⚡ 전기공학

Explainable Machine Learning for Predicting the Splitting Tensile Strength of SCM-Blended Concrete Using Optimized Gaussian Process Regression

본 연구는 베이지안 기법을 통해 가우시안 프로세스 회귀 모델을 최적화하고 물과 시멘트 함량을 주요 영향 요인으로 식별함으로써, 혼합재가 포함된 콘크리트의 인장 분할 강도를 예측하기 위한 신뢰할 수 있고 설명 가능한 프레임워크를 구축한다.

원저자: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

게시일 2026-09-28

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

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. 콘크리트의 강도와 내구성은 주로 물과 섞였을 때 단단해지는 결합 분말인 포틀랜드 시멘트에서 비롯됩니다. 그러나 이 시멘트를 생산하는 과정은 전 세계 탄소 배출의 주요 원인이 되고 있으며, 이로 인해 엔지니어들은 시멘트 사용량을 줄이기 위한 방법을 모색하고 있습니다. 이를 위해 그들은 종종 플라이 애시(fly ash), 실리카 퓨메(silica fume), 또는 고로 슬래그 미분말(ground granulated blast-furnace slag)과 같은 산업 부산물로 시멘트의 일부를 대체합니다. 보조 시멘트 재료라고 불리는 이러한 물질들은 화학적으로 반응하여 콘크리트를 강화하는 동시에 환경 발자국을 낮출 수 있습니다. 하지만 이러한 복잡한 혼합물이 어떻게 거동할지 예측하는 것은 어렵습니다. 엔지니어들이 콘크리트 블록이 으깨지기 전까지 얼마나 많은 무게를 견딜 수 있는지는 쉽게 측정할 수 있지만, 이를 잡아당겨 찢는 데 얼마나 큰 힘이 필요한지를 측정하는 것은 훨씬 더 까ante한 일입니다. 이 "직접 인장 강도(splitting tensile strength)"는 매우 중요한데, 왜냐하면 콘크리트는 본래 인장에 약하며, 재료가 잡아당겨질 때 균열이 시작되는 경우가 많기 때문입니다. 신뢰할 수 있는 예측 모델이 없다면, 더 안전하고 지속 가능한 구조물을 설계하기 위해서는 광범위하고 비용이 많이 드는 실험실 테스트가 필요합니다.

연구진은 이러한 친환경 콘크리트 혼합물의 직접 인장 강도를 예측하도록 컴퓨터를 학습시켜 이 문제를 해결하고자 했습니다. 그들은 전 세계 수백 가지의 서로 다른 콘크리트 레시피 기록이 담긴 방대한 글로벌 데이터베이스를 수집했습니다. 컴퓨터에는 각 레시피에 포함된 8가지 핵심 성분이 입력되었습니다. 즉, 시멘트, 물, 굵은 골재, 잔골재의 양과 시멘트 대체제로 사용된 다양한 산업 부산물, 그리고 혼합물의 유동성을 돕는 화학 첨가제인 유동화제(superplasticizer)의 양입니다. 목표는 컴퓨터가 이러한 성분들과 최종 콘-크리트 강도, 특히 잡아당기는 힘에 저항하는 능력 사이의 숨겨진 패턴을 학습하는 것이었습니다.

연구진은 어떤 모델이 이러한 패턴을 가장 잘 학습할 수 있는지 확인하기 위해 다양한 수학적 모델을 테스트했습니다. 그들은 단순 선형 방정식, 결정 트리(decision trees), 복잡한 신경망을 가우시안 프로세스 회귀(Gaussian process regression)라고 불리는 더 정교한 접근 방식과 비교했습니다. 이 방법은 관계가 완벽하게 직선 형태가 아닌, 지저받고 복잡한 실제 데이터를 처리하는 데 특히 유용합니다. 수천 번의 시뮬레이션을 실행한 결과, 연구팀은 "유리 이차(rational quadratic)" 커널을 사용하는 특정 버전의 회귀 모델이 다른 모든 모델보다 성능이 뛰어나다는 것을 발견했습니다. 이 베이스라인 모델은 새로운 콘크리트 혼합물의 강도를 평균 오차 단 0.34 메가파스칼(MPa, 힘을 측정하는 압력 단위) 내에서 예측할 수 있었습니다.

모델을 더욱 날카롭게 만들기 위해 연구진은 내부 설정을 미세 조정하는 데 베이지안 최적화(Bayesian optimization) 기법을 사용했습니다. 이 과정은 고성능 라디오의 다이얼을 조절하여 가장 선명한 신호를 찾는 것과 비슷하지만, 무작위로 추측하는 대신 지능적으로 다양한 조합을 테스트하며 수행됩니다. 최적화된 모델은 눈에 띄게 개선되어 평균 예측 오차를 약 0.29 메가파스칼로 줄였으며 전체적인 정확도를 높였습니다. 이러한 개선은 모델이 더 정밀해졌을 뿐만 아니라, 학습 후 예측 속도 또한 빨라졌음을 의미하며, 이를 통해 엔지니어들은 새로운 혼합물 설계를 거의 즉각적으로 평가할 수 있게 되었습니다.

