인공지능이 밝혀낸 초고성능 섬유보강 콘크리트의 조기 압축강도 예측 – 건설 현장의 게임체인저
(((((((((((((
서론: 콘크리트, 그 한계를 넘어서는 도전
콘크리트는 건축과 토목 분야에서 가장 널리 사용되는 재료다. 하지만 이 재료도 완벽하진 않다. 낮은 인장강도, 취성, 무게 대비 강도 등의 한계는 항상 고민거리였다. 이를 보완하기 위해 과학자들은 초고성능 콘크리트(UHPC)와, 여기에 섬유를 보강한 초고성능 섬유보강 콘크리트(UHPFRC)를 개발했다. UHPFRC는 150MPa를 넘는 압축강도와 뛰어난 인성과 내구성을 자랑하며, 교량, 초고층 건물, 방호벽 등 고성능이 필요한 구조물에 적용되고 있다.
그러나 이 콘크리트의 진정한 성능은 '얼마나 빨리 강도가 발현되는가', 즉 조기 압축강도에 달려 있다. 조기 강도가 충분해야 거푸집 제거나 후속 공정을 빠르게 진행할 수 있기 때문이다. 문제는 이 조기 강도를 예측하는 일이 쉽지 않다는 데 있다.
1: 조기 압축강도, 왜 예측이 어려운가?
UHPFRC는 워낙 다양한 재료 조합과 복잡한 내부 구조를 갖기 때문에, 조기 압축강도는 재료 구성, 물/결합재 비율, 섬유 함량, 습윤 조건 등 수많은 변수에 의해 영향을 받는다. 전통적인 시험법인 압축시험은 시간이 오래 걸리고, 시료를 파괴해야 하며, 현장 강도와 오차가 클 수 있다.
이를 보완하기 위해 비파괴 시험법이나 성숙도 기반 추정기법이 사용되지만, 여전히 온도 등 외부 변수에 민감하며 일반화가 어렵다. 그렇다면, 복잡한 다변수를 동시에 고려할 수 있는 '지능적인' 접근은 없을까?
2: 인공지능, 복잡성을 꿰뚫다
이번 논문에서는 인공지능(AI) 기반 머신러닝(Machine Learning, ML) 모델 5종을 활용하여 UHPFRC의 조기 압축강도를 예측하는 새로운 접근을 제안했다. 사용된 알고리즘은 다음과 같다:
* 랜덤 포레스트(Random Forest, RF)
* 그래디언트 부스팅(Gradient Boosting, GB)
* 서포트 벡터 회귀(Support Vector Regression, SVR)
* 인공신경망(Artificial Neural Network, ANN)
* 가우시안 프로세스 회귀(Gaussian Process Regression, GPR)
이 모델들은 총 293개의 실험 데이터를 기반으로 학습되었으며, 13개의 입력 변수(시멘트, 실리카흄, 고로슬래그, 섬유 함량, 습윤 온도, 양생 시간 등)를 통해 1일, 3일, 7일 강도를 예측했다.
3: 누가 가장 정확했나? – 예측 성능 비교
테스트 데이터셋에서 GPR이 가장 뛰어난 예측 성능을 보였다. 결정계수(R²)는 0.932로, 이는 실제 측정값과 예측값이 매우 잘 일치함을 의미한다. MAE(평균 절대 오차)와 RMSE(평균 제곱근 오차)도 가장 낮았다. 반면, 전통적인 랜덤 포레스트 모델은 오차가 컸고 일반화 성능도 떨어졌다.
흥미롭게도 SVR과 ANN도 상당한 성능(R² ≈90%)을 보여, 단일 입력 값으로 수치 모델을 구축하는 대신, 데이터 기반 모델이 현장에서 유용하게 사용될 수 있음을 보여줬다.
4: 어떤 재료가 가장 중요한가? – 변수 중요도 분석
GPR 모델을 통해 각 입력 변수의 중요도를 분석한 결과, 가장 큰 영향을 준 변수는 '양생 시간'으로 전체 예측 변동성의 60% 이상을 설명했다. 그 외에는:
* 양생 온도 (23.1%)
* 고성능 감수제(SP) (6.1%)
* 섬유 함량 (4.1%)
* 물 함량 (2.1%)
이처럼 양생 조건과 혼화재의 미세 조절이 조기 강도 확보에 결정적인 역할을 한다는 것을 알 수 있다. 반면, 일반적으로 중요하게 여겨졌던 GGBS나 플라이애시 등의 효과는 상대적으로 미미했다.
5: 이 연구가 던지는 시사점
실용적 측면에서:
* 현장에서 조기 강도를 빠르게 예측하여 공정 계획을 최적화할 수 있다.
* 시료를 파괴하지 않고도 ML 모델을 통해 신속한 판단이 가능해진다.
학문적 측면에서:
* GPR은 예측값뿐 아니라 불확실성까지 함께 제공하므로, 신뢰도 있는 의사결정이 가능하다.
* 입력 변수 간 비선형 관계를 정량적으로 분석할 수 있어, 기존의 이론적 모델과 상호보완적 사용이 가능하다.
확장 가능성:
* 향후 내구성, 크리프, 건조수축 등 장기적 특성까지 예측 모델로 확장 가능하다.
* 현장 센서와 연동하면 실시간 데이터 기반의 지능형 콘크리트 관리 시스템도 구현 가능하다.
결론: UHPFRC와 AI, 건설의 미래를 열다
이번 연구는 UHPFRC의 조기 압축강도 예측에 있어 AI의 가능성을 명확히 보여줬다. 특히 GPR 모델의 뛰어난 성능은 향후 스마트 건설(Smart Construction) 분야에서 예측 기반 의사결정의 핵심 도구로 자리매김할 수 있음을 시사한다. 앞으로는 콘크리트가 단순한 재료가 아니라, 데이터와 연결된 '지능형 재료'로 진화할 날도 멀지 않아 보인다.
원문 논문 출처:
Abdellatief M, Hamla W, Hamouda H. (2025). AI driven prediction of early age compressive strength in ultra high performance fiber reinforced concrete. *Scientific Reports*, 15:20316.