노후화된 아파트의 재고가 폭발적으로 증가하게 될 것으로 예상됨에 따라 콘크리트 시설물의 내구성을 향상시키기 위한 유지관리의 중요성이 증대되고 있다. 콘크리트 압축강도는 콘크리트 시설물의 내구성을 나타내는 대표적인 지표로, 시설물 유지관리를 위한 정밀 안전 진단에 있어서 중요한 항목이다. 그러나 콘크리트 압축강도를 측정하고 유지관리를 판단하는데 있어서 기존의 방법들은 시설물의 안전 문제, 고비용 문제, 낮은 신뢰성 문제 등의 한계점을 가진다. 기존의 콘크리트 시설물의 압축강도 진단 방법을 대체할 수 있는 방안으로, 본 연구는 심층 컨볼루션 신경망 기법을 활용하여 영상을 통해 콘크리트 압축강도를 예측할 수 있는 모델을 제안하였다. 또한 실험실 환경에서 콘크리트 시편 제작을 통해 구축한 콘크리트 압축강도 데이터셋을 적용하여 학습, 검증 및 테스트를 진행하였다. 그 결과 콘크리트 표면 영상으로 콘크리트 압축강도를 학습할 수 있음을 알 수 있었고, 본 연구에서 제안하는 모델의 유효성을 확인하였다.
노후화된 아파트의 재고가 폭발적으로 증가하게 될 것으로 예상됨에 따라 콘크리트 시설물의 내구성을 향상시키기 위한 유지관리의 중요성이 증대되고 있다. 콘크리트 압축강도는 콘크리트 시설물의 내구성을 나타내는 대표적인 지표로, 시설물 유지관리를 위한 정밀 안전 진단에 있어서 중요한 항목이다. 그러나 콘크리트 압축강도를 측정하고 유지관리를 판단하는데 있어서 기존의 방법들은 시설물의 안전 문제, 고비용 문제, 낮은 신뢰성 문제 등의 한계점을 가진다. 기존의 콘크리트 시설물의 압축강도 진단 방법을 대체할 수 있는 방안으로, 본 연구는 심층 컨볼루션 신경망 기법을 활용하여 영상을 통해 콘크리트 압축강도를 예측할 수 있는 모델을 제안하였다. 또한 실험실 환경에서 콘크리트 시편 제작을 통해 구축한 콘크리트 압축강도 데이터셋을 적용하여 학습, 검증 및 테스트를 진행하였다. 그 결과 콘크리트 표면 영상으로 콘크리트 압축강도를 학습할 수 있음을 알 수 있었고, 본 연구에서 제안하는 모델의 유효성을 확인하였다.
As the inventory of aged apartments is expected to increase explosively, the importance of maintenance to improve the durability of concrete facilities is increasing. Concrete compressive strength is a representative index of durability of concrete facilities, and is an important item in the precisi...
As the inventory of aged apartments is expected to increase explosively, the importance of maintenance to improve the durability of concrete facilities is increasing. Concrete compressive strength is a representative index of durability of concrete facilities, and is an important item in the precision safety diagnosis for facility maintenance. However, existing methods for measuring the concrete compressive strength and determining the maintenance of concrete facilities have limitations such as facility safety problem, high cost problem, and low reliability problem. In this study, we proposed a model that can predict the concrete compressive strength through images by using deep convolution neural network technique. Learning, validation and testing were conducted by applying the concrete compressive strength dataset constructed through the concrete specimen which is produced in the laboratory environment. As a result, it was found that the concrete compressive strength could be learned by using the images, and the validity of the proposed model was confirmed.
As the inventory of aged apartments is expected to increase explosively, the importance of maintenance to improve the durability of concrete facilities is increasing. Concrete compressive strength is a representative index of durability of concrete facilities, and is an important item in the precision safety diagnosis for facility maintenance. However, existing methods for measuring the concrete compressive strength and determining the maintenance of concrete facilities have limitations such as facility safety problem, high cost problem, and low reliability problem. In this study, we proposed a model that can predict the concrete compressive strength through images by using deep convolution neural network technique. Learning, validation and testing were conducted by applying the concrete compressive strength dataset constructed through the concrete specimen which is produced in the laboratory environment. As a result, it was found that the concrete compressive strength could be learned by using the images, and the validity of the proposed model was confirmed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
둘째, 콘크리트 압축강도 결정의 주요 인자들을 고려하여 반경험식의 형태로 콘크리트의 압축강도를 예측하는 연구이다. 물시멘트비나 단위수량 등의 배합요소, 재령, 양생조건 등을 입력변수로 하고 회귀분석, 확률이론, 인공신경망 등을 이용하여 콘크리트의 압축강도를 예측하는 방법들이 제안되고 있다(Cho et al.
