[논문]XGB 및 LGBM을 활용한 Ti-6Al-4V 적층재의 변형 거동 예측

천세호; 유진영; 김정기; 오정석; 남태현; 이태경

doi:10.5228/kstp.2022.31.4.173

XGB 및 LGBM을 활용한 Ti-6Al-4V 적층재의 변형 거동 예측
Predicting Deformation Behavior of Additively Manufactured Ti-6Al-4V Based on XGB and LGBM 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.31 no.4, 2022년, pp.173 - 178

천세호 (부산대학교 기계공학부) , 유진영 (부산대학교 기계공학부) , 김정기 (경상국립대학교 나노.신소재공학부) , 오정석 (경상국립대학교 나노.신소재공학부) , 남태현 (경상국립대학교 나노.신소재공학부) , 이태경 (부산대학교 기계공학부)

Abstract ▼ AI-Helper

The present study employed two different machine-learning approaches, the extreme gradient boosting (XGB) and light gradient boosting machine (LGBM), to predict a compressive deformation behavior of additively manufactured Ti-6Al-4V. Such approaches have rarely been verified in the field of metallurgy in contrast to artificial neural network and its variants. XGB and LGBM provided a good prediction for elongation to failure under an extrapolated condition of processing parameters. The predicting accuracy of these methods was better than that of response surface method. Furthermore, XGB and LGBM with optimum hyperparameters well predicted a deformation behavior of Ti-6Al-4V additively manufactured under the extrapolated condition. Although the predicting capability of two methods was comparable, LGBM was superior to XGB in light of six-fold higher rate of machine learning. It is also noted this work has verified the LGBM approach in solving the metallurgical problem for the first time.

주제어

표/그림 (4)

그림 Fig. 1 Engineering stress-strain curves of the investigated samples additively manufactured at laser power of (a) 160 W, (b) 180 W, (c) 200 W, and (d) 220 W.
그림 Fig. 2 Variation of standardized MSE for the prediction of elongations to failure depending on the hyperparameters: (a) XGB and (b) LGBM.
그림 Fig. 3 Variation of standardized MSE for the prediction of stress-strain curves depending on the hyperparameters: (a) XGB and (b) LGBM.
그림 Fig. 4 Engineering stress-strain curves obtained from the experiment and predictions. The data correspond to the extrapolated conditions of 200 W in laser power, 0.7 g·min^-1 in powder feed rate, and 1000 mm· min^-1 in scan speed.

AI 본문요약
AI-Helper

문제 정의

그러나 최근 본연구진은 gradient boosting machine(GBM) 기반의 기계학습 기법이 ANN 대비 정확성 및 속도 양측에서 우수할 수 있음을 보고한 바 있다[6]. 본 연구는 상기 결론을 바탕으로 extreme gradient boosting(XGB) 및 light gradient boosting machine(LGBM)을 활용, 공정변수에 따른 Ti-6Al-4V 조형체의 압축 응력 곡선을 예측하고 그 정확성 및 학습 속도를 비교 분석하였다.

제안 방법

예를 들어 test dataset 에 해당하는 응력 곡선을 실험을 통해 미리 획득한 후, 해당 데이터의 연신율을 기계학습 모델에 그대로 투입하여 응력을 예측하는 방식이다. 그러나 본 연구에서는 더욱 가혹한 예측 환경하에서 기계학습 모델을 검증하기 위해 (1) 적층 조형체의 최대 연신율을 예측하고 (2) 예측 범위 내에서만 응력을 예측하는 2단계 접근법을 사용하였다.
먼저각 시편의 파단 변형률 데이터를 기준으로 응력 곡선의 최대 연신율을 예측하였다. 다음으로 모든 응력 곡선 데이터를 학습시켜 외삽 조건에서 예측된 최대 연신율까지의 응력 곡선을 예측하였다.

데이터처리

모든 feature는 평균 및 표준편차를 사용하여 정규화 처리를 적용 후 기계학습에 투입되었다. 이를 통해 각 feature 의 스케일 차이에 의해 발생하는 기계학습의 성능 저하를 방지하였다.

