KR102435577B1

KR102435577B1 - 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법, 이를 수행하기 위한 기록 매체 및 장치

Info

Publication number: KR102435577B1
Application number: KR1020200182823A
Authority: KR
Inventors: 최하진; 박주혜; 김도윤; 심소현; 홍진영
Original assignee: 숭실대학교 산학협력단
Priority date: 2020-12-24
Filing date: 2020-12-24
Publication date: 2022-08-24
Also published as: CN116324397A; US20230400427A1; KR20220091775A; WO2022139184A1; JP2023547081A; JP7541783B2

Abstract

기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은, 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 기초로, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통한 전기적 흐름을 파악하는 단계; 상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성하는 단계; 상기 이론적 등가회로 모델을 이용한 임피던스 실험을 기초로 콘크리트 미세구조를 반영하는 등가회로를 정규화하는 단계; 및 기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물과 시멘트 비를 추정하는 예측 모델을 생성하는 단계;를 포함한다. 이에 따라, 시멘트계 재료의 미세구조 및 배합비 추정의 정확도와 신뢰도를 높일 수 있다.

Description

기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법, 이를 수행하기 위한 기록 매체 및 장치{IMPEDANCE SPECTROSCOPY ANALYTICAL METHOD FOR CONCRETE USING MACHINE LEARNING, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}

본 발명은 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 시멘트계 재료에 적용된 임피던스 분광법의 해석적 문제점을 개선하기 위하여 등가회로를 이론적으로 정규화하고 그 결과에 기계학습(machine learning)을 적용하는 기술에 관한 것이다.

건설현장의 품질관리는 구조물의 성능 보장과 내구성 확보, 사용자의 안전을 위해 매우 중요한 요소이다. 이에 따라 건설기술진흥법에서 국내 건설현장에서의 품질관리 및 절차에 대한 세부기준을 "건설공사 품질관리 업무지침"에 규정하고 있다. 또한, 스마트 건설정책에 따른 건설현장에 적용 가능한 4차 산업혁명 관련 기술 도입 필요성이 대두되고 있다.

하지만, 빠르게 돌아가고 있는 건설현장에서 실제로 적용 가능한 품질관리 기술은 매우 제한적이다. 특히, 가장 많이 사용되는 재료인 굳지 않은 콘크리트(레미콘 포함)에 대한 품질시험은 슬럼프, 공기량, 염화물 함유량과 같은 기초적 항목에 머물고 있다. 이 중에서도 슬럼프 시험은 재료의 작업성을 판단하는 기준으로 구조물의 성능 및 내구성에 대한 품질관리로는 적합하지 않다.

또한, 오랜 기간 동안 사용되어온 공기량 시험법의 경우, 그 시험 방법이 현장 기술자의 숙련도에 따라 달라질 수 있는 수동적 기법이다. 품질관리의 목적인 구조물의 장단기적 성능을 측정 및 예측하면서도 간단하며 자동화된 현장용 시험법의 개발이 필요하다.

임피던스 분광법(Electrochemical Impedance Spectroscopy, EIS)은 전기를 측정하는 노드를 이용하여 대상 물질의 내부에 존재하는 수분과 전도성 이온으로 전기적 흐름을 파악하는 비파괴 기법이다. 구체적으로, 대상 물질에 미세한 교류전류를 인가한 후, 미세구조를 반영한 전기 등가회로를 전제로 임피던스를 도출하여 내부 구성 물질을 추정할 수 있다.

전기화학에 기반한 임피던스 분광법은 사용법이 매우 간단한 장점이 있어 다양한 분야에 적용되고 있다. 특히, 국내에서는 "인바디"라는 이름으로 인체의 체성분을 분석하는 방법으로 활용되고 있다.

콘크리트로 대변되는 시멘트계 재료에도 임피던스 분광법을 활용한 다양한 연구가 진행되었다. 주로 콘크리트 내부의 철근 부식을 조기에 예측하기 위한 연구가 진행되어 왔다. 순수한 시멘트계 재료에 대한 연구의 경우, 배합비에 따른 임피던스 변화를 기반으로 압축강도 추정 및 응결시간 측정에 대한 연구가 진행되었다.

