"5조"의 두 판 사이의 차이

2023년 6월 14일 (수) 00:35 기준 최신판

프로젝트 개요

기술개발 과제

국문 : 친환경콘크리트 배합비를 위한 심층신경망 설계

영문 : DNN for Eco-friendly Concrete Mix Proportions

과제 팀명

콘알남

지도교수

김지수 교수님

개발기간

2019년 3월 ~ 2019년 6월 (총 4개월)

구성원 소개

서울시립대학교 토목공학과 2018860035 정*우(팀장)

서울시립대학교 환경공학부 2018890020 김*승

서울시립대학교 토목공학과 2018860015 박*호

서울시립대학교 토목공학과 2018860031 임*호

서울시립대학교 토목공학과 2018860042 황*성

서론

개발 과제의 개요

개발 과제 요약

◇ 이산화탄소에 대한 환경문제가 대두되면서 시멘트의 이산화탄소배출 문제도 제기되었다.
◇ 친환경 콘크리트를 개발하는 데에는 많은노력이 필요하다.
◇ 알고리즘을 통해 친환경 콘크리트의 배합비를 추정하여 시간과 비용 단축한다.
◇ 친환경 콘크리트의 사용성과 접근성의 증가로 탄소 절감에 앞장설 수 있다.

개발 과제의 배경

◇ 최근 환경오염 문제에 대한 관심이 증가하면서 친환경 콘크리트에 대한 관심도 함께 높아지고 있다. 그러나 친환경 콘크리트는 사용되는 재료에 따라 차이가 있으며, 이는 재료의 물성이 서로 다르기 때문에 각각 다른 배합비가 요구된다. 따라서 각 배합의 강도를 확인하려면 배합설계를 진행하고 실제 배합을 한 뒤 재령 후 28일 강도를 확인해야 하므로, 정형화된 배합비가 존재하지 않는다.

개발 과제의 목표 및 내용

◇ 재료와 상황에 따라 쉽게 조절 가능한 친환경 콘크리트의 배합비를 제공한다.

1. 여러 종류의 친환경 콘크리트 배합에서 1일, 7일, 28일 인장 및 압축강도를 측정한다.

2. 선형회귀 모델을 구현한 후, 이를 이용하여 실험 데이터를 입력하고, 실제로 적용하지 않은 배합비와 강도를 추정한다.

3. 선형회귀모델에서 예측한 값과 실제로 제작하여 측정한 강도를 비교하여 모델의 정확성을 확인하는 과정을 거친다.

콘크리트는 주로 시멘트, 모래, 자갈 및 물 등의 원료로 제작된다. 이 중에서 시멘트는 가장 CO2 배출량이 높은 원료이다. 시멘트 생산은 고온 고압 환경에서 석회암과 참나무나 기타 재료를 섞어 제조되며, 이 과정에서 많은 양의 에너지와 열이 필요하다. 이로 인해, 시멘트 생산은 대량의 CO2 배출을 초래한다. 고로슬래그는 철강 제조 과정에서 발생하는 부산물로, 이는 철광석, 석회암 등의 원료를 가열하여 철을 추출하는 과정에서 발생하는 것이다. 이 과정에서 발생하는 CO2는 주로 철광석에 함유된 탄소가 연소하여 발생하는데 철광석은 CO2 배출량이 상대적으로 적기 때문에 소량의 CO2 배출을 초래한다. 플라이애시는 석탄 발전소에서 발생하는 부산물로, 석탄을 연소하여 전기를 생산하는 과정에서 발생한다. 이 과정에서 발생하는 CO2는 전력 생산 과정에서 발생하는 것이기 때문에, 플라이애시의 CO2 배출량은 상대적으로 적다.

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

내용

설계

설계사양

제품의 요구사항

설계 사양

개념설계안

1. 신경망 모델 구조 구성

프로젝트를 위해 DNN(Deep Neural Network)을 사용하기로 하였다. 먼저 ANN은 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다. ANN은 입력층, 은닉층, 출력층으로 구성된다. 입력층은, 입력값에 해당하는 데이터를 받아들인다. 받아들인 입력값에 가중치를 곱하고, 그 입력값과 가중치의 총합은 은닉층의 뉴런을 거치게 된다. 최종적으로 은닉층 뉴런의 활성화 함수값이 입력되면 결과가 출력층에 출력된다. 이러한 진행을 ‘순전파’ 라고 하며 그림으로 도식화하면 그림과 같다.

DNN(심층 신경망)은 ANN 이후 모델 내 은닉층을 많이 늘려서 학습의 결과를 향상시키는 방법이다. ANN에 비해 더 적은 수의 유닛들만으로도 복잡한 데이터를 모델링 할 수 있게 해준다. 또한 컴퓨터 스스로 분류 레이블을 만들어 내고 공간을 왜곡하고 데이터를 구분 짓는 과정을 반복하여 최적의 구분선을 도출해낸다. DNN을 이용하여 임의의 입력값에 대하여 비교적 정확한 예측값을 얻기 위해서는 학습에 사용되는 입력값에 대한 예측값과 목푯값의 오차를 최대한 줄여야 한다. 이 오차를 줄이기 위해서는 가중치가 예측값과 목푯값의 오차에 따라 계속해서 업데이트되어야 한다. 이를 수행하는 알고리즘이 역전파 알고리즘이다. 1-1. 역전파 알고리즘

오류 역전파 알고리즘은 다층 퍼셉트론(multi-layer perceptron)의 학습에 효과적으로 적용할 수 있어서 다양한 분야에 보편적으로 활용되는 매우 중요한 학습 알고리즘이다. 입력층의 각 뉴런에 값을 주면 이 신호는 각 뉴런에서 변환되어 은닉층에 전달되고 출력층으로 신호를 출력하게 된다. 이 출력값과 목푯값을 비교하여 오차를 줄여가는 방향으로 가중치를 조절하고 상위층에서 역전파 하여 하위층에서는 이를 근거로 다시 자기 층의 가중치를 조정해 나가게 된다. 역전파 알고리즘은 학습단계와 예측단계로 구분할 수 있다. 학습단계는 역전파 학습 알고리즘에 의해서 수행된다. 즉, 신경망의 입력패턴에 따라 각 뉴런의 입력값과 전달함수를 이용해서 출력을 산출하는 전 방향 처리과정과 목푯값과 출력값과의 차이를 역으로 진행 시키면서 오차가 최소가 되도록 연결강도를 변화 조절시키는 역방향 처리과정이 있다. 예측단계는 원하는 결과에 대한 값만 주어지면 적절한 출력이 계산되는 과정이다. 역전파 알고리즘을 도식화하면 다음과 같다.

