An Interpretable and Comparative Uncertainty-Aware Machine Learning Approach for UHPC Mix Design Optimization

당신이 궁극의, 파괴 불가능한 케이크를 만들려는 숙련된 셰프라고 상상해 보세요. 하지만 이것은 단순한 케이크가 아닙니다. 이것은 초고성능 콘크리트(UHPC)라고 불리는 '슈퍼 케이크'입니다. 이 케이트는 매우 강력하여 마천루를 지탱할 수 있는 특수한 건축 자재입니다. 현실 세계에서 UHPC는 엄청난 강도를 지니며, 영구적으로 지속되고, 거대한 무게를 견딜 수 있습니다. 하지만 이를 만드는 것은 엔지니어들에게 악몽과 같습니다. 마치 오븐 문을 열 때마다 레시피가 바뀌는 케이크를 굽는 것과 같습니다. 시멘트, 모래, 미세 분말, 섬유, 그리고 화학 물질을 정확한 양으로 혼합해야 합니다. 만약 실수한다면 케이크는 무너지고 맙니다. 전통적으로 엔지니어들은 수백 번의 시험 배치를 만들고, 그것들이 마르기를 기다렸다가, 다시 부수어 충분히 강한지 확인하는 '가설과 검증'의 과정을 반복하며 추측해야 했습니다. 이는 느리고, 비용이 많이 들며, 좌절감을 주는 일이었습니다.

이를 해결하기 위해 과학자들은 "머신러닝(ML)"을 사용하기 시작했습니다. 머신러닝을 세상의 모든 레시피 북을 읽은 아주 똑똑한 디지털 조수로 생각해보세요. 수천 번의 케이크를 직접 구워 배우는 대신, 이 조수는 과거 수천 번의 실험 데이터를 읽고 무엇이 케이크를 강하게 만드는지에 대한 비밀스러운 패턴을 학습합니다. 하지만 여기에는 함정이 있습니다. 때때로 이 디지털 조수들은 "블랙박스"와 같습니다. 그들은 답을 내놓지만, 왜 자신의 생각이 맞다고 생각하는지는 설명하지 못하며, 자신 있게 틀릴 수도 있습니다. 이 논문은 이 디지털 조수들이 단순히 콘크리트의 강도를 추측하는 것을 넘어, 자신이 얼마나 확신하는지 인정하고, 그 근거를 설명하며, 실제 현장의 엔지니어를 실제로 도울 수 있도록 가르치는 방법에 관한 것입니다.

디지털 조수의 큰 시험

이 연구에서 비스와지트 팔(Biswajit Pal)이라는 연구자는 일곱 가지 서로 다른 유형의 디지털 조수들을 테스트하여, 어떤 모델이 UHPC의 강도를 가장 잘 예측할 수 있는지 시험하기로 했습니다. 이 일곱 가지 모델을 거대한 수학 시험을 치르는 일곱 명의 학생이라고 상 imagine 해보세요. 어떤 학생들은 단순하고 직선적인 관계만을 고수하며(선형 회귀, Linear Regression), 다른 학생들은 패턴을 찾기 위해 나무와 숲을 사용하는 복잡한 방식(랜덤 포레스트, 그래디언트 부스팅, 결정 트리)을 사용합니다. 또한 이웃을 보고 배우는 학생(k-최근접 이웃, k-Nearest Neighbors)도 있고, 복잡한 신경망을 사용하는 학생(역전파 신경망, Backpropagation Neural Networks)도 있습니다.

연구자는 이 일곱 명의 학생 모두에게 820개의 실제 세계 콘크리트 배합 사례가 담긴 방대한 데이터셋을 제공했습니다. 각 사례에는 시멘트, 물, 실리카 흄, 또는 섬유가 얼마나 들어갔는지와 같은 13가지 성분의 양과 함께 온도 및 양생 기간이 나열되어 있었습니다. 목표는 간단했습니다. 성분을 보고 최종 강도를 추측하는 것이었습니다.

결과: 누가 시험에 합격했는가?

결과는 명확했습니다. 직선을 그리려고 노력했던 단순한 학생들(선형 회귀)은 고전했습니다. 그들은 성분과 강도 사이의 관계가 직선이 아니라 복잡하고 곡선적이라는 사실을 이해하지 못했습니다. 그들은 큰 실수를 저질렀으며, 때로는 강도 예측치가 20% 이상 차이가 나기도 했습니다.

승자는 "앙상블" 학생들, 구체적으로는 **랜덤 포레스트(Random Forest)**와 **그래디언트 부스팅(Gradient Boosting)**이었습니다. 이 모델들은 전문가 위원회처럼 작동합니다. 한 사람이 결정을 내리는 대신, 여러 개의 "결정 트리"들의 의견을 결합합니다. 랜덤 포레스트 모델은 이 쇼의 주인공이었습니다. 이 모델은 놀라운 정확도로 강도를 예측하며 약 93%의 확률로 정답을 맞혔습니다(R² 값 0.93). 그 예측값은 실제 값과 매우 근접하여 오차가 10% 미만이었고, 대부분의 샘플에서 오차 범위는 고작 5% 이내였습니다. 이는 건설 현장에서 아주 작은 오차조차 위험하거나 낭비가 될 수 있다는 점에서 매우 중요한 성과입니다.

