슬러지들

프로젝트 개요

기술개발 과제

국문 : 폐콘크리트 슬러지를 이용한 콘크리트 강도 예측

영문 : Prediction of Concrete Strength Using Waste Concrete Sludge

과제 팀명

슬러지들

지도교수

김지수 교수님

개발기간

2023.09.06 ~ 2023.12.06

구성원 소개

서울시립대학교 토목공학부·과 2020******권** (팀장)

서울시립대학교 토목공학부·과 2017****** 이**

서울시립대학교 토목공학부·과 2018****** 박**

서울시립대학교 토목공학부·과 2018****** 임**

서울시립대학교 토목공학부·과 2018****** 전**

서울시립대학교 토목공학부·과 2020****** 이*혁

서론

개발 과제의 개요

개발 과제 요약

폐콘크리트를 이용하여 재생골재를 만드는 과정에서 발생하는 슬러지를 활용하여 콘크리트(실험군)를 제작 후 일반 콘크리트(대조군)와 강도를 비교한다. 
실험군에서 폐콘크리트 슬러지의 치환율을 지속적으로 변경하여 콘크리트를 제작하고 강도를 측정하여 데이터를 얻어낸다. 얻어낸 데이터를 기반으로 dnn 모델과 XGboost를 사용하여 슬러지-콘크리트의 압축강도 예측 모델을 생성한다.

개발 과제의 배경

최근 건설공사의 대형화, 건설화로 인해 골재의 사용량 증가로 콘크리트 골재 부족현상이 나타났다. 이에 더하여 환경 관련한 여러 이슈가 사회적으로 대두되고 있다. 건설폐기물 또한 이와 관련되어 건설폐기물 재활용에 대한 연구와 관심이 높아지고 있다. 이러한 상황 속에서 자재 비용 절감, 환경 보호의 목적으로 재생 골재를 활용하려는 움직임이 눈에 띄게 많아지고 있다. 이때, 폐콘크리트를 다시 골재로 재생하는 공정에서 발생하는 슬러지 및 폐수를 더욱 친환경적으로 처리하고 재활용하기 위해 슬러지를 이용한다. 슬러지는 시멘트와 모래 성분으로 이루어져 있으며, 이를 분리하여 모래는 잔골재로, 시멘트 성분은 콘크리트 혼화제로 활용하는 방법이 제시 되었다. 우리 조는 위 아이디어를 채택하여 실험군 콘크리트를 제작하여 강도를 검증하고, 데이터를 활용하여 dnn(알고리즘 모델)과 XGboost를 통한 강도 예측 모델을 생성하고 이를 기존 예측식 과의 비교를 통해, 보다 개선된 예측 모델을 얻어내고자 한다. 또한 Random Forest 변수중요도를 이용하여 각 배합비에 따른 점수를 계산하여 최적배합비를 구하려고 한다.

개발 과제의 목표 및 내용

◇ 1차 목표 
 : 논문에서 제시된 재생골재 및 슬러지를 이용한 콘크리트 비빔의 압축 강도 검증(사용 가능성 검증)

◇ 2차 목표
 : 이후, 임의로 물-시멘트비 및 슬러지의 대체율을 달리하여 공시체 양생 및 강도 시험 후, 이를 통해 얻어낸 데이터를 기반으로 dnn(알고리즘 모델), XGboost를 강도 예측을 하고 Random Forest의 변수중요도를 이용해 최적 배합비 선정

◇ 3차 목표
 : 위에서 얻어낸 강도 예측 모델과 논문에서 제시된 기존 경험식을 이용하여, 특정 강도에 대한 콘크리트 비빔 및 강도 검증 후 둘의 강도 실현율 비교, dnn(알고리즘 모델),XGboost 통해 얻어낸 강도 예측 모델의 적합성 평가

