Machine Learning-based Prediction of Characteristics of Construction Materials

Abstract

본 연구에서는 머신러닝을 이용하여 건설 재료의 여러 가지의 중요한 특성을 성공적으로 예측하였다. 콘크리트 제조공정에서 플라이애시는 비용 절감 및 콘크리트 강도 개선을 목적으로 사용하는 대표적인 산업 부산물이다. 또한, 최근 시멘트계 재료에 탄소 나노튜브를 혼입하여 자가 감지 또는 자가 가열 능력과 같은 시멘트 기반 다기능성을 실현할 수 있다. 본 논문에서는 플라이애시의 화학적 반응성을 예측하고, 탄소나노튜브의 분산성과 함량을 예측하는 머신러닝 모델을 만들었다. 이는 기존의 이론식 접근 방식과는 다른 데이터 기반의 패턴을 찾는 방식으로 문제를 해결하고자 한 것이다.

우선, 플라이애시의 반응성 예측은 플라이애시의 품질 변동성과 F급과 C급 플라이애시의 반응성 차이를 고려하여, 국내의 F급 플라이애시를 대상으로 모델을 만들었다. 결정계수 0.80의 예측성능으로 플라이애시의 화학 조성값을 통해 플라이애시의 반응성을 주로 결정하는 비정질 알루미노 실리케이트 양을 예측하였다. 해당 모델은 국내의 F급 플라이애시에 한정되지만, 본 연구는 재료의 특성 뿐만 아니라 반응성의 정량적 예측이 어려운 다양한 유형의 플라이애시와 보조 시멘트재 (supplementary cementitious materials, SCMs)에 대해서 발전적으로 적용할 수 있다.

두번째로, 탄소나노튜브는 시멘트 복합체에서의 분산성과 재료의 함량에 따라 콘크리트 강도를 개선할 수도 있고 악화할 수 있다. 또한, 탄소나노튜브는 시멘트 기반 복합체내에서 의도된 다기능을 모두 실현할 수 없다. 탄소나노튜브가 혼입된 콘크리트의 품질을 비파괴적으로 평가하기 위해서 컴퓨터 비전을 활용한 머신러닝 모델을 만들었다. 탄소나노튜브의 초음파 처리 여부와 그 양에 대한 예측 정확도는 각각 0.92, 0.89로 매우 높다. 해당 모델은 탄소나노튜브가 혼입된 시멘트 복합체의 품질을 비파괴적으로 평가할 수 있다는 점에서 실무적인 의의가 있다. 예를 들어, 쉽게 구비할 수 있는 광학 현미경 이미지를 통해서 콘크리트 표면의 탄소나노튜브의 분산성과 함량을 높은 정확도로 예측할 수 있다. 해당 방법은 시공된 구조물의 품질 관리 방법으로써, 건설 재료의 분산성 및 함량 이외에 공극률 또는 강도와 같은 특성에 대해서도 적용이 가능하다.

In this study, the several important characteristics of construction materials were successfully predicted using machine learning. Fly ash, as a supplementary cementitious material, has been used to improve the material performance of concrete with cost reduction. Also, carbon nanotubes have recently been added to cementitious materials to implement multi-functionalities of cement-based materials such as self-sensing or self-heating ability. The paper presents machine learning models to predict fly ash's chemical reactivity and carbon nanotubes' dispersion and content. This approach is to find data-driven patterns, unlike traditional theoretical approaches to problem solving.

First, the reactivity of fly ash was predicted by creating a model targeting domestic F-class fly ash, considering the variability of fly ash quality and the difference in reactivity between F-class and C-class fly ash. With a performance of a coefficient of determination of 0.80, the model predicted the content of amorphous aluminosilicate that strongly determines the reactivity of fly ash through the chemical composition of fly ash. Although this model is limited to domestic F-class fly ash, it has a potential for further development to include various types of fly ashes and other types of supplementary cementitious materials which have intrinsically difficulties with regard to characterization as well as quantification of the degree of reactivity.

Second, depending on the dispersion and content of CNTs in cementitious composites, CNTs can improve or worsen the strength of concrete. Furthermore, intended multi-functionalities due to the inclusion of CNTs in cement-based composites could not be activated. A machine-learning model using computer vision was created to evaluate the quality of CNTs-reinforced concrete non-destructively. The model's accuracy for predicting ultrasonic treatment or the amount of CNTs were very high as 0.92 and 0.89, respectively. This model has practical significance in that it can evaluate the quality of CNT-incorporated cement-based materials, non-destructively. For example, relying on easily obtainable optical microscope images, the content and dispersion of CNT in concrete on the concrete surface could be accurately predicted. The method proposed and validated herein can be also further developed to evaluate other characteristics of construction materials such as porosity or strength prediction which can be implemented as a quality control method of constructed structure.