์ ํ์ค
(Hyun-Joon Jeong)
1
์ ํธ์ฑ
(Hoseong Jeong)
2
๊น์ฌํ
(Jae Hyun Kim)
3
๊น๊ฐ์
(Kang-Su Kim)
4โ
-
์์ธ์๋ฆฝ๋ํ๊ต,๊ฑด์ถ๊ณตํ๊ณผ ์ค๋งํธ์ํฐ์ตํฉ์ ๊ณต ์์ฌ
-
์์ธ์๋ฆฝ๋ํ๊ต,๊ฑด์ถ๊ณตํ๊ณผ ์ค๋งํธ์ํฐ์ตํฉ์ ๊ณต ๋ฐ์ฌ๊ณผ์
-
์์ธ์๋ฆฝ๋ํ๊ต,๊ฑด์ถ๊ณตํ๊ณผ ๋ฐ์ฌ๊ณผ์
-
์์ธ์๋ฆฝ๋ํ๊ต,๊ฑด์ถ๊ณตํ๊ณผ ์ค๋งํธ์ํฐ์ตํฉ์ ๊ณต ๊ต์
Copyright ยฉ The Korea Institute for Structural Maintenance and Inspection
ํค์๋
์ฝํฌ๋ฆฌํธ, ๊ณต๊ทน๋ฅ , ์์๋ถํ , ๋จธ์ ๋ฌ๋, ๋ฅ๋ฌ๋
Key words
Concrete, Porosity, Image segmentation, Machine learning, Deep learning
1. ์ ๋ก
์ฌ์ฉ์ฐ์ 30๋
์ด ์ด๊ณผ๋ ์ฒ ๊ทผ์ฝํฌ๋ฆฌํธ ๊ตฌ์กฐ๋ฌผ(์ดํ RC ๊ตฌ์กฐ๋ฌผ)์ด ์ฆ๊ฐํจ์ ๋ฐ๋ผ ๊ตฌ์กฐ๋ฌผ์ ๋ด๊ตฌ์ฑ ํ๊ฐ ๋ฐ ์ ์ง๊ด๋ฆฌ์ ๋ํ ์ฌํ์ ๊ด์ฌ์ด ๋์์ง๊ณ ์๋ค.
์์ค๋ฌผ ์ ์ง๊ด๋ฆฌ ์ง์นจ(Ministry of Land, Infrastructure and Transport, 2022)์์ RC๊ตฌ์กฐ๋ฌผ์ ์ฃผ๋ ๋ด๊ตฌ์ฑ ํ๊ฐํญ๋ชฉ์ ํ์ฐํ ๊น์ด ๋ฐ ์ผํ๋ฌผ ์นจํฌ๋์ด๋ค. ํ์ฐํ ๋ฐ ์ผํ๋ฌผ ์นจํฌ ์๋๋ ์ฝํฌ๋ฆฌํธ ๊ณต๊ทน๋ฅ ์ด ๋์์ง์๋ก ์ฆ๊ฐํ๊ธฐ ๋๋ฌธ์
RC ๊ตฌ์กฐ๋ฌผ์ ๋ด๊ตฌ์ฑ์ ์ฝํฌ๋ฆฌํธ ๊ณต๊ทน๋ฅ ์ ํฐ ์ํฅ์ ๋ฐ๋๋ค(Chang & Chen, 2006). ๊ณต๊ทน๋ฅ ์ ์๋ถ ํก์๋ฒ, ๊ฐ์คํก์ฐฉ๋ฒ ๋ฐ X-ray Microscope (XRM) ๋ฑ์ ํตํด ๊ณ์ธกํ ์ ์๋ค. ์๋ถ ํก์๋ฒ (KS F 2385, 2018)์ ์ฝํฌ๋ฆฌํธ์ ํก์๋ ์๋ถ๋์ ํตํด ๊ณต๊ทน๋ฅ ์ ํ๊ฐํ๋ ๋ฐฉ๋ฒ์ด๋ฉฐ, ๊ฐ์คํก์ฐฉ๋ฒ์ ๋ด๋ถ ํ๋ฉด์ ์ ํก์ฐฉ๋ ๊ธฐ์ฒด๋์ ๊ธฐ๋ฐํ์ฌ ๊ณต๊ทน๋ฅ ์ ์ถ์ ํ๋ ๋ฐฉ๋ฒ์ด๋ค. X-ray
Microscope (XRM) ์ X-ray๋ฅผ ํตํด ๋ด๋ถ ๋ฏธ์ธ๊ตฌ์กฐ๋ฅผ ๊ฐ์ํํ๋ ๋ฐฉ๋ฒ์ด๋ฉฐ, 3์ฐจ์์ผ๋ก ๊ณต๊ทน ๋คํธ์ํฌ(Pore network)๋ฅผ ํ์ธํ
์ ์๋ค๋ ์ฅ์ ์ด ์๋ค(Lu et al., 2006). ํํธ, ์ด๋ฌํ ์ธก์ ๋ฒ๋ค์ ํ๊ดด ์ํ๋ฒ์ด๊ธฐ ๋๋ฌธ์, ๊ณ์ธก ๋น์ฉ์ด ๋๊ณ ๋ฒ๊ฑฐ๋กญ๋ค๋ ํ๊ณ๋ฅผ ์ง๋๊ณ ์๋ค(Torres-Luque et al., 2014).
์์ ๋ถํ ๊ธฐ๋ฒ์ ์ปดํจํฐ๊ฐ ์ด๋ฏธ์ง ๋ด์ ๊ฐ์ฒด๋ฅผ ํฝ์
๋จ์๋ก ๋๋์ด์ฃผ๋ ์๊ณ ๋ฆฌ์ฆ์ผ๋ก, ์๋ฃ, ์์จ์ฃผํ ๋ฐ ๊ฑด์ค ๋ฑ ๋ค์ํ ์ฐ์
๋ถ์ผ์์ ํ์ฉ๋๊ณ ์๋ค(Hofmarcher et al., 2019; Wang et al., 2018; Dogan et al., 2017; Jang et al., 2019; Yang et al., 2020). ์์ ๋ถํ ๊ธฐ๋ฒ์ ๊ฑด์ค ๋ถ์ผ์์ ์ฃผ๋ก ๊ท ์ด ๊ฒ์ถ์ ํ์ฉ๋์ด์์ผ๋ฉฐ, ์ด๋ ๊ท ์ด ํ์ง์ ์์๋๋ ๋น์ฉ ๋ฐ ์๊ฐ์ ํฌ๊ฒ ๊ฐ์ถํ ์ ์์๋ค(Dung, 2019). ์ด๋ฌํ ์์ ๋ถํ ๊ธฐ๋ฒ์ ๊ณต๊ทน๋ฅ ์์ธก์ ํ์ฉํ๋ค๋ฉด, ์ ํ ๊ณต๊ทน๋ฅ ์ธก์ ๋ฒ์ ํ๊ณ๋ฅผ ๊ทน๋ณตํ ์ ์์ ๊ฒ์ผ๋ก ๊ธฐ๋๋๋ค.