◇ 건설폐기물을 재활용하기 위하여 폐콘크리트를 사용한다. 하지만 폐콘크리트를 재사용하는 과정에서 슬러지가 또 다시 발생한다. 이 폐콘크리트 슬러지를 이용하여 콘크리트의 재료로 사용하고자 한다. 콘크리트는 시멘트, 물, 골재 등의 성분으로 이루어져 있다. 콘크리트 제작 시 폐콘크리트 슬러지로 시멘트를 대체하고, 치환율을 달리하여 여러 공시체를 제작한다. 제작한 공시체를 재령 14일차에 강도를 측정하고, 일반 콘크리트의 값과 비교한다.
해당 과정에서 축적된 데이터를 dnn(알고리즘 모델)과 XGboost에 적용하여 강도 예측 모델을 제작한다. 현장에 존재하는 예측식을 사용한 예측 모델과 비교하고, 더 나은 모델을 개발한다. 그리고 이 과정에서 폐콘크리트 슬러지 콘크리트의 최적 혼합률을 확인하여 가장 높은 강도를 콘크리트를 개발하고자 한다.

◇ 처음 과제제안과정에서 LSTM모델을 사용하려 했으나. LSTM 불규칙한 종속성을가진 데이터를 토대로 결과를 추정하는 방법이기에 부적합하다고 판단해 다른 모델인 XGBoost 모델을 사용하려고 한다. 또한 최적배합비 산정의 내용이 충분하지 않아 Random Forest의 변수중요도를 이용해 최적배합비 산정에 이용하기로 했다. 이 과정은 개념설계단계에서 결정했다.

◇ 잔골재 치환하는 방법에 제약이 많아 잔골재를 치환하는 대신 시멘트를 치환하려고 한다. 슬러지를 작은 알갱이, 잔골재의 입도 정도의 크기로 뭉친 후 잔골재를 대체하려 했지만, 멘토 교수님과의 상담 때 위 방법은 비빔 도중 알갱이가 부서져 잔골재 치환이 어렵다는 조언을 듣고 잔골재를 치환하는 방법을 찾으려 했다. 

◇ 이 중 선행연구로 진행된 연구에서 슬러지로 경량골재를 제조하는 방법에는 고온처리, 탈수 및 소각처리를 실시를 통한 방법이 제시되었다. 하지만, 과제 진행 기간과 비용, 시간 문제로 앞선 방법을 통해 잔골재를 대체하기에 어려움이 있다. 따라서 잔골재가 아닌, 시멘트 치환을 목표로 설정했다.

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

• 전 세계적인 기술현황

◇ 국내 연구에서 폐콘크리트미분말을 재활용할 수 있는 방안으로 최근 잔골재의 일부로서 폐콘크리트미분말을 혼합하였을 경우, 대체 가능성에 관한 연구가 진행되고 있다. 최근 연구 결과 압축강도와 모르타르의 플로우의 값을 통해 30%까지 혼입이 가능할 것으로 보고되고 있다.

◇ 슬러지의 함유량을 다르게 하여 콘크리트를 제조한 결과, 대체율이 높을수록 흡수율 및 기공률이 높다는 결과를 얻을 수 있었다. 또한 압축강도 및 절건밀도가 조금씩 저하하는 양상을 띤다.

◇ 폐콘크리트슬러지를 따로 건조시키지 않고 그대로 사용하여 실험을 진행해본 결과, 대체율이 높아짐에 따라 플로우값이 감소함을 보였다. 따라서 폐콘크리트슬러지 자체가 함유하고 있는 물은 배합에 유효하지 않은 것으로 보인다.

◇ DNN모델
: DNN모델은 입력층과 출력층 사이에 여러개의 은닉층으로 이루어진 신경망이다. 복잡한 비선형관계를 모델링 할 수 있다. DNN은 적은 수의 유닛, 노드를 만으로도 복잡한 데이터를 모델링 할 수 있게 한다.

◇ DNN 활용예시
: 이승준, 이한승(2018)은 DNN 기반 콘크리트 압축강도 예측모델을 구현하였다. 이 연구에서는 경사하강법을 채택했다. 100개의 데이트 예측 시 정확히 예측한 모델이 90개로 높은 합격률을 보였다. 

