비파괴검사 데이터의 머신러닝을 이용한 알루미늄 합금의 강도 추정 σ-구간 기반 데이터 증강 기법 적용

Abstract

본 연구에서는 기존에 수행된 알루미늄 합금 강도 추정 연구를 확장하는 과정에서, 머신러닝 기법에 σ-구간 기반 데이터 증강 방법을 새롭게 적용하였다. 입력 인자로는 앞선 연구와 동일하게 초음파 실험으로 얻은 종파·횡파 속도, 종파 감쇠계수, 상대 비선형성 계수와 와전류 시험을 통해 얻은 전기전도도가 사용하였 으며, 출력 인자는 항복강도 또는 인장강도이다. 연구에 활용된 실험 데이터셋은 알루미늄 2xxx, 5xxx, 6xxx, 7xxx 계열에 대한 총 705개로 구성되었으며, 이는 이전 연구(약 400개)보다 확대되었으나 학습 데이터로 충 분하지 않아, 이를 보완하기 위해 σ-구간 증강 기법을 도입하였다. 이 기법은 각 인자의 반복측정 평균값에 표준편차의 배율 범위내의 랜덤값을 가감하여 새로운 데이터를 생성한다. 분석 결과, 파괴인장시험 대비 평 균 오차율이 최소가 되는 증강 계수 k 값은 항복강도에서 0.7, 인장강도에서는 0.5였다. 이때 항복강도 RMSE 11.7 MPa, 평균 오차율 3.6%, 인장강도에서 RMSE 10.2 MPa, 평균 오차율 2.4%를 보였다. 이는 증강 기법을 적용하지 않았을 때와 비교하여 두 배 가까운 개선으로, 제안된 방법이 제한된 데이터 환경에서 강도 예측 성능을 향상시키는 데 효과적임을 보여준다.

Building on our previous work on the prediction of aluminum alloy strength using machine learning, this study introduces sigma-range-based data augmentation. As in the previous study, the inputs consisted of ultrasonic parameters-introducing longitudinal and shear velocities, an attenuation coefficient, and a relative nonlinearity parameter-and electrical conductivity obtained from eddy current testing, and the output was yield or tensile strength. A total of 705 datasets were experimentally obtained for aluminum 2xxx, 5xxx, 6xxx, and 7xxx alloys and examined. Although this data expanded from the approximately 400 datasets in previous studies, the data for reliable training was still limited. To overcome this issue, an sigma-range-based augmentation method was employed to expand the training data. This technique generates new data by adding random values within the range of k times the standard deviation to each parameter mean. Compared with the tensile test results, the minimum average prediction error was obtained at k = 0.7 for YS-with RMSE = 11.7 MPa and a 3.6% average error-and k = 0.5 for TS-with RMSE = 10.2 MPa and 2.4% average error. This represents a nearly two-fold improvement compared to the technique without augmentation, demonstrating improved prediction performance in data-limited environments.