본 연구는 딥 러닝 기술을 활용하여 건축물의 영상을 기반으로 콘크리트 건축물 유지관리를 위한 내구성 평가 항목인 콘크리트 압축강도의 예측을 처음으로 시도하는 기초연구이다. 따라서 심층 컨볼루션 신경망을 활용하여 영상으로 부터 콘크리트 압축강도 예측이 가능한지 살펴보는 것을 연구의 목적으로 한다. 심층 컨볼루션 신경망을 활용하여 콘크리트 압축강도를 예측하기 위해서는 콘크리트 건축물의 영상에 대한 압축강도를 학습, 검증 및 테스트가 가능한 데이터셋이 필요하다.
마지막으로, 영상 처리(image processing)를 통해 콘크리트 압축강도를 예측하는 연구이다. 최근 들어 콘크리트 시편 영상을 촬영하고, 영상 처리를 통해 콘크리트의 특징을 수치화한 후, 수치화된 값을 회귀분석, 인공 신경망 등에 적용하여 콘크리트의 압축강도를 예측하는 방법들이 제안되고 있다(Başyiğit et al.
본 연구는 딥 러닝 기술을 활용하여 건축물의 영상을 기반으로 콘크리트 건축물 유지관리를 위한 내구성 평가 항목인 콘크리트 압축강도의 예측을 처음으로 시도하는 기초연구이다. 따라서 심층 컨볼루션 신경망을 활용하여 영상으로 부터 콘크리트 압축강도 예측이 가능한지 살펴보는 것을 연구의 목적으로 한다.
본 연구는 딥 러닝 기술을 활용하여 영상으로 콘크리트 압축강도를 예측할 수 있는 방법을 제안함으로써 시설물 유지관리 분야에 적용 가능한 새로운 기술의 가능성을 제시하였다. 본 연구에서 제안한 콘크리트 압축강도 예측 모델은 딥러닝 기술의 활용을 통해 기존에 알려진 콘크리트 압축강도에 영향을 미치는 특성뿐만 아니라 고차원의 특성을 추출함으로써 예측 정확도를 향상시킬 수 있을 것으로 기대된다.
앞서 언급하였듯이 콘크리트 압축강도 예측모델은 테스트 시 학습을 통해 나온 예측값과 실측값과의 차이, 즉 테스트 손실(test loss)을 최소화하는 것을 목표로 한다. 따라서 예측모델의 학습률이 어떻게 달라지고, 그에 따른 정확도가 어떻게 차이 나는지 확인하기 위해 예측 결과값으로 평균제곱근 오차(Root mean squared error, RMSE)를 계산하여 비교하였다.
연구의 목적을 달성하기 위해 우선 콘크리트 압축강도에 영향을 주는 요인, 콘크리트 압축강도 예측 관련 연구 및 심층 컨볼루션 신경망에 대한 고찰을 한다. 이를 바탕으로 영상기반 콘크리트 압축강도 예측의 가능성을 살펴본다.
이에 본 연구는 기존의 콘크리트 압축강도 측정의 한계를 극복하기 위해 심층 컨볼루션 신경망 기법을 활용하여 영상을 통해 콘크리트 압축강도를 예측할 수 있는 새로운 방법을 제안하고자 한다. 연구의 최종 결과물인 영상 기반 콘크리트 압축강도 예측 모델을 통해 노후화된 콘크리트 건축물의 압축강도 측정 시 소요되는 장비, 시간 그리고 비용을 절감하여 시설물 유지관리의 효율성을 높이고, 측정의 정확도를 높여 보편화에 기여하고자 한다.
, 2003; Yoon & Kang, 2005). 이러한 연구들은 압축강도의 예측을 통해 최적의 콘크리트 배합을 찾기 위한 목적을 가진다. 그러나 노후화된 건축물의 경우 초기 입력변수 값들을 알 수 없어 콘크리트 압축강도 예측에 적용하기 어렵고, 실제 현장조건아 반영되지 않는 수학적 예측모델이라는 한계가 있다.
