CLSM의 플로우 및 일축압축강도 예측을 위한 인공신경망 적용 Application of Artificial Neural Networks for Prediction of the Flow and Strength of Controlled Low Strength Material원문보기
CLSM의 플로우 및 강도특성은 비회, 매립회, 시멘트, 수량 등과 같은 배합비에 크게 의존하므로, 각 구성요소들의 배합비와 플로우 및 강도값에 대한 역학적 관계를 정량적으로 도출하기가 현실적으로 매우 어렵다. 따라서 CLSM의 구성성분 비율에 대한 플로우 및 압축강도값을 도출할 수 있는 산정방법이 필요하다. 이에 본 연구에서는 인공신경망 학습을 통해 플로우 및 일축압축강도를 실험을 통하지 않고 인공신경망을 이용하여 CLSM의 플로우 및 일축압축강도를 예측하고자 한다. 본 연구에 사용한 인공신경망모델에는 BPNN 학습 알고리즘을 적용, 인공신경망 학습효율 및 예측능력에 영향을 미치는 은닉층, 모멘텀상수, 목표시스템 오차값, 은닉층의 노드 수와 학습률을 변화시키면서 학습하여 각각의 변화에 따른 인공신경망 모델의 학습효율 및 예측능력을 평가하고 인공신경망의 유효성 검증을 위해 모델 구축 시에 사용하지 않은 새로운 자료에 대해 예측을 실시하여 실내실험 결과와 비교하여 이를 기준으로 CLSM의 플로우 및 압축강도 산정에 적합한 최적인공신경망 모델을 제안하였다.
CLSM의 플로우 및 강도특성은 비회, 매립회, 시멘트, 수량 등과 같은 배합비에 크게 의존하므로, 각 구성요소들의 배합비와 플로우 및 강도값에 대한 역학적 관계를 정량적으로 도출하기가 현실적으로 매우 어렵다. 따라서 CLSM의 구성성분 비율에 대한 플로우 및 압축강도값을 도출할 수 있는 산정방법이 필요하다. 이에 본 연구에서는 인공신경망 학습을 통해 플로우 및 일축압축강도를 실험을 통하지 않고 인공신경망을 이용하여 CLSM의 플로우 및 일축압축강도를 예측하고자 한다. 본 연구에 사용한 인공신경망모델에는 BPNN 학습 알고리즘을 적용, 인공신경망 학습효율 및 예측능력에 영향을 미치는 은닉층, 모멘텀상수, 목표시스템 오차값, 은닉층의 노드 수와 학습률을 변화시키면서 학습하여 각각의 변화에 따른 인공신경망 모델의 학습효율 및 예측능력을 평가하고 인공신경망의 유효성 검증을 위해 모델 구축 시에 사용하지 않은 새로운 자료에 대해 예측을 실시하여 실내실험 결과와 비교하여 이를 기준으로 CLSM의 플로우 및 압축강도 산정에 적합한 최적인공신경망 모델을 제안하였다.
The characteristics of flow and strength of CLSM depend on the combination ratio including the fly ash, pond ash, cement, water quantity and etc. However, it is very difficult to draw the mechanism about the flow, strength and the mixing ratio of each components. Therefore, the method of calculation...
The characteristics of flow and strength of CLSM depend on the combination ratio including the fly ash, pond ash, cement, water quantity and etc. However, it is very difficult to draw the mechanism about the flow, strength and the mixing ratio of each components. Therefore, the method of calculation drawing the flow about the component ratio of CLSM and compression strength value is needed for the valid practical use of CLSM. To verify the efficiency of artificial neural network, new data which were not used for establishing the model were predicted and compared with the results of laboratory tests. In this research, it was used to evaluate the learning efficiency of the artificial neural network model and the prediction ability by changing the node number of hidden layer, learning rate, momentum, target system error and hidden layer. By using the results, the optimized artificial neural network model which is suitable for a flow and compressive strength estimate of CLSM was determined.