다양한 연구에도 불구하고 임피던스 분광법을 활용한 시멘트계 재료의 내부 구성 물질 추정에 대한 시험법의 개발은 매우 제한적이다. 그 이유로는 1) 임피던스 도출을 위한 등가회로 연구 미흡, 2) 임피던스를 구성하는 저항(resistance) 및 정전용량(capacitance)과 시멘트계 재료의 내부 구성 물질과의 상관관계 연구 미흡이 있다.

실제로 콘크리트에 적용된 임피던스 분광법의 등가회로의 경우, 각 연구의 결과론적 해석에 입각하여 총 10개의 다른 회로 이론이 존재한다. 이에 도출된 저항과 정전용량이 각 회로의 적용에 따라 매우 상이하여 결과의 일반적인 해석이 제한적이다. 또한, 적용된 회로에 따라 저항과 정전용량의 개수도 다르기 때문에 배합비와 같은 구성 물질과의 상관관계 도출도 용이하지 않은 문제점이 있다.

JP 2020-115146 A JP 2003-520974 A KR 10-1221684 B1

Shin, S. W., Hwang, G., & Lee, C. J. (2014), Electrical impedance response model of concrete in setting process, Journal of the Korean Society of Safety , 29 (5), 116-122.

이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법을 제공하는 것이다.

본 발명의 다른 목적은 상기 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.

본 발명의 또 다른 목적은 상기 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법을 수행하기 위한 장치를 제공하는 것이다.

상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은, 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 기초로, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통한 전기적 흐름을 파악하는 단계; 상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성하는 단계; 상기 이론적 등가회로 모델을 이용한 임피던스 실험을 기초로 콘크리트 미세구조를 반영하는 등가회로를 정규화하는 단계; 및 기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물과 시멘트 비를 추정하는 예측 모델을 생성하는 단계;를 포함한다.

본 발명의 실시예에서, 상기 콘크리트의 미세구조는 시멘트 매트릭스와 내부 공극을 포함할 수 있다.

본 발명의 실시예에서, 상기 기계학습은, 제곱 지수 함수 가우스 과정 회귀, 서포트 벡터 회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree) 중 적어도 하나의 모델을 이용할 수 있다.

본 발명의 실시예에서, 상기 매개변수는 상기 등가회로의 저항 및 정전용량을 포함할 수 있다.

본 발명의 실시예에서, 상기 전기적 흐름을 파악하는 단계는, 작업전극(WE, Working Electrode), 상대전극(CE, Counter Electrode) 및 기준전극을 이용하는 3전극법을 적용할 수 있다.

상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.

상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 장치는, 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 기초로, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통한 전기적 흐름을 파악하는 EIS부; 상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성하는 등가회로부; 상기 이론적 등가회로 모델을 이용한 임피던스 실험을 기초로 콘크리트 미세구조를 반영하는 등가회로를 정규화하는 회로 정규화부; 및 기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물과 시멘트 비를 추정하는 예측 모델을 생성하는 예측 모델부;를 포함한다.

본 발명의 실시예에서, 상기 기계학습은 제곱 지수 함수 가우스 과정 회귀, 서포트 벡터 회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree) 중 적어도 하나의 모델을 이용할 수 있다.

본 발명의 실시예에서, 상기 EIS부는, 작업전극(WE, Working Electrode), 상대전극(CE, Counter Electrode) 및 기준전극을 이용하는 3전극법을 적용할 수 있다.

이와 같은 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법에 따르면, 굳지 않은 시멘트계 재료에 전극을 설치하여 전기적 측정을 통해 현장에서 변화하는 조건들에 즉각적으로 반응하고 그에 따른 물-시멘트 비 등의 배합정보를 도출할 수 있다. 따라서, 본 발명을 통해 재료배합 역추정 및 내구성 예측이 가능하고, 건설 현장에서 굳지 않은 콘크리트에 대한 신뢰도 높은 품질관리 기법 개발을 위한 기초 자료로 활용할 수 있다.

