A Comparative Machine Learning (ML) Metaheuristic Framework for Bolt Pitch Optimization under IS 800, Eurocode 3, and AISC

기술 요약: IS 800, Eurocode 3 및 AISC 하에서의 볼트 피치 최적화를 위한 비교 머신러닝(ML) 메타휴리스틱 프레임워크

문제 정의
강구조물의 볼트 연결 설계에는 구조적 안전성, 재료 효율성 및 시공성 사이의 결정적인 균형이 필요하다. 전통적으로 엔지니어들은 설계 코드(IS 800:2007, Eurocode 3, AISC 360-16)에 규정된 최소 및 최대 허용 피치 거리에 의존한다. 그러나 이러한 코드 규정 제한은 상응하는 안전성 이점 없이 재료 비용을 증가시키는 보수적인 설계를 초래할 수 있다. 또한, 기존 문헌은 단일 코드 내에서의 최적화만을 다루거나 단순화된 사례 연구에 의존하는 경우가 많으며, 여러 국제 표준에 걸쳐 예측 모델링과 메타휴리스틱 최적화를 통합하는 통일된 프레임워크가 부족하다. 볼트 간격이 파괴 모드 및 재료 특성과 어떻게 상호작용하여, 안전성을 확보하면서도 재료 사용을 최소화하는 최적의 코드 준수 설계를 생성하는지에 대한 이해에는 명확한 격차가 존재한다.

방법론
본 연구는 볼트 피치 거리를 결정하기 위해 데이터 기반 머신러닝(ML)과 메타휴리스틱 최적화를 결합한 통합 프레임워크를 제안한다. 방법론은 네 가지 단계로 진행된다:

1. 데이터 생성: 4,500개의 볼트 연결 구성에 대한 포괄적인 합성 데이터셋이 생성되었다. 이 데이터셋은 IS 800, Eurocode 3, AISC의 특정 제한 사항 및 요구 사항으로부터 도출되었다. 각 코드당 1,500개의 구성을 포함하며, 재료 특성(항복 강도 및 극한 강도), 기하학적 파라미터(볼트 직경, 판 두께, 에지 거리), 하중 조건(전단, 인장, 모멘트) 및 연결 유형과 같은 변수를 포함한다. 가중 효율 지표를 설정하여 안전성(70%)과 재료 효율성(30%)을 우선순위에 두고 구성을 "최적(Optimal)" 또는 "비최적(Non-Optimal)"으로 분류하였다.
2. 머신러닝 분류: 6가지 ML 알고리즘인 Random Forest (RF), XGBoost, Support Vector Machine (SVM), Neural Networks (NN), Gradient Boosting (GB), Logistic Regression (LR)을 사용하여 최적 피치 분류를 예측하도록 학습시켰다. 모델 성능은 정확도, ROC AUC, 학습 시간을 기준으로 평가되었다. 특징 중요도 분석(Feature importance analysis)을 수행하여 주요 영향 파라미터를 식별하였다.
3. 메타휴리스틱 최적화: 코드 제약 조건을 준수하면서 효율 지표를 극대화하는 정밀한 피치 값을 식별하기 위해 유전 알고리즘(GA)과 시뮬레이티드 어닐링(SA) 두 가지 최적화 알고리즘을 구현하였다. 두 알고리즘 모두 효율 지표의 음수 값을 최소화하도록 구성되었다.
4. 검증 및 민감도 분석: 최적화된 결과는 최근 연구의 실험 데이터와 비교하여 예측 오차를 계산함으로써 검증되었다. 또한, 주요 파라미터(볼트 직경, 판 두께, 볼트 수, 전단 하중, 인장 하중)를 ±30%씩 변화시켜 최적 피치에 미치는 영향을 확인하는 민감도 분석을 수행하였다.

주요 결과

• 머신러닝 성능: Random Forest 분류기가 0.923의 정확도와 0.941의 ROC AUC를 달로하며 가장 효과적인 모델로 나타났다. XGBoost가 정확도 0.917, ROC AUC 0.938로 그 뒤를 이었다. 특징 중요도 분석 결과, 볼트 직경이 피치 거리에 영향을 미치는 가장 결정적인 파라미터(중요도 값 ~0.217)였으며, 전단 하중, 판 두께, 볼트 수가 그 뒤를 이었다.
• 최적화 결과: GA와 SA 모두 각 코드에 대해 동일한 최적 해로 수렴하여 일관성을 입증하였다. 유전 알고리즘(GA)은 실험 데이터와 검증했을 때 시뮬레이티드 어닐링(SA)보다 더 높은 신뢰성과 낮은 오차율을 보였다. GA의 평균 오차는 8.7%였던 반면, SA는 9.3%의 평균 오차를 기록했다. GA는 좁은 오차 분포를 보인 반면, SA는 높은 분산과 상당한 이상치를 나타냈다.
• 코드별 최적 비율: 본 연구는 각 코드에 대한 뚜렷한 최적 피치-직경(P/D) 비율을 식별하였다:
  • IS 800: 2.8–3.2
  • Eurocode 3: 2.5–2.9
  • AISC: 2.9–3.3
• 민감도 결과: 볼트 직경, 전단 하중, 볼트 수가 최적 피치에 가장 큰 영향을 미치는 것으로 나타났다. 반면, 판 두께와 인장 하중은 테스트 범위 내에서 미미한 영향을 미쳤다. 분석 결과, 최적화 프레임워크가 서로 다른 설계 코드 전반에 걸쳐 견고함을 유지함을 확인하였다.

의의 및 기여
본 논문은 ML 기반 분류와 메타휴리스틱 최적화를 결합하여 세 가지 주요 국제 코드에 따른 볼트 연결 피치 설계를 위한 포괄적인 프레임워크를 제공함으로써 중요한 연구 격차를 해소한다고 주장한다. 주요 기여는 다음과 같다:

1. 통합 프레임워크: IS 800, Eurocode 3, AISC 전반에서 작동할 수 있어, 단일 시스템 내에서 비교 분석 및 코드별 최적화를 가능하게 한다.
2. 실무 설계 권장 사항: 엔지니어가 안전성과 재료 경제성의 균형을 맞출 수 있도록 표적 피치 값(예: IS 800의 경우 ~3.0d, Eurocode 3의 경우 ~2.7d, AISC의 경우 ~3.1d)을 제시하는 실행 가능한 가이드라인을 제공한다.
3. 계산 방법의 검증: 실험 데이터에 프레임워크를 검증함으로써, GA와 결합된 예측 ML 모델이 구조적 무결성을 저해하지 않으면서 재료 사용을 줄일 수 있는 신뢰할 수 있는 코드 준수 설계를 생성할 수 있음을 입증한다.
4. 효율성 향상: 제안된 접근 방식은 전통적인 수동 설계의 대안으로서, 코드에 규정된 제한 사항에 내재된 보수성을 줄이고 강구조물 설계의 효율성을 높일 수 있는 체계적인 방법을 제공한다.

저자들은 본 프레임워크가 설계 프로세스를 크게 개선하지만, 향-후 연구에서는 정확도와 적용성을 더욱 높이기 위해 더 많은 변수, 다양한 파괴 메커니즘 및 복잡한 하중 조건을 포함하도록 모델을 확장해야 한다고 결론지었다.