무기 제품 압착 분야에서 제품 성형 밀도는 무기 장비 피해 효율성과 밀접한 관련이 있으며, 이는 압착 성형 품질의 중요한 지표 중 하나이다. 폭약 산립체 압착 성형 과정은 다변량, 매개변수 불확실성, 데이터 획득 어려움 등의 특징을 가지며, 전통적인 수치 시뮬레이션 방법으로는 제품 성형 밀도를 정확하게 얻기 어렵다. 데이터 기반 방법은 데이터 의존성이 강하여 성형 밀도 예측이 정확하지 않다. 이에 데이터 증강 및 극단적 그래디언트 부스팅-다층 퍼셉트론(Extreme Gradient Boosting-Multi-Layer Perceptron, XGBoost-MLP) 앙상블 학습 기반의 폭약 산립체 성형 밀도 예측 방법을 제안한다. 랜덤 포레스트 기반 데이터 증강 방법을 사용하여 원시 데이터를 확장하고, 물리적 일관성 분석을 통해 확장된 데이터가 물리 메커니즘을 준수하는지 확인하였다; XGBoost-MLP 앙상블 학습 방법을 제안하여 폭약 산립체 압착 성형 밀도 예측 모델을 구축하고, K-겹 교차 검증 및 조기 종료 전략을 통해 모델 학습 과정을 강화하였다; 폭약 산립체 압착 성형 및 밀도 시험을 설계 및 실시하여 제안된 방법을 검증하였다. 이를 바탕으로 제안된 방법과 XGBoost-MLP, 데이터 증강-XGBoost, 데이터 증강-MLP 방법과 비교 분석을 수행하였다. 연구 결과 랜덤 포레스트 기반 데이터 증강 방법이 샘플 부족으로 인한 모델 과적합 문제를 효과적으로 완화시킬 수 있으며, 압착 성형 데이터의 소규모 샘플 문제를 어느 정도 극복하였음을 보였다; 제안된 방법은 평균 절대 오차, 평균 제곱 오차, 평균 절대 백분율 오차에서 각각 0.0175, 0.000555, 1.03%로 최저값을 기록하여 압착 성형 밀도의 고정밀 예측을 실현하였다.

압착 약품;폭약 산립체 압착 성형;극단적 그래디언트 부스팅-다층 퍼셉트론 앙상블 학습;밀도 예측