또한, 본 발명은 기존 인력 기반으로 이루어지고 있는 품질관리 업무를 기계학습 기반으로 시스템화하여 간단하며 자동화된 신뢰성 높은 현장용 시험법의 개발을 기대할 수 있다.

도 1은 본 발명의 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 장치의 블록도이다.
도 2는 본 발명의 실험 등가회로를 콘크리트의 미세구조가 반영된 이론 등가회로로 정규화하는 것을 설명하기 위한 도면이다.
도 3은 본 발명의 시멘트 페이스트의 EIS 실험에 따른 나이퀴스트 선도 결과에 대한 그래프이다.
도 4는 본 발명의 물-시멘트 비에 따른 매개변수인 저항의 변화를 보여주는 박스 플롯(Box Plot)이다.
도 5는 본 발명의 물-시멘트 비에 따른 매개변수인 정전용량의 변화를 보여주는 박스 플롯(Box Plot)이다.
도 6은 본 발명의 제곱 지수 함수 GPR을 이용한 기계학습 모델에 따른 물-시멘트 비 예측 결과에 대한 그래프이다.
도 7은 본 발명의 SVR을 이용한 기계학습 모델에 따른 물-시멘트 비 예측 결과에 대한 그래프이다.
도 8은 본 발명의 의사 결정 트리를 이용한 기계학습 모델에 따른 물-시멘트 비 예측 결과에 대한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법의 흐름도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 장치의 블록도이다.

본 발명에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 장치(10, 이하 장치)는 시멘트계 재료에 적용된 임피던스 분광법의 해석적 문제점을 개선하기 위하여 등가회로를 이론적으로 정규화하고 그 결과에 기계학습(machine learning)을 적용한다. 시멘트계 재료의 미세구조를 고려한 이론적 모델의 적용은 회로의 매개변수들(저항, 정전용량)을 정규화하여 배합비에 미치는 영향을 보다 객관적으로 도출할 수 있다.

또한, 기계학습은 기존 회귀분석의 한계를 극복하여 새로운 관점에서 상관관계를 도출할 수 있다. 이를 위해 기존 임피던스 분광법에 관한 문헌적 검토를 통해 등가회로 모델의 정규화 및 데이터베이스를 구축하였으며, 실험적으로 그 결과를 검증하였다. 구체적으로, 시멘트계 재료의 기초 단계인 시멘트 페이스트의 물-시멘트 비(w/c ratio)를 추정함으로써 재료배합 역추정 및 내구성 예측에 활용할 수 있다. 또한, 향후 건설 현장에서 굳지 않은 콘크리트에 대한 신뢰도 높은 품질관리 기법 개발을 위한 기초 자료로 사용될 수 있다.

도 1을 참조하면, 본 발명에 따른 장치(10)는 EIS부(110), 등가회로부(130), 회로 정규화부(150) 및 예측 모델부(170)를 포함한다.

본 발명의 상기 장치(10)는 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 EIS부(110), 상기 등가회로부(130), 상기 회로 정규화부(150) 및 상기 예측 모델부(170)의 구성은 상기 장치(10)에서 실행되는 상기 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.

상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 EIS부(110), 상기 등가회로부(130), 상기 회로 정규화부(150) 및 상기 예측 모델부(170)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.

상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.

상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.

상기 EIS부(110)는 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 기초로, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통한 전기적 흐름을 파악한다.

시멘트계 재료에 적용된 임피던스 분광법의 경우, 각 연구의 목적에 따라 매우 다양한 등가회로가 제안되었다. 구체적으로, 전기적 특성을 바탕으로 시멘트계 재료의 미세구조를 파악하는 회로 모델은 고체와 액체의 계면 반응을 고려한 Brick 모델, 모든 전도성 경로를 포함하는 회로, 비접촉식 회로 모델, 연속/비연속 전도성 경로로 구성한 회로모델 등이 있다.

