Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

지표면 아래 깊은 곳, 광부들이 가치 있는 자원을 채굴하는 곳에는 거대한 빈 공간이 남겨집니다. 만약 이 빈 공간들이 지지되지 않는다면, 상부의 지반이 붕괴하여 작업자들에게 위험한 환경을 조성하고 전체 작업의 안정성을 위협할 수 있습니다. 이를 방지하기 위해 엔지니어들은 이 빈 공간을 시멘트 결합 수력 백필(cemented hydraulic backfill)이라 불리는 특수한 혼합물로 채웁니다. 이 재료는 본질적으로 분쇄된 폐석, 광산 공정에서 나온 광미(tailings), 물, 그리고 시멘트로 만들어진 슬러리입니다. 지하의 빈 공간에 펌프로 주입되면, 이 물질은 시간이 지나면서 굳어져 광산 천장을 지지하고 남은 광물을 더 안전하고 효율적으로 추출할 수 있게 하는 단단한 바닥 역할을 합니다. 이 백필이 얼마나 잘 수행될지를 결정하는 가장 중요한 척도는 압력에 의해 으스러지는 것에 저항하는 능력이며, 엔지니어들은 이를 일축 압축 강도(uniaxial compressive strength)라고 부릅니다. 이 강도를 정확하게 예측하는 것은 매우 중요합니다. 혼합물이 너무 약하면 광산이 붕괴할 수 있고, 반대로 과하게 설계되면 프로젝트 비용이 불필요하게 높아지기 때문입니다.

수십 년 동안 적절한 배합 비율을 결정하는 일은 시행착오나 단순한 공식에 의존해 왔으나, 이러한 방식은 재료 간의 복잡하고 비선계적인 상호작용을 놓치는 경우가 많았습니다. 중국 광업대학교 연구진과 국제 파트너들이 발표한 새로운 연구는 다른 접근 방식을 제시합니다. 전통적인 방정식에 의존하는 대신, 그들은 그래디언트 부스팅 머신(gradient boosting machines)이라 알려진 진보된 컴퓨터 알고리즘 군을 활용했습니다. 이들은 각각의 단순한 모델을 구축하고, 각 모델이 이전 모델의 오류를 수정해 나가며 매우 정확한 예측기를 만들어내는 방식으로 데이터를 통해 학습하는 강력한 도구입니다. 연구진은 1,641개의 실제 사례가 담긴 방대한 데이터 세트를 수집하여 사용된 시멘트의 양, 양생 시간, 혼합물의 고형분 농도, 그리고 골재 대 광미의 비율을 기록했습니다. 그런 다음 이 정보를 네 가지 유형의 학습 알고리즘에 입력하여, 어떤 것이 경화된 백필의 최종 강도를 가장 잘 예측할 수 있는지 확인했습니다.

연구팀은 LightGBM, CatBoost, AdaBoost, 그리고 표준 그래디언트 부스팅 머신을 포함한 여러 변형 모델을 테스트했습니다. 목표는 단순히 강도를 추측할 수 있는 모델을 찾는 것이 아니라, 정보의 노이즈에 혼란을 겪지 않고 새로운 미지의 데이터에 대해서도 신뢰성 있게 예측할 수 있는 모델을 찾는 것이었습니다. 데이터의 80%로 모델을 학습시키고 나머지 20%로 테스트한 결과는 명확했습니다. 표준 그래디언트 부스팅 머신 모델이 가장 효과적인 도구로 나타났습니다. 이 모델은 테스트 데이터에서 0.86의 통계적 점수로 강도 값을 정확하게 예측했을 뿐만 아니라 평균 오차를 매우 낮게 유지했습니다. 이러한 성능은 새로운 데이터에 대한 일반화에 어려움을 겪거나 일관되지 않은 결과를 낸 다른 모델들보다 우수했습니다. 이 결과는 특정 유형의 알고리즘이 재료와 최종 강도 사이의 복잡한 관계를 포착하는 데 특히 적합하다는 것을 시사합니다.

단순히 예측을 하는 것을 넘어, 연구진은 모델이 왜 그러한 결정을 내렸는지 이해하고자 했습니다. 많은 첨단 컴퓨터 시스템은 내부 작동 방식이 '블랙박스'와 같아서, 제작자조차 입력이 어떻게 출력으로 이어지는지 쉽게 설명하지 못하는 경우가 많습니다. 이를 해결하기 위해 팀은 SHAP 분석이라는 기법을 사용했는데, 이는 마치 스포트라이트처럼 각 성분이 최종 결과에 얼마나 기여했는지를 밝혀내는 역할을 합니다. 분석 결과, 두 가지 요인이 결과를 지배하는 것으로 나타났습니다. 바로 혼합물 내의 시멘트 양과 재료가 양생되는 데 허용된 시간입니다. 이 두 변수는 강도에 가장 유의미한 정(+)의 영향을 미쳤습니다. 반면, 고형분의 농도와 골재 대 광미의 비율은 최종 결과에 미치는 영향이 훨씬 작았습니다. 이러한 통찰은 엔지니어들에게 매우 중요한데, 이는 안전과 안정성을 보장하기 위한 혼합물을 설계할 때 정확히 어디에 집중해야 하는지를 알려주기 때문입니다.

본 연구는 설명 가능한 머신 러닝 모델을 사용하는 것이 시멘트 결합 수력 백필을 설계하는 신뢰할 수 있고 투명한 방법을 제공한다고 결론짓습니다. 백필이 실제로 부어지기도 전에 얼마나 강할지를 정확하게 예측함으로써, 광산 운영은 혼합 설계를 최적화하여 재료비를 절감하는 동시에 지하 환경의 안전을 확보할 수 있습니다. 연구진은 자신들의 모델이 중요한 진전이지만, 전통적인 공학적 판단과 함께 의사결정 지원 도구로서 사용될 때 가장 효과적이라고 강조합니다. 또한 향-후 연구에서는 모델의 정확도를 더욱 정교하게 다듬기 위해 실제 현장 측정값과 이 모델들을 비교 테스트하는 작업이 필요하다고 제안합니다. 궁극적으로 이 연구는 복잡한 데이터를 엔지니어를 위한 실질적인 지침으로 전환함으로써, 더 안전한 지하 채굴을 향한 명확한 경로를 제시합니다.