"02분반 6조 업크리트"의 두 판 사이의 차이

2023년 12월 7일 (목) 23:13 판

프로젝트 개요

기술개발 과제

국문 : 객체 탐지 기술을 활용한 순환골재 내 건설폐기물 제거

영문 : Construction Waste Elimination in Recycled Aggregates Using Object Detection Technology

과제 팀명

업크리트

지도교수

서명원 교수님

개발기간

2023년 9월 ~ 2023년 12월 (총 4개월)

구성원 소개

서울시립대학교 환경공학부 2020XXX0** 황**(팀장)

서울시립대학교 환경공학부 2020XXX0** 박**

서울시립대학교 환경공학부 2020XXX0** 이**

서울시립대학교 환경공학부 2020XXX0** 최**

서론

개발 과제의 개요

개발 과제 요약

  최근 기후변화와 지구온난화에 대응하기 위해 세계 주요 선진국들은 탄소중립을 지향하고 있다. 파리 협정과 2050 탄소중립 목표를 실현하기 위해 국내에서도 각기 다른 분야에서 노력이 이루어지고 있다. 그중 건설산업에서 배출되는 온실가스는 전 세계 온실가스 배출의 약 25%를 차지하고 있으며, 탄소중립의 주요 대상인 이산화탄소는 전 세계 배출량의 약 37%를 차지한다. 탄소중립 실현을 위해 건설산업에서도 ESG 경영이 부각되고 있다. 1970년대 고도성장기에 급속도로 증가하는 인구를 감당하기 위해 본격적으로 주택들이 공급되었고, 현재 이러한 주택들이 노후화됨에 따라 재건축  재개발이 활발하게 이루어지고 있다. 건설단계에서 자원 낭비를 최소화하거나, 한 번 사용한 자원을 재사용하는 자원순환을 통해 지속가능한 순환 경제의 실현을 위한 자원 순환형 건설이 추진되고 있다. 특히 환경보존 및 기존 골재원 고갈 등에 기인한 골재수급 문제는 건설산업의 위험 요소로 평가된다. 정부는 건설폐기물의 재활용촉진에 관한 법률 시행령 제5조(순환골재 등 의무사용 건설공사의 범위)를 통해 순환골재의 사용을 촉진하고 있다. 여기서 순환골재란 건설폐기물의 “재활용 촉진에 관한 법률” 제2조7호의 규정(건설폐기물을 물리적 또는 화학적 처리과정 등을 거쳐 같은 법 제35조의 규정에 의한 품질기준에 적합하게 한 것)에 적합한 골재를 말한다. 한편 2020년 기준 순환골재 사용 비중은 전국 골재 수요의 14.6%에 불과했다. 현재 생산되는 순환골재는 배출되는 건설폐기물 내 높은 불순물 함유량으로 인해 순환골재의 품질이 낮아 저급골재라는 인식이 확산되어 단순 복토/성토용, 되메우기용, 도로보조기층용 등 저부가가치의 활용이 대부분이며, 콘크리트용 순환골재 등 고부가가치의 활용은 미미하다. 또한 폐콘크리트에 부착되어있는 모르타르 성분으로 인한 강알칼리성 침출수의 문제도 존재한다. 본 과제에서는 순환골재의 저조한 사용률에 대한 이유로 이물질 유입으로 인한 순환골재의 신뢰성 저하와 순환골재의 알칼리성으로 인한 환경오염의 우려라고 판단하였다. 따라서 순환골재의 사용률을 증대시키기 위해 혼합 건설폐기물에서 이미지 분류기술을 활용하여 이물질 선별률을 높이고 화학적 처리를 통해 순환골재의 알칼리성을 조절하고자 한다.

개발 과제의 배경 및 효과

  건설폐기물은 공사를 시작할 때부터 완료할 때까지 발생한 5톤 이상의 폐기물을 말하는데, 노후 건축물의 증가함에 따라 건설폐기물의 양이 지속적으로 증가하는 추세이다. 2014년 하루 18만 톤이 발생하던 것에서 2021년 하루 약 23만 톤으로 하루에 배출되는 양이 약 5만 톤 이상 늘었다. 그중 약 65%는 폐콘크리트였다. 폐콘크리트를 순환골재로 재활용할 경우, 2010년 가격 기준으로 순환골재 1톤당 매립 절감에 따른 편익은 19,801원, 천연골재 대체에 따른 편익은 순환골재 1톤당 7,323원이다. 또한 순환골재를 천연골재 대체재로 사용할 경우, 골재채취로 인해 유발되는 산림 및 녹지 훼손과 건설폐기물의 매립을 최소화하여 최근 논란이 되는 수도권매립지의 수명을 연장할 수 있다.
 하지만, 폐콘크리트 중 약 99%는 재활용하는데 이는 품질과 안전등의 이유로 80% 이상이 성·복토 및 도로 공사용 등 극히 제한된 용도로만 사용되고 있다. 또한 순환골재 사용 촉진을 위한 의무사용제도 도입 등에 따라 순환골재 사용이 국가와 지방자치단체 등 공공기관에서 일정 규모 이상의 건설공사를 진행할 경우, 순환골재를 사용하고 있지만 민간 부문에서는 사용 실적이 저조하다. 실제로 전국의 약 170개의 순환골재 수요자(발주자, 시공자)를 대상으로 조사한 순환골재 활용에 따른 문제점 설문조사 보고에 따르면, 순환골재 사용을 회피하는 이유로는 품질 신뢰성의 문제(47%), 품질인증제도의 인지도 문제(33%), 발주처 사용 제한의 문제(20%)를 들고 있으며, 사용 시 애로사항으로는 환경 문제 제기기(53%), 설계기준 반영(30%), 관리 미흡(10%), 사용기준의 복잡성 문제(7%)를 들고 있다. 또한 순환골재는 일반적으로 모르타르를 포함하고 있어 강알칼리성을 띄기 때문에, 우천 시 알칼리 침출수가 발생할 수 있다. 또한 순환골재에 붙어 있는 모르타르 함량에 따라 골재의 비중, 흡수율 등의 기초 물성이 변하게 되고, 이는 결과적으로 콘크리트의 강도 및 탄성계수에도 영향을 미치게 된다. 이러한 점을 고려하여 순환골재의 품질향상이 필요한 상황이다.
  건설폐기물을 중간처리하는 과정에 사용되는 이물질 분리선별 방법은 인력선별, 비중선별, 스크린선별, 자력선별, 풍력 선별 등이 있다. 가연성 건설폐기물에 가장 많이 활용하는 분리 방식은 송풍기에 의한 분리 방식이다. 일반적으로 직경이 25㎜가 초과하는 가연성 이물질은 초기 트롬멜 등의 분리선별 장치를 통하여 분리되며, 10～25㎜ 정도의 가연성 이물질은 스크린 등을 통과할 때 분리된다. 10㎜ 이하의 가연성 이물질은 골재와 함께 이송되면서 송풍에 의해 선별된다. 송풍 이물질 분리선별 장치의 가장 큰 문제는 분진의 비산과 다량의 토사 및 골재 투입시 이물질 분리 효과의 저하이다. 기존의 송풍은 단순하게 후단에서 바람만을 부여하는 구조로 되어 있어 풍압이 강할 경우 이물질과 함께 골재 및 토사가 배출되며, 대량으로 투입될 시 물질 간의 간격이 좁아 송풍에 의한 이물질의 분리가 어렵다. 종래의 기술을 통해 생산되는 순환골재는 규격별 입자가 골고루 분포하지 못할 뿐만 아니라 토사 미분과 비닐 및 장판 조각, 목재 조각, 나무뿌리, 천 조각, 플라스틱 조각, 스티로폼, 담배꽁초 등 각종 잡쓰레기와 이물질(유기 이물질, 유기 불순물)이 부스러기 형태로 일부 혼재되어 있으므로 이를 재활용하는 경우 강도가 떨어지고 흡수율이 높아 골재로서 품질을 보장할 수 없는 문제점이 있다. 특히 드럼 또는 스크린 등의 선별기로 선별하여도 골재와 유사한 크기의 이물질(미분·비닐·목재·가죽·플라스틱·섬유 등)은 드럼 또는 스크린의 망체를 그대로 통과하여 골재에 혼재되기 때문에 완전한 분리 및 선별이 매우 어려운 문제점이 있다.

