메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Ha-Eun Min (Ewha Womans University) Hee Sun Kim (Ewha Womans University)
저널정보
한국콘크리트학회 콘크리트학회 논문집 콘크리트학회 논문집 제37권 제1호(통권 제205호)
발행연도
2025.2
수록면
37 - 47 (11page)
DOI
10.4334/JKCI.2025.37.1.037

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
콘크리트는 화재와 같은 고온에 노출되는 경우 물리적, 화학적 변화가 발생하여 압축강도가 현저히 저하된다. 고온에 노출된 콘크리트의 강도를 평가하기 위해 전통적인 실험 방법을 사용하는 것은 시간과 비용이 많이 소요될 뿐만 아니라, 콘크리트 배합비와 같은 다양한 변수의 영향을 종합적으로 고려하기 어렵다는 한계가 있다. 이러한 문제를 해결하고자 최근 머신러닝(ML) 기법 중 앙상블 모델을 활용하여 화재 시 콘크리트의 압축강도를 예측하려는 시도가 다수 이루어졌으나, 앙상블 모델 간의 예측 성능을 비교 평가한 연구는 상대적으로 부족한 실정이다. 이에 본 연구는 Gradient Boosting Regressor (GBR), Extreme Gradient Boosting Regressor (XGBR), Categorical Gradient Boosting (CatBoost), Random Forest (RF), Extra Trees, 5가지 앙상블 모델을 비교 평가하여 혼화재가 혼입된 콘크리트의 고온 노출 시 압축강도를 예측하는 데 적합한 모델을 제안하고자 하였다. 각 모델의 예측 성능을 결정계수(R²), 평균제곱근오차(RMSE), 평균절대오차(MAE) 지표를 기준으로 평가한 결과, CatBoost 모델이 가장 높은 예측 정확도를 보였으며, 변수 중요도 분석을 통해 물-결합재 비율과 가열 온도가 주요 영향 변수임을 확인하였다. 또한, 모델의 학습 과정에 사용되지 않은 새로운 데이터를 활용하여 CatBoost 및 ET 모델의 예측 성능을 검증한 결과, CatBoost가 실험 결과와 더 높은 일치를 보임으로써 우수한 예측 성능을 입증하였다.
#concrete #high temperature #supplementary cementitious material (SCM) #strength #machine learning #콘크리트 #고온 #혼화재 #압축강도 #머신러닝 기법

목차

ABSTRACT
1. Introduction
2. Machine Learning Algorithms
3. Database Description
4. Model selection in machine learning
5. Model performance analysis
6. Conclusion
References
요약

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092499083