Residual strength of corroded reinforced concrete beams: Experimental, analytical, numerical and machine learning approach

철근 콘크리트 보를 튼튼한 슈퍼히어로 샌드위치라고 상상해 보세요. 빵은 콘크리트이고, 그 안에 들어있는 철근은 이들을 하나로 묶어주는 초강력 근육입니다. 하지만 시간이 흐르면, 특히 염분이 있거나 오염된 공기에 노출되면, 이 철제 근육들은 녹슬기 시작합니다. 마치 녹슨 자전거 체인처럼, 철근은 점점 가늘어지고 약해지며, 결국 샌드위치는 무거운 하중을 견디는 능력을 잃게 됩니다.

이 연구는 이 "녹슨 샌드위치"들이 얼마나 많은 힘을 남겨두고 있는지 정확히 알아내기 위한 거대한 탐정 미션입니다. 연구진은 단순히 추측만 한 것이 아니라, 이 미스터리를 풀기 위해 네 가지 서로 다른 방법을 시도했습니다: 실제 실험을 수행하고, 수학 공식을 사용하고, 컴퓨터 시뮬레이션을 돌리고, 데이터를 통해 컴퓨터가 학습하도록 가르치는 것입니다.

실제 실험: 녹슨 체육관
먼저, 연구팀은 'M30' 등급의 콘크리트와 더 강력한 'M50' 등급의 콘크리트로 만든 다섯 개의 실제 콘크리트 보를 제작했습니다. 그들은 자연적으로 녹이 슬 때까지 기다리지 않았습니다. 대신, 보를 소금물 탱크에 넣고 전기를 흘려보내 부식 과정을 가속화함으로써 최대 16%의 부식 수준을 만들어냈습니다.

그 후, 이 보들을 테스트 기계 위에 올려놓고 부서질 때까지 구부렸습니다. 결과는 극적이었습니다. 부식되지 않은 신선한 M50 콘크리트 보는 68 kN의 힘을 견딜 수 있었습니다. 하지만 약 12% 정도 녹슬자 그 강도는 43.71 kN으로 떨어졌습니다. 15% 부식되었을 때는 38 kN밖에 견디지 못했습니다. 요약하자면, 녹은 심각한 불량배였으며, 보의 강도를 최대 **44%**까지 앗아갔습니다.

수학 공식: 규칙 책
다음으로, 연구팀은 IS 456:2000이라는 표준 규칙 책을 사용하여 이 결과를 예측하려고 시도했습니다. 이것은 마치 케이크가 어떻게 나올지 예측하기 위해 레시피를 사용하는 것과 같습니다. 기존의 표준 레시피는 녹의 복잡한 현실을 반영하지 못했기 때문에 완벽하게 작동하지 않았습니다. 그래서 연구진은 특별한 "회귀(regression)" 조정(세련된 수학적 수정)을 통해 레시피를 다듬었습니다.

새롭게 다듬어진 공식을 사용했을 때, 예측값은 실제 실험 결과와 놀라울 정도로 가까웠으며, 평균 오차는 단 **3.95%**에 불과했습니다. 꽤 괜찮은 추측이었지만, 저자들은 이러한 공식들이 녹이 어떻게 작용하는지에 대한 아주 세밀한 부분까지 포착하기에는 너무 단순할 수 있다고 언급했습니다.

컴퓨터 시뮬레이션: 가상 실험실
실제 보를 제작하는 것은 비용과 시간이 많이 들기 때문에, 연구진은 ABAQUS라는 강력한 컴퓨터 프로그램을 사용하여 보의 디지털 트윈(digital twin)을 구축했습니다. 그들은 컴퓨터에게 "녹에 맞춰 철근을 더 가늘게 만들어"라고 명령하고, 가상 세계에서 어떤 일이 일어나는지 지켜보았습니다.

컴퓨터 시뮬레이션은 강력한 후보였습니다. 이 모델은 실제 테스트와 비교했을 때 평균 약 **6.91%**의 오차로 파괴 지점을 예측했습니다. 그러나 저자들은 가장 좋은 컴퓨터 모델이라 할지라도, 철근과 콘크리트 사이의 결합이 완벽하다고 가정하는 것처럼 (현실의 복잡한 상황과는 다른) 몇 가지 단순화 과정을 거쳐야 한다는 점을 인정했습니다.

머신러닝 히어로: 슈퍼 브레인
마지막으로, 연구팀은 최종 병기인 머신러닝을 투입했습니다. 그들은 단순히 다섯 개의 보만 사용한 것이 아니라, 전 세계 과학자들이 수행한 201개의 서로 다른 보 실험 데이터를 모았습니다. 그리고 이 데이터를 선형 회귀(Linear Regression), 인공 신경망(ANN), XGBoost, 랜덤 포레스트(Random Forest)라는 네 가지 서로 다른 "두뇌" 모델에 입력했습니다.

그들은 이 디지털 두뇌들에게 보의 너비, 콘크리트 강도, 부식률 등을 바탕으로 보의 강도가 어떻게 될지 예측하도록 요청했습니다.

여기 대망의 결과가 있습니다: 랜덤 포레스트(Random Forest) 모델이 명확한 승자였습니다. 이 모델은 특정 측정 단위 기준으로 단 0.27의 평균 오차를 기록하며 실측 데이터와 가장 긴밀하게 일치하는 모습을 보였습니다. XGBoost 모델 또한 매우 우수했습니다. 반면, **인공 신경망(ANN)**은 훨씬 큰 오차를 보이며 일관성이 부족한 모습을 보여 고전했습니다. 선형 회귀 모델은 괜찮은 편이었으나, 다른 모델들이 찾아낸 복잡하고 비선형적인 패턴을 포착하지는 못했습니다.

연구진이 자신들이 직접 실험실에서 만든 다섯 개의 보를 대상으로 승리한 랜덤 포레스트 모델을 테스트했을 때, 그 정확도는 놀라웠습니다. 부식되지 않은 보의 경우 예측 오차가 약 **5.68%**였고, 녹슨 보의 경우 평균 오차는 **5.81%**였습니다.

결론
이 연구는 실제 실험을 수행하고 복잡한 컴퓨터 시뮬레이션을 돌리는 것이 가치 있는 일이지만, 시간과 비용이 많이 든다는 결론을 내립니다. 랜덤 포레스트 머신러닝 모델은 녹슨 보의 남은 강도를 예측하는 훨씬 빠르고 매우 정확한 방법을 제공합니다. 이는 마치 몇 달이 걸리는 대신 몇 초 만에 구조물의 건강 상태를 알려주는 수정구슬을 가진 것과 같습니다.

하지만 저자들은 이것이 다른 모든 방법을 대체하는 마법 지팡이는 아니라는 점을 주의 깊게 밝히고 있습니다. 실험적 및 수치적 방법은 여전히 무언가가 왜 부서지는지를 이해하고 모델을 검증하는 데 필수적입니다. 하지만 많은 구조물의 안전을 빠르게 평가하는 데 있어, 이 머신러닝 접근 방식은 강력한 새로운 도구입니다.