폴리에틸렌(PE) 및 폴리프로필렌(PP)의 응력-변형률 곡선과 영률(YM), 파단 신율(EB), 인장 강도(TS)를 기반으로 다중 특성 머신러닝 예측 모델을 구축하여 재료 특성, 시편 제조 공정, 시험 변수들이 기계적 성능에 미치는 영향을 조사하였다. Lasso, 결정트리 회귀(DTR), 랜덤 포레스트 회귀(RF) 등 7가지 알고리즘과 5겹 교차 검증 및 하이퍼파라미터 최적화를 결합하여 기계적 성능에 대한 정량적 예측을 실현했으며, 극한 그래디언트 부스팅(XGB) 알고리즘으로 응력-변형률 곡선을 고충실도로 피팅하였다. 결과는 PE 기계적 성능 예측이 데이터 양 제한으로 정확도에 한계가 있으나, 예측 경향은 방법의 유효성을 나타냄을 보여주었다; PP 데이터셋에서 YM 예측 성능이 최적(R²≥0.80, 일부 모델 0.90 초과)이며 명확한 과적합은 없었음; EB 및 TS 예측은 데이터 양에 제한되어 RF, XGB, KNN 모델만 PP 데이터셋에서 효과적 예측 능력을 보임; 변수 통제 조건 하에서 PP 응력-변형률 곡선 예측 R²는 0.90 이상으로 온도 의존 기계적 성능을 정확히 재현함을 입증했다. 머신러닝이 폴리올레핀 기계적 성능 예측에 실용적임을 검증하였으며, 고분자 재료 기계적 성능 빠른 예측에 기술적 지원이 될 수 있다.

응력-변형률 곡선; 머신러닝; 기계적 성능