◇ XGboost 모델
: XGBoost는 Extreme Gradient Boosting의 약자이다. 이는 분류, 회귀 문제에 모두 사용 가능한 모델이다. 강력한 병렬 처리 성능과 자동 가지치기 알고리즘이 적용되어 빠른 속도를 갖는다. 과적합 규제 가능의 이점이 있다. 또한 자체 교차 검증 알고리즘과 결측치 처리 기능을 가지고 있다. 균형 트리 분할 방식으로 모델을 학습하며, 대칭적인 트리를 형성한다. 

◇ XGboost 활용예시
: 권민호, 강민곤의 [기계학습의 회귀 분석 모델을 이용한 콘크리트의 압축 강도 예측]에서 여러 가지 회귀모델 중 XGBoost가 회귀 모델의 오차율이 가장 낮았으며 정확도도 가장 높았다는 선행연구가 있다.

• 기술 로드맵

시장상황에 대한 분석

• 기존/경쟁 기술/제품 조사 비교

◇ 폐콘크리트 슬러지 속 미분말 재활용
: 폐콘크리트의 재생순환 자원화 과정 중 분쇄과정에서 미분말과 표면세척 및 불순물 분리에 사용되는 물이 혼합된 슬러지 속 미분말을 회수하여 골재 및 시멘트 대체재로서 재활용할 수 있다. 아래는 슬러지에서 분리한 미분말(이하 ‘슬러지 잔골재’)의 표준체(45, 140, 200, 270,325 mesh)를 이용한 입도 분포이다.

◇ 일반 순환잔골재 혼입 콘크리트
: 슬러지는 순환골재 생성 과정의 부산물로서 이를 활용하여 잔골재 등으로 활용할 수 있는데, 비교할 만한 유사 기술로 일반적인 폐콘크리트 순환 잔골재를 들 수 있을 것이다. 이에, 일반적인 순환잔골재는 다음의 특성을 가진다. 

1) 슬럼프는 190±15mm 기준에 만족하고, 순환골재 혼입률 증가에 따라 슬럼프 값은 소량 감소하였으며, KS F4009 레디믹스트 콘크리트에서 규정하고 있는 콘크리트의 최저 슬럼프 값인 80mm 이상의 기준에 만족한다.
2) 압축강도는 순환잔골재 혼입률 증가에 따라 점차 감소하였으나, 순환잔골재 혼입률이 0~60%일 때 설계기준강도를 만족하였으며, 100%일 때는 설계기준강도(27mpa)에 비해 적은 것으로 나타났다.

즉, 슬러지 재활용에 있어, 일반 골재 및 시멘트처럼 사용 가능한지를 확인하기 위해서는 다음의 특성을 확인할 필요가 있다.

• 시장성 분석

◇ 순환골재 생산량의 약 20%가 슬러지로 발생, 이에 대한 매립, 소각 등에 달하는 비용이 매년 증가 추세임

◇ 향후 20년 이내 천연골재 고갈사태가 발생, 이에 대해 대체자원 개발이 시급하므로 잔골재 대용으로 슬러지를 연구할 필요성이 있음

◇ 2004년 YTN의 제천시 순환골재 사용 사례를 보면 순환골재에 의한 연단위 순편익은 약 280억임

◇ 순환골재 생산의 부가적 생산물인 슬러지는 생산비용이 거의 들지 않으며, 순환 골재 생산량의 약 20% 정도를 슬러지라 가정한다. 따라서 매립비용의 20%를 슬러지 절감비용이라 판단하고 기대 순편익을 계산한 결과는 다음과 같다.

◇ 위 가정에 따라 450,000m3를 생산하는데 필요한 비용, 편익을 년단위로 계산할 경우 아래와 같음.
순편익 = (판매이익+매립장 절감비용)-(제반비용 및 사회적 비용)
       = (2,649,325,020 * 0.35 + 26,961,845,181 * 0.2) - (1,478,508,983 * 0.2)
       = 6,023,930,996.6 = 약 60억원/연

• 사회성 분석

◇ 순환골재의 일반에의 사용 필요 가능성의 증가
: 모래, 자갈 등의 골재의 부족과 증가하는 건설폐기물 발생량에 따라 국교부의 행정 규칙 등으로 공공건설공사에서부터 순환골재의 의무사용이 확대되는 추세이다. 이러한 경향이 지속된다면 현재 공공건축에 국한된 순환골재의 의무사용이, 건설업 전반으로 확대될 수 있다. 즉, 앞으로 순환골재 사용 의무가 건설업 전반으로 확대된다면, 더 효율적이고 값싼 순환골재에 대한 수요가 커질 것이다.

