인공신경망을 활용한 석탄회 CLSM의 일축압축강도 및 Flow 예측

국문 초록 (Abstract)

최근 환경에 대한 인식이 높아지는 가운데 정부는 2008년 주요 정책으로 저탄소 녹색성장을 제시하였고, 에너 지, 환경관련 기술과 산업 등에서 미래 유망품목과 신기술을 개발하기 위해 총력을 기울이고 있다. 그러나 에 너지 관련 부문에서는 현 전력시스템을 획기적으로 대체하여 본격적으로 상용화되기까지 많은 시간이 필요하 기 때문에 당분간 국내 전력의 대부분은 화력발전과 원자력발전에 의존해야 하는 실정이다. 특히 국내 전력의 65%정도를 차지하고 있는 화력발전의 경우 발전소에서 부산되고 있는 석탄회는 약 600만톤이며, 2010년 석탄 회 발생량은 약 736만톤으로 추후 석탄회 매립량은 증가될 것으로 전망된다. 그러나 우리나라 화력발전소 주 변에는 이미 막대한 양의 석탄회가 폐기 매립되어 있고 일부 화력발전소에서는 석탄회 매립장 용량이 한계에 부딪혀 최악의 상황에 처해있다. 따라서 화력발전소에서 발생되는 석탄회를 효율적으로 재활용하여 처리할 수 있는 기술 개발이 필요하다. 이에 본 연구에서는 석탄회의 재할용 방안의 하나로서 화력발전소 석탄회 매 립장에 매립되어 있는 석탄회를 이용하여 저강도 고유동화재(CLSM, Controlled Low Strength Material)의 재 료를 개발하기 위해 인공신경망 학습을 통해 flow 및 일축압축강도를 실험을 통하지 않고도 CLSM의 Flow 및 일축압축강도를 예측하고자 한다. 본 연구에서는 은닉층은 2, 3개, 모멘텀상수는 0.8, 0.9 목표시스템 오차값 0.01, 0.001 은닉층의 노드 수는 4, 6, 8와 학습율은 0.2, 0.3으로 변화시키면서 학습 횟수는 최대 100,000번을 학습하여 각각의 변화에 따른 인공 신경망 모델의 학습효율 및 예측능력을 평가하고 이를 기준으로 CLSM의 Flow 및 압축강도 산정에 적합한 최 적인공신경망 모델을 결정하였다. 저강도 고유동화재에 대한 Flow 및 압축강도 시험결과를 바탕으로 인공신경망을 이용한 CLSM의 Flow 및 압 축강도의 학습결과 결정계수(R2)값이 R2=0.89∼0.92, R2=0.93∼0.96 으로 높은 상관관계를 보였다. 또 한 인공 신경망의 학습과정에서 전혀 접하지 않은 검증용 자료를 통한 CLSM의 Flow 및 압축강도의 예측결과 결정계 수(R2)값이 각각 0.70, 0.76으로 Model 1의 구조가 가장 적합한 모델로 판단된다.

다국어 초록 (Multilingual Abstract)

Presently, the use recycling the Fly ash is limited to the cement raw material, ready-mixed concrete blending material, filling, cutting and etc. The fly ash is refined and recycled over 90% among the coal ash with many researches, however the bottom ash is unable to be mostly recycled and is reclaimed in the ash pond. In this research, a property of flow and the unconfined compressive strength for developing the material of the Controlled Low-Strength Material by using the coal ash reclaimed in ash pond of the thermoelectric power plant. A characteristic of flow and strength of CLSM depend on the combination ratio including the fly ash, bottom ash, cement, water quantity and etc. however, actually they are very difficult to draw the mechanism about the mixing ratio of each components and flow and strength. Therefore, the method of calculation drawing the flow about the component ratio of CLSM and compression strength value is needed for the valid practical use of CLSM. Thus, in this research, a flow and the unconfined compressive strength of CLSM will predict using the artificial neural network learning without an experiment. The unconfined compressive strength and flow were used age of 28days 45 among 60 obtained from the indoor test for the learning and others were used to verify for the constructed artificial neural network. In this research, node number of hidden layer 4, 6, 8, learning rate into 0.2, 0.3, the study frequency studied a maximum 100,000, momentum 0.8, 0.9 target system error 0.01, 0.001 and hidden layer 2, 3 evaluated the learning efficiency of the artificial neural network model according to each change and prediction ability. constant determined the optimum artificial neural network model which is suitable for a flow and compressive strength estimate of CLSM, based on this. And the study result about six models in which the study result is excellent was used for the analysis. In the analyzed result learning, the coefficient of determination value(R2) of a flow and the compressive strength showed the correlation which is high in R2=0.89~0.92 and R2=0.93~0.96. And the coefficient of determination value(R2) of the flow of the foreseen outcome CLSM through verification data and the compressive strength of the structure of a model 1 is determined as 0.70, 0.76 as the most suitable model.

목차 (Table of Contents)

• Ⅰ. 서론
• Ⅱ. 이론적 배경
• Ⅲ. 시험개요 및 결과
• Ⅳ. 인공신경망 적용 및 분석
• Ⅴ. 결론
• 참고문헌
• 국문초록
• Abstract

참고문헌 (Reference)

• 1 최남훈, "현장 발생토사 CLSM을 이용한 지하매설관의 거동특성 분석" 한양대학교 공학대학원 2004
• 2 박도경, "인공신경망 모형을 이용한 강섬유 보강 철근콘크리트 보의 전단강도 추정" 대한건축학회 21 (21): 135-141, 2005
• 3 김인수, "신경망을 이용한 콘크리트 배합요소 및 압축강도 추정" 한국콘크리트학회 14 (14): 457-466, 2002
• 4 김대수, "신경망 이론과 응용(1), In 하이테크 정보" 364-, 1992
• 5 ASTM, "Standard Test Method for Preparation and Testing of Soil-Cement Slurry Test Cylinders"
• 6 ASTM, "Standard Test Method for Flow Consistency of Controlled Low Strength Material"
• 7 Dobbins R., "Neural network PC tools; A Practial Guide" Academic Press 414-, 1990
• 8 NCHRP, "Development of a Recommended Practice for Use of Controlled Low-Strength Material in Highway Construction" Transportation Research Board of The national Academics 7-, 2008