PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.06765v1cond-mat.mtrl-sci

알칼리 활성 슬래그의 성능 예측 및 설계 공간 탐험을 위한 반응성 기반 머신러닝

Reactivity-Informed Machine Learning for Performance Prediction and Design Space Exploration of Alkali-Activated Slag

배합 설계, 원료 특성, 양생 조건, 성능 간의 정량적 관계를 확립하는 것은 시멘트질 재료, 특히 전구체 및 활성화제 화학 조성이 가변적인 알칼리 활성 재료에서 오랜 과제로 남아 있다. 본 연구에서는 3100건 이상의 압축강도 기록, 화학적으로 구별되는 155종의 고로 슬래그(GGBS), 그리고 전구체 화학 조성, 분말도, 반응성을 포함하는 24개의 속성으로 구성된 현재까지 가장 큰 문헌 기반 알칼리 활성 슬래그(AAS) 데이터셋을 구축하였다. 다수의 머신러닝(ML) 알고리즘을 점진적으로 풍부화된 특징 시나리오에 걸쳐 벤치마크하였으며, GGBS 조성, 분말도, 양생 조건, 공시체 형상을 통합하면 예측 성능이 향상됨을 입증하였다. 전구체 반응성의 물리적으로 해석 가능한 표현인 평균 금속 산화물 해리 에너지(AMODE)는 명시적 산화물 조성에 대한 간결한 대체 기술자를 제공하면서도 동등한 예측 성능을 가능하게 한다. 모델 해석을 통해 이질적인 데이터로부터 물리적으로 일관된 경향이 도출되었으며, 여기에는 Na2O 첨가량 및 실리케이트 모듈러스의 비단조적 효과, 높은 물 함량 및 큰 공시체 크기에서 예측된 강도 감소, 개별 산화물 함량보다 AMODE로 더 일관되게 표현되는 결합된 산화물 수준 효과 등이 포함된다. 통계적으로 제약된 설계 공간 탐험은 반응성에 따른 강도, 내재된 CO2 배출량, 비용 간의 트레이드오프를 드러낸다. 설계 지도는 유사한 비용에서 OPC 기반 기준보다 CO2 배출량이 현저히 낮은 고강도 영역을 식별한다. 전반적으로 본 연구는 반응성 기반 ML이 이질적인 AAS 데이터로부터 물리적으로 의미 있는 경향을 추출하고 공급원 의존적 결합재 설계를 안내하는 방법을 보여준다. 구축된 데이터셋은 시멘트 및 콘크리트 연구의 발전을 지원하기 위해 공개적으로 접근 가능하다.