기술 요약: 열대 활엽목의 볼트형 강재-목재 연결부 하중 용량 예측을 위한 물리 통합 머신러닝 프레임워크

1. 문제 정의

볼트형 강재-목재 연결부의 횡하중 용량을 예측하는 것은 목재 공학, 특히 열대 활엽목 분야에서 여전히 중요한 과제로 남아 있다. 유럽 항복 모델(EYM) 및 로우 전단 모델(RSM)과 같은 기존 설계 표준은 주로 온대 침엽수종(예: 가문비나무, 소나무, 전나무)을 사용하여 보정되었다. 이러한 모델들은 높은 밀도, 다른 결정 구조, 그리고 독특한 파괴 메커니즘을 가진 말레이시아 열대 활엽목(Balau (Shorea spp.) 및 Bitis (Madhuca spp.))에 적용될 때 정확도가 떨어지는 경우가 많다.

또한, 이 영역에 머신러닝(ML)을 적용할 때는 세 가지 구체적인 방법론적 장애물에 직면한다:

1. 데이터 희소성 및 구조: 연결부 테스트를 위한 실험 데이터셋은 일반적으로 작고 매우 구조화되어 있으며, 단일 연결 그룹 내에서 동일한 기하학적 입력을 공유하는 다수의 시편으로 구성된다.
2. 데이터 누수(Data Leakage): 시편 단위의 표준 무작위 교차 검증은 모델이 일반화된 매핑을 학습하기보다 그룹의 반응을 "암기"하게 만들어, 지나치게 낙관적인 성능 추정치를 초래하는 데이터 누수를 유발한다.
3. 물리적 근거 부족: 순수 데이터 기반 모델은 훈련 범위를 벗어나는 외삽(extrapolation) 시 기존 공학 원칙을 위반하는 예측을 생성할 수 있다.

2. 방법론

2.1 실험 데이터셋

본 연구는 단일 전단, 단일 열, 강판-목재 볼트 연결부의 체계적인 테스트를 통해 도출된 36개 연결 그룹(360개 개별 시편)의 데이터셋을 활용하였다.

• 수종: Balau 및 Bitis (말레이시아 강도 그룹 1).
• 구성: M13 Grade 4.6 볼트, 6mm 연강 플레이트, 결 방향에 평행하게 하중 인가.
• 변수: 패스너 수($N$), 단부 거리비($e/d$), 볼트 간격비($s_b/d$).
• 대상: 각 그룹의 평균 하중 용량을 모델링의 데이터 포인트로 사용하였다.

2.2 물리 통합 프레임워크

본 연구는 하중 용량을 처음부터부터 예측하는 대신 물리 잔차 학습(physics-residual learning) 전략을 채택하였다.

• 물리 앵커(Physics Anchor): 세 가지 기성 설계 방정식(EYM, RSM, MS544-5)을 각 그룹에 대해 계산하였다. 이 세 가지 예측값 중 최솟값($R_{min}$)이 물리적 베이스라인 역할을 한다.
• 잔차 학습: ML 모델은 절대 하중 용량이 아닌 잔차 오차($\varepsilon = R_{exp} - R_{min}$)를 예측하도록 훈련되었다. 최종 예측값($R_{ml}$)은 $R_{min} + \hat{y}(\varepsilon)$로 계산된다. 이는 예측이 물리 이론에 고정되도록 보장한다.

2.3 검증 및 설명 가능성

• 그룹 단위 Leave-One-Out 교차 검증(Group-LOO-CV): 데이터 누수를 방방지하기 위해, 개별 시편이 아닌 전체 연결 그룹을 테스트 세트로 제외하는 36회 폴드 교차 검증 체계를 적용하였다. 이를 통해 모델이 본 적 없는 기하학적 구성에 대해서도 테스트되도록 보장한다.
• 알고리즘: SVR, CatBoost, XGBoost, Random Forest, K-Nearest Neighbors (KNN), Gradient Boosting 등 6가지 알고리즘을 평가하였다.
• 설명 가능성: SHAP(SHapley Additive exPlanations) 및 순열 중요도(permutation importance)를 사용하여 특징 기여도를 정량화하고 물리적 해석 가능성을 확보하였다.
• 보정(Calibration): 실험값 대비 예측값의 5백분위수를 보정 계수($\phi$)로 도출하여 보수적인 설계 강도($R_{5th}$)를 생성하였다.

