The performance of cement dispersants and their influence on the rheological behavior of concrete can be evaluated using a variety of methods, including slump test or ICAR rheometer viscosity measurements; however, they are considered labor, time, and resource- ineffective. Thus, unsupervised machine learning algorithms are suggested to be used to develop an algorithm capable of proposing candidates for further testing, avoiding the necessity to test numerous cement dispersants under investigation. A model is based on Principal Component Analysis (PCA) and K-means clustering algorithms, the results of which are used to detect the cement dispersants located on the established data boundary. Its accuracy is evaluated based on the Type II error and J-score quantification that allows selecting a dataset built upon the testing procedure with lower experimental costs. As a result, the combination of Fourier-Transform Infrared Spectroscopy (FT-IR) and Gel Filtration Chromatography (GFC) test results provided the highest accuracy in identifying special PCE-based admixtures, reducing the number of cement dispersants proposed as candidates for prospective analysis by more than a half.
시멘트 분산제의 성능은 콘크리트 샘플을 제조한 후 슬럼프 시험 또는 레오미터를 이용한 점도 측정 등의 다양한 시험을 사용하여 평가한다. 이러한 시험 방법은 많은 시간과 노력이 필요하여, 많은 수의 시멘트 분산제의 성능을 비교 평가하기에는 효율적이지 못하다. 따라서, 본 연구에서는 다양한 시멘트 분산제를 모두 시험하지 않고, 우수한 성능을 보일 것으로 기대되는 소수의 후보군을 찾아 직접 시험하는 횟수를 줄이기 위한 데이터 마이닝 알고리즘을 제안하였다. 주성분 분석 및 K-평균 클러스터링 알고리즘을 기반으로, 데이터 경계를 정의하여 기존의 시멘트 분산제와 다른 아웃라이어를 탐색한다. 아웃라이어 시멘트 분산제와 기존 시멘트 분산제의 성능 차이를 실험적으로 비교하여, 가설검정 이론에 따른 2종 오류 및 J-점수 정량화를 기반으로 제안한 알고리즘의 정확도를 평가하였다. 결과적으로, 시멘트 분산제에 대한 푸리에 변환 적외선 분광(FT-IR) 시험과 겔 여과 크로마토그래피(GFC) 시험 결과를 조합하여 그 특징을 비교하면, 기존 시멘트 분산제와 다른 성능을 보이는 후보군(아웃라이어)을 탐색할 수 있다. 후보군은 전체 샘플의 절반 이하로 추릴 수 있으므로, 많은 수의 시멘트 분산제에 대한 시험 평가 효율을 크게 높일 수 있다.
