1. 서 론
구조물 유지관리를 위한 안전진단 산업은 최근 대상이 확대됨에 따라 시장 규모가 2017년 기준 2,969억에서 2021년 기준 5,192억원 수준으로 약 75% 증가하였으며, 이러한 결과는 안전진단에 대한 지속적인 투자가 연간평균 약 15% 증가된 것으로 분석하고 있다. 안전진단에 대한 투자는 구조물의 안전뿐만 아니라 대형 재난 예방으로 이어지게 되며, 이에 따른 국민 만족도가 2017년 65.9% 수준에서 2021년 78.5%로 약 12% 개선된 것으로 보고하고 있다. 또한, 구조물 안전을 강화하기 위하여 기술을 발전시키고, 고령화되는 사회에 적합한 다양한 대책이 보고되고 있다(Ministry of Land, Infrastructure and Transport, 2022).
한편, 구조물의 안전을 확보하고 재해 피해를 줄이기 위해서는 해당 구조물에 대한 정확하고 신뢰성 있는 안전진단이 매우 중요하다. 그러나 구조물의 주요 재료인 콘크리트의 품질은 사용 환경, 배합, 제조, 시공 과정에서의 다양한 변수로 인해 변동될 수 있으며, 이로 인하여 정확한 데이터를 확보하기 어렵다. 특히 비파괴 검사를 통한 구조물 점검 시 주로 사용되는 강도 예측식은 대부분 경험에 기반을 두고 있어 신뢰성이 떨어질 수 있다. 또한 연구자마다 다른 강도 예측식을 사용함에 따라 강도를 평가함에 있어 과소평가나 과대평가의 위험성이 있다. 따라서 과거 경험에 기반한 콘크리트 강도 데이터는 현재 시점의 구조물에 대한 정밀한 안전진단을 수행하는 데 신뢰성이 더욱 낮아지는 문제가 있는 실정이다(Shin et al., 2014).
대표적인 사례를 살펴보면 Kang (2022) 및 Lee et al. (2021)의 경우 콘크리트 강도 예측을 위한 비파괴 시험의 확률론적 분석에 대한 연구결과를 보고하였다. 연구결과에 따르면, 반발 경도법과 초음파 전달 속도법을 통하여 콘크리트 압축강도를 예측한 결과, 압축강도 예측식의 확률 통계적 분석 방법은 품질 기준강도를 알고 있을 경우에만 코어 표본을 채취하지 않더라도 10% 미만의 오차율이 있는 것으로 보고하였다. 또한 Lee and Jeong (2021)과 Kim (2022)은 물-시멘트비(W/C)에 따른 경화 전후의 수화열, 관입저항값, 압축강도, 반발도 및 초음파속도 등을 통하여 거푸집 탈형강도 예측 모델과 건축물의 유지⋅보수를 위한 강도 예측 모델을 제안하여 비파괴 시험의 신뢰성을 향상시키기 위한 연구를 수행하였다. 이 외에도 비파괴 시험을 이용한 연구는 표면파 분석기법 및 충격반향기법을 이용한 장기재령 강도 예측 및 균열 측정, 반발경도와 초음파속도법을 활용한 수중 콘크리트의 강도 예측 등 다양한 연구결과가 보고되고 있다(Shin, 2013; Shin et al., 2014; Lee, 2015).
한편 최근에는 IoT 기반 콘크리트 관리시스템(Concrete IoT Management System, CIMS)을 활용한 콘크리트 강도 예측 및 현장 품질관리 기법에 관한 연구가 수행되고 있으며(Lee et al., 2019; Seo, 2021), 인공지능(AI) 분석 기법을 활용하여 압축강도 예측의 신뢰성을 향상하기 위한 연구결과도 보고되고 있는 실정이다(Kwon and Kang, 2022).
대표적인 연구사례를 분석한 결과, 대부분은 임의 시점의 재료 특성을 반영한 강도를 분석하고 있거나 시간 의존적 재료인 콘크리트의 특성에 대하여 다루고 있지 않다. 특히 대부분 실험실 환경에서 제한된 데이터에 기반을 두고 있기 때문에 현장 환경에서 활용하기 에는 많은 검토 및 보정이 필요하다. 그러나 이를 위한 시간적⋅경제적 여건은 어려운 실정이다.