1-2 가중치

뉴런은 다른 뉴런의 출력값을 입력값으로 받아서 뉴런의 출력값을 계산하게 되는데 이러한 뉴런들은 상호 연결되어 있으며 연결된 강도를 가중치라고 한다. 신경망 모델은 학습할 때 초기 연결 강도를 적절히 선택하여야 한다. 초기 연결 강도를 잘못 설정하여 응용목적에 적합하게 학습이 이루어지지 않을 수도 있다. 초기 연결 강도의 값은 너무 크지 않아야 하지만 그렇다고 너무 작은 값을 설정하며 학습이 진행될 때 연결강도의 변화량이 매우 적게 되어 학습시간이 오래 걸리게 되는 단점이 있으므로 적절한 값을 선택하여야 한다. 일반적으로 초기 연결 강도는 응용목적이나 학습패턴에 따라서 달라지며 ±0.5범위내의 값으로 설명하면 무난하다.

1-3 시그모이드 함수

비선형 함수 중 하나로 입력값을 0과 1사이의 값으로 변환하는 대표적인 활성화 함수수 중 하나이다. 보통 로지스틱 함수(Logistic function)라고도 부른다. 시그모이드 함수는 다음과 같은 수식으로 정의된다.

2. 입력값, 출력값 선정

DNN 모델 학습에 적용하기 위해 입력값과 출력값을 다음과 같이 결정하였다. 친환경 콘크리트에서 중요한 것은 시멘트의 플라이애쉬와 고로슬래그 같은 다른 자료로의 치환율이다. 따라서 우리는 입력값을 단위수량, 고성능감수제, 슬럼프플로우, 압축강도, 굵은골재, 잔골재로 결정하였고, 출력값으로는 시멘트, 플라이애쉬, 고로슬래그로 결정하였다.

3. 학습 및 테스트

선정한 학습데이터를 통해 알고리즘을 학습시킨다. 일반적으로 데이터의 70%를 훈련용, 15%를 검증용, 15%를 테스트용으로 분류한다. 분류된 데이터를 통해 알고리즘을 훈련 시키고 목푯값을 알고 있는 임의의 데이터를 집어넣었을 때 예측값과 목푯값의 오차를 확인하여 알고리즘의 적합성을 판단한다.

4. 모델의 결과 검증 최적의 알고리즘 모델이 결정되면 임의의 데이터를 입력하여 결과를 도출해내고, 이를 바탕으로 공시체를 제작하여 실험한다. 단가, 압축강도 등을 얻어내고, 친환경 콘크리트를 위한 알고리즘이 제대로 구성되었는지 검증한다.

이론적 계산 및 시뮬레이션

내용 1. 입력값 결정 국내의 논문을 토대로 플라이애시, 고로슬래그 미분말을 혼화재로 사용한 40MPa급 콘크리트 배합설계 데이터 20개와 60MPa급 콘크리트 배합설계 데이터 20개를 훈련용 자료로 선정하였다. net.divideParam.trainRatio = 70/100; %훈련용 자료 선정 net.divideParam.valratio = 15/200;%검증용 자료 선정 net.divideParam.testRatio = 15/100; % 테스트 자료 선정

        2. 노드수 조정

초기의 레이어 수 및 노드 수는 각 50개, 30개로 설정하였다. 하지만 레이어 수 및 노드 수가 많다고해서 무조건 좋은 성능을 발휘하는 것은 아니다. 제한된 자료 수에 따른 특정 학습 환경에서만 최적화된 인공지능 모델은 제 성능을 발휘하지 못할 수 있다. 초기 설정 값으로는 모델의 과적화 현상이 나타났고, 따라서 레이어 및 노드 수를 아래와 같이 재설정하였다. for i=1:1:15 %레이어 설정

  h(1,i)=6;% 레이어 별 노드 수

3. 신경망 훈련 인공신경망의 초기 가중치를 설정하고 훈련 데이터를 신경망에 입력하여 실제값과 예측값 사이의 오차를 계산한다. 이 과정에서 신경망의 가중치를 조정하여 오차를 최소화 하는 방법인 경사하강법으로 신경망을 훈련시켰다. net = fitnet(h,trainFcn);% 네트워크 구성 [net,tr] = train(net,x,t); % 신경망 훈련 trainOutput = sim(net,x); 출력값 도출 e = gsubtract(t,y); 오차값 도출 performance = perform(net,t,y) %MSE 결정 4. 출력값 도출 훈련된 모델을 통해 순전파와 역전파 과정을 반복하였고, 적절한 가중치를 학습해 새로운 입력 데이터의 출력값을 산출할 수 있었다. % 검증데이터와 테스트 데이터로 신경망 실행op = Tinput'; % 얻고자하는 입력값 a= net(op(:,1)) % 최종 출력값

상세설계 내용

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

1. 코딩을 통해 친환경 콘크리트의 배합비를 도출해낸다. 2. 콘크리트의 품질시험을 통해 콘크리트 배합이 잘 되었는지 확인한다.

3. 완성된 배합으로 걸설 현장에서 타설을 한다,

완료작품의 평가

공시체 결과 비교

1차 공시체 제작 및 강도시험 결과는 각각 오차가 23.4%, 23.2%, 29.1%였고, 2차 공시체 제작 및 강도시험 결과는 각각 오차가 13%, 14.6%, 18%였으므로 오차가 줄어든 것을 확인할 수 있었다. 따라서 교차검증과 그리드 탐색의 과정을 거치며 신경망 모델이 개선되었다고 판단할 수 있다.

콘크리트 배합 비용 비교

시멘트, 고로슬래그, 플라이애쉬의 가격은 2-2 시장분석의 가격을 참고하여 계산하였다. 물시멘트비에 따른 각 배합비 별 총 비용은 위 표와 같고 같은 물시멘트비의 배합을 오직 시멘트만 사용하여 배합했을 때(OPC)와 비교하면 각각 25.6%, 26,668%, 25.188% 비용이 감소한 것을 알 수 있었다.

탄소배출량 비교

탄소배출량도 OPC와 비교한 결과 약 40% 정도 감소하는 것으로 나타났다.

오차분석

모델의 최적화 과정을 거치며 오차를 줄일 수 있었다. 그러나 오차가 10% 이하로 떨어지진 않았다. 그 이유로는 여러 가지를 들 수 있다.  첫 번째로 데이터의 부족이다. 일반적으로 신경망을 학습시킬 때에는 학습 데이터가 많을수록 정확도가 높다. 데이터가 너무 많아져도 문제가 될 수 있지만, 현재 신경망에 사용된 데이터의 개수가 너무 적기 때문에 오차가 커졌을 것으로 생각된다.  두 번째는 모델의 복잡성이다. 교차검증과 그리드 탐색을 통해 모델의 최적화를 시도했다. 하지만 우리의 신경망은 3개의 출력값을 가지므로 그만큼 모델의 복잡성이 증가한다. 따라서 그만큼 오차가 커진 것으로 보인다.  세 번째는 환경이다. 훈련용 데이터로 사용한 배합비가 만들어질 때의 환경과 재료 등이 실제 우리가 프로젝트를 진행한 환경과는 다르다. 따라서 양생 후 강도 역시 예상한 값과는 다르게 나왔을 것으로 판단한다.

