⚡ electrical engineering

Predicting the process parameters for torque and thrust force in wood plastic composite drilling using machine learning algorithms

본 연구는 다구치 기반의 드릴링 실험과 머신러닝 알고리즘을 활용하여 이송 속도가 목재 플라스틱 복합재(WPC) 드릴링 시 추력과 토크에 영향을 미치는 지배적인 요인임을 입증하였으며, 이러한 힘을 최소화하기 위한 공정 매개변수 최적화에 있어 랜덤 포레스트 모델이 가장 정확한 예측 모델로 나타났다.

원저자: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

게시일 2026-09-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

원본 논문은 CC BY 4.0 (https://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

나무는 수천 년 동안 인류에게 봉사해 왔으며, 단순한 은신처에서부터 복잡한 기계에 이르기까지 모든 것을 건설하는 데 있어 그 강도와 다재다능함으로 가치를 인정받아 왔습니다. 그러나 산림이 삼림 벌채로 인해 압박을 받고 지속 가능한 재료에 대한 수요가 증가함에 따라, 엔지니어들은 현대적인 대안인 목재 플라스틱 복합재(wood plastic composite)로 눈을 돌렸습니다. 이 재료는 톱밥이나 대나무 가루와 같은 목재 섬유를 녹은 플라스틱 및 다양한 첨가제와 혼합하여 내구성이 높고 내후성이 있는 제품을 만든 것입니다. 이는 현재 데크, 울타리, 가구 등에서 흔히 볼 수 있으며, 부패나 해충에 취약한 기존 목재의 단점 없이 목재의 외관을 제공합니다. 하지만 이 복합재를 다루는 것은 독특한 과제를 안겨줍니다. 딱딱한 섬유와 유연한 플라스틱이 혼합되어 있기 때문에, 절단할 때 일반적인 목재나 금속과는 다르게 반응합니다. 조립을 위해 필수적인 단계인 구멍 뚫기 작업을 할 때 손상이 쉽게 발생할 수 있습니다. 드릴링 과정을 세심하게 제어하지 않으면 재료가 갈라지거나, 섬유가 뜯겨 나가거나, 층이 분리되어 최종 제품의 강도와 외관을 망칠 수 있습니다. 이러한 손상을 피하는 핵심은 드릴이 가하는 하향 압력과 드릴을 회전시키는 데 필요한 비틀림 힘과 같은 작용하는 힘을 이해하는 데 있습니다.

최근 한 연구에서 연구진은 컴퓨터가 드릴링 과정 중에 정확히 얼마만큼의 압력과 비틀림이 발생할지 예측하도록 학습시킴으로써 이러한 힘을 정복하고자 했습니다. 인도의 공과대학에 기반을 둔 연구팀은 목재 섬유와 열가소성 수지로 구성된 특정 유형의 목재 플라스틱 복합재에 집중했습니다. 그들은 복합재에 가해지는 스트레스를 최소화하기 위한 완벽한 드릴 설정을 찾고자 했습니다. 이를 위해 그들은 드릴링 과정을 일련의 통제된 실험처럼 취급했습니다. 그들은 컴퓨터 제어 기계를 사용하여 복합재 패널에 구멍을 뚫었으며, 드릴의 회전 속도, 재료 안으로 전진하는 속도, 그리고 드릴 비트의 크기라는 세 가지 주요 변수를 체계적으로 변경했습니다. 그들은 느린 속도부터 빠른 속도까지, 작은 드릴 비트부터 큰 드릴 비트까지 다양한 범위의 값에 걸쳐 이 변수들을 테스트했습니다. 모든 설정의 조합마다 하향 힘과 비틀림 토크를 측정하였으며, 결과의 신뢰성을 확보하기 위해 각 테스트를 세 번씩 반복했습니다.

