철근콘크리트(RC)에서 부식 유발 열화로 인한 손상의 조기 발견은 노후 기반시설의 효과적인 유지관리와 직결된다. 본 연구는 전기화학, 전자기, 음향 등 다중 비파괴 평가(NDE) 기법을 통합하는 기계학습(ML) 기반 프레임워크를 제시하여 RC에서의 부식 유발 손상을 자동 분류한다. 세 가지 콘크리트 배합에 대해 가속 부식을 수행하였으며, 노출 주기 사이에서 NDE 데이터를 수집하였다. 손상 상태는 무손상, 내부 열화, 그리고 육안으로 관찰되는 표면 균열(≥ 0.1 mm)의 세 수준으로 범주화하였다. 융합된 다중 모달 입력을 사용하는 ML 모델은 단일 기법 기반 모델보다 우수했으며, 특히 초기 단계 손상 검출에서 성능이 두드러졌다. 최우수 모델은 Subspace KNN 분류기를 사용하여 다섯 가지 NDE 파라미터—반전지 전위(half-cell potential), 상대 유전율(relative permittivity), 전기 비저항(electrical resistivity), 임팩트-에코 피크 주파수(impact-echo peak frequency), 초음파 표면파 속도(ultrasonic surface wave velocity)—의 특징 수준(feature-level) 융합을 통해 정확도 0.936과 Cohen’s Kappa 0.783을 달성하였다. 또한 서로 다른 배합 특성을 갖는 독립 시편을 이용해 견고성을 검증하였다. 아울러 가중 소프트 보팅(weighted soft voting)을 사용하는 의사결정 수준(decision-level) 융합 모델을 개발하여 개별 NDE 파라미터의 상보적 민감도를 알고리즘적으로 활용함으로써 진단 성능의 시너지 향상을 구현하였다. 반전지 전위와 초음파 표면파 속도만을 사용하는 단순화된 구성은 정확도 0.832와 Kappa 0.607을 달성했으며, 초기 내부 열화에 대한 클래스별 Kappa는 0.674로 모든 모델 조합 중 가장 높았다. 전반적으로 제안된 프레임워크는 부식의 초기 단계 검출성을 향상시키고 노후 콘크리트 구조물에 대한 보다 신뢰할 수 있는 유지관리 의사결정을 지원한다. • 다중 모달 NDE와 함께하는 ML은 부식 손상을 정확히 분류한다. • 가중 투표를 통한 의사결정 수준 융합은 진단 성능을 향상시킨다. • 전기화학 및 음향 NDE의 시너지가 초기 단계 손상 검출을 강화한다. • 이 프레임워크는 노후 기반시설의 실시간, 상태 기반 유지관리를 지원한다.

염화물 침입으로 인해 철근콘크리트에 발생하는 균열을 조기에 탐지하는 것은 효율적인 유지보수에 매우 중요하다. 본 연구는 초음파 펄스파를 활용하여 초기 단계의 콘크리트 손상을 자동으로 평가하는 AI 보조 모델을 개발하고 비교한다. 특히 강재 부식으로 인해 발생한 균열에 초점을 둔다. 데이터는 전류를 가하는 유도 전류(impressed current) 기법으로 유발된 다양한 배합 설계, 피복 두께, 및 강재 부식 수준을 포함한 108개의 콘크리트 큐브에서 수집하였다. AI 모델, 특히 합성곱 신경망(convolutional neural networks, CNNs)은 전통적인 회귀 모델보다 성능이 우수했으며, 최대 84%의 분류 정확도를 달성하였다. AI 보조 알고리즘의 체계적이고 자동화된 특성은 신뢰할 수 있고 일관되며 신속한 초음파 데이터 분석을 가능하게 하며, 이는 대규모 기반시설 시스템의 상태 평가에 특히 유리하다. 본 성과는 포괄적인 기반시설 모니터링을 위한 자동화 IoT 및 로보틱스 보조 시스템의 통합에 대한 후속 연구를 촉진한다.

