$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Box-willson 실험계획법 기반 고강도 자기충전형 콘크리트의 최적설계방법
Box-Wilson Experimental Design-based Optimal Design Method of High Strength Self Compacting Concrete 원문보기

한국구조물진단유지관리공학회 논문집 = Journal of the Korea Institute for Structural Maintenance and Inspection, v.19 no.5, 2015년, pp.92 - 103  

도정윤 (군산대학교 산학협력단) ,  김두기 (군산대학교 토목공학과)

초록
AI-Helper 아이콘AI-Helper

Box-Wilson 실험계획법은 보통 중심합성계획법으로 알려져 있으며, 변동성이 존재하는 정보를 실험 계획적 방법으로 수집하는 설계 기법이다. 이 방법은 최소의 설계비용으로 가능한 많은 정보를 얻는 목적으로 고안되었다. 본 연구에서는 60 MPa급 고강도 자기충전형 콘크리트(HSSCC)를 대상으로 다양한 성능에 대한 여러 배합인자들의 효과를 효율적으로 파악하고 최적배합을 찾는 과정에 이 방법을 적용하였다. HSSCC의 배합인자(요인)와 물리적 성능(반응) 사이의 비선형적 관계는 2차 다항식으로 반응표면을 근사화 모델링하였으며, 요인점=25=32개, 축점=2k=10개, 중심점은 각 축에서 2번 씩 10개, 총 52개의 실험점에서 물시멘트비, 단위시멘트량, 잔골재비, 단위플라이애쉬량, 단위고성능감수량의 총 5개의 인자에 따른 압축강도, 통과능력, 재료분리저항성, 제조비용, 밀도 등의 총 5개의 반응을 파악하기 위한 실험이 실시되었다. 연구의 결과 Box-Wilson 실험계획법은 배합인자와 반응 사이의 관계를 과학적인 방법으로 계획하고 객관적으로 해석하는 데 매우 효과적이었으며, 수치해석적인 방법으로 최적배합을 계산할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

Box-Wilson experimental design method, known as central composite design, is the design of any information-gathering exercises where variation is present. This method was devised to gather as much data as possible in spite of the low design cost. This method was employed to model the effect of mixin...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 연구에서는 Box-Wilson 실험계획법을 이용하여 HSSCC 의 배합요인과 반응사이의 관계를 2차 반응모델로 근사화 모델링을 실시하고, 모델적합성, 효과분석, 반응면, 정준분석 및 도시적 분석을 통하여 얻은 HSSCC의 배합요인 특성을 파악하는 분석적 연구를 실시하였다.
  • 이에 본 연구에서는 ANN의 본질적인 문제점을 극복할 수 있으면서 최소의 비용으로 최대의 정보를 얻는 목적으로 고안된 실험계획법 중 보통 중심합성계획으로 알려진 Box-Wilson 실험계획법을 활용하여 60 MPa급 고강도 자기충전형 콘크리트(high strength self compacting concrete; HSSCC)를 대상으로 다양한 성능에 대한 여러 배합인자들의 효과를 효율적으로 파악하고 최적배합을 찾는 과정에 대하여 연구를 수행하였다.

가설 설정

  • 압축강도, 통과능력, 재료분리저항성, 제조비용, 밀도의 각 모델식의 계수가 모두 0일 때 이것이 일어날 확률은 유의수준 0.05보다 낮으므로 (p<0.000), 귀무가설(null hypothesis, H0)은 기각되어 각 반응 모델식은 통계적으로 유의하다고 판정된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Box-Wilson 실험계획법은 어떤 목적으로 고안되었는가? Box-Wilson 실험계획법은 보통 중심합성계획법으로 알려져 있으며, 변동성이 존재하는 정보를 실험 계획적 방법으로 수집하는 설계 기법이다. 이 방법은 최소의 설계비용으로 가능한 많은 정보를 얻는 목적으로 고안되었다. 본 연구에서는 60 MPa급 고강도 자기충전형 콘크리트(HSSCC)를 대상으로 다양한 성능에 대한 여러 배합인자들의 효과를 효율적으로 파악하고 최적배합을 찾는 과정에 이 방법을 적용하였다.
Box-Wilson 실험계획법은 무엇인가? Box-Wilson 실험계획법은 보통 중심합성계획법으로 알려져 있으며, 변동성이 존재하는 정보를 실험 계획적 방법으로 수집하는 설계 기법이다. 이 방법은 최소의 설계비용으로 가능한 많은 정보를 얻는 목적으로 고안되었다.
기존 콘크리트배합설계과정의 장단점은? 즉, 한 개의 인자씩 순차적으로 배합구성비를 결정해나가는 기존 콘크리트배합설계과정-초보적인 인자결정법이라고 분류할 수 있음-은 간결한 구조라는 장점이 있지만, 인자와 성능 사이의 비선형적 관계를 각 과정 중에서 1개 인자씩만 고려하는 전형적인 one factor at a test의 단점을 가지고 있다(Baykasoglu et al., 2009).
질의응답 정보가 도움이 되었나요?

참고문헌 (14)

  1. Atcin, P.-C. (2011), High performance concrete, CRC Press, 203-211. 

  2. Baykasoglu, A., ztas, A., & zbay, E. (2009), Prediction and multiobjective optimization of high-strength concrete parameters via soft computing approaches. Expert Systems with Applications, 36(3), 6145-6155. 

  3. Do, J., Kim, D. (2013), Effect of Substrate Surface Water on Adhesive Properties of High Flowable VA/VeoVa-modified Cement Mortar for Concrete Patching Material, Journal of Korea Institute of Safety Inspection, KSMI, 17(5), 94-104.(In Korean, with English abstract). 

  4. Duan, Z., Kou, S., & Poon, C. (2013), Prediction of compressive strength of recycled aggregate concrete using artificial neural networks, Construction and Building Materials, 40, 1200-1206. 

  5. EFNARC. (2002), Specification and Guidelines for Self Compacting Concrete, DFNARC, UK, 23-25. 

  6. Fardis, M. N. (2012), Innovative Materials and Techniques in Concrete Construction, Springer, 45-49. 

  7. Ghafari, E., Costa, H., & Jlio, E. (2014), RSM-based model to predict the performance of self-compacting UHPC reinforced with hybrid steel micro-fibers, Construction and Building Materials, 66, 375-383. 

  8. Khan, M. I. (2012), Predicting properties of High Performance Concrete containing composite cementitious materials using Artificial Neural Networks, Automation in Construction, 22, 516-524. 

  9. Ko, Y., Kim, C., Hwang, J., and Lee, S. (2015), Experimental Study on Lateral Pressure Characteristics of a Formwork for High-Flowable and High-Strength Concrete, Journal of Korea Institute of Safety Inspection, KSMI, 19(3), 130-138.(In Korean, with English abstract). 

  10. Montgomery, D. C. (2013), Design and analysis of experiments, John Wiley & Sons, 478-544. 

  11. Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2009), Response surface methodology: process and product optimization using designed experiments, John Wiley & Sons, 446-449. 

  12. Ozbay, E., Oztas, A., Baykasoglu, A., & Ozbebek, H. (2009), Investigating mix proportions of high strength self compacting concrete by using Taguchi method, Construction and Building Materials, 23(2), 694-702. 

  13. Siddique, R., Aggarwal, P., & Aggarwal, Y. (2011), Prediction of compressive strength of self-compacting concrete containing bottom ash using artificial neural networks. Advances in Engineering Software, 42(10), 780-786. 

  14. Yeh, I.-C. (1998), Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete research, 28(12), 1797-1808. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로