1. 서 론

물-시멘트비(w/c)는 콘크리트의 압축강도와 내구성에 직접적인 영향을 미치는 핵심 변수로, w/c가 1 % 증가하는 경우 약 103 kPa의 강도 저하가 발생한다고 보고된 바 있다^{(ACI Committee 211 1991; Lee and Lee 2023)}. 따라서 콘크리트의 품질 유지를 위해 w/c의 정밀한 조절이 필수적이다. 일반적으로 실무에서는 40~60 %의 범위가 적용되며, 완전한 수화를 위한 이론적 최소 w/c는 36 %로 제시된다. 그러나 실제 시공에서는 작업성 확보 및 증발 손실 등을 고려하여 보통 42 % 이상의 w/c를 사용한다^{(Powers and Brownyard 1947; Mindess et al. 2003)}.

현장에서는 세척수 잔류나 추가 가수 등으로 인해 설계값과 실제 w/c 간에 편차가 발생할 수 있어, 수분 계측의 중요성이 커지고 있다. 이에 따라 고주파가열법, 단위용적질량법, 정전용량법, 마이크로파법 등이 단위수량 측정 기술로 도입되어 현장에서 활용되고 있다^{(KCI 2022)}. 다만 작업자의 조작법이나 혼합물 특성에 따라 측정값의 편차가 발생할 수 있어 현장 적용성 차원의 개선 여지가 있다. 또한 단위수량측정법은 혼합물 내 절대적인 물의 양만을 계산하므로, w/c를 도출하기 위해서는 시멘트량 정보가 필요하다.

본 연구는 시멘트량을 별도로 고려하지 않고 w/c 자체를 직접 판단하는 데 초점을 두고 있어, 기존 단위수량 측정법과 계측 대상과 해석에 차이를 보인다. w/c 계측은 현장 품질관리에 있어 현실적인 수요가 크지만, 즉각적인 구현에는 여전히 제약이 따른다. 특히 최소한의 조작으로 부적합 여부를 직관적으로 판별할 수 있는 기술 개발이 요구된다. 이에 본 연구는 초기 단계의 접근으로, 시멘트 페이스트를 대상으로 임피던스 데이터를 활용하여, 최소 w/c 기준을 판별할 수 있는 분류 모델을 제안한다. 이 방법은 간단한 계측과 분석만으로 콘크리트 반입 시 품질 기준을 판별하는 기초 자료로 활용될 수 있다.

전기화학 임피던스는 일반적으로 등가회로 모델(equivalent circuit model, ECM)을 가정하고, 계측된 임피던스 스펙트럼에 적합(fitting)하여 각 회로 요소에 물리적 의미를 해석하는 방식으로 수행된다. 따라서 설명하는 회로 모델과 계측 데이터의 품질에 크게 의존하게 되며, 최근에는 정확한 모델 식별을 위해 머신러닝을 활용한 방법과 이완 시간 분포 분석 방법이 제안되기도 하였다^{(Zhu et al. 2019; Liu and Ciucci 2020)}. 한편, 초기 시멘트 페이스트는 전극-전해질 계면의 지배적인 영향으로, 임피던스 스펙트럼이 발산하는 양상을 보인다. 이로 인해 ECM은 일부 구간만으로 모델링되며, 관측되지 않은 영역에 대해 추정된 파라미터를 적용함으로써 시료의 정보를 소실할 수 있다. 따라서 본 연구는 임피던스 스펙트럼의 원 데이터를 최소한의 전처리를 거쳐 그대로 분석에 활용하는 방식을 채택하였다(Fig. 1). 이는 스펙트럼이 내재한 w/c 관련 정보를 보존하고, 초기 시멘트 페이스트의 반응 특성을 효과적으로 반영하기 위함이다.

본 연구에서 제안하는 전기화학 임피던스를 활용한 w/c 분류 모델은, 다양한 w/c를 가진 시멘트 페이스트의 임피던스 데이터를 실험을 통해 구축하는 데서 출발하였다. 이후 간단한 전처리 및 통계 분석을 통해 기준 w/c 분류 가능성을 확인하였으며, 클래스 불균형을 고려한 모델 설계와 하이퍼파라미터 최적화를 통해 성능을 향상하였다. 그 결과 제안 모델은 w/c 36 %를 기준으로 두 클래스를 높은 정확도로 구분하였으며, 최종적으로 기준 미달 여부에 대한 판정 가능성을 확인하고, 실시간 품질 관리 측면에서의 활용 가능성을 논의하였다.

