본 연구는 부식에 취약한 강재의 대체 보강재로써 주목받는 CFRP 보강재의 피로 예측에 머신러닝을 적용하는 것이 타당한지 검토하였다. 이를 위해 선행 연구의 피로 시험 결과를 바탕으로 섬유-체적 비율 40, 50, 60, 80%의 데이터를 수집하였으며, 이 중 40, 50, 60% 섬유 함침율을 학습 데이터, 80% 섬유 함침율을 검증 데이터로 활용되었다. 머신러닝 학습에는 랜덤 포레스트 알고리즘 이 활용되었으며, K-폴드 교차 검증을 통해 알고리즘 내부의 하이퍼파라미터를 추정하였다. 그 결과, 최종 하이퍼파라미터는 결정 나무 200, 최대 깊이 20등으로 결정되었다. 해당 하이퍼파라미터를 적용한 피로 성능 예측 결과, 전반적으로 0.92∼0.97의 높은 결정 계수를 보여 충분한 예측 성능을 기대할 수 있을 것으로 나타났지만, 예측값과 실험값을 비교하는 산점도 분석 결과에서 3 mm 변위 수준의 예측값이 약 117만 사이클의 MAE를 보였다. 이는 적은 표본 수로 인해 학습 데이터에 과적합 되었음을 의미하는 명백한 증거 이며, 향후 지속적인 연구를 통해 개선할 필요가 있다.

Herein, the feasibility of using machine learning to predict the fatigue of carbon fiber–reinforced polymer (CFRP) reinforcement, which is a notable alternative to corrosion-susceptible steel reinforcement, was investigated. Data were obtained from the fatigue test results conducted in previous studies at fiber volume ratios of 40%, 50%, 60%, and 80%. The data obtained at fiber content ratios of 40%, 50%, and 60% were used as training data, whereas those obtained at 80% were used as validation data. Machine learning was conducted using the Random Forest algorithm, the internal hyperparameters of which were estimated through K-fold cross-validation. Among the final hyperparameters, 200 decision trees and a maximum depth of 20 were determined. The fatigue performance prediction based on these hyperparameters generally showed a high coefficient of determination (0.92–0.97), suggesting that sufficient predictive performance can be expected. However, a scatter plot analysis comparing the predicted and experimental values showed that the mean absolute error of the predicted value at the 3-mm displacement level was approximately 1.17 million cycles. This indicated an overfitting of the training data due to the small number of samples, necessitating improvements through continuous future research.

ABSTRACT
1. 서 론
2. 휨-인장 피로 연구 요약
3. 머신러닝 수행 과정
    3.1 ML 알고리즘 선정
    3.2 ML 예측 정확도 평가 방법론
    3.3 모델 최적화 및 성능 지표
4. 피로 성능 예측 결과 및 분석
    4.1 최적 하이퍼파라미터 추정 결과
    4.2 예측 결과 신뢰성 분석
    4.3 ML의 적용 타당성 검토
5. 결 론
ACKNOWLEDGMENT
REFERENCES
국문초록

• 배영준(국립강릉원주대학교 토목공학과 박사과정) | Bae Youngjun (Ph.D Student, Department of Civil Engineering, Gangneung-Wonju National University, Gangneung, Korea)
• 이상문(국립강릉원주대학교 스마트인프라연구소 연구교수) | Lee Sangmoon (Research Professor, Smart Infrastructure Institute, Gangneung-Wonju National University, Gangneung, Korea)
• 정우영(국립강릉원주대학교 스마트인프라공학부 교수) | Jung Wooyoung (Professor, Department of Smart Infrastructure, Gangneung-Wonju National University, Gangneung, Korea) Corresponding author