신경망 알고리즘을 이용한 콘크리트의 시간 의존적 특성 예측 모델 구축 = Development of Models to Predict Time-Dependent Properties of the Concrete Using Neural Network Algorithms
저자
발행사항
청주 : 청주대학교 대학원, 2024
학위논문사항
학위논문(박사)-- 청주대학교 대학원 : 건축공학과 2024. 2
발행연도
2024
작성언어
한국어
주제어
KDC
532.7 판사항(5)
발행국(도시)
충청북도
형태사항
147p. : 삽화, 도표; 26cm.
일반주기명
청주대학교 학위논문은 저작권에 의해 보호받습니다.
Development of Models to Predict Time-Dependent Properties of the Concrete Using Neural Network Algorithms
지도교수:한민철
참고문헌: p.138-144
UCI식별코드
I804:43007-200000718865
소장기관
본 연구에서는 신경망 알고리즘 중 DNN과 RNN을 이용하여 사용자 매개 변수를 조합하여 콘크리트의 시간 의존적 특성 예측 모델을 구축하고 그에 따른 방법론을 제안하고자 한다. 이를 위하여 먼저, 콘크리트의 배합요인, 압축강도 및 건조수축량의 데이터베이스 구축하여, DNN과 RNN 알고리즘의 모델구조인 은닉층 수, 뉴런의 수 및 정규화 기법에 따른 예측 모델의 성능평가를 진행하고 이를 비교 분석하여 콘크리트의 시간 의존적 특성 예측 모델을 구축하였다.
본 연구의 결과로서 DNN 기반 콘크리트 압축강도 모델은 머신러닝 모델 (LR, SVR, ANN)보다 전반적으로 DNN 모델이 머신러닝 모델에 비해 낮은 오차를 나타내었으며, 특히 우수한 성능을 갖는 모델은 DNN6L-258N 모델로 나타났다. 또한, 정규화 알고리즘에 따라 전반적으로 모든 알고리즘에서 우수한 성능을 보였으나, 모델 구축시 이러한 정규화 알고리즘을 개별적으로 고려하기보다는 종합적으로 적용해야 할 것으로 판단된다.
콘크리트 압축강도 예측 모델은 DNN 모델의 정규화 알고리즘에 따라 예측 모델의 성능 평가결과를 비교 분석하였다. 그 결과로서 기존의 수식에 의한 모델인 Carino 모델의 결정계수(R2)는 0.914로 나타났으며, 구축한 DNN5L-256NBD 모델의 결정계수(R2)는 0.923으로 더 높게 나타났다. 하지만, 데이터를 기반으로 하는 DNN 모델의 성능향상을 위해 추가적인 양생온도 및 초기재령에 따른 강도 데이터의 구축이 필요할 것으로 사료된다.
건조수축량 예측 모델은 DNN 기반의 예측시스템 개발을 위한 방법론을 제시하기 위해 다양한 활성화 함수를 비교 분석하였으나, 분석결과 모델의 과적합으로 인하여, 활성화 함수에 따른 정확성을 판단할 수 없었다. 이는 DNN 모델의 학습구조 등의 문제가 있는 것으로 사료되며, 따라서 RNN 중 하나인 LSTM을 활용하여 콘크리트 건조수축량 예측 모델에 대하여 분석하였다.
RNN을 활용한 건조수축량 예측 모델은 LSTM 모델의 은닉층 수에 따라 LSTM1L-BD, LSTM2L-BD 및 LSTM3L-BD 모델의 예측 성능평가를 진행하였다. 성능평가 결과로 LSTM3L-BD 모델이 가장 우수한 성능을 보였으며, 훈련 및 검증 손실이 0으로 수렴하고 과적합이 발생하지 않는 것으로 나타났다. 또한, 기존의 ACI 209R-92과 LSTM 모델의 콘크리트 건조수축량 예측 비교 시 ACI 209R-92 모델은 장기 재령에서 과소평가하는 것으로 나타났으며, 장기 재령의 건조수축 예측에서는 LSTM 모델이 더 부합하는 것으로 나타났다. 그러나, ACI 209R-92는 콘크리트 수축에 대한 표준 추정치를 제공하지만, 대규모 데이터를 기반한 모델인 LSTM3L-BD 모델은 데이터 구축에 따라 예측 성능의 차이가 발생할 것으로 판단된다.
최종적으로 인공신경망(DNN, RNN) 모델을 효과적으로 설정하고 학습 단계를 요구사항을 제공하며, 모델의 일반화를 중심으로 인공신경망 기반의 콘크리트 시간 의존적 특성인 압축강도 및 건조수축량 예측 모델을 구축하고 그 방법론을 제시하였다. 추후 양질의 빅데이터 구축을 통하여 본 연구의 결과를 반영한 콘크리트 시간 의존적 특성 예측 모델을 수립한다면, 콘크리트의 품질관리에 크게 기여할 수 있을 것으로 기대된다.
In this study, we are to establish prediction models for the time-dependent properties of concrete by combining hyper-parameters using neural network algorithms, including Deep Neural Networks (DNN) and Recurrent Neural Networks (RNN). Initially, we constructed a database including concrete mix factors, compressive strength, and shrinkage. We evaluated and compared the performance of predictive models based on the number of hidden layers, the number of neurons, and normalization techniques in DNN and RNN algorithms. This led to the development of a model predicting the time-dependent properties of concrete.
The study's findings indicated that the DNN-based concrete compressive strength model generally showed lower error rates compared to traditional machine learning models (LR, SVR, ANN), with the DNN6L-258N model exhibiting particularly impressive performance. Moreover, it was observed that normalization techniques should be comprehensively applied rather than individually during the model construction process.
In evaluating the concrete compressive strength predictive model, the DNN models' performance was analyzed in relation to their normalization algorithms. The DNN5L-256NBD model achieved a higher coefficient of determination R2 of 0.923, outperforming the traditional Carino model, which had an R2 of 0.914. However, the enhancement of the DNN model's performance may necessitate further data construction on curing temperature and early age strength.
For the shrinkage prediction model, various activation functions were analyzed to propose a methodology for a DNN-based prediction system. However, due to overfitting in the model, it was not possible to ascertain accuracy based on these functions, suggesting issues in the DNN model's learning structure. As a result, we analyzed concrete shrinkage prediction using an RNN variant, LSTM.
The shrinkage prediction model employing RNN was assessed by evaluating the predictive performance of various LSTM models (LSTM1L-BD, LSTM2L-BD, and LSTM3L-BD) based on the number of hidden layers. The LSTM3L-BD model displayed the best performance, with training and validation losses converging to zero and no overfitting. Compared to the traditional ACI 209R-92 model, the LSTM model was more aligned in predicting long-term age shrinkage. Nonetheless, while ACI 209R-92 provides standard estimates for concrete shrinkage, the performance of the data-driven LSTM3L-BD model could vary depending on the extent of data construction.
In conclusion, this study effectively set up DNN and RNN models, provided requirements for the learning phase, and focused on the generalization of these models. We developed and proposed a methodology for predicting models for concrete's time-dependent properties, such as compressive strength and shrinkage, based on artificial neural networks. Future construction of high-quality big data reflecting this study's results could enable effective quality control of concrete to meet specific performance requirements.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)