The characteristics of flow and strength of CLSM depend on the combination ratio including the fly ash, pond ash, cement, water quantity and etc. However, it is very difficult to draw the mechanism about the flow, strength and the mixing ratio of each components. Therefore, the method of calculation drawing the flow about the component ratio of CLSM and compression strength value is needed for the valid practical use of CLSM. To verify the efficiency of artificial neural network, new data which were not used for establishing the model were predicted and compared with the results of laboratory tests. In this research, it was used to evaluate the learning efficiency of the artificial neural network model and the prediction ability by changing the node number of hidden layer, learning rate, momentum, target system error and hidden layer. By using the results, the optimized artificial neural network model which is suitable for a flow and compressive strength estimate of CLSM was determined.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 석탄회를 이용한 CLSM의 배합비에 따른 플로우 및 일축압축강도를 예측하기 위하여 실험 결과 데이터를 인공신경망 학습에 이용하여 CLSM의 플로우 및 일축압축강도값을 예측하였으며, 실내실험값과 비교하여 다음과 같은 결론을 얻었다.
본 연구에서는 석탄회를 재활용하여 개발된 CLSM (controlled low strength material)의 강도특성은 비회, 매립회, 시멘트, 함수량 등과 같은 배합비에 크게 의존하므로, 각 구성성분들의 혼합비율과 플로우 및 일축압축 강도값에 대한 관계를 도출할 수 있는 적절한 산정방법이 필요하다. 이에 본 연구에서는 최근 지반공학분야에서 다양하게 적용되는 인공신경망 기법을 통해 CLSM의 플로우 및 일축압축강도 예측에 적용하고자 한다.
제안 방법
(1) CLSM에 대하여 수행된 플로우 및 일축압축강도 실내실험의 자료를 바탕으로 사용하였으며, 인공신경망 예측시 사용된 입력자료들은 비회, 매립회, 수량, 시멘트량의 중량비를 사용하였으며, 은닉층, 모멘텀 상수, 목표시스템 오차값, 은닉층의 노드 수와 학습률을 변화시키면서 학습하였다.
CLSM의 플로우 및 압축강도 예측을 위한 최적 인공 신경망 모델을 선정하기위해 각각의 모델을 대상으로 예측값에 대한 검증을 위해 플로우 및 압축강도의 실험 값을 이용하여 비교･분석 하였다. 학습과정에서 얻어진 예측결과와 실험결과의 결정계수(R2 )값이 그림 2에 나타나 있다.
시그모이드 함수는 미분 가능한 비선형 함수로서 미분식이 간단한 장점으로 인해 활성화 함수로 많이 사용된다. 각각의 모델에 따른 인공신경망 모델의 학습효율 및 예측능력을 평가하고 이를 기준으로 CLSM의 플로우 및 압축강도 산정에 적합한 최적인공신경망 모델을 결정하였다.
본 연구에서는 예비학습을 통하여 결정계수가 0.5 이상인 은닉층은 2, 3개, 모멘텀상수는 0.8, 0.9, 목표시스템 오차값 0.01, 0.001, 은닉층의 노드 수는 4, 6, 8과 학습률은 0.2, 0.3으로 제한하였으며 이러한 학습인자들을 변화시키면서 학습 횟수는 최대 100,000번을 학습하여 총 48개의 인공신경망을 GDAP 2005 소프트웨어를 이용하여 수행하였다. 그리고 활성화함수로는 시그모이드 함수를 사용하였다.
총 60개의 데이터중 학습에는 45개의 데이터를 사용하였고 검증에는 15개의 데이터를 사용하였다. 사용된 입력자료 들은 비회, 매립회, 함수량, 시멘트량을 사용하였는데, CLSM의 플로우 및 강도특성이 비회, 매립회, 시멘트, 함 수량의 혼합비율에 크게 의존하므로 입력변수로 선정하였다. 출력값은 CLSM의 플로우와 일축압축강도를 선정하였다.
일축압축강도는 CLSM을 평가하는데 가장 중요한 공학적 특성으로 굴착이 가능한지를 판단할 수 있는 기준이 되며, 본 연구에서는 일축압축강도의 기준을 굴착이 가능한 1.0MPa 로 정하였다.
