🤖 machine learning

Machine Learning-based Correlation of Charpy Impact Properties Between Sub-sized and Standard-sized Specimens for Nuclear Structural Materials

본 연구는 연성-취성 천이 영역 전반에 걸쳐 흡수 에너지를 매핑함으로써 원자력 구조용 재료의 소형 및 표준 크기 시편 간 샤르피 충격 특성을 정확하게 상관시키는 머신러닝 기반 프레임워크를 제안하며, 이는 추론 과정에서 전체 크기의 데이터를 요구하지 않고도 상부 쉘 에너지와 연성-취성 천이 온도를 예측하는 데 있어 기존 방식보다 우수한 성능을 달성한다.

원저자: Yugandhar Kasala Sreenivasulu, Isshu Lee, John W. Merickel, Fei Xu, Yalei Tang, Joshua E. Rittenhouse, Aleksandar Vakanski, Rongjie Song

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yugandhar Kasala Sreenivasulu, Isshu Lee, John W. Merickel, Fei Xu, Yalei Tang, Joshua E. Rittenhouse, Aleksandar Vakanski, Rongjie Song

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

당신이 거대한 스윙 해머로 금속을 내리쳐서 그 금속이 얼마나 단단한지 판단하려고 한다고 상상해 보십시오. 이것은 샤르피 충격 시험(Charpy impact test)으로, 원자력 발전소에 사용되는 강철이 추운 환경에서 마른 나뭇가지처럼 툭 부러질지, 아니면 고무줄처럼 휘어질지를 확인하는 고전적인 방법입니다. 보통은 "진짜" 답을 얻기 위해 커다란 표준 크기의 금속 블록이 필요합니다. 하지만 여기에 문제가 있습니다. 원자력 발전소에서는 종종 아주 작은 금속 조각만 남게 되거나, 커다란 해머 테스트를 수행하기에는 너무 작은 재료를 테스트해야 하는 경우가 발생합니다.

과학자들은 이 작은 조각들을 테스트하고 수학 공식을 사용하여 그 결과를 "스케일 업(scale up)" 함으로써 큰 블록이 어떻게 행동할지 추측하려고 노력해 왔습니다. 이것은 마치 미니 피자를 한 입 먹어보고 대수학을 이용해 전체 사이즈 피자의 맛을 추측하려는 것과 같습니다. 문제는 기존의 수학 공식들이 경직된 '만능 레시피'와 같다는 점입니다. 이 공식들은 모든 금속이 동일하게 행동한다고 가정하며, 금속이 어떻게 조리되었는지, 어떻게 모양이 잡혔는지, 또는 방사선 처리를 받았는지와 같은 복잡한 세부 사항들을 무시합니다. 논문은 이러한 기존 공식들이 특히 금속이 까다롭거나 조건이 특이할 때 정답을 틀리는 경우가 많다고 주장합니다.

핵심 아이디어: 스마트한 AI 번역기
경직된 공식 대신, 연구진은 머신러닝(ML) 시스템을 구축했습니다. 이 AI를 다양한 금속이 어떻게 행동하는지에 대한 수천 개의 이야기를 읽은 초스마트한 번역기라고 생각하십시오. 이 AI는 단순히 작은 조각의 크기만을 보는 것이 아니라, 금속의 "DNA"(탄소나 니켈 같은 화학적 성분), 열처리 및 냉각 방식, 방사선 노출 정도, 심지어는 그 안에 파여 있는 노치(notch)의 정확한 형상까지 살펴봅니다.

AI의 임무는 작은 "미니 피자"(소형 시편)로부터 얻은 데이터를 바탕으로, "전체 사이즈 피자"(표준 시편)가 말해주었을 결과를 번라해내는 것입니다. 이를 위해 AI는 두 가지 영리한 단계를 거칩니다:

온도 이동(Temperature Shift): 작은 조각들은 실제보다 더 따뜻하게 행동하는 경향이 있다는 점을 인식합니다. 따라서 AI는 금속이 인성(tough)에서 취성(brittle)으로 변하는 "임계점"이 일치하도록 온도 데이터를 조정합니다.
에너지 스케일링(Energy Scaling): AI는 작은 금속의 에너지 곡선에 있는 굴곡과 요동을 관찰하고, 데이터의 독특한 개성을 그대로 유지하면서 이를 큰 금속의 곡선에 맞게 늘립니다.