따라서 본 논문에서는 실제 운영 중인 현장 구조물의 안전진단을 통하여 다년간의 데이터를 수집하여 데이터베이스화하였으며, 종래의 대표적인 강도 예측 모델에 대한 신뢰성 분석을 실시하고자 한다. 또한 신뢰성이 향상된 강도 예측 모델 도출을 위하여 인공지능 모델을 활용하여 강도 예측 모델을 도출하고자 한다.
2. 안전진단 데이터 구축
본 논문에서는 구조물통합정보시스템(FMS) 및 안전진단을 통하여 얻어진 보통강도 및 고강도 콘크리트 두 수준의 강도 결과를 수집하여 데이터베이스를 구축하였다. 보통강도는 서울 소재의 지하 구조물을 대상으로 하였으며, 고강도는 원전 구조물을 대상으로 하였다. 수집된 강도는 “KS F 2730 콘크리트 압축강도 추정을 위한 반발경도 시험방법”에 준하여 슈미트 해머를 통한 반발경도 값과 “KS F 2422 콘크리트 코어 및 보의 시료 절취 및 강도 시험방법”에 준하여 평가된 코어 압축강도를 수집하였다.
2.1 보통강도 콘크리트 데이터 수집 및 결과 분석
보통강도 콘크리트는 서울 소재의 지하철 9개 노선(1~9호선)을 대상으로 하였다. 약 20년간의 안전점검 및 정밀안전진단 결과(총 95개)를 수집하였다(Seoul Metropolitan Infrastructure Headquarters, 2018).
Fig. 1(a)는 각 노선별 반발경도에 의한 비파괴 강도, 코어 압축강도 및 설계기준 압축강도를 나열한 것이며, Fig. 1(b)는 압축강도의 분포수준을 나타낸다. 또한 Fig. 2는 Fig. 1(b)의 데이터를 기준으로 설계기준 압축강도에 대한 압축강도 비를 나타낸 것이다. 지하철 9호선의 경우, 공용 기간이 짧아 파괴시험을 통하여 얻을 수 있는 코어 압축강도 데이터 확보가 불가능하여 제외하였다.
보통강도 콘크리트의 데이터 수집 및 결과 분석을 실시한 결과, Fig. 1(b)의 결과와 같이 각 노선별 압축강도는 비파괴의 경우 약 30.6 MPa, 코어의 경우 약 29.5 MPa로 설계기준 압축강도 평균치인 22.8 MPa를 상회하였다. 이러한 결과는 Fig. 2의 결과와 같이 비파괴 및 코어의 압축강도비는 설계기준 압축강도와 비교하여 약 141% 및 136% 수준인 것으로 분석되었다.
이러한 결과는 국가건설기준 ｢일반콘크리트｣(KCS 14 20 10)에 따르면, 코어 압축강도는 코어 채취 시의 강도 저하원인 등을 고려하여 설계기준강도 대비 평균 압축강도가 85% 초과하면 합격으로 판정하고 있으므로 보통강도 콘크리트의 경우 나타남에 따라 구조물 안전성에는 이상이 없는 것으로 판단된다. 그러나 정밀 안전진단을 진행할 때는 구조물의 손상을 최소화하기 위하여 코어 채취를 매우 제한적으로 수행하게 되며, 이러한 이유로 강도의 편차 등으로 설계기준 압축강도에 미달하는 경우가 발생할 수 있다. 이에 따라 압축강도를 보다 정확하게 예측하기 위해서는 지속적으로 데이터를 축적하는 것이 중요하다고 판단된다(KCI, 2021; KCSC, 2022).
2.2 고강도 콘크리트 데이터 수집 및 결과 분석
고강도 콘크리트는 원전 구조물 내 2개의 원자로에 위치한 다양한 구조물 56개소에서의 안전점검을 실시하였으며, 지하 구조물과 동일하게 반발경도 및 코어 압축강도를 분석에 사용하였다. 반발경도는 변환식(Table 1)에 의하여 압축강도로 변환하였다.
