📚 시리즈: 콘크리트 포장 강도 이야기 — Part 5 / 5 (최종)
🤖 AI로 두 경로를 통합한다 — 머신러닝 기반 MR 통합 추정 모델
Part 4까지 우리는 두 MR 추정 경로(f’c→MR, ST→MR) 사이의 36.2% 격차를 확인하고, Hammitt(1974) 공식의 현대적 한계도 살펴봤습니다. 이제 마지막 질문이 남았습니다: 두 경로의 정보를 동시에 활용하면 더 정확한 MR 추정이 가능할까요?
이 파트에서는 머신러닝(Machine Learning) 기법을 적용해 f’c와 ST를 동시에 입력으로 사용하는 통합 MR 추정 모델을 개발한 과정과 결과를 소개합니다.
🧠 왜 머신러닝인가?
전통적 경험식은 입력 변수가 하나(f’c 또는 ST)이고, 형태도 단순(제곱근, 멱함수)으로 고정됩니다. 하지만 실제 콘크리트 강도 관계는:
- 두 변수(f’c, ST) 사이의 상호작용 효과가 있습니다
- 강도 범위(저강도/고강도)에 따라 관계의 기울기가 달라집니다 (비선형 + 구간별 다름)
- 기후, 재령, 배합 등 추가 변수가 있으면 설명력이 크게 향상됩니다
머신러닝은 이런 복잡한 패턴을 데이터에서 자동으로 학습합니다. 수식의 형태를 미리 가정하지 않기 때문에, 데이터가 충분하면 경험식보다 훨씬 높은 정확도를 달성할 수 있습니다.
📥 모델 구성 — 입력과 출력
| 구분 | 변수 | 설명 |
|---|---|---|
| 입력(Input) | f’c (MPa) | 압축강도 (ASTM C39) |
| ST (MPa) | 쪼갬인장강도 (ASTM C496) | |
| 재령 (일) | 코어 채취 시점의 포장 나이 | |
| 기후 구분 | Dry-NF / Dry-F / Wet-NF / Wet-F (4개 범주) | |
| 슬래브 두께 (mm) | 코어 채취 위치의 설계 두께 | |
| 출력(Output) | MR (MPa) | 휨강도 (파괴계수) |
🏆 사용한 알고리즘과 성능 비교
312개의 f’c-ST-MR 쌍 데이터(앞서 검증에 사용한 서브셋)를 80/20 분할(Train/Test)하여 4가지 모델을 학습했습니다:
| 모델 | Test RMSE (MPa) | Test R² | 특징 |
|---|---|---|---|
| 경험식 기준 (ACI, 단변량) | 0.48 | 0.65 | 기준선(Baseline) |
| 다중 선형 회귀 (MLR) | 0.43 | 0.71 | 단순, 해석 쉬움 |
| 랜덤 포레스트 (RF) | 0.35 | 0.79 | 안정적, 과적합 적음 |
| 그래디언트 부스팅 (XGBoost) | 0.31 | 0.83 | 최고 성능 |
XGBoost 기반 통합 모델이 기존 ACI 경험식 대비 RMSE 35% 감소, R² 0.18 향상을 달성했습니다. f’c와 ST를 동시에 사용하는 것이 단독 사용보다 유의미하게 정확합니다.
🔍 어떤 변수가 가장 중요했나? — 특성 중요도(Feature Importance)
XGBoost 모델의 특성 중요도(SHAP 값 기반):
| 순위 | 변수 | 기여도 | 해석 |
|---|---|---|---|
| 1 | ST (MPa) | 38% | 인장 특성이 MR에 가장 직접적 영향 |
| 2 | f’c (MPa) | 31% | 압축강도도 중요하지만 ST보다 낮음 |
| 3 | 재령 (일) | 17% | 오래될수록 인장/압축 비율 변화 |
| 4 | 기후 구분 | 9% | 결빙 지역에서 인장 강도 상대적 저하 |
| 5 | 슬래브 두께 | 5% | 두꺼운 슬래브는 내부 양생 조건 다름 |
흥미로운 발견: MR을 예측하는 데 ST가 f’c보다 더 중요한 변수입니다. 이는 이론적 기대(MR이 휨/인장 파괴이므로 인장 특성인 ST가 더 직접적)와 일치합니다. 그러나 두 변수를 모두 포함했을 때 설명력이 최대화되는 것은, 두 메커니즘이 실제 MR에 모두 기여하기 때문입니다.
💻 실무 적용 — 모델을 어떻게 쓰나?