◇ 폐골재 재활용을 통한 esg 건설 실천
: 기후변화가 체감될 정도가 되니, 전 세계적으로 환경에 관한 관심이 급속도로 커지고 있다. 콘크리트의 주성분인 시멘트의 탄소 배출량이 크다 보니 콘크리트 사용량이 많은 토건 기업은 탄소 중립 규제에 민감할 수밖에 없는데, 재생골재 사용을 통해 어느 정도의 환경부담을 해소할 수 있을 것으로 기대된다.

개발과제의 기대효과

기술적 기대효과

A Study on the Development Trends of Wastewater Sudge Treatment Technology(2016) 해당 논문에 따르면 우리나라가 슬러지 처리기술이 취약하다고 제시되어 있다. 슬러지 처리 분야 중 응용기술 분야(연소에 의해 저등급 연료를 소각하는 활용기술과 재료의 화학적, 물리적 성질의 검출에 의해 재료 조사 또는 분석을 통해 슬러지 농축에 따른 성상 변화를 분석하는 분야)에 우리 조의 실험 결과를 데이터로 활용하여 기술 발전에 기여할 수 있다.

경제적, 사회적 기대 및 파급효과

◇ 계속되는 건설공사로 인한 건설폐기물의 효율적인 처리 및 고갈되는 천연골재, 시멘트의 대체제로서의 적극 활용

◇ 건설폐기물의 재활용 촉진에 관한 법률 제1조(목적) [이 법은 건설공사 등에서 나온 건설폐기물을 친환경적으로 적절하게 처리하고 그 재활용을 촉진하여 국가 자원을 효율적으로 이용하며, 국민경제의 발전과 공공복리 증진의 이바지함을 목적으로 한다] 및 지자체 조례 등에 부합하는 정책적 효과

◇ 시멘트의 일부를 슬러지로 대체하여 기존 콘크리트보다 경제적으로 이득이 되는 배합을 찾으려고 한다. 시멘트로 대체하려는 이유를 경제적인 측면에서 간단히 설명하려고 한다. 

◇ 시멘트는 건설부문에서 기초원자재로 사용된다. 이에 건설업 경기에 영향을 많이 받는다. 2000년대 이후 건설경기 하락 분위기로 인해 시멘트 제조사 사이의 가격경쟁이 조성되기도 했다. 이는 시멘트 부족을 야기해 건설업 경기에 위험을 줄 수 있다. 또한 [그림 1]을 참고하면 시멘트 가격이 상승하는 양상을 보인다. 따라서 시멘트 부족으로 인해 공사지연이 발생하고 이는 곧 공기지연으로 인한 비용증가로 이어진다. 

◇ 순환골재 생산량의 약 20%가 슬러지로 발생, 이에 대한 매립, 소각 등에 달하는 비용이 매년 증가 하고 있다. 건설 폐기물의 재활용으로 인한 시멘트 사용 절감 및 슬러지 매립 비용 절감, CO2 생산량 절감, 경제적 측면(재료비 절감측면)에 긍정적인 영향을 줄 수 있다. 또한 앞서 말한 시멘트 공급 문제 해결에 긍정적 영향을 줄 수 있다.

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

◇ 임도현, 이재혁 : dnn(알고리즘 모델),XGboost를 활용하여 데이터 처리, 예측 모델 개발
◇ 박준호, 전성민 : 콘크리트 공시체 제작 및 검토, 데이터 정리 
◇ 이종세, 권준우 : 콘크리트 공시체 검토, 단계별 세부개발 내용 제시 및 검토

설계

설계사양

제품의 요구사항

설계 사양

개념설계안

◇ 신경망 모델 구성 해당 프로젝트에서 효과적인 강도 예측 모델 선정을 위하여 DNN(Deep Neural Network),복합 모델(XGBoost + RandomForest), 유전 모델의 3가지 모델을 구성하기로 한다.