총 48개의 인공신경망 모델 중 실내실험결과와 인공신경망에 의한 예측결과를 비교하여 결정계수(R2 )가 높게 나타난 구조를 택하였으며, 학습결과가 우수한 모델 6개에 대한 학습결과만 분석에 사용하고 결과를 요약하여 표 4에 나타내었다.
플로우 시험은 CLSM의 콘시스턴시 (consistency) 또는 유동성을 파악하기 위한 시험이다. 플로우 시험은 ASTM D 6103에 의거하여 실시되었으며 제조된 CLSM 시료를 직경 75mm, 높이 170mm인 원형 실린더에 채우고 실린더를 들어 올린 후, 퍼진 CLSM의 장반경과 단반경을 측정하여 평균을 구하였다. 미 교통 연구부(transpotation research board)에서 발행한 NCHRP report 597(2008)를 비롯한 ACI Committee에서는 CLSM의 플로우 기준으로 20cm 이상으로 정하고 있으며 따라서 본 시험에서도 유동성을 확보하기 위한 기준을 20cm 로 선정 하였다.
대상 데이터
인공신경망을 이용한 CLSM의 플로우 및 압축강도 예측 시스템을 구축하기 위해서는 플로우 시험 결과, 일축 압축강도 시험 결과, 인공신경망 시스템 등이 필요하다. 그러므로 본 연구에서 인공신경망 시스템을 구축하는데 사용된 데이터는 실내실험을 통하여 얻어진 플로우값과 재령 28일의 일축압축강도를 입력자료로 사용하였다. 총 60개의 데이터중 학습에는 45개의 데이터를 사용하였고 검증에는 15개의 데이터를 사용하였다.
그러므로 본 연구에서 인공신경망 시스템을 구축하는데 사용된 데이터는 실내실험을 통하여 얻어진 플로우값과 재령 28일의 일축압축강도를 입력자료로 사용하였다. 총 60개의 데이터중 학습에는 45개의 데이터를 사용하였고 검증에는 15개의 데이터를 사용하였다. 사용된 입력자료 들은 비회, 매립회, 함수량, 시멘트량을 사용하였는데, CLSM의 플로우 및 강도특성이 비회, 매립회, 시멘트, 함 수량의 혼합비율에 크게 의존하므로 입력변수로 선정하였다.
사용된 입력자료 들은 비회, 매립회, 함수량, 시멘트량을 사용하였는데, CLSM의 플로우 및 강도특성이 비회, 매립회, 시멘트, 함 수량의 혼합비율에 크게 의존하므로 입력변수로 선정하였다. 출력값은 CLSM의 플로우와 일축압축강도를 선정하였다. 본 연구에 사용된 자료들의 배합비 및 플로우와 일축압축강도 값을 각각 표 2와 표 3에 나타내었다.
이론/모형
3으로 제한하였으며 이러한 학습인자들을 변화시키면서 학습 횟수는 최대 100,000번을 학습하여 총 48개의 인공신경망을 GDAP 2005 소프트웨어를 이용하여 수행하였다. 그리고 활성화함수로는 시그모이드 함수를 사용하였다. 시그모이드 함수는 미분 가능한 비선형 함수로서 미분식이 간단한 장점으로 인해 활성화 함수로 많이 사용된다.
성능/효과
(2) CLSM에 대한 플로우 및 일축압축강도 실내시험결과를 바탕으로 45개 데이터를 이용한 인공신경망의 학습결과 결정계수값이 각각 0.89, 0.93 이상으로 높은 상관관계를 보였다. 모델 1(은닉층 2, 은닉층의 노드 수 8 학습율 0.
(3) CLSM의 플로우 및 일축압축강도값을 예측하기 위하여 구축된 최적 인공신경망 모델을 이용한 예측값과 실험값의 비교 결과, 플로우 및 일축압축강도값의 결정계수값이 각각 0.70, 0.76으로 나타났으며, 다음과 같은 적용범위에서 비회와 매립회의 혼합비(30:70∼70:30), 시멘트량(5∼8%), 함수량(29∼35%)일 때 활용이 가능한 것으로 분석되었다.