3. 주요 결과

3.1 예측 성능

모든 모델이 코드 기반 베이스라인($R_{min}$)보다 우수한 성능을 보였다. **서포트 벡터 회귀(SVR)**가 가장 우수한 성능을 나타냈다:

• $R^2$: 0.876 (±0.043)
• RMSE: 6.09 kN
• MAE: 4.80 kN
• 편향(Bias): -0.783 kN (약간 보수적)

CatBoost ($R^2$ = 0.846)와 XGBoost ($R^2$ = 0.842)가 그 뒤를 바짝 쫓았다. 윌콕슨 부호 순위 검정(Willecoxon signed-rank test) 결과, SVR이 최상위 성능을 보였으나 상위 3개 모델 간의 차이는 95% 신뢰 수준에서 통계적으로 유의미하지 않았다. 그러나 SVR은 폴드 전반에 걸쳐 가장 일관된 성능을 입증하였다.

3.2 특징 중요도

SHAP 분석 결과, 목재 수종(Wood Species), 볼트 간격비(Bolt Spacing Ratio), **단부 거리비(Edge Distance Ratio)**가 가장 영향력 있는 예측 변수로 밝혀졌다.

• 목재 수종: Bitis와 Balau 사이의 평균 용량 차이인 6.9 kN을 반영하여 지배적인 특징으로 식별되었다.
• 물리 앵커 활용: SVR과 CatBoost는 물리 앵커($R_{min}$)에 상당한 중요성을 부여하여 물리적 일관성을 확보하였다. 반면, XGBoost는 물리 앵커를 거의 무시하고(SHAP 값 ~0.19 kN) 기하학적 입력에 의존하였는데, 이는 외삽 신뢰도를 제한할 수 있다.

3.3 보정 및 설계 적용

연구에서는 원시 예측값을 보수적인 설계 값으로 변환하기 위한 보정 계수($\phi$)를 도출하였다.

• SVR 보정 계수: $\phi$ = 0.842.
• 특성 강도($R_{5th}$): 보정된 SVR 예측값은 26.27 kN을 산출하였으며, 이는 실험적 벤치마크인 27.45 kN보다 약간 낮다. 이는 본 프레임워크가 MS544-5와 같은 기존 표준과 같이 보수적이고 안전한 설계 값을 생성함을 확인시켜 준다.

4. 주요 기여

1. 방법론적 엄밀성: 본 연구는 Group-LOO-CV를 구현함으로써, 작고 구조화된 실험 데이터셋에서 발생하는 데이터 누수 문제를 해결하였다. 이는 구조 ML 응용 분야에서 흔히 간과되는 필수적인 단계이다.
2. 물리-잔차 전략: 모델이 (처음부터 예측하는 것이 아니라) 코드 예측과 실험 결과 사이의 격차를 수정하도록 훈련함으로써, 열대 활엽목에 대해 더 높은 정확도와 물리적 일관성을 얻을 수 있음을 입증하였다.
3. 설명 가능한 설계: SHAP 분석을 통합함으로써, ML 모델이 거짓 상관관계가 아닌 물리적으로 의미 있는 관계(예: 수종 및 간격비의 지배력)를 학습함을 검증하였다.
4. 실용적 보정: 원시 예측값을 보수적인 구조 설계 프레임워크로 변환하기 위한 특정 보정 계수를 도출함으로써, 데이터 기반의 정확성과 공학적 안전 요구 사항 사이의 간극을 메웠다.

5. 의의 및 주장

본 논문은 말레이시아 강도 그룹 1 열대 활엽목의 볼트형 강재-목재 연결부 하중 용량을 예측하기 위해 특별히 개발된 최초의 물리 통합 머신러닝 프레임워크 중 하나라고 주장한다.

본 연구의 의의는 다음과 같다:

• 기존 표준이 덜 정확할 수 있는 열대 활엽목에 대한 설계 지침을 확장한다.
• 기존의 역학 기반 이론을 대체하지 않으면서도 설계 지침을 확장할 수 있는 "명확하고 물리적 근거가 있는 경로"를 제공한다.
• 제한된 구조화된 데이터를 가진 다른 구조 공학 문제의 템플릿으로 사용될 수 있는 견고하고 누수에 강한 검증 프로토콜을 제공한다.

저자들은 현재 프레임워크가 Balau 및 Bitis 수종과 단일 열 구성에 국한되어 있음을 인정하며 신중한 입장을 유지한다. 이들은 본 모델이 기존 설계 표준을 대체하는 것이 아니라 보완하는 의사결정 지원 도구임을 강조하며, 향후 외부 데이터셋 및 더 넓은 수종 범위에 대한 검증이 필요함을 명시하고 있다.