구성 재료들이 불균질하고, 불규칙적인 형상을 가지기 때문에 연구자가 압축강도에 영향을 주는 모든 특징을 추출하는데 한계가 존재한다. 이러한 한계를 극복하기 위해 본 연구에서는 콘크리트 시편 영상으로부터 공간 정보를 반영한 고수준의 추상화된 특징을 추출하는 단계가 내부에 포함되어 있고, 현재 예측분야에서 뛰어난 성능을 보여주고 있는 현심층 컨볼루션 신경망을 활용하고자 한다[Fig. 1].
연구의 목적을 달성하기 위해 우선 콘크리트 압축강도에 영향을 주는 요인, 콘크리트 압축강도 예측 관련 연구 및 심층 컨볼루션 신경망에 대한 고찰을 한다. 이를 바탕으로 영상기반 콘크리트 압축강도 예측의 가능성을 살펴본다. 그리고 실험실 환경에서 콘크리트 시편을 제작, 영상을 촬영, 압축강도 시험을 한 후 영상에 압축강도를 레이블링(labeling)하여 콘크리트 압축강도 데이터셋을 구축한다.
이에 본 연구는 기존의 콘크리트 압축강도 측정의 한계를 극복하기 위해 심층 컨볼루션 신경망 기법을 활용하여 영상을 통해 콘크리트 압축강도를 예측할 수 있는 새로운 방법을 제안하고자 한다. 연구의 최종 결과물인 영상 기반 콘크리트 압축강도 예측 모델을 통해 노후화된 콘크리트 건축물의 압축강도 측정 시 소요되는 장비, 시간 그리고 비용을 절감하여 시설물 유지관리의 효율성을 높이고, 측정의 정확도를 높여 보편화에 기여하고자 한다.
최근 들어 영상 처리 기법을 적용한 연구들이 진행되고 있으나, 콘크리트 특징 추출에 있어 한계를 가진다. 이에 본 연구에서는 심층 컨볼루션 신경망을 활용하여 영상 기반 콘크리트 압축강도 예측 모델을 제안하고, 실험실 환경에서 구축한 콘크리트 압축강도 데이터셋을 적용하여 그 유효성을 확인하였다.
제안 방법
각 컨볼루션층의 결과는 ReLU를 적용하며 첫 번째, 두 번째 그리고 다섯 번째 컨볼루션 층은 3×3크기의 맥스 풀링(max pooling)을 적용한다.
이를 바탕으로 영상기반 콘크리트 압축강도 예측의 가능성을 살펴본다. 그리고 실험실 환경에서 콘크리트 시편을 제작, 영상을 촬영, 압축강도 시험을 한 후 영상에 압축강도를 레이블링(labeling)하여 콘크리트 압축강도 데이터셋을 구축한다. 마지막으로 심층컨볼루션 신경망을 활용하여 콘크리트 압축강도 예측 모델을 개발하고, 본 연구에서 구축한 콘크리트 압축강도 데이터셋을 적용하여 학습, 검증 및 테스트를 통해 그 유효성을 살펴본다.
본 연구에서 콘크리트 시편의 동영상 촬영을 통해 획득한 영상 데이터는 화질이 많이 흔들림으로 인해 학습데이터로 사용하기 어려운 문제가 발생하였다. 따라서 동영상에서 구축한 영상 데이터셋을 사전학습(pre-training)에 사용하고, 그 후 얻은 영상으로 실험을 진행하였다. 이때 학습을 위한 연산량이 많아지고, 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합을 방지하기 위해 영상 학습 시에도 사진 촬영분 데이터 48개와 동영상 추출분 데이터 4개, 총 52개를 미니배치(minibatch)하여 학습한다.
심층 컨볼루션 신경망 모델은 빅 데이터(big data) 기반에서 효과적으로 좋은 성능을 낼 수 있다. 따라서 본 연구에서는 데이터 확장(data augmentation)을 통해 콘크리트 압축강도 데이터셋을 확장시킨다. 데이터 확장이란 영상의 레이블을 변경하지 않고 여러 방법을 통해 변형하여 데이터셋의 수를 많게 하는 것이다.
