Prediction of Pick Acting Forces Using an Random Forest Model based on Mechanical Properties of Rocks and Cutting Parameters

논문 정보

• 제목: Prediction of Pick Acting Forces Using an Random Forest Model based on Mechanical Properties of Rocks and Cutting Parameters
• 저자: Mohammad Sharghi, Hoyoung Jeong (Pukyong National University)
• 학회/저널: TUNNEL & UNDERGROUND SPACE
• 발행일: 2025-02-24
• DOI: https://doi.org/10.7474/TUS.2025.35.1.055
• 주요 연구 내용: 195개의 암석 선형절삭시험 데이터세트를 구축하여 다변수 선형 회귀(MLR) 분석으로 기초 상관관계를 파악하고, 무작위 탐색 교차 검증(Randomized Search CV)으로 하이퍼파라미터를 튜닝한 최적화된 랜덤 포레스트(RF) 모델을 제안함. 이 모델을 사용하여 픽 커터의 평균 수직력($FN_m$)과 평균 절삭력($FC_m$)을 예측함.
• 주요 결과 및 결론: 최적화된 RF 모델은 MLR 모델($FN_m$ $R^2$=0.743, $FC_m$ $R^2$=0.674) 대비 매우 우수한 예측 성능을 보임. 테스트 데이터 기준, $FN_m$ 예측 $R^2$는 0.983, $FC_m$ 예측 $R^2$는 0.908을 달성함. 특징 중요도 분석 결과, $FN_m$은 일축압축강도(UCS)가 지배적 영향을 미쳤으나, $FC_m$은 여러 매개변수가 복합적으로 작용하는 것으로 나타남.
• 기여점: 다양한 암종과 절삭 조건을 포함하는 포괄적인 데이터셋을 활용하여, 픽 커터 작용력 예측에 최적화된 RF 머신러닝 모델을 제시함. 특히 $FN_m$과 $FC_m$에 영향을 미치는 주요 인자(UCS 등)를 규명함으로써 굴착 효율성 및 공구 마모 예측의 정확도를 크게 향상시킴.

요약

초록

암석 절삭은 광업 및 토목 공학에서 중요한 공정이며, 절삭 공구의 작용력은 굴착 효율, 공구 마모, 에너지 소비를 결정하는 핵심 요소이다. 본 연구는 고급 머신러닝 접근법을 사용하여 평균 수직력($FN_m$)과 평균 절삭력($FC_m$) 예측을 분석한다. 195개의 다양한 암석 유형, 절삭 공구 형상, 작동 매개변수를 포함하는 견고한 데이터셋을 활용했다. 2단계 모델링 방법론을 적용하여, 다변수 선형 회귀(MLR)로 기본 상관관계를 설정한 후, 무작위 탐색 교차 검증을 통해 체계적으로 하이퍼파라미터를 튜닝한 최적화된 랜덤 포레스트(RF) 모델을 구축했다. MLR 분석 결과 $FN_m$과 $FC_m$에 대해 $R^2$ 값이 각각 0.743, 0.674로 중간 수준의 예측력을 보였다. 반면, 최적화된 RF 모델은 $FN_m$ 예측에서 $R^2$ 값 0.993(훈련) 및 0.983(테스트)을, $FC_m$ 예측에서 0.972(훈련) 및 0.908(테스트)을 달성하며 뛰어난 성능을 입증했다. 특징 중요도 분석 결과, 수직력 예측에는 일축압축강도(UCS)가 지배적인 영향을 미쳤으며, 절삭력 예측에는 여러 매개변수가 복합적으로 상호작용하는 것으로 나타났다.

서론

암석 절삭은 터널 보링, 도로 건설, 광물 추출 등 토목 및 광업 분야의 기본 프로세스이다. 작업 효율성, 공구 마모, 에너지 소비는 픽 커터의 작용력을 정확히 예측하는 데 달려있다. 정확한 예측을 위해서는 암석 물성, 공구 매개변수, 작동 조건 간의 복잡한 상호작용에 대한 이해가 필요하다. 기존에 이론적, 경험적, 수치적, 머신러닝(ML) 방법들이 연구되어 왔으나, 공구 형상, 암석 물성, 절삭 조건 간의 복잡한 상호작용과 데이터셋의 다양성으로 인해 여전히 어려움이 존재한다. 이 연구는 다중 실험 소스에서 컴파일된 195개 샘플 데이터베이스를 기반으로 평균 수직력($FN_m$)과 평균 절삭력($FC_m$)을 예측하는 것을 목표로 한다.

배경

본 연구는 여러 소스에서 수집된 195개의 실험 샘플 데이터셋을 활용했다. 데이터셋은 크롬철광석, 하스버가이트, 사문암, 트로나, 경석고, 사암, 석회암, 돌로마이트 등 광범위한 암종을 포함한다. 주요 역학적 물성인 일축압축강도(UCS)는 6 MPa에서 174 MPa까지, 브라질 인장강도(BTS)는 0.2 MPa에서 11.6 MPa까지 분포한다. 절삭 공구 형상 및 절삭 매개변수로는 팁 직경(7.94-22 mm), 팁 각도($70^{\circ}-80^{\circ}$), 절삭 깊이(1-15 mm), 절삭 간격(5-44 mm), 공격 각도($35^{\circ}-55^{\circ}$), 스큐 각도($-20^{\circ}$~$20^{\circ}$) 등이 포함된다. 논문의 Figure 1은 이러한 절삭 공구의 기하학적 형상과 작동 매개변수를 시각적으로 보여준다.

