KR102438041B1 - 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 - Google Patents
머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 Download PDFInfo
- Publication number
- KR102438041B1 KR102438041B1 KR1020210130119A KR20210130119A KR102438041B1 KR 102438041 B1 KR102438041 B1 KR 102438041B1 KR 1020210130119 A KR1020210130119 A KR 1020210130119A KR 20210130119 A KR20210130119 A KR 20210130119A KR 102438041 B1 KR102438041 B1 KR 102438041B1
- Authority
- KR
- South Korea
- Prior art keywords
- plastic aggregate
- gamma
- strength
- information
- input
- Prior art date
Links
- 239000004033 plastic Substances 0.000 title claims abstract description 187
- 229920003023 plastic Polymers 0.000 title claims abstract description 187
- 239000004568 cement Substances 0.000 title claims abstract description 149
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000002131 composite material Substances 0.000 title claims description 87
- 230000005251 gamma ray Effects 0.000 claims abstract description 86
- 238000013480 data collection Methods 0.000 claims abstract description 50
- 230000005855 radiation Effects 0.000 claims abstract description 17
- 238000002156 mixing Methods 0.000 claims description 42
- 238000004132 cross linking Methods 0.000 claims description 18
- 230000003746 surface roughness Effects 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 26
- 239000000203 mixture Substances 0.000 abstract description 21
- 230000006399 behavior Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 50
- 239000000178 monomer Substances 0.000 description 14
- 238000013329 compounding Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 8
- 239000004567 concrete Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000470 constituent Substances 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- KOMNUTZXSVSERR-UHFFFAOYSA-N 1,3,5-tris(prop-2-enyl)-1,3,5-triazinane-2,4,6-trione Chemical compound C=CCN1C(=O)N(CC=C)C(=O)N(CC=C)C1=O KOMNUTZXSVSERR-UHFFFAOYSA-N 0.000 description 4
- BJELTSYBAHKXRW-UHFFFAOYSA-N 2,4,6-triallyloxy-1,3,5-triazine Chemical compound C=CCOC1=NC(OCC=C)=NC(OCC=C)=N1 BJELTSYBAHKXRW-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- -1 flake Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000008188 pellet Substances 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- MPJPKEMZYOAIRN-UHFFFAOYSA-N 1,3,5-tris(2-methylprop-2-enyl)-1,3,5-triazinane-2,4,6-trione Chemical compound CC(=C)CN1C(=O)N(CC(C)=C)C(=O)N(CC(C)=C)C1=O MPJPKEMZYOAIRN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000012615 aggregate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002518 antifoaming agent Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 125000004386 diacrylate group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- ZFSLODLOARCGLH-UHFFFAOYSA-N isocyanuric acid Chemical compound OC1=NC(O)=NC(O)=N1 ZFSLODLOARCGLH-UHFFFAOYSA-N 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 239000012779 reinforcing material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002562 thickening agent Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
- G01N33/442—Resins; Plastics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Ceramic Engineering (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
본 발명은 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것으로, 보다 상세하게는 감마선 조사처리에 따른 플라스틱 골재의 표면 거동과 감마선 조사처리된 플라스틱 골재의 혼입에 따른 시멘트 복합체 강도에 관한 빅데이터를 구축하고, 구축된 빅데이터를 토대로 머신러닝 알고리즘을 이용하여 강도예측모델을 생성하여 재료실험을 수행할 필요없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력시 시멘트 복합체의 강도를 예측하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것이다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부;와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부;를 포함한다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부;와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부;를 포함한다.
Description
본 발명은 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것으로, 보다 상세하게는 감마선 조사처리에 따른 플라스틱 골재의 표면 거동과 감마선 조사처리된 플라스틱 골재의 혼입에 따른 시멘트 복합체 강도에 관한 빅데이터를 구축하고, 구축된 빅데이터를 토대로 머신러닝 알고리즘을 이용하여 강도예측모델을 생성하여 재료실험을 수행할 필요없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력시 시멘트 복합체의 강도를 예측하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것이다.
경량 시멘트 복합체, 콘크리트 등의 건축자재는 구조물의 자중을 가볍게 하기 위한 목적으로 사용되고 있다. 이때 경량 건축자재에는 일반 골재를 플라스틱 경량골재로 치환하여 배합시 단위용적 중량을 저감시키고 있다.
하지만, 통상의 플라스틱 골재는 매끄럽고 광택이 있는 표면을 가지며, 골재-시멘트 매트릭스 간의 낮은 부착력으로 의해 시멘트 구조물의 강도를 저하시키는 문제가 있으며, 이에 플라스틱 골재를 화학 첨가제를 이용하여 표면을 개질처리하는 방법이 사용되고 있으나, 화학 첨가제의 사용으로 오히려 시멘트 구조물의 물성 및 안정성을 저하시키고, 인체 유해성 등의 한계점이 존재하였다.
이에, 본 발명자는 국내등록특허 제10-2228463호 감마선 조사에 의해 개질처리된 플라스틱 골재(2021.03.10.등록), 국내등록특허 제10-2223053호 감마선 조사에 의해 개질처리된 플라스틱 골재를 이용한 경량 시멘트 복합체 및 이의 제조방법(2021.02.25.등록)을 통해 플라스틱 골재에 감마선을 조사함으로써 형성된 가교결합에 의해 결정화도를 높이고, 동시에 표면거칠기를 증가시켜 플라스틱 골재-시멘트 매트릭스의 상용성을 향상시킴으로써 고강도 경량 시멘트 복합체의 구현이 가능하도록 기술을 공개한 바 있다.
감마선 조사에 의해 플라스틱 골재를 개질처리하게 되는데, 감마선 조사에 의해 개질처리된 플라스틱 골재는 감마선 조사에 의해 플라스틱의 가교결합과 사슬절단이 이루어지고 결정구조를 변형시켜 결정화도가 증가된다.
보다 상세하게는, 감마선 조사에 따라 폴리머 사슬이 절단되어 분자의 이동성을 향상시킴과 동시에 자유라디칼이 생성되며, 이 자유라디칼에 의해 인접한 분자 사이에 가교결합이 형성되어 결정화도가 높아진다.
시멘트 복합체에 결정화된 플라스틱 골재를 적용시 시멘트 복합체 매트릭스 내에 존재하는 기공을 폐쇄시키게 되며 물리적인 특성을 향상시킬 수 있으며, 동시에 표면거칠기를 증가시켜 골재와 시멘트 복합체 페이스트의 성분간의 계면접착을 향상시켜 결과적으로는 시멘트 복합체의 탄성계수, 인성, 강성, 강도 및 경도 등의 물리적인 특성을 향상시킬 수 있다.