그리고 실험실 환경에서 콘크리트 시편을 제작, 영상을 촬영, 압축강도 시험을 한 후 영상에 압축강도를 레이블링(labeling)하여 콘크리트 압축강도 데이터셋을 구축한다. 마지막으로 심층컨볼루션 신경망을 활용하여 콘크리트 압축강도 예측 모델을 개발하고, 본 연구에서 구축한 콘크리트 압축강도 데이터셋을 적용하여 학습, 검증 및 테스트를 통해 그 유효성을 살펴본다.
본 연구에서는 1,920×1,080 픽셀의 원본 영상 크기를 112×112 픽셀로 크기 조정(resizing)한 후,좌측 상단의 18×18 픽셀 중에 무작위 시드(random seed)를 생성하여 그 점을 우상단 좌표로 하여 각 96×96, 84×84, 56×56 픽셀 크기의 영상을 생성한다.
, 2017). 본 연구에서는 다양한 범위의 압축강도를 가질 수 있도록 [Table 1]과 같이 목표 압축강도 40MPa, 24MPa, 18MPa 기준으로 각각 물시멘트비 33%, 50%, 68% OPC100배합으로 설계하였다. 콘크리트 시편은 100×200㎜ 규격으로 세 가지 배합별로 재령 3일, 7일, 28일 시험용 각 3개씩 총 27개를 제작하였다.
데이터 확장이란 영상의 레이블을 변경하지 않고 여러 방법을 통해 변형하여 데이터셋의 수를 많게 하는 것이다. 본 연구에서는 무작위 크로핑(random cropping)과 수평 플리핑(horizontal flipping)을 사용하여 데이터셋의 수를 확장시킨다. 무작위 크로핑은 [Fig.
심층 컨볼루션 신경망의 구조를 결정하는 것으로는 층(layer)의 수, 층의 종류, 층의 출력 뉴런수, 파라미터, 활성화 함수,가중치 등 다양한 요인들이 있고, 이러한 요인들의 조합에 따라 다른 성능을 가진다. 본 연구에서는 심층 컨볼루션 신경망의 유명한 모델인 AlexNet을 데이터에 맞게 구조를 일부 변경해서 영상 기반 콘크리트 압축강도 예측 모델을 설계한다. AlexNet은 ILSVRC (ImageNet Large Scale Visual Recognition Challenge) 2012 대회에서 우승한 모델로서 심층 컨볼루션 신경망 구조가 대규모 영상 인식에서 성능을 인증 받는 데 기여한 초기 모델이다.
본 연구에서는 입력 영상 크기에 따른 압축강도 예측정확도를 비교해보기 위해 96×96, 84×84, 56×56 픽셀의 총 3가지 종류를 입력값으로 사용한다.
심층 컨볼루션 신경망 모델은 복잡한 만큼 학습을 위해 많은 데이터를 필요로 하며, 감독 학습 모델이기 때문에 모든 데이터에 대해 레이블 정보를 필요로 한다. 본 연구에서는 콘크리트 시편의 영상을 입력값(input)으로 하고, 해당 영상에 대한 압축강도를 출력값(output)으로 하여 레이블링 하였다. 동영상 촬영분에서는 1초당 29장의 사진을 추출하여 총 299,291개의 데이터셋을, 사진 촬영분에서는 총 5,145개의 데이터셋을 구축하였다.
본 장에서는 3장에서 구축한 데이터셋을 활용하여 압축강도를 예측하는 심층 컨볼루션 신경망 모델을 설계한다. 심층 컨볼루션 신경망의 구조를 결정하는 것으로는 층(layer)의 수, 층의 종류, 층의 출력 뉴런수, 파라미터, 활성화 함수,가중치 등 다양한 요인들이 있고, 이러한 요인들의 조합에 따라 다른 성능을 가진다.
앞서 언급하였듯이 입력 영상 크기에 따른 콘크리트 압축강도 예측 정확도를 비교해보기 위해 본 연구에서는 96×96, 84×84, 56×56 픽셀 총 3가지 크기에 대해 각각 학습, 검증, 테스트를 실시한다.
컨볼루션 층에 이어지는 여섯 번째, 일곱 번째의 완전 연결 층은 각각 4096개, 4096개의 뉴런을 가진다. 여덟 번째 완전 연결 층의 경우 기존의 AlexNet에서는 1000 종류의 영상 인식을 위해 1000개의 뉴런을 사용했지만, 본 연구에서는 콘크리트 압축강도 예측이 목표이기 때문에 압축강도를 나타내는 1개의 뉴런을 가지도록 변경하여 사용한다.