Fig. 1 Impedance interpretation using equivalent circuit model (ECM) and raw data

2. 시멘트 페이스트의 임피던스 데이터를 활용한 물-시멘트비 분석

2.2 임피던스 실험 데이터 구축

보통 포틀랜드 시멘트 1종과 초순수를 3분 배합 후 1분 다짐하여 시멘트 페이스트 시편을 제작하였다. 사용된 시멘트의 화학 조성은 Table 1에 제시하였으며, 초순수는 비저항 18.2 M$\Omega\cdot$cm의 일관된 전기전도도를 갖고, 세부 물성은 Table 2에 나타내었다. Table 3에 따라 w/c는 30~45 % 범위에서 1 % 간격으로 조절하였으며, 시멘트량은 3.22 kg로 고정하고 물의 양만 변화시켜 다른 변수의 영향을 배제하였다. 시멘트 페이스트는 단일 배치에서 혼합한 후, 8개 측정 채널에 대응한 8개 시편으로 균등 분배하여 제작하였다. 시편은 $\Phi$70$\times$90 mm PE 실린더에 제작되었으며, 전체 시편은 유도기에 준비되어, EIS 실험 전 약 10분간 배합 안정화를 거쳤다.

임피던스 측정은 8채널 전위차계 장비(Wizmac WizEIS-8100 Premium)를 사용하여 수행하였으며, AC 10 mV를 인가하여 주파수 범위 1 MHz~0.1 Hz에서 100개의 데이터 포인트를 취득하였다. 모든 채널은 동시에 측정을 시작하였으며, 1시간 동안 15분 간격으로 총 4회 반복 측정하였다. 실험 전체 구성은 Fig. 2(a)에 제시되어 있다. 전극 시스템은 작업전극(working electrode, WE), 작업 감지 전극(working sense electrode, WSE), 상대전극(counter electrode, CE), 기준전극(reference electrode, RE)으로 구성되며, Fig. 2(b)와 같이 배치하였다. 사용된 전극은 $\Phi$3$\times$150 mm 규격의 SS304 봉형 막대이며, 시편 상부에 10 mm 간격으로 배열하고, 시료 내 40 mm 깊이까지 삽입되도록 고정하였다.

임피던스 측정 결과는 Fig. 3과 같다. 전체 측정 주파수 범위(1 MHz~0.1 Hz) 중, 250 kHz 이상의 고주파 대역에서는 측정 한계로 인한 기생효과(parasitic effect)가 관찰되었다. 약 1 Hz 이후의 저주파 대역에서는 전극 효과로 인해 임피던스가 크게 발산하였다. 이러한 거동은 측정된 시간과 w/c와 관계없이 관찰되었다. 본 연구에서는 임피던스 스펙트럼 기반의 w/c 예측 프레임 워크를 제시함에 있어, 이와 같은 이상 구간을 사후적으로 식별하고 구간 선택을 통해 신뢰성 있는 데이터만을 분석에 활용하였다. 향후에는 초기 데이터 품질 자체를 개선하기 위한 실험적 보완도 고려될 수 있으며, 이를 위해 전도성 겔의 사용, 리드선차폐 강화, 전극-시료 접촉 구조 최적화 등 물리적 시스템을 개선할 수 있다. 결과적으로 본 연구에서는 중간 주파수 범위인 250 kHz~1 Hz 구간의 76개 데이터를 모델 학습 및 분석에 활용하였다.

각 시편은 76개의 주파수 포인트에 대한 복소 임피던스로 구성되며, 복소 임피던스는 Z′, Z″, |Z|, Φ의 네 가지 형태로 표현된다. 이에 따라 한 시편당 입력 변수는 76×4차원으로 구성되며, 총 538개의 시편에 대해 EIS 측정을 수행하였으므로 최종 입력 데이터는 538×304의 크기이다.