◇ 공시체를 제작 후 각 공시체의 압축강도 시험 후 설계기준 압축강도에 부합하는지 확인하여 슬러지의 시멘트 대체제 적합성을 확인한다.

◇ 각 공시체 제작에 사용되는 비용(잔골재, 굵은골재, 시멘트, 슬러지)과 압축강도를 고려하여 최적의 배합비(Random Forest 사용)를 선정한다.

◇ 콘크리트 14일 재령 데이터를 알고리즘 모델에 학습(배합비, 압축강도)시킨 후, 학습시킨 모델로 28일 압축강도를 예측한다. 예측 후 두 모델의 성능을 비교한다. (비교기준은 가장 적합한 RMSE 사용)

◇ 강도 예측 모델(가중치 편향 맵)을 이용하고 유전알고리즘을 통해 경제성이 좋은 배합비를 예측한다. 이 배합비를 다시 강도 예측 모델을 이용해 재령 28일 압축강도를 추정하고 품질기준 시방서에 부합하는지 확인한다.

◇ 100*200 1개당 4kg 몰드를 사용하고 33cm 보울을 이용하여 한 배합당 4kg 공시체 3개를 제작했다. 한 배합에 대한 공시체의 압축강도를 3개 구할 수 있고 평균값 or 3점법을 이용해 평균압축강도를 구한다.

◇ 잔골재로 주문진 표준모래 2포대(한 포대당 16000~30000원)을 사용하고, 굵은골재는 40~50kg사용했다.(약 5만원) 시멘트는 보통 포틀랜드 1종 사용(60~90 1포대 2만원~3만원)했다.

◇ 압축강도 예측 신경망 모델에는 DNN, XGBoost를 사용했다.

DNN

◇ DNN은 입력층과 출력층 사이에 여러 개의 은닉층 들로 이뤄진 인공신경망이다. ANN은다수의 인공뉴런(Perceptron)을 통해 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다. DNN은 복잡한 비선형 관계 모델링 가능하며 인공뉴런은 생물의 신경세포에 대응, ANN을 구성하는 기본 단위가 된다.

◇ 심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

◇ ANN이란 인공신경망(Artificial Neural Network)의 약어로 인공신경망은, 다수의 인공뉴런(Perceptron)을 통해 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다.

◇ 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 이때, 인공뉴런(Perceptron)은 생물의 신경세포에 대응되며, 할당된 가중치와 편향을 이용 입력에 대한 출력을 다음 노드(인공뉴런)으로 전달하며 ANN을 구성하는 기본 단위가 된다.

XGBoost

◇ XGBoost는 Extreme Gradient Boosting의 약자이다. 분류, 회귀 문제에 모두 사용 가능한 모델이다. 해당 모델은 강력한 병렬 처리 성능, 빠른 속도, 과적합 규제 가능의 이점, 자체 교차 검증 알고리즘 기능 등의 장점이 있다. 또한 강력한 병렬 처리 성능과 자동 가지치기 알고리즘이 적용되어 빠른 속도를 갖는다. 과적합 규제 가능의 이점이 있다. 그리고 자체 교차 검증 알고리즘과 결측치 처리 기능을 가지고 있다. 균형 트리 분할 방식으로 모델을 학습하며, 대칭적인 트리를 형성한다.

◇ m1에 x에서 샘플링 된 데이터를 넣는다. 결과 중 예측이 잘못된 값에 가중치를 반영해서 다음 모델인 m2에 넣는다. 같은 방법으로 y2 결과에 예측이 잘못된 x’에 값에 가중치를 반영해 m3에 넣는다. 각 모델의 성능이 다르기에, 각 모델에 가중치 W를 반영한다. 이를 개념적으로 표현하면 다음과 같은 그림이 된다.아래의 식으로 표현할 수 있다.

