Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

우리가 딛고 서 있는 땅은 결코 균일하지 않습니다. 많은 곳에서 토양은 부드럽고 젖어 있으며 변형되기 쉬워, 도로, 건물 또는 교량을 위한 부실한 기초가 됩니다. 엔지니어들은 이 약한 흙을 석회나 시멘트와 같은 안정화제로 혼합함으로써 이를 해결하는 방법을 오랫동안 알고 있었습니다. 이러한 첨가제는 토양 입자를 서로 결합시키는 화학 반응을 일으켜, 질척거리는 덩어리를 단단하고 하중을 견딜 수 있는 재료로 변화시킵니다. 그러나 정확히 얼마만큼의 안정제를 사용해야 하는지, 그리고 토양이 굳을 때까지 얼마나 기다려야 하는지를 알아내는 것은 느리고 비용이 많이 드는 과정입니다. 이는 실험실에서 수십 개의 서로 다른 배치를 혼합하고, 경화될 때까지 몇 주를 기다린 다음, 강도를 측정하기 위해 그것들을 부수는 과정을 필요로 합니다. 새로운 유형의 토양이 나타나거나 레시 Recipe가 바뀔 때마다 이 순환 과정은 반복되어야 하며, 이는 건설에 더 유용하게 쓰일 수 있는 시간과 자원을 소모합니다.

연구팀은 정확성을 희생하지 않으면서 이 과정을 가속화할 수 있는 새로운 방법을 개발했습니다. 그들은 과거의 실험으로부터 학습하여 미래의 토양 혼합물의 강도를 예측하는 고도로 숙련된 예측가 역할을 하는 컴퓨터 모델을 만들었습니다. 하지만 연구진은 단순히 컴퓨터에 가공되지 않은 숫자만을 입력하는 대신, 컴퓨터가 지질 공학자처럼 생각하도록 가르쳤습니다. 그들은 "물리 가이드형(physics-guided)" 특징들을 사용하여 모델을 구축했는데, 이는 컴퓨터에게 토양 내에서 일어나는 실제 물리적 및 화학적 과정, 예를 들어 바인더가 시간과 어떻게 상호작용하는지 또는 토양의 자연적인 소성(plasticity)이 어떻게 변하는지와 같은 기술자들을 제공했음을 의미합니다. 이러한 접근 방식은 모델이 단순히 '무엇(what)'이 아닌, 강도 뒤에 숨겨진 '왜(why)'를 이해할 수 있게 해줍니다. 그 결과, 잠재적인 토양 혼합물을 빠르고 신뢰성 있게 스크리닝하여, 엔지니어가 어떤 조합을 실험실에서 테스트할 가치가 있고 어떤 것이 실패할 가능성이 높은지 결정할 수 있도록 돕는 도구가 탄생했습니다. 이 과정에서 특정 혼합물이 왜 좋은 성능을 낼 것으로 기대되는지에 대한 명확한 설명도 함께 제공됩니다.

연구진은 나노 셰일(미세하게 갈아낸 암석 가루)과 퀵라이임(산화칼슘의 반응성 형태)이라는 두 가지 재료로 안정화된 흔한 약한 토양인 카올린 점토를 포함하는 특정 유형의 토양 처리에 집중했습니다. 그들은 36가지의 서로 다른 혼합 설계를 바탕으로 한 180개의 개별 실험실 측정값 데이터베이스로 시작했습니다. 각 설계는 사용된 나노 셰일과 석회의 양, 그리고 토양이 경화되도록 둔 일수를 변화시켰습니다. 목표는 토양이 파괴되기 전까지 얼마나 많은 압력을 견딜 수 있는지에 대한 표준 척도인 일축 압축 강도를 예측하는 것이었습니다. 이를 위해 그들은 단순한 선형 방정식부터 복잡한 인공 신경망 및 고급 트리 기반 모델에 이르기까지 여러 가지 유형의 머신러닝 알고리즘을 테스트했습니다. 그들은 모델의 결함을 숨길 수 있는 일반적인 관행인 무작위 훈련 및 테스트 그룹 분할 방식을 단순히 사용하지 않았습니다. 대신, 그들은 중첩 그룹 교차 검증(nested group cross-validation)이라는 엄격한 방법을 사용했습니다. 이는 모델이 본 적 없는 완전히 새로운 혼합 설계에 대해 테스트되도록 보장하여, 모델이 유사한 샘样本의 결과를 단순히 암기하여 정확도가 높은 것처럼 보이는 착각을 방지하기 위함이었습니다.

모델을 훈련하고 테스트한 후, 연구진은 CatBoost라고 불리는 특정 알고 알고리즘이 가장 우수한 성능을 보였지만, 이는 모델이 받는 정보를 정교하게 다듬은 후에만 그러했다는 것을 발견했습니다. 처음에 그들은 바인더의 총량과 경화 시간 사이의 상호작용과 같이 안정화 과정의 물리를 포착하도록 설계된 7개의 엔지니어링된 특징들을 모델에 제공했습니다. 하나씩 특징을 제거해 나가는 신중한 과정을 통해, 그들은 하나의 입력값이 실제로 중복되어 모델을 혼란스럽게 만들고 있다는 것을 발견했습니다. 이를 제거함으로써, 그들은 바인더 총량, 나노 셰일과 경화 일수 사이의 상호작용, 그리고 토양의 상대적 소성 수치를 포함하는 6개의 핵심 기술자로 구성된 간소화된 버전을 만들었습니다. 이 정교한 모델은 CatBoost-6PG라고 명명되었으며, 약 151 킬로파스칼의 오차 범위 내에서 토양 혼합물의 강도를 정확하게 예측하며 높은 수준의 정확도를 달성했습니다. 이 성능은 더 단순한 모델들보다 훨씬 뛰어났으며, 물리 기반 입력값을 사용하지 않은 더 복잡한 모델들조차 능가했습니다.