Table 1 Chemical composition of cement (wt.%)

Components	CaO	SiO2	Fe2O3	Al2O3	SO3	MgO	Na2O	K2O	LOI
Mass (%)	63.8	20.78	3.99	3.57	3.82	1.72	0.26	0.75	1.31

Table 2 Physicochemical properties of deionized (DI) water

Parameter (unit)	PH (25 °C)	Conductivity ($\mu$s/cm)	Resistivity (M$\Omega\cdot$cm, 25 °C)	Total organic carbon (TOC) (mg/L)
Value	5.3	0.05	18.05	9.7

Table 3 Mixing data of cement paste

w/c (%)	30	31	32	33	34	35	36	37	38	39	40	41	42	43	44	45
Water (g/m3)	966	998	1,030	1,063	1,095	1,127	1,159	1,191	1,224	1,256	1,288	1,320	1,352	1,385	1,417	1,449
Cement (g/m3)	3,220

Fig. 2 Experimental setup for electrical impedance spectroscopy measurement

Fig. 3 Impedance spectrum of cement paste

3. 물-시멘트비 미달 판정을 위한 분류 모델

임피던스 데이터를 활용한 분류 모델 설계를 위한 데이터 분석 프로세스는 Fig. 4의 절차로 수행된다. 전처리 과정을 거쳐, w/c 분류를 위한 클래스 이진화와 변수 분석을 수행한다. 이후 분류 모델을 학습하여 최소 w/c 기준 판정에 대한 분류 성능을 검토하였다.

3.1 데이터 전처리 및 통계 분석

서로 다른 변수 크기는 모델 학습에 편향을 유발하므로 표준화(standardization)하여 모든 변수가 정규분포(평균 0, 표준편차 1)를 따라 동등한 크기를 갖도록 전처리하였다. 실험 데이터의 일관성을 확보하고자, Median absolute deviation (MAD) 기반 필터링을 수행하여 w/c별 데이터 분포에서 이상치를 식 (1)과 같이 임곗값을 기준으로 제거하였다. 어떤 데이터 집합 X에서 $x_i$는 임의 요소, $\tilde{x}$는 중앙값, $|x_i - \tilde{x}|$는 절댓값 편차이다. $k$는 임곗값 계수로서 일반적으로 2.5~3.5 범위이며, $k = 3$을 적용하였다. 필터링 후 전체 데이터 개수는 441개이다.

(1)

$|x_i - \tilde{x}| > k \cdot median(|x_i - \tilde{x}|)$

다음으로 w/c 36 %를 분류 기준으로 설정함에 따라, 30~35 % 구간에서 계측된 154개 데이터와 36~45 % 구간에서 계측된 287개 데이터에 대해 각각 클래스 0과 클래스 1로 정의하였다.

본 연구에서 활용한 임피던스 데이터는 연속형이지만 정규성을 만족하지 않으므로, 비모수 검정인 Mann-Whitney U-test를 적용하여 두 클래스 간 각 변수 분포의 통계적 차이를 평가하였다. Mann-Whitney U-test는 중앙값 차이에 기반한 비모수적 방법으로, 데이터가 정규분포를 따르지 않거나 표본 수가 적을 때 유용하다. 클래스 간 크기 차이나 방향성을 사전에 가정하지 않았으므로 양측검정(two-sided)을 적용하였다.

일반적으로 모든 변수에 대해 p<0.05인 경우를 통계적으로 유의미한 차이가 있는 것으로 간주한다^{(Fisher 1970)}. Fig. 5는 각 변수의 p-value 분포를 커널 밀도 추정 방식으로 시각화한 결과이다. 전체 변수 중 약 86.8 %(264개)가 p<0.05 기준선 왼쪽에 분포하였으며, 특히 p<0.001인 변수도 82.6 %(251개)에 달해, 0에 가까운 p 값을 갖는 변수들의 밀집 현상이 뚜렷하게 나타났다. 이러한 결과는 임피던스 데이터만으로도 w/c 분류가 충분히 가능함을 시사하며, 일부 변수는 두 클래스 간 뚜렷한 분포 차이를 보여 모델 분류 성능 향상에 기여할 수 있음을 의미한다.