아마도 이 연구에서 가장 중요한 부분은 컴퓨터의 "사고 과정"을 이해할 수 있게 만드는 것이었을 것입니다. 고급 머신러닝 모델은 종-종 이유를 설명하지 않고 답만 내놓는 "블랙박스"라는 비판을 받곤 합니다. 이를 해결하기 위해 연구진은 상자를 열고 내부를 들여다볼 수 있는 두 가지 도구를 사용했습니다. 그들은 단일 성분의 변화가 예측 강도에 어떤 영향을 미치는지 보여주는 시각적 지도를 만들었습니다. 이 지도들은 명확하고 논리적인 경향을 드러냈습니다. 혼합물 내의 물의 양을 늘리면 예측 강도가 일관되게 낮아지는 반면, 시멘트를 더 추가하면 강도가 일관되게 높아진다는 점이 밝혀졌습니다. 또한, 지도는 실리카 퓨메와 고로 슬래그를 추가하는 것이 일반적으로 콘크리트의 인장 저항 능력을 향상시키는 반면, 플라이 애시는 더 복잡하고 예측하기 어려운 영향을 미친다는 것을 보여주었습니다.

이러한 발견을 확증하기 위해 연구팀은 각 성분이 개별 예측에 정확히 얼마나 기여했는지를 측정하는 통계적 방법을 사용했습니다. 이 분석은 물과 시멘트가 결과에 영향을 미치는 가장 강력한 두 가지 요인임을 확인해주었습니다. 또한, 컴퓨터가 수십 년 동안 인간 엔지니어들이 알고 있었던 물리적 법칙을 학습했음을 보여주었습니다. 즉, 물이 너무 많으면 결합력을 약화시키고, 시멘트가 많으면 강도를 높인다는 사실입니다. 연구는 높은 정확도의 예측과 명확한 설명을 결합함으로써, 이 새로운 프레임워크가 지속 가능한 콘크리트를 설계하는 신뢰할 수 있는 방법을 제공한다는 결론을 내렸습니다. 이는 엔지니어들이 모든 변형 모델을 물리적 실험실에서 일일이 구축하고 테스트할 필요 없이, 더 친환경적인 새로운 레시피를 자신 있게 실험할 수 있도록 하여, 더욱 효율적이고 환경 친화적인 건설을 위한 길을 열어줍니다.

기술 요약: 최적화된 가우시안 프로세스 회귀를 이용한 SCM 혼합 콘크리트의 인장 강도 예측을 위한 설명 가능한 머신러닝

문제 정의
포틀랜드 시멘트 생산은 상당한 환경적 부담을 초래하며, 이는 저탄소 콘크리트를 만들기 위해 플라이 애쉬(FA), 실리카 퓨미(SF), 고로 슬래그 미분말(GGBFS)과 같은 보충 시멘트질 재료(SCM)의 채택을 촉진하고 있습니다. SCM 혼합 콘크리트의 압축 강도는 광범위하게 연구되어 왔으나, 균열의 개시 및 전파에 중요한 특성인 인장 강도(STS)는 데이터 기반 연구에서 여전히 연구가 부족한 상태입니다. STS는 콘크리트의 불균질한 특성과 혼합물 구성 성분(시멘트, 물, 골재, SCM 및 혼화제) 사이의 복잡한 비선형 상호작용으로 인해 신뢰성 있게 추정하기 어렵습니다. 기존의 경험식은 다양한 배합 설계에 대한 적용성이 부족한 경우가 많으며, 많은 머신러닝(ML) 모델은 높은 정확도를 제공하면서도 특정 변수가 예측에 어떻게 영향을 미치는지에 대한 공학적 통찰력을 제한하는 "블랙박스" 형태로 작동합니다.

연구 방법론
본 연구는 1,456개의 기록이 포함된 더 큰 데이터베이스에서 추출한 395개의 유효한 SCM 혼합 콘크리트 혼합물에 대한 글로벌 데이터셋을 사용하여 설명 가능한 ML 프레임워크를 개발했습니다. 입력 특징에는 시멘트, 물, 굵은 골재, 잔골재, 플라이 애쉬, 실리카 퓨미, GGBFS, 감수제 등 8가지 혼합 변수가 포함되었습니다. 대상 변수는 MPa 단위의 인장 강도(STS)였습니다.