한편, 시멘트 복합체 압축강도는 배합설계 등의 다양한 인자에 의해 영향을 받으므로 이를 수학적으로 모델화하는 것은 쉽지 않은데, 감마선 조사 플라스틱 골재를 혼입한 시멘트 복합체의 경우 사용되는 플라스틱 골재의 종류 및 특성, 감마선 조사선량에 따라 시멘트 복합체의 압축강도에 영향을 주며, 다양한 인자를 고려하여 재료실험을 반복 수행하기란 비효율적이기 때문에 수학적 모델 구축의 필요성이 대두된다.
건축물의 압축강도를 예측하기 위한 종래 기술로는, 국내공개특허 제10-2020-0095129호에서 콘크리트 공시체 제조 시에 경화 촉진제 또는 급결제를 혼입하여 콘크리트 공시체의 양생을 진행하여 경화시킨 후, 경화된 콘크리트 공시체를 비파괴 검사하여 일반적인 재령일인 28일차 콘크리트의 압축강도를 조기에 예측 평가하도록 한 조기재령 콘크리트 압축강도 예측에 사용되는 콘크리트 공시체 제조방법 및 조기재령 콘크리트의 압축강도 예측방법을 제시하고 있으나, 상기 특허문헌은 재료실험이 필수적으로 요구되며, 시멘트 복합체 배합 조건을 입력 시 시멘트 복합체의 압축강도를 자동으로 산출할 수 있는 기술에 대해서는 전무하다.
콘크리트의 특성상 타설 및 양생 등의 다양한 변수들로 인해 배합비에 따른 일정한 강도가 나오기 어려울 수 있다. 이에 같은 배합에 대한 강도의 오차 범위를 고려하여 입력받은 강도 데이터를 증강시켜 학습시키고, 이를 통해 머신이 유효한 데이터를 골라 학습하면 강도 예측에 있어서 신뢰성 향상이 기대된다.
본 발명자는 경량골재의 필요성과 일정 강도의 확보 요구에 따라 플라스틱의 종류 및 감마선 조사 선량에 따른 시멘트 복합체 압축강도 발현 메커니즘 수치화 모델을 개발하였으며, 이를 통해 재료실험을 수행할 필요 없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력 시 시멘트 복합체의 압축강도를 자동으로 산출할 수 있고, 산출된 압축강도 결과를 토대로 감마선 조사 플라스틱 골재 혼입 시멘트 복합체의 최적배합비를 도출해 낼 수 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 감마선 조사처리에 따른 플라스틱 골재의 표면 거동과 감마선 조사처리된 플라스틱 골재의 혼입에 따른 시멘트 복합체 강도에 관한 빅데이터를 구축하고, 구축된 빅데이터를 토대로 머신러닝 알고리즘을 이용하여 강도예측모델을 생성하여 재료실험을 수행할 필요없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력시 시멘트 복합체의 강도를 예측하하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법을 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부;와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부;를 포함한다.
본 발명의 다른 실시예에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사처리된 플라스틱 골재의 표면정보, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부;와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부;를 포함한다.
상기 플라스틱 골재에 대한 입력값은 종류, 입경크기, 비중, 형태, 가격 또는 이들의 조합 중 어느 하나임을 특징으로 한다.
상기 감마선 조사처리된 플라스틱 골재의 표면정보는 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나임을 특징으로 한다.
본 발명의 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집단계;와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습단계;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측단계;를 포함한다.
본 발명의 다른 실시예에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사처리된 플라스틱 골재의 표면정보, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집단계; 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습단계;와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측단계;를 포함한다.
상기 플라스틱 골재에 대한 입력값은 종류, 입경크기, 비중, 형태, 가격 또는 이들의 조합 중 어느 하나임을 특징으로 한다.
상기 감마선 조사처리된 플라스틱 골재의 표면정보에 대한 입력값은 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나임을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 의하면, 감마선 조사처리에 따른 플라스틱 골재의 표면 거동과 감마선 조사처리된 플라스틱 골재의 혼입에 따른 시멘트 복합체 강도에 관한 빅데이터를 구축하고, 구축된 빅데이터를 토대로 머신러닝 알고리즘을 이용하여 강도예측모델을 생성하여 재료실험을 수행할 필요없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력시 시멘트 복합체의 강도를 예측하는 효과가 있다.
또한 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 의하면, 강도 예측을 통해 재료실험을 수행할 필요없이 최적의 플라스틱 골재 및 감마선 조사 조건, 시멘트 복합체의 최적 배합비를 도출해 낼 수 있는 효과가 있다.
도 1은 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템의 구성을 보여주는 개념도.
도 2는 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법을 보여여주는 순서도.
도 2는 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법을 보여여주는 순서도.
본 발명의 구체적 특징 및 이점들은 이하에서 첨부도면을 참조하여 상세히 설명한다. 이에 앞서 본 발명에 관련된 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 구체적인 설명을 생략하기로 한다.
본 발명은 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것으로, 보다 상세하게는 감마선 조사처리에 따른 플라스틱 골재의 표면 거동과 감마선 조사처리된 플라스틱 골재의 혼입에 따른 시멘트 복합체 강도에 관한 빅데이터를 구축하고, 구축된 빅데이터를 토대로 머신러닝 알고리즘을 이용하여 강도예측모델을 생성하여 재료실험을 수행할 필요없이 시멘트 복합체 배합 및 감마선 조사 조건을 입력시 시멘트 복합체의 강도를 예측하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법에 관한 것이다.
도 1은 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템의 구성을 보여주는 개념도를 보여준다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부(100)와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부(200)와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부(300)를 포함한다.
상기 데이터 수집부(100)는 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하여 데이터를 증강시키고, 후술될 학습부에서 강도 예측모델을 생성하기 용이한 형태로 데이터를 분류한다. 이때 입력값 및 출력값은 과거의 데이터를 입력하거나 실시간으로 입력 및 저장된 데이터를 수집할 수 있다.
상기 데이터 수집부는 감마선 조사 정보 저장부와 플라스틱 골재 정보를 입력 및 저장하는 플라스틱 골재 정보 저장부와 시멘트 페이스트의 구성성분, 구성성분의 특성 및 시멘트 페이스트의 배합비를 입력 및 저장하는 시멘트 페이스트 정보 저장부와 시멘트 페이스트와 플라스틱 골재의 배합비를 입력 및 저장하는 시멘트 복합체 조성 입력부를 통해 입력값을 수집한다.
