왜 AI가 콘크리트 배합을 최적화해야 할까?
미국에서는 매년 약 4억 입방야드의 콘크리트가 사용됩니다. 이는 지구를 여러 바퀴 돌 수 있는 2차선 고속도로를 포장할 수 있는 양이죠. 그런데 콘크리트의 핵심 재료인 시멘트의 약 20~25%를 수입에 의존하고 있어, 공급망 리스크와 국가 제조 경쟁력에 악영향을 미치고 있습니다.
전통적인 콘크리트 배합 설계는 실험실에서의 시행착오(trial-and-error), 엔지니어의 직관, 그리고 수십 년간 축적된 경험에 크게 의존합니다. 다른 시멘트는 화학적 조성이 다르기 때문에, 한 시멘트에 완벽하게 맞는 배합이 다른 시멘트에서는 완전히 실패할 수도 있습니다. 따라서 새로운 재료(특히 국내산 재료)를 신속하게 검증하고 적용할 수 있는 방법이 절실히 필요했습니다.
메타(Meta)는 이 문제를 해결하기 위해 베이지안 최적화(Bayesian Optimization) 기반의 AI 모델 BOxCrete를 개발하고, 이를 오픈소스로 공개했습니다. 이 모델은 기존의 시행착오 방식을 획기적으로 개선하여, 더 빠르고 정확하게 최적의 콘크리트 배합을 찾아냅니다.
핵심 요약: BOxCrete는 과거의 실험 데이터를 학습하여, 가장 높은 성능을 낼 가능성이 높은 새로운 배합을 제안하고, 각 실험 결과를 피드백으로 삼아 지속적으로 모델을 개선합니다.
BOxCrete의 핵심 기술: 적응형 실험(Adaptive Experimentation)
BOxCrete는 메타의 적응형 실험 플랫폼(Ax) 위에서 구동됩니다. 이 플랫폼은 베이지안 최적화를 사용하여 가능한 수많은 콘크리트 배합 공간을 지능적으로 탐색합니다. 무작위로 배합을 테스트하거나 인간의 직관에만 의존하는 대신, AI가 다음과 같은 방식으로 작동합니다.
- 기존 데이터 학습: 과거의 배합 설계, 실험실 결과, 성능 지표를 학습하여 어떤 요소가 효과적인지 파악합니다.
- 고성능 후보 제안: 목표 사양을 충족할 가능성이 가장 높은 새로운 배합을 제안하고, 국내산 재료와 수입산 재료의 성능을 비교할 수 있습니다.
- 제약 조건 사전 반영: 사용자는 기술적 요구 사항과 사용할 재료를 미리 지정할 수 있습니다.
- 테스트 결과 피드백: 각 실험실 결과가 모델의 예측을 개선하여 자동 개선 루프가 형성됩니다.
실제 코드 예제 (Python 기반 BOxCrete 사용 흐름)
BOxCrete는 GitHub에서 오픈소스로 제공되며, 기본적인 사용 흐름은 다음과 같습니다. 실제 API는 공식 문서를 참고하세요.
# BOxCrete 사용 예시 (개념적 코드)
# 실제 모듈은 GitHub 저장소 참고: https://github.com/facebookresearch/boxcrete
import numpy as np
from boxcrete import BOxCreteOptimizer
# 1. 과거 실험 데이터 로드 (예: 시멘트 종류, 물-시멘트 비율, 골재 크기, 28일 압축 강도)
historical_data = {
"cement_type": ["Type I", "Type III", "Type I/II"],
"w_c_ratio": [0.45, 0.50, 0.42],
"aggregate_size": [20, 25, 20],
"strength_28d": [35.0, 42.0, 38.5] # MPa
}
# 2. 최적화할 목표 설정 (예: 28일 압축 강도 40MPa 이상, 슬럼프 100mm 이내)
optimizer = BOxCreteOptimizer(
target_strength=40.0, # MPa
max_slump=100, # mm
use_domestic_materials=True # 국내산 재료 우선 사용
)
# 3. AI가 새로운 배합 제안
new_mix = optimizer.suggest_next_experiment(historical_data)
print("AI가 제안한 새로운 배합:", new_mix)
# 출력 예시: {'cement_type': 'Type I/II', 'w_c_ratio': 0.44, 'aggregate_size': 22, ...}
# 4. 실험 결과를 모델에 피드백하여 정확도 향상
optimizer.update_model(experiment_result={"strength_28d": 41.2, "slump": 90})
이러한 방식으로, BOxCrete는 단 몇 번의 실험만으로도 최적에 가까운 배합을 찾아낼 수 있습니다. 메타의 연구 결과에 따르면, 이 모델은 이전 버전보다 노이즈가 많은 데이터에 더 강건하며, 콘크리트의 작업성(슬럼프)을 예측하는 새로운 기능도 포함하고 있습니다.
