Earticle

초록

한국어

본 연구는 배합설계 도출 시 시행착오적인 방법으로 낭비되던 시간과 노력을 최소화하기 위해 신경망 이론을 적용한 60MPa급 고강도 콘크리트 배합설계모델을 제시하고자 하였다. 완성된 배합설계모델을 통해 압축강도 및 단위 수량, 혼화재량을 예측하여 압축강도 시험을 실시한 후 목표값과 실측값을 비교함으로써 그 타당성을 검증하였다. 결론적으로, 신경망 모델의 정확도를 나타내는 결정계수(R2)가 배합설계 1의 압축강도를 예측한 모델은 0.99314, 배합설계 2의 압축강도를 예측한 모델은 0.96796으로 나타나, 신경망 모델의 학습이 비교적 올바르게 수행되었음을 알 수 있었다. 단위 수량과 혼화재량을 출력변수로 둔 배합설계모델의 검증실험 결과, 압축강도 목표값과 실측값의 오차율이 플라이 애시를 혼화재로 사용한 배합은 2%, 실리카흄을 혼화재로 사용한 배합은 1.83%로 나타났으며, 목표 압축강도 60MPa에 부합하는 배합 인자들의 적정 수준을 예측할 수 있었다.

영어

The purpose of this study is to suggest 60MPa class concrete mix design model applying neural network theory, in order to minimize an effort wasted by trials and errors method until now. Mix design model was applied to each of the 60 data using fly ash and silica fume. Then being repeatedly applied to back- propagation algorithm in neural network model, optimized connection weight was gained. The completed mix design model was proved, by analyzing and comparing to value predicted from mix design model and value measured from actual compressive strength test. According to the results of this study, more accurate value could be gained through the mix design model, if error rate decreases with the test condition and environment. Also if density, slump flow, and air content of concrete apply to mix design model, more accurate and resonable mix design could be gained.

목차

Abstract
 1. 서론
  1.1 연구배경 및 목적
  1.2 연구범위 및 방법
 2. 신경망 이론
  2.1 신경망의 개요
  2.2 신경망 모델링
 3. 배합설계를 위한 모델링
  3.1 신경망 모델링 방법
  3.2 입력변수 및 출력변수의 결정
  3.3 자료수집
  3.4 배합설계모델 최적화
  3.5 학습검증
 4. 모델검증
  4.1 배합 인자 수준 예측
  4.2 사용재료
  4.3 검증실험
  4.4 결과 분석
 5. 결론
 참고문헌

저자

• 신상엽 [ Shin, Sang-Yeop | 부산대학교 건축공학과, 박사과정 ]
• 이유진 [ Lee, Yu-Jin | 부산대학교 건축공학과, 공학석사 ]
• 김영수 [ Kim, Young-Soo | 부산대학교 건축공학과, 정교수, 공학박사 ] 교신저자

참고문헌