상기 감마선 조사 정보 저장부는 플라스틱 골재에 조사될 감마선 조사량을 입력 및 저장하고, 감마선 조사부와 연동되어 입력된 감마선 조사량에 따라 상기 감마선 조사부에서 플라스틱 골재에 감마선 조사처리하게 된다. 또한, 상기 감마선 조사 정보 저장부는 감마선 조사량에 따른 소비전력 및 비용을 산출 및 저장할 수 있다.
상기 플라스틱 골재 정보 저장부는 종류, 입경크기, 비중, 형태(펠렛상, 플레이크상, 분말상, 섬유상), 가격 또는 이들의 조합 중 어느 하나의 플라스틱 골재 정보를 입력 및 저장한다. 또한, 상기 플라스틱 골재는 이중결합을 포함하고 있는 다관능성 단량체를 이용하여 플라스틱 골재를 전처리함으로써 가교반응을 촉진시켜 결정화도 및 표면거칠기를 더욱 향상시킬 수 있으며, 상기 플라스틱 골재 정보 저장부는 플라스틱 골재의 다관능성 단량체 처리 유무와 상기 다관능성 단량체의 종류를 입력 및 저장하는 것도 가능하다. 이때, 다관능성 단량체는 디아크릴레이트, 디메타크릴레이트, 트리아크릴레이트, 트리페타크릴레이트, triallyl cyanurate(TAC), triallyl isocyanurate(TAIC) 및 trimethallyl cyanurate(TMAIC)중 적어도 어느 하나를 포함할 수 있다.
상기 시멘트 페이스트 정보 저장부는 시멘트 페이스트의 구성성분, 구성성분의 특성 및 시멘트 페이스트의 배합비를 입력 및 저장한다. 시멘트 페이스트의 구성성분은 시멘트, 물, 골재(잔골재, 굵은골재), 혼화제(증점제, 감수제, 보강재, 소포제 등)를 포함할 수 있다.
또한, 상기 시멘트 페이스트 정보 저장부는 각 시멘트 페이스트에 사용되는 원재료의 종류 및 배합량에 따른 비용을 산출 및 저장하는 것도 가능하다.
상기 시멘트 복합체 조성 입력부는 상기 감마선 조사 정보 저장부, 상기 플라스틱 골재 정보 저장부 및 상기 시멘트 페이스트 정보 저장부와 연동되며, 상기 감마선 조사 정보 저장부, 상기 플라스틱 골재 정보 저장부 및 상기 시멘트 페이스트 정보 저장부에 저장된 데이터를 토대로 시멘트 페이스트와 미처리 및 감마선 조사처리된 플라스틱 골재의 배합비를 입력 및 저장한다.
또한, 상기 시멘트 복합체 조성 입력부는 양생온도, 증기양생 여부 또는 이들의 조합 중 어느 하나의 양생조건을 입력 및 저장하는 것도 가능하다.
또한, 상기 데이터 수집부는 시멘트 복합체 조성 입력부에 입력된 입력값을 토대로 제조된 시멘트 복합체의 강도를 출력값으로 수집 및 저장하기 위한 시멘트 복합체 강도 수집부를 포함한다.
상기 시멘트 복합체 강도는 압축강도, 인장강도, 전단강도, 곡강도, 부착강도 또는 이들의 조합 중 어느 하나를 포함할 수 있으며, 바람직하게는 재령 28일 압축강도를 기준으로 한다.
또한, 상기 데이터 수집부(100)는 시멘트 복합체 조성 입력부에 입력된 입력값에 대응하여 측정된 시멘트 복합체의 가격 정보를 출력값으로 수집 및 저장하는 가격 정보 수집부를 포함하는 것도 가능하다.
상기 학습부(200)에서는 상기 데이터 수집부의 입력값과 출력값에 대하여 머신 러닝을 수행하여 강도 예측모델을 생성한다.
상기 학습부에서는 입력된 데이터를 토대로 기설정된 횟수만큼 강도 예측을 위한 시뮬레이션을 수행하여 강도 예측모델을 생성하고, 추가 데이터 입력에 대해 갱신하여 강도 예측모델을 재생성하는 절차를 반복할 수 있다.
또한, 상기 학습부(200)에서는 상기 데이터 수집부의 입력값과 출력값에 대하여 머신 러닝을 수행하여 가격 예측모델을 생성하는 것도 가능하다.
상기 강도 예측모델 및 가격 예측모델을 생성하기 위한 알고리즘은 지도학습 알고리즘, 비지도학습 알고리즘, 강화학습 알고리즘 또는 이들의 조합 중 어느 하나로 선택될 수 있으며, 구체적으로는, 다중선형회귀분석(MLR, Multiple Linear Regression), 서포트 벡터 머신(SVM, Support Vector Machine), K-최근접이웃(K-NN, k-Nearest Neighbor)알고리즘, 로지스틱 회귀(Logistic Regression), 의사결정 트리(Decision Tree), K-평균(K-Means), 랜덤 포레스트(Random Forest), 나이브 베이즈 분류(Naive Bayes Classification), 차원 축소(Dimensionality Reduction), 그레디언트 부스트(GBM, Gradient Boosting Machine), 앙상블(Ensemble), 에이다부스트(AdaBoost, Adaptive Boost), 딥 러닝(Deep learning), 유전 알고리즘(GA, Generic Algorithm), 생성적 적대 신경망(GAN, Generative Adversarial Network), 인공 신경망(ANN, Artificial Neural Network) 또는 이들의 조합 중 어느 하나를 사용할 수 있다.
바람직하게는, 다중선형회귀분석(MLR, Multiple Linear Regression) 알고리즘을 사용하여 강도 예측모델 및 가격 예측모델을 구축할 수 있으며, 예측 강도에 대한 오차는 경사 하강법(Gradient descent) 및 확률적 경사 하강법(Stochastic Gradient Descent) 중 적어도 어느 하나를 포함하는 보정방법을 통해 보정할 수 있다.
경사 하강법은 전체 데이터를 미분하여 기울기가 낮은 쪽으로 계속 이동시켜 극값을 구하고 이를 근사값(예측값)으로 확정하는 것이며, 확률적 경사 하강법은 데이터 업데이트 시 전체 데이터를 미분하는 것이 아니라 랜덤 추출된 일부 데이터를 사용하기 때문에 수행속도를 높일 수 있다.
상기 강도 예측부(300)에서는 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 것으로, 상기 강도 예측부에서는 강도 예측 요청이 있을 때 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값을 요청하고, 입력된 입력값을 토대로 강도 예측 모델을 이용하여 예측된 결과를 사용자에게 출력한다.