Fig 1. 순환골재 생산 공정에 따른 시스템 경계

 일반적으로 순환골재로 사용하는 폐콘크리트는 알칼리성을 띄어 그 상태로 자연환경에 노출되면 다양한 문제를 일으킬 수 있다. 폐기물학회에 따르면 순환골재의 사용에 따라 알칼리수가 용출되고 이에 따라 토양과 지하수의 오염이 발생할 수 있다고 지적한다. 또한 폐콘크리트가 미분화되어 더욱 용출되기 쉬운 것도 문제이다. 이를 위해 국내에서는 순환골재 생산 시 파쇄, 박리 등의 공정을 통해 용출수 저감을 방지하고자 하였다. 그러나, 해당 방법들은 pH 저감 효과가 미미한 것으로 나타났으며, 이를 해결하기 위해 노력을 거듭하고 있다. pH 저감을 위해 사용하는 대표적인 방법으로, 이산화탄소를 이용한 탄산칼슘화 공정이 있다. 탄산칼슘화는 아래와 같은 반응이 일어난다. 

Ca(OH)+ CO2 → CaCO3 + H2O [식1] 탄산칼슘화 공정

 탄산칼슘화 공정은 폐콘크리트의 주성분이 수산화칼슘인 것을 고려하여 사용하는 방법이다. 수산화칼슘이 이산화탄소와 반응하면 pH가 감소함과 동시에 탄산칼슘을 생산할 수 있어 해당 방법을 이용하고 있다. 더 자세하게, 이산화탄소를 사용하는 방법은 유량, 압력 접촉 면적과 같은 변수에 따라 달라진다. 일반적으로 사용하는 방법은 아래와 같다.

Fig 2. 이산화탄소를 사용한 폐콘크리트 중화반응 장치

 그림과 같이 순환골재의 pH를 낮추기 위하여 이산화탄소와 접촉시켜 이를 통해 pH를 낮추는 방법이다. 단순히 강하게 교반하는 것만으로도 pH를 낮추는 효과가 있기에 이산화탄소를 추가적으로 공급하지 않는다. 하지만 그림과 같이 대기 중의 이산화탄소로만 중화반응을 유도하는 것은 시간이 오래 걸린다는 단점이 있다. 한편, 골재 세척수에 이산화탄소를 용해시켜 탄산나트륨을 제조하는 방법도 있지만, 이산화탄소는 용해도가 낮아 시간이 오래 걸리고 기체 이산화탄소를 직접 순환골재에 접촉시킬 경우 과도한 이산화탄소 유실과 같은 문제가 발생할 수 있다. 더불어 이산화탄소를 생산하기 위한 과대한 비용이 발생하게 된다. 이런 단점들을 극복하기 위해서 고안한 방법이 산성 용액을 사용하는 방법이다. 산성 용액과 직접적으로 작용하여 그 중화반응 유도 시간을 줄이고, 아울러 다양한 산성 용액을 사용하여 용액의 종류에 따라 순환골재 중화반응에 가장 적합한 용액을 찾는 것을 본 설계의 목적으로 한다. 
 기존 논문에 따르면 이런 습식 공정은 처리 전에 건식과 달리 세척과정을 거치어, pH 저감제로 제1인산나트륨, 염화암모늄 등을 사용한다. 이들을 사용한 반응은 아래와 같다. 

Na3PO4 + H2O → 3Na+ + HPO4- HPO4- + Ca2+ → Ca(OH)2 + Ca2(HPO)4 [식2] 제1인산나트륨 수화물 반응식

 제1인산나트륨 수화물은 인체에 무해하며 환경 영향성이 적은 식용 인산나트륨으로 물에 해리된 후 인산이온(HPO4-)과 순환골재에서 용출된 칼슘이온(Ca2+)이 반응하여 침전물을 생성하게 되며 이로 인해 골재표면에 코팅막을 형성하고 pH저감효과를 가지게 된다. 또한 공통이온효과로 인하여 인산이온이 물에 해리되면 음이온인 수산화물의 용출이 적게 일어나게 된다.