◇ 각 모델의 가중치가 동일하여 과적합으로 인해 좋은 결과를 내기 어렵다. 그래서, 각 모델에 가중치를 반영한다.이를 식으로 표현하면 아래와 같다.

유전 알고리즘

◇ DNN, XGBoost모델은 압축강도 예측은 가능하지만, 반대는 불가능하다. 유전 알고리즘을 사용시 가능하다. 자연세계의 진화과정에 기초한 계산 모델 최적화 문제를 해결하는 기법이다. 유전알고리즘은 특정한 목표값을 얻어내는 용도로 탁월하다.

Random Forest

◇ 공시체에 대한 경제성 분석 시 사용하는 기법으로 각 변수의 중요도를 결정한다. 중요도를 변수의 물성치에 가중하여 경제성 점수를 평가한다. 해당 알고리즘은 여러 의사결정트리를 학습시켜 중요도를 도출하는 알고리즘이며,무작위로 선택한 특성 후보들 중 최적의 특성을 찾는 방법을 사용한다. 맨 위 상자를 뿌리마디, 중간 상자를 중간 마디, 맨 아래 상자는 끝 마디라고 한다.

콘크리트 배합비 설정

◇ 실험에 사용할 변수는 시멘트 치환율(C), 물-시멘트비(W/C)이다. 시멘트의 치환율은 0%~50%(5%씩)설정, 물-시멘트비의 범위는 45%~60%로(5%씩) 설정한다.

◇ 비공기 연행 콘크리트 골재 치수 25mm 표준배합표를 참조했다. 실험 시 사용하는 콘크리트 질량은 12kg이다. 표준배합표를 12kg 기준으로 변환했다. ([표 1], [표 2] 참조.)

◇ 본 실험에서는 데이터 확보와 물-시멘트비에 변화를 주기에 시멘트 치환율의 범위를 늘려 조정했다.

이론적 계산 및 시뮬레이션

최종 사용 데이터

◇ 위 그래프는 각 물-시멘트 비에 따른 공시체들의 측정 결과 보여준다, 아래의 그래프는 위의 그래프를 보기 쉽게 분리한 것이다.

딥러닝 학습 결과- 압축강도 예측 모델

◇ 위의 측정 데이터를 DNN을 통해 딥러닝 학습 결과로 얻어진 물-시맨트비 45%-50%-55%-60%의 압축강도 예측 모델 이다.

◇ 이때, DNN 모델의 경우 Loss와 결정 계수는 다음과 같고, MAE기준, 2.5Mpa 정도의 절댓값 오차가 있음을 보인다.

◇ Random forest를 통해 구한 변수 중요도이고, 압축강도가 가장 큰 값을 가짐을 알 수 있다. 따라서 압축강도에 가장 높은 가중치를 둔다.

◇ 왼쪽 표는 각 변수에 대한 중요도를 숫자로 표현한 표 이다. 모든 변수 중요도의 합은 총 1이다.

◇ 계산식을 통해 Score가 가장 높은 배합비를 찾으면, 최고점은 34.74점으로 오른쪽 표와 같은 배합비가 최적 배합 비이다.

◇ X축은 실험값, Y축을 예측값으로 설정했고, 전과 달리 Y=X그래프 주변에 점이 분포되었다. 즉, 측정 데이터를 통해 예측은 꽤나 성공적이다.

◇ 즉, 학습으로 얻어낸 예측 모델의 가중치-편향을 이용하면 위와 같은 순서로, 임의의 W/C, 치환율에 대한 함수를 얻을 수 있고, 이를 통해 원하는 강도에 대한 배합을 얻을 수 있다.

◇ 앞서 봤던 W/C 42% 조건에 대해, 같은 예측을 유전 알고리즘으로 해본 결과, 타겟 압축강도 12 Mpa를 얻기 위한 치환율의 최빈값은 20.2% 였다. 이는, 이전에 구한 W/C 42% 함수에서 확인한 값과 거의 유사하다.

상세설계 내용

비공기 연행 콘크리트 골재 치수 25mm 표준배합표를 참조했다. 실험 시 사용하는 콘크리트 질량은 12kg이다.