개선방안

오차를 줄이고 조금 더 신경망의 성능을 향상시키기 위한 방안을 다음과 같다. 훈련용 데이터의 개수를 늘릴 필요가 있고, 교차검증과 그리드탐색 외에도 추가적인 기법을 이용하여 성능을 늘려야 한다.  훈련용 데이터를 취합할 때에는 직접적인 실험을 통해 물질의 특성이나 양생 환경 등이 통제된 상태에서 데이터를 얻어야 한다고 판단된다.

향후계획

오차를 줄이고 조금 더 신경망의 성능을 향상시키기 위한 방안을 다음과 같다. 훈련용 데이터의 개수를 늘릴 필요가 있고, 교차검증과 그리드탐색 외에도 추가적인 기법을 이용하여 성능을 늘려야 한다. 훈련용 데이터를 취합할 때에는 직접적인 실험을 통해 물질의 특성이나 양생 환경 등이 통제된 상태에서 데이터를 얻어야 한다고 판단된다.

특허 출원 내용

내용

@@ 3번째 줄: / 3번째 줄: @@
 ==프로젝트 개요==
 === 기술개발 과제 ===
-국문 : 유한  요소  한계  해석을 이용한 채석장 사고 원인  분석 및 모니터링 시스템 구축
+''' 국문 : ''' 친환경콘크리트 배합비를 위한 심층신경망 설계
-영문 : Causes of quarry accidents using finite element limit analysis and construction of a monitoring system
+''' 영문 : ''' DNN for Eco-friendly Concrete Mix Proportions
 ===과제 팀명===
-안전제일
+콘알남
 ===지도교수===
-문영일 교수님
+김지수 교수님
-===멘토교수===
-조수진 교수님
 ===개발기간===
-년 03월 02일 ~ 2022년 06월 08일
+년 3월 ~ 2019년 6월 (총 4개월)
 ===구성원 소개===
-서울시립대학교 토목공학과 20198600** 구*기(팀장)
+서울시립대학교 토목공학과 2018860035 정*우(팀장)
-서울시립대학교 토목공학과 20198600** 송*우
+서울시립대학교 환경공학부 2018890020 김*승
-서울시립대학교 토목공학과 20198600** 신*엽
+서울시립대학교 토목공학과 2018860015 박*호
-서울시립대학교 토목공학과 20198600** 윤*주
+서울시립대학교 토목공학과 2018860031 임*호
-서울시립대학교 토목공학과 20198600** 최*호
+서울시립대학교 토목공학과 2018860042 황*성
 ==서론==
-===1. 개발 과제의 개요===
+===개발 과제의 개요===
 ====개발 과제 요약====
-채석장에 있는 슬러지 사면을 유한 요소 한계 해석 프로그램인 OPTUM G2를 이용하여 분석하고 모니터링 시스템을 통해 붕괴 위험을 감지한다.
+ ◇ 이산화탄소에 대한 환경문제가 대두되면서 시멘트의 이산화탄소배출 문제도 제기되었다.
+ ◇ 친환경 콘크리트를 개발하는 데에는 많은노력이 필요하다.
+ ◇ 알고리즘을 통해 친환경 콘크리트의 배합비를 추정하여 시간과 비용 단축한다.
+ ◇ 친환경 콘크리트의 사용성과 접근성의 증가로 탄소 절감에 앞장설 수 있다.
 ====개발 과제의 배경====
-년 1월, 양주시의 한 골재생산 채석장에서 붕괴사고가 일어났다. 그에 따라 당시 작업 중이던 근로자 3명이 목숨을 잃었으며, 건설 현장의 안전관리에 대한 불신과 막대한 물적 피해 등이 발생했다. 사건 이후 진행된 사고 원인 분석에서 전문가들은 15년이 넘도록 무분별하게 쌓아온 슬러지를 주범으로 지목했다. 삼표산업 채석장은 연간 350만 톤의 골재를 생산하며 전체 생산량의 6~7%인 연간 약 40만 톤의 석분 슬러지가 발생하는데 이를 채석장에 무분별하게 투기하여 채석장 내부에 방치하고 있었고 결국 이를 버티지 못하고 한순간에 슬러지가 무너져 내려 사고가 발생하게 된 것이다.
+ ◇ 최근 환경오염 문제에 대한 관심이 증가하면서 친환경 콘크리트에 대한 관심도 함께 높아지고 있다. 그러나 친환경 콘크리트는 사용되는 재료에 따라 차이가 있으며, 이는 재료의 물성이 서로 다르기 때문에 각각 다른 배합비가 요구된다. 따라서 각 배합의 강도를 확인하려면 배합설계를 진행하고 실제 배합을 한 뒤 재령 후 28일 강도를 확인해야 하므로, 정형화된 배합비가 존재하지 않는다.
+====개발 과제의 목표 및 내용====
+◇ 재료와 상황에 따라 쉽게 조절 가능한 친환경 콘크리트의 배합비를 제공한다.
- 이번 채석장 사고에 있어 슬러지의 안전율에 대한 연구가 부족했다는 점과 붕괴를 사전에 예측할 방안을 마련하지 못했다는 점이 주요했다. 쌓여있는 슬러지의 거동을 육안으로 분석하기는 쉽지 않고 끊임없이 작업이 진행되는 채석장의 특성상 잦은 안전검사를 진행하는 것에는 무리가 있다. 조사에 따르면 삼표산업 이외에도 국내 채석장 현장의 대부분이 암묵적으로 슬러지를 채석장 내에 투기하는 관행을 따르고 있다고 한다. 규정상 채굴과정에서 발생한 슬러지는 90일 이내에만 채석장 내에 보관할 수 있지만, 채굴과정에서 발생하는 막대한 양의 슬러지를 옮기고 폐기하는 데 생기는 비용과 시간이 부담되어 채석장에 방치하는 것이다.
+. 여러 종류의 친환경 콘크리트 배합에서 1일, 7일, 28일 인장 및 압축강도를 측정한다.
-====개발 과제의 목표 및 내용====
+. 선형회귀 모델을 구현한 후, 이를 이용하여 실험 데이터를 입력하고, 실제로 적용하지 않은 배합비와 강도를 추정한다.
-본 프로젝트에서는 채석장 내에 투기되는 슬러지의 거동에 대해 분석하고 붕괴를 대비할 수 있는 안전 시스템을 마련하는 것을 목표로 정했다. 분석을 통해 사면의 상태에 따른 붕괴 위험 여부를 통계화한다면 계측을 통해 사고를 예방하는 것 역시 가능하다. 이를 위해 먼저 유한요소 한계해석 프로그램인 Optum G2를 이용하여 다양한 변수 조건을 달리하였을 때 각각의 파괴양상을 데이터화한다. 그리고 이 자료를 이용하여 슬러지의 붕괴를 막기 위해 유지되어야 하는 최소한의 수치인 슬러지의 임계높이, 임계 각도를 추출할 수 있다.
