In response to global emission reduction goals set by the Paris Agreement (2015), the construction industry has adopted strategies to reduce cement consumption by using sustainable materials. Sugarcane bagasse ash (SCBA), an agro-waste by-product, has shown its potential for use as a sand or cement replacement in concrete. However, its nature and complex interactions across mixed designs make predicting its compressive strength challenging using conventional approaches. This study presents the use of k-nearest neighbors (KNN), a machine-learning model for predicting the compressive strength of concrete incorporating SCBA as a sand or cement replacement. Three databases, Web of Science, Scopus, and Google Scholar, were used in the collection of 844 experimental data points from published articles between 2015 and 2025. Independent variables include SCBA usage, SCBA replacement level, cement content, fine and coarse aggregate contents, water-to-binder ratio, superplasticizer dosage, and curing age, while compressive strength served as the dependent variable. Prior to model development, SCBA usage, the only categorical variable, was encoded using one-hot encoding. Feature scaling using StandardScaler was applied to ensure consistency in distance-based features. The dataset was split into 75%-25% train-test subsets, and 5-fold cross-validation was carried out to enhance model generalization and robustness. Hyperparameter tuning was optimized using Optuna to enhance predictive accuracy. The optimized KNN model achieved a coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 1, 0.329, and 0.063 in the training phase and 0.81, 7.378, and 5.674 in the testing phase, respectively. Optuna improved the result of the mean cross validated coefficient of determination from 0.78 to 0.84 upon hyperparameter tuning. While the results indicate KNN capability of capturing localized patterns in the heterogeneous SCBA concrete dataset, robust ML models such as eXtreme Gradient Boosting and Random Forest may be used to capture enhanced generalization of the dataset. KNN serves as a reliable baseline model for data-driven prediction of compressive strength, highlighting the potential of simple, interpretable machine-learning models in supporting sustainable concrete design aligned with global climate mitigation goals.

이 연구는 라텍스 폴리머 모르타르의 경제성과 시공 효율을 개선하기 위해 산업부산물인 플라이애쉬 및 고로슬래그 미분말을 활용한 친 환경 배합 설계 도출을 위한 압축강도 및 유동성 특성을 분석하였다. 친환경 배합 설계를 위해 물-바인더 비 (W/B)를 0.5로 고정하고, 고로 슬래그 미분말을 시멘트 중량 대비 10% 치환하였다. 또한 플라이애쉬 혼입량을 시멘트 중량대비 0%부터 15%까지 5%씩 증가시키는 방식 으로 변수를 설정한다. 압축강도 및 유동성 실험은 KS L 5105에 의거하여 하였다. 압축강도 실험결과, 재령 1일 압축강도에서는 모든 산업 부산물 혼입 배합에서 초기 강도 저하가 나타났다. 그러나 재령일이 증가함에 따라 강도 회복 경향이 확인되었으며, 산업부산물이 혼입된 변수들은 재령 14일차에 20MPa를 넘는 강도를 나타내며 Latex(Control) 변수보다 44%의 높은 강도를 보였다. 이는 산업부산물의 잠재 수경 성 및 포졸란 반응에 기인한 것으로 판단된다.플로우 측정값은 192 ~ 197mm 수준으로 나타났다. 산업부산물 중 고로슬래그만 혼입된 Case 1 변수에서는 유동성이 소폭 감소하였으나, 플라이애쉬 5% 이상 혼입 시 구형 입자 효과에 의해 유동성이 회복되는 경향을 보였다. 이러한 실험 결과들을 바탕으로 고로슬래그 및 플라이애쉬를 동시혼입하여 라텍스 폴리머 모르타르의 경제성 및 시공성 효율을 개선하고 친환경적 으로 적용 가능성을 보이고 있다. 향후 내구성 및 장기 성능 평가를 통해 실용가능성을 추가 검증할 필요가 있을 것으로 판단된다.

CNT/epoxy composite film (CECF) was prepared and used to fabricate the interlayer stiffened and reinforced photothermal synergistic curing glass fiber-reinforced polymer (GFRP) composites, and the influence of the photothermal effects of CECF on compressive strength and failure mechanism of the composite was investigated. Compared to GFRP composite, the uniform and wide temperature distribution in the in-plane and thickness direction was exhibited due to the heat from the lattice vibrations induced by photothermal conversions of CECF, thereby facilitating the decomposition of the thermal initiator and the increase of the curing degree in the CECF/GFRP composite. The in-plane shear modulus and interlaminar shear strength (ILSS) of the CECF/GFRP composite were 12.2% and 13.7% higher than those of the GFRP composite, respectively, indicating the enhanced deformation resistance and interfacial adhesion of the interlayer region. The compressive strength of the CECF/GFRP composite was increased by 14.1% relative to the GFRP composite, which was ascribed to restricted kink-band and delayed delamination damage during the compression process of composite.