시뮬레이션 접근법에 기초한 회로에는 위상각을 가지는 정전용량 소자가 포함된 회로모델, 시멘트 페이스트의 임피던스 스펙트럼을 피팅한 회로모델 등이 있다. 포졸란, 단열입자, 섬유질을 투입했을 때 달라지는 전기적 변화에 대응하는 다양한 등가회로도 제안되었다. 또한, 철근 부식을 목적으로 염화물 이동 현상을 모델링한 회로도 제안되었다. 굳거나 굳지 않은 콘크리트의 임피던스 스펙트럼을 피팅한 회로도 존재한다.

본 발명의 일 실시예에서 시멘트계 재료의 미세구조를 반영하며 굳지 않은 콘크리트계에 사용된 모델은 도 2와 같다. 이는 하나의 저항과 정전용량이 병렬로 연결된 회로가 연속적으로 배치된 회로로써 나이퀴스트 선도로 보았을 때, 두 개의 호가 나란히 나타나며 하나의 호는 하나의 병렬회로로 대응된다는 특징을 지닌다.

도 2를 참조하면, 나이퀴스트 선도의 전반부에서 보이는 호는 벌크(Bulk) 호로 고주파 구간에 해당하며, 작업전극과 기준전극 사이의 전해질 임피던스 크기를 나타낸다. 그 뒤에 나타나는 호는 전극 반응호(Electrode Arc)로 전극과 콘크리트 접촉면 사이에 발생하는 반응의 결과다.

과

이 병렬로 연결되어있는 회로가 벌크 반응,

와

의 병렬회로가 전극 반응에 관여하며 이 회로는 굳지 않은 시멘트계 재료 연구에 주로 활용되었다.

상기 등가회로부(130)는 상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성한다.

시멘트계 재료의 미세구조에 착안하여 이론적 등가 회로를 가정한 일례는 도 2와 같다. 전류를 흘려 보냈을 때 복합재료 내부의 연속성에 따라서 다음과 같은 각기 다른 회로가 병렬로 연결된 모델로 치환될 수 있다. 예를 들어, 시멘트 페이스트만을 지나는 ICP(Insulator Conductive Path), 미세공극끼리 연결된 길을 지나는 CCP(Continuous Conductive Path), 미세공극을 지나는 중에 DP(Discontinuous Point)을 지나는 DCP(Discontinuous Conductive Path)회로로 전류의 흐름 관점에서 미세구조를 정의할 수 있다.

이와 같은 이론 모델을 등가회로로 재구성하면, 미세공극을 지나는 회로를 저항 소자, 시멘트 페이스트를 지나는 회로를 커패시터 소자로 치환하여 그림3의 등가회로를 가지게 된다. 도출된 임피던스(Z)의 관점에서 실험적 등가회로와 이론적 등가회로의 상관관계를 다음의 수학식 1과 같이 도출할 수 있다.

[수학식 1]

수학식 1에서

이며, ω는 각 주파수로

의 값을 가지고 단위는 라디안(radian)이다. 또한, 실험적 등가회로에서의

,

는 미세구조의 물리적 의미를 가지는 이론적 등가회로의 매개 변수로 다음의 수학식 2 내지 수학식 5와 같이 치환이 가능하다.

[수학식 2]

[수학식 3]

[수학식 4]

[수학식 5]

본 발명에서는 이론적 등가회로를 통하여 정규화된 다음의 변수들(

,

)과 시멘트계 재료 물-시멘트 비와의 상관관계를 도출한다.

상기 회로 정규화부(150)는 상기 이론적 등가회로 모델을 이용한 임피던스 실험을 기초로 콘크리트 미세구조를 반영하는 등가회로를 정규화한다.

본 발명에서는 기계학습을 활용하여 시멘트 페이스트의 물-시멘트비에 따른 임피던스 변화를 알아보고자 총 140개의 데이터를 확보하였다. 기계학습에서 결과물로 알고자 하는 응답변수인 물-시멘트비는 31%부터 44%까지 1%차이로 14단계의 연속함수를 이루도록 설계하였다. 단일 물-시멘트비의 실험체마다 반복성 있는 데이터를 모으기 위해 10회 반복하여 실험체를 제작하고 임피던스 분광법을 적용하였다.