NH4Cl + H2O → NH4+ + Cl- + H2O → NH4OH + HCl NH4OH → NH4+ + OH- HCl → H+ + Cl- [식3] 염화암모늄 반응식

 수산화암모늄의 해리로 인해 수산화이온(OH-)에 의한 염기성 보다 염산의 해리로 인한 수소 이온의 산성이 강해 전체적으로 약산성의 pH를 가진다. 염화암모늄 해리로 인해 수용액이 약산성을 띄며 이는 인산이온과 칼슘 이온의 반응이 용이하게 일어나도록 한다.
 본 설계는 위와 같은 산성 용액을 사용해서 반응조에 파쇄된 건설폐기물을 침지시켜 순환골재 품질기준을 맞춘 pH9.8 이하의 양질의 순환골재를 얻고자 한다.
 건설산업은 탄소배출이 타 산업들과 비교하면 높은 축에 속하므로 2050년 탄소중립을 위해 탄소배출 감소가 필요한 상황이다. 따라서 자원순환을 통해 지속가능한 건설산업 생태계 구축이 필요하다고 생각된다. 실제로 건식 순환골재 CO2 배출량은 2.977 kg-CO2/ton, 습식순환골재 CO2 배출량은 3.983 kg-CO2/ton, 천연골재 CO2 배출량은 4.290 kg-CO2/ton으로 평가되었다. 또한 경제적 측면에서도 단위용적당 콘크리트의 단가 감소율은 치환율 0% 대비 30%는 3.56%, 50%는 8.73%, 100%는 12.95%로 도출되었으며 최대 5,486원까지 감소하는 것으로 도출되었다. 따라서, 위와 같은 순환골재의 문제점을 해결한다면 자원보존, 환경보호, 경제적 이익, 지속 가능성 향상 측면에서 효과가 있을 것으로 보인다. 순환골재를 얻기 위한 과정에서 나뭇가지, 폐플라스틱, 폐비닐 등과 같은 불순물을 제거하기 위해 기계학습을 이용한 화상 선별을 도입하고 순환골재의 미분말의 강알칼리성을 중화하여 고품질의 순환골재를 얻고자 한다. 고품질의 순환골재를 통해 현재 소비자의 부정적 인식을 바꾸고 자원순환을 통해 탄소중립에 이바지할 수 있을 것으로 보인다.

개발 과제의 목표 및 내용

 순환골재의 특징인 모르타르 부착량, 이물질 함유량, 미분량은 대표적인 문제점이며, 이로 인한 품질저하 및 품질편차 증대는 순환골재의 활용에 매우 큰 장애요인이다. 건설폐기물에는 다양한 물질이 섞여 있으므로, 이물질을 제거하는 여러 단계의 과정을 거치더라도 순환골재에는 일부의 이물질이 포함될 수밖에 없다. 순환골재에 포함되는 이물질은 그 종류가 다양하고 특성도 다르며, 어떠한 이물질이 얼마만큼 포함되느냐에 따라서 순환골재 및 순환골재 콘크리트의 품질에 영향을 미치게 된다. 폐콘크리트는 현재 관련 법령의 미비로 적절한 처리 없이 순환골재로 사용하기 때문에 이물질이 섞여 들어간다는 문제가 있다, 따라서 이 문제를 해결하기 위해 인공지능을 사용한 화상 선별 시스템을 이용할 수 있다. 실제로 국내 플라스틱 재활용 시장에서 기물 선별 장비 생산, 폐기물 선별공정 설계 전문회사인 ACI가 딥러닝 기반 인공지능을 이용한 재활용 폐기물 선별 로봇을 선보이고 있다. 일반 재활용 쓰레기는 현재 다수의 인력을 통해 수작업으로 분류가 이루어지고 있다. 그리고 투명 PET의 경우 재활용의 가치가 높아 고품질 원료로 선호되고 있기에 따로 선별하는 것이 중요하다.

Fig 3. AMP Robotics의 로봇 시스템인 AMP 콜텍(Cortex)

 위 그림과 같이 인공지능을 이용한 이미지 분류 기술을 통하여 건설폐기물 중 순환골재 품질 저하의 원인이 되는 이물질 함유량을 최소화하여 품질향상을 도모하고자 한다. 인공지능을 이용하여 이물질을 이미지 분류한 이후 이미지 분류를 통해 이물질로 결론 난 이물질의 경우 분리해야 하는데 이때 로봇팔을 이용한 분리를 하고자 한다. 인공지능을 활용한 이미지 분류 기술은 이른바 ‘객체 감지(Object detection)과 객체 인식(Object recognition)’으로 나눌 수 있다. 객체 감지는 객체의 위치를 파악하고 그 위치를 경계 상자로 표시하며, 객체 인식은 객체의 종류 또는 클래스를 판별하는 데 중점을 둔다. 일반적으로 객체 감지는 객체 인식을 포함하는 작업 중 하나이다. 따라서 본 과제에서는 재생골재가 아닌 물질의 위치를 확인하고 선별하여야 하므로 객체 감지 기술을 활용한다. 이를 위한 구현방식으로는 주로 딥러닝과 머신러닝 기술이 사용된다. 머신러닝 방식은 다음과 같다. 

① 데이터 수집 및 전처리: 머신러닝 모델을 훈련하기 위해 레이블이 지정된 학습 데이터를 수집하고, 데이터를 전처리하여 모델에 입력으로 사용할 수 있는 형태로 가공한다. 이 단계에서는 주로 특징(Feature) 엔지니어링이 수행된다.

② 특징 추출: 데이터에서 유용한 정보를 추출하기 위해 특징 추출기(Feature Extractor)를 사용한다. 이러한 특징은 주로 사전 지정된 규칙 또는 수작업으로 정의된다.

③ 모델 훈련: 추출된 특징을 입력으로 사용하여 머신러닝 모델을 훈련시킨다. 일반적인 알고리즘으로는 서포트 벡터 머신(SVM), 결정 트리, 랜덤 포레스트 등이 사용된다.

④ 모델 평가 및 튜닝: 훈련된 모델을 평가하고 필요한 경우 하이퍼파라미터를 조정하여 성능을 향상시킨다.

⑤ 예측: 훈련된 모델을 사용하여 새로운 데이터에서 객체를 인식하고 예측한다.

 딥러닝 방식은 다음과 같다.

① 데이터 수집 및 전처리: 머신러닝과 마찬가지로 데이터 수집 및 전처리 과정이 필요하다.

② 신경망 아키텍처 설계: 딥러닝에서는 신경망 아키텍처를 설계한다. 이 아키텍처는 입력 데이터로부터 특징을 자동으로 추출하기 위해 여러 계층으로 구성되며, 주로 합성곱 신경망(CNN)이 객체 인식에 사용된다.

③ 모델 훈련: 딥러닝 모델은 데이터로부터 특징 추출과 분류를 동시에 수행한다. 이러한 모델은 역전파(Backpropagation)와 경사 하강법을 사용하여 가중치를 최적화하며 훈련된다.

