논문 상세보기
pp.24-35
일반적으로 콘크리트는 골재, 모래, 시멘트, 담수, 혼합재 등 다양한 재료로 구성되어있으며 재령에 따라서 강도가 증 가한다. 콘크리트에 필요한 각 재료의 비율은 혼합 설계를 통해 결정되지만, 콘크리트의 강도는 실험적으로 측정되기 전까지는 알 수 없다. 이러한 한계를 극복하기 위해 실험을 통해 얻은 데이터를 이용하여 콘크리트의 압축 강도를 예측하기 위해 통계수 학과 기계학습 알고리즘을 이용한 많은 연구가 시도되었다. 이전의 연구는 콘크리트 압축 강도 예측에 신경망 기법이 가장 적 합하다고 제안하였다. 그러나 신경망 기법은 다른 기계학습과 비교하여 모델 학습에 계산 비용이 많이 들어 실제로 적용하기 어려운 문제점이 있다. 최근 몇 년 동안 다양한 회귀 분석 모델이 개발되었으므로 본 연구에서는 신경망 대신 최신 회귀 분석 모델을 이용하여 콘크리트 강도 예측모델을 제시하였다. 이를 위해 최근 개발된 회귀 분석 모델에 대한 교차검증을 시행하여 최적의 모델을 선정하였다. 그리드 검색을 통하여 선정된 각 모델의 하이퍼 파라미터를 최적화하고, 국내외 데이터를 활용하여 기계학습 모델을 훈련하고 검증하였다. 이들 중 CatBoost, LGBMR, RFR, XGBoost 회귀모델이 높은 성능을 보여주었다. 특히 그 중에서 XGBoost 회귀 분석 모델이 가장 작은 오차와 높은 정확도를 보여주었다. 이들 중 오류가 가장 큰 LGBMR 모델도 이전 연구에서 제안된 신경망 및 앙상블 모델보다 성능이 우수하였다. 현장 레미콘 콘크리트에 대한 압축 강도 예측을 시행하여 학 습된 모델의 현장 적용 가능성을 확인하였다.
Concrete is generally composed of various materials such as aggregate, sand, cement, freshwater, and mixed materials, and the strength increases with age. The ratio of each material required for concrete is determined through the mixing design, but the strength of concrete cannot be known until experimentally measured. To overcome this limitation, many studies have used statistical mathematics and machine learning algorithms to predict the compressive strength of concrete using data obtained through experiments. Previous studies have proposed neural networks for predicting the compressive strength of concrete, but they are computationally expensive and difficult to apply in practice. As various regression models have been recently developed, a concrete strength prediction model was presented using recently developed regression models instead of a neural network with low computational efficiency. First, an optimal model was selected by the cross-verification procedure for the regression analysis models. Hyper-parameters of each selected model were optimized through grid search, and machine learning models were trained. The models that showed excellent performance in predicting the concrete compressive strength were CatBoost Regression(CatBoost), LGBM Regression(LGBMR), Random Forest Regression(RFR), and XGBoost Regression (XGBoost) models. The XGBoost regression model had the lowest error and best accuracy. The LGBM model, which shows lower performance, is better than the neural networks and ensemble models proposed in previous studies. The compressive strength prediction for ready-mixed concrete was also good, confirming the field applicability of these models.
1. 서 론
2. 기계학습 모델 선정
2.1 회귀 분석 모델
2.2 최적의 회귀 모델 선정
3. 기계학습 및 검증
3.1 기계학습
3.2 기계학습 모델 검증
4. 결 론
REFERENCES