실험체는 지름 7cm, 높이 8cm의 원통형 플라스틱 용기에 담긴 시멘트 페이스트로 300ml 일정한 부피를 가진다. 계량된 시멘트를 용기에 담은 후, 물을 넣고 5분간 고르게 섞고 150 mm의 다짐봉으로 30 회 다져주었다. 자세한 실험체의 배합 정보는 다음의 표 1과 같다.

[표 1]

임피던스 분광법에 적용된 장비는 Gamry 사의 PCI4/300이며 그 성능을 표 2에 요약하였다. 임피던스 측정 장비는 교류전압을 인가하고 측정한다. 즉, 정해진 실험 용기를 통하여 실험 수행자의 숙련도와 상관없이 그 결과를 도출할 수 있는 장점을 지닌다.

[표 2]

일 실시예로서, 실험방법으로 3전극법을 적용하였으며, 작업전극(WE, Working Electrode)과 상대전극(CE, Counter Electrode)으로는 1cm²의 표면적을 갖는 흑연 막대(Graphite Rod)를, 기준전극으로는 포화 칼로멜 전극(SCE, Saturated Calomel Electrode)을 사용하였다.

각 전극들을 순차적으로 시멘트 페이스트에 4cm만큼 삽입 한 후 PCI4/300 장비와 연결하였다. 종래 기술에서는, 시멘트 페이스트의 경우 고주파에서 관측되는 벌크(bulk)호가 생성되지 않기 때문에 0.2Hz ~ 100kHz 대역의 주파수 범위를 설정하였으며, 10mV의 교류전압을 인가하여 총 5분간 측정하였다.

임피던스 분광법에 대한 실험 분석은 설정된 등가회로를 기반으로 그려지는 나이퀴스트 선도(Nyquist plot) 분석을 기초로 한다. 나이퀴스트 선도는 임피던스의 실수부와 허수부를 각각의 축에 표시하여 각 매개변수 값을 시각적으로 확인할 수 있다. 각 물-시멘트 비에 대한 나이퀴스트 선도를 도 3에 나타내었다.

실험 결과, 골재가 없는 시멘트 페이스트의 특징으로 저주파 구간에 벌크호가 생성되지 않았다. 이는

의 값이 0에 매우 근사하여, 전반부 정전용량 소자가 있는 회로의 임피던스가 무한에 가까워져서 사실상 전류가 흐르지 않음을 의미한다. 그러므로 벌크저항을 나타내는

값을 고주파 구간에서 바로 확인할 수 있으며, 약 5

의 평균값을 가지는 것으로 확인되었다.

표 3은 실험결과로 얻은 각 변수들을 수학식 2 내지 수학식 5를 통하여 이론적 등가회로에 해당하는 매개변수로 치환한 결과이며, 도 4 및 도 5에 물-시멘트 비에 따른 실험결과를 박스 선도(box plot)를 통하여 통계적으로 나타내었다. 도 4는 본 발명의 물-시멘트 비에 따른 매개변수인 저항의 변화를 보여주고, 도 5는 본 발명의 물-시멘트 비에 따른 매개변수인 정전용량의 변화를 보여준다.

[표 3]

박스 선도는 각 물-시멘트 비마다 10회 반복하여 도출된 매개변수의 최대, 최소, 중간값 및 통계적 이상치를 시각적으로 확인할 수 있다. 통계적 이상치의 경우, 25%~75%의 데이터를 박스로 규정하고, 이 박스 길이의 1.5배 외에 있는 데이터 즉, 수염(Whiskers) 바깥의 데이터를 이상치로 계산하였다.

통계적 분석 결과, 통계적 이상치는 다수 관찰되지 않아 실험의 반복성 측면에서 유의미한 값을 보인다. 하지만 물-시멘트 비에 대한 각 매개 변수들의 경향성은 쉽게 관찰되지 않는다. 이는 시멘트 페이스트를 주제로 한 선행연구와 전반적으로 동일한 결과이다.

상기 예측 모델부(170)는 기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물과 시멘트 비를 추정하는 예측 모델을 생성한다.