이때, 상기 강도 예측부(300)에서는 가격정보 요청이 있을 때, 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값을 요청하고, 입력된 입력값을 토대로 가격 예측 모델을 이용하여 예측된 결과를 사용자에게 출력하는 것도 가능하다.
본 발명의 다른 실시예에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 데이터 수집부에서 감마선 조사량, 플라스틱 골재를 독립적으로 입력하지 않고 데이터 전처리를 통해 가공 및 예측된 감마선 조사처리된 플라스틱 골재의 표면정보를 입력하는 것도 가능하다.
상기 감마선 조사처리된 플라스틱 골재의 표면정보는 감마선 조사처리된 플라스틱 골재의 표면정보 예측 시스템에 의해 도출될 수 있으며, 상기 시스템은 서브 데이터 수집부, 서브 학습부 및 플라스틱 골재 표면정보 예측부를 포함한다.
상기 서브 데이터 수집부에서는 감마선 조사량, 플라스틱 골재 정보를 서브 입력값으로 입력하고, 상기 서브 입력값에 대응한 플라스틱 골재의 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 출력값을 수집한다.
상기 서브 데이터 수집부는 감마선 조사 정보 저장부와 플라스틱 골재 정보를 입력 및 저장하는 플라스틱 골재 정보 저장부를 통해 서브 입력값을 수집한다.
상기 감마선 조사 정보 저장부는 플라스틱 골재에 조사될 감마선 조사량을 입력 및 저장하고, 감마선 조사부와 연동되어 상기 감마선 조사부에서 입력된 감마선 조사량에 따라 플라스틱 골재에 감마선 조사처리하게 된다. 또한, 상기 감마선 조사 정보 저장부는 감마선 조사량에 따른 소비전력 및 비용을 산출 및 저장한다.
상기 플라스틱 골재 정보 저장부는 종류, 입경크기, 비중, 형태(펠렛상, 플레이크상, 분말상, 섬유상), 가격 또는 이들의 조합 중 어느 하나의 플라스틱 골재 정보를 입력 및 저장한다. 또한, 상기 플라스틱 골재는 이중결합을 포함하고 있는 다관능성 단량체를 이용하여 플라스틱 골재를 전처리함으로써 가교반응을 촉진시켜 결정화도 및 표면거칠기를 더욱 향상시킬 수 있으며, 상기 플라스틱 골재 정보 저장부는 플라스틱 골재의 다관능성 단량체 처리 유무와 상기 다관능성 단량체의 종류를 입력 및 저장하는 것도 가능하다. 이때, 다관능성 단량체는 디아크릴레이트, 디메타크릴레이트, 트리아크릴레이트, 트리페타크릴레이트, triallyl cyanurate(TAC), triallyl isocyanurate(TAIC) 및 trimethallyl cyanurate(TMAIC)중 적어도 어느 하나를 포함할 수 있다.
또한, 상기 서브 데이터 수집부는 상기 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 수득하는 표면 이미지 수득부와 수득된 표면 이미지를 통해 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 표면정보를 수치화하여 출력하는 이미지 분석부를 포함한다.
상기 이미지 수득부에서는 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 주사전자현미경(SEM), 투과전자현미경(TEM) 또는 이들의 조합 중 어느 하나를 포함하는 표면 이미지 분석기법을 통해 수득한다.
감마선 조사처리를 통해 플라스틱 골재 표면에 결정화 영역, 가교도 영역, 표면 요철 또는 이들의 조합 중 어느 하나가 발생되며, 상술된 표면 변화는 감마선 조사량, 플라스틱 골재 정보에 따라 상이하게 측정된다.
상기 이미지 분석부에서는 이미지를 통해 확인된 감마선 조사량 및 플라스틱 골재 정보에 따른 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 표면정보를 수치화하여 저장한다.
상기 이미지 분석부에서는 수득된 표면 이미지를 소정의 픽셀 크기를 갖는 영역으로 할당하고 해당 영역내 각각의 정량화된 픽셀들의 값을 수치화하여 저장한다.
상기 특징 이미지 영역 내의 모든 픽셀 값을 입력 데이터로 생성할 때에는, 추출된 특징 이미지를 후 공정인 서브 학습부에서 머신 러닝을 수행하여 플라스틱 골재 표면정보 예측모델을 형성하는데 이용할 수 있도록 소정의 규격으로 픽셀 크기를 갖는 범위의 프레임에 할당한다. 할당된 프레임 내부에 포함된 각각의 픽셀들을 정량화하고 수치화한다.
구체적으로, 픽셀의 값은 그레이 스케일(gray scale)의 명도단계를 정량화하고 수치화한 것이며, 또한, 상기 특징 이미지 영역의 가공은 프레임에 할당된 이미지를 소정 범위의 블럭으로 나누고 해당 블럭별로 각각의 픽셀 값들을 평균하는 가공 방법이 있고, 프레임 내의 이미지를 가로방향 또는 세로방향으로 픽셀 값을 평균하는 가공 방법이 있을 수 있다. 픽셀값을 평균하여 입력 데이터를 생성하면 데이터의 양을 줄일 수 있고, 픽셀 값을 그대로 사용하여 입력 데이터를 생성하면 보다 정밀한 데이터를 생성할 수 있다.
상기 서브 학습부에서는 상기 서브 데이터 수집부의 감마선 조사량, 플라스틱 골재 정보에 따른 플라스틱 골재의 표면정보를 토대로 머신 러닝을 수행하여 표면정보 예측모델을 생성한다.
상기 플라스틱 골재 표면정보 예측부에서는 감마선 조사량과 플라스틱 골재의 특성의 입력을 요청하고, 입력값을 토대로 플라스틱 골재의 표면정보를 예측하여 출력한다.
상기 플라스틱 골재 표면정보 예측모델을 생성하기 위한 알고리즘은 지도학습 알고리즘, 비지도학습 알고리즘, 강화학습 알고리즘 또는 이들의 조합 중 어느 하나로 선택될 수 있으며, 구체적으로는, 상술된 알고리즘 중 어느 하나를 이용할 수 있다.
본 발명에 따른 시스템의 구성인 데이터 수집부, 학습부, 강도 예측부 사이/내부의 데이터 입력 및 출력은 사용자 단말을 통해 수행되며, 사용자 단말은 컴퓨터, 태블릿 PC, 스마트폰, PDA(Personal Digital Assistant), PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 등과 같은 무선통신장치 및 유선통신장치를 포함할 수 있으며, 상기 목적을 달성하는 것이라면 이에 한정하는 것은 아니다.
