⚡ electrical engineering

AI-driven design for the compressive strength of steel fiber-reinforced recycled aggregate concrete: Stacking models and parametric analysis

본 연구는 465개의 데이터 샘플로 학습된 랜덤 포레스트와 K-최근접 이웃을 결합한 스태킹 모델이 강철 섬유 보강 순환 골재 콘크리트의 압축 강도를 예측하는 데 있어 탁월한 정확도(R² = 0.996)를 달enc성하며, SHAP 분석을 통해 물-결합재 비를 지배적인 영향 요인으로 식별함을 입증한다.

원저자: Thien Phuc Nguyen, Tan-Duy PHAN, Kha-Ky LAM

게시일 2026-07-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Thien Phuc Nguyen, Tan-Duy PHAN, Kha-Ky LAM

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

건설 세계를 모래, 자갈, 물이라는 산더미 같은 양분을 먹어 치우는 거대하고 굶주린 야수로 상상해 보십시오. 이 야수가 한 입 베어 물 때마다 이산화탄소 구름을 내뿜으며 지구를 뜨겁게 만듭니다. 이 야수가 자신의 배설물에 질식하는 것을 막기 위해, 엔지니어들은 아주 영리한 속임수를 쓰고 있습니다. 바로 야수에게 그가 남긴 찌꺼기를 먹이는 것입니다. 신선하고 천연적인 암석 대신, 철거된 오래된 콘크리트를 부수어 새로운 배합의 '모래와 자갈'로 사용하는 것입니다. 이것이 바로 재활용 골재 콘크리트입니다. 하지만 여기에는 함정이 있습니다. 재활용된 재료는 천연 암석에 비해 약간 더 약하고 다공성인데, 마치 바위와 비교했을 때 스펀지와 같습니다. 이를 해결하기 위해 엔지니어들은 미세한 강섬유(마치 미세한 철근이나 강철 수염 같은 것)를 집어넣습니다. 이 섬유들은 안전망 역할을 하여 콘크리트를 결합시키고 균열이 퍼지는 것을 막아줍니다. 과학자들의 큰 질문은 항상 이것이었습니다. "이 새로운 친환경 슈퍼 콘크리트는 실제로 얼마나 강할 것인가?" 전통적으로 이를 알아내는 유일한 방법은 배합을 하고, 몇 주 동안 마르기를 기다렸다가, 거대한 압축기로 으깨는 것이었습니다. 이는 느리고, 비싸며, 낭비가 심합니다.

여기서 이 논문은 디지털 시간 여행자처럼 등장합니다. 연구진인 Thien Phuc Nguyen, Tan-Duy Phan, 그리고 Kha-Ky Lam은 기다리는 방과 파쇄 테스트 단계를 통째로 건너뛰기로 했습니다. 그들은 465개의 과거 실험 데이터, 즉 이 강섬섬유 콘크리트에 대한 465개의 서로 다른 레시피를 수집하여 컴퓨터가 이를 읽을 수 있도록 학습시켰습니다. 그들은 단순히 하나의 단순한 두뇌를 사용하지 않았습니다. 대신 "스태킹(stacking)" 방식의 인공지능 모델 팀을 구축했습니다. 전문가 그룹을 상상해 보십시오. 한 명은 의사결정 나무(순서도 전문가)이고, 다른 한 명은 랜덤 포레스트(여러 순서도가 모여 투표하는 군중)이며, 세 번째는 K-최근접 이웃(닮은꼴 찾기 전문가)입니다. 이들이 각자 일하게 하는 대신, 최종 답안이 전체 팀의 합의가 되도록 만들었습니다. 목표는 레시피를 보는 것만으로도 시멘트를 단 한 양동이도 섞지 않고 이 녹색 콘크리트의 강도를 예측할 수 있는 수정구슬을 만드는 것이었습니다.

이 디지털 실험의 결과는 놀라울 정도로 날카로웠습니다. 연구팀은 자신들의 "스태킹" 팀이 믿기지 않을 정도로 정확하다는 것을 발견했습니다. 그들이 가장 좋은 모델(랜덤 포레스트와 K-최근접 이웃 전문가의 특정 조합)을 본 적 없는 새로운 데이터로 테스트했을 때, 거의 매번 정답을 맞혔습니다. 모델의 정확도 점수(R²)는 무려 0.996에 달했는데, 이는 거의 완벽에 가깝습니다. 예측의 세계에서 이것은 수박을 보기만 하고도 그 무게를 오차 범위 1 MPa(압력 단위) 미만으로 맞히는 것과 같습니다. 이 논문은 단순한 단일 모델의 추측만으로는 충분하지 않다는 점을 명시적으로 밝히며, 이러한 AI 모델들을 하나의 팀으로 결합하는 것이 이 수준의 정밀도를 끌어내는 열쇠임을 보여주었습니다.

