• Computers and Concrete
• /
• 제19권5호
• /
• pp.457-465
• /
• 2017

The Taiwanese liquid crystal display (LCD) industry has traditionally produced a huge amount of waste glass that is placed in landfills. Waste glass recycling can reduce the material costs of concrete and promote sustainable environmental protection activities. Concrete is always utilized as structural material; thus, the concrete compressive strength with a variety of mixtures must be studied using predictive models to achieve more precise results. To create an efficient waste LCD glass concrete (WLGC) design proportion, the related studies utilized a multivariable regression analysis to develop a compressive strength waste LCD glass concrete equation. The mix design proportion for waste LCD glass and the compressive strength relationship is complex and nonlinear. This results in a prediction weakness for the multivariable regression model during the initial growing phase of the compressive strength of waste LCD glass concrete. Thus, the R ratio for the predictive multivariable regression model is 0.96. Neural networks (NN) have a superior ability to handle nonlinear relationships between multiple variables by incorporating supervised learning. This study developed a multivariable prediction model for the determination of waste LCD glass concrete compressive strength by analyzing a series of laboratory test results and utilizing a neural network algorithm that was obtained in a related prior study. The current study also trained the prediction model for the compressive strength of waste LCD glass by calculating the effects of several types of factor combinations, such as the different number of input variables and the relevant filter for input variables. These types of factor combinations have been adjusted to enhance the predictive ability based on the training mechanism of the NN and the characteristics of waste LCD glass concrete. The selection priority of the input variable strategy is that evaluating relevance is better than adding dimensions for the NN prediction of the compressive strength of WLGC. The prediction ability of the model is examined using test results from the same data pool. The R ratio was determined to be approximately 0.996. Using the appropriate input variables from neural networks, the model validation results indicated that the model prediction attains greater accuracy than the multivariable regression model during the initial growing phase of compressive strength. Therefore, the neural-based predictive model for compressive strength promotes the application of waste LCD glass concrete.

• 콘크리트학회지
• /
• 제8권4호
• /
• pp.141-148
• /
• 1996

기존의 촉진양생 연구는 1960~1970년대에 주로 실행된 것으로, 전체 증기양생기간이 18시간 또는 24시간인 경우에 대하여 연구되었고, 상기 연구 결과는 수동식 항온항습조를 사용하였으므로 온도상승구배의 효과에 대하여 명확한 규명을 할 수 없다고 판단되었다. 따라서 국내 PC공장 여건에서 그 직접적인 적용이 불가능한 실정이다. 본 연구는 효과적인 콘크리트 촉진양생에 대한 기본 자료를 정립할 목적으로, 국내 PC 공장에서 사용하는 배합표를 근거로 시험공시체를 제작한 후, 각 해당 양생주기 조건을 변화시켜 가면서 실험하였다. 탈형시 및 수중양생 재령28일의 측정하고 비교 검토한 결과, 재령 28일 후 설계강도값을 초과하는 가장 효과적인 촉진양생조건, 본 실험조건 하에서 전양생시간은 커다란 영향을 미치지 않았으며, 온도상승구배는 $30^{circ}C/hr$ 이하로, 최고양생온도는 $82^{\circ}C$이하로 양생해야 하며, 또한 촉진양생 후 2차 양생으로 강도증진을 도모함이 촉진양생의 효과를 증대시킬 수 있다고 판단되었다.

• 한국구조물진단유지관리공학회 논문집
• /
• 제19권5호
• /
• pp.92-103
• /
• 2015

Box-Wilson 실험계획법은 보통 중심합성계획법으로 알려져 있으며, 변동성이 존재하는 정보를 실험 계획적 방법으로 수집하는 설계 기법이다. 이 방법은 최소의 설계비용으로 가능한 많은 정보를 얻는 목적으로 고안되었다. 본 연구에서는 60 MPa급 고강도 자기충전형 콘크리트(HSSCC)를 대상으로 다양한 성능에 대한 여러 배합인자들의 효과를 효율적으로 파악하고 최적배합을 찾는 과정에 이 방법을 적용하였다. HSSCC의 배합인자(요인)와 물리적 성능(반응) 사이의 비선형적 관계는 2차 다항식으로 반응표면을 근사화 모델링하였으며, 요인점=25=32개, 축점=2k=10개, 중심점은 각 축에서 2번 씩 10개, 총 52개의 실험점에서 물시멘트비, 단위시멘트량, 잔골재비, 단위플라이애쉬량, 단위고성능감수량의 총 5개의 인자에 따른 압축강도, 통과능력, 재료분리저항성, 제조비용, 밀도 등의 총 5개의 반응을 파악하기 위한 실험이 실시되었다. 연구의 결과 Box-Wilson 실험계획법은 배합인자와 반응 사이의 관계를 과학적인 방법으로 계획하고 객관적으로 해석하는 데 매우 효과적이었으며, 수치해석적인 방법으로 최적배합을 계산할 수 있었다.