이론/모형

4%포인트의 오차를 산출하였다. 대조군으로써 전통적 회귀 기법 가장 널리 사용되는 반응 표 면법(response surface method, RSM)을 동일 데이터에 적용하였다. RSM 은 주어진 test dataset 의 최대 연신율을 17.
본 연구진은 상술한 다변수·비선형 모델링을 위해 최근 주목받고 있는 접근법인 기계학습(machine learning)을 도입하였다

성능/효과

2%로 측정되었다. Test dataset 을 배제한 기계학습 이후 XGB 모델은 최대 연신율을 19.4%로 예측하여 0.8%포인트의 오차를 산출하였다. 한편, LGBM 모델의 경우 연신율을 18.
XGB 와 LGBM 의 평균 오차는 각각 44MPa 및 41MPa 로, 후자가 다소 우수한 예측 정확성을 보였 다. 각 예측치의 R2 값은 0.
8 시간이 소요되었으며 이는 XGB 학습 시간(29 시간)의 1/6에 불과하였다. 다시 말해 Ti-6Al-4V 적층 조형체의 변형 거동 예측에 있어 두 기계학습 모델의 예측 정확성은 유사하나, 학습 시간 혹은 컴퓨팅 자원절감 측면에서 LGBM 이 훨씬 우수하다는 사실을 확인할 수 있었다.
본 연구는 대규모 데이터를 활용한 기계학습에 특화된 LGBM 알고리즘이 금속 변형 거동 예측에 유용하게 사용될 수 있음을 검증한 첫 번째 사례라 할 수 있다. 금속공학 외의 분야에서 XGB 와 LGBM 을 직접 비교한 연구로는 Daoud[9]의 것이 널리 알려져 있다.
한편, Rai 등[12]은 XGB와 LGBM을사용하여 광고와 제품 수요 사이의 관계를 예측하고자 하였다. 해당 연구에 따르면 LGBM 이 XGB 대비 0.68%포인트 높은 예측 정확성 및 4.97 배 빠른 학습 속도를 기록하였다. 보다시피 선행 연구 결과에서도 XGB 대비 LGBM 의 우수성이 동일하게 확인된다.
예를 들어 Wang 등[13]은 세 종류의 기계학습 기법을 활용하여저탄소강의 상분율에 따른 응력 곡선을 예측하였다. 해당 연구에서 ANN 기법이 support vector machine이나 random forest 대비 우수한 정확성을 보였지만, 통계학적 접근을 사용하여 상관성이 낮은 변수를 줄이자 오히려 random forest 의 성능이 ANN 을 뛰어넘는 결과가 나타났다. Yu 등[6]은 최근 ANN 과 XGB 를 사용하여 전류 펄스 인가에 따른 마그네슘 합금의 비선형적 가열-냉각 거동을 예측한 바 있다.
Yu 등[6]은 최근 ANN 과 XGB 를 사용하여 전류 펄스 인가에 따른 마그네슘 합금의 비선형적 가열-냉각 거동을 예측한 바 있다. 해당 연구에서 두 기계학습 모델의 예측 정확성은 유사한 수준이었으나 XGB 의 학습 시간이 ANN 대비수백 배 빨라 컴퓨팅 자원 절감에 크게 기여하였다. 상술한 사례들을 고려해 볼 때 성공적인 기계학습기반 예측을 위해서 최적의 기계학습 기법을 적용하는 것이 데이터 전처리나 hyperparameter 최적화 못지않게 매우 중요할 것으로 판단된다.
그는 307,507 개의 금융 데이터 instance 를 활용하여 XGB 및 LGBM 알고리즘의 성능을 비교하였다. 해당 연구에서는 LGBM이 XGB 대비0.16%포인트 높은 예측 정확성 및 5.48배 빠른 학습 속도를 기록하였다. 한편, Rai 등[12]은 XGB와 LGBM을사용하여 광고와 제품 수요 사이의 관계를 예측하고자 하였다.

