2.1 플라이애시 콘크리트 배합 및 사용재료

본 연구에서는 2수준의 플라이애시 치환률(0 %, 30 %)과 3수준의 물-결합재 비(0.37, 0.42, 0.47)를 적용한 콘크리트 배합을 사용하였다. 동일 배합을 다룬 선행 연구의 이전 재령일의 결과 값을 인용하였으며 배합 사항 및 사용 재료의 특성은 선행 연구와 동일하다. 본 연구에서 사용한 콘크리트 배합을 Table 1에 나타내었으며, Table 2 및 Table 3에 본 배합에 사용한 골재 및 감수제의 특성을 나타내었다^{(Yoon and Kwon, 2020)}.

2.2 통과 전하량 평가 방법

본 연구에서는 ASTM C 1202에서 제안하는 시험 방법을 통해 OPC 및 플라이애시 콘크리트 배합의 염해 저항성능을 평가하였다. 이 시험 방법은 본질적으로 콘크리트 시편의 염화물 이온 침투 저항성을 평가하는 시험방법으로 알려져 있으며, 결과 값인 통과 전하량을 통해 촉진 염화물 확산계수를 경험식으로 도출할 수 있다^{(Berke and Hicks, 1994)}.

측면에 에폭시가 도포된 5 cm 두께의 디스크 시편을 대상으로 Cell Ⅰ(음극)에는 3 %의 염화나트륨(NaCl) 수용액을, Cell Ⅱ(양극)에는 0.3 M 수산화나트륨(NaOH) 수용액을 적용하여 6 시간동안 60 V의 전압을 인가하였다. 통과 전하량 평가 전경을 Fig. 1에 나타내었다. 전압을 인가하는 동안 30분 간격으로 통과 전류 값을 측정하여 아래의 식 (1)을 통해 통과 전하량을 산출하였다. 각 평가일 마다 3회 씩 통과 전하량을 평가한 후 이를 평균으로 계산하여 최종 결과 값으로 사용하였다. ASTM C 1202에서는 Table 4와 같은 기준을 통해 통과 전하량으로 콘크리트의 염화물 확산 저항성을 평가한다^{(ASTM C 1202, 2005)}.

여기서 $Q$는 통과 전하량(Coulomb)을 나타내고 있으며, $I_{x}$는 $x$분에서의 전류 값(A)을 나타낸다.

Fig. 1 The photo for ASTM C 1202

2.3 압축강도 평가 방법

재령 4년 ~ 6년의 OPC 및 플라이애시 콘크리트 시편을 대상으로 KS F 2405에 준하여 압축강도를 평가하였다^{(KS F 2405, 2015)}. 선행 연구에서 평가한 재령 3년까지의 압축강도 거동을 바탕으로 최대 2,190일(6년)까지의 재령일을 고려하여 재령에 따라 증가하는 압축강도 거동을 분석하였다^{(Yoon and Kwon, 2020)}. 2.2절의 통과 전하량과 마찬가지로 각 재령일에 배합별로 3회 씩 압축강도를 평가한 후 이를 평균으로 하여 결과 분석에 사용하였다.

3.1 플라이애시 콘크리트의 시간의존적 통과전하량 평가 결과

본 절에서는 ASTM C 1202에 준하여 재령 4년 ~ 6년에서의 OPC 및 플라이애시 콘크리트의 통과 전하량을 평가한 결과를 정량적으로 분석하였다. 재령 28일 ~ 3년의 결과는 동일 배합을 다룬 선행 연구에서 인용하였다^{(Yoon and Kwon, 2020)}. Fig. 2에 각 배합의 재령에 따른 통과전하량 변화 거동을 나타내었다.

직전 측정일인 재령 1,095일을 기준으로 최종 측정일인 재령 2,190일에서의 통과 전하량 감소율을 평가하면 OPC 콘크리트의 경우 7.92 % ~ 20.70 %, 플라이애시 콘크리트의 경우 13.62 % ~ 16.45 %로 평가되었다. 플라이애시 콘크리트는 OPC 콘크리트 대비 낮은 통과 전하량 값을 나타낼 뿐만 아니라 재령이 증가함에 따라 큰 폭의 통과 전하량 감소를 나타내었다. 재령 3년 이후로 OPC 콘크리트는 물-결합재 비가 높은 경우(W/B: 0.47)에서 ‘Moderate’ 등급을, 나머지 경우에서 ‘Low’ 등급을 나타내었으며 플라이애시 콘크리트는 최종 재령일인 2,190일에서 모두 ‘Very low’ 등급을 나타내었다. 또한 플라이애시 콘크리트에서는 재령이 증가함에 따라 물-결합재 비가 통과 전하량에 미치는 영향이 크게 감소하였으며, OPC 콘크리트와 플라이애시 콘크리트의 물-결합재 비에 의한 통과 전하량의 증가율을 Fig. 3에 나타내었다. Fig. 3에서는 각 평가 기간에서 물-결합재 비 0.37 대비 0.47에서의 통과 전하량 증가량을 분석하였다. 재령 28일을 제외하고 플라이애시 콘크리트에서 OPC 콘크리트 대비 낮은 물-결합재 비에 의한 변동성을 나타내었으며 플라이애시 콘크리트는 재령이 증가함에 따라 통과 전하량의 증가율이 감소하지만 OPC 콘크리트의 경우 뚜렷한 경향을 나타내지 않았다.