표준배합표를 12kg 기준으로 변환했다. 사용할 변수는 시멘트 치환율(C), 물-시멘트비(W/C)이다.  ([표 1], [표 2] 참조.)

◇ 시멘트의 치환율은 0%~45%로 설정했다. 물-시멘트비의 범위는 45%~60%로 설정했다. 다른 선행하는 연구에서 시멘트의 치환율의 범위가 0%~30%가 적정하다고 나타냈다.

- 본 실험에서는 데이터 확보와 물-시멘트비에 변화를 주기에 시멘트 치환율의 범위를 0%~30%보다 조금 더 늘려 조정했다.

DNN 코드

◇이렇게 구성된 모델은 구동 후, 결과를 엑셀 데이터 형식으로 내보낸다.

유전알고리즘 코드

Random Forest 코드

◇ Random Forest학습에 필요한 도구를 임포트 한다.

◇ "random.csv"라는 csv파일을 데이터로 가져오고 데이터 열 중 "mean"데이터를 제거한 데이터를 "X", "mean"열 데이터만 가져온 것을 "Y"라 한다.

◇ X_train, y_train은 훈련 데이터이고, X_test, y_test은 실험 데이터이다. 훈련을 전체 데이터의 80% 실험을 전체 데이터의 20%로 설정했다.

◇ 이를 "RandomForestRegressor"함수를 이용하여 학습했고, n_estimators와 random_state는 사용하는 파라미터로 각각 114, 20이다. 이는 최적화 기법을 이용해 구했다.

◇ "y_pred"는 예측값이고, y_test는 테스트 값이다. 이를 이용해 모델의 적합도를 나타내는 mae와 mse를 계산했다.

◇ 위에서 계산한 적합도를 출력하여 모델의 적합성을 판단한다.

◇ 앞선 과정을 통해 각 변수에 대한 중요도를 구한다.

◇ 변수중요도를 그래프로 나타낸다.

XGboost 코드

◇ XGboost학습에 필요한 도구를 임포트 한다.

◇ "123.csv"라는 csv파일을 데이터로 가져오고 데이터 값 중 Nan값을 보완한다.

◇ 콘크리트 강도 데이터와 나머지 데이터를 각각 y와 X로 구분한다. X는 독립변수, y는 종속변수이다.

◇ X_train, y_train은 훈련 데이터이고, X_test, y_test은 실험 데이터이다. 훈련을 전체 데이터의 90% 실험을 전체 데이터의 10%로 설정했다.

◇ 이를 "XGBRegressor"함수를 이용하여 학습했고, learning_rate, max_depth, n_estimators는 사용하는 하이퍼파라미터로 각각 범위를 설정하고, GridSearchCV함수를 이용해 최적의 하이퍼파라미터를 찾는다.

◇ 앞서 구한 파라미터를 바탕으로 최적의 하이퍼파라미터를 출력하여 이를 학습모델에 사용한다.

◇ "y_pred"는 예측값이고, y_test는 테스트 값이다. 이를 이용해 모델의 적합도를 나타내는 mae와 mse를 계산했다.

◇ X_test를 통해 예측 값을 도출했다. 후에 y_pred와 y_test값과 비교하여 모델의 적합도를 비교했다. 이는 mse를 이용했다.

◇ 이후 예측 값과 실제 값을 순서쌍으로 만들고 Y=X그래프와 함께 그림으로 나타내어 모델이 얼마나 정확한지 확인했다.

공시체 제작 및 압축강도 측정 과정

실험은 KS F 2405(콘크리트 압축강도 시험방법)에 의하며, 공시체의 제작은 KS F 2403(콘크리트 압축강도용 공시체 제작방법)에 의하여 실시하였다.

