📊 statistics

Viskositas: Viscosity Prediction of Multicomponent Chemical Systems

이 논문은 최적화된 하이퍼파라미터 튜닝을 통해 더 낮은 오차, 감소된 변동성 및 적은 이상치를 달성함으로써 다성분 화학 시스템의 점도를 예측하는 데 있어 기존의 선형, 비선형 및 상용 모델보다 뛰어난 성능을 보이는 인공 신경망 기반 모델인 "Viskositas"를 소개한다.

원저자: Patrick dos Anjos

게시일 2026-08-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Patrick dos Anjos

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

철강 제조와 유리 제조의 고온 세계, 그리고 암석이 녹아 흐르는 지구 내부 깊은 곳에서, 단 하나의 물리적 성질이 재료가 어떻게 행동할지를 결정합니다. 그것은 바로 점도입니다. 이것은 단순히 유체의 흐름에 대한 저항, 즉 얼마나 걸쭉하고 느릿하게 흐르는지를 나타내는 척도입니다. 숟가락에서 천천히 떨어지는 꿀과 수도꼭지에서 쏟아져 나오는 물의 차이를 상상해 보십시오. 그 저항의 차이가 바로 점도입니다. 엔지니어와 지질학자들에게 이 값을 아는 것은 매우 중요합니다. 제철소에서는 용융 슬래그의 적절한 두께가 불순물을 효율적으로 제거하도록 보장하며, 유리 생산에서는 이 점도가 재료를 성형할 수 있을지 아니면 균열이 생길지를 결정합니다. 하지만 이 성질을 측정하는 것은 어렵고 비용이 많이 드는 작업입니다. 특수하고 값비싼 장비가 필요하며, 샘플을 완벽하게 균일해질 때까지 가열하는 데 상당한 시간이 소과되며, 그렇게 하더라도 절차상의 미세한 오류로 인해 결과가 왜곡될 수 있습니다. 이러한 장애물 때문에 과학자들은 오랫동안 혼합물이 무엇으로 구성되어 있는지와 온도가 어떠한지에 따라 점도를 예측하기 위해 수학적 공식에 의존해 왔지만, 이러한 전통적인 방정식들은 복잡한 다성분 시스템에 적용될 때 종종 실패하곤 합니다.

브라질 에스피리투산토 연방 연구소의 한 연구자는 데이터를 경직된 공식에 강제로 맞추는 대신, 컴퓨터가 데이터로부터 흐르는 액체의 패턴을 직접 학습하도록 가르침으로써 이 문제를 해결하고자 했습니다. 패트릭 도스 안조스(Patrick dos Anjos)는 과학 문헌으로부터 실험 결과들을 대규모로 수집하였으며, 실리콘, 칼슘, 알루미늄, 철 등의 산화물을 포함한 다양한 화학 시스템에서 기록된 수천 개의 측정값을 모았습니다. 목표는 산업 화학의 복잡한 현실을 다룰 수 있는 새로운 종류의 예측 도구를 구축하는 것이었습니다. 표준 방정식을 사용하는 대신, 연구자는 인간의 뇌를 모델로 한 유형의 컴퓨터 프로그램인 인공 신경망을 훈련시켜 혼합물의 화학적 레시피, 온도, 그리고 그 결과로 나타나는 두께 사이의 숨겨진 연결 고리를 찾아내도록 했습니다. 이 시스템에는 화학적 조성과 온도가 입력값으로 제공되었으며, 컴퓨터는 본 적 없는 데이터에 대해 정확한 추측을 할 수 있을 때까지 수천 번의 반복 과정을 통해 자신의 실수를 학습하며 점도를 예측하도록 훈련되었습니다.

