결론에 도달했는지 정확히 볼 수 있게 해주며, 복잡한 계산을 혼합물의 구성에 대한 투명한 이야기로 바꾸어 줍니다.

연구자는 이 접근 방식이 데이터셋을 통해 효과적으로 작동함을 입증했으며, 생성된 설명이 모델의 동작과 일치함을 확인했습니다. 연구자들은 이 단순화된 설명 생성 방식이 전통적인 정밀 방식보다 수백 배 더 빠르다는 것을 발견했으며, 이는 모바일 기기에서 실시간으로 사용하는 것을 가능하게 합니다. 높은 정확도의 예측 엔진과 명확한 시각적 설명을 결격하여 오프라인으로 구동하는 이 시스템은 엔지니어들에게 실용적인 도구를 제공합니다. 이 시스템은 콘크리트 설계를 시행착오 과정에서 데이터 기반의 의사결정 과정으로 변화시켜, 전문가들이 실험실이나 슈퍼컴퓨터 없이도 혼합물을 최적화하고 구조적 안전을 확보할 수 있도록 해줍니다.

기술 요약: 고성능 콘크리트 강도 예측을 위한 설명 가능한 안드로이드 기반 의사결정 지원 시스템

문제 정의
고성능 콘크리트(HPC)의 압축 강도(CS)를 정확하게 예측하는 것은 혼합물 설계를 최적화하고 실험 비용을 절감하는 데 매우 중요하다. 그러나 HPC 강도는 8가지 입력 변수(시멘트, 고로 슬래그, 플라이 애쉬, 물, 감수제, 굵은 골재, 잔골재, 경화 시간) 간의 복잡하고 비선형적인 상호작용에 따라 결정되므로, 전통적인 경험적 방법으로는 한계가 있다. 머신러닝(ML) 모델은 높은 예측 정확도를 제공하지만, 공학적 의사결정에 필요한 해석 가능성이 결여된 "블랙박스"로 작동하는 경우가 많다. 또한, 기존의 설명 가능한 AI(XAI) 기법인 SHAP(SHapley Additive exPlanations)은 클라우드 서버나 데스크톱 환경을 필요로 하며, 자원이 제한된 모바일 기기에서 실시간으로 배포하기에는 계산 비용이 너무 높다. 본 연구는 토목 공학 현장 적용을 위해 인터넷 연결 없이도 스마트폰에서 직접 구동 가능한, 정확하고 해석 가능하며 오프라인 실행이 가능한 ML 시스템을 구축하는 데 대한 격차를 해소한다.

연구 방법론
본 연구는 데이터 분석, 모델 개발, 최적화 및 모바일 배포를 포함하는 구조화된 워크플로우를 따랐다.

데이터셋 및 전처리: 8개의 입력 변수와 CS(대상 변수)를 가진 2,171개의 HPC 혼합물 데이터셋을 활용하였다. 데이터는 75%의 훈련 세트와 25%의 테스트 세트로 분할되었으며, 견고한 성능 평가를 위해 5-겹 교차 검증(5-fold cross-validation)을 수행하였다. 계층적 클러스터링과 상관관계 히트맵을 사용하여 특성 간 의존성을 분석하였다.
모델 개발 및 비교: AdaBoost, Random Forest(RF), Support Vector Regression(SVR), 인공 신경망(ANN), CatBoost, XGBoost 등 6가지 ML 알고리즘을 구현하고 Optuna 프레임워크를 사용하여 최적화하였다. 하이퍼파라미터 튜닝은 각 모델당 30회의 시행을 거쳐 진행되었다.
모델 선택 및 내보내기: XGBoost가 가장 우수한 예측 성능을 보였다. 훈련된 모델은 베이스 스코어와 결정 트리 구조를 포함하는 JSON 형식으로 내보내졌으며, 이를 통해 외부 ML 라이나리 없이도 모델 재구성이 가능하도록 하였다.
모바일 배포: Basic4Android(B4A) 플랫폼을 사용하여 안드로이드 애플리케이션을 개발하였다. 이 앱은 데이터 입력, 경량화된 XGBoost 추론 엔진(JSON으로부터 트리를 재구성하여 오프라인 예측 수행), 그리고 설명 가능성 모듈의 세 가지 모듈로 구성된다.
몬테카를로 SHAP 근사법: 모바일 기기에서의 정확한 SHAP 계산이 갖는 계산적 불가능성(데이터셋 기준 440만 회 이상의 모델 평가 필요)을 극복하기 위해, 몬테카를로 근사법을 구현하였다. 이 방법은 무작위 특성 순열(예: $N=1000$ )을 샘플링하고 순차적인 한계 기여도를 계산함으로써 SHAP 값을 추정한다. 이는 계산 비용을 약 494배 감소시키면서도 해석 가능성을 유지한다.
시각화: 애플리케이션은 인터랙티브 폭포수 차트(waterfall plot)를 통해 SHAP 값을 시각화한다. 이는 베이스라인 예측값과 각 입력 변수가 최종 CS 예측에 미치는 양(+)의 기여(녹색) 또는 음(-)의 기여(적색)를 보여준다.