그러나 이 연구의 진정한 가치는 투명성에 있습니다. 연구진은 단순히 좋은 예측을 얻는 데 그치지 않고, 모델이 실제로 무엇을 배우고 있는지 이해하고자 했습니다. SHAP 분석이라고 불리는 기법을 사용하여, 그들은 어떤 요인이 가장 중요한지를 지도화했습니다. 그들은 모델이 토양의 소성 지수(토양이 끈적거리기 전까지 보유할 수 있는 수분의 양을 나타내는 척도)를 가장 결정적인 요인으로 정확하게 식별했다는 것을 발견했습니다. 높은 소성은 일관되게 낮은 강도 예측으로 이어졌는데, 이는 확립된 토질 역학 이론과 완벽하게 일치합니다. 또한 모델은 시간의 흐経過가 중요하다는 것을 배웠으며, 경화 기간이 길어질수록 토양이 더 강해진다는 것과, 바인더와 경화 시간 사이의 상호작용이 바인더의 양 자체보다 더 중요하다는 것을 학습했습니다. 예를 들어, 모델은 나노 셰일을 더 많이 추가하는 것은 화학 반응이 일어날 충분한 시간이 있을 때만 도움이 된다는 것을 보여주었습니다. 이러한 통찰력은 모델이 단순히 통계적 패턴을 찾는 것이 아니라, 토양 안정화의 실제 물리적 메커니즘을 포착하고 있음을 확인시켜 줍니다.

예측의 신뢰성을 확보하기 위해, 팀은 각 예측에 대한 불확실성, 즉 가능한 결과의 범위를 정량화했습니다. 그들은 석회의 정확한 양이나 경화 시간과 같은 입력값이 실제 환경의 불완전함을 모사하도록 약간씩 변하는 수천 가지의 시나리오를 시뮬레이션했습니다. 그들은 가장 큰 불확실성의 원인이 모델의 내부 계산이 아니라, 입력 재료 자체의 변동성에서 온다는 것을 발견했습니다. 이러한 변동성을 고려했을 때, 모델은 실제 테스트 결과의 거의 9률에 달하는 범위를 포함하는 예측 구간을 제공했습니다. 이는 모델이 예상 강도에 대한 구체적인 수치를 제공할 뿐만 아니라, 현실에서 그 수치가 얼마나 변동할 수 있는지 알려주는 안전 마진을 함께 제공한다는 것을 의미합니다. 이는 안전이 예측의 한계를 이해하는 데 달려 있는 엔지니어링 분야에서 매우 중요한 기능입니다.

또한 연구는 엔지니어가 아직 토양의 다짐 특성이나 소성 한계에 대한 상세한 데이터를 가지고 있지 않은 프로젝트의 아주 초기 단계에서 이 모델이 얼마나 유용할지를 탐구했습니다. 그들은 나노 셰일과 석회의 양, 그리고 경화 시간이라는 기본적인 혼합 설계 변수만을 사용하여 모델을 테스트했습니다. 제한된 정보만으로도 모델은 대략적인 추정치를 낼 수는 있었지만, 정확도는 현저히 떨어졌습니다. 이 발견은 실용적이고 정직한 결과입니다. 즉, 이 모델은 실험실 테스트를 대체하는 것이 아니라, 이를 안내하는 강력한 도구라는 것입니다. 모델은 엔지니어가 테스트할 유망한 혼합물의 목록을 좁히는 데 도움을 줄 수 있지만, 가장 정확한 예측을 하기 위해서는 여전히 근본적인 토양 특성에 의존합니다.

궁극적으로, 이 연구는 가공되지 않은 데이터와 엔지니어링 직관 사이의 가교를 제공합니다. 머신러닝을 물리적 과정에 대한 깊은 이해와 결합함으로써, 연구진은 정확하면서도 설명 가능한 도구를 만들었습니다. 이 모델은 토양을 '블랙박스'로 취급하지 않고, 바인더, 시간, 그리고 토양 특성이 어떻게 상호작용하여 강도를 만들어내는지에 대한 규칙을 학습합니다. 이러한 접근 방식은 엔지니어가 유망한 혼합물을 자신 있게 스크리닝하고, 성공 가능성이 가장 높은 조합에 자원을 집중할 수 있는 더욱 효율적인 설계 프로세스를 가능하게 합니다. 이 작업은 인공지능이 물리학 법칙의 안내를 받을 때, 복잡한 엔지니어링 과제를 해결하는 신뢰할 수 있는 파트너가 될 수 있음을 보여주며, 우리가 매일 살아가는 구조물을 설계하는 데 있어 명확성과 확신을 제공합니다.