연구진은 이 측정값들을 분석하여 어떤 변수가 가장 중요한지 파악했습니다. 그들은 드릴 비트가 앞으로 나아가는 속도가 하향 힘과 비틀림 토크의 변화를 설명하는 가장 중요한 요인이며, 전체의 60% 이상을 차지한다는 것을 발견했습니다. 드릴 비트의 크기가 그다음으로 중요한 요인이었으며, 회전하는 드릴의 속도는 영향력이 적지만 여로 유의미한 영향을 미쳤습니다. 일반적으로 드릴을 더 빠르게 밀어 넣을수록 힘이 증가하는 반면, 드릴을 더 빠르게 회전시키면 오히려 힘이 감소하는 것을 발견했습니다. 이는 더 빠른 회전이 열을 발생시켜 복합재의 플라스틱 성분을 부드럽게 만들어 절단을 더 쉽게 만들기 때문입니다. 이러한 발견을 바탕으로 연구팀은 랜덤 포레스트(random forest)라고 알려진 특정 유형의 컴퓨터 알고리즘을 결면하여 힘을 놀라운 정확도로 예측할 수 있는 모델을 구축했습니다. 이 모델은 실험 데이터로부터 패턴을 인식하도록 학습하여, 실제 물리적 테스트를 먼저 수행하지 않고도 새로운 드릴링 조건에 대해 힘을 추정할 수 있게 해주었습니다.

결과는 이 컴퓨터 기반 접근 방식이 매우 효과적임을 보여주었습니다. 이 모델은 실제 물리적 측정값과 비교했을 때 99% 이상의 정확도로 하향 힘과 비틀림 토크를 성공적으로 예측했습니다. 이러한 수준의 정밀도는 제조업체들이 재료에 손을 대기도 전에 최적의 드릴 설정을 결정할 수 있음을 의미하며, 이를 통해 구멍을 깨끗하게 뚫고 복합재 패널이 손상되지 않도록 보장할 수 있습니다. 연구는 드릴 속도, 이송 속도(feed rate), 비트 크기를 신중하게 선택함으로써 목재 플라스틱 복합재를 발생하는 층 분리(delamination)나 표면 결함 없이 드릴링할 수 있음을 확인했습니다. 연구진은 자신들의 작업이 특정 드릴 비트와 건식 드릴링 조건에 국한되었다는 점을 언급했지만, 머신러닝 접근 방식의 성공은 명확한 진로를 제시합니다. 이는 알고리즘이 데이터로부터 학습하게 함으로써, 엔지니어가 이 복잡하고 친환경적인 재료를 최적화하여 실험실에서만큼이나 실제 현장에서도 잘 기능하도록 만들 수 있음을 입증합니다.

기술 요약: 머신러닝 알고리즘을 이용한 목재 플라스틱 복합재(WPC) 드릴링의 토크 및 추력 예측

문제 정의
목재 플라스틱 복합재(WPC)는 내구성, 친환경성 및 비용 효율성 덕분에 자동차 내장재, 바닥재, 가구 등 가정 및 산업용 분야에서 점점 더 널리 사용되고 있습니다. 그러나 이러한 재료를 가공하는 것, 특히 드릴링 작업은 상당한 어려움을 수반합니다. WPC의 이방성 및 층상 구조는 과도한 추력( $F_z$ )과 토크( $F_t$ )가 발생할 경우 층간 분리(delamination), 섬유 뽑힘(fiber pull-out), 미세 균열(micro-cracking) 및 불량한 표면 조도와 같은 결함을 초래합니다. 이러한 결함은 최종 제품의 구조적 무결성과 미적 품질을 저해합니다. 반응 표면 분석법(RSM)과 같은 전통적인 통계적 방법이 존재하지만, 이는 서로 다른 재료나 공정 조건에 걸쳐 일반화하는 유연성이 부족한 경우가 많습니다. 따라서 공정 파라미터를 최적화하고, 결함을 최소화하며, WPC 제조의 생산 효율성을 높이기 위해 $F_z$ 및 $F_t$ 를 예측할 수 있는 정확한 데이터 기반 모델의 필요성이 인식되고 있습니다.

연구 방법론
본 연구는 실험 설계, 통계 분석 및 머신러닝(ML) 모델링을 결합한 체계적인 접근 방식을 채택하였습니다:

실험 설계: CNC 수직 가공기를 사용하여 WPC 패널(목재 섬유 40%, 열가소성 수지 54%, 첨가제 6%로 구성)에 대한 드릴링 실험을 수행하였습니다. 본 연구는 세 가지 입력 파라미터인 주축 속도( $N$ ), 이송 속도( $f$ ), 드릴 직경( $d$ )의 영향을 조사하기 위해 다구치(Taguchi) $L_{27}$ 직교 배열을 활용하였습니다.
- 범위: $N$ (1000–3000 rpm), $f$ (75–225 mm/min), $d$ (6, 8, 10 mm).
- 공구: 알루미늄 코팅이 된 탄소강 브래드 센터 포인트 드릴 비트를 사용하였습니다.
- 측정: Kistler 다성분 동력계(모델 9277B)를 사용하여 $F_z$ 와 $F_t$ 를 측정하였습니다. 27회의 각 실험 실행은 3회씩 반복되어 총 81개의 데이터 포인트를 생성하였습니다.
통계 분석: 입력 파라미터와 그 상호작용이 출력 응답에 미치는 유의성을 결정하기 위해 분산 분석(ANOVA)을 수행하였습니다.
머신러닝 모델링: $F_z$ 와 $F_t$ 를 예측하기 위해 세 가지 앙상블 학습 알고리즘을 개발하고 비교하였습니다:
- Extra Trees Regressor: 극단적 무작위화를 통해 노이즈가 있는 데이터를 처리하는 능력을 활용하였습니다.
- Bagging with Decision Trees: 부트스트랩된 하위 집합으로부터의 예측을 평균화하여 분산을 줄이는 데 사용되었습니다.
- Random Forest Regressor: 노드 분할 시 무작위 특성 선택을 통해 비선형 상관관계를 포착하는 견고함을 위해 사용되었습니다.
평가: 데이터셋은 70%의 훈련 데이터와 30%의 테스트 데이터로 분할되었습니다. 모델 성능은 평균 절대 백분율 오차(MAPE), 평균 절대 차이(MAD), 평균 제곱근 오차(RMSE), 표준 오차(SE), 평균 제곱 오차(MSE) 및 결정 계수( $R^2$ )의 6가지 지표를 사용하여 평가되었습니다.

주요 결과

공정 파라미터의 영향: ANOVA 결과, 이송 속도( $f$ )가 추력과 토크 모두에 영향을 미치는 가장 지배적인 요인으로 확인되었습니다.
- 추력( $F_z$ )의 경우: 이송 속도가 65.16%, 드릴 직경이 27.33%, 주축 속도가 4.90% 기여하였습니다.
- 토크( $F_t$ )의 경우: 이송 속도가 64.41%, 드릴 직경이 20.39%, 주축 속도가 12.84% 기여하였습니다.
- 힘을 최소화하기 위한 최적 조건은 3000 rpm, 75 mm/min, 6 mm 드릴 직경으로 나타났습니다. 반대로, 가장 높은 힘은 1000 rpm, 225 mm/min, 10 mm 직경에서 발생하였습니다.
모델 성능: 세 가지 ML 모델 모두 0.988 이상의 $R^2$ 값을 기록하며 높은 예측 능력을 보여주었습니다. 그러나 Random Forest 모델이 다른 모델들을 지속적으로 능가하였습니다:
- 추력( $F_z$ ): Random Forest는 $R^2$ 0.998, MAPE 1.601, RMSE 0.275를 달성하였습니다.
- 토크( $F_t$ ): Random Forest는 $R^2$ 0.997, MAPE 0.718, RMSE 0.1406을 달성하였습니다.
- Random Forest 모델은 Anderson-Darling 정규성 플롯을 통해 검증된 바와 같이, 예측 오차가 가장 정규 분포에 가까운 형태를 보였으며, 이는 Bagging 및 Extra Trees에 비해 신뢰도가 높음을 나타냅니다.

의의 및 주장
저자들은 본 연구가 WPC 복합재 드릴링 중 추력과 토크를 최소화하기 위한 적절한 공정 파라미터를 평가하고 식별하는 새로운 접근 방식을 제공한다고 주장합니다. 머신러닝 모델, 특히 Random Forest가 입력 파라미터에 기초하여 가공력을 정확하게 예측할 수 있음을 입증함으로써, 본 연구는 생산 효율성을 개선하고 자원을 최적화할 수 있는 도구를 제공합니다. 본 연구는 이러한 정확한 예측 모델을 개발하는 것이 산업 생산성을 높이고 WPC 응용 분야에서의 기계적 조인트 품질을 보장하는 데 필수적이라고 주장합니다. 이 작업은 복합재 가공에서 전통적인 경험적 모델링을 대체하거나 보완하기 위한 데이터 기반 방법론의 토대를 마련합니다.

향후 방향
본 논문은 향후 연구에서 추가적인 품질 지표(층간 분리 계수, 표면 거칠기, 원형도, 원통도 오차 등)를 추정하고, 다양한 공구 재질 및 형상을 테스트하며, 온도와 마모를 줄이기 위한 최소량 윤활(MQL)을 탐색하고, 전통적인 드릴링과 대안적인 워터젯 가공(AWJM)을 비교할 것을 제안합니다.

유사한 논문