하지만 연구진은 단순히 강도를 추측하는 데 그치지 않고, 왜 그런 결과가 나오는지 알고 싶어 했습니다. 그들은 AI의 뇌를 들여다보는 돋보기 역할을 하는 SHAP라는 특별한 도구를 사용하여 어떤 성분이 가장 중요한지 확인했습니다. 답은 명확했습니다. 물-결합재 비(물과 시멘트를 섞는 비율)가 대장이었습니다. 물을 너무 많이 넣으면 강도는 급격히 떨어집니다. 강섬유와 재활용 골재도 중요했지만, 물에 비하면 조연에 불랬습니다. 또한 논문은 "부분 의존성 플롯(Partial Dependence Plots)"을 사용했는데, 이는 사운드보드의 슬라이더와 같아서 하나의 성분을 변화시킬 때 결과가 어떻게 변하는지 보여줍니다. 그들은 물을 낮게 유지하고, 시멘트를 높게(500 kg/m³ 이상) 하며, 재활용 골재를 특정 혼합비(50-60% 대체)로 유지하는 것이 최적의 지점(sweet spot)을 만든다는 것을 발견했습니다.

마지막으로, 팀은 매우 강한(60에서 90 MPa 사이) 콘크리트의 완벽한 레시피를 지도화하기 위해 형형색색의 거미줄처럼 보이는 "평행 좌표 플롯(parallel coordinate plot)"을 그렸습니다. 그들은 이 높은 강도 목표를 달기 위해서는 물-결합재 비가 0.25에서 0.35 사이여야 하고, 섬유 함량이 1.0~1.5%여야 하며, 모래와 시멘트의 특정 양이 필요하다는 것을 찾아냈습니다. 이것은 단순한 추측이 아니라 데이터에 기반한 로드맵입니다. 논문은 엔지니어들이 이러한 AI 도구를 사용함으로써 과거의 끝없는 시행착오를 건너뛰고 더 빠르고 저렴하게 지속 가능한 고강도 콘크리트를 설계할 수 있다고 제안합니다. 이 논문이 이 방식이 건설의 모든 문제를 해결한다고 주장하는 것은 아니지만, 이 AI 기반 접근 방식이 안전을 희생하지 않으면서도 더 푸른 미래를 건설하기 위한 신뢰할 수 있고 강력한 새로운 도구임을 강력하게 시사하고 있습니다.

기술 요약: 강섬유 보강 재활용 골재 콘크리트의 압축 강도를 위한 AI 기반 설계

문제 정의
전통적인 콘크리트 생산은 천연자원에 크게 의존하며 상당한 양의 이산화탄소를 배출하는 반면, 건설 및 해체 폐기물의 축적은 환경적 문제를 야기합니다. 강섬유 보강 재활용 골재 콘크리트(FRRACs)는 재활용 굵은 골재(RCA)와 강섬재를 활용하여 기계적 성질을 개선함으로써 지속 가능한 대안을 제시합니다. 그러나 RCA의 불균질한 특성과 섬유 분포의 가변성으로 인해 FRRACs의 압축 강도(CS)를 예측하는 것은 매우 까다롭습니다. 기존의 실험실 테스트는 시간이 많이 소요되고 비용이 많이 들며 노동 집약적입니다. 이전 연구들이 압축 강도 예측을 위해 기본적인 머신러닝 알고리즘을 적용해 왔으나, FRRACs의 혼합물 설계를 최적화하기 위한 고급 앙상블 방법, 특히 스태킹(stacking) 모델의 신뢰성, 일반화 가능성 및 실질적 구현에 관한 연구에는 공백이 존재합니다.

방법론
본 연구는 출판된 문헌에서 수집된 465개의 실험 샘플로 구성된 데이터셋을 활용하였습니다. 입력 변수는 11개(시멘트, 물-결합재 비, 물, 잔골재, 굵은 골재, 재활용 굵은 골재 치환율, 강섬유 체적 함량, 섬유 직경, 섬유 길이, 섬유 종횡비, 섬유 지수)이며, 출력 변수는 압축 강도입니다.

