호칭강도와 단위수량을 활용한 머신러닝 기반 콘크리트 강도 평가 = Machine Learning-Based Concrete Strength Evaluation using Nominal Strength and Unit Water Content

국문 초록 (Abstract)

본 연구에서는 레디믹스트 콘크리트의 배합표 및 제 성분들이 호칭강도에 미치는 영향과 현장 받아들이기 검사 결과가 압축강도에 미치는 상관성을 체계적으로 분석하였다. 이를 위해 평가 기준과 콘크리트 배합 요소별 분석 및 머신러닝(랜덤 포레스트 회귀 모델)을 적용하였다. 분석에는 16개 레미콘 제조사의 배합표 및 594개의 현장에서 측정된 실측 데이터를 사용하였으며, 주요 분석 결과는 다음과 같다.
단위수량 품질검사 기준 적용 전·후의 호칭강도에 대한 단위수량을 분석 하였다. 모든 데이터가 단위수량 기준 185 kg/㎥ 이내인 것으로 평가되었다. 단위수량 품질검사 기준 적용 전·후의 호칭강도에 대한 시멘트량을 분석 하였다. 호칭강도 변화에 따른 시멘트량의 차이는 크지 않은 것으로 평가되었다. 이상으로부터 단위수량은 품질검사 기준 185 kg/m³이내인 것으로 확인되어 품질관리의 신뢰성이 확보된 것으로 판단된다.
현장에서 측정된 단위수량과 표준 양생 공시체의 28일 압축강도 및 단위수량을 평가한 결과, 압축강도 변화에 따른 단위수량 변화는 거의 없는 것으로 나타났다. 즉 거의 일정한 수준의 단위수량을 나타내어 효율적인 압축강도 예측이 가능한 것으로 판단된다. 따라서 호칭강도로 압축강도를 예측할 수 있는 신뢰할 만한 회귀식을 제안하였다.
본 연구에 적용한 랜덤 포레스트 회귀 모델의 성능 정밀도를 평균 제곱 오차(Mean Squared Error, MSE)와 결정 계수(R²Score)를 기준으로 평가하였다. 예측 결과 평균 제곱 오차는 약 0.324로 나타나, 실제 압축강도와 예측 압축강도 간의 차이가 거의 없는 것으로 판단된다. 또한 예측 결과에 대한 신뢰도를 결정하는 결정 계수는 0.985로 산정되어 매우 신뢰할만한 결과를 도출한 것으로 판단된다. 따라서 랜덤 포레스트 회귀 모델은 콘크리트 압축강도를 거의 정확하게 예측할 수 있는 것으로 평가되었다.

다국어 초록 (Multilingual Abstract)

This study examines how mix design parameters of ready-mixed concrete impact nominal strength and analyzes the statistical correlation between on-site test results and compressive strength. To accomplish this, we applied evaluation criteria, analyzed concrete mix components, and utilized a Random Forest regression model. We analyzed 594 field-measured datasets alongside 16 ready-mixed concrete mix design tables. The main findings are as follows.
Our analysis of the unit water content in relation to nominal strength, both before and after applying the quality inspection standard, revealed that all data were within 185 kg/m³ based on unit quantity. Additionally, variations in cement content due to nominal strength changes were found to be minimal. These findings confirm that the unit water quantity remains within 185 kg/m³according to the quality inspection standard,indicating reliable quality control.
These findings confirm that the unit water quantity remains within 185 kg/m³ according to the quality inspection standard, indicating reliable quality control.
We evaluated the 28-day compressive strength of standard cured test specimens against the unit water content from field measurements. The results indicated that the unit water content showed little variation with changes in compressive strength. This consistency suggests that a stable level of unit water content has been maintained, allowing for efficient and reliable predictions of compressive strength from nominal strength. Based on these findings, we proposed and validated
a regression model for strength prediction.
To further enhance predictive reliability, we employed a Random Forest regression model. The model's performance was evaluated using mean squared error (MSE) and the coefficient of determination (R²). The model achieved an MSE of 0.324 and an R² value of 0.985, demonstrating excellent predictive accuracy with minimal discrepancies between predicted and measured compressive strengths. These results indicate that the Random Forest regression approach is a highly effective and robust tool for estimating concrete compressive strength in practical quality control applications.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구 내용 2
• 제 2 장 기존 연구 및 이론적 고찰 6
• 제 1 절 단위수량에 대한 기존 연구 및 이론적 고찰 6
• 1. 시방서 및 단위수량에 대한 기존 연구 6
• 2. 콘크리트 특성과 단위수량 10
• 3. 단위수량 변동요인 14
• 4. 단위수량 국내외 관리 기준 16
• 제 2 절 머신러닝에 대한 기존 연구 및 이론적 고찰 19
• 1. 머신러닝에 대한 기존 연구19
• 2. 머신러닝 알고리즘 21
• 제 3 장 단위수량 품질검사 기준 전후에 따른 콘크리트 특성 평가 25
• 제 1 절 콘크리트 받아들이기 품질검사 시험 25
• 제 2 절 배합표 평가 27
• 1. 배합표 수집 27
• 2. 배합표 분석 30
• 1) 호칭강도와 물-결합재비 30
• 2) 호칭강도와 단위수량 32
• 3) 호칭강도와 시멘트량 34
• 3. 소결 36
• 제 3 절 레디믹스트 콘크리트 받아들이기 시험 결과 평가 37
• 1. 호칭강도와 현장측정 단위수량 37
• 2. 압축강도와 현장측정 단위수량 39
• 3. 압축강도와 슬럼프, 공기량, 염화물량 41
• 4. 압축강도와 호칭강도 46
• 5. 소결 48
• 제 4 장 머신러닝에 의한 콘크리트 압축강도 예측 및 제 요소 평가 50
• 제 1 절 압축강도 예측 50
• 1. 데이터 수집 및 전처리 50
• 1) 개요 50
• 2) 데이터 수집 50
• 3) 전처리 51
• 2. 머신러닝 알고리즘 54
• 1) 램덤 포레스트 55
• 2) K-평균 클러스터링 57
• 3. 박스플롯에 의한 압축강도 58
• 4. 랜덤 포레스트에 압축강도 59
• 5. K-평균 클러스터링 분석 64
• 6. 소결 66
• 제 2절 현장 콘크리트 받아들이기 검사 항목 평가 67
• 1. 상관관계 분석 67
• 1) 피어슨 상관계수에 의한 분석 67
• 2) 다변량 상관계수에 의한 분석 69
• 2. 머신러닝을 활용한 변수 중요도 분석 71
• 1) 기능 중요도 분석 71
• 2) 성능 평가 지표 74
• 3. 소결 76
• 제 5 장 결 론 77
• 참 고 문 헌 79
• Abstract 83