Fig. 2 The results of passed charge in FA and OPC concrete

Fig. 3 The increasing rate of passed charge by W/B ratio

3.2 플라이애시 콘크리트의 시간의존적 압축강도 평가 결과

본 절에서는 KS F 2405에 준하여 재령 4년 ~ 6년에서의 OPC 및 플라이애시 콘크리트의 압축강도를 평가한 결과를 분석하였다. 3.1절과 마찬가지로 재령 28일 ~ 3년의 결과는 동일 배합을 다룬 선행 연구에서 인용하였다^{(Yoon and Kwon, 2020)}. Fig. 4에 각 배합의 재령에 따른 압축강도 증가 거동을 나타내었다.

선행 연구의 마지막 측정일인 재령 3년을 기준으로 재령 6년의 압축강도 증가율을 평가한 결과, OPC 콘크리트의 경우 103.9 ~ 106.7 %, 플라이애시 콘크리트의 경우 101.4 ~ 106.5 %가 평가되었다. 두 배합 간의 강도 증진률은 큰 차이가 없었으나 모든 평가일에서 플라이애시 콘크리트가 더 높은 강도 값을 나타내었다. 재령 2,190일에서 플라이애시 콘크리트는 OPC 콘크리트 대비 110.2 ~ 123.1 %의 압축 강도를 나타내었다. 각 재령일에서 물-결합재 비가 감소함에 따른 압축강도의 증가율을 평가한 결과를 Fig. 5에 나타내었다. 압축강도의 경우 재령 730일 이후 두 배합 간의 물-결합재 비에 의한 강도 변동성의 차이가 매우 적게 나타났다. 플라애애시 콘크리트의 경우 초기 재령에서부터 물 –결합재 비에 의한 강도 품질 확보에 OPC 콘크리트 대비 유리한 것으로 보인다.

Fig. 4 The results of compressive strength in FA and OPC concrete

Fig. 5 The increasing rate of compressive strength by W/B ratio

4.1 플라이애시 콘크리트의 염화물 통과전하량 예측을 위한 딥-러닝 모델의 해석 조건

본 연구에서는 인공 신경망 알고리즘을 활용하여 본 연구에서 평가한 6수준의 배합을 대상으로 통과 전하량 예측 모델을 평가하였다. 본 연구에서 확보한 6개 배합의 재령 4년 ~ 6년을 고려하여 평가된 통과 전하량 결과와 선행 연구의 재령 28일 ~ 3년의 결과 값^{(Yoon and Kwon, 2020)}을 학습 데이터로 활용하여 단변량 시계열 분석을 수행하였으며 직전 3개의 데이터를 기반으로 그 다음 데이터를 예측하는 모델을 설계하였다. 본 연구에서는 각 배합 마다 총 9개의 평가 결과(재령 28일 ~ 6년)를 확보하였는데 이를 그대로 머신러닝의 입력 데이터로 활용하는 경우 데이터 량의 부족 문제로 인해 큰 오차가 발생하였다. 이러한 문제를 해결하기 위해 총 9개의 평가일 사이에 선형 보간을 적용하여 1일 간격으로 데이터를 보충하였으며, 최종적으로 각 배합은 2,193개의 결과 데이터를 갖게 되었다. 본 연구에서 딥-러닝 모델을 구성하기위해 활용한 학습 데이터를 Table 5에 나타내었으며, 배합 명 뒤의 숫자는 물-결합재 비를 의미한다.