임피던스 분광법 실험을 통하여 얻은 매개변수들과 물-시멘트 비와의 상관관계를 도출하기 위하여 기계학습을 통하여 예측모델을 도출하였다. 기계학습을 위한 전체 데이터는 14단계의 물-시멘트비를 각 10번씩 반복한 총 140개 세트이며, 하나의 데이터 세트는 정규화한 매개변수 (

,

)와 물-시멘트 비로 구성된다. 이 때

,

는 예측에 사용할 예측변수 X이며, 물-시멘트비는 예측할 응답변수 Y가 된다.

전체 데이터 세트 중, 하나의 물-시멘트 비 내에서 훈련 데이터(training data)와 검증 데이터(validation data)를 7대 3의 비율로 랜덤(random)하게 나누었다. 즉, 훈련 데이터는 다시 예측변수(Xtrain)와 응답변수(Ytrain)로 나뉘며, 검증 데이터인 새로운 예측변수(Xexp)를 넣어 추정한 응답변수(Ypred)를 실제 응답변수(Yexp)와 비교하였다. 훈련 데이터와 검증 데이터로 나누는 과정을 10회 반복 수행하여 응답변수의 추정에 있어서 발생할 수 있는 오버피팅(over-fitting) 및 언더피팅(under-fitting)문제를 최소화하고자 하였다.

본 발명에서는 3가지 다른 기계학습 방법을 적용하였다. 사용한 방법에는 가우스 과정 회귀(Gaussian Process Regression, GPR), 서포트 벡터회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree)가 있다.

GPR은 계측된 데이터를 하나의 고정된 관측 데이터(observation)로 보지 않고 가우스 분포(gaussian distribution)의 확률적 관점에서 해석하는 기법으로 베이시안(Baysian) 법칙을 배경으로 한다. 즉, 계측된 훈련 데이터를 기반으로 확률론적 예측 모델을 생성하는데 이 과정에서 공분산 함수(

)를 기초로 활용한다. 본 발명에 적용된 공분산 함수는 기본적 제곱 지수 함수(Squared Exponential, SE)로서, 노이즈 표준편차 (

)를 최적화화 한 다음의 수학식 6으로 이루어져 있다.

[수학식 6]

여기서, 공분산 함수는 하이퍼파라미터

(

,

, ??)함수로 설명되므로

로 표현한다. 예측변수 데이터

,

로 구성된다. 또한,

는 한 점,

는 하나의 관측점을 의미한다.

는 신호 표준편차,

은 특정 길이 스케일을 의미한다. SVR은 서포트 벡터 머신(SVM)의 입력변수가 범주형이 아닌 연속형일 경우 사용하는 회귀 기법으로, 유사한 공분산 함수를 선택하여 GPR모델과 비교가 가능하다. 단, GPR이 입력된 모든 데이터 포인트를 사용하는 데 반해 특정 데이터(Support Vector)를 기준으로 알고리즘을 수행하는 차이점이 있다.

의사 결정 트리는 다른 모델들과 같이 회귀 함수 기반이 아니라 회귀 목적의 결정 트리 기반으로 예측 모델을 생성한다. 결정 트리는 전체데이터를 결정노드를 따라 분할해가며 마지막 잎 노드까지 도달하는 분류기를 말한다. 잎 노드에 속한 데이터 값의 평균값을 계산해 예측 값을 구한다.

본 발명에 적용된 기계학습은 상용 프로그램인 매트랩(matlab)을 기반으로 수행되었으며 사용된 코드를 표 4에 첨부하였다. 하나의 데이터 세트에 각 기계학습 모델을 1회 수행할 때 걸리는 시간은 GPR(SE), SVR, Decision tree에 따라 각각 약 123, 130, 100 초였다.

[표 4]

도 6 내지 도 8에 각 기계학습 모델을 적용한 결과를 그래프로 나타내었다. 도 6은 제곱 지수 함수 GPR을 이용한 기계학습 모델, 도 7은 SVR을 이용한 기계학습 모델 및 도 8은 의사 결정 트리를 이용한 기계학습 모델에 따른 물-시멘트 비 예측 결과에 대한 그래프이다.

