Development of a Tree-Based Machine Learning Model for Predicting the Compressive Strength of Accelerated Carbonation-Cured Cementitious Composites

본 연구에서는 CO₂ 양생 시멘트 복합체의 압축강도 발현 거동을 정량적으로 예측하고 주요 영향 인자를 해석하기 위해, 선행문헌으로부터 수집한 실험 데이터를 기반으로 트리 기반 머신러닝 모델을 구축하였다. 총 23편의 문헌에서 333개의 실험 데이터를 수집하여 결합재 조성, 배합 비율, CO₂ 양생 조건, 환경 및 재령 변수를 포함하는 데이터셋을 구성하였다. Random Forest 및 Gradient Boosting 계열 알고리즘을 적용하여 예측 성능을 비교한 결과, CatBoost와 XGBoost 모델이 시험 데이터 기준에서 높은 예측 정확도와 안정적인 일반화 성능을 나타냈다. SHAP 기반 민감도 분석 결과, CO₂ 양생 시간과 골재–결합재비, CO₂ 농도가 압축강도 발현에 지배적인 영향을 미치는 주요 변수로 도출되었으며, 이들 변수는 단조적 관계가 아닌 비선형적 영향 특성을 보였다. 본 연구는 CO₂ 양생 공정에서 압축강도 발현을 다변량･비선형 관점에서 해석 가능한 형태로 제시하였다는 점에서 의의를 가지며, 향후 CO₂ 고정량 및 내구성을 포함한 다목적 공정 최적화 연구를 위한 기초 자료로 활용될 수 있다.