본문 바로가기
KERD
논문KCI 등재

인공 신경망 알고리즘을 활용한 플라이애시 콘크리트의 염해 내구성능 예측

The Prediction of Durability Performance for Chloride Ingress in Fly Ash Concrete by Artificial Neural Network Algorithm

윤용식|권성준
한국구조물진단유지관리공학회 (The Korea Institute For Structural Maintenance and Inspection)|2022.10|한국구조물진단유지관리공학회 논문집 (Journal of The Korea Institute for Structural Maintenance and Inspection)|제26권 제5호|pp. 127-134

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

Fly ashGRU염해Deep learning model플라이애시통과 전하량게이트 순환 유닛딥-러닝 모델Passed chargeChloride ingress
주제분류안전공학

초록

본 연구에서는 장기재령(4~6년)으로 양생된 플라이애시 콘크리트를 대상으로 촉진 염화물 이온 통과 시험을 수행하였다. 콘크리트 배합은 3수준의 물-결합재 비(0.37, 0.42, 0.47)와 2수준의 플라이애시 치환율(0, 30 %)을 가지고 있었으며, 시간 의존적으로 개선되는 통과전하량을 정량적으로 분석하였다. 또한 실험결과를 GRU 알고리즘을 고려한 단별량 시계열 모델을 적용하여 학습하였으며, 그 예측값을 평가하였다. 통과전하량 실험 결과, 플라이애시 콘크리트는 물-결합재 비에 의한 통과 전하량의 변화가 재령이 증가함에 따라 점차 감소하였으며 OPC 콘크리트에 비하여 우수한 염해저항성을 나타내었다. 최종 평가일인 6년에서 플라이애시 콘크리트는 모든 물 결합재 비 조건에서 ‘Very low’ 등급에 해당되는 통과 전하량이 평가되었지만, OPC 콘크리트의 경우 가장 높은 물-결합재 비를 갖는 조건에서 ‘Moderate’ 등급을 나타내었다. 메인 알고리즘으로서 사용한 GRU 알고리즘은 시계열 데이터를 분석할 수 있고 연산 속도가 빠른 장점을 갖고 있다. 4개의 은닉층을 갖는 딥-러닝 모델이 고려되었으며 결과값은 실험값을 합리적으로 예측하고 있었다. 본 연구의 딥-러닝 모델은 단변량 시계열 특성만을 고려할 수 있는 한계점이 존재하지만 추가 연구를 통해 콘크리트의 강도 및 확산계수와 같은 다양한 특성을 고려할 수 있는 모델이 개발 중에 있다.

Abstract

In this study, RCPTs (Rapid Chloride Penetration Test) were performed for fly ash concrete with curing age of 4 ~ 6 years. The concrete mixtures were prepared with 3 levels of water to binder ratio (0.37, 0.42, and 0.47) and 2 levels of substitution ratio of fly ash (0 and 30%), and the improved passed charges of chloride ion behavior was quantitatively analyzed. Additionally, the results were trained through the univariate time series models consisted of GRU (Gated Recurrent Unit) algorithm and those from the models were evaluated. As the result of the RCPT, fly ash concrete showed the reduced passed charges with period and an more improved resistance to chloride penetration than OPC concrete. At the final evaluation period (6 years), fly ash concrete showed 'Very low' grade in all W/B (water to binder) ratio, however OPC concrete showed 'Moderate' grade in the condition with the highest W/B ratio (0.47). The adopted algorithm of GRU for this study can analyze time series data and has the advantage like operation efficiency. The deep learning model with 4 hidden layers was designed, and it provided a reasonable prediction results of passed charge. The deep learning model from this study has a limitation of single consideration of a univariate time series characteristic, but it is in the developing process of providing various characteristics of concrete like strength and diffusion coefficient through additional studies.

참고문헌 (27)