평가 시 사용한 인공 신경망 알고리즘으로는 GRU(Gated Recurrent Unit)를 선정하였으며 GRU는 시계열 데이터를 분석할 수 있고 연산이 빠른 장점이 있다^{(Jeon et al., 2021)}. 본 연구의 딥-러닝 모델은 총 4개의 은닉층으로 구성되어있으며 train data의 과적합을 방지하고자 각 은닉층마다 10 %의 드랍아웃를 적용하였다. test data 및 validation data의 분배는 재령 5년 및 6년이 각각 test 및 validation 데이터에 포함될 수 있도록 각각 전체 데이터의 11.20 %(각 245개의 데이터)의 비율로 설정하였으며, 나머지 데이터는 train data로 활용하였다. 딥-러닝 모델 구동 시 test data를 이용하여 모델을 평가하게 되면 test data 위주의 모델을 구성하게 되어 해당 모델이 적절한 일반화 성능을 갖출 수 없게 된다. 따라서 본 연구에서는 validation data를 고려하여 모델을 구성 후 test data는 마지막에 1회만 사용하여 개발된 모델의 성능을 평가하였다. 딥-러닝 모델 구성 시 손실함수로서 root-mean-square error, mean absolute error, mean absolute percent error 등과 같은 다양한 함수가 사용되고 있다. 본 연구에서는 딥-러닝 모델 구성 시 다양한 손실함수와 이에 따른 매개변수 조정을 수행하여 최적 손실함수로서 평균제곱오차(MSE: Mean Squared Error)를 선정하였다. 이를 통해 딥-러닝 모델의 epoch의 진행에 따른 손실 거동을 평가하였으며 MSE 평가 식을 아래 식 (2)에 나타내었다. 본 연구에서 수행한 딥-러닝 해석 조건을 아래 Table 6에, 딥러닝 모델의 개요를 Fig. 6에 나타내었다.

여기서 $n$ 데이터 세트 내 데이터의 수를, $y_{i}$는 예측된 통과 전하량을, $\widetilde{y_{i}}$는 측정된 통과 전하량 값을 나타낸다.

Fig. 6 The overview of deep learning model for prediction of passed charge

4.2 플라이애시 콘크리트의 통과전하량 예측을 위한 딥-러닝 모델의 해석 결과

본 절에서는 재령 28일 ~ 6년에 평가된 3수준의 물-결합재 비를 고려한 OPC 및 플라이애시 콘크리트의 통과 전하량을 기반으로 분석한 딥-러닝 모델의 평가 결과를 다루었다. train data 및 validation data의 처리 과정에서 최대 25 epochs까지 매 epoch 마다 계산된 평균제곱오차(Mean Squared Error)를 Fig. 7에 나타내었다. 또한 딥-러닝 모델을 통해 예측한 각 배합의 재령 6년(Validation data), 6년(Test data)의 통과 전하량과 시험 값 간의 비교 결과를 Fig. 8에 나타내었다.

평균제곱오차 평가 결과 Fig. 7과 마찬가지로 epoch가 증가함에 따라 감소하는 경향이 나타났으며 epoch의 진행 중 일부 조건에서 손실이 다소 증가하는 경우가 나타났으나 이는 딥-러닝 모델의 구동 시 drop out 등에 의해 발생한 불확실성으로 사료되며 25회의 epoch 횟수는 본 연구의 데이터 분석에 충분한 것으로 사료된다. Fig. 8에 나타난바와 같이 본 연구의 딥-러닝 모델을 통해 OPC 및 플라이애시 콘크리트의 재령 5년 및 재령 6년의 통과 전하량을 예측한 결과는 실험을 통해 얻은 값과 매우 적은 차이를 나타내었다. 통과 전하량의 실험 값과 예측 값의 차이는 결합재의 종류나 물-결합재 비와 같은 배합 특성에 의한 경향을 나타내지 않았다. 각 배합의 시험 값과 예측 값의 간의 차이를 절댓값으로 평가한 후 측정값에 대한 비율로 나타내어 이를 오차로 고려하면 Fig. 9와 같다. OPC 콘크리트 배합의 경우 0.13 % ~ 1.71 %, 플라이애시 콘크리트 배합의 경우 0.20 % ~ 7.64 %의 오차를 나타내었다. 본 연구에서 제안한 염화물 거동 예측을 위한 딥-러닝 모델은 단일 배합 특성만을 고려할 수 있는 한계를 갖고 있으며 강도, 확산계수 등을 다변량으로 동시에 고려할 수 있는 모델을 추가 연구를 통해 개발 중에 있다. 또한 추가 장기 재령일에서의 통과 전하량 평가가 계획되어 있으며 이를 통해 콘크리트의 장기 거동 고려 시 더욱 신뢰할 수 있는 통과 전하량 예측 모델을 제안할 수 있을 것으로 사료된다.

Fig. 7 The analysis result of MSE by deep learning model

Fig. 8 The comparison of measured HCP and predicted HCP by deep learning model

Fig. 9 The ratio of absolute difference between measured and predicted HCP to measured HCP