๋ฐ๋ผ์, ๋ณธ ์ฐ๊ตฌ์์๋ ์์ ๋ถํ ๊ธฐ๋ฒ์ ํ์ฉํ์ฌ ์ฝํฌ๋ฆฌํธ์ ๊ณต๊ทน๋ฅ ์ ์์ธกํ๊ณ ์ ํ์๋ค. 2์ฅ์์๋ ๋ณธ ์ฐ๊ตฌ์์ ํ์ฉ๋ ์์ ๋ถํ ๊ธฐ๋ฒ๊ณผ ์ฌ์ฉ ์ฅ๋น๋ฅผ
์๊ฐํ์๊ณ , 3์ฅ์์๋ ์ด๋ฏธ์ง ์ทจ๋, ๊ณต๊ทน๋ฅ ๊ณ์ธก ๋ฐ ๋ชจ๋ธํ์ต์ ์ฌ์ฉ๋ ๋ฐฉ๋ฒ๋ค์ ์์ ํ์๋ค. 4์ฅ์์๋ ์คํ ๊ฒฐ๊ณผ๋ฅผ ์์ฝํ์์ผ๋ฉฐ, 5์ฅ์์๋ ๋ณธ์ฐ๊ตฌ์
๊ฒฐ๋ก ์ ์์ฝํ์๋ค.
2. ์์ ๋ถํ ๊ธฐ๋ฒ ๋ฐ ์ฅ๋น
์์ ๋ถํ ๊ธฐ๋ฒ์ ์๊ณ ๋ฆฌ์ฆ์ด ๊ฐ์ฒด๋ฅผ ์ธ์ํ์ฌ ํฝ์
๋จ์๋ก ๊ฐ์ฒด๋ฅผ ๋ถ๋ฅํ๋ ๊ธฐ๋ฒ์ด๋ค. ์ด๊ธฐ์ ์์ ๋ถํ ๊ธฐ๋ฒ์ ์๊ณ๊ฐ์ ์ ํ๊ณ ์๊ณ๊ฐ์ ๊ธฐ์ค์ผ๋ก ์ด๋ฏธ์ง
๋ด์ ๊ฐ์ฒด๋ฅผ ๋ถ๋ฅํ๊ฑฐ๋(Otsu, 1979), ๋น์ทํ ์๊น์ ๊ตฐ์งํํ์ฌ ๊ฐ์ฒด๋ฅผ ๋ถ๋ฅ (Dhanachandra et al., 2015)ํ์๋ค. ์ด๋ฌํ ๋ฐฉ์๋ค์ ๋ถ๋ฅ์ ํ๋๊ฐ ๋ฎ์์์ง๋ง, ์ต๊ทผ์๋ ๋ฅ๋ฌ๋ ๊ธฐ์ ์ด ๊ธ์ํ ๋ฐ์ ์ ์ด๋ฃจ๋ฉด์ ๋์ ์ ํ๋๋ฅผ ๋ณด์ด๋ ์์ ๋ถํ ๊ธฐ๋ฒ ๋ชจ๋ธ๋ค์ด ๋ค์
๊ฐ๋ฐ๋์๋ค.
2.1 ๋ฅ๋ฌ๋ ๊ธฐ๋ฐ ์์ ๋ถํ ๋ชจ๋ธ
2.1.1 Fully Convolutional Network (FCN)
Fig. 1์ ๊ฐ์ด FCN์ ์ด๋ฏธ์ง์์ ๋์์ ํน์ง์ ์ถ์ถํ๋ ๋ค์ด์ํ๋ง(Down-sampling) ๊ณผ์ ๊ณผ ๋์์ ์์น๋ฅผ ์ฐพ๋ ์
์ํ๋ง(Up-sampling)
๊ณผ์ ์ผ๋ก ๊ตฌ์ฑ๋๋ค(Long et al., 2015). ๋ค์ด์ํ๋ง ๊ณผ์ ์์๋ Fig. 2์ ๋ํ๋ธ ๋ฐ์ ๊ฐ์ด ์ปจ๋ณผ๋ฃจ์
๋ ์ด์ด(Convolution layer)๊ฐ ์ด๋ฏธ์ง์ ํน์ง ์ ๋ณด๋ฅผ ์ถ์ถํ๊ณ , ์ฃผ์ ์ ๋ณด๋ง์ ํ๋ง(Pooling) ๊ณผ์ ์ผ๋ก
์ ์ฅํ๊ฒ ๋๋ค. ์ด ๊ณผ์ ์ ์ฌ๋ฌ ๋ฒ ๋ฐ๋ณตํ์ฌ ์ป์ ์ ๋ณด๋ฅผ ํตํด ๋์์ ํน์ง์ ํ์
ํ๊ณ , ์ด๋ฅผ ์
์ํ๋ง ๊ณผ์ ์ผ๋ก ์ด์ ์ํจ๋ค. ์
์ํ๋ง ๊ณผ์ ์์๋ ํด๋น
ํน์ง์ ์์น๋ฅผ ์ธํ๋ง(Unpooling)ํ์ฌ ํน์ ํจ์ผ๋ก์จ ๋์์ ์์น์ ๋ณด๋ฅผ ํ์
ํ๋ค. FCN์ ์
์ํ๋ง์์ ๋ฐ์ํ๋ ์์น์ ๋ณด์ ์์ค ์ต์ํํ๊ธฐ ์ํ์ฌ
๋ค์ด์ํ๋ง์์ ์ปจ๋ณผ๋ฃจ์
๋ ์ด์ด์ ์ผ๋ถ๋ฅผ ์ฐธ์กฐํ๋ค.
2.1.2 U-net
Fig. 3๊ณผ ๊ฐ์ด U-net ๋ํ ๋ค์ด์ํ๋ง ๊ณผ์ ๊ณผ ์
์ํ๋ง ๊ณผ์ ์ผ๋ก ๊ตฌ์ฑ๋๋ค(Ronneberger et al., 2015). ์ด ๋ฐฉ๋ฒ์ ๋ชจ๋ ์
์ํ๋ง ๋ ์ด์ด์์ ๋ค์ด์ํ๋ง ๋จ๊ณ์ ์ปจ๋ณผ๋ฃจ์
๋ ์ด์ด๋ฅผ ์ฐธ์กฐํ๊ธฐ ๋๋ฌธ์ ์ผ๋ฐ์ ์ผ๋ก FCN๋๋น ๋์ ๋ถ๋ฅ์ ํ๋๋ฅผ ๊ฐ๋๋ค. ๋ํ ์ปจ๋ณผ๋ฃจ์
๋ ์ด์ด์์์ ์ค๋ณต ๊ฒ์ฆ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ์ฌ ํ์ต ์๋๊ฐ ๋น ๋ฅด๋ค๋ ํน์ง์ ๊ฐ๋๋ค.