후속연구

해당 연구에서 두 기계학습 모델의 예측 정확성은 유사한 수준이었으나 XGB 의 학습 시간이 ANN 대비수백 배 빨라 컴퓨팅 자원 절감에 크게 기여하였다. 상술한 사례들을 고려해 볼 때 성공적인 기계학습기반 예측을 위해서 최적의 기계학습 기법을 적용하는 것이 데이터 전처리나 hyperparameter 최적화 못지않게 매우 중요할 것으로 판단된다. 이러한 견지에서 그간 금속공학 분야에서 배제되어 온 LGBM 의 유용성을 검증할 가치가 있었으며, 향후 변형 거동을 포함한 다양한 예측에 있어 LGBM 알고리즘의 활용을 충분히 고려해 볼 수 있을 것으로 기대된다.
상술한 사례들을 고려해 볼 때 성공적인 기계학습기반 예측을 위해서 최적의 기계학습 기법을 적용하는 것이 데이터 전처리나 hyperparameter 최적화 못지않게 매우 중요할 것으로 판단된다. 이러한 견지에서 그간 금속공학 분야에서 배제되어 온 LGBM 의 유용성을 검증할 가치가 있었으며, 향후 변형 거동을 포함한 다양한 예측에 있어 LGBM 알고리즘의 활용을 충분히 고려해 볼 수 있을 것으로 기대된다.

참고문헌 (13)

S. Liu, Y.C. Shin, 2019, Additive manufacturing of Ti6Al4V alloy: A review, Mater. Des. Vol. 164, p. 107552. https://doi.org/10.1016/j.matdes.2018.107552

상세보기
A.V.S.R. Prasad, K. Ramji, G.L. Datta, 2014, An Experimental Study of Wire EDM on Ti-6Al-4V Alloy, Proc. Mater. Sci., Vol. 5, pp. 2567~2576. https://doi.org/10.1016/j.mspro.2014.07.517

상세보기
D. Herzog, V. Seyda, E. Wycisk, C. Emmelmann, 2016, Additive manufacturing of metals, Acta Mater., Vol. 117, pp. 371~392. https://doi.org/10.1016/j.actamat.2016.07.019

상세보기
Saboori A, Aversa A, Marchese G, Biamino S, Lombardi M, Fino P. Application of directed energy deposition-based additive manufacturing in repair. Appl Sci 2019;9. https://doi.org/10.3390/app9163316.

상세보기
P.A. Kobryn, S.L. Semiatin, 2001, The laser additive manufacture of Ti-6Al-4V, JOM, Vol. 53, pp. 40~42. https://doi.org/10.1007/s11837-001-0068-x

상세보기
J. Yu, M. Lee, Y.H. Moon, Y. Noh, T. Lee, 2020, Prediction of Electropulse-Induced Nonlinear Temperature Variation of Mg Alloy Based on Machine Learning, Korean J. Met. Mater., Vol. 58, pp. 413~422. https://doi.org/10.3365/KJMM.2020.58.6.413

상세보기
T. Chen, C. Guestrin, 2016, Association for Computing Machinery, USA, pp. 785~794.
G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, T.Y. Liu, 2017, Advances in Neural Information Processing Systems, USA, pp. 3147~3155.
E. Al Daoud, 2019, Comparison between XGboost, LightGBM and CATboost using a home credit dataset, Int. J. Comput. Inf. Eng., Vol. 13, pp. 6~10. https://doi.org/10.5281/zenodo.3607805
T. Lee, B.J. Kwak, J. Yu, J.H. Lee, Y. Noh, Y.H. Moon, 2020, Deep-learning approach to predict a severe plastic anisotropy of caliber-rolled Mg alloy, Mater. Lett., Vol. 269, p. 127652. https://doi.org/10.1016/j.matlet.2020.127652

상세보기
Y. Xia, C. Liu, Y.Y. Li, N. Liu, 2017, A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring, Expert Syst. Appl., Vol. 78, pp. 225~241. https://doi.org/10.1016/j.eswa.2017.02.017.

상세보기
S. Rai, A. Gupta, A. Anand, A. Trivedi, S. Bhadauria, 2019, 10th International Conference on Computing, Communication and Networking Technologies, USA, pp. 6~11.
Z.L. Wang, Y. Adachi, 2019, Property prediction and properties-to-microstructure inverse analysis of steels by a machine-learning approach, Mater. Sci. Eng. A, Vol. 744, pp. 661~670, https://doi.org/10.1016/j.msea.2018.12.049

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증