(4) 위에서 제시된 범위에서 임의의 CLSM의 배합비에 대한 플로우 및 일축압축강도를 추정하기위해 공시체를 직접 제작하여 시험을 수행하지 않더라도 인공신경망 모델을 이용함으로서 석탄회를 이용한 CLSM의 플로우 및 일축압축강도 값을 합리적으로 예측할 수 있다고 판단된다. 보다 다양한 배합비에 대한 시험자료가 추가적으로 인공신경망 해석에 적용된다면 보다 신뢰성 있는 석탄회를 이용한 CLSM의 플로우 및 일축압축강도 추정이 가능할 것으로 판단된다.
93 이상으로 높은 상관관계를 보였다. 모델 1(은닉층 2, 은닉층의 노드 수 8 학습율 0.2 모멘텀 상수 0.8)의 결정계수 값이 각각 0.91, 0.96으로 좋은 학습결과를 보여 가장 적합한 모델로 판단된다.
학습과정에서 얻어진 예측결과와 실험결과의 결정계수(R2 )값이 그림 2에 나타나 있다. 시험자료들에 대한 학습과정에서 모델 1의 일축압축강도의 결정계수는 0.96, 플로우값은 결정 계수가 0.91, 모델 2는 각각 0.93, 0.89, 모델 3은 각각 0.93, 0.91, 모델 4는 각각 0.95, 0.92, 모델 5는 각각 0.96, 0.89, 모델 6은 각각 0.95, 0.92로 높은 상관관계를 보였다. 그러나 모델 2, 4, 6 최대 학습횟수 100,000번에서 학습이 중단되었으므로 학습결과를 신뢰하기가 어렵다고 판단된다.
인공신경망의 학습에 사용한 자료를 이용하여 재 추론한 결과 결정계수(R2 )값이 모두 0.90 이상으로 매우 뛰어난 예측능력을 보였으나, 일부 모델에서는 학습횟수 100,000번에서 학습이 중단되었다. 학습결과 결정계수값이 각각 0.
최적 인공신경망 모델(은닉층 2, 은닉층의 노드 수 8학습율 0.2 모멘텀 상수 0.8)을 이용하여 예측된 플로우 및 일축압축강도값의 결정계수값이 각각 0.70, 0.76의 예측능력을 보였으며 다음과 같은 적용범위에서 비회와 매립회의 혼합비(30:70∼70:30), 시멘트량(5∼8%), 함수량(29∼35%) 활용 가능할 것으로 분석되었다.
후속연구
(4) 위에서 제시된 범위에서 임의의 CLSM의 배합비에 대한 플로우 및 일축압축강도를 추정하기위해 공시체를 직접 제작하여 시험을 수행하지 않더라도 인공신경망 모델을 이용함으로서 석탄회를 이용한 CLSM의 플로우 및 일축압축강도 값을 합리적으로 예측할 수 있다고 판단된다. 보다 다양한 배합비에 대한 시험자료가 추가적으로 인공신경망 해석에 적용된다면 보다 신뢰성 있는 석탄회를 이용한 CLSM의 플로우 및 일축압축강도 추정이 가능할 것으로 판단된다.
본 연구에서는 석탄회를 재활용하여 개발된 CLSM (controlled low strength material)의 강도특성은 비회, 매립회, 시멘트, 함수량 등과 같은 배합비에 크게 의존하므로, 각 구성성분들의 혼합비율과 플로우 및 일축압축 강도값에 대한 관계를 도출할 수 있는 적절한 산정방법이 필요하다. 이에 본 연구에서는 최근 지반공학분야에서 다양하게 적용되는 인공신경망 기법을 통해 CLSM의 플로우 및 일축압축강도 예측에 적용하고자 한다.
76의 예측능력을 보였으며 다음과 같은 적용범위에서 비회와 매립회의 혼합비(30:70∼70:30), 시멘트량(5∼8%), 함수량(29∼35%) 활용 가능할 것으로 분석되었다. 이와 같은 범위에서 임의의 CLSM 배합비에 대한 플로우 및 일축압축강도를 추정하기위해 공시체를 직접 제작하여 시험을 수행하지 않더라도 인공신경망 모델을 이용함으로써 석탄회를 이용한 CLSM의 플로우 및 일축압축 강도 값을 합리적으로 예측할 수 있다고 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
석탄회를 재활용할 수 있는 용도는?