-마지막으로 Matlab의 영상처리 기법을 이용하여 카메라를 통해 실시간으로 촬영되는 슬러지의 거동을 파악하고 앞서 분석한 슬러지의 임계높이, 임계각을 기준으로 현재 사면의 안전 등급을 안전, 위험, 매우 위험으로 구분하여 사용자에게 알려줄 수 있는 시스템을 구축한다.
+. 선형회귀모델에서 예측한 값과 실제로 제작하여 측정한 강도를 비교하여 모델의 정확성을 확인하는 과정을 거친다.
 ===관련 기술의 현황===
+====관련 기술의 현황 및 분석(State of art)====
+*전 세계적인 기술현황
+◇ Meta
+  Meta가 발표한 지속가능경영보고서에 따르면 콘크리트를 제조하며 발생하는 이산화탄소 배출량을 기존의 콘크리트 제조보다 약 40%를 줄이는 인공지능을 개발하였다. 1030가지 재료의 조합과 내구성 정보를 학습, 이산화탄소를 줄이며 내구성이 뛰어난 친환경 콘크리트 조합을 찾아준다. 데이터센터 건설에 처음 적용하였고 이외에 4개 지역의 데이터센터 건설에도 이 기술을 사용한다.
+*특허조사 및 특허 전략 분석
+◇ 한국건설기술 연구원 (무시멘트 콘크리트)
+ 콘크리트를 만들 때 쓰는 시멘트를 화력발전소나 제철소에서 나오는 산업 부산물인 플라이애쉬, 바텀애쉬 고로슬래그로 100% 교체해서 만든 콘크리트이다. 무시멘트 콘크리트는 시멘트 콘크리트와 비교하여 내구성이 높은 편 이지만, 강도가 상대적으로 낮고 자연 소재의 특성에 따라 일관성을 유지하기 어려운 단점이 있다.
+◇ 아주 큐엠에스
+ 기존의 콘크리트 압축강도 사전예측을 위한 인공지능 알고리즘을 개발하여 설계강도와 재령일 28     일 소요 후 측정된 강도의 사전예측에 알고리즘을 사용하고 있다.
+*기술 로드맵
+[[파일:S1.png]]
-====기술 로드맵====
+====시장상황에 대한 분석====
-[[파일:기술_로드맵.jpg]]
+*경쟁제품 조사 비교
+◇ 미국 데이터전문기업 concrete ai는 인공지능과 머신러닝을 활용하여 건설 분야 들어가는 기존의 콘크리트 설계와 생산 과정에서 탄소를 절감시켜주는 플랫폼을 개발하였다. 그러나 Meta에서 개발한 AI는 해외 현지의 재료로 만들어진 데이터를 기반으로 결과를 도출한다. 하지만 우리나라의 재료는 외국과 성분이 다르다. 따라서 우리나라 상황에 맞는 데이터로 이루어진 AI가 필요하다.
+◇아주 큐엠에스는 기존의 콘크리트 배합의 강도예측에대한 알고리즘만 존재한다. 따라서 플라이애쉬 고로슬래그의 치환율이 높은 친환경 콘크리트에 대한 알고리즘이 필요하다.
+*마케팅 전략 제시
+◇ 국내에선 친환경콘크리트를 직접 시험하여 적절한 배합을 찾아 사용하고 있다. 그리고 이러한 시험과정은 오랜 시간과 인력, 비용 등이 들어가기 마련이다. 한국 도로공사에 의하면 저탄소 콘크리트의 시험시공과 추적조사를 통해 우수함을 검증하기 위해 약 6년의 시간이 들었다. 따라서 AI를 통해 이 과정을 단축할 수 있다면 친환경콘크리트 시장에서 충분한 경쟁력이 있을 것으로 판단된다.
-===시장상황에 대한 분석===
+===개발과제의 기대효과===
-◇ 현재 사면안정 해석 방법으로는 일반적으로 한계평형법(LEM :　Limit Equilibrium Method)과 유한요소법(FEM : Finite Element Method)이 주로 사용되고 있다.
+====기술적 기대효과====
+. 친환경 콘크리트의 배합비를 쉽게 추정함에 따른 친환경 콘크리트의 사용의 접근성 증가
- ◇ 한계평형법은 간단히 말하면 사면을 다수의 절편으로 분할하여 해석하는 방법이다. 한계평형법은 미지수의 수가 방정식의 수보다 많은 부정정 문제이기 때문에 해를 구하기 위해서는 이 차이를 보완할 수 있는 개수만큼의 가정을 필요로 하며, 주로 각 절편의 측면에 작용하는 힘에 관한 가정이 이루어진다. 이들 측면력에 대한 가정 및 힘 평형과 모멘트 평형의 만족 여부에 따라 한계평형법은 다양한 형태로 표현된다. 하지만 한계평형법은 사면 내 가상 활동면에 대한 전체 안전율 산정은 가능하나 전체 사면의 응력분포 및 변위량 예측은 불가능하다.
+. 친환경 콘크리트 사용으로 환경오염 감소에 기여
- ◇ 사면에 대한 안전율만을 산정하는 한계평형법과 달리 유한요소법은 탄소성 지반재료에 대한 응력해석 및 거동해석에 널리 사용되는 수치해석법으로 이방성, 소성경화, 소성연화 등 지반재료의 다양한 특성을 고려할 수 있고 사면의 형성 과정에 따른 응력 이력효과도 고려 가능하다. 또한 사면내 유발되는 변형으로 인한 사면 형상의 변화를 미리 예측할 수 있으며, 압밀 등과 같이 지반 응력이 시간에 따라 변화하는 경우 및 보강된 지반구조물에 대한 해석도 용이하다.
+. 정형화된 배합으로 효율적이고 일관된 품질 보장 가능
-====경쟁제품 조사 비교====
-사면 안정 해석 프로그램으로는 Optum G2, Geo5, Plaxis, Slide, Rocscience 등 유한요소법을 이용한 여러 최신 프로그램이 존재한다. 이 중에서도 Optum G2는 지반 공학 안정성과 변형 해석을 위한 포괄적인 유한 요소 프로그램으로써 다소 숙련도가 부족하더라도 최신 그래픽 사용자 인터페이스를 통해 직관적이고 효율적인 워크플로우를 보장한다. 계산 코어는 모델이 얼마나 복잡하던 관계없이 전례 없는 효율성과 견고성을 제공하는 최첨단 수치 알고리즘을 기반으로 한다.
-====마케팅 전략====