사용자 단말은 네트워크를 통해 데이터를 입력하거나 전송할 수 있으며, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 구체적인 예로는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나, 상기 목적을 달성하는 것이라면 이에 한정되지는 않는다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템은 다양한 전자정보처리 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록 및 저장된다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어 컴퓨터에 의해서 실행될 수 있는 고급 언어코드를 포함한다.
이하, 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법을 설명하도록 한다.
도 2는 본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법을 보여여주는 순서도를 보여준다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법은 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집단계(S100)와 상기 데이터 수집부의 데이터에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습단계(S200)와 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측단계(S300)를 포함한다.
상기 데이터 수집단계(S100)에서는 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하여 데이터를 증강시키고, 후술될 학습부에서 강도 예측모델을 생성하기 용이한 형태로 데이터를 분류한다. 이때 입력값 및 출력값은 과거의 데이터를 입력하거나 실시간으로 입력 및 저장된 데이터를 수집할 수 있다.
상기 데이터 수집부는 감마선 조사 정보 저장부와 플라스틱 골재 정보를 입력 및 저장하는 플라스틱 골재 정보 저장부와 시멘트 페이스트의 구성성분, 구성성분의 특성 및 시멘트 페이스트의 배합비를 입력 및 저장하는 시멘트 페이스트 정보 저장부와 시멘트 페이스트와 플라스틱 골재의 배합비를 입력 및 저장하는 시멘트 복합체 조성 입력부를 통해 입력값을 수집한다.
상기 감마선 조사 정보 저장부는 플라스틱 골재에 조사될 감마선 조사량을 입력 및 저장하고, 감마선 조사부와 연동되어 입력된 감마선 조사량에 따라 상기 감마선 조사부에서 플라스틱 골재에 감마선 조사처리하게 된다. 또한, 상기 감마선 조사 정보 저장부는 감마선 조사량에 따른 소비전력 및 비용을 산출 및 저장할 수 있다.
상기 플라스틱 골재 정보 저장부는 종류, 입경크기, 비중, 형태(펠렛상, 플레이크상, 분말상, 섬유상), 가격 또는 이들의 조합 중 어느 하나의 플라스틱 골재 정보를 입력 및 저장한다. 또한, 상기 플라스틱 골재는 이중결합을 포함하고 있는 다관능성 단량체를 이용하여 플라스틱 골재를 전처리함으로써 가교반응을 촉진시켜 결정화도 및 표면거칠기를 더욱 향상시킬 수 있으며, 상기 플라스틱 골재 정보 저장부는 플라스틱 골재의 다관능성 단량체 처리 유무와 상기 다관능성 단량체의 종류를 입력 및 저장하는 것도 가능하다.
상기 시멘트 페이스트 정보 저장부는 시멘트 페이스트의 구성성분, 구성성분의 특성 및 시멘트 페이스트의 배합비를 입력 및 저장한다. 시멘트 페이스트의 구성성분은 시멘트, 물, 골재(잔골재, 굵은골재), 혼화제(증점제, 감수제, 보강재, 소포제 등)를 포함할 수 있다.
또한, 상기 시멘트 페이스트 정보 저장부는 각 시멘트 페이스트에 사용되는 원재료의 종류 및 배합량에 따른 비용을 산출 및 저장하는 것도 가능하다.
상기 시멘트 복합체 조성 입력부는 상기 감마선 조사 정보 저장부, 상기 플라스틱 골재 정보 저장부 및 상기 시멘트 페이스트 정보 저장부와 연동되며, 상기 감마선 조사 정보 저장부, 상기 플라스틱 골재 정보 저장부 및 상기 시멘트 페이스트 정보 저장부에 저장된 데이터를 토대로 시멘트 페이스트와 미처리 및 감마선 조사처리된 플라스틱 골재의 배합비를 입력 및 저장한다.
또한, 상기 시멘트 복합체 조성 입력부는 양생온도, 증기양생 여부 또는 이들의 조합 중 어느 하나의 양생조건을 입력 및 저장하는 것도 가능하다.
또한, 상기 데이터 수집부는 시멘트 복합체 조성 입력부에 입력된 입력값을 토대로 제조된 시멘트 복합체의 강도를 출력값으로 수집 및 저장하기 위한 시멘트 복합체 강도 수집부를 포함한다.
상기 시멘트 복합체 강도는 압축강도, 인장강도, 전단강도, 곡강도, 부착강도 또는 이들의 조합 중 어느 하나를 포함할 수 있으며, 바람직하게는 재령 28일 압축강도를 기준으로 한다.
또한, 상기 데이터 수집단계(100)에서는 시멘트 복합체 조성 입력부에 입력된 입력값에 대응하여 측정된 시멘트 복합체의 가격 정보를 출력값으로 수집 및 저장하는 가격 정보 수집부를 포함하는 것도 가능하다.
상기 학습단계(S200)에서는 상기 데이터 수집부의 입력값과 출력값에 대하여 머신 러닝을 수행하여 강도 예측모델을 생성한다.
상기 학습부에서는 입력된 데이터를 토대로 기설정된 횟수만큼 강도 예측을 위한 시뮬레이션을 수행하여 강도 예측모델을 생성하고, 추가 데이터 입력에 대해 갱신하여 강도 예측모델을 재생성하는 절차를 반복할 수 있다.
또한, 상기 학습단계(S200)에서는 상기 데이터 수집부의 입력값과 출력값에 대하여 머신 러닝을 수행하여 가격 예측모델을 생성하는 것도 가능하다.
상기 강도 예측모델 및 가격 예측모델을 생성하기 위한 알고리즘은 지도학습 알고리즘, 비지도학습 알고리즘, 강화학습 알고리즘 또는 이들의 조합 중 어느 하나로 선택될 수 있으며, 구체적으로는, 다중선형회귀분석(MLR, Multiple Linear Regression), 서포트 벡터 머신(SVM, Support Vector Machine), K-최근접이웃(K-NN, k-Nearest Neighbor)알고리즘, 로지스틱 회귀(Logistic Regression), 의사결정 트리(Decision Tree), K-평균(K-Means), 랜덤 포레스트(Random Forest), 나이브 베이즈 분류(Naive Bayes Classification), 차원 축소(Dimensionality Reduction), 그레디언트 부스트(GBM, Gradient Boosting Machine), 앙상블(Ensemble), 에이다부스트(AdaBoost, Adaptive Boost), 딥 러닝(Deep learning), 유전 알고리즘(GA, Generic Algorithm), 생성적 적대 신경망(GAN, Generative Adversarial Network), 인공 신경망(ANN, Artificial Neural Network) 또는 이들의 조합 중 어느 하나를 사용할 수 있다.