결과: 기존 공식들을 압도하다
연구팀은 이 AI를 SA533B라는 특정 강철에 대한 389개의 서로 다른 테스트 기록에 적용했습니다. 그리고 AI의 예측치를 실제 전체 크기 테스트 결과와 비교했습니다.

결과는 AI의 명백한 승리였습니다. 금속이 따뜻할 때 흡수할 수 있는 최대 에너지를 의미하는 상부 셰리 에너지(Upper Shelf Energy, USE)를 예측할 때, AI는 0.942의 정확도 점수(R²)를 기록했습니다. 반면 기존의 가장 뛰어난 수학 공식들은 약 0.859에 그쳤습니다.

금속이 휘어지는 대신 툭 부러지기로 결정하는 특정 온도인 연성-취성 천이 온도(Ductile-to-Brittle Transition Temperature, DBTT)의 경우, AI는 0.892를 기록한 반면, 가장 좋은 기존 공식은 0.661에 불과했습니다.

논문은 단순하고 고정된 공식만으로는 충분하지 않다는 점을 명시적으로 밝히고 있습니다. 이는 단순히 시편의 크기나 단순 선형 수학에 의존하는 방법들이 각기 다른 금속이 반응하는 복잡한 현실을 포착하는 데 실패한다는 것을 보여줍니다. 기존 공식들은 새로운 유형의 금속이 나올 때마다 매번 다시 조정(re-tune)되어야 하므로 신뢰성이 떨어집니다. 그러나 AI는 다양한 조건을 통해 학습했기 때문에 매번 테스트할 때마다 다시 조정할 필요가 없었습니다.

얼마나 확신하는가?
저자들은 "교차 검증(cross-validation)"이라는 엄격한 테스트 방법을 사용했기 때문에 이 수치들에 대해 상당히 자신감이 있습니다. AI를 대부분의 데이터로 훈련시킨 후, AI가 본 적 없는 데이터를 사용하여 테스트함으로써, AI가 단순히 답을 암기한 것이 아니라 실제로 규칙을 학습했음을 확인했습니다. 또한 통계적 검정(Wilcoxon signed-rank test)을 실시한 결과, AI의 예측값과 실제 전체 크기 결과 사이의 차이가 통계적으로 유의미하지 않았습니다. 즉, AI의 예측은 실제 결과와 구별할 수 없을 정도로 정확했다는 뜻입니다.

하지만 논문은 이 테스트가 SA533B 강철에 특화되어 진행되었다는 점을 주의 깊게 언급하고 있습니다. 이 방법론이 매우 유망해 보이지만, 저자들은 이 방식이 어디에서나 통용된다는 것을 증명하기 위해 다른 종류의 금속과 더 많은 데이터를 활용하여 확장하는 것이 다음 단계라고 제안합니다. 또한, AI가 얼마나 "추측"하고 있는지(불확실성)를 추정할 수는 있지만, 원본 데이터에 반복 테스트가 부족하여 금속 자체의 자연적인 변동성을 100% 확신하기는 어렵다는 점도 언급했습니다.

이것이 왜 중요한가
이것은 단순한 수학 게임이 아닙니다. 현실 세계에서 원자력 발전소는 수십 년 동안 안전하게 가동되어야 합니다. 항상 커다란 금속 덩어리를 잘라내어 테스트할 수는 없습니다. 이 AI 방식 덕나 엔지니어들은 남은 아주 작은 조각만으로도 빠르고 간편한 테스트를 수행하여, 전체 구조물이 어떻게 견뎌낼지에 대한 매우 신뢰할 수 있는 예측을 얻을 수 있습니다. 이는 "최선의 추측"을 "스마트한 예측"으로 바꾸어 놓으며, 불필요한 재료 파괴 없이 원자력 발전소를 더욱 안전하게 유지하는 데 도움을 줍니다.

