콘크리트 유동 이미지 기반 시간 의존적 신선 콘크리트 특성 예측

Основные понятия

이미지 기반 딥러닝을 통해 콘크리트 유동 특성을 관찰하고 시간에 따른 슬럼프 유동 직경, 항복 응력, 소성 점도를 예측할 수 있다.

Аннотация

이 연구에서는 신선 콘크리트의 특성을 예측하기 위해 이미지 기반 딥러닝 방법을 제안한다. 스테레오 카메라를 사용하여 콘크리트 혼합 과정 중 콘크리트 유동을 관찰하고, 이를 정사영 이미지, 깊이 정보, 광학 흐름 정보로 변환한다. 이 정보와 배합 설계 정보를 입력으로 하는 합성곱 신경망을 통해 시간에 따른 슬럼프 유동 직경, 항복 응력, 소성 점도를 예측한다.

실험 결과, 정사영 이미지, 깊이 정보, 광학 흐름 정보와 배합 설계 정보를 함께 사용할 때 가장 정확한 예측 결과를 얻을 수 있었다. 또한 동일한 콘크리트에 대한 여러 예측 결과를 평균화하면 예측 정확도가 향상되었다.

제안된 방법을 통해 콘크리트 혼합 과정에서 시간에 따른 신선 콘크리트 특성의 변화를 예측할 수 있다. 이는 콘크리트 타설 시점에 맞춰 필요한 조치를 취할 수 있게 하여 콘크리트 생산 과정의 효율성과 지속가능성을 높일 수 있다.

Статистика

콘크리트 슬럼프 유동 직경의 범위는 30.00 cm에서 63.50 cm 사이이다.
콘크리트 항복 응력의 범위는 65.84 Pa에서 585.40 Pa 사이이다.
콘크리트 소성 점도의 범위는 19.76 Pa·s에서 121.91 Pa·s 사이이다.
이미지 획득과 특성 측정 간 시간 차이의 범위는 -49.88분에서 87.16분 사이이다.

Цитаты

없음

Ключевые выводы из

Image-based Deep Learning for the time-dependent prediction of fresh concrete properties

by Max Meyer,Am... в arxiv.org 04-16-2024

https://arxiv.org/pdf/2402.06611.pdf

Дополнительные вопросы

질문 1

이미지 기반 신선 콘크리트 특성 예측에 도움이 될 수 있는 추가 정보로는 환경 요소가 있습니다. 실제 현장에서 콘크리트가 운반되는 동안 온도, 습도 등의 환경 조건은 콘크리트 특성에 영향을 미칠 수 있습니다. 따라서 이러한 환경 요소를 예측 모델에 통합하여 콘크리트의 특성을 더욱 정확하게 예측할 수 있습니다.

질문 2

이미지 기반 예측 모델의 성능을 향상시키기 위해 Transformer-based 모델을 적용할 수 있습니다. Transformer 모델은 시퀀스 데이터를 처리하는 데 탁월한 성능을 보이며, 이미지 시퀀스의 특징을 더 잘 추출할 수 있습니다. 또한, Transformer 모델은 시간적인 의존성을 잘 파악하고 다양한 입력 정보를 효과적으로 활용할 수 있는 장점이 있습니다.

질문 3

이 방법을 실제 현장에서 적용할 때 고려해야 할 실용적인 문제로는 환경 조건의 변화와 센서 데이터의 신뢰성이 있습니다. 콘크리트의 특성은 환경 조건에 따라 변할 수 있으므로 실시간으로 환경 요소를 모니터링하고 이를 모델에 반영해야 합니다. 또한, 센서 데이터의 정확성과 신뢰성을 보장하여 모델이 실제 현장에서 신뢰할 만한 예측을 할 수 있도록 해야 합니다. 이를 위해 데이터 수집 및 처리 과정에서의 오차와 불확실성을 최소화하는 방법을 고려해야 합니다.