[해외DS] 인공지능과 ‘기포콘크리트’로 달성하는 지속가능한 건설

머신 러닝으로 기포콘크리트 제작 전 압축 품질 예측 가능해져 AI, 기포콘크리트 재료 혼합비 최적화해 구조적으로 훌륭한 제품 만들게 해 발포 콘크리트 압축 강도와 밀도 사이의 높은 상관관계 증명

20
pabii research

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소(MDSA R&D)에서 영어 원문 공개 조건으로 콘텐츠 제휴가 진행 중입니다.

사진=AI 비즈니스

건설 작업에 널리 사용되는 콘크리트는 탄소 발자국이 크고 기후 변화를 불러오는 주된 원인입니다. 보다 지속 가능한 대체재로 ‘기포콘크리트(foamed concrete)’라는 것이 있지만 이를 제작하기 위해 최적의 재료 혼합비를 찾아내는 과정이 복잡하고, 시간과 비용도 많이 들어간다는 문제점이 있습니다.

그런데 최근 시멘트 업계의 권위 있는 학술지 ‘시멘트와 콘크리트 구성(Cement and Concrete Composites)’에 발표된 논문에 따르면 머신 러닝을 적용해 실제 제조에 들어가기 전에 콘크리트의 압축 품질을 예측, 시간과 비용을 절약하고 폐기물도 줄일 수 있습니다.

기포콘크리트는 경량기포 콘크리트 혹은 저밀도 발포 콘크리트라고도 불립니다. 이는 시멘트에 발포제와 골재, 그리고 물이 배합된 혼합물입니다. 결속 모르타르(접착용 혹은 미장용으로 사용되는 건설 재료, 일종의 접착제)를 이용해 공극(air voids, 비어 있는 부분)을 지지하면서 셀 구조가 가볍다는 특징이 있는데, 그로 인해 궁극적으로는 건축 자재의 무게가 줄어들게 됩니다. 우리나라와 영국, 캐나다에서는 이미 상용화되어 있습니다.

기포콘크리트는 건축에 이용할 수 있는 우수한 물리적, 기계적 그리고 물리화학적 특성을 보유하고 있습니다. 하지만 기포콘크리트를 제작하기 위해서는 발포제(기포콘크리트 제작 단계에서 내부에 기포를 골고루 분산시키기 위해 이용됨)의 유형, 골재의 입자 크기와 시멘트 광물학 같은 변수를 최적화해야 합니다. 또한 수질, 혼합물 비율, 공극의 균일성 및 유형 역시 중요한 특성이 됩니다. 경화 방법 역시 최종 제품의 품질에 큰 영향을 미칩니다.

이번에 소개된 AI 기반 모델은 기포콘크리트 재료의 혼합비를 최적화합니다. 그 결과 높은 강도 대 중량비를 보유한, 구조적으로 훌륭한 제품을 만들 수 있습니다. 여기서 끝이 아닙니다. 이 모델은 에너지 소비, 열전도율 그리고 내화성에 대한 최적의 공식도 찾아낼 수 있습니다.

현재 과학자들은 압축 강도와 재료 특성 사이의 관계 같은 콘크리트의 특성을 확인할 때 복잡한 요소에 기반한 경험적 모델을 사용합니다. 반면 이 논문의 AI 기반 모델은 머신 러닝을 응용해 생산 이전에 콘크리트의 압축 특성을 예측하는 데 중점을 두었습니다. 머신 러닝은 구조적 행동 예측에 도움이 되기 때문입니다.

연구자들은 모델 개발 과정에서 비선형 예측에 쓸 수 있는 머신 러닝 알고리즘인 GBT, GEP 그리고 ANN을 사용했습니다. 여기서 GBT 모델이 가장 높은 수준의 검증 데이터를 가장 잘 처리했다고 합니다. 모래 대 시멘트 비율과 물 대 시멘트 비율을 분석할 땐 파라메트릭 분석이 활용된 바 있습니다.

이 연구는 발포 콘크리트의 압축 강도와 밀도 사이에는 높은 상관관계가 있다는 사실을 증명했고, 알고리즘을 구축해 발포 콘크리트의 압축 강도를 정확하게 예측했습니다. 머신 러닝으로 발포 콘크리트를 정확하게 최적화할 수 있는 방안을 제시해 건설 산업에 기여한 겁니다.

한편 연구팀은 머신 러닝 알고리즘에 설정한 발포제 투여량을 변화시키는 후속 연구를 통해 발포 콘크리트에 대한 공식을 개선할 수 있다고 밝혔습니다.


Concrete is widely used in construction, but it has a large carbon footprint and is a key contributor to climate change. There is a more sustainable replacement called ‘foamed concrete,’ but finding the optimal mixture of ingredients to make it is complex, takes time and is costly.

Now a team of scientists is applying machine learning to predict the compressive qualities of concretes before manufacture, saving time, cost and reducing waste, according to a paper published in in Cement and Concrete Composites.

Foamed concrete, also known as lightweight cellular concrete or low-density foamed concrete, is made of cement, foaming agents, aggregate, and water. Its light cellular structure uses a binding mortar to support air voids, which ultimately reduces the weight of the building materials. It is already being used in the U.K., Canada and Korea.

The material has excellent physical, mechanical, and physiochemical properties for construction. The type of foaming agent, granulometry of aggregates and cement minerology are variables that can be optimized. Water quality, mixture proportions, and the uniformity and type of pores are other important characteristics. Furthermore, the curing method plays a role in the end product.

AI-based models have the capability to optimize the mixture of foamed concrete materials for high strength-to-weight ratio for structural product performance. It can also find the best formula for energy consumption, thermal conductivity, and fire resistance.

Currently, scientists use empirical models based on complex complications to factor in characteristics, such as the relationship between compressive strength and material properties. The paper focused on using machine learning to forecast the compressive properties of concretes before production. Machine learning can help predict structural behavior.

The researchers used three machine learning algorithms with nonlinear capabilities: GBT, GEP, and ANN. The GBT model performed the best with the highest validation data. Sand to cement ratios and water to cement ratios were analyzed using parametric analysis.

The research showed a high correlation between compressive strength and foamed concrete density. The algorithms demonstrated an accurate prediction of the compressive strength of foamed concrete, proving how machine learning can accurately optimize foamed concrete for the construction industry.

The team suggested future studies could involve varying the foaming agent dosages in the machine learning algorithms to find an improved formula for foamed concrete.

Similar Posts