Fig. 4 Framework for water-to-cement ratio classification

Fig. 5 Distribution of p-values and significance summary of impedance features

3.2 분류 모델 학습 및 평가

3.2.1 랜덤 포레스트 모델

w/c 분류를 위한 학습 모델로서 랜덤 포레스트(random forest, RF)를 적용하였다. RF 모델은 ^{Breiman(2001)}이 제안한 의사결정나무(decision tree) 기반의 앙상블 학습 기법으로, 서로 다른 구조를 갖는 다수의 의사결정나무를 결합하여 예측 성능을 향상한 모델이다. 훈련 데이터를 무작위로 샘플링한 하위 집합(subset)으로 각 나무를 독립적으로 학습시키고, 예측 결과를 다수결(majority voting) 방식으로 결합하여 최종 출력을 도출한다. 이때 각 나무는 모든 특성(feature)을 고려하지 않고, 분할(split) 시 무작위로 선택된 일부 특성만을 사용함으로써 모델 간 상관성을 줄이고 다양성을 확보한다. 이러한 구조는 단일 의사결정나무에서 발생하기 쉬운 과적합(overfitting)을 완화하고, 전체 모델의 일반화 성능을 향상하는 데 효과적이다. RF 모델은 특히 분류(classification) 문제에서 높은 예측 정확도와 안정성을 보이며, 연속형 및 범주형 변수를 모두 효과적으로 처리하므로 다양한 데이터 유형에 적용할 수 있다^{(Liaw and Wiener 2002)}.

RF 모델 학습 시 주요 하이퍼파라미터는 다음과 같다. 먼저, 전체 모델을 구성하는 의사결정나무의 수인 n_estimators는 예측 안정성을 높이지만, 수가 많을수록 계산 비용이 증가하게 된다. max_features는 각 분할 시 고려되는 특성의 수를 지정하며, 이는 모델의 다양성과 일반화 성능에 영향을 준다. max_depth는 개별 나무의 최대 깊이를 제한하는 값으로, 과도한 깊이는 과적합의 원인이 될 수 있다. 또한, min_samples_leaf는 말단 노드가 되기 위해 요구되는 최소 샘플 수를 정의하며, 지나치게 작은 값은 모델의 복잡성을 높일 수 있다. 마지막으로 min_samples_split은 하나의 노드를 분할하기 위해 필요한 최소 샘플 수를 지정하는 하이퍼파라미터로, 값이 클수록 나무의 깊이가 얕아지고 복잡도는 낮아지는 경향이 있다. 따라서 RF 모델의 적절한 학습을 위해서는 하이퍼파라미터의 튜닝이 중요하다. Fig. 6은 RF 모델의 구조와 이진 분류 절차를 시각적으로 나타낸 것이다. 입력 데이터는 총 304개의 feature로 구성되며, 무작위 샘플링과 변수 선택을 통해 다수의 결정트리가 학습된다. 각 트리의 예측 결과는 다수결로 통합되어 분류 결과를 출력한다.

Fig. 6 Structure of the random forest model with hyper-parameter mapping for binary classification

3.2.2 학습 방법

입력 데이터는 훈련 세트(70 %)와 최종 평가용 테스트 세트(30 %)로 분할하였으며, 클래스 비율의 불균형을 방지하기 위해 계층적(stratified) 샘플링을 적용하였다. 세부 구성은 Table 4에 제시하였다. 하이퍼파라미터 튜닝은 훈련 세트를 대상으로 K겹 교차검증(K-fold cross-validation, K=5)을 적용하여 수행되었으며, 각 반복에서 4개의 학습 폴드와 1개의 검증 폴드로 구성된 총 5개의 분할 세트에 대해 평균 F1-score를 기준으로 최적의 하이퍼파라미터 조합을 탐색하였다. Table 5는 사전에 정의한 하이퍼파라미터 탐색 범위와 도출된 최적값을 요약한 것이다. 또한, 클래스 간 학습 편향을 완화하기 위해 class_weight=‘balanced’ 옵션을 적용하였으며, 최종적으로 테스트 세트에서 분류 성능을 평가하였다.

Table 4 Stratified sampling

Class	Train	Test
0	108	46
1	200	87
Total	308	133

Table 5 Optimized hyperparameters of the random forest model

Hyperparameters	GridSearch value	Results
n_estimators	100, 200, 300	100
max_features	5, 7, ‘sqrt’	‘sqrt’
max_depth	5, 10, 15, 20	10
min_samples_leaf	1, 3, 5	1
min_samples_split	2, 4, 6	2

3.2.3 모델 성능 평가

각 클래스의 예측값과 실제값 간의 분류 일치 여부를 파악하기 위해 Table 6에 혼동 행렬(confusion matrix)을 제시하였으며, 각 셀의 괄호 안 숫자는 해당 클래스에 해당하는 샘플 수를 나타낸다. 혼동 행렬에서 TN(true negative)은 클래스 0(w/c <36 %)을 정확히 예측한 경우이며, TP(true positive)는 클래스 1(w/c$\ge$36 %)을 정확히 예측한 경우를 의미한다. 반면, FN(false negative)은 클래스 1을 0으로 오분류한 경우이며, FP(false positive)는 클래스 0을 1로 오분류한 경우를 의미한다.