Table 1
Average Compressive Strength at the Test Location
| Type | Compressive Stength (EA) | PAB (8) | DGB (5) | FHB (3) | CCWB (3) | CWS (3) | ESW (3) | RWB (3) | |
|---|---|---|---|---|---|---|---|---|---|
| Reactor 1 | Non. Destructive | Rebound Value (s) | 59.9 (4.1) | 58.4 (1.9) | 60.3 (2.5) | 58.0 (2.4) | 60.7 (0.7) | 60.2 (0.3) | 58.2 (2.2) |
| Conversion* (MPa) | 60.4 (2.9) | 59.5 (1.4) | 60.7 (1.5) | 59.4 (1.5) | 61.2 (0.3) | 61.0 (0.1) | 59.5 (1.5) | ||
| Core (MPa) | 52.2 (8.6) | 42.9 (6.5) | 47.1 (17.1) | 44.2 (4.8) | 58.2 (5.1) | 50.8 (22.6) | 48.9 (12.0) | ||
| Reactor 2 | Non. Destructive | Rebound Value (s) | 59.0 (5.4) | 56.8 (1.5) | 61.0 (1.4) | 58.4 (3.3) | 58.2 (1.8) | 58.9 (2.2) | |
| Conversion* (MPa) | 59.6 (4.2) | 57.8 (1.2) | 61.5 (0.9) | 59.3 (3.2) | 59.1 (1.5) | 60.0 (1.9) | |||
| Core (MPa) | 47.8 (18.0) | 43.7 (15.7) | 45.3 (20.7) | 41.5 (2.5) | 47.3 (10.7) | 47.2 (10.4) | |||
Table 1은 원자로(Reactor) 1 및 2의 결과를 요약한 것으로 비파괴 강도 및 코어 강도의 평균 압축강도를 나타낸 것이다. 원자로 1 및 2의 반발경도 R은 평균 약 60으로 나타났다. 이러한 결과는 원자로 1 및 2의 평가 결과가 동등 수준인 것으로 판단할 수 있으며, 강도 수준이 유사한 것으로 판단된다. 반발강도 R은 평균 압축강도로 환산하면 최소 약 57 MPa 이상이며, 각 구조물의 설계기준 강도(30 및 35 MPa) 이상으로 나타나 현재 운용 중인 원전 구조물은 안전진단 절차서에서 제시한 관리기준 1등급인 것으로 판단된다(원전 운영절차서(한국수력원자력(주))). 그러나 반발경도에 따른 비파괴 압축강도는 코어 압축강도와 현저한 차이를 보이고 있다. 따라서 반발경도와 코어 압축강도의 상관성을 규명하고자 회귀(Regression) 분석을 실시하였다. 회귀 분석의 목적은 두 변수간의 관계를 모델링하고 예측하는 것으로 독립변수인 반발경도는 종속변수인 코어 압축강도에 미치는 영향을 분석하는 것이다.
Table 2는 반발경도 및 코어 압축강도의 회귀분석 결과를 나타낸 것으로 R2은 0.103으로 나타났다. 이러한 결과를 통하여 반발경도와 코어 압축강도의 상관성은 약 10% 수준으로 상관성이 크지 않은 것으로 분석되었다. 따라서 반발경도를 단순히 환산해서는 코어 압축강도를 예측하기 어렵다는 결론을 도출할 수 있다.
Table 2
Regression Analysis
| Regression Analysis Statistics | |
|---|---|
| Multiple Correlation Coefficient | 0.321139 |
| R-squared | 0.103130 |
| Adjusted Coefficient of Determination | 0.087115 |
| Standard Error | 6.410707 |
| Number of Observations | 58 |
또한 반발경도와 코어 압축강도의 평균 차이가 통계적으로 유의한지 검정하기 위하여 이원 분산분석(Two-way ANOVA)을 실시하였다. 분산분석의 목적은 F-통계량(F Statistic)을 통하여 평균 차이를 검정하고 P 값(P-Value)을 통하여 통계적으로 유의한지를 평가하는 데 있다.
Table 3은 반발경도와 코어 압축강도의 분산분석 결과를 나타낸 것이다. 반발경도와 코어 압축강도의 유의수준 P는 약 0.014로 분석되었다. 일반적으로 P값은 0.05 미만일 경우 그 결과는 통계적으로 매우 유의하다고 설명할 수 있다(Phillips et al., 2022). 따라서 분석결과에 따르면, 반발경도와 코어 압축강도는 매우 유의한 것으로 분석할 수 있다. Table 4는 변수의 유의성 검증을 위한 분석결과를 나타낸 것이다. 회귀 계수의 유의성 검증 및 신뢰 구간을 검토한 결과, Y 절편의 P-값은 0.3218로, 0.05보다 크기 때문에 통계적으로 유의하지 않지만 기울기(반발경도)의 P-값은 0.014로, 0.05보다 작아 통계적으로 유의하다고 판단된다. 이러한 결과는 반발경도가 코어 압축강도에 미치는 영향이 통계적으로 유의하다는 것을 의미하지만 실제 영향력은 크지 않은 것을 의미한다. 이러한 결과를 통하여 반발경도와 코어 압축강도 간에 통계적인 유의성이 확인되었지만 그 영향력 또는 연관성이 크지 않다는 점을 고려하여 두 실험 결과를 해석할 때는 주의가 필요한 것으로 판단된다.
