Machine Learning Offers No Advantage over the Garofalo–Arrhenius Model for Peak Flow Stress Prediction in Hot Torsion of AA6061-T6: A Single-Source Benchmarking Study

기술 요약: AA6061-T6의 피크 유동 응력 예측을 위한 머신러닝과 가로팔로-아레니우스(Garofalo–Arrhenius) 모델 비교

문제 정의
재료 과학 문헌들은 데이터 기반의 머신러닝(ML) 회귀 모델이 고전적인 구성 방정식인 가로팔로-아레니우스(Garofalo–Arrhenius) 모델보다 열간 유동 응력을 더 정확하게 예측한다고 자주 주장한다. 그러나 이러한 주장들은 종종 서로 다른 실험실과 변형 모드에서 수집된 소규모 데이터셋에 기반하고 있으며, 정식 통계 검정이나 정직한 표본 외 검증(out-of-sample validation) 프로토콜이 결여되어 있다. 본 연구는 이러한 방법론적 약점을 해결하기 위해, 비교 대상을 단일 출처, 단일 모드의 완전히 특성화된 데이터셋으로 격리함으로써, 실험적 열간 가공 캠페인에서 전형적으로 나타나는 데이터 규모에서 ML이 진정한 정확도 우위를 제공하는지 결정하고자 한다.

연구 방법론
본 연구는 Gleeble 열기계 시뮬레이터를 통해 획득한 AA6061-T6 합금의 12가지 열간 비틀림 조건(250–450°C, 0.91–9.07 s⁻¹) 데이터셋을 활용한다. 피크 유동 응력($\sigma_p$)은 자동화된 공개 파이프라인을 통해 추출되었다.

• 평가된 모델:
  • 고전적 모델: 가로팔로-아레니우스 쌍곡선 사인 모델 ($\dot{\epsilon} = A[\sinh(\alpha\sigma_p)]^n \exp(-Q/RT)$).
  • 머신러닝 모델: 세 가지 회귀 모델: 방사 기저 커널을 사용한 서포트 벡터 회귀(SVR-RBF), 그래디언트 부스팅 회귀(GBR), 그리고 다층 퍼셉트론(ANN-MLP).
• 검증 프로토콜: 소규모 데이터셋($N=12$)에서의 공정한 비교를 보장하기 위해, 본 연구는 엄격한 중첩 루프-외 교차 검증(nested leave-one-out cross-validation, LOO-CV)을 채택하였다.
  • ML 모델의 경우, 하이퍼파라미터는 훈련 파티션에 대해서만 내부 $k$-폴드 그리드 탐색을 통해 선택되었으며, 데이터 누수(data leakage)를 방지하기 위해 각 폴드마다 피처 스케일러를 재적합하였다.
  • 가로팔로-아레니우스 모델의 경우, 각 훈련 폴드에 대해 $\alpha$에 대한 1차원 탐색 후 선형 회귀를 수행하여 상수($\alpha, n, Q, A$)를 재추정하였다. 이는 고전적 모델이 전체 데이터셋에 적합되는 것이 아니라, ML 모델과 동일하게 교차 검증되도록 하기 위함이다.
• 데이터 처리: 정상 상태 유동(steady-state flow)에 도달하기 전 파단된 두 가지 조건(T5 및 T7)은 가로팔로-아레니우스 보정(정상 상태 유동을 전제로 함)에서는 제외되었으나, ML 훈련 세트에는 유지되었다. 비교 분석은 일치하는 10개의 정상 상태 조건에 대해 수행되었으며, 12개 전체 조건에 대한 추가 분석도 병행되었다.

주요 결과

• 정상 상태 조건에서의 정확도: 일치하는 10개의 정상 상태 조건에 대해, 고전적인 가로팔로-아레니우스 모델은 11.0%의 평균 절대 상대 오차(AARE)를 달로했다. 이는 모든 ML 모델인 GBR(14.8%), ANN-MLP(16.1%), SVR-RBF(17.0%)보다 우수한 성능을 보였다.
• 통계적 유의성: 최적의 ML 모델(GBR)과 고전적 모델을 10개의 일치하는 조건에서 비교한 이방향 윌콕슨 부호 순위 검정(two-sided Wilcoxon signed-rank test) 결과 $W=11, p=0.11$로 나타났다. 저자들은 작은 샘플 크기($N=10$)로 인해 검정력이 낮음을 언급했으나, 통계적으로 유의미한 차이가 없다고 결론지었다. 즉, 어떤 ML 모델도 정확도 우위를 입증하지 못했다.
• 외삽 및 실패 모드: 12개 전체 조건(파단 제한이 있는 두 지점 포함)에 대해 평가했을 때, ML의 오차율은 AARE 기준 15.5%에서 19.9%까지 증가했다. ML 모델은 저온의 파단 제한 극단 영역(T5 및 T7)에서 심각한 오차를 보였는데, 이는 훈련 데이터가 지배적인 정상 상태 영역을 벗어난 구간을 외삽하는 데 한계가 있음을 반영한다. 반면, 고전적 모델은 정상 상태 유동에 대해서만 정의됨으로써 구조적 이점을 가졌다.

핵심 기여

1. 엄격한 벤치마킹: 본 연구는 다중 출처 데이터 풀링, 혼합된 변형 모드, 통계 검정 결여와 같은 혼란 변수를 제거함으로써 "깨끗한" 벤치마크를 제공한다.
2. 절차적 동등성: 물리 기반 모델과 데이터 기반 모델에 동일한 LOO-CV 프로토콜을 적용함으로써, 본 연구는 절차적 편향을 제거하였다.
3. ML 주장에 대한 재평가: 본 연구 결과는 ML이 본질적으로 구성 방정식보다 우수하다는 지배적인 서사에 도전하며, 소규모의 잘 특성화된 데이터셋에서는 고전적 모델이 ML 대안들보다 최소한 동등하게 정확하다는 것을 보여준다.

의의 및 주장
본 논문은 실험적 열간 가공 연구에서 전형적으로 나타나는 소규모 단일 출처 데이터셋의 경우, 물리적으로 근거가 명확한 구성 모델이 여전히 합리적인 기본값(default)이라고 주장한다. 저자들은 ML 모델이 이 영역에서 측정된 정확도 이점이 없을 뿐만 아니라 해석 가능성과 안전한 외삽 능력을 상실한다고 주장한다. 본 연구는 유연한 회귀 모델이 올바른 함수적 의존성을 사전적으로 인코딩하는 모델보다 더 정확하게 복잡한 응답 표면을 복구할 수 없는, 즉 "데이터가 부족한(data-starved)" 데이터 규모에서 ML의 우월성을 과장하는 것에 대한 경고적 벤치마크 역할을 한다. 저자들은 ML이 실질적으로 더 큰 규모의 균질한 데이터셋이나 구성 형태를 진정으로 알 수 없는 조건에서만 유리해질 수 있다고 명시하였으며, 본 연구는 이러한 조건에 해당하지 않는다.