현재 석탄회를 재활용할 수 있는 용도는 시멘트원료, 레미콘 혼화재, 성․복토용 등으로 사용범위가 한정되어 있다. 발생되는 석탄회중 비회는 많은 연구로 90%이상이 정제되어 재활용되지만 매립회는 대부분 재활용되지 못하고 회사장에 매립되는 실정이다.
2010년 화력발전 석탄회 예상발생량은?
그러나 에너지 관련 부문에서는 현 전력시스템을 대체하여 본격적으로 상용화되기는 어려운 실정이기 때문에 당분간 국내 전력의 대부분은 화력발전과 원자력발전이 차지하는 실정이다. 특히 화력발전의 경우 국내 발전량의 65% 정도를 차지하며 발전소에서 부산되는 석탄회는 약 600만톤이며, 2010년 석탄회 예상발생량은 약 736만톤으로 추정되며 추가적으로 11기의 화력발전기(500MW급)가 건설 예정에 있어 석탄회 매립량은 증가될 것으로 전망된다. 그러나 우리나라 회매립장에는 많은 석탄회가 폐기 매립되어 있다.
CLSM의 구성성분 비율에 대한 플로우 및 압축강도값을 도출할 수 있는 산정방법이 필요한 이유는?
CLSM의 플로우 및 강도특성은 비회, 매립회, 시멘트, 수량 등과 같은 배합비에 크게 의존하므로, 각 구성요소들의 배합비와 플로우 및 강도값에 대한 역학적 관계를 정량적으로 도출하기가 현실적으로 매우 어렵다. 따라서 CLSM의 구성성분 비율에 대한 플로우 및 압축강도값을 도출할 수 있는 산정방법이 필요하다.
참고문헌 (15)
김인수, 이종헌, 양동석, 박선규 (2002), "신경망을 이용한 콘크리트 배합요소 및 압축강도 추정", 한국콘크리트학회 논문집 14권 4호, pp.458-459.
김영수, 김동락, 이상웅, 허노영 (2003), "인공신경망을 이용한 암석의 강도예측", 대한토목학회 정기 학술대회, pp.4747-4748.
박도경 (2005), "인공신경망 모형을 이용한 강섬유 보강 철근콘크리 보의 전단강도 추정", 대한건축학회 논문집 21권 11호, pp. 136.
최남훈 (2004), 현장 발생토 CLSM을 이용한 지하매설관의 거동 특성 분석, 한양대학교 공학대학원 석사학위논문, pp.17-20.
ACI Committee 116, "Cement and Concrete Terminology (ACI 116R-00)", American Concrete Institute, Farmington Hills, MI, 2000, 73 pp.
ASTM (1995), Standard Test Method for Preparation and Testing of Soil-Cement Slurry Test Cylinders, ASTM Designation. D 4832-88.
ASTM (1997), Standard Test Method for Flow Consistency of Controlled Low Strength Material, ASTM Designation. D 6103-04.
Amster K. Howard, Jennifer L. Hitch (1999), "The design and application of controlled low-strength materials (flowable fill)", ASTM international, pp.156-162.
Eberhart, R. C. Dobbins R. W. (1990), Neural network PC tools; A Practial Guide, Academic Press, pp.414.
NCHRP report597 (2008), Development of a Recommended Practice for Use of Controlled Low-Strength Material in Highway Construction, Transportation Research Board of The national Academics. pp.7.
N. Rajendran (1994), Controlled Low Strength Materials (CLSM), Reported by ACI Committee 229, Department of Energy, 229R-2.
NRMCA (1995), Guide Specification for Controlled Low Strength Materials (CLSM), National Readymixed Concrete Association, pp. 5-7.
McCulloch, W. S. and Pitts, W. H. (1943). "A logical calculus of the ideas immanent in nervous activity", Bulletin of Mathematical Biophysics, 5:115-133.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.