Fig. 3 Structure of U-net
2.1.3 DeepLab v3+
DeepLab v3+๋ ๊ธฐ๋ณธ์ ์ผ๋ก FCN๋ชจ๋ธ๊ณผ ์ ์ฌํ ๊ตฌ์กฐ๋ก ๋์ด ์์ง๋ง, Fig. 4์ ๋ํ๋ ๋ฐ์ ๊ฐ์ด ๊ณต๊ฐ ํผ๋ผ๋ฏธ๋ ํ๋ง (Spatial Pyramid pooling) ๊ธฐ๋ฒ์ด ํ์ฉ๋๋ค(Chen et al., 2017). ์ด ๊ธฐ๋ฒ์ ๋น ๊ณต๊ฐ์ ๊ฐ๋ ํํฐ๋ฅผ ํ์ฉํ๋ฉฐ, ๋น์จ (rate)์ ๊ฐ์ ๋ฐ๋ผ ๋น ๊ณต๊ฐ์ ํฌ๊ธฐ๊ฐ ๊ฒฐ์ ๋๋ค. ์๋ฅผ ๋ค์ด, rate=1์ผ ๊ฒฝ์ฐ ํํฐ์
๋น ๊ณต๊ฐ์ด ์์ผ๋ฉฐ, ๋น์จ์ด ์ปค์ง์๋ก ๋น ๊ณต๊ฐ์ด ๋์ด์ง๊ฒ ๋๋ค. ์ด๋ฅผ ํตํด Fig. 5์ ๊ฐ์ด ํํฐ๋ฅผ ์ด์ฉํ ๊ณ์ฐ๋์ ์ ๊ฒ ์ ์งํ๋ฉด์๋ ํ ํฝ์
๋ก ๋ณผ ์ ์๋ ์์ญ์ ๋๊ฒ ๊ฐ์ ธ๊ฐ ์ ์๋ค.
Fig. 4 Spatial pyramid pooling
Fig. 5 Atrous convolution
2.1.4 MoblieNet
Howard et al.(2017)๋ ๊ธฐ์กด์ ์ปจ๋ณผ๋ฃจ์
(convolution)์์ ํ ์ถ์ ์ฐ์ฐ์ ๊ฐ์์ํจ Depth-wise separable convolution (DWSC) ์
ํ์ฉํ์ฌ, ์ ์ฌ์ ์ปดํจํ
๊ธฐ๊ธฐ์ ์ ์ฉํ ์ ์๋ ์์ ๋ถํ ์๊ณ ๋ฆฌ์ฆ(MobileNet)์ ๊ฐ๋ฐํ์๋ค(Fig. 6). ์ด ์๊ณ ๋ฆฌ์ฆ์ ๋ค๋ฅธ ์์ ๋ถํ ๊ธฐ๋ฒ ๋๋น ๋ฎ์ ๋ถ๋ฅ์ฑ๋ฅ์ ๊ฐ์ง๋ง, ์ฐ์ํ ์ฐ์ฐํจ์จ๋ก ์ธํด ์ค๋งํธํฐ ๋ฑ์ ์ฃผ๋ก ํ์ฉ๋๊ณ ์๋ค.
2.2 ์คํ์ฅ๋น
์ฝํฌ๋ฆฌํธ์ ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ์ทจ๋ํ๊ธฐ ์ํ์ฌ ๊ดํํ๋ฏธ๊ฒฝ(HT004, Gasworld)์ ํ์ฉํ์๋ค. ์ฝํฌ๋ฆฌํธ์ ์ค์ ๊ณต๊ทน๋ฅ ์ ์ธก์ ํ๊ธฐ ์ํ์ฌ X-ray
Microscope (XRM, Xradia 620 Versa, Carl Zeiss)์ ํ์ฉํ์์ผ๋ฉฐ, Dragonfly Pro๋ฅผ ์ฌ์ฉํ์ฌ XRM๋ฐ์ดํฐ๋ฅผ
3์ฐจ์์ผ๋ก ๊ฐ์ํํ์๋ค. ๋นํ๊ดด ์ํ๋ฒ์ ๊ธฐ๋ฐํ์ฌ ์ฝํฌ๋ฆฌํธ์ ์์ถ๊ฐ๋๋ฅผ ์ถ์ ํ๊ธฐ ์ํ์ฌ Concrete Test & Surveyor (CTS, HJ-CTS-02v04,
Heungjin)๋ฅผ ํ์ฉํ์๋ค.
3. ์คํ๋ฐฉ๋ฒ
3.1 ์ํธ ์ ์
๋ณธ ์ฐ๊ตฌ์์๋ ์ฝํฌ๋ฆฌํธ์ ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ์์งํ๊ธฐ ์ํด ๋ฌผ์๋ฉํธ๋น๋ฅผ ๋ณ์๋ก ํ๋ 3์ข
๋ฅ์ ์ฝํฌ๋ฆฌํธ ์คํ์ฒด๋ค์ ์ ์ํ์๋ค. Table 1์๋ ๊ฐ ์คํ์ฒด์ ์ฝํฌ๋ฆฌํธ ๋ฐฐํฉ๋น๋ฅผ ๋ํ๋ด์์ผ๋ฉฐ, ํ ๋ณ์ ๊ธธ์ด๊ฐ 50mm์ธ ์ ์ก๋ฉด์ฒด ์คํ์ฒด๋ฅผ ๋ฐฐํฉ๋น 30๊ฐ์ฉ, ์ด 90๊ฐ๋ฅผ ์ ์ํ์๋ค(Fig. 7). ๋ชจ๋ ์คํ์ฒด๋ 28์ผ๊ฐ ์์ค์์ ๋์๋ค.
Table 1 Summary of concrete mix-proportion
Type
|
water
|
cement
|
fine aggregate
|
coarse aggregate
|
Type1
|
175
|
325
|
910
|
921
|
Type2
|
162
|
460
|
785
|
970
|
Type3
|
177
|
600
|
681
|
902
|
๋จ์ : kg/mยณ
3.2 ์ด๋ฏธ์ง ์ทจ๋ ๋ฐ ์์ธก ๊ณต๊ทน๋ฅ ์ฐ์
86๋ฐฐ์จ ๋ฐ 500๋ง ํ์์ ๊ดํํ๋ฏธ๊ฒฝ์ ํ์ฉํ์ฌ ํ๋ฉด์ฒ๋ฆฌ๋ฅผ ๊ฑฐ์น์ง ์์ ์คํ์ฒด๋ค์ ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ์ทจ๋ํ์๋ค. ํ๋ฉด๊ณต๊ทน๋ฅ ์ ๋ณ๋์ฑ์ ๊ณ ๋ คํ๊ธฐ ์ํ์ฌ
๋ชจ๋ ์คํ์ฒด(90๊ฐ)๋ฅผ ์ด๋ฏธ์ง ์ทจ๋์ ํ์ฉํ์๋ค. ๋ค๋ง, ๊ฐ ์ํธ์ 6๊ฐ ๋ฉด ์ค, ๊ฑฐํธ์ง๊ณผ ๋ง๋ฟ์ 5๊ฐ์ ๋ฉด์ ๋ํด์๋ง ์ดฌ์์ด ์ด๋ฃจ์ด์ก์ผ๋ฉฐ, ๊ฐ ๋ฉด๋น
6๊ฐ์ ๊ตฌ์ญ์ ๋๋์ด ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ์ดฌ์ํ์๋ค. ๊ทธ ๊ฒฐ๊ณผ, ์ด 2,729์ฅ(90๊ฐร5๋ฉดร6๊ตฌ์ญ + 29์ฅ์ ์ถ๊ฐ ์ด๋ฏธ์ง)์ ์ด๋ฏธ์ง๋ฅผ ์ทจ๋ํ์๋ค. ์ด
์ค ์ด 139๊ฐ ์ด๋ฏธ์ง์ ๊ณต๊ทน์ ๋ง์คํนํ์ฌ ๋ชจ๋ธํ์ต, ๊ฒ์ฆ ๋ฐ ์ํ(model training, validation and testing)์ ํ์ฉํ์์ผ๋ฉฐ,
๋๋จธ์ง 2,590์ฅ์ ์ด๋ฏธ์ง๋ ๋ฐฐํฉ ๋ณ ๊ณต๊ทน๋ฅ ์ ํ๊ฐํ๋ ๋ฐ ์ฌ์ฉ๋์๋ค. ์ฌ๊ธฐ์ ์์ธก ๊ณต๊ทน๋ฅ ์ ์ ์ฒด ์ด๋ฏธ์ง ๋ฉด์ ์ค ๊ณต๊ทน์ด ์ฐจ์งํ๋ ๋ฉด์ ์ ๋น์จ๋ก
์ฐ์ ๋์๋ค. Fig. 8 (a) ๋ฐ (b)๋ ๊ฐ๊ฐ ๊ดํํ๋ฏธ๊ฒฝ์ผ๋ก ์ดฌ์๋ ์คํ์ฒด์ ํ๋ฉด ์ด๋ฏธ์ง์ ๋ง์คํน ๋ ์ด๋ฏธ์ง๋ฅผ ๋ํ๋ธ๋ค.