본 연구는 초음파 펄스파 데이터에 기반하여 콘크리트 원주형 시편의 열 손상(thermal damage)을 분류하기 위한 딥러닝 방법의 활용을 제안하는 것을 목적으로 한다. 데이터는 세 가지 서로 다른 물-결합재비(0.54, 0.46, 0.35)를 갖는 콘크리트 시편을 이용한 실험실 실험에서 수집하였다. 시편들은 서로 다른 목표 온도(100 °C, 200 °C, 300 °C, 400 °C 및 600 °C)에 노출되었으며, 추가로 원주형 시편 한 세트는 정상 온도 조건을 대표하기 위해 20 °C의 실온에만 노출되었다. 열 손상은 초음파 펄스파 데이터에 대한 세 가지 순환신경망(장단기 메모리(long short-term memory), 게이트 순환 유닛(gated recurrent unit), 양방향 장단기 메모리(bidirectional long short-term memory))을 기반으로 한 딥러닝 분류 모델을 사용하여 분류하였다. 초음파 시계열의 순간 주파수와 스펙트럼 엔트로피를, 샘플링 주파수 1 MHz로 입력으로 하여 게이트 순환 유닛에 적용한 경우 열 손상 분류 정확도가 88.24%로 높게 나타남을 보였다. 또한 딥러닝 분류 모델의 성능은 두 가지 기존 초음파 매개변수(초음파 펄스 속도 및 신호 코히어런스)에 기반한 모델보다 우수하였다.

철근콘크리트(RC)에서 부식 유발 열화로 인한 손상의 조기 발견은 노후 기반시설의 효과적인 유지관리와 직결된다. 본 연구는 전기화학, 전자기, 음향 등 다중 비파괴 평가(NDE) 기법을 통합하는 기계학습(ML) 기반 프레임워크를 제시하여 RC에서의 부식 유발 손상을 자동 분류한다. 세 가지 콘크리트 배합에 대해 가속 부식을 수행하였으며, 노출 주기 사이에서 NDE 데이터를 수집하였다. 손상 상태는 무손상, 내부 열화, 그리고 육안으로 관찰되는 표면 균열(≥ 0.1 mm)의 세 수준으로 범주화하였다. 융합된 다중 모달 입력을 사용하는 ML 모델은 단일 기법 기반 모델보다 우수했으며, 특히 초기 단계 손상 검출에서 성능이 두드러졌다. 최우수 모델은 Subspace KNN 분류기를 사용하여 다섯 가지 NDE 파라미터—반전지 전위(half-cell potential), 상대 유전율(relative permittivity), 전기 비저항(electrical resistivity), 임팩트-에코 피크 주파수(impact-echo peak frequency), 초음파 표면파 속도(ultrasonic surface wave velocity)—의 특징 수준(feature-level) 융합을 통해 정확도 0.936과 Cohen’s Kappa 0.783을 달성하였다. 또한 서로 다른 배합 특성을 갖는 독립 시편을 이용해 견고성을 검증하였다. 아울러 가중 소프트 보팅(weighted soft voting)을 사용하는 의사결정 수준(decision-level) 융합 모델을 개발하여 개별 NDE 파라미터의 상보적 민감도를 알고리즘적으로 활용함으로써 진단 성능의 시너지 향상을 구현하였다. 반전지 전위와 초음파 표면파 속도만을 사용하는 단순화된 구성은 정확도 0.832와 Kappa 0.607을 달성했으며, 초기 내부 열화에 대한 클래스별 Kappa는 0.674로 모든 모델 조합 중 가장 높았다. 전반적으로 제안된 프레임워크는 부식의 초기 단계 검출성을 향상시키고 노후 콘크리트 구조물에 대한 보다 신뢰할 수 있는 유지관리 의사결정을 지원한다. • 다중 모달 NDE와 함께하는 ML은 부식 손상을 정확히 분류한다. • 가중 투표를 통한 의사결정 수준 융합은 진단 성능을 향상시킨다. • 전기화학 및 음향 NDE의 시너지가 초기 단계 손상 검출을 강화한다. • 이 프레임워크는 노후 기반시설의 실시간, 상태 기반 유지관리를 지원한다.