이를 위해 실험실 환경에서 제작한 콘크리트 시편의 영상을 촬영하고, 시험을 통해 압축강도를 통해 산출한 후, 촬영한 영상에 산출한 압축강도를 레이블링하여 콘크리트 압축강도 데이터셋을 구축하였다. 각 단계에 대한 구체적인 설명은 다음과 같다.
콘크리트 시설물을 촬영하기 위해서는 휴대하고 다니기 쉽고, 촬영방법이 간편해야 할 것이다. 이에 본 연구에서는 USB 현미경을 사용하여 [Fig. 3]과 같이 콘크리트 시편 영상을 촬영하였다. 본 연구에서 사용한 USB 현미경은 약 200만 화소(1,920×1,080 픽셀)이고, 해상도는 대략 5,400dpi(dots per inch)이다.
5로 설정하였다. 제안한 콘크리트 압축강도 예측을 학습하기 위해서 딥러닝 프레임워크 CAFFE (Jia et al., 2014)을 사용하였고, Geforce GTX 1080Ti그래픽 카드를 사용하여 학습을 실시했다. 본 연구에서 제시한 예측모델을 학습 및 검증하는데 96시간이 걸렸으며, 테스트하는데 약 0.
콘크리트 시편은 100×200㎜ 규격으로 세 가지 배합별로 재령 3일, 7일, 28일 시험용 각 3개씩 총 27개를 제작하였다.
대상 데이터
본 연구에서는 콘크리트 시편의 영상을 입력값(input)으로 하고, 해당 영상에 대한 압축강도를 출력값(output)으로 하여 레이블링 하였다. 동영상 촬영분에서는 1초당 29장의 사진을 추출하여 총 299,291개의 데이터셋을, 사진 촬영분에서는 총 5,145개의 데이터셋을 구축하였다.
따라서 1 픽셀은 콘크리트의 공극을 보여줄 수 있는 크기로 판단된다. 많은 수의 사진을 얻기 위해서 시편의 윗면과 아랫면을 촬영하고, 한 시편 당 150~200장의 사진을 촬영함과 동시에 동영상으로도 촬영하였다.
심층 컨볼루션 신경망을 활용하여 콘크리트 압축강도를 예측하기 위해서는 콘크리트 건축물의 영상에 대한 압축강도를 학습, 검증 및 테스트가 가능한 데이터셋이 필요하다. 본 연구는 실험실에서 제작한 콘크리트 시편으로 데이터셋을 구축하여 유효성을 실험하는 것으로 연구의 범위를 한정한다.
본 연구에서 사용한 USB 현미경은 약 200만 화소(1,920×1,080 픽셀)이고, 해상도는 대략 5,400dpi(dots per inch)이다.
사진 촬영을 통해 구축한 총 5,145개의 데이터는 학습데이터로 3,601개 (70%), 검증데이터로 515개 (10%), 테스트데이터로 1,029개 (20%)를 사용한다. 앞서 언급하였듯이 입력 영상 크기에 따른 콘크리트 압축강도 예측 정확도를 비교해보기 위해 본 연구에서는 96×96, 84×84, 56×56 픽셀 총 3가지 크기에 대해 각각 학습, 검증, 테스트를 실시한다.
따라서 동영상에서 구축한 영상 데이터셋을 사전학습(pre-training)에 사용하고, 그 후 얻은 영상으로 실험을 진행하였다. 이때 학습을 위한 연산량이 많아지고, 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합을 방지하기 위해 영상 학습 시에도 사진 촬영분 데이터 48개와 동영상 추출분 데이터 4개, 총 52개를 미니배치(minibatch)하여 학습한다.
콘크리트 압축강도 시험은 KS F 2405의 규정에 의거하고, 200 Ton UMT를 사용하였다. 물시멘트비 33%, 50%, 68%에 대해 각각 재령 3일, 7일, 28일에 시험한 결과는 [Table 2]와 같이 8.
데이터처리
앞서 언급하였듯이 콘크리트 압축강도 예측모델은 테스트 시 학습을 통해 나온 예측값과 실측값과의 차이, 즉 테스트 손실(test loss)을 최소화하는 것을 목표로 한다. 따라서 예측모델의 학습률이 어떻게 달라지고, 그에 따른 정확도가 어떻게 차이 나는지 확인하기 위해 예측 결과값으로 평균제곱근 오차(Root mean squared error, RMSE)를 계산하여 비교하였다. 평균제곱근오차는 압축강도 예측값과 실측값의 오차 제곱을 산술 평균한 값의 제곱근으로 측정한다.
