머신러닝 기반 FRP 보강근을 사용한 구조부재의 장기거동 분석

국문 초록 (Abstract)

본 연구는 FRP 보강근이 적용된 콘크리트 보의 단기 및 장기거동을 실험 적으로 규명하고, 현행 설계식 ACI 440(2022), CSA S806(2012), CEB-FIP의 예 측 한계를 분석한 뒤 이를 보완한 장기거동 예측 모델을 제안하는 데 목적 이 있다. 동일 단면 조건에서 보강근 종류(GFRP·CFRP·Steel)와 인장 보강 비를 변수로 한 4점 재하시험 및 180일 장기 지속하중 실험을 수행하여 단 기거동, 시간 의존 변형인 크리프와 건조수축에 의한 변형을 체계적으로 계 측하였다. 단기거동 비교 결과, CSA S806(2012)는 과대평가, ACI 440(2022)는 과소평가 경향을 보인 반면 CEB-FIP는 평균 오차율이 가장 낮아 실측과 가 장 근접하였다. 장기거동은 재하 후 약 30일 이내에 집중적으로 증가하고 이 후 증분이 완만해졌으며, 보강근의 탄성계수와 보강비에 따라 처짐 크기 및 중립축 이동 특성이 뚜렷하게 달랐다. 장기 예측 성능 비교에서는 CSA S806(2012)가 가장 보수적 경향을, CEB-FIP는 GFRP에서 양호하나 CFRP 고 보강비 영역에서 과소평가를 보였으며, ACI 440(2022)는 인장 보강비와 보강 근의 탄성계수 증가 시 과소평가가 심화되는 한계를 보였다. 이러한 기존 설계식의 한계를 보완하기 위해 본 연구에서는 머신러닝 기법 을 활용한 새로운 예측 접근법을 도입하였다. 먼저, Random Forest 기반 SHAP 분석을 통해 ACI 440(2022) 설계식이 특정 변수 조건을 충분히 반영하 지 못한다는 구조적 한계를 정량적으로 판단하였다. 이를 통해 보강근 탄성 계수()와 인장 보강비()가 예측 오차 발생에 가장 크게 기여하는 핵심 변 수임을 확인하였으며, 특히 이들 변수가 클수록 ACI 설계식의 처짐 예측이 실제 거동에 비해 점차적인 과소평가 경향을 보인다는 사실을 규명하였다. 이러한 분석 결과를 토대로 두 변수의 영향을 직접 반영한 새로운 장기거 동 보정식을 Symbolic Regression 기법으로 도출하였다. 제안식은 기존 ACI 식의 단순 경험계수 방식을 넘어 재료·단면 특성과 시간 의존성을 명시적 으로 고려하며, 전체 데이터 기준 RMSE를 약 40% 이상 감소시켜 예측 정확 도를 크게 높였다. 특히 높은 탄성계수와 보강비를 가진 조건에서의 과소평 가 문제를 효과적으로 개선하고, 다양한 변수 조건에서도 안정적인 성능을 보였다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 FRP bar의 특성 및 선행연구 분석 1
• 1.2 장기거동 관련 선행연구 분석 4
• Ⅱ. 기존 장단기거동 설계기준의 이론적 배경 10
• 2.1 장단기거동 설계기준 분석 10
• 2.2.1 ACI 440(2022) 11
• 2.2.2 CSA S806(2012) 14
• 2.2.3 CEB-FIP 15
• Ⅲ. FRP 보강 구조부재의 장기거동 평가 실험 18
• 3.1 실험 재료 18
• 3.2 실험체 재원 및 변수 20
• 3.3 실험 방법 23
• Ⅳ. FRP 보강 구조부재의 장기거동 실험 결과 및 분석 27
• 4.1 단기거동 분석 27
• 4.2 시간에 따른 변형률 및 중립축 위치 변화 분석 31
• 4.2.1 인장측 크리프계수 분석 33
• 4.2.2 건조수축 변형률 분석 35
• 4.2.2 시간에 따른 중립축 위치 변화 분석 37
• 4.3 장기거동 예측 모델식과 실험 결과의 비교 분석 39
• Ⅴ. 머신러닝을 활용한 FRP 보강 구조부재의 장기거동 예측모델 제안 46
• 5.1 장기거동 예측 모델의 변수 기여도 분석 46
• 5.2 보강근의 탄성계수와 보강비를 고려한 장기거동 예측모델 제안 51
• Ⅵ. 결론 55
• 참고문헌 57
• Abstract 62