Machine-Learning-Based Concrete Strength Prediction Considering Effect of High-Temperature Exposure and Supplementary Cementitious Material (SCM) Content

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.