각 클래스의 성능 평가는 정밀도(precision), 재현율(recall), F1-score를 식 (2)~(4)로 계산하였으며, 그 결과를 Table 7에 제시하였다. 정밀도는 예측한 클래스가 실제로 그 클래스일 비율이며, 재현율은 실제 해당 클래스인 샘플 중 정확히 예측된 비율을 의미한다. 또한 F1-score는 정밀도와 재현율의 조화 평균으로, 클래스 간 불균형이 존재할 때 전반적인 분류 성능을 종합 평가하는 지표이다.

전체 분류 모델의 성능 평가는 정확도(accuracy), 클래스별 F1-score의 평균(macro-average F1), 그리고 ROC AUC를 함께 분석하였다. 정확도는 전체 샘플 중에서 올바르게 분류된 비율을 나타내는 직관적인 지표이지만, 클래스 간 불균형이 존재하면 과대 평가될 수 있다. 이에 비해 macro-average F1은 각 클래스의 F1-score를 동일한 가중치로 평균하여, 소수 클래스의 성능도 반영하는 공정한 지표이다. 또한 ROC AUC는 수신자 조작 특성 곡선(receiver operating characteristic curve)의 면적을 기반으로 하며, 모델의 양성/음성 클래스 간 구분 능력을 수치화한 지표이다. AUC가 1에 가까울수록 모델의 분류 경계가 명확함을 의미한다. 정확도는 0.925, macro-average F1은 0.917, ROC AUC는 0.982로 나타나, 전체적으로 높은 정확도와 클래스 간 균형 잡힌 성능 및 우수한 구분 능력을 보였다.

(2)

$Precision = \frac{TP}{TP + FP}$

(3)

$Recall = \frac{TP}{TP + FN}$

(4)

$F1-score = 2 \times \frac{Precision \times Recall}{Precision + Recall}$

Table 6 Confusion matrix

		Actual class
		0	1
Predicted class	0	TN (41)	FN (5)
	1	FP (5)	TP (82)
Support		46	87

Table 7 Evaluation metrics for each class

Class	Metrics
	Precision	Recall	F1-score
0	0.891	0.891	0.891
1	0.942	0.942	0.942

4. 토 의

제안된 모델은 w/c 36 %를 기준으로 두 클래스를 높은 정확도로 구분하였으며, 클래스 간 균형 잡힌 성능을 보였다. 클래스 1(w/c$\ge$36 %)은 클래스 0(w/c<36 %)보다 약 5 % 높은 정확도를 기록하였으며, 혼동 행렬 분석 결과 총 10건의 오분류가 발생하였다. 이 중 FP는 기준치를 미달하였음에도 초과로 예측한 사례로, 산업적 관점에서 부적합한 샘플 시 적합으로 판단하는 위험이 있으므로 주의가 요구된다. Fig. 7은 테스트 세트를 2D로 투영한 시각화로, FP 샘플의 분포적 특성을 보여준다. 투영 축인 PC1과 PC2는 각각 전체 분산의 60.94 %와 19.40 %를 설명하며, 누적 설명력은 80.33 %에 이른다. 일부 FP 샘플이 시각화된 공간에서 클래스 1의 경계 또는 중심부에 위치하는 것은, 이들이 고차원 특성 공간에서 클래스 1과 유사한 feature 패턴을 지녔기 때문으로 해석된다. 이는 클래스 간의 특성 중첩 및 분포 밀도 차이로 인해 분류기의 결정 경계(decision boundary)에서 혼동이 발생한 결과이다. 그럼에도 클래스 0의 재현율은 0.891로, 단순한 전처리만으로도 기준 이하 시료에 대해 안정적인 분류 성능을 보였다. 전반적으로 w/c가 높을수록 전도성이 증가함에 따라 임피던스를 통한 분류가 더욱 용이해지는 경향이 나타났다.