Fig. 8 Surface images extracted by microscope
3.3 ์ธก์ ๊ณต๊ทน๋ฅ ์ฐ์
์์ ๋ถํ ๊ธฐ๋ฒ์ ํตํด ๋์ถํ ์์ธก ๊ณต๊ทน๋ฅ ์ ์ ํ๋๋ฅผ ํ๊ฐํ๊ณ ์, XRM ๋ฐ ์๋ถ ํก์๋ฒ์ ํ์ฉํ์ฌ ๊ณต๊ทน๋ฅ ์ ๊ณ์ธกํ์๋ค. ๊ฐ ๋ฐฐํฉ ๋ณ ์คํ์ฒด๋ฅผ 10ร10ร10
mm3 ํฌ๊ธฐ๋ก ์ ๋จํ์ฌ XRM ์ํธ์ ์ค๋นํ์์ผ๋ฉฐ, Fig. 9๋ XRM (X-Ray Microscopy)์ ํตํด ์ดฌ์๋ ์ํธ์ 3์ฐจ์ ๊ณต๊ทน ๊ตฌ์กฐ๋ฅผ ๋ํ๋ธ๋ค. ์ด๋, ๊ณต๊ทน ๊ตฌ์กฐ๋ Dragonfly Pro์ Threshold๋ฅผ
์กฐ์ ํ๋ฉฐ ๊ณต๊ทน์ ๊ตฌ๋ถํ๊ณ ์ดฌ์ํ ๊ฒ์ด๋ค. ์ ์ ๋ฐฉ๋ฒ์ ๊ตต์๊ณจ์ฌ๊ฐ ๋ณด์ด์ง ์๋ ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ๋ฐํ์ผ๋ก ์์ธก ๊ณต๊ทน๋ฅ ์ ์ฐ์ ํ๊ธฐ ๋๋ฌธ์, ๊ตต์๊ณจ์ฌ๊ฐ ์๋
3์ฐจ์ ์์ญ์ XRM ๊ฒฐ๊ณผ๋ฅผ ํ์ฉํ์ฌ ์ธก์ ๊ณต๊ทน๋ฅ ์ ์ฐ์ ํ์๋ค.
์๋ถ ํก์๋ฒ(Ahn et al., 2013)์ผ๋ก ๊ณต๊ทน๋ฅ ์ ์ธก์ ํ๊ธฐ ์ํ์ฌ ์คํ์ฒด๋ฅผ 100ยฐC ํ๊ฒฝ์์ 24์๊ฐ ๊ฑด์กฐํ ๋ค, 1์ฃผ์ผ๊ฐ ์์ค์ ๋์ด ์คํ์ฒด์ ์๋ถ์ด ์ถฉ๋ถํ ํก์๋ ์ ์๊ฒ ํ์๋ค.
์ดํ ์คํ์ฒด์ ๋ณํ๋ ์ค๋์ ํตํด ๊ณต๊ทน๋ฅ ($P$)์
์ผ๋ก ์ฐ์ ํ์์ผ๋ฉฐ, ์ฌ๊ธฐ์, P๋ ๋ฐฑ๋ถ์จ๋ก ๋ํ๋ธ ์๋ฃ์ ๊ณต๊ทน๋ฅ , $V_{sol}$๋ ๊ณต๊ทน์ ์ ์ธํ ์๋ฃ์ ๋ถํผ, $V_{T}$๋ ์๋ฃ์ ๋ถํผ,
$W_{S}$๋ ์๋ฃ์ ์์ค์ค๋, $W_{D}$๋ ์๋ฃ์ ๊ฑด์กฐ์ค๋, $\gamma_{W}$๋ ๋ฌผ์ ๋จ์์ค๋์ ๋ํ๋ธ๋ค.
Fig. 9 3-Dimensionalized X-ray images (Type 1)
3.4 ์์ถ๊ฐ๋ ํ๊ฐ
์์ถ๊ฐ๋๋ ๊ณต๊ทน๋ฅ ๊ณผ ๊ฐํ ์๊ด๊ด๊ณ๋ฅผ ๊ฐ๋ ๋์ฒด์ธ์ ์ด๋ฏ๋ก(Kumar et al., 2003), CTS(๋นํ๊ดด ์ํ, Nitto, 2009)์ Universal Testing Machine(UTM, ํ๊ดด ์ํ, KS F 2405, 2022)์ ํ์ฉํ์ฌ ์ฝํฌ๋ฆฌํธ์ ์์ถ๊ฐ๋๋ฅผ ์ธก์ ํ์๋ค. ์์ถ๊ฐ๋ ์ธก์ ์ Type ๋ณ๋ก ๊ฐ๊ฐ ์ง๋ฆ์ด 100 mm์ด๊ณ , ๋์ด๊ฐ 200 mm์ธ ์์ฃผํ ๊ณต์์ฒด 3๊ฐ์
๋ํด ์ค์๋์๋ค. CTS๋ฅผ ํ์ฉํ ๊ฒฝ์ฐ, ์์ฃผํ ๊ณต์์ฒด๋ฅผ 20ํ ํ๊ฒฉํ์ฌ ๋์ถ๋ ๋ฐ๋ฐ ๊ฒฝ๋ ๊ฐ์ ๊ธฐ๋ฐํ์ฌ ์์ถ๊ฐ๋๋ฅผ ์ฐ์ ํ์๋ค.