기술 요약: 소형 및 표준 크기 시편 간의 샤르피 충격 특성에 관한 머신러러닝 기반 상관관계 연구

문제 정의
소형 시편과 표준 크기 시편 간의 샤르피 V-노치 충격 시험 결과에 대한 신뢰할 수 있는 상관관계를 도출하는 것은, 특히 공간적 제약이나 제한된 조사 가용성으로 인해 재료의 부피가 제한되는 원자로 압력 용기(RPV)의 구조적 무결성을 평가할 때 매우 중요하다. (ASTM A370, BS 7910 등의) 표준 및 수많은 분석적 방법들이 존재하지만, 이들은 다음과 같은 상당한 한계를 지닌다:

제한된 정확도: 분석 모델은 종종 복잡하고 비선형적인 의존성을 포착하지 못하는 선형 또는 멱함수(power-law) 정식화에 의존한다.
일반화 능력 부족: 많은 방법이 특정 재료, 열처리 또는 기하학적 형상에 맞춰 보정되어 있으며, 새로운 조건에 적용될 때 재보정이 필요하다.
핵심 요인 포착 불능: 전통적인 모델은 동일한 명목 재료에 대해 상부 쉘 에너지(USE)가 51.8 J에서 278 J까지 변하는 것과 같이, 미세구조의 가변성, 조사 이력 및 특정 제조 공정의 영향을 크게 받는 변수들을 통합하는 데 어려움을 겪는다.
계통 오차: 기존의 분석적 접근 방식은 저온 쉘 영역에서는 흡수 에너지를 과대평가하고, 상부 쉘 영역에서는 과소평가하는 경향이 있다.

방법론
본 연구는 샤르피 충격 특성을 시편 크기에 따라 상관시키기 위한 데이터 기반 머신러닝(ML) 프레임워크를 제안한다. 방법론은 세 가지 주요 단계로 구성된다:

데이터셋 구축: 포괄적인 오픈 액세스 데이터셋의 일부를 활용하여 SA533B 강에 초점을 맞추었다. 최종 데이터셋은 동일한 공정 및 테스트 조건 하에서 소형 시편(두께 1.5 mm ~ 5 mm)을 그에 대응하는 표준 크기 시편(10 mm × 10 mm × 55 mm)과 연결하는 389개의 매칭된 샤르피 충격 시험 기록로 구성된다.
데이터 변환: ML 모델을 훈련하기 위해 소형 데이터를 표준 크기 도메인에 맞게 변환하였다. 여기에는 다음 과정이 포함된다:
- 온도 이동: 전이 영역을 일치시키기 위해 소형 온도( $T_s$ )를 표준 크기와 소형 시편 간의 연성-취성 천이 온도(DBTT) 차이( $\Delta T = DBTT_f - DBTT_s$ )만큼 이동시킨다.
- 스케일링된 잔차 투영: 소형 데이터의 잔차(적합된 시그모이드 곡선으로부터의 편차)를 표준 크기 대비 소형 크기의 상부 쉘 에너지 비율( $USE_f / USE_s$ )로 스케일링한다. 이 스케일링된 잔차를 표준 크기의 쌍곡 탄젠트(tanh) 모델에 더함으로써, 원래 소형 데이터의 가변성과 산포를 보존하면서 이를 표준 크기 응답 곡선으로 투영한다.
머신러닝 모델링: 지도 학습 기반의 다변량 회귀 접근법이 채택되었다. 모델은 화학 조성, 제조/열처리 상세 정보, 조사 조건, 시편 기하학적 형상, 그리고 특정 소형 테스트 온도 및 흡수 에너지를 포함한 37개의 입력 파라미터를 특징(feature)으로 취한다. 모델은 변환된 온도와 흡수 에너지를 표준 크기 도메인에 대해 공동으로 예측한다. Random Forest, Gradient Boosting, CatBoost, XGBoost, LightGBM, 가우시안 프로세스 회귀(Gaussian Process Regression), 신경망(Neural Networks)을 포함한 7가지 ML 알고리즘을 평가하였다.