이론/모형
각 컨볼루션층의 결과는 ReLU를 적용하며 첫 번째, 두 번째 그리고 다섯 번째 컨볼루션 층은 3×3크기의 맥스 풀링(max pooling)을 적용한다. 또한 첫 번째와 두 번째 컨볼루션 층은 맥스 풀링의 결과에 로컬 응답 정규화(Local Response Normalization, LRN)를 적용한다. 컨볼루션 층에 이어지는 여섯 번째, 일곱 번째의 완전 연결 층은 각각 4096개, 4096개의 뉴런을 가진다.
성능/효과
6]과 같다. 각 영상 크기에 대한 학습 손실(train loss)과 검증 손실(validation loss)은 둘 다 반복(iteration)이 증가함에 따라 줄어들고 있음을 확인할 수 있다. 이는 본 연구에서 제안하는 모델이 과적합 없이 잘 학습됨을 의미한다.
그럼에도 불구하고, 본 연구에서는 94×94 픽셀보다 84×84 픽셀에서 평균제곱근오차 즉, 예측 정확도가 높게 나타났다.
앞서 언급하였듯이 입력 영상 크기에 따른 콘크리트 압축강도 예측 정확도를 비교해보기 위해 본 연구에서는 96×96, 84×84, 56×56 픽셀 총 3가지 크기에 대해 각각 학습, 검증, 테스트를 실시한다. 데스트데이터로 사용한 콘크리트 압축강도의 분포는 [Table 3]에 보이듯 8.89MPa (6%), 10.29MPa (8%), 16.77MPa (6%), 27.58MPa (6%) 순으로 많은 비율을 차지하고 있다.
이 모델의 특징은 첫째, 전체 망을 두 개의 GPU로 분산시킴으로써 수용할 만한 계산 시간의 범위 내에서 통신양을 조절할 수 있다. 둘째, 노드의 활성화 함수로 포화되지 않는 비선형 구조의 ReLU를 사용하여 포화되는 시그모이드 비선형 구조보다 여러 배 빠르게 수렴하여 일관되게 개선된 학습속도를 가진다. 셋째, 풀링이 적용되는 지역들을 겹치기(overlapped Pooling) 하면서 과적합(overfitting)이 억제되고 에러율이 감소하는 특징을 가진다.
또한, 세 가지 입력 영상 크기 중 84×84 픽셀일 경우 평균제곱근오차가 가장 낮게 나타났다.
, 2014)을 사용하였고, Geforce GTX 1080Ti그래픽 카드를 사용하여 학습을 실시했다. 본 연구에서 제시한 예측모델을 학습 및 검증하는데 96시간이 걸렸으며, 테스트하는데 약 0.28초의 시간이 소요되었다.
둘째, 노드의 활성화 함수로 포화되지 않는 비선형 구조의 ReLU를 사용하여 포화되는 시그모이드 비선형 구조보다 여러 배 빠르게 수렴하여 일관되게 개선된 학습속도를 가진다. 셋째, 풀링이 적용되는 지역들을 겹치기(overlapped Pooling) 하면서 과적합(overfitting)이 억제되고 에러율이 감소하는 특징을 가진다.
73의 값을 가진다. 이를 통해 본 연구에서 개발한 심층 컨볼루션 신경망을 활용한 영상 기반 모델이 콘크리트 압축강도의 예측에 적용 가능함을 확인할 수 있다. 또한, 세 가지 입력 영상 크기 중 84×84 픽셀일 경우 평균제곱근오차가 가장 낮게 나타났다.
후속연구
또한 콘크리트 표면 영상만으로 장소의 제한 없이 압축강도를 진단함으로써 시설물 유지관리에 드는 시간과 비용 감소에기여할 수 있을 것이다. 그러나 본 연구는 심층 컨볼루션 신경망을 활용하여 영상을 통해 콘크리트 압축강도 예측이 가능한지 여부를 확인하는데 목적을 가지고, 실험실 환경에서 제작한 콘크리트 시편만을 대상으로 학습, 검증, 테스트를 진행했다는 점에서 한계를 가진다. 향후 연구에서는 실제 노후화된 콘크리트 시설물을 바탕으로 빅데이터를 구축하고, GoogleNet, ResNet 등과 같은 다양한 심층 컨볼루션 신경망 모델을 활용하여 예측 성능을 개선해야할 것이다.