염화물 침입으로 인해 철근콘크리트에 발생하는 균열을 조기에 탐지하는 것은 효율적인 유지보수에 매우 중요하다. 본 연구는 초음파 펄스파를 활용하여 초기 단계의 콘크리트 손상을 자동으로 평가하는 AI 보조 모델을 개발하고 비교한다. 특히 강재 부식으로 인해 발생한 균열에 초점을 둔다. 데이터는 전류를 가하는 유도 전류(impressed current) 기법으로 유발된 다양한 배합 설계, 피복 두께, 및 강재 부식 수준을 포함한 108개의 콘크리트 큐브에서 수집하였다. AI 모델, 특히 합성곱 신경망(convolutional neural networks, CNNs)은 전통적인 회귀 모델보다 성능이 우수했으며, 최대 84%의 분류 정확도를 달성하였다. AI 보조 알고리즘의 체계적이고 자동화된 특성은 신뢰할 수 있고 일관되며 신속한 초음파 데이터 분석을 가능하게 하며, 이는 대규모 기반시설 시스템의 상태 평가에 특히 유리하다. 본 성과는 포괄적인 기반시설 모니터링을 위한 자동화 IoT 및 로보틱스 보조 시스템의 통합에 대한 후속 연구를 촉진한다.

본 연구는 초음파 펄스파 데이터에 기반하여 콘크리트 원주형 시편의 열 손상(thermal damage)을 분류하기 위한 딥러닝 방법의 활용을 제안하는 것을 목적으로 한다. 데이터는 세 가지 서로 다른 물-결합재비(0.54, 0.46, 0.35)를 갖는 콘크리트 시편을 이용한 실험실 실험에서 수집하였다. 시편들은 서로 다른 목표 온도(100 °C, 200 °C, 300 °C, 400 °C 및 600 °C)에 노출되었으며, 추가로 원주형 시편 한 세트는 정상 온도 조건을 대표하기 위해 20 °C의 실온에만 노출되었다. 열 손상은 초음파 펄스파 데이터에 대한 세 가지 순환신경망(장단기 메모리(long short-term memory), 게이트 순환 유닛(gated recurrent unit), 양방향 장단기 메모리(bidirectional long short-term memory))을 기반으로 한 딥러닝 분류 모델을 사용하여 분류하였다. 초음파 시계열의 순간 주파수와 스펙트럼 엔트로피를, 샘플링 주파수 1 MHz로 입력으로 하여 게이트 순환 유닛에 적용한 경우 열 손상 분류 정확도가 88.24%로 높게 나타남을 보였다. 또한 딥러닝 분류 모델의 성능은 두 가지 기존 초음파 매개변수(초음파 펄스 속도 및 신호 코히어런스)에 기반한 모델보다 우수하였다.

이 연구의 주요 목적은 해양 환경에서 철 부식으로 인해 콘크리트에 발생하는 진행성 손상을 모니터링하기 위한 현장(in-situ)·비파괴 평가(NDE) 방법으로서 전기저항(ER) 측정의 적용 가능성을 입증하는 데 있다. 이를 위해, 한 변의 길이가 200 mm인 철근콘크리트 큐브 총 108개를 대상으로 ER 값의 변화를 조사하기 위한 일련의 실험실 실험을 수행하였다. 인가 전류(impressed current) 기법을 이용하여 3.0% NaCl 용액에 침수된 콘크리트 큐브 내 철근의 부식을 가속하였으며, 이는 콘크리트 열화의 다양한 정도를 모사한다. ER 측정은 가속 부식 시험 전과 후에 콘크리트 시편의 표면에서 수행하였다. 염화물에 의해 유도되는 철 부식과 관련된 진행성 콘크리트 손상을 모니터링하는 데 ER은 우수한 NDE 방법임이 입증되었다.