그래프의 X축은 응답변수(Yexp)인 실험에 적용한 실제 물-시멘트 비이며, Y축은 검증 데이터인 새로운 예측변수(Xexp)를 넣어 추정한 응답변수(Ypred)이다. 그래프의 대각선은 예측값과 실제값이 일치하는 절대선(Absolute Line)으로써 데이터가 선에 가까울수록 예측모델의 높은 정확도를 나타낸다.

표 5는 새로운 데이터를 예측 모델에 넣었을 때 발생하는 회귀오차에 대한에 대한 계산값이다.

[표 5]

회귀 오차는 각 아래의 수학식 7 내지 수학식 9의 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱 오차(Mean Squared Error, MSE) 및 평균 제곱근 오차(Root Mean Squared Error, RMSE)로 계산되었다.

[수학식 7]

[수학식 8]

[수학식 9]

여기서,

는

번째 실제 응답변수,

는

번째 추정 응답변수,

은 전체 데이터 크기를 나타낸다. MAE, MSE, RMSE 모두 값이 작을수록 예측 성능이 좋은 것으로 평가한다. 각 회귀오차의 특징은 다음과 같다. MAE의 경우 예측값과 실제값의 단순오차이며 결과를 직관적으로 보여준다. MSE는 실제 값과 예측 값의 차이를 제곱해 평균한 것으로 가장 대중적으로 사용되지만 특이값에 민감하게 반응한다. RMSE는 MSE를 실제값과 유사한 단위로 다시 변환한 것이다. 무작위로 분할된 데이터이기 때문에 각 기계학습의 반복 실행마다 가장 성능이 우수한 모델이 달라지는 것을 알 수 있다. 신뢰성을 보완하기 위해 10번 반복 실행하여 평균한 추정 응답변수 모델(Ypred)을 최종적으로 사용하였다.

최종 추정 응답변수 모델을 적용한 결과, 모든 회귀오차가 가장 낮게 나타난 Decision Tree의 예측성능이 가장 우수하였다. 가장 우수한 예측 모델을 기반으로, 임피던스 분광법을 통하여 시멘트 페이스트의 물-시멘트 비는 약 MAE 2.10, MSE 8.59, RMSE 2.93 오차 범위 내에서 가능함을 확인할 수 있다. 단, 이 결과는 물-시멘트 비 31~44%의 시멘트 페이스트를 대상으로 검증한 결과이며 다양한 케이스별 재료 배합으로 확장할 수 있다.

도 9는 본 발명의 일 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법의 흐름도이다.

본 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.

또한, 본 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석을 수행하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.

도 9를 참조하면, 본 실시예에 따른 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은, 전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 기초로, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통한 전기적 흐름을 파악한다(단계 S10).

이 경우, 작업전극(WE, Working Electrode), 상대전극(CE, Counter Electrode) 및 기준전극을 이용하는 3전극법을 적용할 수 있다.

상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성한다(단계 S20).

상기 이론적 등가회로 모델을 이용한 임피던스 실험을 기초로 콘크리트 미세구조를 반영하는 등가회로를 정규화한다(단계 S30). 상기 콘크리트의 미세구조는 시멘트 매트릭스와 내부 공극 등이다.

기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물과 시멘트 비를 추정하는 예측 모델을 생성한다(단계 S40). 상기 매개변수는 상기 등가회로의 저항 및 정전용량일 수 있다.

상기 기계학습은 제곱 지수 함수 가우스 과정 회귀(Gaussian Process Regression, GPR), 서포트 벡터 회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree) 등을 이용할 수 있다.

본 발명은 굳지 않은 시멘트 계 재료의 물-시멘트 비 추정 알고리즘을 구축했고, 시멘트 페이스트를 대상으로 실험했을 때 가장 예측 성능이 좋은 모델의 경우 약 MAE 2.10, MSE 8.59, RMSE 2.93 오차 이내로 물-시멘트 비를 예측했다.

굳지 않은 시멘트 계 재료에 전극을 설치하여 전기적 측정을 통해 현장에서 변화하는 조건들에 즉각적으로 반응하고 그에 따른 물-시멘트 비 등의 배합정보를 도출할 수 있다.