그러나 본 연구 모델의 평균제곱근오차는 아직 기존 압축강도 예측 모델의 실험결과들과 유사한 수준이다. 따라서 다양한 입력 영상 크기와 심층 컨볼루션 신경망 구조를 적용하여 최적의 모델을 찾기 위한 연구가 향후 진행되어야 할 것이다.[Fig.
따라서 향후 콘크리트 시설물의 압축강도예측 시 본 연구에서 사용한 해상도 5,400 dpi와 동일한 USB 현미경으로 사용할 경우, 입력영상으로 94×94 픽셀보다 84×84 픽셀을 사용하는 것이 더 높은 예측 정확도를 가질 것으로 판단된다.
본 연구에서 제안한 콘크리트 압축강도 예측 모델은 딥러닝 기술의 활용을 통해 기존에 알려진 콘크리트 압축강도에 영향을 미치는 특성뿐만 아니라 고차원의 특성을 추출함으로써 예측 정확도를 향상시킬 수 있을 것으로 기대된다. 또한 콘크리트 표면 영상만으로 장소의 제한 없이 압축강도를 진단함으로써 시설물 유지관리에 드는 시간과 비용 감소에기여할 수 있을 것이다. 그러나 본 연구는 심층 컨볼루션 신경망을 활용하여 영상을 통해 콘크리트 압축강도 예측이 가능한지 여부를 확인하는데 목적을 가지고, 실험실 환경에서 제작한 콘크리트 시편만을 대상으로 학습, 검증, 테스트를 진행했다는 점에서 한계를 가진다.
본 연구는 딥 러닝 기술을 활용하여 영상으로 콘크리트 압축강도를 예측할 수 있는 방법을 제안함으로써 시설물 유지관리 분야에 적용 가능한 새로운 기술의 가능성을 제시하였다. 본 연구에서 제안한 콘크리트 압축강도 예측 모델은 딥러닝 기술의 활용을 통해 기존에 알려진 콘크리트 압축강도에 영향을 미치는 특성뿐만 아니라 고차원의 특성을 추출함으로써 예측 정확도를 향상시킬 수 있을 것으로 기대된다. 또한 콘크리트 표면 영상만으로 장소의 제한 없이 압축강도를 진단함으로써 시설물 유지관리에 드는 시간과 비용 감소에기여할 수 있을 것이다.
그러나 본 연구는 심층 컨볼루션 신경망을 활용하여 영상을 통해 콘크리트 압축강도 예측이 가능한지 여부를 확인하는데 목적을 가지고, 실험실 환경에서 제작한 콘크리트 시편만을 대상으로 학습, 검증, 테스트를 진행했다는 점에서 한계를 가진다. 향후 연구에서는 실제 노후화된 콘크리트 시설물을 바탕으로 빅데이터를 구축하고, GoogleNet, ResNet 등과 같은 다양한 심층 컨볼루션 신경망 모델을 활용하여 예측 성능을 개선해야할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
비파괴시험을 통한 압축강도 예측의 문제점은 무엇인가?
, 2016). 그러나 비파괴시험을 통한 압축강도 예측은 값비싼 장비와 전문인력이 필요할 뿐 만 아니라 예측값에 대한 신뢰도가 떨어진다는 문제점을 가진다(Lee et al., 2015; Baygin et al.
파괴시험법이 가지고 있는 문제점은 무엇인가?
파괴시험법은 공시체 또는 모체콘크리트에서 채취한 코어를 파괴하여 강도를 측정한다. 공시체를 통해 강도를 측정하는 경우 공시체가 모체와 다른 환경에서 양생이 되어 실제와 다른 값을 가질 수 있고, 장기 재령 압축강도 측정 시에는 공시체가 존재하지 않는 문제가 있다. 코어를 채취하는 경우는 비용적인 측면뿐만 아니라 모체콘크리트를 훼손해야 한다는 점에서 구조물의 안전상에 문제가 발생할 수 있다. 반면, 비파괴시험법은 구조물에 손상을 입히지 않고 콘크리트 압축강도를 예측하는 방법으로, 반발경도법과 초음파속도법이 그 간편성으로 인해 주로 사용되고 있다(Lee et al.
시설물 유지관리란 무엇인가?