3.5 ๋ชจ๋ธํ์ต
3.5.1 ์ฆ๊ฐ(Augmentation)
์ปดํจํฐ ๋น์ ์ ์ด๋ฏธ์ง๋ฅผ ์์นํํ์ฌ ์ฌ์ฉํ๋ฏ๋ก, ํ์ , ๋ฐ์ ๋ฐ ํ๋๋ ๊ฐ์ฒด๋ฅผ ๋ค๋ฅธ ๊ฐ์ฒด๋ก ์ธ์ํ ์ ์๋ค. ์ด์ ๋ฐ๋ผ ์ด๋ฏธ์ง์ ํ์ ๊ณผ ๋ฐ์ , ํ๋
๋ฑ์ ๋ฐ์ดํฐ ์ฆ๊ฐ๊ณผ์ ์ ํตํด ์ถ๊ฐ ์ด๋ฏธ์ง๋ฅผ ํ๋ณดํ๊ณ , ํ์ต์ ํ์ฉํ์๋ค. ๋ํ ๋ชจ๋ธ์ด ๋ค์ํ ํฌ๊ธฐ ๋ฐ ํด์๋์ ์ด๋ฏธ์ง๋ฅผ ํ์ฉํ ์ ์๋๋ก ์์ฑ์(generator)๋ฅผ
๊ฑฐ์ณ ์ด๋ฏธ์ง์ ํฌ๊ธฐ๋ฅผ 256ร256์ผ๋ก ๋ณํํ์๋ค. ์ดํ ์ ๋ฐ์ ์ธ ๋ชจ๋ธ๋์ถ๊ณผ์ ์ Fig. 10์ ๋์ํํ์๋ค.
Fig. 10 Flowchart for model derivation
3.5.2 ๋ชจ๋ธ ์ ํ
ํ์ต์ ์ฌ์ฉ๋ ์ต์ ์ ๋ฅ๋ฌ๋ ๋ชจ๋ธ(Deep Learning Model)์ ๋์ถํ๊ธฐ ์ํ์ฌ FCN, MobileNet, DeepLab v3+ ๋ฐ U-net์
ํ์ฉํ์ฌ ๋ฒค์น๋งํฌ ํ
์คํธ๋ฅผ ์ํํ์๋ค. ๋ฒค์น๋งํฌ ํ
์คํธ์์ ๊ฐ ๋ชจ๋ธ์ ํ์ต์๋ default parameter๊ฐ ์ฌ์ฉ๋์์ผ๋ฉฐ, 30์ฅ์ ์ด๋ฏธ์ง๋ฅผ ํ์ฉํ์ฌ
ํ์ต์ด ์ํ๋์๋ค. Table 2๋ ๋ฒค์น๋งํฌ ํ
์คํธ ๊ฒฐ๊ณผ๋ฅผ ๋ํ๋ธ ๊ฒ์ด๋ค.
ํ
์คํธ ๊ฒฐ๊ณผ, ํ์ต ์๊ฐ์ MobileNet์ด ๊ฐ์ฅ ๋ฎ์์ผ๋ฉฐ, ๊ณต๊ทน๋ฅ ํ๊ฐ ์ ํ๋๋ DeepLab v3+๊ฐ ๊ฐ์ฅ ๋์๋ค. U-net์ DeepLab
v3+์ ์ ์ฌํ ์์ค์ ์ ํ๋๋ฅผ ๋ํ๋ด์์ง๋ง, ํ์ต ์๊ฐ์ DeepLab v3+๋ณด๋ค 30%๊ฐ๋ ๋ฎ์๋ค. ์ด์ฒ๋ผ ๋ฏธ๋ฏธํ ํ๊ฐ์ ํ๋์ ์ฐจ์ด๋ ๋งค๊ฐ๋ณ์
์ต์ ํ(Hyper parameter tunning)๋ฅผ ํตํ์ฌ ๊ทน๋ณตํ ์ ์์ผ๋ฏ๋ก, ํ์ต ๋ฐ tunning์ ์์๋๋ ์๊ฐ์ด ์งง์ U-net์ ํ์ฉํ์ฌ
์ดํ ์ฐ๊ตฌ๋จ๊ณ๋ฅผ ์งํํ์๋ค.
Table 2 Result of benchmark test
Models
|
FCN
|
MobileNet
|
DeepLab v3+
|
U-net
|
Time
|
1.1h
|
0.3h
|
0.7h
|
0.5h
|
Accuracy
|
93.0%
|
89.2%
|
96.1%
|
95.8%
|
3.5.3 ๋งค๊ฐ๋ณ์ ์ต์ ํ
๋ชจ๋ธ์ ์ต์ ํ๋ ๋งค๊ฐ๋ณ์ ์กฐํฉ์ ์ฐพ๊ธฐ ์ํ์ฌ Grid search๋ฅผ ์ํํ์๋ค(Liashchynskyi, 2019). Grid search๋ batch size=[2, 4, 8, 16], filter=[5, 6, 7, 9, 11, 13, 15, 17, 19, 21,
23, 25, 27, 29, 30], layer=[2, 3, 4, 5, 6, 7, 8, 9, 10]์ ๋ํด ์ํ๋์์ผ๋ฉฐ, ์ํฌํฌ(epoch)๋ 1,000์ผ๋ก
์ค์ ๋์๋ค. Table 3์๋ ๊ฐ๋ฐ๋ชจ๋ธ์ ์ต์ ํ๋ ๋งค๊ฐ๋ณ์๋ฅผ ๋ํ๋ด์์ผ๋ฉฐ, ๊ฐ์ฅ ์ข์ ์ฑ๋ฅ์ ๋ํ๋ธ ๋งค๊ฐ๋ณ์์ ์กฐํฉ์ ๊ฐ๊ฐ batch size=2, filter=17, layer=3์ด์๋ค.
Table 3 Grid search
Parameter
|
Value
|
Parameter
|
Value
|
Input shape
|
(256,256,3)
|
*Number of layers
|
3
|
Batch norm
|
True
|
Number of classes
|
1
|
Up-sampling mode
|
Deconvolut-ion
|
Dropout type
|
Spatial
|
Attention
|
True
|
Dropout rate
|
0.5
|
*Filters
|
17
|
Activation of output
|
Sigmoid
|
Optimizer
|
Adam
|
Epochs
|
1000
|
*Batch size
|
2
|
Shuffle
|
True
|
* Parameters for grid search
3.5.4 ๋ชจ๋ธํ์ต
์์ ๋์ถ๋ ๋งค๊ฐ๋ณ์๋ฅผ ํ์ฉํ์ฌ ๋ชจ๋ธ์ ํ์ต์์ผฐ๋ค. ์ ์ฒด ๋ฐ์ดํฐ ์ค 60%๋ ํ์ต, 20%๋ ๊ฒ์ฆ, 20%๋ ์ํ์ ํ์ฉ๋์๋ค. ๋ฐ์ดํฐ์ ์์(sequence)๊ฐ
๋ชจ๋ธ์ ํ์ต์ ์ํฅ์ ๋ฏธ์น๋ ๊ฒ์ ๋ฐฉ์งํ๊ธฐ ์ํด ์ํฌํฌ๋ง๋ค ํ์ต๋ฐ์ดํฐ์ ์์๋ฅผ ๋ฌด์์ ๋ณ๊ฒฝํ์๋ค. ๋ํ ๋ชจ๋ธ์ ์ผ๋ฐํ ์ฑ๋ฅ์ ํ๋ณดํ๊ณ ์ early-stopping
์ ํตํด ๊ณผ์ ํฉ์ ๋ฐฉ์งํ์์ผ๋ฉฐ, ์ต๋ ํ์ต ํ์(epoch)๋ 1,000 ๋ฐ ๊ฒ์ฆ์ ํ๋์ ๊ฐ์ ์คํจ ํ๊ณ(patience)๋ 10์ผ๋ก ์ค์ ํ์๋ค.