모델 아키텍처 / 방법론

연구는 2단계 예측 모델링 접근 방식을 사용했다.

• 1단계: 다변수 선형 회귀 (MLR): 먼저 MLR 모델을 사용하여 입력 변수와 $FN_m$, $FC_m$ 간의 기초적인 선형 상관관계를 파악하고 기준 성능을 설정했다.
• 2단계: 최적화된 랜덤 포레스트 (RF):
  • 핵심 구조/방법: RF는 앙상블 학습 방법으로, 데이터의 무작위 하위 샘플을 사용하여 다수의 의사결정 트리를 구축하고 그 예측을 평균(회귀)하여 과적합을 줄이고 견고성을 높인다.
  • 최적화: scikit-learn 라이브러리를 사용했으며, RandomizedSearchCV를 통한 무작위 하이퍼파라미터 탐색을 수행했다. 논문의 Table 2는 튜닝에 사용된 하이퍼파라미터(n_estimators, max_depth, min_samples_split 등)와 최적화된 값을 보여준다.
  • 데이터 분할 및 검증: 데이터셋은 80% 훈련용, 20% 테스트용으로 무작위 분할되었다. 하이퍼파라미터 튜닝 중 훈련 데이터셋에 5-fold 교차 검증을 적용하여 모델의 일반화 성능을 높였다.

모델 성능은 $RMSE$ (평균제곱근오차)와 $R^2$ (결정계수) 두 가지 통계 지표로 평가했다.

• $RMSE = \sqrt{\frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{n}}$
• $R^{2}=1-\frac{\sum(y_{i}-\hat{y}_{i})^{2}}{\sum(y_{i}-\overline{y})^{2}}$

실험 결과

• MLR 결과: $FN_m$ 예측은 $R^2$ = 0.743, RMSE = 5.236 kN을 기록했다. $FC_m$ 예측은 $R^2$ = 0.674로 $FN_m$보다 다소 낮은 상관관계를 보였다. 논문의 Figure 5에 관련 산점도가 제시되어 있다. MLR로 도출된 예측식은 다음과 같다:

  • $FN_{m}=0.342UCS-2.365BTS+0.188d_{t}-0.067\rho+0.149d-0.045s+0.953s/d-0.054\gamma-0.016\epsilon$
  • $FC_{m}=0.061~UCS+0.527BTS+0.126d_{t}+0.308\phi-0.128d+0.143s+0.083s/d-0.532\gamma-0.006\epsilon$

• RF 결과: 최적화된 RF 모델은 MLR보다 월등히 높은 예측 정확도를 보였다.

  • $FN_m$ 예측: 훈련 $R^2$ = 0.993 (RMSE 0.918 kN), 테스트 $R^2$ = 0.983 (RMSE 1.170 kN)
  • $FC_m$ 예측: 훈련 $R^2$ = 0.972 (RMSE 0.660 kN), 테스트 $R^2$ = 0.908 (RMSE 1.005 kN)
  • 훈련과 테스트 성능이 비슷하여 과적합이 최소화되었음을 확인했다. Figure 6은 RF 모델의 측정값 대비 예측값 산점도를 보여준다.

• 특징 중요도 분석: Figure 7과 Table 3은 RF 모델의 특징 중요도를 분석한 결과이다.

  • $FN_m$ (수직력): UCS(일축압축강도)가 약 79%의 중요도를 차지하며 예측에 지배적인 역할을 했다.
  • $FC_m$ (절삭력): UCS가 약 41%로 가장 중요했으나, 공격 각도(17%), BTS(12.4%), 절삭 간격(11%) 등 다른 여러 매개변수들도 예측에 상당한 기여를 하는 복합적인 특성을 보였다.

결론

본 연구는 포괄적인 데이터셋을 활용하여 픽 커터의 평균 수직력($FN_m$)과 평균 절삭력($FC_m$)을 예측하는 최적화된 RF 모델을 성공적으로 개발했다. RF 모델은 테스트 데이터에서도 $R^2$ 값이 0.90 이상($FN_m$ 0.983, $FC_m$ 0.908)을 기록하며 뛰어난 예측 성능과 일반화 가능성을 입증했다. 특징 중요도 분석 결과, $FN_m$은 UCS가 지배적이었으나, $FC_m$은 UCS 외에도 BTS, 절삭 간격, 공격 각도 등 여러 요인의 복합적인 상호작용에 의해 결정됨을 확인했다. 이는 수직력 제어에는 UCS가 핵심 고려사항이지만, 절삭력 관리를 위해서는 여러 매개변수에 대한 종합적인 접근이 필요함을 시사한다. 향후 연구로는 현장 규모 데이터 적용 및 환경적 요인(수분 함량, 불연속면 등)과 공구 마모 등을 고려한 모델 확장이 필요하다.