⚡ 전기공학

A back propagation neural network with improved sine cosine algorithm approach for multi-response drilling optimization of carbon fiber reinforced polymer (CFRP)

본 연구는 탄소 섬유 강화 폴리머의 다중 응답 드릴링 매개변수를 예측하고 최적화하기 위해, 표준 방식보다 성능을 향상시키고자 적응형 연산자 선택 및 개체군 관리를 활용하는 역전파 신경망과 개선된 사인-코사인 알고리즘을 결합한 통합적 접근 방식을 제안한다.

원저자: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

게시일 2026-09-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rachmadi Norcahyo, Achmad Pratama Rifai, Setyo Tri Windras Mara, Bobby Oedy Pramoedyo Soepangkat, Mohammad Khoirul Effendi

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

단 1온스의 무게조차 중요한 항공우주 분야의 고위험 환경에서, 엔지니어들은 강철만큼 강하면서도 알루미늄처럼 가벼운 재료인 탄소 섬유 강화 폴리머(CFRP)에 의존합니다. 이 복합 재료는 매우 가는 탄소 가닥을 플라스틱 수지로 결합하여 만든 것으로, 현대 항공기 날개와 동체의 중추를 형성합니다. 그러나 이 단단한 시트를 사용 가능한 부품으로 만들기 위해서는 구조물을 볼트로 결합하기 위해 수천 개의 구멍을 뚫어야 합니다. 이 겉보기에 단순해 보이는 작업은 재료에 있어 매우 위험한 일입니다. 섬유는 부서지기 쉽고 결합 수지는 부드럽기 때문에, 표준 드릴 비트의 열과 압력은 층이 갈라지거나 균열이 생기는 현상, 즉 델라미네이션(delamination)이라 불리는 손상을 유발할 수 있습니다. 일단 이러한 손상이 발생하면 전체 부품의 구조적 무결성이 훼손되어 잠재적으로 치명적인 실패로 이어질 수 있습니다. 제조업체의 과제는 재료를 망가뜨리지 않으면서 깨끗한 구멍을 뚫기 위해 드릴 속도, 이송 속도, 공구 형상의 완벽한 조합을 찾는 것이며, 이는 오랫동안 시행착오를 필요로 하는 정교한 균형 잡기 작업이었습니다.

이 문제를 해결하기 위해 인도네야와 호주의 연구진은 학습형 컴퓨터 프로그램과 스마트 탐색 알고리즘이라는 두 가지 강력한 도구를 결합한 새로운 디지털 전략을 개발했습니다. 그들은 먼저 탄소 섬유 판을 대상으로 일련의 실제 드릴링 실험을 수행했습니다. 특수 기계를 사용하여 두 가지 유형의 드릴 비트인 표준 트위스트 드릴과 브래드 스퍼 드릴을 사용하였으며, 드릴의 속도와 재료 내부로 파고드는 속도를 체계적으로 변화시켰습니다. 모든 구멍마다 그들은 드릴이 누르는 힘, 회전에 필요한 비틀림 토크, 그리고 구멍의 입구와 출구 양쪽에서 나타나는 균열의 크기라는 네 가지 핵심 결과를 측정했습니다. 또한 재료가 제거되는 속도도 추적했습니다. 이러한 물리적 측정값은 풍부한 데이터 세트가 되어, 서로 다른 설정이 구멍의 품질에 어떻게 영향을 미치는지 정확히 밝혀주었습니다.

연구진은 이 실험 데이터를 인간 학생이 교과서로부터 배우는 것과 유사하게 사례를 통해 학습하도록 설계된 컴퓨터 프로그램인 역전파 신경망(back propagation neural network)에 입력했습니다. 이 컴퓨터 프로그램은 드릴링 설정과 그 결과로 나타나는 손상 사이의 관계를 분석함으로써 매우 정확한 예측 모델을 구축했습니다. 이 모델은 새로운 설정값을 보고 실제 구멍을 뚫지 않고도 발생할 가능성이 있는 힘, 토크 및 손상 수준을 즉각적으로 예측할 수 있었습니다. 하지만 결과를 예측하는 법을 아는 것은 전투의 절반에 불과합니다. 진짜 목표는 손상을 최소화하면서 효율성을 극대화하는 단 하나의 최적의 설정을 찾는 것이었습니다. 이를 위해 연구팀은 사인-코사인 알고리즘(sine-cosine algorithm)이라고 불리는 개선된 버전의 탐색 방법을 사용했습니다. 어떤 지점은 안전하고 어떤 지점은 위험한 광활한 풍경을 상상해 보십시오. 이 알고리즘은 이 풍경을 탐색하여 가장 낮은 지점(완벽한 드릴링 조건을 의미함)을 찾아내는 가이드 역할을 하는 가상의 탐사대들을 보냅니다.