ํ์ต๋ ๋ชจ๋ธ์ ๊ฒ์ฆ์ ํ๋๋ 97%์์ผ๋ฉฐ, ์ํ์ ํ๋๋ 92%๋ก ๋ํ๋ฌ๋ค.
4. ๊ฒฐ๊ณผ ๋ฐ ๊ณ ์ฐฐ
4.1 ๊ณต๊ทน๋ฅ
Table 4์๋ XRM, ์๋ถ ํก์๋ฒ, U-net์ ํตํด ๋์ถ๋ ๊ณต๊ทน๋ฅ ์ ๋น๊ตํ์๋ค. ์ธ ๊ฐ์ง ์ธก์ ๋ฒ ๋ชจ๋ ๋ฌผ์๋ฉํธ๋น(w/c)๊ฐ ๋์์๋ก, ๋์ ๊ณต๊ทน๋ฅ ์ ๋ํ๋ด์๋ค.
Type 1์ ๋ํด์๋ XRM๊ณผ U-net์ด ์ ์ฌํ ๊ณต๊ทน๋ฅ ์ ๋ํ๋ด์์ผ๋, Type 2 ๋ฐ 3์ ๋ํด์๋ U-net์ด ๊ณต๊ทน๋ฅ ์ ์กฐ๊ธ ๋ ๋ฎ๊ฒ ํ๊ฐํ๋
๊ฒฝํฅ์ ๋ํ๋ด์๋ค. ์ด๋ XRM ์ ๋นํด ์ด๋ฏธ์ง ๊ธฐ๋ฐ Unet์ ํ์ฉํ์ฌ ๊ณ์ธกํ ์ ์๋ ์ต์๊ณต๊ทน์ ํฌ๊ธฐ(XRM: 0.5ฮผm, U-net: 20~30ฮผm)๊ฐ
ํฌ๋ฏ๋ก, w/c๊ฐ ๊ฐ์ํ ์๋ก U-net์ด ๊ด์ธกํ ์ ์๋ ๊ณต๊ทน๋ค์ด ๋ง์์ง๊ธฐ ๋๋ฌธ์ผ๋ก ํ๋จ๋๋ค. ์๋ถ ํก์๋ฒ์ XRM ๋ฐ U-net๋ณด๋ค ๋น๊ต์ ๋์
๊ณต๊ทน๋ฅ ์ ๋ํ๋ด์๋๋ฐ, ์ด๋ XRM ๋ฐ U-net์ด ๊ด์ธกํ ์ ์๋ ๊ณต๊ทน๋ณด๋ค ์์ ๊ณต๊ทน(0.5ฮผm ์ดํ์ capilary void ๋ฑ)์์๋ ์๋ถํก์๊ฐ
๋ฐ์ํ๊ธฐ ๋๋ฌธ์ผ๋ก ํ๋จ๋๋ค.
Table 4 Measured porosity
Methods
|
Type 1
|
Type 2
|
Type 3
|
XRM
|
9.26 %
|
3.96 %
|
2.20 %
|
Water absorption
|
20.90 %
|
16.67 %
|
16.15 %
|
U-net
|
9.28 %
|
3.10 %
|
1.75 %
|
4.2 ํ์ ํ๋ณธํฌ๊ธฐ
ํ์ฅ์์ ์ทจ๋ํ ์ฝํฌ๋ฆฌํธ์ ํ๋ฉด ์ด๋ฏธ์ง๋ฅผ ํ์ฉํ์ฌ ์ ๋ขฐ์ฑ ์๋ ๊ณต๊ทน๋ฅ ์ ์ถ์ ํ๊ธฐ ์ํด, ํต๊ณ์ ๊ธฐ๋ฒ์ ํ์ฉํ์ฌ ํ์ํ ํ๋ณธ์ ์๋ฅผ ์กฐ์ฌํ์๋ค. U-net๊ณผ
2,729๊ฐ์ ์ด๋ฏธ์ง๋ฅผ ํ์ฉํ์ฌ, ์ด๋ฏธ์ง๋ง๋ค ๊ณต๊ทน๋ฅ ์ ๋์ถํ์์ผ๋ฉฐ, ๋์ถ ๊ฐ์ด ์ ๊ท๋ถํฌ๋ฅผ ๋ฐ๋ฅด๋์ง ํ๋จํ๊ธฐ ์ํ์ฌ Shapiro-Wilk test๋ฅผ
์ํํ์๋ค. ๊ท๋ฌด๊ฐ์ค์ โ์ ๊ท๋ถํฌ๋ฅผ ๋ฐ๋ฅธ๋ค.โ๋ก ์ค์ ๋์์ผ๋ฉฐ, ์ ์์์ค์ 0.05๋ก ์ค์ ํ์๋ค. Table 5์ ๋ํ๋ธ ๋ฐ์ ๊ฐ์ด, ๋ชจ๋ ์ข
๋ฅ์ ์คํ์ฒด์์ ์ ์ํ๋ฅ ์ด 0.05๋ณด๋ค ๋ฎ์์ผ๋ฉฐ, ์ด๋ ์์ธก ๊ณต๊ทน๋ฅ ์ด ์ ๊ท๋ถํฌ๋ฅผ ๋ฐ๋ฅด์ง ์๋ ๊ฒ์ ์๋ฏธํ๋ค. ๋ฐ๋ผ์,
๋ค์ํ ํ๋ฅ ๋ถํฌ๋ฅผ ๋ชจ์ฌํ ์ ์๋ ๊ฐ๋ง๋ถํฌ๋ฅผ ํ์ฉํ์ฌ ๋ชจํ๊ท ์ถ์ ์ ํ์ํ ์ต์ ํ๋ณธํฌ๊ธฐ๋ฅผ ์ฐ์ ํ์๋ค.
ํ๋ณธํฌ๊ธฐ($n$)๋ ์๋์ ๊ฐ์ด ์ฐ์ ๋์์ผ๋ฉฐ,
$Z$๋ Z-score, $\sigma$๋ ํ์คํธ์ฐจ, $d$๋ ํ์ฉ์ค์ฐจ ํฌ๊ธฐ๋ฅผ ๋ํ๋ธ๋ค. Table 6์๋ ์ ๋ขฐ์์ค (90%, 95%, 99%) ๋ฐ ํ์ฉ ์ค์ฐจ(2%, 1%, 0.5%)์ ๋ฐ๋ฅธ ํ์ ํ๋ณธ ๊ฐ์๋ฅผ ๋ํ๋ด์๋ค. ์ ๋ขฐ์์ค์ 90%๋ก ํ๊ณ ํ์ฉ์ค์ฐจ๋ฅผ
1% ๋ด์ธ๋ก ํ๋ค๋ฉด Type 1, 2, 3 ์คํ์ฒด ๋ณ๋ก ํ์ํ ์ด๋ฏธ์ง ์๋ ๊ฐ๊ฐ 34, 9, 4์ฅ์ด์๋ค.
