지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 양범주
- 발행연도
- 2023
- 저작권
- 충북대학교 논문은 저작권에 의해 보호받습니다.
이용수14
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 다중벽 탄소나노튜브(MWCNTs)를 포함하는 시멘트 복합재료의 장기 압저항 성능에 대한 실험적, 머신러닝 및 딥러닝 연구를 수행하였다. 건설 모니터링 시스템을 위해 시멘트 기반 센서가 활발히 연구되었으나, 대부분의 경우 단기 실험 연구에 국한되었다. 본 논문에서는 MWCNT를 이용한 시멘트계 복합재료의 압전특성을 장기간에 걸쳐 실험적으로 검증하였으며, 최근 다양한 분야에서 연구되고 있는 머신러닝과 딥러닝 기법을 적용하여 성능을 예측하였다.
첫째, 다양한 수분/바인더(w/b) 비율, 하중 유형 및 MWCNT 함량에 따른 시멘트계 전도성 복합재료의 전기저항률(FCR)의 부분적인 변화에 대한 데이터를 훈련 값으로 간주하였다. 이 데이터는 전도성 시멘트 복합체의 전기적 특성을 추정하기 위해 다양한 기계 학습 및 인공 지능 기술에 적용되었다. 계산 결과를 비교 분석하여 MWCNTs 내장 시멘트 복합재료에 대한 최적의 알고리즘을 선택 및 검증하였다.
다음으로는, MWCNT 함량(0.1, 0.3, 0.5 wt.%)이 다른 시편을 제작하고 압전 저항 테스트를 10,000 사이클에 걸쳐 수행하여 학습 데이터를 얻었다. 수정된 LSTM(Long Short-Term Memory) 모델을 기반으로 FCR, 훈련 데이터 양, 훈련 세션 수, 탈락률 등 다양한 입력 변수가 예측 정확도에 미치는 영향을 분석했다. 구축된 딥러닝 기반 모델의 성능은 훈련에 사용되지 않은 데이터와 예측 결과를 비교하여 평가하였다. MWCNTs가 내장된 시멘트 복합재료의 장기 압전 특성은 확립된 LSTM 모델에 의해 최대 98%의 정확도로 예측되었습니다.
첫째, 다양한 수분/바인더(w/b) 비율, 하중 유형 및 MWCNT 함량에 따른 시멘트계 전도성 복합재료의 전기저항률(FCR)의 부분적인 변화에 대한 데이터를 훈련 값으로 간주하였다. 이 데이터는 전도성 시멘트 복합체의 전기적 특성을 추정하기 위해 다양한 기계 학습 및 인공 지능 기술에 적용되었다. 계산 결과를 비교 분석하여 MWCNTs 내장 시멘트 복합재료에 대한 최적의 알고리즘을 선택 및 검증하였다.
다음으로는, MWCNT 함량(0.1, 0.3, 0.5 wt.%)이 다른 시편을 제작하고 압전 저항 테스트를 10,000 사이클에 걸쳐 수행하여 학습 데이터를 얻었다. 수정된 LSTM(Long Short-Term Memory) 모델을 기반으로 FCR, 훈련 데이터 양, 훈련 세션 수, 탈락률 등 다양한 입력 변수가 예측 정확도에 미치는 영향을 분석했다. 구축된 딥러닝 기반 모델의 성능은 훈련에 사용되지 않은 데이터와 예측 결과를 비교하여 평가하였다. MWCNTs가 내장된 시멘트 복합재료의 장기 압전 특성은 확립된 LSTM 모델에 의해 최대 98%의 정확도로 예측되었습니다.
목차
차 례Abstract ⅲList of Figures ⅤList of Tables ⅷⅠ. Introduction 11.1 Research background 11.2 Literature reviews 31.2.1 Mechanical and electrical properties of MWCNTs-embedded cementtious composites 31.2.2 Applications of conductive cementtious composites 71.3 Objectives and scopes 9Ⅱ. Piezoresistive prediction of MWCNTs-embedded cement composites under static loading condition 112.1 Recapitulations of machine and deep learning algorithms 112.2 Experimental training data set 202.3 Results and discussion 232.3.1 FCR/stress relations 232.3.2 FCR/time relations 31Ⅲ. Piezoresistive characteristic and prediction of MWCNT/cement composites under dynamic loading condition 363.1 Research framework 363.2 Experiment and results 393.2.1 Materials and test setup 393.2.2 Experimental results of piezoresistive performances 423.3 LSTM-based prediction of long-term piezoresistive characteristics 503.3.1 Parametric analysis 503.2.2 Experimental comparisons 51Ⅳ. Conclusions 60References 62Acknowledgments 74
최근 본 자료
댓글(0)
0