주요 기여

새로운 ML 프레임워크: 본 연구는 표준 크기의 시편이나 다른 기계적 시험(예: 피로, 인장)에 집중했던 이전의 ML 적용 사례를 넘어, 샤르피 충격 시험의 크기 효과를 해결하기 위해 특별히 설계된 최초의 ML 프레-임워크를 제시한다.
간접 파라미터 추정: 이 프레임워크는 먼저 전체 온도-에너지 프로파일을 예측한 다음, tanh 함수를 적합시켜 USE와 DBTT를 추출한다. 이를 통해 예측 단계에서 표준 크기 데이터에 접근하지 않고도 표준 크기의 물성을 추론할 수 있다.
포괄적 평가: 본 연구는 표준 지표( $R^2$ , 피어슨 상관계수 $r$ , RMSE)를 사용하여 기존의 분석적 방법(예: Lucas, Wallin, Uehira, Towers)에 대한 엄격한 비교 평가를 수행하였다.
불확실성 정량화 (UQ): 신뢰도와 예측 구간을 추정하기 위해 세 가지 전략이 도입되었으며, 이는 적합된 tanh 함수에 기반한 커버리지 메트릭과 분산 가중 예측을 포함한다.
설명 가능성: SHAP(SHapley Additive exPlanations) 분석을 수행하여 가장 영향력 있는 파라미터를 식별하였으며, 시편 치수, 테스트 온도 및 재료 조성(예: 탄소, 망간)이 지배적인 요인임을 확인하였다.

결과
ML 기반 접근 방식은 SA533B 강 데이터셋에 대해 기존의 분석적 방법보다 우수한 성능을 입증하였다:

상부 쉘 에너지 (USE): Gradient Boosting 모델은 $R^2$ 0.942, 피어슨 상관계수( $r$ ) 0.974를 달성하였으며, 이는 가장 우수한 분석 방법(Wallin 등, $R^2 = 0.859$ )을 크게 상회하는 수치이다.
연성-취성 천이 온도 (DBTT): Gradient Boosting 모델은 $R^2$ 0.830, $r$ 0.913을 달성하였으며, 이는 가장 우수한 분석 방법(Towers, $R^2 = 0.661$ )과 비교하여 우수하다.
통계적 유의성: Wilcoxon 부호 순위 검정 결과, ML 예측값과 실제 표준 크기 값 사이의 차이는 통계적으로 유의하지 않았으나( $p > 0.05$ ), 여러 분석 방법은 통계적으로 유의한 계통적 편차를 보였다.
불확정성 커버리지: 전략 2(ML 예측 데이터 포인트에서 유도된 예측 구간)는 높은 커버리지를 보여주었으며, Gradient Boosting 모델의 경우 표준 크기 USE 값의 최대 96.2%, DBTT의 80.8%가 예측 구간 내에 포함되었다.

의의 및 주장
본 논문은 이 ML 기반 프레임워크가 기존의 분석적 방법보다 샤르피 충격 특성을 상관시키는 데 있어 더 유연하고 정확하며 일반화 가능한 솔루션을 제공한다고 주장한다. 37개의 입력 변수에 걸친 복잡한 비선형 의존성을 포착함으로써, 이 모델은 기하학적 기반 스케일링 법칙의 경직성을 극복한다.

저자들은 훈련된 모델이 추론 시 표준 크기의 샤르피 데이터를 요구하지 않는다는 점을 강조하며, 이는 다음과 같은 분야에 매우 적합하다:

재료 감시 프로그램: 원자로 압력 용기의 건전성을 장기 운영 수명 동안 모니터링하기 위해 소형 시편을 사용하는 것을 가능하게 한다.
가속 조사 시험: 제한된 조사 부피를 가진 연구용 원자로에서의 데이터 획득을 용이하게 한다.
제한된 환경: 공간적으로 제약된 영역(예: 용접 조인트)이나 재료 가용성이 제한된 부품의 기계적 특성 분석을 지원한다.

본 연구는 검증이 SA533B 강에 대해 수행되었으나, 이 프레임워크가 향후 다양한 재료와 공정 조건을 포함하는 데이터셋 확장을 통해 일반화 능력을 더욱 강화한다면, 규모 효과(size effects) 문제를 다루기 위한 견고한 토대를 제공한다고 결론짓는다.

유사한 논문