전기저항률(ER)은 철근콘크리트의 내구성 평가, 특히 부식 관련 열화의 평가에 널리 사용된다. 그러나 부식으로 유발된 균열이 발생하면 지배 메커니즘이 손상 진행에 따라 변화하기 때문에, ER의 해석은 점차 더 어려워진다. 본 연구는 수치–실험을 결합한 접근법을 바탕으로 ER 응답을 재료 구동 효과와 형상 구동 효과로 분해하여, 균열이 ER 측정에 미치는 영향을 규명한다. 부식의 초기 단계에서는 미세구조 및 계면 열화와 관련된 재료 구동 효과가 ER 변화를 지배하며, 이는 콘크리트의 유효 도전도를 변화시킨다. 반면, 진행된 단계에서는 표면 관통 균열이 유발하는 형상 구동 효과가 주도적인데, 이는 주로 전류장(current-field)의 왜곡을 통해 나타난다. 유한요소 시뮬레이션과 실험실 실험은 이러한 전환을 확인하고, 형상 구동 효과가 제한적으로 유지되는(약 10% 이내의 편차) 임계 균열 치수를 규명한다. 그에 해당하는 값은 표면 관통 균열의 폭이 0.6 mm 미만이며, 내부 균열의 폭이 0.4 mm 미만이다. 본 연구 결과는 재료 지배 영역과 형상 지배 영역 사이의 전환을 구획하는 메커니즘 기반의 틀을 확립함으로써, 균열이 발생한 콘크리트에서 ER 측정을 해석하기 위한 정량적 근거를 제공한다. • 균열 콘크리트에서 ER 응답은 형상 구동 효과와 재료 구동 효과에 의해 지배된다. • FE 시뮬레이션은 균열 형상이 유도하는 전류장 왜곡을 정량화한다. • 임계 균열 폭은 ER에 대한 형상 구동 효과가 제한적으로 유지되는 시점을 규정한다. • ER이 내구성을 나타내는지 또는 균열의 심각성을 나타내는지를 구분하는 틀을 제시한다.

= 0.96). 통합된 실험-계산 접근법은 ER이 습윤(수분) 동역학과 기공 구조의 정련(정교화)에 의해 지배됨을 보여주며, 콘크리트의 비파괴 내구성 평가를 위한 물리적으로 해석 가능한 동시에 통계적으로 견고한 프레임워크를 제공한다.

본 연구는 철근콘크리트에서 부식 영향 구역을 규명하기 위한 강철 부식 평가 시뮬레이션에서 예측 모델의 개발을 조사한다. 다양한 수준의 부식을 갖는 일련의 철근콘크리트 큐브를 4-탐침 Wenner 구성으로 시험하였다. 실험 데이터는 ER과 강재 질량 손실 사이에 명확한 역의 관계가 있음을 보여주었으며, 강한 음의 상관성을 통해 ER의 부식 지표로서의 가능성이 강조되었다. 강재 질량 손실과 콘크리트 피복 두께를 바탕으로 부식 영향 영역의 직경을 예측하기 위해 3차 다항식 모델을 개발하였고, 높은 예측 정확도를 달성하였다. 이 모델은 정상상태 조건에서 실험 구성을 재현하는 COMSOL Multiphysics에서 수행된 수치 시뮬레이션을 통해 검증되었다. 또한 매개변수 연구를 통해 전기전도도(σ)와 전극 간격이 시뮬레이션 결과에 미치는 영향을 추가로 고찰하였다. 그 결과 σ는 중간 정도의 영향을 미치지만, 전극 간격은 측정된 ER 값에 유의미한 영향을 준다는 점이 확인되었다. 본 연구는 ER 기반 부식 평가의 정확성과 현장 적용성을 향상시키기 위해 시뮬레이션 모델에 변수가 반영되어야 한다는 중요성을 강조한다. 아울러 본 연구에서 개발된 시뮬레이션 프레임워크는 수치 모델링이 ER 측정의 해석 가치를 어떻게 향상시킬 수 있는지를 보여주며, 부식 모니터링 및 유지관리 전략 개선을 목표로 하는 비파괴 시험 기술의 발전을 뒷받침한다.