바람직하게는, 다중선형회귀분석(MLR, Multiple Linear Regression) 알고리즘을 사용하여 강도 예측모델 및 가격 예측모델을 구축할 수 있으며, 예측 강도에 대한 오차는 경사 하강법(Gradient descent) 및 확률적 경사 하강법(Stochastic Gradient Descent) 중 적어도 어느 하나를 포함하는 보정방법을 통해 보정할 수 있다.
경사 하강법은 전체 데이터를 미분하여 기울기가 낮은 쪽으로 계속 이동시켜 극값을 구하고 이를 근사값(예측값)으로 확정하는 것이며, 확률적 경사 하강법은 데이터 업데이트 시 전체 데이터를 미분하는 것이 아니라 랜덤 추출된 일부 데이터를 사용하기 때문에 수행속도를 높일 수 있다.
상기 강도 예측단계(S300)에서는 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 것으로, 상기 강도 예측부에서는 강도 예측 요청이 있을 때 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값을 요청하고, 입력된 입력값을 토대로 강도 예측 모델을 이용하여 예측된 결과를 사용자에게 출력한다.
이때, 상기 강도 예측단계(S300)에서는 가격정보 요청이 있을 때, 감마선 조사량, 플라스틱 골재, 시멘트 페이스트 구성성분, 배합비 또는 이들의 조합 중 어느 하나의 입력값을 요청하고, 입력된 입력값을 토대로 가격 예측 모델을 이용하여 예측된 결과를 사용자에게 출력하는 것도 가능하다.
본 발명의 다른 실시예에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법은 데이터 수집부에서 감마선 조사량, 플라스틱 골재를 독립적으로 입력하지 않고 데이터 전처리를 통해 가공 및 예측된 감마선 조사처리된 플라스틱 골재의 표면정보를 입력하는 것도 가능하다.
상기 감마선 조사처리된 플라스틱 골재의 표면정보는 감마선 조사처리된 플라스틱 골재의 표면정보 예측 시스템에 의해 도출될 수 있으며, 상기 시스템은 서브 데이터 수집부, 서브 학습부 및 플라스틱 골재 표면정보 예측부를 포함한다.
상기 서브 데이터 수집부에서는 감마선 조사량, 플라스틱 골재 정보를 서브 입력값으로 입력하고, 상기 서브 입력값에 대응한 플라스틱 골재의 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 출력값을 수집한다.
상기 서브 데이터 수집부는 감마선 조사 정보 저장부와 플라스틱 골재 정보를 입력 및 저장하는 플라스틱 골재 정보 저장부를 통해 서브 입력값을 수집한다.
상기 감마선 조사 정보 저장부는 플라스틱 골재에 조사될 감마선 조사량을 입력 및 저장하고, 감마선 조사부와 연동되어 상기 감마선 조사부에서 입력된 감마선 조사량에 따라 플라스틱 골재에 감마선 조사처리하게 된다. 또한, 상기 감마선 조사 정보 저장부는 감마선 조사량에 따른 소비전력 및 비용을 산출 및 저장한다.
상기 플라스틱 골재 정보 저장부는 종류, 입경크기, 비중, 형태(펠렛상, 플레이크상, 분말상, 섬유상), 가격 또는 이들의 조합 중 어느 하나의 플라스틱 골재 정보를 입력 및 저장한다. 또한, 상기 플라스틱 골재는 이중결합을 포함하고 있는 다관능성 단량체를 이용하여 플라스틱 골재를 전처리함으로써 가교반응을 촉진시켜 결정화도 및 표면거칠기를 더욱 향상시킬 수 있으며, 상기 플라스틱 골재 정보 저장부는 플라스틱 골재의 다관능성 단량체 처리 유무와 상기 다관능성 단량체의 종류를 입력 및 저장하는 것도 가능하다.
또한, 상기 서브 데이터 수집부는 상기 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 수득하는 표면 이미지 수득부와 수득된 표면 이미지를 통해 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 표면정보를 수치화하여 출력하는 이미지 분석부를 포함한다.
상기 이미지 수득부에서는 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 주사전자현미경(SEM), 투과전자현미경(TEM) 또는 이들의 조합 중 어느 하나를 포함하는 표면 이미지 분석기법을 통해 수득한다.
감마선 조사처리를 통해 플라스틱 골재 표면에 결정화 영역, 가교도 영역, 표면 요철 또는 이들의 조합 중 어느 하나가 발생되며, 상술된 표면 변화는 감마선 조사량, 플라스틱 골재 정보에 따라 상이하게 측정된다.
상기 이미지 분석부에서는 이미지를 통해 확인된 감마선 조사량 및 플라스틱 골재 정보에 따른 결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나의 표면정보를 수치화하여 저장한다.
상기 이미지 분석부에서는 수득된 표면 이미지를 소정의 픽셀 크기를 갖는 영역으로 할당하고 해당 영역내 각각의 정량화된 픽셀들의 값을 수치화하여 저장한다.
상기 특징 이미지 영역 내의 모든 픽셀 값을 입력 데이터로 생성할 때에는, 추출된 특징 이미지를 후 공정인 서브 학습부에서 머신 러닝을 수행하여 플라스틱 골재 표면정보 예측모델을 형성하는데 이용할 수 있도록 소정의 규격으로 픽셀 크기를 갖는 범위의 프레임에 할당한다. 할당된 프레임 내부에 포함된 각각의 픽셀들을 정량화하고 수치화한다.
구체적으로, 픽셀의 값은 그레이 스케일(gray scale)의 명도단계를 정량화하고 수치화한 것이며, 또한, 상기 특징 이미지 영역의 가공은 프레임에 할당된 이미지를 소정 범위의 블럭으로 나누고 해당 블럭별로 각각의 픽셀 값들을 평균하는 가공 방법이 있고, 프레임 내의 이미지를 가로방향 또는 세로방향으로 픽셀 값을 평균하는 가공 방법이 있을 수 있다. 픽셀값을 평균하여 입력 데이터를 생성하면 데이터의 양을 줄일 수 있고, 픽셀 값을 그대로 사용하여 입력 데이터를 생성하면 보다 정밀한 데이터를 생성할 수 있다.
상기 서브 학습부에서는 상기 서브 데이터 수집부의 감마선 조사량, 플라스틱 골재 정보에 따른 플라스틱 골재의 표면정보를 토대로 머신 러닝을 수행하여 표면정보 예측모델을 생성한다.
