[논문 리뷰] Accelerated Discovery of Sustainable Building Materials

Xiou Ge, Richard Goodwin외 4명|arXiv (Cornell University)|2019. 05. 20.

3D Surveying and Cultural Heritage참고 문헌 16인용 수 8

한 줄 요약

이 논문은 구조적 성능 요구사항을 충족하면서 환경 영향을 줄이는 지속 가능한 콘크리트 혼화물의 발견을 가속화하기 위해 조건부 변동 자동부호화기(CVAE)를 제안한다. 개방형 UCI 데이터와 LCA 기반 환경 지표로 훈련된 모델은 기존 혼합물 대비 온실가스 배출량, 산성화 잠재력, 누적 수자원 사용량을 최대 30% 감소시킨 콘크리트 조합을 생성하며, 설계자들을 위한 회귀 모델과 3D 시각화 도구를 통해 검증된다.

ABSTRACT

Concrete is the most widely used engineered material in the world with more than 10 billion tons produced annually. Unfortunately, with that scale comes a significant burden in terms of energy, water, and release of greenhouse gases and other pollutants. As such, there is interest in creating concrete formulas that minimize this environmental burden, while satisfying engineering performance requirements. Recent advances in artificial intelligence have enabled machines to generate highly plausible artifacts, such as images of realistic looking faces. Semi-supervised generative models allow generation of artifacts with specific, desired characteristics. In this work, we use Conditional Variational Autoencoders (CVAE), a type of semi-supervised generative model, to discover concrete formulas with desired properties. Our model is trained using open data from the UCI Machine Learning Repository joined with environmental impact data computed using a web-based tool. We demonstrate CVAEs can design concrete formulas with lower emissions and natural resource usage while meeting design requirements. To ensure fair comparison between extant and generated formulas, we also train regression models to predict the environmental impacts and strength of discovered formulas. With these results, a construction engineer may create a formula that meets structural needs and best addresses local environmental concerns.

연구 동기 및 목표

• 환경 영향을 최소화하면서 강도 요구사항을 충족하는 콘크리트 혼합물 생성을 위한 AI 기반 방법을 개발하기.
• Materials Project가 아직 탐색하지 않은 분야에서 준지도 기반 생성 모델을 활용하여 지속 가능한 콘크리트 조합의 격차를 해소하기.
• 현지 환경적 우려에 맞게 맞춤형으로 저영향 콘크리트 조합을 설계할 수 있도록 건설 엔지니어를 지원하기.
• 강도 및 환경 영향 예측을 위한 회귀 모델을 활용해 생성된 조합을 실제 성능과 비교 검증하기.

제안 방법

• UCI 기계학습 레포지터리 데이터와 웹 기반 LCA 도구를 통해 계산된 환경 영향 지표를 조합한 데이터셋을 기반으로 조건부 변동 자동부호화기(CVAE)를 훈련한다.
• 모델은 목표 압축 강도와 양생 시간에 조건을 두어, 표준 이변량 정규분포에서 샘플링된 잠재 코드를 사용한다.
• 환경 영향(GWP, AP, CBW)과 압축 강도는 동일한 데이터셋을 기반으로 훈련된 별도의 회귀 모델을 사용해 예측하며, 공정한 비교를 위해 사용된다.
• CVAE는 각 양생 시간 그룹당 60,000개의 콘크리트 조합을 생성하며, 강도와 양생 시간에 조건을 두어 타겟 기반 설계를 가능하게 한다.
• 3D 시각화 도구는 환경 영향 공간에 생성된 조합을 매핑하며, 강도를 색상으로 구분하여 설계자 의사결정 지원을 돕는다.
• 속성 조건 기반 생성은 최소 및 최대 강도 값 사이를 보간하여 수행되며, 예측 강도의 점진적 변화를 시연한다.

실험 결과

연구 질문

• RQ1 CVAE 모델은 기존 혼합물 대비 요구되는 압축 강도를 유지하면서도 더 낮은 환경 영향을 가진 콘크리트 혼합물을 생성할 수 있는가?
• RQ2 CVAE는 특정 강도 및 양생 시간 목표에 조건을 두고 콘크리트 조합을 생성하는 데 얼마나 효과적인가?
• RQ3 기존 콘크리트 혼합물 대비 모델은 온실가스 배출량, 산성화 잠재력, 누적 수자원 사용량을 얼마나 줄일 수 있는가?
• RQ4 생성된 조합은 강도를 색상 차원으로 사용한 3D 환경 영향 공간에서 시각화되어 실용적 설계를 지원할 수 있는가?
• RQ5 다양한 양생 시간 간격에서 모델의 예측 강도는 원하는 조건 강도와 얼마나 잘 일치하는가?

주요 결과

• CVAE 모델은 기존 최고의 혼합물 대비 최대 30% 감소한 온실가스 배출량(GWP), 산성화 잠재력(AP), 누적 수자원 사용량(CBW)을 가진 콘크리트 조합을 성공적으로 생성하였다.
• 모든 양생 시간 그룹에서 생성된 조합 중 10% 이상이 기존 최고 성능 혼합물보다 세 가지 영향 카테고리(GWP, AP, CBW)에서 모두 낮은 환경 영향을 기록하였다.
• 3D 환경 영향 공간 시각화는 다양한 오염 유형 간의 상충 관계를 드러내어 다목적 설계 의사결정을 가능하게 하였다.
• 강도 조건 기반 생성은 7일 양생 시점에서 가장 우수한 성능를 보였으며, 예측 강도와 목표 강도 값 간의 루트 평균 제곱 오차(RMSE)가 매우 유사하였다.
• 높은 성능를 보이는 생성 포인트의 볼록 hull 근사치는 세 가지 영향 카테고리에서 모두 향상된 환경 성능가능 영역을 보여주었다.
• 특정 생성 조합 중 한 가지는 극단점 근처에 위치해 14일 양생 시 30 MPa 강도를 확보하면서도 환경 영향이 크게 감소하여, 모델의 실용적 설계 잠재력을 검증하였다.