This study investigated the effects of oxidative firing parameters and raw material characteristics on the pelletization of Australian and Minh Son (Vietnam) iron ore concentrates. The influence of firing temperature (1050°C–1150°C) and holding time (15–120 min) on pellet compressive strength was examined, focusing on microstructural changes during consolidation. Green pellets were prepared using controlled particle size distributions and bentonite as a binder. Scanning electron microscopy and energy-dispersive X-ray spectroscopy analyses revealed that grain boundary diffusion, liquid phase formation, and densification significantly improved mechanical strength. X-ray diffraction confirmed the complete oxidation of magnetite to hematite at elevated temperatures, a critical transformation for metallurgical performance. Optimal firing conditions for both single and blended ore compositions yielded compressive strengths above 250 kgf/pellet, satisfying the requirements for blast furnace applications. These results provide valuable guidance for improving pellet production, promoting the efficient utilization of diverse ore types, and enhancing the overall performance of ironmaking operations.

This study examines the effects of additive manufacturing (AM) orientations and support structures on the compressive strength of lattice structures. Test specimens were fabricated using a selective laser melting (SLM) process with AlSi10Mg material under three conditions: horizontally aligned (0°), tilted at 45°, and supported. Compression tests were conducted using a universal testing machine (UTM) and Digital Image Correlation (DIC) to evaluate mechanical behavior. The results showed that the supported horizontal specimens exhibited the highest compressive strength, while the 45° tilted specimens had the lowest due to interlayer separation and localized failures. The findings highlight the significance of build orientation and support design in optimizing AM lattice structures. Future research should explore various lattice configurations, material selections, and post-processing effects to further enhance structural performance.

이 연구는 산업 부산물을 활용한 무시멘트 숏크리트의 압축강도를 분석하고, 기존 숏크리트와 비교하여 최적 배합설계를 도출하였다. KS F 2403 및 KS F 2405에 따라 시험을 진행한 결과, 일반 숏크리트 및 무시멘트 숏크리트 모두 숏크리트 품질기준에서 제시하고 있 는 압축강도 기준을 만족하였다. 무시멘트 숏크리트 W/B 0.45 변수의 경우 초기강도가 가장 높게 나타났다. 28일 강도는 W/B 0.45 및 W/B 0.50 변수가 일반 숏크리트 대비 동등하거나 우수한 성능을 나타냈다.이러한 친환경 무시멘트 숏크리트 현장 적용을 위해서는 급 결제를 혼입한 배합에 대한 추가 검토가 필요할 것으로 판단되고, 또한 내구성능에 대한 추가적인 실험적 연구가 필요할 것으로 판단 된다.

이 연구는 라텍스 콘크리트(LMC)의 대체재로 해조류에서 추출한 알긴산을 활용한 콘크리트를 개발하고, 이에 따른 압축 강도 및 미 세구조 변화를 분석하였다. LMC는 공극 구조 개선으로 내구성과 강도가 향상되지만, 높은 원자재 비용이 단점이다. 이를 보완하기 위 해 라텍스 대신 알긴산을 혼합한 콘크리트를 제작하고, 주사전자현미경(SEM) 분석 및 압축 강도 실험을 수행하였다. 재령 4시간 및 1일 후의 압축 강도와 10000배율 SEM 분석을 진행하였다. 알긴산 0.05% 혼입 시 가장 높은 강도를 보였으며, 0.2% 혼 입 시 강도가 감소하였다. SEM 분석에서는 LMC가 균일한 표면과 미세한 입자 분포를 보인 반면, 알긴산 혼합 콘크리트는 섬유 및 막대 구조가 형성되었으며, 알긴산 함량이 증가할수록 기공이 증가하여 강도발현이 저하되었다. 재령이 증가하면서 C-S-H 구조가 조 밀해지고 결합력이 향상되어 강도가 증가하는 양상이 관찰되었다. 보다 정확한 결과를 얻기 위해서는 에너지 분산형 X선 분광법 (Energy Dispersive Spectroscopy, EDS)등 추가적인 실험이 필요할 것으로 사료된다.

이 연구에서는 해양폐기물인 해조류에서 추출된 알긴산을 혼입하여 모르타르의 압축강도 특성을 분석하였다. 알긴산은 해양폐기물 중 해조류의 성분 중 하나로 라텍스와 비슷한 성분을 띄고 있으며, 방수성 성질이 있어 포장용 콘크리트에 활용 시 콘크리트의 수명 을 연장하고 파손 방지에 도움이 된다. 따라서 이 연구에서는 기존에 널리 사용되고 있는 라텍스 콘크리트에 알긴산을 혼입한 라텍스 콘크리트 개발의 일환으로 알긴산 혼입 라텍스 모르타르의 역학적 특성에 대한 실험적 연구를 수행하였다. 실험결과, 알긴산 혼입량 증가에 따른 응결은 빨라지는 경향을 나타내었으며, 압축강도는 저하하는 경향을 나타내었다.