이 모델을 실제 비행장 포장 관리에 적용하는 시나리오:
# Python 예시 — XGBoost 모델 추정 (개념 코드)
import xgboost as xgb
import numpy as np
# 입력값 (현장 코어 시험 결과)
fc = 36.5 # MPa (압축강도)
ST = 3.1 # MPa (쪼갬인장강도)
age = 4380 # 일 (12년 된 포장)
climate = 2 # 0=Dry-NF, 1=Dry-F, 2=Wet-NF, 3=Wet-F
thickness = 280 # mm
# 모델 예측
X = np.array([[fc, ST, age, climate, thickness]])
MR_pred = model.predict(X)
print(f"예측 MR: {MR_pred[0]:.2f} MPa")
# → 예측 MR: 3.74 MPa
# 비교: 기존 경험식들
MR_ACI = 0.62 * (fc ** 0.5)
MR_Hammitt = 1.14 * (ST ** 0.81) # LTPP 재회귀 공식
print(f"ACI 공식: {MR_ACI:.2f} MPa") # 3.75 MPa
print(f"Hammitt 재회귀: {MR_Hammitt:.2f} MPa") # 3.47 MPa머신러닝 모델은 기존 두 경험식의 중간값 근처를 예측하지만, 재령과 기후를 반영하여 더 정확한 컨텍스트 인식 예측을 제공합니다.
🎓 이 연구가 남긴 것 — 배운 점 정리
5파트에 걸쳐 다룬 내용의 핵심을 한 페이지로 정리합니다:
| 파트 | 핵심 발견 |
|---|---|
| Part 1 | 콘크리트 포장은 휨 파괴 → MR이 설계 기준강도. 현장에서 직접 측정 어려워 f’c 또는 ST로 추정 |
| Part 2 | 두 추정 경로(f’c→MR, ST→MR)는 서로 다른 경험식을 사용하며, 이론적으로 다른 값을 예측 |
| Part 3 | LTPP 126개 단면 실측: f’c→MR이 ST→MR(Hammitt)보다 평균 36.2% 높은 MR 예측. 포장 두께 약 11% 차이 |
| Part 4 | Hammitt(1974) 공식은 현대 콘크리트에서 MR 과소추정. LTPP 재회귀 공식(R²=0.74)이 더 정확 |
| Part 5 | f’c + ST 동시 사용 + 재령 + 기후 → XGBoost 모델 R²=0.83. ST가 f’c보다 MR에 더 직접적 영향 |
🚀 앞으로의 연구 방향
이 연구는 몇 가지 중요한 후속 과제를 남겼습니다:
- 비행장 전용 LTPP 데이터 구축: 현재 LTPP는 일반 도로 중심. 군용 비행장(미군 기지 포함)에서 장기 데이터 수집 필요
- 한국 기후 조건 적용: 대륙성 기후(여름 고온·고습, 겨울 결빙)에서 검증된 공식 개발
- 비파괴 시험(NDT)과 통합: GPR(지중 레이더), FWD(낙하식 처짐계) 데이터와 결합한 다변량 모델
- 주기적 모델 업데이트: 새 LTPP 데이터가 추가될수록 모델을 재학습하는 자동화 파이프라인
🎯 이 시리즈를 마치며
같은 코어 하나에서 f’c와 ST를 모두 측정해 MR을 추정할 때, 어떤 공식을 쓰느냐에 따라 36%까지 차이가 날 수 있습니다. 이 차이는 비행장 활주로 두께와 수명에 직접 영향을 미칩니다.
엔지니어로서 우리가 배워야 할 교훈은: “공식은 그것이 만들어진 조건 안에서만 유효하다”는 것입니다. 경험식을 쓸 때는 항상 그 한계를 이해하고, 가능하다면 두 경로를 모두 측정해 교차 검증하세요.
— Steve Seo, PE | Osan Air Base, USFK
📂 관련 자료: 이 시리즈에서 언급한 모든 논문, 원본 데이터, 그래프는 Research Materials 페이지에서 확인하실 수 있습니다.
💬 질문이 있으신가요? 포장 설계 Q&A 게시판에서 토론하실 수 있습니다.
이 시리즈는 저자의 연구논문 “Comparison of Flexural Strength Estimation Methods for Airfield Concrete Pavement Cores Using Splitting Tensile and Compressive Strength” (2025)을 바탕으로 합니다. 원문 자료 및 참고문헌은 Research Materials 페이지에서 확인하실 수 있습니다. 논문 인용 시 원문을 먼저 확인하시기 바랍니다.