Table 5 Predicted porosity using image data
|
Type 1
|
Type 2
|
Type 3
|
Average
|
9.28 %
|
3.10 %
|
1.75 %
|
Median
|
9.22 %
|
2.65 %
|
1.53 %
|
P-value
|
1.79e-12
|
3.99e-26
|
3.23e-22
|
Table 6 Sample size
Confidence level
|
Margin of error
|
Type 1
|
Type 2
|
Type 3
|
90%
|
2%
|
9
|
3
|
1
|
1%
|
34
|
9
|
4
|
0.5%
|
136
|
36
|
15
|
95%
|
2%
|
12
|
4
|
2
|
1%
|
49
|
13
|
5
|
0.5%
|
193
|
51
|
21
|
99%
|
2%
|
21
|
6
|
3
|
1%
|
84
|
22
|
9
|
0.5%
|
333
|
87
|
35
|
4.3 ์์ถ๊ฐ๋
Table 7์๋ CTS ํด๋จธ์ UTM์ ์ด์ฉํ์ฌ ์ธก์ ํ ์์ถ๊ฐ๋๋ฅผ ๋ํ๋ด์๋ค. CTS ํด๋จธ์ ์ํ ๊ฒฐ๊ณผ๋ UTM์ ํตํ ์์ถํ๊ดด์ํ๊ณผ ๋น๊ตํ ๋, Type 1๊ณผ
3์ 5MPa ๋ด์ธ๋ก, Type 2๋ 10MPa ๋ด์ธ๋ก ์ ์ฌํ ์์ถ๊ฐ๋๋ฅผ ๋ํ๋ด์๋ค.
Table 7 Compressive strength of specimens
|
Type 1
|
Type 2
|
Type 3
|
CTS
|
35.1 MPa
|
66.9 MPa
|
82.2 MPa
|
UTM
|
38.9 MPa
|
77.2 MPa
|
86.4 MPa
|
4.4 ๊ณต๊ทน๋ฅ ๊ณผ ์์ถ๊ฐ๋์ ์๊ด๊ด๊ณ
Fig. 11์๋ ์ ์๋ชจ๋ธ์ ํ์ฉํ์ฌ ์ป์ด์ง ๊ณต๊ทน๋ฅ ๊ณผ UTM ๋ฐ CTS ํด๋จธ๋ก ๊ณ์ธก๋ ์์ถ๊ฐ๋๋ฅผ ๋น๊ตํ ๊ฒ์ด๋ค. ๋ชจ๋ธ๋ก ์ธก์ ํ ๊ณต๊ทน๋ฅ ์ ์์ถ๊ฐ๋์ ๋ชจ๋ ๋ฐ๋น๋กํ๋
๊ฒ์ผ๋ก ๋ํ๋ฌ๋ค.
Fig. 11 Relationship between porosity and strength
5. ๊ฒฐ ๋ก
๋ณธ ์ฐ๊ตฌ์์๋ ์ฝํฌ๋ฆฌํธ์ ํ๋ฉด ์ด๋ฏธ์ง์ ์์ ๋ถํ ๊ธฐ๋ฒ์ ํ์ฉํ์ฌ ๊ณต๊ทน๋ฅ ์ ๊ณ์ธกํ๋ ๋ฅ๋ฌ๋ ๋ชจ๋ธ์ ๊ฐ๋ฐํ์์ผ๋ฉฐ, ๋ณธ ์ฐ๊ตฌ๋ก๋ถํฐ ๋ค์๊ณผ ๊ฐ์ ๊ฒฐ๋ก ์ ๋์ถํ
์ ์์๋ค.
1. ์ฝํฌ๋ฆฌํธ ํ๋ฉด ์ด๋ฏธ์ง์ ์์ ๋ถํ ์๊ณ ๋ฆฌ์ฆ(Fully Convolution Network, MobileNet, DeepLab v3+ ๋ฐ U-net)์
ํ์ฉํ์ฌ ๋ฒค์น๋งํน ํ
์คํธ๋ฅผ ์ํํ์๋ค. ํ
์คํธ๊ฒฐ๊ณผ Deep Lab v3+์ U-net์ด ๊ฐ์ฅ ๋์ ์ ํ๋๋ฅผ ๋ํ๋ด์์ผ๋ฉฐ, U-net์ DeepLab
v3+์ ๋นํด 30% ๋ฎ์ ํ์ต ์๊ฐ์ ์์ํ์๋ค. ๋ฐ๋ผ์ U-net์ ํ์ฉํ์ฌ ๋งค๊ฐ๋ณ์ ์ต์ ํ๋ฅผ ์ํํ์์ผ๋ฉฐ, 97% ์์ค์ ๊ฒ์ฆ์ ํ๋๋ฅผ ํ๋ณดํ
์ ์์๋ค.
2. ์ฝํฌ๋ฆฌํธ์ w/c๊ฐ ์ฆ๊ฐํจ์ ๋ฐ๋ผ U-net์ ํ์ฉํ์ฌ ์์ธกํ ๊ณต๊ทน๋ฅ ์ด ์ฆ๊ฐํ๋ ๊ฒฝํฅ์ ๋ํ๋ด์๋ค. ๋ํ, ์ผ๋ฐ๊ฐ๋ ์ฝํฌ๋ฆฌํธ์ ๋ํด์ X-Ray
Microscope (XRM)์ ์ธก์ ๊ณต๊ทน๋ฅ ๊ณผ U-net์ ์์ธก ๊ณต๊ทน๋ฅ ์ด ์ ์ฌํ ๊ฒ์ผ๋ก ๋ํ๋ฌ๋ค. ์ด์ ๋นํด, ๊ณ ๊ฐ๋ ์ฝํฌ๋ฆฌํธ์์๋ ์ธก์ ๊ณต๊ทน๋ฅ (XRM)๋ณด๋ค
์์ธก ๊ณต๊ทน๋ฅ (U-net)์ด ์๊ฒ ๋ํ๋ฌ๋๋ฐ, ์ด๋ w/c๊ฐ ๊ฐ์ํจ์ ๋ฐ๋ผ ๊ดํํ๋ฏธ๊ฒฝ์ผ๋ก ๊ด์ธก์ด ์ด๋ ค์ด ์์ ๊ณต๊ทน๋ค์ด ๋ง์์ง๊ธฐ ๋๋ฌธ์ผ๋ก ํ๋จ๋๋ค.
3. ์๋ถ ํก์๋ฒ์ผ๋ก ๊ด์ธกํ ๊ณต๊ทน๋ฅ ์ XRM ๋๋ U-net์ผ๋ก ๊ณ์ธก๋ ๊ณต๊ทน๋ฅ ๋ณด๋ค ๋๊ฒ ๋ํ๋ฌ๋๋ฐ, ์ด๋ XRM ๋๋ U-net์ผ๋ก ๊ด์ธกํ ์ ์๋
์ต์๊ณต๊ทน ํฌ๊ธฐ๋ณด๋ค ์์ ๊ณต๊ทน์์๋ ์๋ถ์ด ํก์๋๊ธฐ ๋๋ฌธ์ผ๋ก ํ๋จ๋๋ค.
