| 논문명 |
생성형 AI 기반의 머신러닝을 통한 굳지 않은 콘크리트의 물성 예측 성능 분석 / Predictive Modeling of Fresh Concrete Rheological Parameters Through Based on Generative Adversarial Networks |
| 저자명 |
이강혁(Lee, Kang-Hyeok) ; 이유정(Lee, Yu-Jeong) ; 임영주(Lim, Young-Ju) ; 한동엽(Han, Dong-Yeop) |
| 수록사항 |
한국건축시공학회 논문집, Vol.25 No.2 (2025-04) |
| 주제어 |
머신러닝; 생성형 인공지능; 콘크리트; 슬럼프 플로; 레올로지 ; machine learning; generative AI; concrete; slump flow; rheology |
| 요약1 |
본 연구에서는 생성형 AI를 이용하여 머신러닝 알고리즘을 작성하여 굳지 않은 콘크리트의 슬럼프 플로 및 배합 요소를 통해 굳지 않은 콘크리트의 레올로지 정수를 예측하고자 하였다. 이에 따라 생성형 AI를 이용해 작성된 머신러닝 알고리즘 의 예측 성능을 분석하고 인간 프로그래머가 직접 작성한 머신러닝 알고리즘과 비교하였다. 연구 결과 생성형 AI를 통해 작 성된 알고리즘의 경우 충분히 레올로지 정수를 예측할 수 있을 것으로 판단되지만 인간 프로그래머가 작성한 알고리즘과 비 교하였을 때 오차 지표가 더 높아 인간이 작성한 경우보다 정확성이 좀 더 떨어지는 것으로 판단된다. |
| 요약2 |
This investigation evaluates the predictive capacity of machine learning algorithms generated through generative artificial intelligence(AI) methodologies for determining rheological indices of fresh cementitious composites based on slump flow characteristics and mixing parameters. A comparative analysis was conducted between AI-generated algorithmic models and those manually formulated by human programmers to assess relative predictive efficacy. Empirical findings indicate that while the AI-generated algorithms demonstrate functional capability in predicting rheological indices of fresh concrete, they exhibit elevated error metrics relative to human-developed algorithmic models, suggesting diminished predictive accuracy. This comparative performance differential provides valuable insights into the current limitations of generative AI in developing high-precision predictive models for complex non-linear rheological behavior in cementitious systems. |