3. 인공지능을 활용한 압축강도 예측 모델 설계 및 신뢰성 평가
본 논문에서는 반발경도 데이터를 활용하여 콘크리트의 압축강도를 예측하는 인공지능 모델을 도출하고자 하였다. 인공지능 활용 콘크리트 강도 예측 모델은 적용 가능성이 높은 인공지능 모델을 선정하여 현장 데이터를 학습하였으며, 인공지능 모델의 성능 평가를 수행하였다.
콘크리트 강도 예측을 위한 적합한 인공지능 모델은 다양한 모델을 비교⋅분석을 실시하여 적합한 4수준(선형 모델, 서포트벡터 모델, XGBoost 모델 및 신경망 모델)의 모델을 선정하였다.
학습에 사용된 데이터는 반발경도에 따른 코어 압축강도 데이터(약 10,000개)를 정제하여 사용하였다. 또한 인공지능 모델의 과적합을 최소화하기 위하여 전체 학습 데이터를 불규칙(Random)하게 제공하였으며, 학습용(70%) 및 검증용(30%) 데이터로 분류하여 10만회 학습을 실시하였다. 학습이 수행된 인공지능 모델은 각각의 강도 예측 모델을 도출하였으며, 도출된 예측 모델의 평가는 평가함수를 통하여 신뢰성을 분석하였다. 또한 현행 현장 강도 예측 모델인 일본재료학회, 일본건축학회 및 동경재료검사소 모델과 비교⋅분석을 실시하였다.
3.1 학습모델 설계
3.1.1 데이터 구성
본 연구에서는 학습모델을 설계하기 위하여 보통강도 영역 즉, 지하 구조물에 대한 데이터를 활용하였으며, 데이터는 신뢰도를 높이기 위하여 정제를 실시하였다. 데이터의 정제는 불완전, 부정확, 누락 또는 중복된 데이터를 발견하고 수정 또는 제거하는 과정이다. 미처리된 데이터는 이상치, 누락된 값, 중복 값 등 다양한 문제가 포함될 수 있으며, 이러한 데이터를 그대로 사용할 경우 모델의 예측 성능에 부정적인 영향을 미칠 수 있어 데이터 품질 저하의 원인이 된다. 또한 잡음이 포함된 데이터를 그대로 사용하면 모델이 학습 데이터의 잡음까지 학습하여 과적합(overfitting)이 발생하기 때문에 예측 성능이 감소할 수 있다. 따라서 인공지능 모델의 정확도도 향상시키는데 매우 중요한 전처리 단계이다.
3.1.2 인공지능 모델
4개의 인공지능 모델은 선형 모델 2수준(선형 모델 및 서포트벡터 모델) 및 비선형 모델 2수준(XGBoost 모델 및 신경망 모델)을 사용하였으며, 각 모델의 특징에 적합하도록 코딩을 수행하였다.
3.1.2.1 선형 모델(Linear model)
Eq. (1)은 선형회귀로 구한 반발경도 예측식을 나타낸 것이다.
3.1.2.2 서포트벡터 모델(Suuport Vector Model)
서포트벡터 모델(SVM)은 서포트벡터(Suuport Vector)와 마진(Margin)의 최대화하는 특성을 가진다. 서포트벡터와 결정 경계 사이의 마진이 크기 때문에 결정 경계(Decision Hyperplane, Decision Boundary)가 데이터의 한쪽으로 치우치지 않고 중앙에 위치하게 된다. 이러한 특징은 SVM의 안정성과 일반화 성능을 강화시킨다. SVM의 결정 함수는 w → • x → + b = 0
따라서, 임의의 점 x 에서 초평면까지 거리는 | d ( x → ) | | | W → | |
Eq. (4)는 SVM으로 구한 반발경도 예측식을 나타낸 것으로, SVM 모델의 매개변수가 max_iter = 100,000, C= 5, ∈ = 3일 때 구한 반발경도 예측식이다. max_iter는 모델이 학습하는 과정에 필요한 총 학습 횟수를 의미하며, C 는 모델이 결정하는 초평면의 제약, ∈은 허용할 학습 데이터의 범위를 의미한다. 결과적으로 요약하면, SVM의 목적은 지지벡터 사이의 마진(Margin, Gap)이 최대로 되도록 하는 결정 경계을 찾는 것을 목적으로 한다. ‘마진이 크다’는 결정초평면이 데이터의 한쪽에도 치우치지 않기 때문에 회귀 및 분류 문제에서 안정적이고 일반화 성능이 좋다는 것을 의미한다. Fig. 5는 SVM의 설계 모식도를 나타낸 것이다.
