"5조"의 두 판 사이의 차이
Adciv20230105 (토론 | 기여) (→프로토타입 사진 혹은 작동 장면) |
|||
(같은 사용자의 중간 판 32개는 보이지 않습니다) | |||
3번째 줄: | 3번째 줄: | ||
==프로젝트 개요== | ==프로젝트 개요== | ||
=== 기술개발 과제 === | === 기술개발 과제 === | ||
− | ''' 국문 : ''' | + | ''' 국문 : ''' 친환경콘크리트 배합비를 위한 심층신경망 설계 |
− | ''' 영문 : ''' | + | ''' 영문 : ''' DNN for Eco-friendly Concrete Mix Proportions |
===과제 팀명=== | ===과제 팀명=== | ||
− | + | 콘알남 | |
===지도교수=== | ===지도교수=== | ||
− | + | 김지수 교수님 | |
===개발기간=== | ===개발기간=== | ||
17번째 줄: | 17번째 줄: | ||
===구성원 소개=== | ===구성원 소개=== | ||
− | 서울시립대학교 | + | 서울시립대학교 토목공학과 2018860035 정*우(팀장) |
− | 서울시립대학교 | + | 서울시립대학교 환경공학부 2018890020 김*승 |
− | 서울시립대학교 | + | 서울시립대학교 토목공학과 2018860015 박*호 |
− | 서울시립대학교 | + | 서울시립대학교 토목공학과 2018860031 임*호 |
− | 서울시립대학교 | + | 서울시립대학교 토목공학과 2018860042 황*성 |
==서론== | ==서론== | ||
===개발 과제의 개요=== | ===개발 과제의 개요=== | ||
====개발 과제 요약==== | ====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==== | ====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==== | ====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. | ||
===관련 기술의 현황=== | ===관련 기술의 현황=== | ||
====관련 기술의 현황 및 분석(State of art)==== | ====관련 기술의 현황 및 분석(State of art)==== | ||
*전 세계적인 기술현황 | *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 | *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 | *기술 로드맵 | ||
− | + | [[파일:S1.png]] | |
====시장상황에 대한 분석==== | ====시장상황에 대한 분석==== | ||
*경쟁제품 조사 비교 | *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 | *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. | |
===개발과제의 기대효과=== | ===개발과제의 기대효과=== | ||
====기술적 기대효과==== | ====기술적 기대효과==== | ||
− | + | 1. 친환경 콘크리트의 배합비를 쉽게 추정함에 따른 친환경 콘크리트의 사용의 접근성 증가 | |
+ | |||
+ | 2. 친환경 콘크리트 사용으로 환경오염 감소에 기여 | ||
+ | |||
+ | 3. 정형화된 배합으로 효율적이고 일관된 품질 보장 가능 | ||
+ | |||
+ | 4. 알고리즘을 통해 새로운 친환경 재료의 활용 가능성을 추정하므로 콘크리트 제조산업 전반에대한 기술적 발전 가능 | ||
+ | |||
====경제적, 사회적 기대 및 파급효과==== | ====경제적, 사회적 기대 및 파급효과==== | ||
− | + | 가. 기술적 기대효과 | |
+ | |||
+ | ◇ 한국도로공사에 의하면 저탄소 콘크리트의 시험시공과 추적조사를 통해 우수함을 검증하기 위해 약 6년의 시간이 들었다. 따라서 연구 및 개발에 소요되는 기간과 비용 절감할 수 있다. | ||
+ | |||
+ | 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. | ||
+ | |||
+ | 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=== | ===기술개발 일정 및 추진체계=== | ||
====개발 일정==== | ====개발 일정==== | ||
− | + | [[파일:s3.png]] | |
+ | |||
====구성원 및 추진체계==== | ====구성원 및 추진체계==== | ||
내용 | 내용 | ||
66번째 줄: | 95번째 줄: | ||
===설계사양=== | ===설계사양=== | ||
====제품의 요구사항==== | ====제품의 요구사항==== | ||
− | + | [[파일:S2.png]] | |
+ | |||
====설계 사양==== | ====설계 사양==== | ||
− | + | [[파일:s4.png]] | |
===개념설계안=== | ===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=== | ===이론적 계산 및 시뮬레이션=== | ||
내용 | 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=== | ===상세설계 내용=== | ||
− | + | [[파일:s5.png]] | |
==결과 및 평가== | ==결과 및 평가== | ||
===완료 작품의 소개=== | ===완료 작품의 소개=== | ||
====프로토타입 사진 혹은 작동 장면==== | ====프로토타입 사진 혹은 작동 장면==== | ||
− | + | ||
− | + | [[파일:s7.png]] | |
− | + | 1. 코딩을 통해 친환경 콘크리트의 배합비를 도출해낸다. | |
+ | 2. 콘크리트의 품질시험을 통해 콘크리트 배합이 잘 되었는지 확인한다. | ||
+ | |||
+ | |||
+ | [[파일:s8.png]] | ||
+ | 3. 완성된 배합으로 걸설 현장에서 타설을 한다, | ||
+ | |||
+ | |||
+ | [[파일:s6.png]] | ||
===관련사업비 내역서=== | ===관련사업비 내역서=== | ||
90번째 줄: | 163번째 줄: | ||
===완료작품의 평가=== | ===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=== | ===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=== | ===특허 출원 내용=== | ||
내용 | 내용 |
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.
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
시장상황에 대한 분석
- 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.
개발과제의 기대효과
기술적 기대효과
1. 친환경 콘크리트의 배합비를 쉽게 추정함에 따른 친환경 콘크리트의 사용의 접근성 증가
2. 친환경 콘크리트 사용으로 환경오염 감소에 기여
3. 정형화된 배합으로 효율적이고 일관된 품질 보장 가능
4. 알고리즘을 통해 새로운 친환경 재료의 활용 가능성을 추정하므로 콘크리트 제조산업 전반에대한 기술적 발전 가능
경제적, 사회적 기대 및 파급효과
가. 기술적 기대효과
◇ 한국도로공사에 의하면 저탄소 콘크리트의 시험시공과 추적조사를 통해 우수함을 검증하기 위해 약 6년의 시간이 들었다. 따라서 연구 및 개발에 소요되는 기간과 비용 절감할 수 있다.
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.
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.
관련사업비 내역서
내용
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