"불확실성"이라는 안전망

여기서 이 논문은 정말 영리해집니다. 보통 사람들은 단순히 누가 가장 높은 점수를 얻었는지만 봅니다. 하지만 이 연구자는 "모델이 확신에 차 있지만 틀렸다면 어떻게 될까?"라고 질문했습니다. 이를 해결하기 위해 그들은 "불확실성 분석(Uncertainty Analysis)"을 추가했습니다. 기상 예보관이 "내일 비가 올 것입니다"라고 말하는 것과, "내일 오후 2시에서 4시 사이에 비가 올 확률이 95%입니다"라고 말하는 것의 차이를 상상해 보세요.

연구는 각 모델의 "안전망"이 얼마나 넓은지를 측정했습니다. 그 결과, 승리한 모델들(랜덤 포레스트와 그래디언트 부스팅)이 가장 좁은 안전망을 가지고 있다는 것을 발견했습니다. 이는 그들이 단순히 정확할 뿐만 아니라, 신뢰할 수 있게 정확하다는 것을 의미합니다. 단순한 모델들은 넓고 흔들리는 안전망을 가지고 있었는데, 이는 그들의 예측이 크게 휘청거릴 수 있음을 의미합니다. 이 불확실성 체크는 복잡한 위원회 스타일의 모델들만이 실제 현장에서 사용할 만큼 신뢰할 수 있다는 것을 입증했습니다.

블랙박스 해독하기

AI에 대한 가장 큰 불만 중 하나는 그것이 "블랙박스"라는 점입니다. 데이터를 넣으면 숫자가 나오지만, 왜 그런 결과가 나왔는지는 알 수 없습니다. 이를 해결하기 위해 연구자는 SHAP(Shapley Additive exPlanations)이라는 도구를 사용했습니다. SHAP을 어떤 성분이 강도에 가장 많이 기여했는지 정확히 볼 수 있게 해주는 돋보기라고 생각하세요.

이 분석은 몇 가지 흥ende로운 사실을 밝혀냈습니다. 가장 중요한 요소는 단순히 시멘트의 양이 아니라 바로 **양생 기간(Age)**이었습니다. 콘크리트가 더 오래 머물고 양생될수록 더 강해집니다. 이는 화학 반응에 시간이 걸린다는 점에서 타당합니다. 다른 주요 승자는 실리카 흄(매우 미세한 가루), 섬유 함량, 그리고 시멘트였습니다. 흥미롭게도, 이 도구는 골재(자갈)를 너무 많이 넣거나 유동화제(superplasticizer)를 너무 많이 넣으면 오히려 강도가 떨어진다는 것을 보여주었습니다. AI는 모든 성분에는 "최적의 지점(sweet spot)"이 있으며, 무조건 많이 넣는 것이 좋은 것만은 아니라는 점을 학습했습니다.

실험실에서 건설 현장으로

마지막으로, 연구자는 이러한 발견을 컴퓨터 안에만 두지 않았습니다. 그들은 엔지니어가 컴퓨터에서 사용할 수 있는 친숙한 소프트웨어 도구인 **GUI(그래픽 사용자 인터페이스)**를 구축했습니다. 엔지니어가 건설 현장에 서 있다고 상상해 보세요. 실험실에 전화를 걸어 테스트 결과를 며칠씩 기다리는 대신, 이 소프트웨어를 열어 자신의 배합 레시피(예: "시멘트 500kg, 섬유 20kg이 있다")를 입력하면 즉시 콘크리트의 강도가 어떻게 될지 예측할 수 있습니다. 또한 물의 양이나 양생 온도를 바꿨을 때 어떤 일이 일어나는지 확인하기 위해 입력값을 쉽게 조정할 수 있습니다. 이 소프트웨어는 "신뢰도 점수"를 보여주며 어떤 성분이 핵심적인 역할을 하는지도 설명해 줍니다.

결론

이 논문은 스마트한 위원회 스타일의 머신러닝 모델(랜덤 포레스트와 같은)을 사용하고 그들의 확신 수준을 확인함으로써, 우리가 추측을 멈추고 정밀하게 초고성능 콘크리트를 설계할 수 있음을 시사합니다. 이는 이러한 디지털 도구들이 단순한 계산기가 아니라, 논리를 설명할 수 있고 엔지니어가 더 강하고 지속 가능한 구조물을 건설할 수 있도록 시간, 비용, 재료를 절약하도록 돕는 신뢰할 수 있는 파트너임을 증명합니다. 연구는 단순한 모델은 이 작업에 너무 불안정하지만, 해석 가능한 고급 AI 모델들이 미래의 콘크리트를 설계하는 새로운 표준이 될 준비가 되었다고 결론짓습니다.