비스코시타스(Viskositas)라고 명명된 이 결과 모델은 기존 방식보다 유의미한 개선을 보여주었습니다. 컴퓨터가 훈련 중에 사용하지 않았던 새로운 데이터 세트를 대상으로 테스트했을 때, 비스코시타스는 과학 문헌에서 발견된 6개의 기존 모델과 업계 전문가들이 사용하는 인기 있는 상용 소프트웨어 패키지보다 오류가 적었고 무작위 변동성도 낮게 나타났습니다. 새 모델은 특히 산업 현장에서 치명적일 수 있는 극단적인 실수, 즉 이상치(outlier)를 피하는 데 탁고했습니다. 잘못된 예측은 유리 배치의 실패나 제철 공정의 중단으로 이어질 수 있기 때문입니다. 컴퓨터가 어떤 성분에 가장 많은 주의를 기울이는지 분석함으로써, 이 연구는 알려진 과학적 원리들을 확인해주었습니다. 즉, 실리카와 같은 특정 성분은 액체를 더 걸쭉하게 만드는 경향이 있는 반면, 칼슘 옥사이드나 형석과 같은 다른 성분은 액체를 묽게 만드는 경향이 있으며, 높은 온도는 일관되게 혼합물을 더 잘 흐르게 만든다는 것입니다. 이 연구는 컴퓨터가 광범위한 실제 측정 데이터베이스로부터 학습하게 함으로써, 복잡한 화학 유체가 어떻게 행동할지를 예측하는 신뢰할 수 있고 유연한 도구를 만드는 것이 가능하다는 것을 입증하였으며, 이는 용융된 재료의 흐름을 제어해야 하는 산업들에 더욱 정확한 길잡이를 제공합니다.

기술 요약: Viskositas – 다성분 화학 시스템의 점도 예측을 위한 신경망 접근법

문제 정의
점도는 금속 공정(예: 제강 탈황, 개재물 처리, 연속 주조) 및 유리 산업(예: 정제, 균질화), 그리고 지구물리학에서 매우 중요한 매개변수이다. 그러나 점도의 실험적 측정은 비용이 많이 들고 시간이 오래 걸리며, 절차적 오류가 발생하기 쉽다. 보고된 정확도 오차는 5~~20% 범위이며 정밀도 오차는 1~~5%에 달한다. 수치적 및 반경험적 모델들이 존재하지만, 이들은 검증된 화학 조성, 온도 및 점도 범위의 제한으로 인해 적용 가능성이 제한되는 경우가 많다. 따라서 전통적인 경험적 방정식의 제약 없이 다양한 다성분 화학 시스템 전반에서 점도를 예측할 수 있는 강력한 비선형 모델이 필요하다.

방법론
본 연구에서는 인공 신경망(ANN)을 사용하여 Viskositas라는 예측 모델을 개발하였다. 방법론은 다음과 같은 단계로 진행되었다:

데이터베이스 구축: 두 개의 국제 학술 논문과 한 개의 학사 학위 논문으로부터 추출한 데이터를 취합하여, 다양한 화학 시스템(SiO₂, Al₂O₃, CaO, MgO, FeO 등과 같은 산화물 및 불화물 포함)을 포괄하는 총 7,035개의 초기 데이터 포인트를 구성하였다.
전처리:
- 필터링: 뉴턴 유체(Newtonian behavior)로서의 특성을 보장하고 Arrhenius 또는 VFT 모델링에 적합하도록, 계산된 액상선 온도( $T_{liq}$ )보다 높은 온도를 가진 완전 액체 상태의 유체만을 포함하도록 데이터를 필터링하였다.
- 특성 공학: 화학적 구조를 특징짓기 위해 탈중합도($NBO/T$)를 계산하였다.
- 이상치 제거: $NBO/T$ 및 점도 분포 모두에 대해 사분위수를 기반으로 한 통계적 제한을 적용하여 이상치를 제거하였다.
- 변환: 차원을 축소하고 수학적 모델링 요구 사항에 적응하기 위해 점도 값을 로그 스케일( $\log_{10} \eta$ )로 변환하였다.
- 표준화: 모든 예측 변수(질량 % 단위의 화학 조성 및 Kelvin 단위의 온도)는 평균 0, 표준 편차 1을 갖도록 z-score 방법을 사용하여 표준화되었다.
- 분할: 최종 데이터셋인 5,659개의 고유 항목을 훈련용 81%, 검증용 9%, 테스트용 10%로 분할하였다.
모델 아키텍처:
- ANN은 20개의 입력 뉴런(화학 성분 및 온도)과 1개의 출력 뉴런( $\log_{10} \eta$ )을 사용하였다.
- 하이퍼파라미터 최적화를 통해 최적의 아키텍처를 결정하였다. 선택된 모델인 Viskositas는 각각 22개의 뉴런을 가진 3개의 은닉층으로 구성된다(이는 범용 근사 정리의 최소 너비 조건인 $w_{min} \leq d_x + d_y + 1$ 을 충족한다).
- 활성화 함수로는 ReLU를 사용하였으며, 가중치는 He uniform 초기화를, 편향(bias)은 0 초기화를 사용하였다.
- 훈련에는 MSE 손실 함수와 과적합 방지를 위한 조기 종료(Early Stopping)를 사용하는 Adam 옵티마이저를 채택하였다.
통계 분석: 모델 성능은 평균 절대 오차(MAE), 오차의 표준 편차(Std), 결정 계수( $R^2$ )를 사용하여 평가되었다. 입력 변수의 상대적 중요도를 결정하기 위해 연결 가중치(connection weights) 알고리즘을 이용한 민감도 분석을 수행하였다.

