ASRP 데이터를 활용한 머신러닝 기반 박격포탄 저장수명 예측 연구 = Machine Learning-Based Prediction of Mortar Ammunition Storage Life Using ASRP Data

국문 초록 (Abstract)

탄약은 생산 이후 전시 사용까지 장기간 탄약고에 저장되므로, 저장기간 동안 본래의 기능과 안전성을 유지해야 한다. 이러한 요구에 부응하기 위해 국방기술품질원은 저장 탄약
신뢰성평가(ASRP; Ammunition Stockpile Reliability Program)를 운영해 주기적으로 저장 탄약의 신뢰성을 점검하고 있다.
본 연구는 2012~2024년 동안 축적된 박격포탄 단일 품목의 ASRP 시험 데이터를 활용하여, 머신러닝 기반 모델로 탄약 저장수명 예측의 가능성을 검증하고자 하였다. 이를 위해
ASRP에서 수집된 핵심 변수를 학습 데이터로 구성하고, 다양한 회귀 기반 및 확장형 예측 모델을 적용하여 기능 저하 시점을 추정한 뒤, 모델 간 예측 성능을 비교·분석하였다.
분석 결과, ASRP 데이터의 예측 활용 가능성을 확인하였고, 유사한 구형 탄약 품목을 데이터 기반 평가를 통해 탄약의 계속 저장·개수정비·폐기 등의 상태 결정을 지원하는 대안이
될 수 있음을 제시한다. 이는 장기 저장 탄약의 수명 예측을 체계화하고, 향후 유사한 재래식 탄약군의 신뢰성 평가 자동화 연구로 확장될 수 있는 실질적 근거를 제공한다. 최근 건조경보, 산불 등 기상·환경 요인으로 군 사격장의 가용성이 감소하는 현실을 고려할 때, 새로 개발되는 품목의 양산시험이나 데이터가 제한된 신형 품목의 ASRP에 자원을 우선 배분하여 사격시험의 효율화를 도모하는 데에도 기여할 수 있다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경 1
• 1) 박격포란 1
• 2) ASRP(Ammunition Stockpile Reliability Program) 4
• 2. 선행 연구 5
• 1) 오작용 사례 5
• 2) ASRP 데이터 분석 사례 6
• Ⅱ. 연구방법 8
• 1. 탄속 8
• 1) 데이터 구성 8
• 2) 데이터 분석 방법 11
• 2-1) Artificial Neural Network 11
• 2-2) Kernel Ridge Regression 13
• 2-3) Support Vector Regression 14
• 2-4) Neural Ordinary Differential Equation 15
• 2-5) Bayesian Polynomial Regression 17
• 2-6) Generalized Additive Model Boosting 19
• 2. 신관기능 21
• 1) 데이터 구성 21
• 2) 데이터 분석 방법 24
• 2-1) Weighted Logistic Regression 24
• 2-2) Bayesian Logistic Regression 26
• 2-3) Linear Support Vector Machine 26
• Ⅲ. 연구결과 28
• 1. 탄속 분석 결과 28
• 1) Artificial Neural Network 28
• 2) Kernel Ridge Regression 30
• 3) Support Vector Regression 31
• 4) Neural Ordinary Differential Equation 32
• 5) Bayesian Polynomial Regression 33
• 6) Generalized Additive Model Boosting 35
• 7) 탄속 분석 결과 비교 36
• 2. 신관기능 분석 결과 38
• 1) Weighted Logistic Regression 38
• 2) Bayesian Logistic Regression 40
• 3) Linear Support Vector Machine 41
• 4) 신관기능 분석 결과 비교 43
• Ⅳ. 결론 45
• □ 참고문헌 47
• □ Abstract 51