연구팀의 혁신은 이 탐색 가이드를 개선하는 데 있었습니다. 표준 탐색 알고리즘은 근처에 더 나은 해결책이 있음에도 불구하고 최선의 해결책을 찾았다고 착각하며 국소적인 저점에 갇히는 경우가 있습니다. 이를 방지하기 위해 연구진은 알고리즘에 두 가지 새로운 규칙을 추가했습니다. 첫째, 알고리즘이 이전 단계에서 효과적이었던 방식에 따라 스스로의 탐색 전략을 적응적으로 선택할 수 있는 능력을 부여했는데, 이는 자신의 이력을 통해 더 똑똑하게 움직이는 법을 배우는 것과 같습니다. 둘째, 가상의 탐사대들이 너무 빨리 한곳으로 몰리지 않도록 하는 인구 관리 기법을 도입했습니다. 이를 통해 탐색의 다양성을 유지함으로써, 알고리즘이 최종 답변에 안착하기 전에 솔루션 공간의 다양한 영역을 철저히 탐색할 수 있도록 했습니다. 이 개선된 시스템을 표준 버전과 테스트했을 때, 새로운 접근 방식은 일관되게 더 나은 해결책을 찾아냈으며, 트위스트 드릴 비트, 3000 RPM의 스핀들 속도, 160.1 mm/min의 이송 속도의 특정 조합이 최적의 구성임을 식별해 냈습니다.

이 연구의 결과는 제조 분야에 명확한 진로를 제시합니다. 연구진은 브래드 스퍼 드릴에 비해 트위스트 드릴 비트를 사용하는 것이 일반적으로 구멍 출구 쪽의 손상을 덜 발생시킨다는 것을 발견했습니다. 또한 스핀들 속도가 높을수록 재료를 약간 연하게 만들어 필요한 힘과 발생하는 균열을 줄여준다는 점도 밝혀냈습니다. 반대로, 드릴이 재료 내부로 이동하는 속도가 빨라지면 힘과 손상이 증가했습니다. 예측 컴퓨터 모델과 개선된 탐색 알고리즘을 결합함으로써, 연구팀은 폐기물을 최소화하면서 고품질의 구멍을 뚫는 데 필요한 정밀한 드릴링 매개변수를 계산하는 것이 가능하다는 것을 입증했습니다. 이 작업은 단순히 이론적인 가능성을 제안하는 것에 그치지 않고, 중요한 산업 공정을 최적화하기 위한 구체적이고 검증된 방법을 제공합니다. 항공우주 산업이 더 가볍고 강한 항공기를 향해 계속 나아감에 따라, 이러한 데이터 기반 접근 방식은 첨단 구조물을 결합하는 구멍들이 최고의 정밀도와 주의를 기울여 만들어지도록 보장하는 데 필수적일 것입니다.

기술 요약: CFRP의 다중 응답 최적화를 위한 개선된 사인 코사인 알고리즘 접근법을 적용한 역전파 신경망

문제 정의
탄소 섬유 강화 폴리머(CFRP)는 높은 비강도와 내구성 덕분에 항공우주 및 항공 분야에서 널리 활용되고 있습니다. 그러나 조립에 필요한 드릴링 공정은 종종 섬유-매트릭스 박리, 섬유 뽑힘(fiber pull-out), 층간 분리(delamination)와 같은 심각한 가공 손상을 유발합니다. 이러한 결함, 특히 구멍 입구 및 출구의 층간 분리는 구멍의 품질과 부품의 수명을 크게 저하시킵니다. 본 연구는 드릴 비트 기하학적 구조, 주축 회전 속도(spindle speed), 이송 속도(feed rate)가 이러한 손상의 주요 원인이며, 이와 함께 발생하는 추력(thrust force) 및 토크(torque)가 주요 요인임을 확인하였습니다. 이전 연구들이 이러한 요인들을 조사해 왔으나, 재료 제거율을 유지하면서 손상을 최소화하기 위해 상충하는 여러 응답(추력, 토크, 층간 분리)을 동시에 모델링하고 최적화할 수 있는 강력한 데이터 기반 접근 방식이 필요합니다.

연구 방법론
본 연구는 역전파 신경망(BPNN)과 개선된 사인 코사인 알고리즘(ISCA)을 통합한 하이브리드 프레임워크를 제안합니다.

실험 데이터 수집:
3mm 두께의 CFRP 시편을 대상으로 CNC 머신을 사용하여 절삭유 없이 드릴링 실험을 수행하였습니다. 두 가지 드릴 비트 기하학적 구조(2-edge 트위스트 드릴 및 브래드 스퍼 드릴)를 테스트하였습니다. 실험 설계는 주축 회전 속도(1000, 2000, 3000 rpm)와 이송 속도(50, 150, 250 mm/min)를 변화시켰습니다. 측정된 응답에는 추력( $F_{Th}$ ), 토크( $M$ ), 구멍 입구 층간 분리( $F_{Den}$ ), 구멍 출구 층간 분리( $F_{Dex}$ ), 그리고 재료 제거율(MRR)이 포함되었습니다.
BPNN 모델링:
입력 파라미터를 기반으로 드릴링 응답을 예측하기 위해 BPNN을 개발하였습니다. 네트워크 구조는 은닉층(hidden layer)과 뉴런의 최적 개수를 결정하기 위해 개미 군집 최적화(ACO)를 사용하여 최적화되었으며, 그 결과 3-4-7-10-5 구성(3개 입력, 4, 7, 10개의 뉴런을 가진 3개의 은닉층, 5개 출력)을 얻었습니다. 모델은 은닉층에 tansig 활성화 함수를, 출력층에 purelin을 사용하였으며, Levenberg-Marquardt 알고리즘으로 학습되었습니다. 데이터는 mapminmax 함수를 사용하여 정규화되었으며, 데이터셋은 70%의 훈련, 15%의 검증, 15%의 테스트 세트로 분할되었습니다.
개선된 사인 코사인 알고리즘 (ISCA):
BPNN 모델을 최적화하고 최적의 파라미터 조합을 찾기 위해, 표준 사인 코사인 알고리즘(SCA)을 두 가지 특정 메커니즘을 통해 개선하였습니다.