-최근 산업재해가 계속 늘어났고 특히 사망자가 발생하는 중대 산업재해의 희생자는 대부분 하청 업체의 노동자들이었다. 그러나 엄중한 처벌을 받아야 하는 사업의 책임자가 근거법령이 미비해 솜방망이 처벌을 받는 일이 반복되었고 이를 예방하기 위해 실질적으로 책임이 있는 경영책임자의 처벌요구가 지속해서 증가해왔다. 또한, 근로자는 물론 시민의 안전권 확보도 중요하다는 목소리가 커짐에 따라 2021월 1월 26일 중대 재해 처벌법이 제정되어 1년 뒤인 2022년 1월 27일부터 본격적으로 시행되게 되었다. 중대 재해처벌법의 처벌수준은
-법인 또는 기관의 경영책임자 등을 벌하는 외에 그 법인 또는 기관에 사망자가 1명 이상 발생한 경우 50억 원 이하의 벌금을, 같은 사고로 6개월 이상 치료가 필요한 부상자가 2명 이상 발생하거나, 동일한 유해요인으로 급성중독 등 대통령령으로 정하는 직업성 질병자가 1년 이내에 3명 이상 발생한 경우에는 10억 원 이하의 벌금형을 과한다.
-현재 많은 기업들이 중대재해처벌법으로 인해 인재사고가 일어날 것을 굉장히 꺼려하고 있다. 또한 처벌수준도 매우 강화 되어 이번 광주 아이파크 사태를 일으킨 현대산업개발과 같은 경우 1년간 건설업 면허가 정지돼 신규 수주 등 영업활동을 할 수 없게 된다. 이와 같이 건설현장의 사고는 기업의 투자를 위축시키고, 사람들로 하여금 건설산업에 대한 안전에 불신을 인식시켜준다. 따라서 우리는 아파트 현장에서의 사고뿐만이 아니라 사면에서의 사고도 방지 대책을 세우려 한다. 우리의 예측 프로그램을 통해 기업들은 슬러지가 부서져 내리는 현상을 조금이라도 방지 할 수 있게 하여 인명 피해를 줄이는 것이 우리의 목표이다. 그러면 기업입장에서도 안전사고를 미연에 방지함으로서 벌금형을 피할 수 있고, 인부들의 인적피해도 줄일 수 있기에 일거양득의 효과를 얻을 수 있을것이라 믿어 의심치 않는다.
+. 알고리즘을 통해 새로운 친환경 재료의 활용 가능성을 추정하므로 콘크리트 제조산업 전반에대한 기술적 발전 가능
-===개발과제의 기대효과===
+====경제적, 사회적 기대 및 파급효과====
-====기술적 기대효과====
+가. 기술적 기대효과
-본 프로젝트의 결과물을 통해 실제 채석장에서는 슬러지 투기 장소에 카메라를 설치하여 실시간으로 슬러지의 거동을 파악할 수 있다. 이에 따라 슬러지의 붕괴 조짐을 조기에 예측할 수 있어 작업자의 안전성을 보장해 줄 뿐만 아니라, 슬러지를 옮기고 폐기하는데 소요에는 비용도 절감하여 경제성 측면에서도 큰 이윤을 얻을 거라 예상된다.
-====경제적, 사회적 기대 및 파급효과====
+◇ 한국도로공사에 의하면 저탄소 콘크리트의 시험시공과 추적조사를 통해 우수함을 검증하기 위해 약 6년의 시간이 들었다. 따라서 연구 및 개발에 소요되는 기간과 비용 절감할 수 있다.
-s산업 사고 현장은 15년이 넘게 슬러지를 쌓아둔 곳이다. 하지만 정확히 말하자면 사고가 아니고 토사가 무너질 수도 있다는 사실을 알 수 있었음에도, 무리한 작업 지시로 작업자가 사망한 것이다. 작업자 매몰사고가 발생한 현장은 토사가 붕괴될 수밖에 없는 지형이다. s산업은 상단의 작업장에서 기울어진 경사면을 따라 슬러지를 흘려 내려보냈다. 이 작업이 오랜 시간 동안 반복되며 마치 한쪽으로 기울어진 시루떡을 쌓아놓은 형태로 언제든 작은 충격에 무너져 내릴 수 있는 위험한 상황이었다. 그런데 이 위험 지형 맨 아래 바닥을 파냈다. 심지어 지하로 더 파고 들어가며 화약으로 발파를 했다. 그 진동에 산더미처럼 쌓아 올린 슬러지가 힘없이 흘러내리며 작업자들을 덮친 것이다.
-채석장에 왜 이토록 많은 슬러지가 발생한 것일까? 예전엔 건축 현장에 콘크리트용 골재로 강에서 파낸 모래와 잔자갈을 사용했다. 그러나 지금은 진작 다 파내 사용했기 때문에 강모래와 잔자갈이 없다. 바다 어장이 황폐해진다는 어민들의 반대로 바닷모래도 채취하기가 어렵다.
-결국, 채석장에서 돌을 캐내 잘게 부숴 잔자갈과 모래를 만들어낸다. 이때 함께 발생하는 미세한 석분은 콘크리트에 들어갈 경우 '유동성 저하, 건조수축 증가' 등의 콘크리트 품질 문제를 일으키기 때문에 분리해 내야 한다. 물과 폴리아크릴아미드 등의 응집제를 이용해 분리해 낸 석분이 곧 슬러지다.
-우리는 따라서 s산업과 같이 슬러지가 발생하는 채석장에서의 상황을 고려하여, OPTUM G2 프로그램을 이용하여 우리나라 전체의 채석장을 일반화 시킬 것이다. 또환 s산업과 관련된 논문에 기재된 s산업 흙의 특성인 점착력, 연경도, 수분함량, 흙의 중량, 지반조사를 통해  OPTUM G2 프로그램에 대입하여, 슬러지가 무너져 내릴때의 모형을 알아볼 것이다. 또한 슬러지가 무너져내릴 때의 토량을 측정하고, 그에 대한 방지 대책으로 센서 설치에 대해 강구할 것이다. 또한 OPTUM G2를 이용하여 경사와 지반 물성치를 변형시켜가며, 어느 상황때 슬러지 붕괴가 일어나는지 또한 확인해 볼 것이다.
+나. 경제적 및 사회적 효과
+시멘트의 톤당 가격은 2022년기준 76,176원 고로슬래그는 26,620원 플라이애쉬는 24,712원이다. 시멘트 대비 고로슬래그는 65.1%, 플라이애쉬는 67.6% 저렴하다. 시멘트를 치환하여 고로슬래그, 플라이애쉬를 더 많이 사용할 수록 경제적이다.
-채석장에서 채굴과정에서 생기는 막대한 양의 슬러지를 옮기고 폐기하는데 소요되는 시간과 비용이 매우 크기 때문에 채석장 내에 슬러지를 방치하는 것이 관행처럼 굳어졌다. 위 시스템을 적용할 경우 슬러지를 옮기고 폐기하는데 필요한 시간과 비용을 절약할 수 있다. 또한, 대부분의 채석장에 이미 CCTV가 존재하기 때문에 경제적으로 큰 부담이 되지 않는다.