④ 모델 평가 및 튜닝: 머신러닝과 마찬가지로 훈련된 딥러닝 모델을 평가하고 하이퍼파라미터를 조정하여 성능을 향상시킨다.

⑤ 예측: 훈련된 딥러닝 모델을 사용하여 새로운 데이터에서 객체를 인식하고 예측한다.

딥러닝 방식과 머신러닝 방식에서 공통적인 요소는 데이터 수집 및 전처리 단계이다. 아무리 성능이 좋은 모델이 만들어지더라도 입력 데이터의 질이 좋지 않으면 결과값도 좋지 않다. 따라서 입력 데이터의 질이 매우 중요한데, 본 과제에서는 순환골재와 그 이외의 이물질을 분류하기 위한 훈련 데이터의 수집을 google image와 자체 제작으로 수행할 예정이다. 순환골재만 존재하는 이미지 데이터와 이물질이 혼입된 순환골재 이미지 데이터를 사용하여 모델을 개발할 예정이다.
 본 설계는 산성용액을 사용하여 폐콘크리트의 pH를 낮추고자 하였다. 이를 위해 고안한 것은 이중 반응조 형태의 구조이다. 반응조를 이중으로 한 것은 반응이 진행됨에 따라 산성용액의 pH가 상승하게 되어 교체해주어야 한다. 해당 작업을 수월하게 함과 동시에 2번 반응조에서도 중화반응을 유도하나, 다만 1번 반응조보단 빠른 반응속도로 고안한다. 

Fig 4. 설계 예상 모식도

 먼저 첫 번째 반응조에서 제1인산나트륨과 같은 중화제를 투입하여 중화반응을 일으킨다. 차후 실험 및 문헌 조사를 통해 알아낸 적정 값으로 체적과 체류시간을 결정하고, 1차 중화반응이 끝난 순환골재는 2차 반응조로 이동한다. 2차 반응조로 이동하여 미처 중화되지 아니한 pH를 낮추며 또한 일부 폐콘크리트의 일부 수용성 이물질을 제거하여 순환골재의 질적 향상을 도모한다. 또한 본 과정을 수행하기 위해 온도, 압력, 투입 골재량, 산성 용액의 농도 및 pH, 반응조 용량, 체류시간, 반송비 등의 변수를 고려하여 반응조를 설계하도록 한다.
 전반전인 설계의 계획에 대한 설명은 다음과 같다. 먼저 컨베이어 벨트를 타고 이동한 폐콘크리트가 습식 세척을 거친다. 그 후에 이중 반응조를 거쳐 pH를 적정 범위인 9.8 이하까지 낮춘다. 또한 이 과정에서 수용성 이물질을 일부 제거할 수 있다. 마지막으로 AI를 이용한 화상 분리기를 사용하여 폐콘크리트 속, 폐목재와 같은 이물질을 분류하여 양질의 폐콘크리트만을 얻을 수 있도록 한다.

기술 현황

pH 저감 기술

급속 탄산화

 일반적으로 순환골재의 생산기술은 폐콘크리트, 건설폐재류 등의 덩어리를 파쇄, 선별 단계를 여러 차례 거쳐 생산하는 것으로 도로 공사용은 2차파쇄, 콘크리트용은 3차파쇄 이상의 단계를 거쳐 표준 입도 분포에 적합한 골재를 생산하고 있다. 이러한 파쇄과정을 거쳐 생산된 순환골재의 주요 형상은 강도가 높은 천연골재에 모르타르가 부착되어 있거나, 시멘트 또는 모르타르의 파쇄 잔분이 혼합되어 골재의 밀도가 낮고 흡수율은 높은 문제점을 갖고 있어, 순환골재 품질에 부적합한 주요 원인이다. 또한 흡수율이 높은 순환골재를 콘크리트에 사용 시 천연골재를 사용한 콘크리트보다 건조수축이 높은 문제가 제기되었다. 또한 폐콘크리트의 주성분인 시멘트의 특성에 따라 (특히, 산화칼슘과 물의 반응으로 생성된 수산화칼슘) pH가 10을 초과하는 강알칼리성을 갖고 있어, 해안이나 지하수 또는 우수 등에 노출되는 경우 강알칼리성의 용출수에 의해 환경오염이나 생태계의 악영향을 줄 수 있는 문제가 제기되고 있다.

Fig 5. 일반적인 pH에 따른 물고기의 생존 가능성을 나타낸 그래프

 Fig 5는 pH에 따른 물고기의 생존 가능성을 나타낸 예로 pH가 10을 초과하는 경우 물고기가 살지 못하는 것으로 되어있다. 따라서, 순환골재의 pH를 최하 10 이하로 처리하여 사용해야 환경에 미치는 악영향을 감소시킬 수 있다. 또한 강알칼리성의 순환골재는 콘크리트용 골재로 사용 시 알칼리량의 과다로 인한 알칼리 골재 반응이 발생할 가능성이 있어 골재의 팽창에 의한 균열 발생, 팝-아웃 등 성능저하의 원인이 된다.
 이산화탄소는 콘크리트 주성분인 시멘트의 수산화칼슘(Ca(OH)2)과 반응하여 탄산칼슘을 생성하며 pH 10을 초과하는 고알칼리성인 시멘트의 공극을 치밀화하는 동시에, pH를 중성화하는 효과가 있다. 이러한 이산화탄소의 반응 특성을 순환골재에 적용하면 순환골재의 흡수율 저감의 효과가 나타나며, 흡수율이 작아짐에 따라 밀도, 단위용적질량이 높아지고 콘크리트에 사용 시 건조수축을 억제하고 알칼리 골재반응 발생 가능성을 저하시켜 순환골재의 품질이 전반적으로 우수해진다.
 현재 이산화탄소를 순환골재 생산라인에 적용한 기술로써 순환골재 세척수에 이산화탄소를 용해시켜 재활용 세척수를 중성화시키는 기술(대한민국 특허등록 제 805,322호)이 있으나 재활용 세척수를 중성화시키는 비용이 많이 발생하고, 간접적인 방법으로서 순환골재를 중성화시키는 효율이 떨어지고 순환골재의 품질기준에 적합한 순환골재를 생산하기 어려운 문제점이 남아 있다.
 촉진 탄산화 반응을 이용한 순환골재 제조 방법 중 건식은 폐쇄된 챔버 내의 공기 중의 이산화탄소와 순환골재를 직접 탄산화 반응하는 것을 특징으로 하는 촉진 탄산화 반응을 이용한 것이다. 반습식은 챔버 내의 공기 중에 이산화탄소와 순환골재가 탄산화 반응을 일으킬 때, 챔버 내에 물을 분무하거나 이산화탄소가 녹아 있는 탄산수를 챔버 내의 순환골재에 분무하여 탄산화 반응을 시키는 것을 특징으로 하는 촉진 탄산화 반응을 이용한 것이다. 습식 은 이산화탄소가 녹아 있는 탄산수를 채운 챔버 내에 순환골재를 투입하여 수중에서 탄산화 반응을 시키는 것을 특징으로 하는 방법이 있다. 