공시체의 표준규격(∅100)을 사용하였기에, 강도 보정계수 0.97을 곱하여 압축 강도를 보정하였다.(보정계수 산정은 KS F 규정집을 참고)

해당 실험은 시간적 제약으로 인해 14일 양생을 진행하였다. 이에 대한 공식적으로 적용하는 계산식이 없기에, 국내 소개식(콘크리트학회)을 사용하였다.〖 (𝑓〗_28=𝑥+8√𝑥) , 𝑥=14일 재령강도

공시체 제작 준비물

공시체 제작 및 압축강도 시험

결과 및 평가

완료 작품의 소개

해당 콘크리트는 시멘트의 일부를 폐콘크리트 슬러지로 대체하여 제작한 콘크리트이다. 기존의 콘크리트와 다른 강도를 보여주며, 만능 압축기(UTM)으로 강도 측정을 한 뒤의 모습으로 사선으로 금이 가있음을 확인할 수 있다. 콘크리트 기준값인 21MPa와 근사한 값을 보인다.

프로토타입 사진 혹은 작동 장면

포스터

관련사업비 내역서

완료작품의 평가

제작된 콘크리트는 슬러지를 사용하였기에 악취에 대한 우려가 있었다. 하지만 우리 조가 사용한 슬러지는 냄새가 흙 정도 수준으로 악취가 없었다. 제작 과정에서는 조금의 냄새가 났으나, 완성 후에는 아무 냄새가 나지 않았다. 실제 사용되는 과정에서 악취로 인한 문제는 발생하지 않을 것으로 보인다. 하지만 강도에서 문제가 발생했다. 12kg 기준, 몰드를 통해 콘크리트를 제작하면 재령 28일에 21Mpa의 강도를 얻어내야 한다. 하지만 우리 실험에서는 재령 14일 강도로 측정을 하고, 알고리즘을 이용하여 재령 28일 강도 값을 에측한 결과, 21MPa 이상 혹은 그 값에 도달하는 데이터는 많지 않았다. 제작 과정에서 문제가 발생했을 것으로 보고 있지만, 그렇다 하더라도 실제 사용되어야 하는 우리 작품이 강도값이 낮게 나오는 것은 시장에서 불합리하게 작용할 수 있다고 본다.

향후계획

폐콘크리트를 슬러지를 이용하여 콘크리트를 제작하였다. 해당 콘크리트는 순환골재를 사용한 것이다. 여기서 순환골재란 기존에 사용했던 골재를 다시 한 번 활용하는 것을 의미한다. 버려질 골재를 재사용한 것으로 폐기로 인해 발생하는 환경, 금전적 비용을 감소 시켰다. 변해가는 기후, 늘어나는 폐기물에 대응하기 위해 적합한 콘크리트이다. 하지만 경제성과 실제 사용성에서는 아직 온전하지 못하다. 먼저, 경제성에 있어서 해당 골재를 제작하는 과정에서 버려질 슬러지를 재활용하는데, 기존 공장에서 콘크리트에 다른 시설이 추가되어야 하므로 손해를 발생하는 순간이 존재한다. 기존의 틀에서 크게 벗어나지 않는 폐콘크리트 슬러지를 이용한 콘크리트가 제작될 수 있는 환경을 조성해야 한다. 두 번째로 실제 사용성이다. 아무리 환경을 위한 콘크리트가 만들어졌더라도 실제 사용하기 어렵다면 아무 의미가 없다. 대표적으로 강도를 예로 들 수 있다. 시중에 사용되는 콘크리트는 21Mpa의 강도를 갖지만 우리 조가 제작한 콘크리트는 해당 값에 못 미치는 경우가 많았다. 강도가 떨어진다는 것은 제작된 건축물이 붕괴되는 사고로 이어지며, 인명 피해가 발생할 수 있다. 즉 경제성, 혹은 환경 보호를 위해 해당 콘크리트를 사용하면 인명 피해로 돌아올 수 있다는 것이다. 결국 강도 보완이 필요하기에 건설 폐기물인 슬러지를 넣고도 더 나은 강도를 만들 수 있는 콘크리트를 제작할 필요가 있다. 또한 코딩 프로그램을 이용하여 예상 강도를 얻어내기 위한 조합표를 완성할 수 있어야한다. 이러한 코딩 프로그램을 만들기 위한 데이터가 필요하고 학습이 필요하다. 각 두 가지가 우리 조가 향후 게획해야 하는 일이다.