+콘크리트는 주로 시멘트, 모래, 자갈 및 물 등의 원료로 제작된다. 이 중에서 시멘트는 가장 CO2 배출량이 높은 원료이다. 시멘트 생산은 고온 고압 환경에서 석회암과 참나무나 기타 재료를 섞어 제조되며, 이 과정에서 많은 양의 에너지와 열이 필요하다. 이로 인해, 시멘트 생산은 대량의 CO2 배출을 초래한다. 고로슬래그는 철강 제조 과정에서 발생하는 부산물로, 이는 철광석, 석회암 등의 원료를 가열하여 철을 추출하는 과정에서 발생하는 것이다. 이 과정에서 발생하는 CO2는 주로 철광석에 함유된 탄소가 연소하여 발생하는데 철광석은 CO2 배출량이 상대적으로 적기 때문에 소량의 CO2 배출을 초래한다. 플라이애시는 석탄 발전소에서 발생하는 부산물로, 석탄을 연소하여 전기를 생산하는 과정에서 발생한다. 이 과정에서 발생하는 CO2는 전력 생산 과정에서 발생하는 것이기 때문에, 플라이애시의 CO2 배출량은 상대적으로 적다.
-또한 CCTV가 미설치된 채석장에도 CCTV를 설치하는 것이 기술적, 비용적으로 어려운 일이 아니고 안전 사고 예방에 있어서도 다방면으로 큰 도움이 되기 때문에 진입 장벽이 낮다.
-게다가 부득이한 이유로 CCTV 설치가 어렵다면 저가용 드론을 이용한 SFM(Structure From Motion)방식을 통해 채석장의 3D 지형 모델을 얻을 수 있기 때문에 현존하는 대부분의
-채석장에 즉시 적용할 수 있는 프로젝트이다. 또한 채석장뿐만 아니라 토사장, 토취장에서도 동일한 방식으로 적용할 수 있어 범용성 측면에서도 큰 장점을 가지고 있다.
 ===기술개발 일정 및 추진체계===
-====설계 일정 및 추진 체계====
+====개발 일정====
+[[파일:s3.png]]
-[[파일:설계 일정 및 추친 체계1.jpg]]
+====구성원 및 추진체계====
+내용
 ==설계==
 ===설계사양===
 ====제품의 요구사항====
+[[파일:S2.png]]
-[[파일:설계_제품_요구사항.jpg]]
+====설계 사양====
+[[파일:s4.png]]
-====제품 평가내용====
-채석장 공사관리자, 사업 발주자 측면에서 고려햐여 평가 기준의 우선순위를 정하여 5순위 이내의 평가 척도만 고려하는 것으로 한다.
-점 척도를 통해 각 분야별로 점수를 평가하고 통신방식에는 모니터링의 특성상 Digital로 화면에 표시되는 것이 적합하다고 판단하여 Digital:5점 Analog:2.5점을 부여
- 각 분야별 점수를 고려했을 때 경제성과 유지관리 효율성이 뛰어나고 Digital 방식으로 모니터링 할 수 있으며 슬러지의 각도와 높이를 한 번에 측정이 가능하다는 점을 고려했을 때 Matlab을 통한 이미지처리 기술을 모니터링 시스템 방법으로 채택한다.
 ===개념설계안===
-====채석장 사면 모델링====
+. 신경망 모델 구조 구성
-[[파일:프로그램_구현.png]]
+ 프로젝트를 위해 DNN(Deep Neural Network)을 사용하기로 하였다. 먼저 ANN은 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다. ANN은 입력층, 은닉층, 출력층으로 구성된다. 입력층은, 입력값에 해당하는 데이터를 받아들인다. 받아들인 입력값에 가중치를 곱하고, 그 입력값과 가중치의 총합은 은닉층의 뉴런을 거치게 된다. 최종적으로 은닉층 뉴런의 활성화 함수값이 입력되면 결과가 출력층에 출력된다. 이러한 진행을 ‘순전파’ 라고 하며 그림으로 도식화하면 그림과 같다.
+DNN(심층 신경망)은 ANN 이후 모델 내 은닉층을 많이 늘려서 학습의 결과를 향상시키는 방법이다. ANN에 비해 더 적은 수의 유닛들만으로도 복잡한 데이터를 모델링 할 수 있게 해준다. 또한 컴퓨터 스스로 분류 레이블을 만들어 내고 공간을 왜곡하고 데이터를 구분 짓는 과정을 반복하여 최적의 구분선을 도출해낸다. DNN을 이용하여 임의의 입력값에 대하여 비교적 정확한 예측값을 얻기 위해서는 학습에 사용되는 입력값에 대한 예측값과 목푯값의 오차를 최대한 줄여야 한다. 이 오차를 줄이기 위해서는 가중치가 예측값과 목푯값의 오차에 따라 계속해서 업데이트되어야 한다. 이를 수행하는 알고리즘이 역전파 알고리즘이다.
-암반 사면의 높이와 너비는 S 산업 관련 기사를 참고하였고 비탈면 사면의 경사는 산지관리법 시행령 ‘채석허가 및 토사 채취허가기준’을 참고하여 1:0.5의 각도로 모델링하였다.
+-1. 역전파 알고리즘
+ 오류 역전파 알고리즘은 다층 퍼셉트론(multi-layer perceptron)의 학습에 효과적으로 적용할 수 있어서 다양한 분야에 보편적으로 활용되는 매우 중요한 학습 알고리즘이다. 입력층의 각 뉴런에 값을 주면 이 신호는 각 뉴런에서 변환되어 은닉층에 전달되고 출력층으로 신호를 출력하게 된다. 이 출력값과 목푯값을 비교하여 오차를 줄여가는 방향으로 가중치를 조절하고 상위층에서 역전파 하여 하위층에서는 이를 근거로 다시 자기 층의 가중치를 조정해 나가게 된다. 역전파 알고리즘은 학습단계와 예측단계로 구분할 수 있다. 학습단계는 역전파 학습 알고리즘에 의해서 수행된다. 즉, 신경망의 입력패턴에 따라 각 뉴런의 입력값과 전달함수를 이용해서 출력을 산출하는 전 방향 처리과정과 목푯값과 출력값과의 차이를 역으로 진행 시키면서 오차가 최소가 되도록 연결강도를 변화 조절시키는 역방향 처리과정이 있다. 예측단계는 원하는 결과에 대한 값만 주어지면 적절한 출력이 계산되는 과정이다. 역전파 알고리즘을 도식화하면 다음과 같다.
-====물성치 대입====
+-2 가중치
-◇ 암반의 물성치
+ 뉴런은 다른 뉴런의 출력값을 입력값으로 받아서 뉴런의 출력값을 계산하게 되는데 이러한 뉴런들은 상호 연결되어 있으며 연결된 강도를 가중치라고 한다. 신경망 모델은 학습할 때 초기 연결 강도를 적절히 선택하여야 한다. 초기 연결 강도를 잘못 설정하여 응용목적에 적합하게 학습이 이루어지지 않을 수도 있다. 초기 연결 강도의 값은 너무 크지 않아야 하지만 그렇다고 너무 작은 값을 설정하며 학습이 진행될 때 연결강도의 변화량이 매우 적게 되어 학습시간이 오래 걸리게 되는 단점이 있으므로 적절한 값을 선택하여야 한다. 일반적으로 초기 연결 강도는 응용목적이나 학습패턴에 따라서 달라지며 ±0.5범위내의 값으로 설명하면 무난하다.