적응형 연산자 선택 (Adaptive Operator Selection): 사인과 코사인 함수 사이를 고정된 확률( $P_y = 0.5$ )로 무작위 선택하는 표준 SCA와 달리, ISCA는 각 연산자의 역사적 성능에 따라 선택 확률을 동적으로 업데이트합니다. 가중치는 감쇠 파라미터와 적합도 기반 보상을 사용하여 더 나은 솔루션을 산출하는 연산자에 유리하도록 조정됩니다.
집단 관리 기법 (Population Management Technique): 조기 수렴을 방지하고 솔루션의 다양성을 유지하기 위해 (Prodhon 및 Prins, 2008에서 채택된) 집단 관리 기법을 구현하였습니다. 새로운 솔루션은 기존 솔루션과의 거리가 동적 임계값( $\Delta$ )보다 클 경우에만 집단에 수용됩니다. 이 임계값은 연속적인 거부 횟수에 따라 조정되어 탐색(exploration)과 착취(exploitation) 사이의 균형을 보장합니다.

주요 기여
본 논문은 네 가지 주요 기여를 명시합니다:

알고리즘 개선: 적응형 연산자 선택과 집단 관리 기법을 사인 코사인 알고리즘 프레임워크 내에 결합한 첫 사례를 소개합니다.
가공 적용: 현재 이러한 적용이 드문 가공 최적화 분야에 SCA 기반 휴리스틱을 구현합니다.
드릴링 파라미터 최적화: CFRP 드릴링 파라미터를 최적화하기 위해 SCA 기반 알고리즘을 구체적으로 활용한 첫 번째 연구를 제시합니다.
다중 응답 통합: ISCA를 적용하여 추력, 토크, 층간 분리 및 재료 제거율을 동시에 다루는 다중 응답 BPNN 모델을 성공적으로 최적화하였습니다.

결과

모델 성능: BPNN은 높은 예측 정확도를 보여주었습니다. 평균 절대 백분율 오차(MAPE) 값은 훈련 데이터 기준 0%(MRR)에서 3.39%(추력) 사이였습니다. 상관 계수는 실험값과 예측값 사이의 강한 적합도를 나타냈습니다.
최적화 결과: ISCA는 표준 SCA 및 적응형 SCA(ASCA) 변형 모델보다 우수한 성능을 보였습니다. BPNN-ISCA 접근법이 식별한 최적의 솔루션은 트위스트 드릴 비트, 3000 rpm의 주축 회전 속도, 160.1 mm/min의 이송 속도를 사용하였습니다.
파라미터 효과: 높은 주축 회전 속도는 재료 연화 현상으로 인해 일반적으로 추력과 토크를 감소시킨다는 점을 확인하였으며, 낮은 이송 속도가 층간 분리를 줄인다는 것을 확인하였습니다. 드릴 기하학적 구조와 관련하여, 브래드 스퍼 드릴은 트위스트 드릴에 비해 구멍 입구 층간 분리를 줄였으나 추력은 증가시킨 반면, 트위스트 드릴은 구멍 출구 층간 분리를 적게 발생시켰습니다.

의의 및 주장
저자들은 제안된 ISCA 접근 방식이 표준 BPNN-SCA 프레임워크의 성능을 명확히 향상시킨다고 주장합니다. 적응형 메커니즘과 집단 관리를 통합함으로써, 알고리즘은 복잡한 CFRP 드릴링의 다중 응답 최적화 지형을 효과적으로 탐색합니다. 본 연구는 복잡한 삼각 함수 업데이트 방정식의 재도출 없이도, 성능에 기반한 선택 확률 업데이트 및 집단 다양성 관리와 같은 단순한 메커니즘이 클래식 SCA의 착취 능력을 어떻게 유의미하게 향상시킬 수 있는지를 입증하였습니다.

본 논문은 ACO가 네트워크 구조 선택을 위한 다른 최첨단 기법들과 비교될 수 있음을 언급하며 겸허하게 결론을 맺습니다. 또한, 저자들은 가공 작업에서 상충하는 다중 목적을 동시에 최적화하는 것에 대한 문헌적 공백을 지적하며, 본 연구가 그 간극을 메우기 위한 단계임을 강조하였습니다.

유사한 논문