⚡ electrical engineering

Data-driven multi-response optimization of locust bean pulp brake-pad composites using Taguchi L25 design, machine learning and SHAP explainability

본 연구는 제안된 전역 최적해(global optimum)가 추가적인 실험적 검증을 필요로 한다는 점을 명시하면서, 지속 가능한 로커스트 빈 펄프 보강 브레이크 패드 복합재의 최적 제조 매개변수를 식별하기 위해 다구치 L25 실험 설계, 다중 응답 만족도 최적화, 그리고 설명 가능한 머신러닝을 결합한 통합 프레임워크를 제시한다.

원저자: Chike Martins Atah¹

게시일 2026-08-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chike Martins Atah¹

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

자동차가 멈출 때마다 두 표면 사이에서는 복잡한 물리적 드라마가 펼쳐집니다. 회전하는 금속 디스크에 밀착된 브레이크 패드는 차량을 감속시키기 위해 충분한 마찰력을 생성해야 하며, 이 과정에서 너무 빨리 마모되거나 열이 올랐을 때 접지력을 잃어서는 안 됩니다. 수십 년 동안 이 패드들은 이러한 섬세한 균형을 맞추기 위해 합성 섬纤维, 금속, 그리고 광물의 혼합물에 의존해 왔습니다. 그러나 세계가 비재생 자원에 대한 의존도를 줄이고자 함에 따라, 과학자들은 해답을 찾기 위해 자연계로 시선을 돌리고 있습니다. 한 가지 유망한 방안은 농업 폐기물, 구체적으로 서아프리카 전역에서 흔히 볼 수 있는 로커스트 빈(locust bean) 나무의 섬유질 펄스를 사용하는 것입니다. 과제는 이 식물 재료를 결합용 수지와 정확히 어느 정도 비율로 섞어야 하는지, 그리고 혼합물을 어떤 조건에서 구워야 강력하면서도 내구성이 있는 브레이크 패드를 만들 수 있는지 알아내는 것입니다. 이는 재료와 열의 퍼즐이며, 레시피를 잘못 만들 경우 패드가 너무 부드러워지거나, 너무 잘 부서지거나, 혹은 단순히 효과가 없어질 수 있습니다.

최근 한 연구에서 연구진은 브레이크 패드 제작을 현대적인 데이터 과학이 가미된 고도의 요리 실험처럼 다루며 이 퍼즐을 해결했습니다. 그들은 다섯 가지 핵심 변수에 집중했습니다: 로커스트 빈 펄스의 양, 페놀 수지 결합제의 양, 펄스 입자의 크기, 혼합물을 압착하는 데 사용되는 압력, 그리고 구울 때의 온도입니다. 이 다섯 가지 요인의 가능한 모든 조합을 테스트하는 대신, 연구팀은 단 25번의 특정 테스트만을 수행하는 스마트한 실험 설계를 사용했습니다. 이 접근 방식은 하나의 재료나 조건을 변경했을 때 다섯 가지 서로 다른 결과물(디스크에 대한 접지력, 마모 속도, 경도, 밀도, 그리고 파손 전 견딜 수 있는 압축 강도)에 어떤 영향을 미치는지 지도화할 수 있게 해주었습니다.

연구진은 단순히 이 25번의 테스트 결과를 기록하는 데 그치지 않았습니다. 그들은 재료와 최종 성능 사이의 관계가 직선적이지 않다는 점을 인식했습니다. 즉, 펄스의 양을 늘리는 것이 한 가지 특성에는 도움이 될 수 있지만 다른 특성에는 해가 될 수도 있다는 것입니다. 이러한 복잡성을 탐색하기 위해, 그들은 데이터를 여러 고급 컴퓨터 학습 모델에 입력했습니다. 이 디지털 도구들은 25번의 실험으로부터 학습하여, 아직 테스트하지 않은 조건에서 브레이크 패드가 어떻게 작동할지 예측하는 정교한 예측기 역할을 했습니다. 연구팀은 각 특정 결과값을 예측하는 데 어떤 유형의 학습 알고리즘이 가장 적합한지 확인하기 위해 다양한 유형의 알고리즘을 비교했습니다. 그 결과, 모든 것에 완벽한 단일 컴퓨터 모델은 없다는 것을 발견했습니다. 어떤 유형의 알고리즘은 마찰력을 예측하는 데 가장 좋았고, 다른 알고지는 경도를 예측하는 데 뛰어났습니다. 각 특정 작업에 가장 적합한 모델을 맡김으로써, 그들은 재료의 거동에 대한 매우 정확한 디지털 지도를 만들어냈습니다.

