낙하 충격에 의한 탄소-케블라 하이브리드 직물의 전압 강하 특성과 머신 러닝을 통한 충격체 형상 예측 = Prediction of Impactor Shape by Machine Learning with Voltage Drop Characteristics of Carbon-Kevlar Hybrid Fabrics

다국어 초록 (Multilingual Abstract)

Conductivity of carbon fibers can be utilized in a variety of applications such as the damage detection in special suits and composites requiring structural health monitoring. In this study, a methodology capable of predicting the impactor shapes was proposed by applying the voltage drop information induced by the damage of carbon-Kevlar hybrid fabrics to a decision tree-based random forest algorithm. drop impact tests were performed on the carbon-Kevlar hybrid fabric specimens according to the impact shapes and incident angles. Using the Gini index of the classification and regression tree (CART) statistical technique, important variables of the impact shape prediction criteria were analyzed. The validity of the technique was verified by out of bag (OOB) error estimation and three-fold cross validation. The shape of the impactor was precisely predicted by the unknown impactor from the voltage drop data, which are not included in the training process of the random forest. This study is significant in that it predicts the shape of the initial impactor through the machine learning technique by reflecting a multitude of object signals rather than based on specific parameters.

국문 초록 (Abstract)

탄소섬유의 전도성은 구조건전성 평가가 필요한 복합재료뿐만 아니라 손상 감지를 위한 특수의복 등 다양한 분야에서 활용되고 있다. 본 연구에서는 탄소-케블라 하이브리드 직물의 손상에 의해 유발되는 전압 강하 특성을 결정트리 기반의 랜덤 포레스트 알고리즘에 적용하여 이 같은 손상을 유발한 충격체의 형상을 예측할 수 있는 기법을 제시하였다. 이를 위해 탄소-케블라 하이브리드 직물 시험편을 대상으로 다양한 충격체의 형상과 입사 각도에 따라 낙하 충격 시험을 수행하였으며, 섬유 손상에 의한 전압 강하 정보를 추출하고 이를 랜덤 포레스트 모델에 학습시킴으로써 초기 충격체 형상을 예측할 수 있도록 하였다. CART(Classification and Regression Tree) 통계기법의 지니 지수를 활용하여 충격체 형상 예측 기준 중 중요 변수를 분석하였으며 예측 기법의 유효성 검증은 OOB(Out of Bag) 오차 추정치와 3겹 교차 검증을 통해 이루어졌다. 또한, 랜덤 포레스트의 훈련 과정에 포함되지 않은 충격체 미상의 전압 강하 데이터로부터 해당 충격체의 형상을 정확히 예측하였다. 본 연구는 특정 파라미터가 아닌 다량의 사물 신호를 전반적으로 반영하여 머신러닝 기법을 통해 초기 충격체 형상을 예측했다는 점에서 그 의미가 있다.

참고문헌 (Reference)

1 Probst, P., "Tunability : Importance of Hyperparameters of Machine Learning Algorithms" 20 (20): 1-32, 2018

2 Hastie, T., "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" Springer Science &Business Media 413-414, 2009

3 Ooi, S. Y., "Temporal Sampling Forest(TS-F) : An Ensemble Temporal Learner" 21 (21): 7039-7052, 2017

4 Ho, D. H., "Recent Research Trend in Flexible and Stretchable Electrode for Wearable Device" 21 (21): 45-62, 2018

5 Trung, T. Q., "Recent Progress on Stretchable Electronic Devices with Intrinsically Stretchable Components" 29 : 2017

6 Kim, S. J, "Random Forest’s Assessment Model for Corporate Bond Ratings" 371-376, 2014

7 Breiman, L., "Random Forests" 45 (45): 5-32, 2001

8 Rodriguez-Galiano, V., "Predictive Modeling of Groundwater Nitrate Pollution using Random Forest and Multisource Variables Related to Intrinsic and Specific Vulnerability : A Case Study in an Agricultural Setting(Southern Spain)" 476 : 189-206, 2014

9 Pokutta, S, "Machine Learning in Engineering Applications and Trends" 14-16, 2016

10 Fernández-Delgado, M., "Do We Need Hundreds of Classifiers to Solve Real World Classification Problems?" 15 : 3133-3181, 2014

11 Lee, R. E, "Data-based Value Chain Construction Algorithm Development and Smart Device Application" 109-128, 2016

12 Wen, J., "Damage Detection of Carbon Fiber Reinforced Polymer Composites via Electrical Resistance Measurement" 42 : 77-86, 2011

13 Kovalovs, A., "Damage Detection in Carbon Fibre Reinforced Composites Using Electric Resistance Change Method" 471 (471): 102014-, 2019

14 Liu, M., "Comparison of Random Forest, Support Vector Machine and Back Propagation Neural Network for Electronic Tongue Data Classification : Application to the Recognition of Orange Beverage and Chinese Vinegar" 177 : 970-980, 2013

15 Chadwicka, E. K. J., "Biomechanics of Knife Stab Attacks" 105 : 35-44, 1999

16 Breiman, L., "Bagging Predictors" 24 (24): 123-140, 1996