연구는 다음과 같은 4단계 분석 프레임워크를 따랐습니다:

데이터 준비: 데이터셋을 무작위로 훈련(80%) 및 테스트(20%) 서브셋으로 분할하였습니다.
모델 개발: 세 가지 기본 알고리즘인 결정 트리(DT), K-최근접 이웃(KNN), 랜덤 포레스트(RF)를 채택하였습니다. 이 기본 학습기들을 결합하여 네 가지 독특한 스태킹 앙상블 모델을 구축하였습니다:
- 스태킹 모델 1: DT + RF
- 스태킹 모델 2: RF + KNN
- 스태킹 모델 3: DT + KNN
- 스태킹 모델 4: DT + RF + KNN
성능 평가: 모델은 결정 계수( $R^2$ ), 평균 제곱근 오차(RMSE), 평균 제곱 오차(MSE), 평균 절대 오차(MAE)를 사용하여 평가되었습니다.
해석 가능성 및 최적화: 입력 변수의 영향을 이해하기 위해 SHAP(Shapley Additive Explanations)과 부분 의존도 플롯(PDP, 1D 및 2D 모두 포함)을 사용하였습니다. 마지막으로, 고강도 목표를 위한 최적의 혼합 범위 식별을 위해 평행 좌표 플롯(parallel coordinate plot)을 사용하였습니다.

주요 결과

예측 성능: 네 가지 스태킹 모델 모두 강력한 예측 능력을 보여주었으며, 훈련 $R^2$ 값은 0.972를 초과했습니다. 테스트 단계에서는 **스태킹 모델 2 (RF + KNN)**가 가장 높은 정확도를 달 기록하며, $R^2$ 0.996, RMSE 0.968 MPa, MAE 0.495 MPa를 달성했습니다. 이는 RF-KNN 스태킹 전략이 다른 조합 및 단일 모델보다 우월함을 확인시켜 주었습니다.
특성 중요도 (SHAP): SHAP 분석 결과, **물-결합재 비(W/B)**가 압축 강도에 영향을 미치는 가장 지배적인 변수로 나타났으며, 잔골재(FA)와 섬유 지수(FI)가 그 뒤를 이었습니다. 높은 W/B 값은 압축 강도에 부정적인 영향을 미치는 것으로 나타난 반면, 낮은 값은 긍정적으로 기여했습니다. 시멘트 함량과 같은 다른 변수들은 데이터셋 내에서 상대적으로 작은 개별 효과를 보였습니다.
매개변수 분석 (PDP):
- 1D-PDP: W/B와 압축 강도 사이의 음의 관계를 확인했습니다. 재활용 굵은 골재(RC) 치환율은 비교적 평탄한 추세를 보였으며, 이는 개별적인 영향력이 제한적임을 나타냅/
- 2D-PDP: 상호작용 분석 결과, 최적의 압축 강도는 W/B 비율이 약 0.35 미만이고, 잔골재 함량이 약 780 kg/m³를 초과하며, 시멘트 함량이 약 450–500 kg/m³보다 높을 때 달성됨을 밝혔습니다.
최적 혼합 설계: 평행 좌표 플롯을 사용하여 60–90 MPa의 목표 압축 강도를 달성하기 위한 특정 매개변수 범위를 식별하였습니다:
- W/B: 0.25–0.35
- 시멘트: >500 kg/m³
- 잔골재: 850–900 kg/m³
- 굵은 골재: 800–850 kg/m³
- RC 치환율: 0.5–0.6
- 강섬유 체적: 1.0–1.5%
- 섬유 직경: 0.6–1.0 mm
- 섬유 길이: 40–60 mm
- 섬유 종횡비: 50–80
- 섬유 지수: 0.6–0.8

의의 및 주장
본 논문은 제안된 스태킹 머신러닝 프레임워크, 특히 RF-KNN 조합이 전통적인 단일 알고리즘 접근 방식보다 FRRACs의 압축 강도를 예측하는 데 있어 매우 정확하고 신뢰할 수 있는 도구를 제공한다고 주장합니다. SHAP 및 PDP 분석을 통합함으로써, 본 연구는 한계 효과와 상호작용을 명확히 하는 해석 가능한 모델을 제공합니다.

저자들은 이러한 결과가 최적의 혼합 설계를 위한 솔루션을 제공함으로써 데이터 기반의 지속 가능한 콘크리트 설계 분야에 기여한다고 단언합니다. 이 접근 방식은 구조적 안전성과 지속 가능성 사이의 균형을 맞추어, 과설계(비용 및 자재 소비 증가 유발) 또는 성능 미달을 방지하는 것을 목표로 합니다. 궁극적으로, 본 연구는 이러한 데이터 기반 방법이 광범적인 실험적 테스트의 필요성을 줄여 설계 절차를 간소화하고, 재활용 골재와 강섬유를 포함하는 친환경 콘크리트 시스템의 폭넓은 도입을 촉진할 수 있다고 상정합니다.

유사한 논문