방사 공정은 섬유를 고분자로 만드는 과정인 중합과정을 거쳐 중합된 고분자 칩을 건조, 용융, 섬유 구조물 형성, 냉각 및 연신, 권취 등 일련의 공정을 통하여 요구되는 물성값에 맞는 섬유를 형성시키는 공정이다(Kim, 2019). 다음의 <Figure 1 (a)>는 방사 공정의 일부 과정이며(Hong, 2012), <Figure 1 (b)>는 방사 공정을 통해 생산되는 섬유이다(TEXEYE, 2016). <Figure 2>는 방사 공장의 전체적인 구성을 보여주며, 각 공정에 대한 간략한 설명은 다음과 같다.

Figure 1. 
Spinning process in Textile Industry

Figure 2. 
The Process of Spinning Process

• • 원료투입(Raw material input process): 생산 라인에 제품의 원재료를 투입 및 분배하는 공정이다. 주로 액체상태의 원료에 다양한 종류의 물질을 혼합하여 조제하는 공정이다.
• • 건조공정(Dry process): 섬유 고분자를 쉽게 증발할 수 있는 용매에 녹인 다음 이 용액을 뜨거운 공기 속으로 압출하여 용매를 증발시켜 섬유 형태로 고화시키는 공정이다.
• • 용융공정(Melting process): 열에 의해 분해되지 않는 고분자를 용융시키는 공정이며, 융점 이상의 온도에서 제품을 용융시키는 공정을 의미한다.
• • 압출공정(Extrusion process): 용융된 고분자가 노즐의 기어펌프를 통해 섬유상으로 압출되는 공정이다.
• • 고화공정(Solidification): 용융상태에서 형성된 섬유의 형태를 고화시키는 공정으로 용융된 섬유 분자를 냉각 공기를 통과시켜 고화시키는 공정이다.
• • 권취공정(Winding process): 권취 장치를 통해 섬유를 긴 모양으로 늘리는 공정이며, 다양한 속도로 제품을 가늘고 긴 모양의 섬유로 생산한다.

방사 공정은 생산되는 섬유의 물성값 예측이 중요하지만 각 공정의 설정 변수가 물성값에 영향을 끼치는 정도에 대한 표준화가 부족한 상태이고, 이러한 설정 변수는 주로 작업자의 주관에 의하여 임의 조정된다. 상술한 바와 같이 긴 생산 시간으로 인해 하루에 1회만 생산을 하고 모든 공정이 종료된 후에만 불량을 확인할 수 있다. 그러므로 최초 제품 생산 계획 및 공정을 가동할 때부터 제품의 물성값을 예측하는 것이 중요하다.

머신러닝(Machine Learning, 기계 학습)은 AI의 한 분야로서, 데이터에서 얻어지는 경험으로부터 특정한 목표 작업에 대한 성능을 향상시키는 일련의 과정으로 정의된다. 인간이 학습을 수행하듯이 컴퓨터가 입력받은 데이터를 통해 스스로 학습을 수행하게 함으로써 새로운 지식을 얻어내는 기법이라고 할 수 있으며, 특히 예측과 최적화에 주로 활용되고 있다(Samuel AL, 1959).

딥러닝(Deep Learning)은 기존의 머신러닝의 단점을 보완하기 위해 컴퓨터가 스스로 여러 비선형 변환기법의 조합을 이용하여 다량의 복잡한 학습 데이터들을 높은 수준의 추상화된 정보로 추출하거나 분류하는 것이다. 이러한 딥러닝 기술은 사람이 만든 프로그램 없이 기존 자료의 학습된 속성을 바탕으로 새로운 자료를 정확하게 처리할 수 있다(Gers et al., 2000; LeCun et al., 1995) 딥러닝의 구조는 인간의 뇌를 모방한 인공 신경망(ANN : Artificial Neural Network)에서 비롯되었다. 다중 처리 계층으로 구성된 딥러닝은 여러 수준의 추상화를 통해 자료의 표현을 정확하게 학습할 수 있다(Schmidhuber, 2015).

머신러닝 방법론은 대표적으로 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 구분된다. 지도학습은 인간이 직접 컴퓨터의 학습 과정을 지도한다. 지도학습을 위해서는 훈련 데이터 세트(Training Set)가 필요하며, 학습 모델의 입력이 되는 특성 변수(Feature Variable)와 그 결과에 해당하는 목표 변수(Target Variable)를 가지고 있어야 한다. 훈련 데이터 세트를 활용하여 컴퓨터는 일반화 모형을 구축하며, 새로운 데이터에 대하여 목표 변수를 예측해내는 것이 지도학습의 목적이다(Bonnin, 2018).

비지도 학습은 목표 변수 없이 특성 변수로만 구성된 데이터를 제공하여 인간의 지도 없이 컴퓨터가 스스로 유사한 데이터를 그룹화하고 범주를 할당하는 작업을 수행하도록 한다(Marsland, 2016; Bonnin et al., 2018). 목표 변수 없이 입력된 데이터 간의 상호 유사성과 차이를 분석하여, 군집을 만들거나 연관성 규칙을 찾아내는 것이 비지도 학습의 목적이다(Jo, 2018).

지도학습의 대표적인 유형은 크게 분류(Classification)와 회귀(Regression)로 나뉜다. 분류란 학습 데이터로 주어진 데이터의 특성 변수와 목표 변수를 머신러닝 알고리즘으로 학습해 모델을 생성하고, 이렇게 생성된 모델에 새로운 데이터 값이 주어졌을 때 미지의 목표 변수를 예측하는 것이다(Kwn, 2006). 회귀는 여러 개의 특성 변수에 따라 목표 변수가 어떤 관계를 나타내는지를 모델링하고 예측하는 것으로 회귀의 예측값은 연속형 숫자 값이다(Kwn, 2006). 이러한 AI 기법을 활용한 친환경 섬유 개발 관련 연구가 활발히 진행되고 있다. 염색가공 산업의 에너지 효율화를 위한 제조 현장 빅데이터 활용에 관한 연구 논문에서는 염색가공 산업의 에너지 효율화를 위한 빅데이터 활용방안에 대하여 논하였고, 이를 위해 염색 공정에서 수집한 데이터를 활용하여 해당 작업을 표준화하였다. 표준화된 데이터를 바탕으로 유의한 변수들을 추출하고 이를 바탕으로 제조 현장 빅데이터의 활용방안을 제시했다(Park et al., 2018). 본 논문에서 제안하는 알고리즘은 단순 예측 모델 개발에 그치지 않고, 방사 공정에서 생산되는 섬유 소재의 물성값을 도출하기 위해 전처리한 데이터를 기준으로 불량을 판별하기 위해 분류 모델을 생성하고, 그리드 서치 기법을 활용하여 생성된 시뮬레이션 데이터를 회귀 모델에 대입하여 모든 공정 조건 경우의 수에 대한 물성값을 예측하는 것이다.

다음의 <Table 1>은 방사 공정에서 수집된 제조 현장 데이터의 단위과 정의를 보여준다. 해당 데이터는 기존 작업자의 수기 혹은 노하우에 의존하던 정보들을 디지털화한 데이터이다. 본 논문에서는 총 50가지의 현장 데이터를 수집, 공정 설정이 변하지 않고 일정하게 유지되는 고정 변수값 데이터를 제외한 나머지 데이터를 전처리하였으며, 이를 위해서 <Table 2>와 같이 고정 변수값을 가지는 작업 공정 데이터와 <Table 3>과 같은 고정 변수값을 가지지 않는 작업 공정 데이터로 나누었다. <Table 4>는 섬유의 품질 지표에 해당하는 물성값 데이터의 단위와 정의를 나타낸다. 이 중에서 핵심 지표인 강도(Elongation)와 신도(Tenacity)를 목표변수로 설정하여 최적의 공정 변수값을 예측하는게 본 연구의 목적이다. 방사 공정 프로세스 핵심 인자 도출을 위해 방사 공정 장비에서 수집되는 데이터를 대상으로 총 317개의 데이터 세트를 대상으로 하였으며, 고정 변수값을 가지지 않는 작업 공정 데이터 중 값이 동일한 변수들은 하나로 정의하여 분산분석(ANOVA)을 진행하였다. ANOVA란 두 개 이상 다수의 집단을 서로 비교하여 유의변수를 도출하는 방법으로 특성 변수가 목표 변수에 영향을 미치는지 확인하기 위해 진행하였다. 일반적으로 강도가 높아지면 신도는 낮아질 것으로 예측되었으나 분석 결과, 두 변수 사이의 상관관계는 존재하지 않으며, 강도와 신도 사이의 산포는 <Figure 3>과 같다. 다음의 <Figure 4>는 두 변수 사이의 상관관계를 나타낸다. 따라서 강도와 신도에 영향을 미치는 유의변수 추출을 위해 각 물성값에 대하여 ANOVA 분석을 진행하였다. 분산분석의 평가지표인 유의확률(p-Value)은 낮을수록 신뢰도가 좋다고 볼 수 있으며, 통상적으로 유의수준이 95% 이내일 경우 두 변수 간의 연관도가 높다고 볼 수 있다. 강도의 경우, <Table 5>와 같이 p-Value로 유의수준 0.05보다 작은 유의변수가 없는 것으로 분석되었다. 신도의 경우, <Table 6>과 같이 모든 특성 변수의 p-Value가 유의수준 0.05보다 작으므로, 통계적으로 모두 유의미한 변수들이라고 분석되었다. 상관관계 분석을 활용하여 각 공정 핵심 인자 간의 영향력을 분석한 결과, 강도의 경우 모든 특성 변수가 목표 변수에 영향을 주지 않는 것으로 확인되었고, 반대로 신도의 경우 모든 특성 변수가 목표 변수에 영향을 주는 것으로 관찰되었다. 따라서 ANOVA를 활용하여 유의미한 특성 변수 선정하는 데 한계가 존재하여 현장 전문가가 핵심으로 관리하는 변수인 Spinbeam temp, GODET R/O A 속도, GODET R/O B 속도, GODET R/O B 온도, 권취 R/O 속도, 연신비 총 6가지를 특성 변수로 선정하였다.

Figure 3. 
Correlation of Elongation and Tenacity

Figure 4. 
Spinning Process Prediction and Recipe Recommendation Algorithm

본 연구에서 특성 변수로 선정한 6개 데이터의 유형은 수치형(numerical)에 해당한다. 수치형 변수는 데이터의 분포와 각 특성 변수 간의 숫자 규모가 큰 차이를 갖고 있기 때문에 모델의 정확도와 성능 측정이 어렵고 오차값이 크게 나타난다. 때문에 본 논문에서는 서로 다른 변수의 값 범위를 일정하게 맞춰주는 전처리 기법인 표준화(Standardization)와 정규화(Normalization)를 진행하였다. 표준화는 데이터 전처리과정에서 각 데이터의 평균이 0이고 분산이 1인 가우시안 정규 분포를 가진 값으로 변환하는 것을 의미하며, 정규화는 데이터가 0부터 1 사이의 정규 분포 값을 갖도록 하는 기법을 의미한다(Bonnin, 2018). 표준화와 정규화는 데이터의 형태와 학습 모델에 따라 성능 예측 결과값이 다르므로 본 연구에서는 모든 특성 변수에 대해 표준화와 정규화를 적용하였다.

본 논문에서 제안하는 알고리즘은 방사 공정에서 생산되는 섬유 소재의 물성값을 도출하기 위해 전처리한 데이터를 기준으로 불량을 판별하기 위한 분류 모델을 생성하고, 그리드 서치 기법을 활용하여 생성된 모든 공정 조건 경우의 수에 대한 시뮬레이션 데이터를 학습된 분류 모델을 활용하여 예측한다. 제품을 불량으로 예측한 데이터를 제거하여 회귀 모델 학습을 위한 데이터 세트를 구축하고 이를 회귀 모델에 대입하여 최적 공정값에 따른 물성값을 예측하는 것이다. 분류 모델을 통해 강도와 신도를 먼저 예측하지 않고 회귀 모델을 구축하여 예측할 경우, 데이터 분포가 부족한 category의 데이터와 다른 category와의 불균형을 해소할 수 없다. 또한, 회귀 모델의 성능지표가 제안하는 방법론으로 생성된 모델보다 낮게 학습되었기 때문에 분류 모델을 먼저 구축하였다. <Figure 4>는 본 논문에서 제안하는 알고리즘의 개념도이며, 각 구성 요소들에 대한 설명과 절차는 다음과 같다.

• 1) 분류 모델 학습을 위한 데이터 전처리(Data preprocessing for classification): 본 연구에서 제안하는 알고리즘의 목표 함수인 강도와 신도는 수치형 데이터로 분류 모델의 경우 물성값의 범주화가 필요하기에 기준점을 설정하였다. 모델 학습을 하기 위해서 정규화와 표준화와 데이터의 불균형 문제를 해결하기 위해 Synthetic Minority Over-sampling Technique(SMOTE) 기법을 활용하여 전처리를 진행하는 과정이다. SMOTE란 데이터가 부족할 때 분류 모델에서 클래스 간 불균형을 해결하기 위해 사용하는 기법이다.
• 2) 분류 모델 학습(Classification model training): 전처리한 데이터를 여러 분류 모델에 적용하여 학습하는 과정으로, 여기서 주요 분류 모델로 K-Nearest Neighbors(KNN), Xgboost, RandomForest, Multi Layer Perceptron를 활용하였으며, 모델별로 최적의 하이퍼 파라미터값을 탐색하고 적용하였다. 제안하는 알고리즘에서 분류 모델을 구축한 이유는 사전에 불량품 판별을 하고 양품으로 판별되는 데이터를 대상으로 모델을 학습시키기 위함이다.
• 3) 분류 모델 유효성 검증(Classification model validation): 해당 절차는 1)~2)의 과정으로 전처리된 데이터 세트를 기반으로 학습된 모델을 검증하기 위한 절차로, 분류 모델의 주요 성능지표인 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 Score를 사용하였다. 정확도는 실제 데이터의 목표 변수와 예측 데이터의 목표 변수가 얼마나 동일한지 판단하는 지표이며, 정밀도는 예측 데이터의 목표 변수가 True라고 분류한 것 중에서 실제 데이터의 목표 변수가 True인 것의 비율을 나타낸다. 재현율은 실제 데이터의 목표 변수가 True인 것 중에서 예측 데이터의 목표 변수가 True라고 예측한 것의 비율을 나타내며, F1 Score는 정밀도와 재현율의 조화평균을 의미한다. 해당 4개의 성능평가지표를 활용하여 모델별로 성능을 분석하였다.
• 4) 공정 시뮬레이션 데이터 생성을 위한 그리드 서치(Grid search): 실제 현장에서 수집된 특성 변수들 이외에 변수별로 설정 가능한 모든 경우의 수를 도출하는 과정으로 요구되는 제품의 물성값 달성을 위한 모든 공정 조건을 생성한다. 공정 시뮬레이션 데이터는 변경되는 모든 변수의 조합을 생성하는 그리드 서치 기법을 활용하였다.
• 5) 공정 시뮬레이션 데이터 예측(Prediction of simulation data): 4)에서 도출된 공정 시뮬레이션 데이터를 1)~3) 과정에서 학습된 분류 모델을 활용하여 목표 변수를 예측하는 과정이다.
• 6) 불량 예측 데이터 제거(Remove defect results): 5)의 과정으로 예측된 분류 데이터에서 제품을 불량으로 예측한 데이터를 제거하여 회귀 모델 학습을 위한 데이터 세트를 구축하는 단계이다.
• 7) 회귀 모델 학습을 위한 데이터 전처리(Data preprocessing for regression): 앞서 생성된 공정 시뮬레이션 데이터의 물성값을 예측하기 위해서 정규화와 표준화를 이용하여 모델 학습 이전에 전처리하는 과정이다.
• 8) 회귀 모델 학습(Regression model training): 7)에서 전처리한 데이터를 여러 회귀 모델에 적용하여 학습하였으며, 주요 회귀 모델로는 Ridge, Lasso, KNN, RandomForest, GradientBoostiong, Long-Short Term Memory(LSTM), Deep Neural Network(DNN)로 모델별로 서로 다른 하이퍼파라미터를 적용하였다.
• 9) 회귀 모델 유효성 검증(Regression model validation): 학습된 회귀 모델을 검증하기 위한 과정으로 회귀 모델의 주요 평가지표인 MSE(Mean Squared Error), MAE(Mean Absolute Error), 그리고 R²(R Squared Score)를 사용하였다. MSE는 실제 목표 변수값과 예측 목표 변수값 오차의 제곱 값들의 평균을 나타내며, MAE는 실제 목표 변수값과 예측 목표 변수값 오차의 절대값 평균을 설명한다. 또한 R²는 실제 목표 변수값의 분산대비 예측 목표 변수값의 분산을 계산하여 예측 정확도를 측정하는 지표이다.
• 10) 공정 시뮬레이션 데이터 예측(Prediction data): 8)에서 구축된 회귀 모델에 그리드 서치 기법을 통해 생성된 공정 시뮬레이션 데이터를 기반으로 제품의 불량을 제외한 모든 공정 조건의 목표 변수에 해당하는 물성값을 예측하였다.

본 연구에서 적용한 머신러닝은 모두 Python 3.8.5 환경에서 구축하였으며, Keras, Scikit-Learn(Sklearn), Pandas, Numpy 등 데이터 분석 및 통계 라이브러리를 활용하였다. 머신러닝 모델에 다음과 같은 데이터 세트를 구축하여 모델의 성능을 비교하였다. 기존의 표준화와 정규화 이외에 데이터의 불균형과 불충분을 해소하기 위해 이와 같은 데이터 세트를 구축하였으며, 분류 모델의 경우 아래 C-Set 1과 C-Set 2, C-Set 3 데이터를 대상으로 학습을 진행하였다.

• 1) C-Set 1 : 방사 공정의 특성상 한 번의 제품 생산 과정을 거치면 평균 2개에서 4개의 제품이 동시에 생산된다. 이는 공정에서 열을 가하여 화합물을 혼합할 때 균등하게 화학 성분이 결합되지 않는 경우가 발생하는 등, 설비에서 각각의 미세한 오차가 발생하는 경우가 생기기 때문에 하나의 작업 ID 당 평균 2~4개의 수집 데이터가 생성된다는 의미이다. 생성된 수집 데이터의 공정값(특성 변수)은 모두 동일하기 때문에 작업 ID 당 생성된 데이터의 물성값(목표 변수) 평균으로 기존 991개의 데이터에서 317개의 데이터로 전처리하여 데이터 세트를 구축하였다.
• 2) C-Set 2 : C-Set 1의 317개 데이터의 범주별 분포 불균형 문제를 해결하기 위해 상술한 SMOTE 기법을 활용하여 425개의 데이터 세트를 구축하였다.
• 3) C-Set 3 : C-Set 1 데이터 세트가 불충분할 수도 있으므로 하나의 작업 ID 당 생성되는 모든 데이터와 1)의 데이터를 합친 1,123개의 데이터 세트를 구축하였다.

회귀 모델의 경우 아래 R-Set 1과 R-Set 2, R-Set 3과 같이 데이터 세트를 대상으로 학습을 진행하였다.

• 4) R-Set 1 : C-Set 1 데이터에서 판단되는 불량 데이터로 분류된 89개를 제외하고 228개의 데이터를 대상으로 하였다.
• 5) R-Set 2 : R-Set 1 데이터의 수가 불충분했기 때문에 하나의 작업 ID 당 생성되는 모든 데이터와 4)의 데이터를 합친 총 905개의 데이터를 대상으로 하였다.
• 6) R-Set 3 : Set 2의 데이터의 불균형 문제를 해결하기 위해 모델의 노이즈를 유발하는 이상치 데이터를 제거하고 불균형 대상이 되는 표본을 선정하여 단순히 데이터의 수를 늘리는 표본추출방법인 Random sampling 기법을 활용하여 1,440개의 데이터를 대상으로 하였다.

물성값인 강도와 신도의 경우 위에서 언급했듯이 분류 모델의 경우 데이터 전처리 단계에서 범주화가 필요하다. 데이터 세트를 살펴보면 강도의 경우 불량 데이터를 제외하고 최소값이 2.6, 최대값이 4.5이며, 총 6개의 category로 구성하였고 범주화 시 각 category의 범위를 0.3으로 구분했다. 신도의 경우 불량 데이터를 제외하고 최소값이 20, 최대값이 45이며, 이 또한 총 6개의 category로 구성되어야 하므로 category의 범위를 5로 구분하였다. 이때 0에 해당하는 category는 불량 데이터로 판별한다. 다음의 <Table 7>은 분류 범주에 해당하는 물성값의 범주화 결과를 정리한 표이다. 모델의 성능을 높이기 위해 데이터는 Sklearn Package의 StandardScaler와 MinMaxScaler를 활용하여 표준화와 정규화를 진행하였으며, 모델 구축을 위해 훈련 데이터 세트와 테스트 데이터 세트를 8:2 비율로 분리하여 학습하였다. 하이퍼파라미터는 max_depth, min_samples_leaf, n_estimators, learning_rate 등 각각 모델에 따라 최적의 값을 비교 분석하여 도출하였다. 앞서 설명한 그리드 기법으로부터 도출된 공정 시뮬레이션 데이터의 변수는 <Table 8>과 같다.

물성값인 강도를 예측하기 위한 분류 모델별 성능지표 평가 결과는 <Table 9>와 같으며, 신도를 예측하기 위한 분류 모델별 성능지표 평가 결과는 <Table 10>과 같다.

학습된 모델들의 성능지표 비교결과, 물성값 강도의 경우 C-Set 2를 적용한 Xgboost의 정확도와 평가지표 성능이 제일 좋은 것으로 나타났다. 전체적으로 데이터의 분포나 편향이 심했기 때문에 SMOTE를 써도 모델의 성능이 크게 높아지지 않았으며, 데이터의 양이 너무 적었기 때문에 전체적으로 학습 데이터와 테스트 데이터 모두 제대로 예측하지 못한 상태인 과소적합(Underfitting) 성향이 크게 나타난 것을 알 수 있었다. 물성값인 신도의 경우 Xgboost의 C-Set 3과 MLP의 C-Set 1의 Accuracy는 동일하게 나왔지만 Xgboost C-Set 3의 경우 학습 데이터에 대해 과하게 학습되어 이외의 데이터에 대해선 제대로 예측하지 못하는 과적합(Overfitting)을 보였기 때문에 C-Set 1을 적용한 MLP의 평가지표 성능이 제일 좋은 것으로 판단하였다.

회귀 모델의 경우 불량 데이터를 제외한 데이터 세트를 대상으로 모델에 적용했으며 물성값인 강도를 예측하기 위한 모델별 평가지표는 <Table 11>과 같으며, 신도를 예측하기 위한 모델별 평가지표는 <Table 12>와 같다.

다양한 알고리즘을 이용하여 모형들의 측정지표들을 종합적으로 비교해보았을 때 R-Set 1 데이터를 활용할 경우, 성능지표 R²값이 ridge regression, lasso regression, LSTM 모델에서 마이너스가 도출되면서 학습이 전혀 되지 않은 상태임을 확인할 수 있다. 물성값 강도의 경우 R-Set3을 적용한 LSTM 모델의 성능이 가장 좋은 것으로 나타났으며, 물성값 신도의 경우 또한 LSTM의 성능이 가장 좋은 것으로 나타났다. LSTM의 실제 물성값 대비 예측 물성값 오차 비교는 <Table 13>과 같다.

	Basic	Standardization	Normalization
elongation
tenacity

그리드 서치를 통해 생성된 공정 시뮬레이션 데이터와 최종 시뮬레이션 예측 데이터는 <Figure 5>와 같다. 생성된 시뮬레이션 데이터를 Xgboost와 MLP 모델에 대입하여 불량 예측을 하였으며, 회귀 모델 학습을 위해 생성된 불량은 제거하고 LSTM 모델에 대입하여 최종 시뮬레이션 예측 데이터를 생성하였다.

Figure 5. 
Result Data of Grid Search and Prediction Data

본 논문에서 제안하는 알고리즘을 구현 및 적용하여 도출된 결과를 종합적으로 정리하면 다음과 같다.

• 1) 분류 모델의 경우 물성값 강도의 Accuracy와 Precision, Recall, F1 score가 71%, 68%, 70%, 68%인 Xgboost가 최종 모형으로 선정되었으며, 신도의 경우 77%, 69%, 72%, 70%인 MLP가 최종 모형으로 선정되었다.
• 2) 분류 모델의 경우 전체적으로 데이터의 분포나 편향이 심했기 때문에 SMOTE를 활용하더라도 모델의 성능이 크게 높아지지 않았으며, 전체적으로 과소적합 성향이 나타난 것으로 관찰된다.
• 3) 회귀 모델의 경우 물성값 강도의 R²와 MAE, MSE가 0.97, 0.04, 0.01인 LSTM의 성능이 가장 우수하기 때문에 최종 모델로 선정되었으며, 신도의 경우 또한 0.97, 0.04, 0.01인 LSTM이 최종 모델로 선정되었다.
• 4) LSTM의 경우 은닉 레이어를 1개로 설정하여 노드 수만을 조절할 경우 예측 성능이 높지 않은 것을 확인할 수 있었으며, 노드 수에 상관없이 은닉 레이어의 수를 조절할 경우 모델의 성능이 좋아지는 것을 확인할 수 있다. 결론적으로 은닉 레이어의 수를 4개로 설정한 경우 모델의 성능이 가장 좋게 관찰되었다. 또한, 데이터를 전처리하지 않은 결과와 전처리 후의 모델의 예측 결과가 크게 차이 나는 것을 확인할 수 있었다.
• 5) 그리드 서치 기법을 통하여 추출된 시뮬레이션 데이터를 분류 모델에 적용했을 시, 물성값 강도의 경우 정상과 불량 개수가 대략 65,000개, 10,000개였으며, 신도의 경우 대략 56,000개, 20,000개였다. 강도와 신도의 불량 데이터를 모두 제거하고 남은 정상 데이터 개수는 55,857개였음을 확인할 수 있었다.