주요 기여

Viskositas 개발: 조성과 온도를 기반으로 복잡한 다성분 화학 시스템의 점도를 예측할 수 있는 특화된 ANN 모델을 구축하였다.
포괄적인 데이터베이스 통합: 수많은 산화물 시스템, 불화물 및 온도 범위를 포괄하는 대규모의 다양한 데이터셋을 합성하였으며, 물리적 일관성(액체 상태만 포함)을 보장하도록 전처리하였다.
민감도 분석: 연결 가중치 알고리즘을 적용하여 특정 화학 종(예: 네트워크 수정제 vs 형성제)과 온도가 예측 점도에 미치는 상대적 중요성을 정량화하였으며, 이는 기존의 화학 이론(예: $NBO/T$ 및 특정 산화물의 역할)과 일치한다.

결과
Viskositas 모델을 문헌에 제시된 6개의 모델(Shaw, Watt-Fereday, Bompam, Riboud, Duchesne, ANNLiq) 및 하나의 상용 모델(FactSage™ 7.2 점도 모듈)과 비교하였다.

성능 지표: Viskositas 모델과 FactSage™ 7.2 점도 모듈이 다른 문헌 모델들에 비해 MAE, Std, $R^2$ 측면에서 가장 우수한 결과를 나타냈다. 그러나 이 두 상위 모델을 비교했을 때, Viskositas는 테스트 데이터베이스에서 더 낮은 MAE와 표준 편차, 더 높은 $R^2$ 를 달ek성함으로써 우수한 통계적 성능을 입증하였다.
오차 분포: 왜도(skewness) 및 첨도(kurtosis) 분석 결과, Viskositas는 FactSage™ 모듈에 비해 이상치가 적고 예측 오차의 변동성이 낮음을 확인하였다. 구체적으로, Viskositas는 최대 음의 오차가 -1.3920, 최대 양의 오차가 1.0507( $\log_{10} \eta$ 기준)인 반면, FactSage™ 모듈은 각각 -5.2931과 2.0832의 오차를 보여 Viskositas가 성능 면에서 크게 앞섰다.
변수 중요도: 민감도 분석은 온도와 특정 산화물(예: CaO, MgO, 알칼리 금속과 같은 네트워크 수정제)이 점도와 유의미한 관계가 있음을 확인하였다. 이 분석은 온도가 점도에 반비례한다는 이론적 기대와 일치한다. 즉, 온도가 낮아지면 화학 종 사이의 격렬함(agitation)이 감소하여 유동성이 떨어지고 점도가 높아진다.

의의
본 논문은 Viskositas 모델이 비용이 많이 들고 오류가 발생하기 쉬운 실험적 점도 측정을 대체할 수 있는 신뢰할 수 있는 대안임을 주장한다. 대규모의 전처리된 데이터베이스와 비선형 신경망 아키텍처를 활용함으로써, 이 모델은 기존 문헌 모델 및 FactSage™ 소프트웨어보다 낮은 오차, 적은 변동성 및 적은 이상치를 제공한다. 이러한 능력은 실험적 제약으로 인해 데이터 확보가 어려운 금속 및 유리 제조 공정 최적화 분야에서 정밀한 점도 데이터가 필요한 산업계에 매우 중요하다. 본 연구는 다성분 화학 시스템에서 전통적인 반경험적 모델의 적용성 제한을 극복하는 데 있어 ANN의 유용성을 입증하였다.

유사한 논문