시설물 유지관리란 시설물의 상태평가를 위한 점검과 진단 및 그 결과에 기초한 개량, 보수, 보강에 필요한 활동을 의미한다. 콘크리트 건축물의 유지관리는 콘크리트 내구성을 평가하고, 내구수명을 증가시키기 위한 활동이다.
참고문헌 (18)
Al-Amoudi, O. S. B., Al-Kutti, W. A., Ahmad, S., and Maslehuddin, M. (2009). "Correlation between compressive strength and certain durability indices of plain and blended cement concretes." Cement and Concrete Composites, 31, pp. 672-676.
Basyigit, C., Comak, B., Kilincarslan, and Uncu, I. S. (2012). "Assessment of concrete compressive strength by image processing technique." Construction and Building Materials, 37, pp. 526-532.
Baygin, M., Ozkaya, S.G, Alperen, M. and Kazaz, I. (2017). "A new approach based on image processing for measuring compressive strength of structures." International Journal of Intelligent Systems and Applications in Engineering, Special Issue, pp. 21-25.
Cho, H., Yoon, S., and Jee, N. (2003). "The estimation of compressive strength of ready-mixed concrete on the basis of mix design." Journal of the Architectural Institute of Korea Structure & Construction, 19(4), pp. 105-112.
Chung, S. Y., Han, T. S., Yeom, K. S., and Kim, J. S. (2013). "Analysis of constituents of insulating concrete using Micro CT images." Journal of the Korean Society of Hazard Mitigation, 13(2), pp. 43-48.
Dogan, G., Arslan, M.H., and Ceylan, M. (2017). "Concrete compressive strength detection using image processing based new test method." Measurement, 109, pp. 137-148.
Jamkar, S. S., and Rao, C. B. K. (2004). "Index of aggreate particle shape and texture of coarse aggregate as a parameter for concrete mix proportioning." Cement and Concrete Research, 34, pp. 2021-2027.
Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., and Darrell, T. (2016). "Caffe: Convolutional architecture for fast feature embedding." in Processing of the ACM International Conference on Multimedia, pp. 675-678.
Kim, M. H., Choi, S. J., Kang, S. P., Kim, J. H. and Jang, J. H. (2002). "A study on the application of non-destructive testing equation for the estimation of compressive strength of high strength concrete." Journal of the Korea Institute of Building Construction, 2(3), pp. 123-130.
Kim, M. W., Oh, H., and Oh, K. C. (2016). "Estimating the Compressive strength of high-strength concrete using surface rebound value and ultrasonic velocity." Journal of the Korea Institute for Structural Maintenance and Inspection, 20(2), pp. 1-9.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). "Imagenet classification with deep convolutional neural networks." in Processing of the Advances in Neural Information Processing Systems, pp. 1097-1105.
Kwon, Y. W., Park, S. C., and Kim, M. S. (2006). "Strength prediction equations for high strength concrete by schmidt hammer test." Journal of the orea Concrete Institute, 18(3), pp. 389-395.
Lee, H. K, Lee, B. J., Oh, J. C., and Kim, Y.Y. (2015). "Reliability evaluation for prediction of concrete compressive strength through impact resonance method and ultra pulse velocity method." Journal of the Korea Institute for Structural Maintenance and Inspection, 29(4), pp. 18-24.
Lee, H. S., and Kwon, S. J. (2012). "Modeling on compressive strength in high performance concrete using porosity." Journal of the Korean Institute for Structural Maintenance and Inspection, 16(6), pp. 124-133.
Polat, R., Yadollahi, M. M., Sagsoz, A. E., and Arasan, S. (2013). "The correlation between aggregate shape and compressive strength of concrete: Digital image processing approach." International Journal of Structural and Civil Engineering Research, 2(3), pp. 62-80.
Song, H. W., Cho, H. J., Park, S. S., Byun, K. J., and Maekawa, K. (2001). "Early-age cracking resistance evaluation of concrete structure." Concrete Science and Engineering, 3, pp. 62-72.
Tiberti, G., Minelli, F., and Plizzar, G. (2015). "Cracking behavior in reinforced concrete members with steel fibers: a comprehensive experimental study." Cement and Concrete Research, 68, pp. 24-34.
Yoon, J. E., and Kang, K. I. (2005). "Prediction of the compressive strength of recycled aggregate concrete by data mining technique." Journal of the Architectural Institute of Korea Structure & Construction, 21(10), pp. 119-126.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.