  1. Metha, P. K., "Concrete: structure, properties, and materials", pp.113~171 (1993), prentice Hall
  2. Broomfield, J. P., "Corrosion of Steel in Concrete:Understanding, Investigation and Repair", pp.1~15 (1997), E&FN
  3. 오기석, "GGBFS 콘크리트에 매립된 Notch를 가진 FRP Hybrid Bar의 부식저항성 평가", 한국구조물진단유지관리공학회 논문집, 20(4), pp.51~58 (2016), 한국구조물진단유지관리공학회
  4. 문한영, "해수 침식을 받은 콘크리트의 성능저하 원인 규명", 대한토목학회 논문집A, 22(1-A), pp.171~180 (2002), 대한토목학회
  5. Kirkpatrick, T. J., "Probabilistic Model for the Chloride-induced Corrosion Service Life of Bridge Decks", Cement and Concrete Research, 32(12), pp.1943~1960 (2002)
  6. An FHWA Special Study: Post-Tensioning Tendon Grout Chloride Thresholds, "Lee, S. K.", Federal Highway Administration, 7~20, pp.FHWA-HRT-14-039 (2014)
  7. Nath, P., "Effect of Fly Ash on the Durability Properties of High Strength Concrete", Procedia Engineering, 14, pp.1149~1156 (2011)
  8. Jau, W. C., "A Study of The Basic Engineering Properties of Slag Cement Concrete and Its Resistance to Seawater Corrosion", Cement and Concrete Research, 28(10), pp.1363~1371 (1998)
  9. Thamoas, M. D. A., "Modelling Chloride Diffusion in Concrete Effect of Fly Ash and Slag", Cement and Concrete Research, 29(4), pp.487~495 (1999)
  10. "KS L 5405., Fly Ash, Korea Standard Service Network", ~ (2016)
  11. Bilodeau, A., "Mechanical properties and durability of structural lightweight concrete incorporating high-volumes of fly ash", ACI International, 178, pp.449~474 (1998)
  12. Borah, M. M., "Service life assessment of chloride affected bridge located in coastal region of India considering variation in the inherent structural parameters", Structures, 23, pp.191~203 (2020)
  13. 윤용식, "장기 재령 GGBFS 콘크리트의 염화물 확산 거동 평가 및 확률론적 염해 내구수명 해석", 한국구조물진단유지관리공학회 논문집, 24(3), pp.47~56 (2020), 한국구조물진단유지관리공학회
  14. Thomas, M. D, A., "Computer Program for Predicting the Service Life and Life-cycle Costs of Reinforced Concrete Exposed to Chlorides(Life365 Manual)", SFA, ~ (2002)
  15. KCI., "KDS 14 20 40-Durability Design Standard for Concrete Structure", Korea Concrete Institute, 652~653 (2021)
  16. ACI 365.1R-17-Report on Service Life Prediction, ACI Committee 365, "ACI.", American Concrete Institute, 2~45 (2017)
  17. Yeh, I. C., "Modeling of strength of high-performance concrete using artificial neural networks", Cement and Concrete research, 28(12), pp.1797~1808 (1998)
  18. 김인수, "신경망을 이용한 콘크리트 배합요소 및 압축강도 추정", 콘크리트학회 논문집, 14(4), pp.457~466 (2002), 한국콘크리트학회
  19. Najafabadi, M. M., "Deep learning applications and challenges in big data analytics", Journal of big data, 2(1), pp.1~21 (2015)
  20. Chithra, S., "A comparative study on the compressive strength prediction models for High Performance Concrete containing nano silica and copper slag using regression analysis and Artificial Neural Networks", Construction and Building Materials, 114, pp.528~535 (2016)
  21. Lee, S. C., "Prediction of concrete strength using artificial neural networks", Engineering structures, 25(7), pp.849~857 (2003)
  22. Jeong, D. H., "A study on prediction of concrete carbonation using deep learning", Master, Department of Architectural Engineering, pp.2020
  23. 윤용식, "장기재령 FA 콘크리트에 대한 염화물 거동 및 확률론적 염해 내구수명 평가", 한국건설순환자원학회 논문집, 8(3), pp.276~285 (2020), 한국건설순환자원학회[DOI]
  24. Berke N. S., "Predicting Chloride Profiles in Concrete", CORROSION, 50(3), pp.234~239 (1994)
  25. "ASTM C 1202., Standard Test Method for Electrical Indication of Concrete's Ability to Resist Chloride Ion Penetration", American Society for Testing and Materials, ~ (2005)
  26. "26. KS F 2405, Standard Test Method for Compressive Strength of Concrete", KSSN, 1~3 (2015)
  27. 전건열, "GRU를 활용한 인공지능기반 구조물 시계열 응답 예측", 한국방재학회논문집, 21(3), pp.171~179 (2021), 한국방재학회[DOI]

관련 논문AI추천

1년 양생 조건의 Fly Ash를 혼입한 고성능 콘크리트의 시간의존적 염해저항성 평가권성준, 윤용식한국구조물진단유지관리공학회 · 한국구조물진단유지관리공학회 논문집2018 · 제22권 제4호인공신경망을 이용한 플라이애시 및 실리카 흄 복합 콘크리트의 압축강도 예측번위결, 왕소용, 최영지산업기술연구소 · 산업기술연구2021 · 제41권 제1호인공신경망 기반 동결융해 작용을 받는 콘크리트의 내구성능 평가김강수, 최승호, 허인욱, 할리오나한국구조물진단유지관리공학회 · 한국구조물진단유지관리공학회 논문집2023 · 제27권 제6호Fly Ash를 혼입한 콘크리트의 재령에 따른 강도와 염화물 저항능력간의 상관관계 평가권성준, 박재성, 윤용식, 황철성한국구조물진단유지관리공학회 · 한국구조물진단유지관리공학회 논문집2017 · 제21권 제4호2년 양생 실험결과를 이용한 고로슬래그 미분말 콘크리트의 염화물 확산 예측식권성준, 윤용식, 조성준한국구조물진단유지관리공학회 · 한국구조물진단유지관리공학회 논문집2019 · 제23권 제2호기계학습 기반 해양 노출 환경의 콘크리트 교량 데이터를 활용한 염화물 확산계수 예측모델 개발남우석, 임홍재한국구조물진단유지관리공학회 · 한국구조물진단유지관리공학회 논문집2024 · 제28권 제5호

이 간행물의 다른 논문 (18건)

FRP 시트 및 강봉 트러스 시스템으로 보강된 조적벽의 내진성능 비교 연구양근혁, 이혜지, 김상희pp. 1-9보부재 불연속성과 수평비정형성을 고려한 건물의 풍하중과 지진하중에 의한 응답해석앰디 라지불 이스람, 김두기, 수딥타 차크라보르티pp. 10-193D 프린터로 출력된 시멘트 복합체의 내구성에 미치는 폴리머 후처리의 영향김윤용, 서지석, 현창진pp. 20-29터널 스캐닝 다중 촬영 영상의 특징점 기반 접합 알고리즘 성능평가이태희, 이승훈, 박진태, 박신전pp. 30-42모듈러 신축이음장치 지진거동 모사 실험적 연구최은석, 이정우pp. 43-48
원문 보기