+-3 시그모이드 함수
-[[파일:암반.PNG]]
+ 비선형 함수 중 하나로 입력값을 0과 1사이의 값으로 변환하는 대표적인 활성화 함수수 중 하나이다. 보통 로지스틱 함수(Logistic function)라고도 부른다. 시그모이드 함수는 다음과 같은 수식으로 정의된다.
+. 입력값, 출력값 선정
-Hoke-Brown의 파괴기준은 1980년대에 처음 발표된 이후 계속 수정되어온 기준으로 암반에 있어서 가장 실제적인 모델로 볼 수 있으며 다음과 같은 특징을 갖고 있다.
+ DNN 모델 학습에 적용하기 위해 입력값과 출력값을 다음과 같이 결정하였다. 친환경 콘크리트에서 중요한 것은 시멘트의 플라이애쉬와 고로슬래그 같은 다른 자료로의 치환율이다. 따라서 우리는 입력값을 단위수량, 고성능감수제, 슬럼프플로우, 압축강도, 굵은골재, 잔골재로 결정하였고, 출력값으로는 시멘트, 플라이애쉬, 고로슬래그로 결정하였다.
+. 학습 및 테스트
-. 기본적으로 수많은 실험을 집대성하여 제시된 경험을 바탕으로 한 기준이다.
+ 선정한 학습데이터를 통해 알고리즘을 학습시킨다. 일반적으로 데이터의 70%를 훈련용, 15%를 검증용, 15%를 테스트용으로 분류한다. 분류된 데이터를 통해 알고리즘을 훈련 시키고 목푯값을 알고 있는 임의의 데이터를 집어넣었을 때 예측값과 목푯값의 오차를 확인하여 알고리즘의 적합성을 판단한다.
+. 모델의 결과 검증
-. 암석(intact rock)뿐만 아니라 암반(rock mass)에도 적용할 수 있는 유일한 기준이다.
+최적의 알고리즘 모델이 결정되면 임의의 데이터를 입력하여 결과를 도출해내고, 이를 바탕으로 공시체를 제작하여 실험한다. 단가, 압축강도 등을 얻어내고, 친환경 콘크리트를 위한 알고리즘이 제대로 구성되었는지 검증한다.
-. Hoek-Brown의 파괴기준으로부터 Mohr-Coulomb의 파괴기준을 역산할 수 있는 방법들이 제시되었다.
-특징 1번에서 언급한 바와 같이 Hoke-Brown 파괴기준은 실험을 집대성하여 제시된 경험을 바탕으로 한 기준으로서 각각의 물성치에 대한 데이터가 이미 Table의 형태로 만들어져있어서 뉴스 기사를 통해서 얻은 정보를 바탕으로 여러 가지 물성치를 얻을 수 있었다. 또한, 암반분류법의 하나인 RMR(Rock Mass Rating)값과 밀접한 관계가 있는 GSI(지질강도지수) 값은 실제로 실험을 할 수 없는 이유로 인해 해석단계에서 변수로 남겨두었다.
-[[파일:암반2.png]]
-[[파일:암반3.png]]
-[[파일:암반4.png]]
-◇ 슬러지의 물성치
-[[파일:슬러지.PNG]]
-[[파일:슬러지2.png]]
-슬러지란 일반적으로는 쓸모가 없는 이상(泥狀)의 것을 가리키는 말로 본 프로젝트에서의 슬러지란 채석과정에서 발견하는 돌가루와 일반적인 흙을 1:1 비율로 섞은 석분슬러지를 말한다. 폐기물관리법(2003)에서 석분슬러지는 산업폐기물로 분류되어 양질의 흙과 1:1 비율로 섞어 매립해야 한다고 규정되어있다.
-저희 조는 슬러지에 대한 물성치를 찾던 중 운이 좋게 2007년 양주시 S 산업의 슬러지를 대상으로 “석분슬러지 혼합토 매립 사면에 대한 안정성 기준 제안”이라는 논문을 발견하게 되었고 논문의 데이터 값을 참고하여 슬러지에 대한 물성치를 얻을 수 있었다.
-====안전율기준====
-[[파일:안전율.png]]
-전체 사면의 안전율은 슬러지의 물성치를 얻었던‘석분슬러지 혼합토 매립 사면에 대한 안정성 기준 제안’논문을 참고하며 FS를 1.3 이상으로 한다.
 ===이론적 계산 및 시뮬레이션===
-====변수설정====
+내용
- ◎ GSI(지질강도지수) 10, 20, 30, 40
+. 입력값 결정
+국내의 논문을 토대로 플라이애시, 고로슬래그 미분말을 혼화재로 사용한 40MPa급 콘크리트 배합설계 데이터 20개와 60MPa급 콘크리트 배합설계 데이터 20개를 훈련용 자료로 선정하였다.
+net.divideParam.trainRatio = 70/100; %훈련용 자료 선정
+net.divideParam.valratio = 15/200;%검증용 자료 선정
+net.divideParam.testRatio = 15/100; % 테스트 자료 선정
+. 노드수 조정
+초기의 레이어 수 및 노드 수는 각 50개, 30개로 설정하였다. 하지만 레이어 수 및 노드 수가 많다고해서 무조건 좋은 성능을 발휘하는 것은 아니다. 제한된 자료 수에 따른 특정 학습 환경에서만 최적화된 인공지능 모델은 제 성능을 발휘하지 못할 수 있다. 초기 설정 값으로는 모델의 과적화 현상이 나타났고, 따라서 레이어 및 노드 수를 아래와 같이 재설정하였다.
+for i=1:1:15 %레이어 설정
+   h(1,i)=6;% 레이어 별 노드 수
+. 신경망 훈련
+인공신경망의 초기 가중치를 설정하고 훈련 데이터를 신경망에 입력하여 실제값과 예측값 사이의 오차를 계산한다. 이 과정에서 신경망의 가중치를 조정하여 오차를 최소화 하는 방법인  경사하강법으로 신경망을 훈련시켰다.
+net = fitnet(h,trainFcn);% 네트워크 구성
+[net,tr] = train(net,x,t); % 신경망 훈련
+trainOutput = sim(net,x); 출력값 도출
+e = gsubtract(t,y); 오차값 도출
+performance = perform(net,t,y) %MSE 결정
+. 출력값 도출
+훈련된 모델을 통해 순전파와 역전파 과정을 반복하였고, 적절한 가중치를 학습해 새로운 입력 데이터의 출력값을 산출할 수 있었다.
+% 검증데이터와 테스트 데이터로 신경망 실행op = Tinput';
+% 얻고자하는 입력값
+a= net(op(:,1)) % 최종 출력값
- ◎ 슬러지 경사각 18.43/ 26.56/ 33.69/ 45/ 51.34
+===상세설계 내용===
+[[파일:s5.png]]
- ◎ 슬러지 높이 5m, 10m, 20m, 30m, 35m
+==결과 및 평가==
+===완료 작품의 소개===
+====프로토타입 사진 혹은 작동 장면====
-====유한요소 한계해석을 통한 채석장 안정성 해석 결과====
+[[파일:s7.png]]
-[[파일:계산1.png]]
+. 코딩을 통해 친환경 콘크리트의 배합비를 도출해낸다.
+. 콘크리트의 품질시험을 통해 콘크리트 배합이 잘 되었는지 확인한다.
-[[파일:계산2.png]]
-* 변수를 위 3가지 요소로 설정하고 모든 설정값에 대해 유한요소 한계해석을 진행하였다.
+[[파일:s8.png]]
+. 완성된 배합으로 걸설 현장에서 타설을 한다,
-* 여기서 UB는 상한값, LB는 하한값이다.
-[[파일:그래프.PNG]]
+[[파일:s6.png]]
-====결론====
+===관련사업비 내역서===
-  ① GSI = 10인 경우, 슬러지의 영향 없이 암반사면이 파괴에 이른다.
+내용
-  ② GSI = 20이상인 경우, 암반사면보다 슬러지가 파괴에 큰 영향을 미친다.
+===완료작품의 평가===
+공시체 결과 비교
+차 공시체 제작 및 강도시험 결과는 각각 오차가 23.4%, 23.2%, 29.1%였고, 2차 공시체 제작 및 강도시험 결과는 각각 오차가 13%, 14.6%, 18%였으므로 오차가 줄어든 것을 확인할 수 있었다. 따라서 교차검증과 그리드 탐색의 과정을 거치며 신경망 모델이 개선되었다고 판단할 수 있다.
-  ③ 슬러지 사면의 높이에 따른 안전율의 변화보다, 슬러지 사면의 경사각에 따른 안전율 변화가 더 크다.
+콘크리트 배합 비용 비교
+ 시멘트, 고로슬래그, 플라이애쉬의 가격은 2-2 시장분석의 가격을 참고하여 계산하였다. 물시멘트비에 따른 각 배합비 별 총 비용은 위 표와 같고 같은 물시멘트비의 배합을 오직 시멘트만 사용하여 배합했을 때(OPC)와 비교하면 각각 25.6%, 26,668%, 25.188% 비용이 감소한 것을 알 수 있었다.
-  ④ 안전율이 1.3일때의 슬러지 사면의 경사각인, 한계경사각은 각각 31.78, 29.14, 28.87, 28.18, 26.67이다.
+탄소배출량 비교
+ 탄소배출량도 OPC와 비교한 결과 약 40% 정도 감소하는 것으로 나타났다.
-[[파일:GSI 10.png]]
+오차분석
+ 모델의 최적화 과정을 거치며 오차를 줄일 수 있었다. 그러나 오차가 10% 이하로 떨어지진 않았다. 그 이유로는 여러 가지를 들 수 있다.  첫 번째로 데이터의 부족이다. 일반적으로 신경망을 학습시킬 때에는 학습 데이터가 많을수록 정확도가 높다. 데이터가 너무 많아져도 문제가 될 수 있지만, 현재 신경망에 사용된 데이터의 개수가 너무 적기 때문에 오차가 커졌을 것으로 생각된다.  두 번째는 모델의 복잡성이다. 교차검증과 그리드 탐색을 통해 모델의 최적화를 시도했다. 하지만 우리의 신경망은 3개의 출력값을 가지므로 그만큼 모델의 복잡성이 증가한다. 따라서 그만큼 오차가 커진 것으로 보인다.  세 번째는 환경이다. 훈련용 데이터로 사용한 배합비가 만들어질 때의 환경과 재료 등이 실제 우리가 프로젝트를 진행한 환경과는 다르다. 따라서 양생 후 강도 역시 예상한 값과는 다르게 나왔을 것으로 판단한다.
-△ GSI = 10일 때 슬러지 사면의 경사와는 상관없이 암반이 파괴되는 모습
+개선방안
+ 오차를 줄이고 조금 더 신경망의 성능을 향상시키기 위한 방안을 다음과 같다. 훈련용 데이터의 개수를 늘릴 필요가 있고, 교차검증과 그리드탐색 외에도 추가적인 기법을 이용하여 성능을 늘려야 한다.  훈련용 데이터를 취합할 때에는 직접적인 실험을 통해 물질의 특성이나 양생 환경 등이 통제된 상태에서 데이터를 얻어야 한다고 판단된다.
-[[파일:1240.png]]
+===향후계획===
+오차를 줄이고 조금 더 신경망의 성능을 향상시키기 위한 방안을 다음과 같다. 훈련용 데이터의 개수를 늘릴 필요가 있고, 교차검증과 그리드탐색 외에도 추가적인 기법을 이용하여 성능을 늘려야 한다. 훈련용 데이터를 취합할 때에는 직접적인 실험을 통해 물질의 특성이나 양생 환경 등이 통제된 상태에서 데이터를 얻어야 한다고 판단된다.
-△ GSI = 40일 때 슬러지 사면의 경사각 변화로 인해 파괴가 일어나는 모습
+===특허 출원 내용===
+내용
- 결론 : 일반적으로 채석장에 있는 지반은 GSI 최소 20~40 이상의 튼튼한 암반이라고 가정하고 슬러지 사면의 경사각을 최우선으로 한다.
-===상세설계 내용===
-====설계도====
-====슬러지 모니터링 모형실험====
-==결과 및 평가==
-===완료 작품의 소개===
-[[파일:완료_작품의_소개.jpg]]
-====프로토타입 사진 혹은 작동 장면====
-[[파일:구동 영상1.jpg]]
-[[파일:구동영상2.jpg]]
-====포스터====
-[[파일:포스터 5조.jpg]]
-===완료작품의 평가===
-설계 프로그램인 CAD를 참고해 채석장 모델을 구성하였다.
-채석장 내 CCTV를 활용하여 슬러지를 24시간 모니터링 하는 모습을 모형으로 구현하였다.
-또한 개념 설계도에서 정한 암반 사면의 수치와 비탈면 경사까지 전부 반영하였다.
-실제 모형에서 슬러지를 쌓을 수 없기 때문에 MATLAB 코드를 이용하여 모니터링 시스템을 구현할 수 없었던 점이 다소 아쉬웠다.
-===향후계획===
-본 프로젝트는 우천 시 함수비의 영향을 고려하지 않았지만 향후 더 많은 조사를 통해
-함수비에 따른 슬러지에 거동을 분석하여 우천 시에도 사용할 수 있는 모니터링 시스템을 구축할 것이다.