상기 플라스틱 골재 표면정보 예측부에서는 감마선 조사량과 플라스틱 골재의 특성의 입력을 요청하고, 입력값을 토대로 플라스틱 골재의 표면정보를 예측하여 출력한다.
상기 플라스틱 골재 표면정보 예측모델을 생성하기 위한 알고리즘은 지도학습 알고리즘, 비지도학습 알고리즘, 강화학습 알고리즘 또는 이들의 조합 중 어느 하나로 선택될 수 있으며, 구체적으로는, 상술된 알고리즘 중 어느 하나를 이용할 수 있다.
본 발명에 따른 방법에서 데이터 수집부, 학습부, 강도 예측부 사이/내부의 데이터 입력 및 출력은 사용자 단말을 통해 수행되며, 사용자 단말은 컴퓨터, 태블릿 PC, 스마트폰, PDA(Personal Digital Assistant), PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 등과 같은 무선통신장치 및 유선통신장치를 포함할 수 있으며, 상기 목적을 달성하는 것이라면 이에 한정하는 것은 아니다.
사용자 단말은 네트워크를 통해 데이터를 입력하거나 전송할 수 있으며, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 구체적인 예로는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나, 상기 목적을 달성하는 것이라면 이에 한정되지는 않는다.
본 발명에 따른 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법은 다양한 전자정보처리 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록 및 저장된다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어 컴퓨터에 의해서 실행될 수 있는 고급 언어코드를 포함한다.
이상과 같이 본 발명은 첨부된 도면을 참조하여 바람직한 실시예를 중심으로 설명하였지만 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 특허청구범위에 기재된 기술적 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 또는 변형하여 실시할 수 있다. 따라서 본 발명의 범주는 이러한 많은 변형의 예들을 포함하도록 기술된 청구범위에 의해서 해석되어야 한다.
100 : 데이터 수집부
200 : 학습부
300 : 강도 예측부
200 : 학습부
300 : 강도 예측부
Claims (8)
- 삭제
- 감마선 조사처리된 플라스틱 골재와 시멘트 페이스트를 혼합하여 제조되는 시멘트 복합체의 강도를 예측하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템에 있어서,
감마선 조사처리된 플라스틱 골재 표면정보와 시멘트 페이스트 정보를 포함하는 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집부;와
상기 데이터 수집부의 입력값과 출력값에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습부;와
생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측부;를 포함하고,
상기 강도 예측부는
예측된 강도에 대한 오차를 경사 하강법 및 확률적 경사 하강법 중 적어도 어느 하나를 포함하는 보정방법을 통해 보정을 하며,
상기 시멘트 페이스트 정보는
시멘트 페이스트 원료와 상기 시멘트 페이스트 원료간의 배합비를 포함하고,
상기 감마선 조사처리된 플라스틱 골재 표면정보는
결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나를 포함하며, 감마선 조사처리된 플라스틱 골재 표면정보 예측 시스템에 의해 도출되며,
상기 감마선 조사처리된 플라스틱 골재 표면정보 예측 시스템은
플라스틱 골재에 조사될 감마선 조사량, 플라스틱 골재 정보를 서브 입력값으로 입력하고, 상기 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 수득하여 수득된 표면 이미지를 소정의 픽셀 크기를 갖는 영역으로 할당하고 상기 영역내 정량화된 픽셀들의 값을 수치화하여 감마선 조사처리된 플라스틱 골재 표면정보를 출력값으로 수집하는 서브 데이터 수집부;와
상기 서브 입력값에 따른 감마선 조사처리된 플라스틱 골재 표면정보를 토대로 머신 러닝을 수행하여 표면정보 예측모델을 생성하는 서브 학습부;와
플라스틱 골재에 조사될 감마선 조사량과 플라스틱 골재 정보의 입력을 요청하고, 입력값을 토대로 생성된 표면정보 예측모델을 이용하여 감마선 조사처리된 플라스틱 골재 표면정보를 예측하여 출력하는 플라스틱 골재 표면정보 예측부;를 포함하고,
상기 플라스틱 골재 정보는
플라스틱 골재의 종류, 입경크기, 비중, 형태, 가격 또는 이들의 조합 중 어느 하나를 포함하며,
상기 서브 데이터 수집부에서는
그레이 스케일의 명도단계를 정량화하며, 프레임에 할당된 이미지를 소정 범위를 블럭으로 나누고 해당 블럭별로 각각의 픽셀 값들을 평균하는 것을 특징으로 하는
머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템.
- 삭제
- 삭제
- 삭제
- 감마선 조사처리된 플라스틱 골재와 시멘트 페이스트를 혼합하여 제조되는 시멘트 복합체의 강도를 예측하기 위한 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법에 있어서,
데이터 수집부에서 감마선 조사처리된 플라스틱 골재 표면정보와 시멘트 페이스트 정보를 포함하는 입력값과 상기 입력값에 대응한 시멘트 복합체 강도를 출력값으로 수집하는 데이터 수집단계;와
학습부에서 상기 데이터 수집부의 입력값과 출력값에 대해 머신 러닝을 수행하여 강도 예측모델을 생성하는 학습단계;와
강도 예측부에서 상기 생성된 강도 예측모델을 이용하여 상기 입력값에 대응하는 시멘트 복합체 강도를 예측하는 강도 예측단계;를 포함하며,
상기 강도 예측단계에서는
예측된 강도에 대한 오차를 경사 하강법 및 확률적 경사 하강법 중 적어도 어느 하나를 포함하는 보정방법을 통해 보정을 하며,
상기 시멘트 페이스트 정보는
시멘트 페이스트 원료와 상기 시멘트 페이스트 원료간의 배합비를 포함하고,
상기 감마선 조사처리된 플라스틱 골재 표면정보는
결정화도, 가교도, 표면거칠기 또는 이들의 조합 중 어느 하나를 포함하고, 감마선 조사처리된 플라스틱 골재 표면정보 예측 시스템에 의해 도출되며,
상기 감마선 조사 처리된 플라스틱 골재 표면정보 예측 시스템은
플라스틱 골재에 조사될 감마선 조사량, 플라스틱 골재 정보를 서브 입력값으로 입력하고, 상기 서브 입력값에 따라 처리된 플라스틱 골재의 표면 이미지를 수득하여 수득된 표면 이미지를 소정의 픽셀 크기를 갖는 영역으로 할당하고 상기 영역내 정량화된 픽셀들의 값을 수치화하여 감마선 조사처리된 플라스틱 골재 표면정보를 출력값으로 수집하는 서브 데이터 수집부;와
상기 서브 입력값에 따른 감마선 조사처리된 플라스틱 골재 표면정보를 토대로 머신 러닝을 수행하여 표면정보 예측모델을 생성하는 서브 학습부;와
플라스틱 골재에 조사될 감마선 조사량과 플라스틱 골재 정보의 입력을 요청하고, 입력값을 토대로 생성된 표면정보 예측모델을 이용하여 감마선 조사처리된 플라스틱 골재 표면정보를 예측하여 출력하는 플라스틱 골재 표면정보 예측부;를 포함하고,
상기 플라스틱 골재 정보는
플라스틱 골재의 종류, 입경크기, 비중, 형태, 가격 또는 이들의 조합 중 어느 하나를 포함하며,
상기 서브 데이터 수집부에서는
그레이 스케일의 명도단계를 정량화하며, 프레임에 할당된 이미지를 소정 범위를 블럭으로 나누고 해당 블럭별로 각각의 픽셀 값들을 평균하는 것을 특징으로 하는
머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130119A KR102438041B1 (ko) | 2021-09-30 | 2021-09-30 | 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130119A KR102438041B1 (ko) | 2021-09-30 | 2021-09-30 | 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102438041B1 true KR102438041B1 (ko) | 2022-08-29 |
Family
ID=83113859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210130119A KR102438041B1 (ko) | 2021-09-30 | 2021-09-30 | 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102438041B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200095129A (ko) | 2019-01-31 | 2020-08-10 | 충남대학교산학협력단 | 조기재령 콘크리트 압축강도 예측에 사용되는 콘크리트 공시체 제조방법 및 조기재령 콘크리트의 압축강도 예측방법 |