최근 나노 버블 수의 건설 산업에 적용한 효과에 대하여 검증하고자 나노 버블 수를 혼입한 모르타르의 물리적 특성에 관한 연구를 진행하였으며 산소 및 이산화탄소 기체를 이용하여 나노 버블 수를 사용하였다. 모르타르의 물리적 성능을 비교하기 위하여 응결 시험과 압축강도 시험을 진행하였으며 응결 시간 내 열중량 분석을 통하여 응결 시험의 원인을 분석하고자 하였다. 본 연구 결과로써 산소 나노 버블 수를 사용하였을 경우 모르타르의 미세 응결촉진을 가져왔으며 이산화탄소 나노 버블 수를 사용한 경우 응결시간의 지연이 유의미하게 나타났다. 또한 실험한 기체의 종류에 관계 없이 강도가 증가 하였으며 응결 지연 여부와 관계없이 조기강도가 증가함을 확인하였다. 추가적인 공극구조 및 수화물 구조 분석에 관한 연구가 필요하지만 나노 버블 수가 건설 산업에 긍정적인 영향을 미칠 것으로 판단된다.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

세계적으로 환경에 대한 관심이 커지면서, 탄소 저감 및 탄소 중립을 위한 다양한 연구들이 진행되고 있다. 특히 최 근에는 탄소 포집 및 저장 기술인 CCS(Carbon Capture and Storage)에 주목이 높아졌다. 그뿐만 아니라, 대기 중의 탄소를 효과 적으로 저장하는 특성을 가진 바이오차는 탄소 중립에 기여할 수 있는 방안으로 다양한 연구가 진행되고 있다. 건설 산업에서 는 시멘트 대체재를 활용한 탄소 감소 관련 연구가 진행 중이며, 본 연구에서는 바이오차를 콘크리트 및 모르타르의 시멘트 대 체재로 활용하여 시멘트 사용량을 줄이고, 동시에 콘크리트 및 모르타르 내의 탄소를 포집하고 저장하여 탄소 배출량을 감소시 키고자 한다. 이를 위해 바이오차의 시멘트 치환율을 0%, 10%, 20%로 설정하고, 각각의 경우에 대해 콘크리트 및 모르타르의 슬럼프, pH 농도, 그리고 압축강도를 비교하였다.실험 결과에 따르면, 바이오차의 시멘트 치환율이 증가함에 따라 슬럼프와 압 축강도가 감소하는 경향을 보였으며, pH는 유사한 양상을 나타냈다.

This paper investigates the effects of aspect ratio and volume fraction of hooked-end normal-strength steel fibers on the compressive and flexural properties of high-strength concrete with specified compressive strength of 60 MPa. Three types of hooked-end steel fibers with aspect ratios of 64, 67 and 80 were considered and three volume fractions of 0.25%, 0.50% and 0.75% for each steel fiber were respectively added into each high-strength concrete mixture. The test results indicated that the addition of normal-strength steel fibers is effective to improve compressive and flexural properties of high-strength concrete but fiber aspect ratio had little effect on the modulus of elasticity and compressive strength. As steel fiber content and aspect ratio increased, flexural beahvior of notched high-strength concrete beams was effectively improved.

본 연구에서는 양생물주기 및 보양을 하지 않은 구조체의 압축강도와 표준 양생 공시체의 압축강도를 비교 평가하였 다. 코어채취를 위해서 980x2090x200mm3 철근콘크리트 슬래브를 준비하였으며, 콘크리트 공시체 25개를 KS F 2405에 따라서 표준 양생, 20개를 구조체와 동일한 환경에서 대기중 양생을 하였다. 실험 결과, 28일 표준공시체 압축강도 대비 코어 채취 압 축강도는 약 4MPa 낮게, 대기중 양생 공시체의 압축강도는 약 7.6MPa 낮게 측정되었다. KCS에서는 양생기간의 온도가 낮을 경 우 온도보정강도를 제시하고 있으며, 실험결과로부터 제시된 값이 적정함을 확인하였다. 7일, 14일에 측정된 대기중 공시체의 압축강도는 코어채취 공시체의 압축강도와 유사하였지만, 28일 압축강도는 현저하게 차이가 나타났다. 초기 구조체의 초기 압축 강도 예측에 대기양생 공시체를 이용하는 것은 가능하지만, 28일 압축강도를 추측하는데 대기중 양생 공시체를 사용하는 것은 무리가 있다고 판단된다.

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적 이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논 문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.