산성 중화

증가하고 있는 건설폐기물을 효율적이고 자원순환에 이바지하기 위해 건설폐기물의 일부는 순환골재로 생산되고 있다. 그러나 순환골재는 폐콘크리트를 원골재로 사용함으로써 중간처리 과정을 통해 순환골재 품질기준에 만족하더라도 순환골재 표면에 부착된 시멘트 페이스트 및 잘게 부서진 시멘트 미분으로 인해 강알칼리 성질을 나타내는 문제점을 지니고 있다. 이는 순환골재에 포함된 시멘트의 주요성분인 석회(CaO)가 물과 반응하여 경화되어 수산화물(C-S-H)과 강알칼리성을 띄는 수산화칼륨(Ca(OH)2)을 생성하여 강알칼리성을 띄게 되기 때문으로 물과 밀접한 수변지역 등에서 강알칼리성 침출수 유출로 인한 피해사례가 지속적으로 보고되고 있다(Jung, 2012).
 생산라인의 추가적인 생산 설비의 요구 없이 기존 생산 공정에 적용이 가능하고 생산량을 만족하기 위해서는 액상 pH 저감제의 활용이 효율적이다. 이러한 이유로 인해 제1인산나트륨계 수화물과 염화암모늄을 물과 혼합한 수용액을 사용하여 강알칼리의 순환골재를 pH 9.8 이하의 성능을 만족시키는 최적의 비율을 도출하고자 연구를 진행하였다.

Fig 6. Process chart of recycled aggregate production

 제1인산나트륨과 염화암모늄을 사용한 pH 저감 기술의 반응은 아래 식 4와 식 5와 같다.

Na3PO4 + H2O → 3Na+ + HPO4- HPO4- + Ca2+ → Ca(OH)2 + Ca2(HPO)4 [식4] 제1인산나트륨 반응식

NH4Cl + H2O → NH4+ + Cl- + H2O → NH4OH + HCl NH4OH → NH4+ + OH- HCl → H+ + Cl- [식5] 염화암모늄 반응식

 pH 저감제로 쓰인 제1인산나트륨의 경우 인체에 무해하고 환경 영향성이 적은 식용 인산나트륨을 물에 해리하여 사용하기에 환경에 악영향을 미치지 않을 것이라 예상한다.
 앞서 언급한 제1인산나트륨과 염화암모늄을 사용한 pH 저감 기술은 산성용액을 통해 순환골재를 중화하는 기술이었다. 산성용액을 이용하여 순환골재를 중화하는 기술 외에 산성을 띄는 비료를 이용하여 중화하는 기술 또한 연구되었다. 비료 처리를 하는 방법은 산성물질을 활용하여 순환 잔골재의 알칼리성을 중화시키는 원리이다. 산성의 비료로서 인산암모늄 및 이인산암모늄이 사용되었다. 질소 및 인산질 비료인 인산암모늄과 이인산암모늄을 이용한 순환잔골재의 알칼리 제거 시험 결과는 다음과 같다.

Fig 7. 인산암모늄과 이인산암모늄을 이용한 순환잔골재의 알칼리 제거 시험 결과

 그래프에서 MAP(10cm)는 monoammonium phosphate(인산암모늄)을 100mm 높이로 야적했을 때를 나타내며, MAP(20cm)는 monoammonium phosphate(인산암모늄)을 200mm 높이로 야적했을 때를 나타내며, DAP(10cm)는 diammonium phosphate(이인산암모늄)을 100mm 높이로 야적했을 때를 나타내며, DAP(20cm)는 diammonium phosphate(이인산암모늄)을 200mm 높이로 야적했을 때를 나타낸다.
 제1인산나트륨계 수화물과 염화암모늄을 물과 혼합한 수용액 이외에도 마쇄 조건에서 황산을 투입하여 순환골재의 pH를 일정 기준 이하로 조절하는 방법 또한 연구되었다(Kim, 2008).

Fig 8. Low speed wet abrasional crusher

 마쇄 조건에서 황산을 투입하여 순환골재의 pH를 일정 기준 이하로 조절하는 연구는 순환잔골재와 굵은골재를 중량비율 별로 1차 투입하고 사용할 세척수를 전체골재 용적비율별로 2차 투입한 후 최종적으로 황산을 투입하여 시간별로 마쇄실험을 실시하였다. 순환골재의 품질기준인 pH 9.8을 만족하는 순환잔골재의 제조를 위한 실험 결과 마쇄시간 15분, 굵은골재비 1.0 이상이 최적조건인 것을 알 수 있었다.

이미지 분류 기술

인공지능 신경망

인공지능 신경망이란 생물의 신경망에서 영향을 받은 기계학습의 하나이다. 이는 인간이 컴퓨터의 연산에 직접 개입하지 아니하고도 컴퓨터 지능적인 결정을 내리는데 도움줄 수 있어 4차 산업시대, 핵심 주제 중 하나로 부각되고 있다.

 인공지능 신경망의 원리는 다음과 같다. 인공지능 신경망에서 뉴런을 모방한 하나의 노드(node)가 존재하며 이 노드가 구성한 층을 입력층, 은닉층, 그리고 출력층으로 나눌 수 있다. 입력층과 출력층은 각각 데이터가 입력 및 출력되는 층이며, 은닉층은 각각의 다음의 층에 최적화한 데이터를 마지막의 출력층으로 전달하는 역할을 한다. 

Fig 9. 인공지능 신경망 모식도

 위의 그림과 같이 하나의 함수처럼 작용하는 노드를 퍼셉트론이라고도 하며, 이 함수와 같은 관계를 인공지능 신경망이라 한다. 
 인공지능 신경망은 기계학습(머신러닝)의 하위분류되며 특정한 프로그래밍 없이도 스스로 학습하여 데이터 기반으로 예측하는 것을 말한다. 본 설계에서는 인공지능 신경망을 이용하여 이미지 학습(분리)을 이용하여 데이터를 일반화하고 이를 통해 폐콘크리트와 이물질을 분류하는 것을 목적으로 한다. 

이미지 인식

인공지능 신경망을 사용한 이미지 인식은 다음과 같이 설명할 수 있다. 이 과정에서 일반적으로 CNN(Conversional Neural Network)을 사용한다. CNN은 사진 객체의 특징을 맵핑하여 데이터화 하는데 이 과정은 하나의 벡터에 대해 가중연산을 하여 이루어진다. 

Fig 10. 이미지 인식 모식도

 Fig 10은 이미지를 컴퓨터가 인식하고 하나의 벡터(픽셀)에 대해 그것을 수치화하고, 가중치를 연산하는 모습이다. 

Fig 11. 가중치 연산

 이 가중치 연산은 Fig 11과 같이 연산이 이루어지는데, 수치가 입력된 행렬에 대하여 전치된(Tranposed) 행렬을 곱하여서 은닉층에 연산이 이루어진다. 이때 최적화는 일반적으로 Linear regression을 통해 이루어진다. 
 Linear regression이란 선형성을 띠지 않는 데이터에 대하여서, 선형함수를 도입하고 그 오차를 줄이는 방식이다. 이는 각 항에 대하여 인과관계를 확인할 수 있는 값을 찾고자 하고자 한다. 일반적으로 오차의 제곱을 확인하는 최소제곱과 이때 발견한 계수를 고윳값으로 사용한다.

Fig 12. Linear Regression

 이미지 인식은 크게 객체 탐지와 인지로 나눌 수 있다. 객체 인지와 탐지는 위치까지 데이터화하여 파악하고 출력을 알아보는 것에 차이가 있다

객체 인지(Object Recognition)

 객체 인지를 하기 위해선 먼저 이미지 분류(Image Classification)를 하여야 한다. 이미지 분류는 객체의 레이블(픽셀)에 앞서 말한 가중치를 평균 혹은 최대치로 이미지를 축소변환하여 이루어진다. 이때 컴퓨터가 인지하기에 시점 및 크기의 변동, 가림, 조명 등과 같은 문제로 인식에 문제가 발생할 수 있다.
 이런 문제들을 해결하면, 축소변환한 값을 하나의 카테고리로써 K–mean과 같은 방법을 통해 군집화할 수 있다. 군집화하면, 하나의 군집이 어떤 범주에 속하는지, 예를 들어 강아지, 혹은 고양이인지 분류할 수 있게 된다. 
 어떤 인식한 사물에 대하여, 이미지 속 객체의 위치 데이터를 반영하면 객체 인지라 한다. 위의 축소변환할 때, 위치 데이터가 반영될 수 있도록 오차가 줄어들게 하거나, 평균의 최소제곱을 이용하여 실시한다. 이러한 객체 인지는 인공지능 신경망을 활용한 딥러닝 그리고 머신러닝을 사용하여 가능하다. 객체 인지를 하기 위해서 폐콘크리트의 이미지 사진을 대략 10,000장 정도 입력할 것이며 이를 상하좌우 반전시켜 시점의 변동과 같은 오류를 예방하고자 40,000장의 데이터로 만들어 입력하고자 한다. 

객체 탐지(Object Detection)

객체 탐지는 컴퓨터 비전 기술의 세부 분야 중 하나로 주어진 이미지 내에 사용자가 관심 있는 객체를 탐지하는 기술이다. 인공지능 모델이 아래 좌측 같은 그림을 강아지 사진이라고 판별하면 그것은 이미지 분류 모델이다. 반면에 아래 우측과 같이 물체가 있는 위치를 탐지함과 동시에 해당 물체가 강아지라고 분류하면 그것이 객체 탐지 모델이다.

Fig 13. 이미지 분류 모델과 객체 탐지 모델 비교

Fig 14. 바운딩 영역 픽셀값으로 지정

 객체 탐지 모델은 다양한 분야에서 활용이 가능하다. 가장 보편적인 활용 사례는 자율 주행 자동차이다. 자율 주행 자동차를 만들기 위해서는 컴퓨터가 주변 사물을 인식하고 위치를 파악해야 한다. 또한, 객체 탐지 기술은 보안 분야에서 효율적인 자원 관리 활용을 위해 사용되기도 한다. CCTV는 보통 쉬지 않고 기록되기 때문에 메모리의 효율성이 떨어진다. 하지만 객체 탐지 기술을 결합하면 특정 사물이 탐지 되었을 때만 기록을 시작할 수 있어 메모리의 효율성을 증가시킨다. 먼저 객체 탐지 모델은 바운딩 박스를 만들어야 한다. 객체 탐지 모델에 사용되는 데이터의 크기가 방대하므로, 바운딩 박스를 활용하여 객체를 올바르게 탐지하고 딥러닝 과정에서 바운딩 박스 영영막 대상이 되기 때문에, 딥러닝을 효율적으로 수행할 수 있다. 바운딩 박스는 타겟의 위치를 X와 Y축을 이용하여 사각형으로 표현한다. 예를 들면, 아래와 같은 바운딩 박스의 값은(X최소값, Y최소값, X최대값, Y최대값)으로 표현된다. 이때 효율적인 연산을 위해 X, Y 값은 최대값 1로 변환해주어야 한다.
 객체 탐지 모델은 크게 One-Stage 모델과 Two-Stage 모델로 구분할 수 있다. 아래 그림은 객체 탐지 모델의 계보도이다.

Fig 15. 객체 탐지 알고리즘 타임라인

 2012년 이후 등장한 딥러닝 기반의 객체 탐지 모델 종류는 One-Stage Detector, Two-Stage Detector로 나눌 수 있다. 두 종류의 흐름을 이해하기 위해선 Classification과 Region Proposal의 개념을 이해해야 한다. Classification은 특정 물체에 대해 어떤 물체인지 분류를 하는 것이고, Region Proposal은 물체가 있을만한 영역을 빠르게 찾아내는 알고리즘이다. Two-Stage Detector은 객체를 검출하는 정확도 측면에서는 좋은 성능을 냈지만, 예측 속도가 느려 실시간 탐지에는 제한됐다. 이러한 속도 문제를 해결하기 위해 Classification과 Region Propsal을 동시에 하는 One-Stage Detector가 제안되었다.

One-stage Detector는 Classification, Regional Proposal을 동시에 수행하여 결과를 얻는 방법이다. 아래 그림과 같이 이미지를 모델에 입력 후, Conv Layer를 사용하여 이미지 특징을 추출한다.

Fig 16. One-Stage Detector 구조

 Two-stage Detector는 Classification, Regional Proposal을 순차적으로 수행하여 결과를 얻는 방법이. 아래 그림과 같이 Region Proposal과 Classification을 순차적으로 실행하는 것을 알 수 있다.

Fig 17. Two-Stage Detector 구조

 One-Stage Detector와 Two-stage Detector 별로 여러 구조가 존재한다. R-CNN, Fast R-CNN, Faster R-CNN은 Two-Stage Detector이며 YOLO, SSD, RetinaNet은 One-Stage Detector이다. 
 R-CNN은 Selective Search를 이용해 이미지에 대한 후보영역(Region Proposal)을 생성한다. 생성된 각 후보영역을 고정된 크기로 wrapping하여 CNN의 input으로 사용한다. CNN에서 나온 Feature map으로 SVM을 통해 분류, Regressor을 통해 Bounding-box를 조정한다. 강제로 크기를 맞추기 위한 wrapping으로 이미지의 변형이나 손실이 일어나고 후보영역만큼 CNN을 돌려야하하기 때문에 큰 저장공간을 요구하고 느리다는 단점이 있다.

Fig 18. R-CNN 구조

 Fast R-CNN은 각 후보영역에 CNN을 적용하는 R-CNN과 달리 이미지 전체에 CNN을 적용하여 생성된 Feature map에서 후보영역을 생성한다. 생성된 후보영역은 RoI Pooling을 통해 고정 사이즈의 Feature vector로 추출하며, Feature vector에 FC layer를 거쳐 Softmax를 통해 분류, Regressor를 통해 Bounding-box를 조정한다.

Fig 19. Fast R-CNN 구조

 Faster R-CNN은 Selective Search 부분을 딥러닝으로 바꾼 Region Proposal Network(RPN)을 사용한다. RPN은 Feature map에서 CNN 연산시 sliding-window가 찍은 지점마다 Anchor-box로 후보영역을 예측한다. Anchor-box란 미리 지정해놓은 여러 개의 비율과 크기의 Bounding-box이다. RPN에서 얻은 후보영역을 IoU순으로 정렬하여 Non-Maximum Suppression(NMS) 알고리즘을 통해 최종 후보영역을 선택한다. 선택된 후보영역의 크기를 맞추기 위해 RoI Pooling을 거치고 이후 Fast R-CNN과 동일하게 진행한다.

Fig 20. Faster R-CNN 구조

 YOLO는 Bouning-box와 Class probability를 하나의 문제로 간주하여 객체의 종류와 위치를 한번에 예측한다. 이미지를 일정 크기의 그리드로 나눠 각 그리드에 대한 Bounding-box를 예측한다. Bounding-box의 confidence score와 그리드셀의 class score의 값으로 학습하게 된다. 간단한 처리과정으로 속도가 매우 빠르지만 작은 객체에 대해서는 상대적으로 정확도가 낮다.

Fig 21. YOLO 구조

 SSD는 각 Covolutional Layer 이후에 나오는 Feature map마다 Bounding-box의 Class 점수와 Offset(위치좌표)를 구하고, NMS 알고리즘을 통해 최종 Bounding-box를 결정한다. 이는 각 Feature map마다 스케일이 다르기 때문에 작은 물체와 큰 물체를 모두 탐지할 수 있다는 장점이 있다.

Fig 18. SSD 구조

Fig 22. Focal Loss

 RetinaNet은 모델 학습 시 계산하는 손실 함수(loss function)에 변화를 주어 기존 One-Stage Detector들이 지닌 낮은 성능을 개선했다. One-Stage Detector는 많게는 십만개 까지의 후보군 제시를 통해 학습을 진행한다. 그 중, 실제 객체인 것은 일반적으로 10개 이내이고, 다수의 후보군이 background 클래스로 잡힌다. 상대적으로 분류하기 쉬운 background 후보군들에 대한 loss값을 줄여줌으로써 분류하기 어려운 실제 객체들의 loss 비중을 높이고, 그에 따라 실제 객체들에 대한 학습에 집중하게 할 수 있다. RetinaNet은 속도 빠르면서 Two-Stage Detector와 유사한 성능을 보인다.

특허

촉진 탄산화 반응을 이용한 순환골재 제조방법 (출원번호 : 10-2009-0119653, 특허권자 : 한국건설기술연구원)

Fig 23. 촉진탄산화 반응을 이용한 순환골재 제조방법 대표도

 본 발명의 목적은 종래의 재활용 세척수의 중성화시키는 비용이 많이 발생하고, 간접적인 방법으로서 순환골재의 중성화 효율이 떨어지며, 결정적으로 순환골재의 품질기준에 적합한 순환골재를 생산하기 어려운 문제를 직접적으로 순환골재를 탄산가스에 의해 중성화시켜 해결한 것으로 순환골재 제조공정에 있어서 챔버 내에 농도 3% 이상의 이산화탄소를 공급하여 압력 1~10기압, 온도 -10~100℃에서 1~30분간 탄산화 반응을 촉진하는 공정을 포함하는 것을 특징으로 하는 순환골재 제조방법에 관한 것이다.
 순환골재의 중성화반응 방식에 따라 챔버 내 기중 상태의 이산화탄소와 반응시키는 건식방법, 표면에 수분을 스프레이로 살수하여 표면습윤상태에서 이산화탄소를 반응시키는 반습식 방법, 이산화탄소를 용해한 탄산수에 순환골재를 반응시키는 습식방법에 대하여 pH의 변화를 측정하였다. 내부 온도는 20℃, 중성화 반응 시간 5분으로 동일한 조건에서 건식 및 반습식의 챔버내 이산화탄소 농도는 100%로 3기압을 유지하였고, 습식방식의 탄산수 생성조건은 1기압, 농도 100%의 이산화탄소를 순환골재가 담긴 물에 용해하며 교반하여 pH 변화를 측정하였을 때 pH가 8~9 사이에 모두 포함되어 있어, 순환골재의 pH를 감소시키는 데 유용하다고 할 수 있다.
 반응생성물인 CaCO3의 순환골재 공극 충전으로 인한 순환골재의 흡수율 저감 및 밀도 증진 효과에 의해 순환골재 품질에 적합한 순환골재 생산이 가능하고, 콘크리트 사용 시 천연골재를 사용한 보통콘크리트의 건조수축률과 유사한 건조수축률을 나타낸다. 이산화탄소 저장에 따른 대기 중의 이산화탄소 전환효과가 있으며, 순환골재에서 강알칼리성을 나타내는 Ca(OH)2의 탄산화 반응에 의한 pH 저감효과가 있어, 토양, 수질환경 및 생태계 영향을 최소화하는 친환경적인 순환골재의 생산이 가능하다. 순환골재를 콘크리트에 사용 시 순환골재에 부착 또는 함유된 모르타르의 추가적인 알칼리량에 의해 팽창 및 균열을 유발하는 알칼리 골재반응의 가능성을 촉진 탄산화에 의해 순환골재의 알칼리량을 저감시켜 제어할 수 있다. 또한 고온, 고농도의 이산화탄소 가스에 의하여 순환골재의 촉진탄산화 반응 시 순환골재의 건조효과가 현저하다.

pH 저감 기술 특허 - 순환골재의 이물질 제거 및 알카리 저감장치 (출원번호 : 10-2011-0087052, 특허권자 : 한국건설기술연구원)

Fig 24. 순환골재의 이물질 제거 및 알카리 저감장치 도면도

 위 발명은 폐콘크리트 등의 건설폐기물로부터 순환골재 생산에 있어 순환골재에 혼합되어있는 폐종이, 폐비닐, 폐플라스틱 등의 이물질을 풍력 선별로 제거함과 동시에 순환골재의 표면에 묻어 있거나 순환골재에 혼합되어있는 폐콘크리트 성분으로 인한 높은 알칼리성을 이산화탄소 가스 접촉을 통해 저감하여 순환골재의 재활용 비율을 향상시킬 수 있는 순환골재의 이물질 제거 및 알칼리 저감장치에 관한 것이다. 
 6조는 위 특허에서 사용한 풍력 선별과 이산화탄소를 이용한 알칼리성 저감 대신 이미지 분류를 통한 화상 로봇 선별과 산성용액을 이용한 알칼리성 저감을 통해 순환골재의 고품질화를 도모하고자 한다.

이미지 분류 기술 특허 - 폐기물 재활용 분류 시스템 (출원번호 : 10-2013-0014844, 특허권자 : 한국쓰리알환경산업(주))

본 발명은 폐기물 분류 시스템에 관한 내용이다. 수거된 재활용 폐기물을 크기별로 분리하는 선별 분리기를 통해 선별된 재활용 폐기물을 물체인식기반 선별부로 이송시키며, 촬영 장치에 의해 영상정보에서 유리 재질, 플라스틱 재질의 폐기물을 판별한다. 물체인식기반 선별부에서 분리하여 각 폐기물별로 저장호퍼부에 저장되도록 한다. 또한 동종의 재질이더라도 색상 또는 재료 등에 따른 세부적인 분류가 자동적인 수행이 가능하다.

Fig 25. 공정도

 더 자세히 설명하자면, 재활용 폐기물 분류 단말은 입출력인터페이스, 획득부, 물체인식부, 재질 판정부, 제어부, 저장부를 포함함으로써, 압전센서 상으로 지나가는 것으로 인식된 재활용 폐기물에 대한 촬상장치로의 촬영제어명령에 따라 촬상장치에 의해 영상정보에서 유리 재질의 재활용 폐기물인지 플라스틱 재질의 폐기물인지를 판별한 뒤, 제2이송벨트를 제어하는 물체인식기반 선별부로 판별 정보를 전송하여 상기 판별 정보와 매칭되는 각 재활용 폐기물별로 플라스틱 저장호퍼부 또는 유리 저장호퍼부로 저장되도록 한다. 
 재활용 폐기물 분류 단말을 좀 더 구체적으로 살펴보면, 획득부는 제1이송벨트를 통해 이동하는 재활용 폐기물의 촬영 시에 촬상장치에 의해 감지되는 광신호를 전기적 신호를 변환한 뒤, 전기적 신호로부터 얻어지는 아날로그 영상신호를 디지털 데이터로 변환하는 신호처리부를 포함하여 이루어진다. 이렇게 신호처리부는 촬상장치로부터 수신된 광신호를 상술한 바와 같은 과정을 통해 영상정보를 획득한다. 물체인식부에서는 영상정보에서 유리, 플라스틱 재질인지 판별하고 저장부에서 다양한 유리 및 플라스틱 재질의 재활용 폐기물의 조직 패턴 정보가 저장되어 있는데, 물체 인식부에서 이러한 정보를 자체 정보, 기울어진 것, 역으로된 것, 약간 각도가 기울진 것 등과 영상정보에 포함된 조직 패턴을 비교하여 영상정보 속의 재활용 폐기물이 유리인지 플라스틱인지 여부를 판별한다. 또한 물체인식부에서 플라스틱인 경우 세부 재질(PE, PET, PS 등) 별로 선별이 가능하며, 유리 재질의 경우 세부 색상(갈색, 흰색, 초록생) 별로 선별이 가능하다.

객체 인지 특허 - 이미지분석 기반의 혼합 고철 폐기물 분류 및 거래비용 산출 장치 및 방법 (출원번호 : 10-2023-0054904, 특허권자 : 주식회사 예본스틸)

폐콘크리트를 특히, 객체 인지를 이용하여 분류하는 방식을 사용하는 실제 사례는 아직 없다. 그 이유로는 우선 객체 인지가 입력된 데이터의 위치 정보를 반영할 수 없고 이에 폐콘크리트와 이물질을 분류할 수 없기 때문이다. 그러나 비슷한 예로 이미지분석 기법을 활용하여 고철 폐기물을 분류하는 사례가 있다. 이는 객체 인지가 아닌 객체 탐지를 사용한 사례가 있다.
 또한 AI 선별 로봇을 활용하여 혼합폐기물의 고효율 선별 시스템을 적용하기도 한다. 이도 마찬가지로 객체 탐지를 활용한 기술이며 객체 인지의 경우 출력이 원활하게 이루어지지 않는 단점 때문에 이용하지 않고 있다.

개발과제의 기대효과

기술적 기대효과

내용

경제적, 사회적 기대 및 파급효과

내용

기술개발 일정 및 추진체계

개발 일정

내용

구성원 및 추진체계

내용

설계

설계사양

제품의 요구사항

내용

설계 사양

내용

개념설계안

내용

이론적 계산 및 시뮬레이션

내용

상세설계 내용

내용

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

내용

포스터

내용

완료작품의 평가

내용

향후계획

내용

특허 출원 내용

X