얼음 실험 데이터베이스 구축과 머신러닝 기반 거동 예측

초록

본 논문은 다양한 실험실 규모의 얼음 시험 데이터를 통합한 공통 데이터베이스를 구축하고, 온도·밀도·결정 구조 등 주요 변수와 최대 응력·파단 형태 간의 관계를 머신러닝 기법으로 분석한다. 선형 회귀, 랜덤 포레스트, 서포트 벡터 머신 등 여러 모델을 비교 평가한 결과, 비선형 모델이 온도와 미세구조의 복합 효과를 잘 포착하여 예측 정확도가 크게 향상됨을 확인하였다. 데이터베이스와 모델은 향후 빙하 공학 및 구조 설계에 활용될 수 있다.

상세 분석

이 연구는 얼음 재료의 물리적 거동을 정량적으로 이해하고 예측하기 위해, 기존에 산재해 있던 소규모 실험 데이터를 체계적으로 수집·정제하여 하나의 통합 데이터베이스를 만든 것이 핵심이다. 데이터는 온도(−30 °C ~ 0 °C), 결정립 크기, 기공률, 응력‑변형률 곡선, 시험 속도, 하중 유형(압축·인장·전단) 등 15여 개 변수와 최대 응력, 파단 형태(취성·연성) 라벨을 포함한다. 수집 과정에서 각 논문의 실험 조건을 표준화하고, 누락된 값은 다중 회귀 기반 보간법으로 보완하였다.

특징 선택 단계에서는 상관관계 분석과 변수 중요도 평가를 병행했으며, 온도와 기공률이 최대 응력에 미치는 비선형 상호작용이 두드러짐을 확인했다. 이를 반영하기 위해 원-핫 인코딩된 시험 유형과 로그 변환된 속도 변수를 추가하였다.

머신러닝 모델은 크게 회귀와 분류 두 축으로 나뉘었다. 회귀에서는 선형 회귀, 라쏘, 릿지, 랜덤 포레스트 회귀, 그래디언트 부스팅 회귀, 다층 퍼셉트론(MLP) 등을 적용했으며, 교차 검증(k=10) 결과 랜덤 포레스트와 그래디언트 부스팅이 평균 절대 오차(MAE)와 결정계수(R²) 면에서 가장 우수했다. 특히 온도와 기공률의 상호작용을 트리 기반 모델이 자동으로 포착함으로써, 기존 선형 모델이 과소평가하던 저온·고기공률 조건에서의 강도 감소를 정확히 예측했다.

분류 작업에서는 서포트 벡터 머신(SVM), 로지스틱 회귀, 랜덤 포레스트, XGBoost 등을 시험했으며, F1 점수와 ROC‑AUC 기준으로 XGBoost가 0.92 이상의 성능을 보였다. 변수 중요도 분석 결과, 온도, 기공률, 시험 속도가 파단 형태를 결정짓는 주요 요인으로 작용한다는 결론을 도출했다.

모델 해석 단계에서는 SHAP(Shapley Additive exPlanations) 값을 활용해 개별 샘플에 대한 기여도를 시각화했으며, 이는 설계 엔지니어가 특정 조건에서 기대되는 파단 메커니즘을 직관적으로 파악하는 데 도움을 주었다.

한계점으로는 데이터베이스가 아직 실험 규모가 작고, 고온·고압 조건이 부족하다는 점, 그리고 일부 변수(예: 미세결정 방향성)가 정량화되지 않아 모델에 포함되지 못했다는 점을 들었다. 향후 대규모 현장 시험 데이터와 고성능 시뮬레이션 결과를 병합하여 모델을 확장하고, 전이 학습(transfer learning) 기법을 적용해 다른 재료(예: 복합 얼음·수분 시스템)에도 일반화할 계획이다.

전체적으로 이 논문은 얼음 재료 과학에 데이터 중심 접근법을 도입함으로써, 실험 설계 최적화와 구조 안전성 평가에 필요한 예측 도구를 제공한다는 점에서 학문적·실용적 의의를 갖는다.