연구는 다음과 같은 구조화된 워크플로우를 따랐습니다:

특징 선택(Feature Selection): 예측 변수의 관련성을 mRMR(minimum redundancy maximum relevance), F-검정, RReliefF, 그리고 랜덤 포레스트 중요도라는 네 가지 별도의 방법을 사용하여 평가했습니다. 이 방법들로부터 도출된 순위의 평균을 통해 종합적인 순위를 산출했습니다.
베이스라인 모델 스크리닝(Baseline Model Screening): MATLAB Regression Learner를 사용하여 5-겹 교차 검증을 통해 광범위한 회귀 알고리즘(선형 회귀, 결정 트리, 서포트 벡터 머신, 앙상블 방법, 신경망, 가우시안 프로세스 회귀)을 평가했습니다. 성능은 RMSE, MSE, MAE, MAPE 및 $R^2$ 를 통해 측정되었습니다.
하이퍼파라미터 최적화(Hyperparameter Optimization): 가장 우수한 성능을 보인 베이스라인 모델군을 베이지안 최적화, 랜덤 탐색, 그리드 탐색의 세 가지 전략을 사용하여 최적화했습니다. 탐색 공간에는 기저 함수, 커널 함수, 커널 스케일, 노이즈 파라미터 및 표준화 옵션이 포함되었습니다.
설명 가능한 AI (XAI): 최종 최적화된 모델은 한계 효과를 시각화하기 위한 부분 의존도 플롯(PDP)과 전역적 특징 중요도 및 개별 기여도를 정량화하기 위한 SHAP(SHapley Additive exPlanations)를 사용하여 해석되었습니다.

주요 결과

베이스라인 성능: 테스트된 30개 이상의 모델 중 Rational Quadratic 가우시안 프로세스 회귀(GPR)가 우수한 베이스라인으로 나타났으며, $R^2$ 0.85, RMSE 0.51 MPa, MAPE 10.02%를 달성했습니다. 이는 선형 모델, SVM 및 신경망보다 우수한 성능을 보였습니다.
최적화 영향: 세 가지 최적화 전략(베이지안, 랜덤, 그리드 탐색) 모두 최종 모델에 대해 동일한 예측 정확도( $R^2$ = 0.89, RMSE = 0.41898 MPa, MAPE = 8.9%)로 수렴했습니다. 그러나 베이지안 최적화가 훈련 시간 89.72초를 소요하여, 랜덤 탐색(187.81초) 및 그리드 탐색(316.86초)에 비해 계산 효율성이 가장 높았습니다.
성능 향상: 베이스라인인 Rational Quadratic GPR과 비교했을 때, 베이지안 최적화 모델은 RMSE를 17.85%, MSE를 32.48% 감소시켰으며, 예측 속도를 약 101% 향상시켰습니다.
특징 중요도: 방법론에 따라 특징 순위가 달랐으나, 평균 결과에 따르면 감수제, 물, 시멘트가 상위 3개 예측 변수로 식별되었습니다. SHAP 분석은 물과 시멘트가 지배적인 전역적 영향 요인임을 확인했습니다.
물리적 해석: PDP 및 SHAP 의존성 플롯은 물리적으로 일관된 경향을 보여주었습니다:
- 시멘트: 함량이 높아질수록 STS가 증가하는 양의 상관관계를 보입니다.
- 물: 함량이 높아질수록 STS가 감소하는 음의 상관관계를 보입니다.
- SCM: 실리카 퓨미, GGBFS, 감수제는 일반적으로 양의 경향을 보였으나, 플라이 애쉬는 투입량이 증가함에 따라 음의 효과를 보였습니다.
- 골재: 굵은 골재와 잔골재는 다른 혼합 성분에 따라 의존적인 복잡한 비선형 반응을 나타냈습니다.

의의 및 주장
본 논문은 제안된 프레임워크가 지속 가능한 SCM 혼합 콘크리트의 인장 성능을 예측하기 위한 신뢰할 수 있는 데이터 기반 도구를 제공한다고 주장합니다. 하이퍼파라미터 최적화와 설명 가능한 AI 기술(PDP 및 SHAP)을 통합함으로써, 본 연구는 높은 예측 정확도를 달성하면서도 공학적 해석력을 희생하지 않을 수 있음을 입증했습니다. 저자들은 제안된 모델이 혼합물 조성과 인장 강도 사이의 비선형 관계를 성공적으로 포착하며, 블랙박스 모델에 대한 투명한 대안을 제공한다고 주장합니다.

본 연구는 현재의 모델이 컴파일된 데이터셋의 범위 내에서는 정확하지만, 실제 적용을 위해서는 독립적인 실험 데이터와의 외부 검증과 견고성을 높이기 위한 양생 조건 및 특정 재료 특성과 같은 추가 변수의 포함이 필요하다고 결론지었습니다. 본 연구는 새로운 실험 프로토콜을 제안하는 것이 아니라, 지속 가능한 시멘트질 재료의 성능 기반 설계를 지원하기 위해 검증된 계산 프레임워크를 구축하는 데 목적이 있습니다.

유사한 논문