주요 결과

예측 성능: 6가지 모델 중 XGBoost가 $R^2$ 0.969, 상관계수( $r$ ) 0.985, 그리고 가장 낮은 오차 지표(RMSE = 3.512 MPa, MAE = 2.297 MPa)를 기록하며 가장 높은 정확도를 달ей했다. CatBoost는 유사한 성능을 보였으나, SVR과 AdaBoost는 상대적으로 낮은 성능을 보였다.
안정성: XGBoost는 5-겹 교차 검증의 모든 분할에서 일관된 성능( $R^2$ 범위 0.962 ~ 0.984)을 유지하였다.
모바일 구현: JSON 기반의 XGBoost 엔진은 인터넷 연결 없이도 안드로이드 기기에서 파이썬 수준의 예측을 성공적으로 재현하였다.
설명 가능성 효율성: 몬테카를로 SHAP 접근법을 통해 스마트폰에서 실시간에 가까운 특성 기여도 생성이 가능해졌다. 재구성된 예측값(베이스라인 + SHAP 값의 합)은 모델의 직접 출력값과 밀접하게 일치하여 근사법의 일관성을 검증하였다.
특성 통찰: 폭포수 차트는 시멘트(C)와 경화 시간이 주요 동력임을 드러냈으며, 시스템은 특정 혼합물 매개변수(예: 물-결합재 비율 성분)가 개별 예측에 어떻게 영향을 미치는지 효과적으로 시각화하였다.

핵심 기여

비교 분석: HPC 강도 예측을 위한 6가지 ML 알고리즘의 체계적인 평가를 통해 XGBoost가 최적의 모델임을 식별하였다.
오프라인 모바일 배포: 고성능 XGBoost 모델을 B4A를 사용한 독립형 안드로이드 애플리케이션에 성공적으로 통합하여 클라우드 인프라의 필요성을 제거하였다.
경량 XAI: 자원이 제한된 모바일 환경에 특화된 설계된 몬테카를로 SHAP 알고리즘을 개발 및 구현하여, 기기 내 실시간 모델 해석 가능성을 실현하였다.
통합 프레임워크: 예측, 휴대성, 설명 가능성을 결합한 통합 의사결정 지원 도구를 구축하여, 엔지니어가 특정 강도가 왜 그렇게 예측되었는지 이해할 수 있도록 하였다.
현장 적용성: 인터넷 접속이 제한적이거나 불가능한 건설 현장에서의 실무적 도구로서의 가능성을 입증하였다.

의의 및 주장
본 논문은 개발된 프레임워크가 첨단 ML 역량과 실제 공학적 요구 사이의 간극을 성공적으로 메웠다고 주장한다. 예측과 설명 가능성을 단일 모바일 플랫폼에 통합함으로써, 이 시스템은 단순한 "블랙박스" 예측을 넘어 현장에서 직접 데이터에 기반한 투명한 통찰을 제공한다. 저자는 이 접근 방식이 실무자가 혼합물 매개변수의 구체적인 영향을 시각화할 수 있게 함으로써 신뢰할 수 있는 의사결정을 지원한다고 강조한다. 본 연구는 설명 가능한 AI를 모바일 기기에 직접 배포하는 것이 가능하다는 것을 보여주며, 이것이 예비 혼합물 평가, 교육 및 현장 지원을 위한 가치 있는 도구가 될 수 있음을 결론짓는다. 또한 인장 강도 및 내구성과 같은 다른 콘크리트 특성으로 확장될 수 있는 잠재력을 가진다.

유사한 논문