주요 연구 내용: 본 연구는 재료 설계 및 엔지니어링 응용을 위해 기계학습(ML)과 설명가능 인공지능(XAI)을 통합한 새로운 정량적 계산 프레임워크를 제안함. 이 프레임워크는 데이터 처리, 특징 선택, 모델 훈련, 성능 평가, 설명가능성 분석 및 실제 클라우드 배포를 포함하는 체계적인 파이프라인으로 구성됨.
주요 결과 및 결론: 고성능 콘크리트(HPC)의 압축 강도 예측 사례 연구를 통해 프레임워크를 검증했으며, XGBoost 모델이 R2=0.918로 가장 높은 예측 성능을 달성함. SHAP과 LIME은 특징 중요도와 재료 간 상호작용에 대한 상세한 통찰력을 제공했으며, 훈련된 모델은 클라우드 기반 API로 배포되어 확장성과 접근성을 확보함.
기여점: 기존 ML 접근법의 '블랙박스' 한계를 극복하기 위해 고급 설명가능성 기술을 통합하고, 비선형적 특징 상호작용을 체계적으로 다루며, 확장 가능한 배포 전략을 제공함. 이를 통해 데이터 기반 예측과 근본적인 재료 과학 원리 사이의 간극을 좁히는 해석 가능하고 배포 가능한 AI 기반 재료 정보학 솔루션을 제시함.
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(FNm)과 평균 절삭력(FCm)을 예측함.
주요 결과 및 결론: 최적화된 RF 모델은 MLR 모델(FNmR2=0.743, FCmR2=0.674) 대비 매우 우수한 예측 성능을 보임. 테스트 데이터 기준, FNm 예측 R2는 0.983, FCm 예측 R2는 0.908을 달성함. 특징 중요도 분석 결과, FNm은 일축압축강도(UCS)가 지배적 영향을 미쳤으나, FCm은 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 FNm과 FCm에 영향을 미치는 주요 인자(UCS 등)를 규명함으로써 굴착 효율성 및 공구 마모 예측의 정확도를 크게 향상시킴.
주요 연구 내용: 원사 강도 예측을 위해 피드포워드 역전파 인공신경망(FFBP ANN) 모델을 개발함. 이 모델은 전문가들이 통상적으로 측정하는 5가지 로빙 파라미터(원사 번수, 꼬임 수, 가중 평균 길이, 가중 평균 섬도, 가중 평균 강도)를 입력으로 사용하여 최종 원사의 강도를 예측함.
주요 결과 및 결론: 개발된 ANN 모델을 98개의 데이터로 학습하고 50개의 새로운 데이터로 검증한 결과, 평균 예측 오차율 3.5%를 달성함. 이는 동일 데이터로 구축한 다중 선형 회귀 모델의 평균 오차율 5.55%보다 훨씬 우수한 성능임.
기여점: 섬유 공정 전문가들이 실제 방적을 수행하기 전에 원사 강도를 빠르고 정확하게 예측할 수 있는 실용적인 도구를 제공함. 이를 통해 다양한 로빙 조합을 신속하게 테스트하여 시간과 비용을 절감하고, 최적의 원사 품질을 확보하는 데 기여함.