3.1.2.3 XGBoost 모델
XGBoost는 의사결정나무(Decision Tree)를 기반으로 한 앙상블(Ensemble)의 부스팅(Boosting) 기법의 한 종류를 말한다. 부스팅(Boosting)은 여러 약분류기(Weak Classifier)를 조합해서 사용하는 강분류기(Strong Classifier)를 만드는 앙상블(Ensemble) 기법 중 하나로써, 약한 학습기(Weak Learner) 여러개를 결합하여, 강한 학습기(Strong Learner)를 만드는 방법이다.
XGBoost는 결정나무의 장점과 앙상블 방법의 장점이 합쳐져, 결정나무의 병렬 및 분산처리가 가능하다는 점과 앙상블 방법의 과대적합 제어가 가능하다는 장점이 있다. Fig. 6은 XGBoost 모델의 학습과정의 예를 나타낸다. 가장 먼저 데이터를 섞고, 샘플링을 수행한다. 샘플링된 데이터를 통해 가장 첫 번째 결정나무를 학습하고, 첫 번째 결정나무의 오류를 저장한다. 결정나무의 깊이가 최대치에 도달하지 않았다면, 첫 번째 결정나무와 똑같은 방법을 수행하되, 학습단계에서 바로 전 결정나무의 오류를 사용하여 학습을 진행한다. 본 논문에서 XGBoost의 최적화된 매개변수는 gamma = 30 (분할을 위한 최소 손실 감소량), max_depth = 3 (트리의 최대 깊이), 그리고 max_delta_step = 5 (리프의 가중치 업데이트 제한)로 설정되었다. 이 모델은 비선형적 특성을 가진 블랙박스로, 선형 및 서포트벡터 모델과 같은 선형모델처럼 직접적인 계수 예측이 불가능하므로 예측 모델식을 확인할 수 없다.
3.1.2.4 신경망 모델
신경망 모델은 입력층과 출력층을 포함하여 총 7개의 계층을 가지고 있다. 모든 계층에서는 활성 함수로 ReLU를 사용하며, 이는 선형 입력을 비선형 출력으로 변환하여 복잡한 패턴을 학습있게 한다. ReLU는 그라디언트 소실 문제를 상대적으로 잘 해결할 수 있지만, 음수 입력에서는 그라디언트가 0이 되는 문제가 있다. 본 논문에서는 배치 크기는 300, 총 학습횟수는 1만번 진행하였으며, 손실함수로 L1 (맨하탄 노름) 손실 함수를 사용하였다. 손실함수는 예측 값과 실제 값의 절대 차이의 합을 계산하는 회귀 문제에서 사용되는 손실 함수를 말한다. Fig. 7은 ReLU 활성화 함수의 출력을 나타내며, 입력값이 양수일 때는 그 값을 그대로 출력하고, 음수일 때는 0을 출력하는 특징을 보여준다. 한편 신경망 모델 또한 비선형 모델로서, 예측식을 직접적으로 도출할 수 없다.
3.2 학습모델 신뢰성 평가 및 분석
3.2.1 모델평가 방법
본 연구에서 설계된 인공지능 모델의 평가는 다음 4가지의 함수를 통하여 예측성능을 평가하였다. 평가함수는 예측성능을 평가하기 위한 지표함수로써, 평가 지표에 따라 예측 오차가 작을수록 해당 지표의 값도 작아진다는 것을 의미한다. 즉, 예측이 정확할수록 평가 지표의 값은 낮아지며, 이는 모델의 예측 성능이 좋다는 것을 나타낸다.
Eqs. (5)~(8)은 각각 Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Root Mean Squared Log Error (RMSLE)를 나타낸다.
3.2.2 신뢰성 평가
강도 예측 모델의 신뢰성 평가는 평가함수를 기준으로 평가되었으며, 현행 강도 예측 모델은 대표적으로 활용되는 3가지를 비교군으로 하였다. Eqs. (9)~(11)은 일본재료학회, 일본건축학회 및 동경재료검사소에서 제시한 강도 예측 모델이다.