4. U-net์ผ๋ก ๊ณ์ธกํ ๊ณต๊ทน๋ฅ ๊ณผ ์์ถ๊ฐ๋์ ์๊ด๊ด๊ณ๋ฅผ ํ์ธํ์์ผ๋ฉฐ, ๊ณต๊ทน๋ฅ ์ด ์ฆ๊ฐํ ์๋ก ์์ถ๊ฐ๋๋ ์ง์์ ์ผ๋ก ๊ฐ์ํ์๋ค.
5. ์ ์ ๋ฐฉ๋ฒ์ ์ ๊ฒ ๋ฐ ์ง๋จ์ด ์ค์๋๋ ํ์ฅ์์ ์ฝํฌ๋ฆฌํธ์ ๊ณต๊ทน๋ฅ ์ ๊ฐํธํ๊ณ ์ ์ํ๊ฒ ๊ณ์ธกํ๋๋ฐ ํ์ฉ๋ ์ ์๋ค. ํํธ, ์ด๋ฏธ์ง ์ดฌ์์ ํ์ฉ๋
ํ๋ฏธ๊ฒฝ์ ๋ฐฐ์จ์ ๋ฐ๋ผ ๊ด์ธกํ ์ ์๋ ๊ณต๊ทน ํฌ๊ธฐ์ ๋ฒ์๊ฐ ํ์ ๋๋ฏ๋ก, ๋ฐฐ์จ์ด ๋ฎ์ ํ๋ฏธ๊ฒฝ์ ํ์ฉํ ๊ฒฝ์ฐ ๊ณต๊ทน๋ฅ ์ ์ค์ ๋ณด๋ค ๋ฎ๊ฒ ํ๊ฐํ ์ ์๋ค.
5.1 ์ถํ ์ฐ๊ตฌ
์ถํ ์ฐ๊ตฌ์์๋ ๋ค์ํ ๋ฐฐ์จ์ ๊ณต๊ทน ์ด๋ฏธ์ง(๋ฉํฐ์ค์ผ์ผ ๊ณต๊ทน ์ด๋ฏธ์ง)๋ฅผ ํ์ฉํ์ฌ U-net ๊ธฐ๋ฐ ์์ ๋ถํ ๋ชจ๋ธ์ ํ์ตํ ํ์๊ฐ ์๋ค. ๋ํ, ์ ์ ๋ฐฉ๋ฒ์
๊ณต๊ทน๋ฅ ์ ์ถ์ ๋ฟ๋ง ์๋๋ผ, ๊ณจ์ฌ๋ ๋ฐ ์ฝํฌ๋ฆฌํธ ๋ฐฐํฉ๋น๋ฅผ ์ถ์ ํ๋ ๋ฐ์๋ ํ์ฉ๋ ์ ์์ผ๋ฏ๋ก, ๋ชจ๋ธ์ ์์ฉ๋ฒ์๋ฅผ ํ์ฅํ์ฌ ์ฝํฌ๋ฆฌํธ ํ์งํ๊ฐ์ ์ด๋ฅผ ํ์ฉํ
์ ์๋๋ก ํด์ผ ํ ๊ฒ์ด๋ค.
๊ฐ์ฌ์ ๊ธ
์ด ๋
ผ๋ฌธ์ 2022๋
๋ ์ ๋ถ(๊ณผํ๊ธฐ์ ์ ๋ณดํต์ ๋ถ)์ ์ฌ์์ผ๋ก ํ๊ตญ์ฐ๊ตฌ์ฌ๋จ์ ์ง์์ ๋ฐ์ ์ํ๋ ์ฐ๊ตฌ์(No. 2019R1A2C 2086388).
References
Ministry of Land, Infrastructure and Transport. (2022), Guidelines for safety and
maintenance of infrastructures, Korea Ministry of Government Legislation. https://www.law.go.kr/
Chang, C. F., and Chen, J. W. (2006). The experimental investigation of concrete carbonation
depth, Cement and Concrete Research, 36(9), 1760-1767.
KS F 2385. (2018). Permeable asphalt mixtures, Korea Standards Association. https://e-ks.kr/streamdocs/view/sd;streamdocsId=7
2059199200454467
Lu, S., Landis, E. N., and Keane, D. T. (2006). X-ray microtomographic studies of
pore structure and permeability in Portland cement concrete, Materials and Structures,
39(6), 611-620.
Torres-Luque, M., Bastidas-Arteaga, E., Schoefs, F., Sรกnchez- Silva, M., and Osma,
J. F. (2014). Non-destructive methods for measuring chloride ingress into concrete:
State-of-the-art and future challenges, Construction and Building Materials, 68, 68-81.
Hofmarcher, M., Unterthiner, T., Arjona-Medina, J., Klambauer, G., Hochreiter, S.,
& Nessler, B. (2019). Visual scene understanding for autonomous driving using semantic
segmentation, Explainable AI: Interpreting, Explaining and Visualizing Deep Learning,
285-296.
Wang, G., Li, W., Zuluaga, M. A., Pratt, R., Patel, P. A., Aertsen, M., ... & Vercauteren,
T. (2018). Interactive medical image segmentation using deep learning with image-specific
fine tuning, IEEE Transactions on Medical Imaging, 37(7), 1562-1573.
Dogan, G., Arslan, M. H., and Ceylan, M. (2017), Concrete compressive strength detection
using image processing based new test method, Measurement, 109, 137-148.
Jang, Y., Ahn, Y., and Kim, H. Y. (2019). Estimating compressive strength of concrete
using deep convolutional neural networks with digital microscope images, Journal of
Computing in Civil Engineering, 33(3), 04019018.
Yang, H., Jiao, S. J., and Yin, F. D. (2020). Multilabel Image Classification Based
Fresh Concrete Mix Proportion Monitoring Using Improved Convolutional Neural Network,
Sensors, 20(16), 4638.
Dung, C. V. (2019). Autonomous concrete crack detection using deep fully convolutional
neural network, Automation in Construction, 99, 52-58.
Otsu, N. (1979). A threshold selection method from gray-level histograms, IEEE Transactions
on Systems, Man, and Cybernetics, 9(1), 62-66.
Dhanachandra, N., Manglem, K., and Chanu, Y. J. (2015). Image segmentation using K-means
clustering algorithm and subtractive clustering algorithm, Procedia Computer Science,
54, 764-771.
Long, J., Shelhamer, E., and Darrell, T. (2015). Fully convolutional networks for
semantic segmentation, Proceedings of the IEEE conference on computer vision and pattern
recognition, 3431-3440.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for
biomedical image segmentation, International Conference on Medical image computing
and computer-assisted intervention, Springer, Berlin, 234-241.
Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., and Yuille, A. L. (2017). Deeplab:
Semantic image segmentation with deep convolutional nets, atrous convolution, and
fully connected crfs, IEEE transactions on pattern analysis and machine intelligence,
40(4), 834-848.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... and
Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision
applications, arXiv preprint arXiv, 1704.04861.
Ahn, J., Lee, Y., Vaidya, S., Kim, J. H., & Lee, S. W. (2013). Estimation the porosity
of pervious concretes based on X-Ray CT and submerged weight, Journal of the Korean
Society of Hazard Mitigation, 13(4), 77-82.
Kumar, R., and Bhattacharjee, B. (2003). Porosity, pore size distribution and in situ
strength of concrete, Cement and Concrete Research, 33(1), 155-164.
Nitto. Concrete tester and surveyor(User manual). (2009). Nitto, Osaka, Japan.
KS F 2405. (2022). Test method for compressive strength of concrete, Korea Standards
Association. https://e-ks.kr/streamdocs/ vIew/sd;streamdocsId=7205926579 6199707
Liashchynskyi, P., and Liashchynskyi, P. (2019). Grid search, random search, genetic
algorithm: A big comparison for NAS, arXiv preprint arXiv, 1912.06059.