실제 적용 사례: 데이터센터에서의 성능 검증
BOxCrete는 실제 메타의 데이터센터 건설 현장에서 그 성능을 입증했습니다.
미네소타주 로즈마운트 데이터센터
메타는 Amrize(북미 최대 시멘트·콘크리트 제조사), Mortenson(건설사), 일리노이대학교 어배너-샴페인과 협력하여 BOxCrete로 최적화된 콘크리트 배합을 실제 데이터센터 건물 슬래브의 지지 구역에 적용했습니다.
- 성능 개선: AI 최적화 배합은 기존 배합 대비 43% 더 빠르게 전체 구조 강도에 도달했습니다.
- 균열 위험 감소: 균열 발생 위험을 약 10% 낮췄습니다.
- 국내산 재료 사용: 모든 재료를 국내에서 조달하여 공급망 리스크를 줄였습니다.
펜실베이니아주 Quadrel 소프트웨어 도입
레미콘 업계를 위한 엔터프라이즈 SaaS 플랫폼인 Quadrel은 메타의 AI 프레임워크를 자사 소프트웨어에 적용했습니다. Quadrel은 이를 데이터 전처리, 배치 및 테스트 정규화, 특성 엔지니어링, 고객 맞춤형 모델 학습 등에 사용하고 있으며, 현장 테스트 결과가 지속적으로 모델에 반영되어 매일 배합 설계와 품질 관리 업무에 활용되고 있습니다.
국내 건설 생태계에서의 적용 맥락
국내 건설 현장에서도 유사한 니즈가 있습니다. 특히:
- 레미콘 업계: 다양한 골재와 시멘트 공급처의 품질 변동에 대응하기 위해 AI 기반 배합 최적화가 유용할 수 있습니다.
- 탄소 저감 규제: 정부의 탄소 중립 정책에 따라 저탄소 콘크리트 수요가 증가하고 있으며, BOxCrete는 국내산 저탄소 재료(예: 고로 슬래그 시멘트)를 효과적으로 활용할 수 있도록 도와줍니다.
- 데이터센터 건설: 국내에서도 데이터센터 건설이 급증하고 있어, 대규모 기초 콘크리트의 품질과 시공 속도를 동시에 확보하는 데 AI가 기여할 수 있습니다.
주의사항: BOxCrete는 배합 설계의 초기 탐색 속도를 크게 개선하지만, 최종적인 실험실 검증, 현장 시험, 엔지니어링 승인, 그리고 건축 법규 준수 과정을 대체하지는 않습니다. AI는 '더 나은 출발점'을 제시할 뿐, 최종 품질은 여전히 전문가의 판단과 규정 준수를 통해 확보되어야 합니다.
결론: AI가 바꾸는 건설 산업의 미래
메타의 BOxCrete는 단순한 연구 프로젝트를 넘어, 실제 산업 현장에서 가시적인 성과를 내고 있습니다. 43% 더 빠른 강도 발현, 10%의 균열 위험 감소는 AI가 건설 자재 최적화에 얼마나 큰 영향을 미칠 수 있는지를 보여주는 구체적인 사례입니다.
메타는 이 모델을 MIT 라이선스로 오픈소스 공개하여, 학계와 상용 소프트웨어 제공업체 모두가 자유롭게 사용하고 개선할 수 있도록 했습니다. 앞으로 더 많은 플랫폼이 BOxCrete를 기반으로 구축된다면, AI 최적화 배합 설계는 레미콘 업계의 표준 워크플로우로 자리 잡을 것입니다.
다음 단계 학습 방향
- 오픈소스 코드 살펴보기: BOxCrete GitHub 저장소에서 실제 모델 코드와 데이터셋을 확인해보세요.
- 베이지안 최적화 이해하기: BOxCrete의 핵심 알고리즘인 베이지안 최적화에 대한 기초를 학습하면 모델의 작동 원리를 더 깊이 이해할 수 있습니다.
- 건설 AI 동향 파악: 메타 외에도 다양한 스타트업과 연구 기관이 건설 자재 최적화에 AI를 적용하고 있습니다. 관련 논문과 컨퍼런스(예: ACI Convention) 자료를 참고하세요.
함께 보면 좋은 글
본 글은 메타 엔지니어링 블로그의 'AI for American-produced cement and concrete'를 기반으로 작성되었습니다.