Table 5
Performance of the Current Model
Table 6
Performance of Artificial Intelligence Model
| Type | Linear Regression | SVM | XGBoost | Neural Network |
|---|---|---|---|---|
| MAE | 4.21 | 3.87 | 4.41 | 3.92 |
| MSE | 28.09 | 25.75 | 34.24 | 25.83 |
| RMSE | 5.30 | 5.08 | 5.85 | 5.08 |
| RMSLE | 0.17 | 0.16 | 0.19 | 0.16 |
Tables 5 및 6의 결과, 현행 강도 예측 모델의 신뢰성은 일본건축학회 모델이 타 모델과 비교하여 정확도가 상대적으로 높은 것으로 나타났지만, 에러율이 있는 것으로 분석되었다. 그러나 본 논문에서 제시한 인공지능 모델은 모두 현행 모델보다 정확도가 향상되는 것을 확인할 수 있으며, 에러율이 크게 감소하는 결과를 얻을 수 있었다. 이러한 결과는 현행 강도 예측 모델은 오랜기간 개정되지 않은 국외의 강도 예측 모델을 사용하기 때문인 것으로 판단되며, 국가별 재료특성이 상이하고 시간의 흐름에 따른 사용재료의 종류가 다양해 짐에 따라 점차 예측 범위를 벗어나는 것으로 판단된다. 이에 따라 인공지능 모델을 활용할 경우 압축강도 예측의 정확도를 향상시킬 수 있을 것으로 판단된다. Figs. 8 및 9는 현행 강도 예측 모델 및 인공지능 모델의 실험값과 예측값의 관계를 나타낸 것이다. Figs. 8 및 9의 결과, 현행 강도 예측 모델은 실험값에 대하여 육안으로 오차 수준을 보여주고 있지만 인공지능 모델의 경우에는 실험 값의 회귀 값과 거의 인접하는 것을 확인할 수 있다. 그러나 인공지능 모델의 경우 XGBoost 및 신경망 모델은 비선형 모델로써 은닉층에 의한 블랙박스 특성에 의하여 데이터를 도출하는 과정을 알 수 없으며, 이러한 이유로 모델의 계수값을 알 수 없기 때문에 본 분석에서 도시화할 수 없어 제외하였다.
본 연구에서 제시한 인공지능 모델은 SVM 모델이 에러율이 상대적으로 낮고, 성능이 우수한 것으로 평가되었다. SVM 모델은 초평면 제약(C) 및 오류허용범위(∈)를 5 및 3을 사용하고 학습 횟수를 10만회의 인공지는 설계조건을 가지고 있다.
4. 결 론
본 논문에서는 실제 운영중인 현장 구조물의 안전진단 데이터를 수집하여 종래 대표적인 강도예측 모델에 대한 신뢰성 분석을 실시하였다. 또한 신뢰성이 향상된 강도 예측 모델 도출을 위하여 인공지능 모델 활용 콘크리트 강도 예측 모델을 도출하였으며, 평가함수를 통한 성능을 평가하여 다음과 같은 결론을 얻을 수 있었다.
1) 구조물통합정보시스템(FMS) 및 안전진단을 통해 얻어진 보통강도 및 고강도 콘크리트의 강도 데이터를 수집하고 분석한 결과, 지하 구조물 및 원전 구조물은 모두 압축강도가 설계기준을 상회하는 결과를 보였으며, 구조물의 안전성에 문제가 없음을 확인할 수 있었다.
2) 반발경도와 코어 압축강도 간의 통계분석을 수행한 결과, 두 변수 간의 상관관계는 강하지 않지만, 데이터의 평균차는 통계적으로 유의미 함을보여주였다. 이는 반발경도를 통하여 압축강도를 예측하는 것이 정확히 일치하지는 않지만 어느정도의 연관성이 존재하는 것으로 판단된다.
3) 인공지능 모델은 현행 강도 예측 모델과 비교하여 예측 오차가 감소하는 결과를 얻을 수 있었으며, 에러율 감소 및 정확도 향상으로 인하여 실험값의 회귀곡선에 대하여 설명할 수 있는 것으로 나타났다.
이러한 결과를 통하여 인공지능 모델은 신뢰성 높은 압축강도 예측값을 얻을 수 있을 것으로 판단되며, 과거 데이터뿐만 아니라 미래 데이터를 축적할 수 있으므로 예측이 필요한 적용 시점의 정확도를 향상시키는데 기여할 수 있을 것으로 기대된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