한편, SHAP(SHapley Additive exPlanation) 기법을 적용하여 분류 모델 학습에 대한 변수 중요도를 분석할 수 있다. SHAP 값을 기반으로, 각 입력 특성이 머신러닝 모델의 예측값에 미친 영향을 수치로 정량화할 수 있다. SHAP 값은 게임 이론에서 유래한 개념으로, 각 특성이 예측 결과에 기여한 평균적인 영향도를 계산함으로써, 전체 결과에 대한 변수별 기여도를 공정하게 분배하는 방식이다^{(Lundberg and Lee 2017)}. Fig. 8은 네 가지 임피던스 특성의 SHAP 값을 주파수별로 평균하여, 주파수 대역별로 분석한 결과이다. 1~100 Hz 구간은 SHAP 값이 일부 높았지만, 평균은 낮고 분산이 커 예측 기여도가 일관되지 않았다. 또한 10 k~250 kHz 구간은 전반적으로 낮은 SHAP 값을 보였다. 반면, 100 Hz~10 kHz 구간은 SHAP 값이 안정적으로 분포하였다. 이 구간에서는 저항과 커패시턴스가 복합된 분산 거동(CPE)이 지배적으로 나타나며, 전극-시료 계면에서의 이중층 형성과 이온 확산이 활발히 일어난다. 이러한 특성은 w/c 분류에 민감하게 반응하면서도 높은 신뢰도를 제공하는 주파수 범위로, 실질적인 w/c 판별에 효과적인 것으로 해석된다.

선행 연구에서는 시멘트 페이스트 w/c 30~45 % 범위를 대상으로 PCA와 ECM 처리된 임피던스 데이터의 ANN 학습을 통해 약 70~80 % 수준의 예측 정확도를 달성하였다. 본 연구는 다채널 계측 시스템을 통해 데이터 품질을 향상시키고, 별도의 차원 축소 없이 원시 임피던스 데이터를 직접 사용하여 약 90 %의 정확도를 기록하였다. 더불어 SHAP 분석을 통해 각 주파수 대역의 기여도를 해석함으로써 모델 내부의 판단 구조를 설명하였다.

본 모델은 이진 분류 모델로서 구조가 단순하고 해석이 용이하다. 다만 향후 w/c 40~60 %의 실사용 범위에 대한 확장이 필요하다. 특히 모르타르 및 콘크리트로의 적용을 위해서는, 골재로 인한 시편 및 전극 크기 증가와 함께, 재료의 비균질성과 절연 특성으로 인해 임피던스 해석이 더욱 복잡해질 수 있다. 이에 따라 주파수 선택의 재검토, 시스템 최적화, 전극-시료 간 접촉 안정성 확보 등이 요구된다. 이러한 요소를 반영한 실험 설계를 통해 복합 재료에서도 본 모델의 안정적인 적용이 가능하며, w/c 증가에 따라 분류 성능이 향상되는 경향을 바탕으로 다중 클래스 분류로의 확장도 기대된다.

Fig. 7 Principle component analysis projection showing class-wise separation and false positives

Fig. 8 SHAP value distribution across frequency range

5. 결 론

본 연구에서는 w/c가 콘크리트의 강도 및 내구성에 미치는 중요성에 주목하고, 현장에서의 간편하고 정량적인 w/c 판별 기법 개발의 필요성을 바탕으로 전기화학 임피던스를 활용한 w/c 분류 모델을 제안하였다. 이를 통해 다음과 같은 결론을 도출하였다.

1) 제안 모델은 w/c＜36 % 조건의 시멘트 페이스트(클래스 0)를 89.1 %의 재현율로 판별하였으며, 이는 임피던스 데이터의 단순한 전처리만으로도 기준 이하 시료를 효과적으로 분류할 수 있음을 보여준다.

2) 최적화된 RF 모델은 정확도 0.925, macro-average F1 0.917, ROC AUC 0.982를 달성하며 전반적으로 우수한 분류 성능을 유지하였다.

3) SHAP 분석 결과 100 Hz~10 kHz 대역이 w/c 분류에 일관되고 높은 기여도를 보였으며, 이는 위상 변화가 뚜렷하고 전기화학적 민감도가 높은 분산 거동(CPE)이 지배적인 영역이다.

4) 본 모델은 향후 w/c 40~60 % 범위의 추가 실험을 통해 적용 범위를 확대하고, 골재를 포함한 콘크리트 시료를 대상으로 한 임피던스 검증 및 다중 클래스 분류 모델로의 확장을 중심으로 후속 연구를 진행할 예정이다.