분석 결과, 무엇이 가장 중요한지에 대한 명확한 위계가 드러났습니다. 로커스트 빈 펄스의 양은 브레이크 패드의 거의 모든 측면을 결정짓는 가장 영향력 있는 단일 요인으로 나타났습니다. 일반적으로 펄스를 더 많이 추가할수록 패드는 더 단단해지고, 밀도가 높아지며, 강도가 높아지는 동시에 접지력이 향상되고 마모 속도는 감소했습니다. 패드를 구운 온도는 두 번째로 중요한 요인이었으며, 특히 최종 제품의 기계적 강도에 중요한 역할을 했습니다. 연구는 25번의 테스트 중 실제 환경에서 가장 잘 작동하는 특정 조합을 찾아냈습니다. 이 승리한 공식은 펄리 30%, 수지 17.5%, 입자 크기 25마이크로미터, 압착 압력 40메가파스칼, 그리고 섭씨 180도의 온도에서 구워진 것이었습니다. 이 특정 배치는 0.476의 마찰 계수, 2.43의 마모율, 101의 경도, 1257의 밀도, 그리고 109.6의 압축 강도를 달 나타냈습니다.

하지만 연구진은 자신들이 실제로 만든 것과 컴퓨터가 제안하는 더 나을 수도 있는 결과 사이를 신중하게 구분했습니다. 그들이 만든 최고의 물리적 배치는 앞서 설명한 것이었지만, 디지털 모델은 이론적으로 훨씬 더 완벽한 결과를 낼 수 있는 약간 다른 연속적인 재료 범위를 가리켰습니다. 이 가상의 '이상적인' 혼합물은 펄스 함량이 약 27%이고 굽는 온도가 194도에 가까운 것을 시사했습니다. 컴퓨터는 이 혼합물이 거의 완벽하게 작동할 것이라고 예측했으며, desirability score(적합도 점수)는 0.9904였습니다. 그러나 이는 여전히 이론적인 후보일 뿐입니다. 연구는 이 디지털 최적값이 아직 물리적으로 제작되거나 테스트되지 않았음을 명시하고 있습니다. 연구진은 자동차 제조사가 이러한 공식을 고려하기 전에, 독립적인 과학자들이 재료를 처음부터 직접 제조하여 컴퓨터의 예측이 실제 세계에서도 유효한지 검증해야 한다고 강조합니다.

궁극적으로 이 연구는 지속 가능한 재료를 개발하는 강력한 새로운 방법을 보여줍니다. 소수의 신중하게 선택된 물리적 실험과 설명 가능한 머신 러닝을 결합함으로써, 연구팀은 복잡한 배합을 빠르게 스크리닝하고 가장 유망한 방향을 식출할 수 있었습니다. 그들은 로커스트 빈 펄스가 브레이크 패드의 유효한 보강재가 될 수 있으며, 그 함량이 성능의 핵심 동력임을 입증했습니다. 이 연구는 브레이크 패드 제조 문제를 해결했다고 주장하거나 자동차 산업을 위한 최종적인, 바로 사용할 수 있는 제품을 제시하는 것이 아닙니다. 대신, 이 연구는 미래의 연구자들을 위한 검증된 로드맵과 도구 세트를 제공합니다. 이는 적절한 데이터와 적절한 계산적 관점이 있다면, 우리가 컴퓨터의 추측을 실제 실험으로 확인하려는 노력을 기울이는 한, 농업 폐기물을 고성능 공학 재료로 바꿀 수 있음을 보여줍니다.

기술 요약: 로커스트 빈(Locust Bean) 펄프 브레이크 패드 복합재의 데이터 기반 다중 응답 최적화

문제 제기
지속 가능한 자동차 브레이크 패드 복합재를 개발하기 위해서는 다양한 제조 조건 하에서 마찰 계수(COF), 마모율, 경도, 밀도 및 압축 강도와 같은 상충하는 성능 지표들 사이의 균형을 맞추는 것이 필수적이다. 기존의 배합 방식은 주로 합성 또는 금속 성분에 의존하며, 이는 재생 가능한 농업 폐기물 유래 대안의 필요성을 창출한다. 로커스트 빈(Parkia biglobosa) 펄프는 잠재적인 바이오 기반 보강재를 제공하지만, 이를 혼입하는 과정에는 배합 변수(펄프 함량, 수지 함량, 입자 크기)와 공정 매개변수(압축 압력, 경화 온도) 간의 복잡한 상호작용이 수반된다. 전통적인 단일 응답 최적화 방식은 균형 잡힌 배합을 식별하는 데 불충분하며, Taguchi와 같은 표준 실험 계획법(DOE)은 작은 데이터셋에서 발생하는 비선형 응답 거동을 포착하지 못할 수 있다.

방법론
본 연구는 직교 실험 설계, 응답별 머신러닝(ML) 회귀, 그리고 설명 가능한 AI를 결합한 통합 프레임워크를 제안한다.