기존 인력 기반으로 이루어지고 있는 품질관리 업무를 기계학습 기반으로 시스템화하여 간단하며 자동화된 신뢰성 높은 현장용 시험법의 개발을 기대할 수 있다.

이와 같은, 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.

상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

본 발명은 재료배합 역추정 및 내구성 예측이 가능하고, 건설 현장에서 굳지 않은 콘크리트에 대한 신뢰도 높은 품질관리 기법 개발을 위한 기초 자료로 활용할 수 있다.

10: 기계학습을 활용한 콘크리트 대상 임피던스 분광법의 분석 장치
110: EIS부
130: 등가회로부
150: 회로 정규화부
170: 예측 모델부

Claims

전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 통해, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통하여 전기적 흐름으로 인한 임피던스를 도출하는 단계;
상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성하는 단계;
상기 이론적 등가회로 모델을 이용한 임피던스 실험을 통해 콘크리트 미세구조를 반영하는 등가회로를 정규화하는 단계; 및
기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물-시멘트 중량비를 추정하는 예측 모델을 생성하는 단계;를 포함하는, 콘크리트 대상 임피던스 분광법의 분석 방법.
제1항에 있어서,
상기 콘크리트의 미세구조는 시멘트 매트릭스와 내부 공극을 포함하는, 콘크리트 대상 임피던스 분광법의 분석 방법.
제1항에 있어서,
상기 기계학습은 제곱 지수 함수 가우스 과정 회귀(Gaussian Process Regression, GPR), 서포트 벡터 회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree) 중 적어도 하나의 모델을 이용하는, 콘크리트 대상 임피던스 분광법의 분석 방법.
제1항에 있어서,
상기 매개변수는 상기 등가회로의 저항 및 정전용량을 포함하는, 콘크리트 대상 임피던스 분광법의 분석 방법.
제1항에 있어서, 상기 전기적 흐름으로 인한 임피던스를 도출하는 단계는,
작업전극(WE, Working Electrode), 상대전극(CE, Counter Electrode) 및 기준전극을 이용하는 3전극법을 적용하는, 콘크리트 대상 임피던스 분광법의 분석 방법.
제1항에 따른 상기 콘크리트 대상 임피던스 분광법의 분석 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 저장 매체.
전기화학적 임피던스 분광법(Electrochemical Impedance Spectroscopy; EIS)을 통해, 전기를 측정하는 노드를 이용하여 콘크리트 내부에 존재하는 수분과 전도성 이온을 통하여 전기적 흐름으로 인한 임피던스를 도출하는 EIS부;
상기 전기적 흐름을 반영한 전도성 경로로 구성되는 이론적 등가회로 모델을 생성하는 등가회로부;
상기 이론적 등가회로 모델을 이용한 임피던스 실험을 통해 콘크리트 미세구조를 반영하는 등가회로를 정규화하는 회로 정규화부; 및
기계학습을 통하여 상기 등가회로의 매개변수 값으로부터 물-시멘트 중량비를 추정하는 예측 모델을 생성하는 예측 모델부;를 포함하는, 콘크리트 대상 임피던스 분광법의 분석 장치.
제7항에 있어서,
상기 콘크리트의 미세구조는 시멘트 매트릭스와 내부 공극을 포함하는, 콘크리트 대상 임피던스 분광법의 분석 장치.
제7항에 있어서,
상기 기계학습은 제곱 지수 함수 가우스 과정 회귀(Gaussian Process Regression, GPR), 서포트 벡터 회귀(Support Vector Regression, SVR) 및 의사 결정 트리(Decision Tree) 중 적어도 하나의 모델을 이용하는, 콘크리트 대상 임피던스 분광법의 분석 장치.
제7항에 있어서,
상기 매개변수는 상기 등가회로의 저항 및 정전용량을 포함하는, 콘크리트 대상 임피던스 분광법의 분석 장치.
제7항에 있어서, 상기 EIS부는,
작업전극(WE, Working Electrode), 상대전극(CE, Counter Electrode) 및 기준전극을 이용하는 3전극법을 적용하는, 콘크리트 대상 임피던스 분광법의 분석 장치.