| KR102223053B1 (ko) | 2020-10-26 | 2021-03-03 | 금오공과대학교 산학협력단 | 감마선 조사에 의해 개질처리된 플라스틱 골재를 이용한 경량 시멘트 복합체 및 이의 제조방법 |
| KR102228463B1 (ko) | 2020-10-26 | 2021-03-15 | 금오공과대학교 산학협력단 | 감마선 조사에 의해 개질처리된 플라스틱 골재 |
-
2021
- 2021-09-30 KR KR1020210130119A patent/KR102438041B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200095129A (ko) | 2019-01-31 | 2020-08-10 | 충남대학교산학협력단 | 조기재령 콘크리트 압축강도 예측에 사용되는 콘크리트 공시체 제조방법 및 조기재령 콘크리트의 압축강도 예측방법 |
| KR102223053B1 (ko) | 2020-10-26 | 2021-03-03 | 금오공과대학교 산학협력단 | 감마선 조사에 의해 개질처리된 플라스틱 골재를 이용한 경량 시멘트 복합체 및 이의 제조방법 |
| KR102228463B1 (ko) | 2020-10-26 | 2021-03-15 | 금오공과대학교 산학협력단 | 감마선 조사에 의해 개질처리된 플라스틱 골재 |
Non-Patent Citations (3)
| Title |
|---|
| I. R. N. Vargas, Machine Learning Prediction of Mechanical and Durability Properties of Recycled Aggregates Concrete, Master’s Thesis, Western University(2020)* * |
| K. Lyu et al., The effect of rough vs. smooth aggregate surfaces on the characteristics of the interfacial transition zone, Cem. Concr. Compos. Vol.99, pp49-61(2019)* * |
| S. R. Salimbahrami et al., Experimental investigation and comparative machine-learning prediction of compressive strength of recycled aggregate concrete, Soft Computing Vol.25(2021.01.13.)* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sultana et al. | Soft computing approaches for comparative prediction of the mechanical properties of jute fiber reinforced concrete | |
| Janusziewicz et al. | Layerless fabrication with continuous liquid interface production | |
| Awolusi et al. | Performance comparison of neural network training algorithms in the modeling properties of steel fiber reinforced concrete | |
| Adamu et al. | Prediction of compressive strength of concrete incorporated with jujube seed as partial replacement of coarse aggregate: a feasibility of Hammerstein–Wiener model versus support vector machine | |
| Abdalla et al. | Hybrid MARS-, MEP-, and ANN-based prediction for modeling the compressive strength of cement mortar with various sand size and clay mineral metakaolin content | |
| Zhang et al. | Microstructure-informed modelling of damage evolution in cement paste | |
| Saleh et al. | You only design once (YODO): Gaussian Process-Batch Bayesian optimization framework for mixture design of ultra high performance concrete | |
| US20240029833A1 (en) | Computer implemented engineering materials mechanical property based search method | |
| Shaqadan | Prediction of concrete mix strength using random forest model | |
| Lin et al. | An intelligent sampling approach for metamodel-based multi-objective optimization with guidance of the adaptive weighted-sum method | |
| Darmé et al. | Forbidden frozen-in dark matter | |
| KR102438041B1 (ko) | 머신러닝 기반 감마선처리 플라스틱 골재 혼입 시멘트 복합체 강도예측시스템 및 이를 이용한 강도예측방법 | |
| WO2020242766A1 (en) | Machine learning-based apparatus for engineering meso-scale peptides and methods and system for the same | |
| Curd et al. | Geometrical and mechanical characterisation of hollow thermoplastic microspheres for syntactic foam applications | |
| Amin et al. | Experimental and machine learning approaches to investigate the effect of waste glass powder on the flexural strength of cement mortar | |
| Huang et al. | Machine learning aided design and prediction of environmentally friendly rubberised concrete | |
| AlFaraj et al. | A Model Ensemble Approach Enables Data-Driven Property Prediction for Chemically Deconstructable Thermosets in the Low-Data Regime | |
| Nafees et al. | Plastic concrete mechanical properties prediction based on experimental data | |
| Nasiri et al. | Interpretable extreme gradient boosting machine learning model for fatigue lifetimes in 3D-printed polylactic acid biomaterials | |
| Ivanov et al. | J/ψ dissociation cross sections in a relativistic quark model | |
| Phung et al. | Novel approaches to predict the Marshall parameters of basalt fiber asphalt concrete | |
| Bonacci et al. | Towards high-throughput many-body perturbation theory: efficient algorithms and automated workflows | |
| Cheng et al. | Symbiotic polyhedron operation tree (SPOT) for elastic modulus formulation of recycled aggregate concrete | |
| Cakiroglu et al. | Manta Ray Foraging and Jaya Hybrid Optimization of Concrete Filled Steel Tubular Stub Columns Based on CO2 Emission | |
| Rajamuneeswaran et al. | A lexicographic multiobjective genetic algorithm for optimization of mechanical properties of crab carapace impregnated coir–polyester composites |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |