1. 서 론
2. 이론적 배경
2.1 관입깊이(Depth of Penetration, DOP)
2.2 예측모델
3. 실험방법
3.1 탄도실험 환경
3.2 실험 절차
4. 실험 결과
4.1 탄도실험결과
4.2 선형회귀분석 결과
4.3 머신러닝 기반 예측모델
5. 결 론
1. 서 론
국방개혁 2.0은 인구절벽으로 인한 병력감축 및 부대 해체 문제와 함께 급변하고 있는 미래전을 대비하고 병력부족에 따른 공백 보완을 위해, 4차 산업혁명의 핵심기술의 군사적 활용과 이를 적용한 첨단 과학기술군으로의 변화를 강조하였다(Ministry of National Defense, 2018). 현재 육군은 2022년까지 약 50만명으로 병력이 감소되었으며, 군복무기간은 2020년 6월부터 18개월로 단축된 실정이다. 감축되는 병력과 단축된 군복무기간으로 인한 공백을 극복하기 위하여 첨단시스템에 대한 소요가 증대되고 있으며, 이것은 병력중심에서 전력중심으로의 변화가 필연적임을 보여주고 있다.
국방개혁 2.0은 첨단 과학기술 기반의 정예화된 군을 달성하기 위하여 빅데이터, 인공지능, 네트워크 등 4차 산업혁명 기술기반의 유·무인 복합체계를 구현하고, 부대·전력구조의 정예화를 추진기조로 설정하였다(Ministry of National Defense, 2018). 또한, 육군은 2020년 ‘한계를 넘어서는 초일류 육군’이라는 미래비전 2050을 통해, 미래 전장에서 첨단무기체계가 중심이 될 것임을 시사하였다(Republic of Korea Army Headquarters, 2020). 첨단무기체계는 4차 산업혁명의 핵심기술을 기초로 유·무인 복합전투체계로 발전할 것으로 보이며, 현재 군은 첨단무기체계의 생존성 및 임무지속능력을 극대화하기 위하여 전술적 운용개념을 정립하고, 시뮬레이션을 통해 그 전투효과를 분석하고 있다.
무인전투체계의 중요성은 실전 사례를 통해서도 확인된다. 2002년 6월 29일 발생한 제2연평해전에서 고속정 참수리 357호는 북한군의 집중 사격을 받아 다수의 총탄 흔적이 남았으며, 이는 “생존이 곧 전투력”이라는 교훈을 남겼다. 유인 전투체계인 K2 전차는 승조원 3명이 탑승하지만, 미래 무인수색차량은 승조원 없이 임무를 수행하게 된다.
무인수색차량은 소화기 위협, 폭발물(지뢰), 전자전, 사이버 공격 등 다양한 위협에 노출되어 있으며, 특히 센서의 무력화는 임무 수행 능력을 직접적으로 저하시킨다. 무인전투체계에 대한 대표적인 소화기 위협은 구 소련 AK-74 돌격소총의 5.45 mm 7N10 관통탄이다. 이 탄은 기존 5.45 mm 보통탄 대비 관통력이 향상된 것으로 알려져 있다.
무인전투체계의 방호성능을 평가하는 방법은 크게 관통(貫通, Penetration)과 관입(貫入, Depth of Penetration)으로 구분된다. 관통은 탄자가 표적을 완전히 뚫고 지나가는 것을 의미하며, 전면변형폭(Bulge width)과 전면변형깊이(Bulge depth)를 포함하여 장갑의 배면까지 완전히 관통하는 현상이다. 반면 관입은 탄자가 표적에 일부만 들어가는 것을 의미한다. 관입깊이(DOP)는 입사면부터 탄두 선단까지의 거리로 측정되며, 완전 관통 이전 단계의 방호성능을 평가하는 핵심 지표이다.
관통 여부는 방호한계속도(V50, Ballistic Limit Velocity)를 통해 판정되며, 이는 완전관통(Complete Penetration, CP)과 부분관통(Partial Penetration, PP)이 각각 50% 확률로 발생하는 충돌속도를 의미한다(Kim et al., 2016). 그러나 무인전투체계의 경우 완전 관통이 발생하지 않더라도 탄자의 관입깊이에 의해 내부의 센서 및 핵심 장비가 손상될 수 있으므로, DOP에 대한 정밀한 예측이 필요하다.
첨단무기체계는 다양한 센서 등 민감한 장비들로 구성되어 있어 생존성 및 임무지속능력을 향상시키기 위해서는 위협으로부터 적정수준의 방호성능을 갖추어야 할 필요가 있다. 기존 연구에 의하면 전투시설에 대한 방호성능(Park et al., 2016), 장갑의 방호성능을 고려한 전투시스템의 취약성 분석(Hwang et al., 2016), 초고속 위협에 대한 방호성능 분석(Choi et al., 2016) 등과 같이 시설물, 전투시스템, 초고속 위협에 대한 연구를 진행하였다.
Lee et al.(2021)은 소화기 실사격 실험을 통해 균일압연강판 재질의 장갑판 3종(Type-A, B, C)에 대하여 탄자의 입사각도(0도 및 30도)에 따른 방호한계속도를 측정하고, 입사각도 30도인 경우 장갑의 방호성능이 0도인 경우 대비 재질별로 1.04배부터 1.14배까지 향상되며, 방호효과가 평균적으로 약 1.1배 개선되는 것을 확인하였다.
그러나 방호성능 자체에 대한 데이터 부족, 그리고 관련 연구의 미흡으로 인하여 시뮬레이션을 적용한 전투효과분석 시 방호성능을 분석하는데 한계가 있다. 특히, 현재 개발 중인 첨단무기체계의 경우 소화기 위협으로부터 장갑의 두께에 따른 방호성능 데이터가 부족한 실정이다. 또한, 탄자의 입사각도에 따라 장갑 관입깊이의 변화가 존재하고 이것은 장갑두께를 향상시키는 효과가 존재하나, 이러한 탄자의 입사각도에 따른 방호성능에 대한 정확한 데이터가 부족하여 시뮬레이션을 활용한 현실적인 전투효과를 분석하는데 한계가 존재하는 실정이다.
본 연구는 탄도 실험을 통해 수집된 데이터를 활용하여, 무기체계의 최적 방호 구축을 목표로 적성 소화기 위협에 대응 가능한 장갑의 관입 깊이를 정밀하게 예측할 수 있는 인공지능(AI) 모델을 개발하는 것을 목적으로 한다. 구체적인 연구 목표는 다음과 같다.
첫째, 5.45 mm 7N10 보통탄에 대하여 강철 합금(Type A) 과 알루미늄 합금(Type B) 2종의 장갑 재질에 대한 관입깊이 데이터를 실사격 탄도실험을 통해 수집한다. 둘째, 충돌속도, 탄자중량, 재질 물성치 등을 입력변수로 하는 다변량 회귀분석을 수행하고, 관입깊이와 각 변수 간의 상관관계를 분석한다. 셋째, 선형 회귀, 베이시안 회귀, 서포트 벡터 머신(SVM), XGBoost, 심층신경망(Deep Neural Network) 등 5가지 AI 모델을 학습하고 성능을 비교하여 최적 모델을 선정한다. 넷째, 개발된 AI 모델의 예측 정확도를 검증하고, 무인전투체계의 최적 방호 설계에 활용 가능한 실용적 도구로서의 가능성을 평가한다.
본 연구의 결과는 무인전투체계 설계 단계에서 장갑의 최소 필요 두께를 사전에 예측하여 불필요한 과설계를 방지하고, 센서 및 장비의 안전 배치 위치를 결정하며, 경량화와 방호력의 균형을 최적화하는데 기여할 것으로 기대된다. 또한, 향후 다양한 탄종과 재질로 확장하여 범용적인 방호성능 예측 시스템으로 발전시킬 수 있는 기반을 마련할 것이다.
2. 이론적 배경
2.1 관입깊이(Depth of Penetration, DOP)
DOP의 중요성은 무인전투체계의 설계 관점에서 명확하다. 무인전투체계는 센서, 통신장비, 제어시스템 등 민감한 장비들로 구성되어 있으며, 이들은 완전 관통이 발생하지 않더라도 탄자의 관입에 의해 손상될 수 있다. 따라서 DOP 데이터를 기반으로 다음과 같은 설계 의사결정이 가능하다:
① 센서 및 장비의 배치 위치 결정: 장갑 표면에서 최소 안전 거리 확보
② 최소 필요 장갑 두께 산출: 과설계 방지 및 중량 최적화
③ 경량화와 방호력의 트레이드오프 최적화: 기동력 vs. 방호력 균형
④ 재질 선택 최적화: 알루미늄 vs 강철 등 재질별 성능 비교
특히 알루미늄 합금과 같은 저밀도 재질은 동일 중량 기준으로 강철 대비 약 3배의 두께를 확보할 수 있어, DOP 예측을 통해 재질 선택을 최적화할 수 있다.
본 연구에서는 DOP를 측정하기 위해 3가지 방법을 사용하였다.
① 깊이 게이지 측정: 기계식 또는 디지털 깊이 게이지를 사용하여 입사면에서 탄두 선단까지의 깊이를 직접 측정한다. 이 방법은 간단하고 빠르게 측정할 수 있으나, 표면 변형에 영향을 받을 수 있다. 정확도는 ±0.01 mm 수준이다.
② 초음파 깊이측정기: 초음파 신호의 반사 시간을 측정하여 관입깊이를 계산하며, 실시간 측정이 가능한 비파괴 검사 방법이다. 고가의 장비가 필요하지만, 여러 지점을 신속하게 측정할 수 있는 장점이 있다.
③ 절단 후 단면 실측: 시편을 절단하여 단면을 직접 측정하는 방법으로 가장 정확하지만, 파괴 검사이므로 시간과 비용이 소요된다. 본 방법은 다른 두 방법의 검증 기준으로 사용되었다.
본 연구에서는 3가지 방법을 병행하여 측정하고, 최종값은 3가지 측정값의 평균 또는 절단 실측값을 사용하였다. 완전 관통이 발생한 경우 DOP는 무한대로 간주되어 유효하지 않은 데이터로 분류하였으며, 탄자의 변형이나 파손으로 인해 측정이 불가능한 경우도 제외하였다.
2.2 예측모델
관입깊이 예측을 위해 본 연구에서는 5가지 AI 모델을 적용하였다(Kim et al., 2022). 각 모델의 원리와 특징은 다음과 같다.
2.2.1 다중 선형 회귀(Multi-variate Linear Regression)
여러 입력 변수와 출력 변수 간의 선형 관계를 모델링하는 방법이다. 관입깊이 DOP는 충돌속도 v, 탄자중량 m, 재질밀도 ρ 등의 선형 결합으로 표현된다. 이 방법은 해석이 용이하고 학습이 빠르다는 장점이 있으나, 비선형 관계를 포착하기 어렵다는 단점이 있다.
2.2.2 베이시안 회귀(Bayesian Regression)
사전 확률 분포와 관측 데이터를 결합하여 사후 확률 분포를 계산하는 방법이다. 이 방법은 불확실성을 정량화할 수 있으며, 소수의 데이터에서도 안정적인 예측이 가능하다. 그러나 계산 복잡도가 높다는 단점이 있다.
2.2.3 서포트 벡터 머신(Support Vector Machine, SVM)
커널 함수를 사용하여 비선형 변환을 수행하고, 서포트 벡터를 기반으로 회귀를 수행하는 방법이다(Cortes and Vapnik, 1995). 이 방법은 고차원 데이터 처리에 우수하며, 소수의 데이터로도 정확한 예측이 가능하다(Kim et al., 2016).
Lee et al.(2021)은 SVM을 이용하여 방호한계속도 V50을 산출하고, 기존 MIL-STD-662F(USA DoD, 1997)와 NIJ-STD-0101.06(USA NIJ, 2008) 방법과 비교하여 우수한 성능을 확인하였다. SVM 방식은 두 집단의 경계에 해당되는 서포트 벡터를 사용하기 때문에 동일한 수의 완전관통과 부분관통 데이터를 확보할 필요가 없고, 최소 2개의 적은 데이터로도 방호한계속도를 산출할 수 있는 장점이 있다. 또한 MIL-STD-662F 방식에 비해 이상치(Outlier)의 영향을 적게 받고 상대적으로 높은 유연성과 효율성을 갖는다. 그러나 하이퍼파라미터 튜닝이 필요하다는 단점이 있다.
2.2.4 XGBoost(eXtreme Gradient Boosting)
결정 트리 앙상블을 기반으로 하는 그래디언트 부스팅 방법이다. 이 방법은 높은 예측 정확도를 제공하며, 변수 중요도(Feature Importance)를 제공하여 해석에 도움을 준다. 그러나 과적합 위험이 있으며, 상대적으로 블랙박스 특성을 가진다.
2.2.5 심층신경망(Deep Neural Network, DNN)
다층 퍼셉트론 구조로 비선형 활성화 함수(ReLU, Sigmoid 등)를 사용하여 복잡한 패턴을 학습하는 방법이다. 이 방법은 대량의 데이터가 필요하며, 블랙박스 특성으로 인해 해석이 어렵다는 단점이 있다. 그러나 충분한 데이터가 확보되면 매우 높은 정확도를 달성할 수 있다.
3. 실험방법
3.1 탄도실험 환경
본 연구는 실사격을 실험을 기반으로 장갑의 방호성능을 분석하였다. 본 실험 간 방호한계속도를 계측하기 위하여 사용한 장비는 고정형 발사장치, 세 개의 스크린 센서, 탄자가 각 스크린을 통과한 시간차이를 기초로 탄속을 측정하는 탄속계측장비(Bullet velocity measurement screen), 시편 고정장치, 그리고 실시간 데이터를 분석을 위한 컴퓨터 등 9종으로 구성되어 있다. 세부적인 실험환경은 Fig. 1에 제시되었다.
Fig. 2에 제시된 바와 같이, 탄자가 스크린 #1, #2, 그리고 #3을 통과할 때 측정된 속도 변화량을 기초로 장갑에 충돌하는 탄자의 충돌속도를 측정하였다. 발사장치로부터 탄속계측장비, 시편까지의 거리는 MIL에 제시된 표준방법을 준수하여 실험실 환경에 적합하도록 총구로부터 15.0 m 이격된 표적지점에 장갑을 설치하였다. 또한, 탄자의 충돌속도의 변화를 주기 위하여 전문가에 의해 탄두를 분리하고 장약(Charge)의 양을 정밀계측 및 조절한 다음 탄두를 재결합하는 과정으로 진행하였다. 식 (1)과 같이 방호한계속도 산출 시 중요한 요소인 표적에 충돌하는 순간의 충돌속도 는 3개의 적외선 감지 스크린을 통과하는 탄자의 기준속도(, )를 측정한 후 다음 식 (1)을 활용하여 충돌속도인 를 계산하였다. 충돌하는 순간의 충돌속도 는 3개의 적외선 감지 스크린을 통과하는 탄자의 속도를 측정한 후, 다음 식 (1)을 활용하여 산출하였다.
여기서 과 는 각각 첫 번째 및 두 번째 센서 세트에서 측정된 탄자의 통과속도, 은 센서 세트 간 거리(=1 m), 는 마지막 센서 세트에서 표적까지의 거리(=2.5 m)를 나타낸다(Fig. 2 참조).
본 연구의 위협은 비 NATO 국가에서 사용하는 소화기탄으로, 공칭 3.62 g의 탄두중량을 갖는 5.45 mm 7N10 보통탄으로 설정하였으며, 해당 소화기탄의 제원과 형상은 Table 1에 제시되었다. 실제 실험에 사용된 개별 탄환의 탄두질량은 약 3.3~3.7 g 범위에서 변동이 관찰되었다. 이러한 탄두질량의 개체 간 변동은 4.2.2절의 다변량 회귀 분석에서 입력 변수로 반영하여 예측 정밀도 향상에 활용하였다.
Table 1
Specifications of the threat
| Item | Specification |  |
| Cartridge weight | 10.7 g | |
| Bullet weight | 3.62 g | |
| Initial velocity(full) | 880 m/s | |
| Kinetic energy | 1,402 J | |
| Firing accuracy at 300 m | 90 mm |
본 연구에 사용된 장갑은 무기체계에 보편적으로 사용되는 균일압연강판 Type-A, B의 2종류를 적용하였으며, 보안목적상 장갑 재질의 세부적인 내용은 다루지 않았다. 강철합금은 높은 경도와 강도를 바탕으로 우수한 내탄성능을 확보할 수 있어 주 장갑재로 광범위하게 사용되며, 주로 중장갑 차량 및 높은 방호 수준이 요구되는 부위에 적용된다. 알루미늄합금은 밀도가 강철합금의 약 1/3 수준(알루미늄합금 약 2.65 g/cm3, 강철합금 약 7.85 g/cm3)으로 경량화에 유리하여, 기동성이 중시되는 경장갑 차량 및 무인전투체계의 차체 구조재 겸 장갑재로 활용된다. 따라서, 방호 성능이 우수한 강철합금과 경량화에 유리한 알루미늄합금을 함께 분석함으로써, 소화기 위협에 대한 금속 장갑재의 관입깊이 예측 모델의 적용 범위를 대표적인 두 재료군에 걸쳐 검증할 수 있다. 한편, 세라믹 장갑, 복합재 장갑, 반응 장갑 등 비금속 또는 복합 방호체계에 대한 관입 예측은 그 파괴 메커니즘과 관입 거동이 금속 장갑재와 본질적으로 상이하므로, 본 연구의 범위에서는 제외하였다.
실험실의 온·습도는 MIL 기준으로 23±2℃와 50±5%를 준수하였다.
3.2 실험 절차
실사격 탄도실험은 다음의 절차로 진행되었다. 첫째, 장약량을 조절하여 다양한 충돌속도 범위(505 ~ 939 m/s)를 확보하였다. 둘째, 시편을 15.0 m 거리의 표적지점에 고정하였다. 셋째, 발사 후 3개의 스크린을 통과하는 시간을 측정하여 충돌속도를 계산하였다. 넷째, DOP를 3가지 방법으로 측정하였다: (1) 깊이 게이지를 이용한 1차 측정, (2) 초음파 깊이측정기를 이용한 검증, (3) 필요 시 절단 후 단면 실측. 최종 DOP 값은 3가지 측정값의 평균 또는 절단 실측값을 사용하였다.
4. 실험 결과
4.1 탄도실험결과
4.1.1 탄도 실험의 유효성
실험을 통해 강철 합금과 알루미늄 합금에 대한 탄속별 관입 깊이를 측정하였으며, 그 결과를 Fig. 3에 나타내었다. 강철 합금(Fig. 3(a))의 경우 총 21발의 실험을 수행하였으나, 이 중 4발은 측정 오류 또는 시험편 결함으로 인해 유효하지 않은데이터로 판단되어 분석에서 제외하였으며, 최종적으로 17발의 유효 데이터(네모 표식)를 획득하였다. 알루미늄 합금(Fig. 3(b))의 경우에는 총 23발의 실험을 수행하였으며, 1발은 유효하지 않았고, 6발은 탄환이 시험편을 완전히 관통하여 관입 깊이를 측정할 수 없었다. 따라서 알루미늄 합금에 대해서는 15발의 유효 데이터를 확보하였다. 이러한 데이터 손실은 알루미늄 합금의 낮은 밀도(2.65 g/cm3)와 강성으로 인해 고속 탄환에 대한 방호 성능이 상대적으로 낮기 때문으로 판단된다.
4.1.2 재질별 관입 깊이 특성
강철 합금과 알루미늄 합금의 관입 깊이 특성을 비교한 결과, 재질에 따른 방호 성능의 현저한 차이가 관찰되었다. 강철 합금(Fig. 3(a))의 경우 탄속 565~934 m/s 범위에서 관입 깊이는 10.1~21.6 mm로 나타났으며, 평균 관입 깊이는 14.6 mm였다. 반면, 알루미늄 합금(Fig. 3(b))은 동일한 탄속 범위(523~940 m/s)에서 관입 깊이가 8.2~42.1 mm로 측정되었으며, 평균 관입 깊이는 30.3 mm로 강철 합금 대비 약 2.1배 깊은 관입이 발생하였다. 특히 900 m/s 이상의 고속 영역에서 알루미늄 합금의 관입 깊이는 40 mm를 초과하는 경우가 다수 관찰되었으며, 이는 강철 합금의 최대 관입 깊이(21.6 mm)의 약 2배에 해당한다. 이러한 결과는 동일 중량 조건에서 알루미늄 합금이 더 두꺼운 장갑 제작이 가능하다는 장점에도 불구하고, 단위 두께당 방호 성능은 강철 합금이 우수함을 시사한다.
4.2 선형회귀분석 결과
4.2.1 선형회귀분석
유효 데이터에 대하여 탄속을 독립변수로 하는 단순 선형 회귀 분석을 실시한 결과(Fig. 3), 두 재질 모두에서 탄속과 관입 깊이 간의 양의 선형 관계가 확인되었다. 강철 합금의 경우 선형 회귀선(검은색 실선)이 실험 데이터와 높은 일치도를 보였으며, 결정계수(R2) 0.68로 탄속 변화의 68%가 관입 깊이 변화를 설명하는 것으로 나타났다. 알루미늄 합금의 경우에도 선형회귀 분석을 수행한 결과, 탄속 증가에 따른 관입 깊이 증가 경향이 명확히 관찰되었으나, 강철 합금에 비해 데이터의 분산이 더 크게 나타났다(표준편차 10.8 mm vs 3.7 mm). 회귀 분석 결과, 강철 합금은 탄속이 100 m/s 증가할 때마다 관입 깊이가 약 3.2 mm 증가하는 반면, 알루미늄 합금은 약 7.8 mm 증가하는 것으로 산출되어, 알루미늄 합금이 탄속 변화에 더욱 민감하게 반응함을 확인하였다.
4.2.2 다변량 회귀 분석의 효과
탄속 이외에 탄두질량을 추가 변수로 포함하는 다변량 선형 회귀 분석을 실시하여, 예측 정확도를 향상시키고자 하였다. 다변량 회귀 분석 결과(십자 표식, proposed results)는 Fig. 3에 함께 나타내었으며, 단순 선형 회귀 분석에 비해 실험 데이터와의 일치도가 개선되었음을 확인할 수 있다. 특히 강철 합금의 경우, 다변량 회귀 모델이 단순 선형 모델에서 예측이 다소 부정확했던 중속 영역(650~750 m/s)의 데이터를 더욱 정확하게 포착하는 것으로 나타났다. 알루미늄 합금의 경우에도 다변량 모델을통해 고속 영역(850 m/s 이상)에서의 예측 정확도가 향상되었다. 이는 관입 깊이가 탄속뿐만 아니라 탄두질량에 의한 운동에너지의 영향을 받으며, 따라서 정밀한 예측을 위해서는 다변량 분석이 필수적임을 시사한다. 실험에 사용된 5.45 mm 7N10 탄환의 탄두질량 변동(약 3.3~3.7 g)이 관입 깊이에 미치는 영향은 탄속에 비해 작으나, 예측 모델의 정밀도 향상에 기여하는 것으로 판단된다.
4.3 머신러닝 기반 예측모델
관입깊이 예측을 위한 다양한 예측모델을 비교하기 위하여, ‘2.2 예측모델’의 머신러닝 기반의 5가지 모델(선형 회귀, 베이시안 회귀, SVM, XGBoost, 심층신경망)을 학습하였다. 입력값으로는 탄두질량, 밀도, 충돌속도, 브리넬 경도, 뾰족도, 인장강도 등을 사용하였다. Fig. 4은 실험결과(Original)와 비교한 각 모델의 예측결과를 보여준다. Fig. 5는 5가지 모델에 대하여 R2, RMSE, MAPE 값을 사용한 성능 평가 결과를 나타낸다. 성능평가는 검증 데이터(전체의 30%)에 대하여 수행하였다.
5가지 예측모델 중 XGBoost가 두 재료 유형 모두에서 가장 우수한 예측 성능을 보였다. 강철 합금(Type A)에서XGBoost는 R2=0.6, RMSE=1.7, MAPE=2.2%를 기록하였으며, 알루미늄 합금(Type B)에서는 R2=0.9, RMSE=0.6, MAPE=2.7%로 모든 평가지표에서 최고 성능을 달성하며, XGBoost의 앙상블 기반 부스팅 기법이 비선형적 관입 거동을 효과적으로 포착할 수 있음을 시사한다. XGBoost는 다수의 결정 트리를 순차적으로 학습하는 그래디언트 부스팅 앙상블 기법을 기반으로 하며, 각 트리가 이전 트리의 잔차(residual error)를 학습하여 순차적으로 오차를 보정하는 구조를 갖는다. 관입깊이(DOP)는 충돌속도, 장갑재 두께 등 입력 변수와 복잡한 비선형 관계를 가지므로, 이러한 앙상블 기반의 비선형 모델링 능력이 관입 거동의 포착에 효과적으로 작용한 것으로 판단된다. 또한, XGBoost는 L1(Lasso) 및 L2(Ridge) 정규화를 내장하고 있어 모델의 복잡도를 자동으로 제어하며, 이는 본 연구와 같이 유효 데이터가 32개로 제한된 소규모 데이터셋 환경에서 과적합을 효과적으로 방지하는 데 기여한다.
SVM 모델은 특히 알루미늄 합금(Type B)에서 가장 저조한 예측 성능을 나타내었다. Type B에서 SVM의 R2는 0.1, RMSE는 5.2, MAPE는 15.7%로, 다른 모델 대비 현저히 낮은 정확도를 보였다. Fig. 4(b)의 산점도에서도 SVM의 예측값(삼각형)이 실험값으로부터 상당히 벗어나는 경향이 관찰되며, 이는 SVM이 고차원 비선형 관계를 충분히 학습하지 못하였음을 나타낸다.
선형 회귀와 베이시안 회귀는 유사한 수준의 중간 정도 성능을 보였다. 두 모델은 강 합금에서 R2=0.5, RMSE≈2.1~2.2로 거의 동일한 결과를 나타내었고, 알루미늄 합금에서도 R2=0.8, RMSE≈2.9~3.0으로 유사한 경향을 보였다. 이는 입력 변수와 관입깊이 간의 관계가 선형적 근사만으로는 완전히 설명되지 않으며, 비선형 모델의 필요성을 뒷받침한다.
심층신경망(DNN)은 R2 측면에서는 양호한 결과를 보였으나, MAPE 측면에서 불안정한 예측 경향을 나타내었다. 강철 합금에서 DNN의 R2는 0.6으로 XGBoost와 동일하였으나, MAPE는 17.1%로 5개 모델 중 가장 높았다. 이는 DNN이 전체적인 추세는 포착하나 개별 데이터 포인트에 대한 예측 편차가 크다는 것을 의미하며, 제한된 학습 데이터 크기에서 DNN의 과적합(overfitting) 또는 일반화 성능 저하 가능성을 시사한다.
알루미늄 합금(Type B)이 강철 합금(Type A) 대비 전반적으로 높은 예측 정확도를 보였다. Type B에서 XGBoost, 선형회귀, 베이시안 회귀 모두 R2가 0.8~0.9 수준으로 Type A의 0.5~0.6 대비 높았다. 이는 알루미늄 합금의 관입깊이 범위가넓어(12~42 mm) 데이터의 변동성이 크고, 이로 인해 모델이 충돌속도와의 상관관계를 보다 명확하게 학습할 수 있었기 때문으로 분석된다.
5. 결 론
본 연구에서는 무인전투체계의 소구경 위협에 대한 방호 설계를 지원하기 위해 머신러닝 기반 관입깊이(DOP) 예측 모델을 개발하였다. 5.45 mm 7N10 탄에 대하여 강철 합금(Type A)과 알루미늄 합금(Type B) 장갑재를 대상으로 총 44회의 실사격 실험을 수행하였으며, 이 중 유효한 32개의 데이터를 확보하여 AI 모델의 학습 및 검증에 활용하였다. 본 연구의 결과 및 요약은 다음과 같다.
(1) 실험 결과, Type A(강합금)의 평균 관입깊이는 14.6 mm(범위: 10.1~21.6 mm)로 나타났으며, Type B(알루미늄 합금)의 평균 관입깊이는 30.3 mm(범위: 8.2~42.1 mm)로 Type A 대비 약 2배 이상 높은 관입깊이를 보였다. 이는 장갑 재질에 따른 방호 성능 차이를 정량적으로 확인한 결과이다.
(2) 선형회귀, 베이지안 회귀, SVM, XGBoost, 심층신경망(DNN) 등 5가지 머신러닝 모델을 적용하여 DOP 예측 성능을 비교 분석한 결과, XGBoost 모델이 가장 우수한 예측 성능을 나타내었다. XGBoost 모델의 Type A에 대한 RMSE는 1.7 mm, R2는 0.6이었으며, Type B에 대한 RMSE는 0.6 mm, R2는 0.9로 높은 예측 정확도를 달성하였다. 특히 Type B에서의 R2 값 0.9는 해당 모델이 알루미늄 합금 장갑재의 관입깊이 변동을 매우 잘 설명할 수 있음을 의미한다.
(3) 본 연구는 실사격 실험 데이터를 기반으로 머신러닝 모델을 구축함으로써 기존의 경험식 또는 수치해석 기반 DOP 예측 방법의 한계를 보완할 수 있는 새로운 접근법을 제시하였다. 또한, 국방개혁 2.0 및 육군비전 2050에서 강조하는 무인전투체계의 생존성 향상에 기여할 수 있는 방호 설계 기초자료를 제공하였다. 마지막으로, 제한된 실험 데이터 환경에서도 XGBoost와 같은 앙상블 기법이 효과적인 예측 성능을 발휘할 수 있음을 확인하였다.
(4) 본 연구에서 활용된 유효 데이터가 32개로 제한적이라는 점은 향후 개선이 필요하다. 추가적인 실사격 실험을 통해 학습 데이터를 확충하고, 다양한 탄종 및 장갑 재질 조건으로 실험 범위를 확대한다면 모델의 일반화 성능을 더욱 향상시킬 수 있을 것으로 기대된다. 또한 입사각도, 탄속 변화 등 추가 변수를 고려한 모델 고도화 연구가 필요하며, 이를 통해 무인전투체계의 실질적인 방호 설계에 활용 가능한 예측 시스템으로 발전시킬 수 있을 것이다.