실험 설계: 5가지 요인을 각각 5개 수준으로 스크리닝하기 위해 Taguchi L25 직교 배열을 채택하였다: 펄프 함량(A: 10–30 wt.%), 페놀 수지 함량(B: 7.5–17.5 wt.%), 입자 크기(C: 10–30 µm), 압축 압력(D: 20–60 MPa), 경화 온도(E: 120–200°C). 이를 통해 3,125개의 가능한 조합을 25개의 실험 실행으로 축소하였다.
응답 측정: COF (0.382–0.476), 마모율, 경도, 밀도, 압축 강도의 다섯 가지 응답을 평가하였다.
머신러닝 모델링: 네 가지 회귀 알고리즘인 Random Forest (RF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), Gaussian Process Regression (GPR)을 각 응답을 예측하기 위해 학습시켰다. 제한된 데이터셋(N=25)을 고려하여, 보간 성능을 평가하기 위해 Leave-One-Out 교차 검증(LOOCV)을 사용하였다.
모델 선택: LOOCV $R^2$ , RMSE, MAE를 기준으로 각 특정 응답에 대해 가장 성능이 우수한 알고리즘을 선택하였다.
설명 가능성: 전역적 특징 중요도를 정량화하고 비선형적 요인 기여도를 해석하기 위해 SHAP (SHapley Additive exPlanations) 분석을 적용하였다.
최적화: 설계 공간 내에서 최적의 배합을 식별하기 위해 선택된 ML 모델을 결합하여 만족도 함수(desirability function) 접근법을 수행하였다.

주요 결과

모델 성능: 모든 응답에 대해 최적의 단일 알고리즘은 존재하지 않았다. 본 연구는 다음과 같은 하이브리드 최적 적합 접근 방법을 확인하였다:
- XGBoost는 COF에 대해 가장 높은 LOOCV $R^2$ (0.676)를 나타냈다.
- SVR은 마모율에 대해 가장 우수한 성능을 보였다 ( $R^2$ = 0.792).
- GPR은 경도 ( $R^2$ = 0.917), 밀도 ( $R^2$ = 0.903), 압축 강도 ( $R^2$ = 0.870) 예측에서 탁월한 성능을 제공했다.
요인 중요도: 설명 가능성 분석 결과, **펄프 함량(A)**이 모든 응답에 걸쳐 지배적인 예측 특징으로 일관되게 식별되었으며, 그 뒤를 **경화 온도(E)**가 이었다.
실험적 관찰: 실행 25 (30 wt.% 펄프, 17.5 wt.% 수지, 25 µm 입자 크기, 40 MPa 압력, 180°C 경화)는 L25 데이터셋에서 가장 우수한 실험적 배합이었으며, COF 0.476, 마모율 2.43, 경도 101, 밀도 1257, 압축 강도 109.6를 달고했다.
대리 모델 기반 후보군: 대리 모델을 이용한 연속 탐색을 통해 전체 만족도가 0.9904로 예측되는 후보 배합(27.152 wt.% 펄프, 15.070 wt.% 수지, 27.218 µm, 48.541 MPa, 193.815°C)을 식별하였다. 또한, "실용적" 후보(30 wt.% 펄프, 15 wt.% 수지, 25 µm, 40 MPa, 200°C)는 0.9991의 예측 만족도를 보였다.

의의 및 주장
본 논문은 지속 가능한 마찰 복합재 스크리닝을 위해 직교 실험 설계와 응답별 비선형 회귀 및 설명 가능한 머신러닝을 결합하는 것의 가치를 입증한다. 본 연구는 Taguchi 주효과 분석이 초기 경향을 제공하기는 하지만, 복합적인 변수와 다중 성능 응답 사이의 복잡하고 상충하는 관계를 포착하기 위해서는 ML 모델이 필수적임을 강조한다.

겸손 및 한계점
저자는 본 연구를 최종적인 자동차 인증이 아닌 스크리닝 및 대리 모델 기반 최적화 연구로 명확히 규정한다. 논문에서 강조된 주요 한계 및 주의 사항은 다음과 같다:

외부 검증의 부재: 보고된 $R^2$ 값은 25회 실행 설계 내에서의 내부 교차 검증(LOOCV)을 나타내며, 외부 검증을 의미하지 않는다.
검증되지 않은 최적값: 대리 모델에 의해 식별된 연속적 후보군(만족도 0.9904를 포함)은 실험적으로 검증되지 않은 상태이다. 논문은 모델 유도 최적값이 유효하다고 간주되기 전에는 독립적인 확인 실험이 엄격히 요구된다고 명시하고 있다.
범위의 경계: 결론은 조사된 요인 범위(예: 10–30 wt.% 펄프) 내로 엄격히 제한된다. 이 범위를 벗어난 외삽(extrapolation)은 근거가 없다.
특성 분석 미비: 관찰된 마모 및 마찰 거동에 대한 인과 기제를 확립하는 데 필요한 형태학적(SEM/EDS), 열적 또는 장기 내구성 테스트가 포함되지 않았다.

요약하자면, 본 논문은 유망한 바이오 기반 브레이크 패드 배합을 식별하기 위한 견고한 방법론적 프레임워크를 제공하지만, 실제 적용을 위한 주장을 하기 전에는 독립적인 재현과 확장된 테스트가 필요함을 시사한다.

유사한 논문