본 논문은 거친 표면 접촉에서의 유효 접촉 면적 예측을 위한 서로게이트 모델링 프레임워크를 제안한다. 경계 요소법(BEM)과 같은 정확한 수치 해석 방법은 계산 비용이 높기 때문에 불확실성 정량화, 매개변수 식별 및 다중 스케일 알고리즘과 같이 반복적인 계산이 필요한 다중 쿼리 환경에 적용하기 어렵다. 따라서 본 연구는 빠르게 평가할 수 있는 데이터 기반 기법을 사용하여 유효 접촉 면적을 예측하는 서로게이트 모델링 프레임워크를 제시한다. 여러 머신러닝 알고리즘을 사전 계산된 데이터셋으로 학습시켰는데, 입력값은 가해진 하중과 통계적 거칠기 매개변수이고, 출력값은 해당 유효 접촉 면적이다. 모델들은 예측 정확도와 계산 효율성 측면에서 공정한 비교를 가능하게 하기 위해 하이퍼파라미터 최적화를 거쳤다. 그 결과, Kernel Ridge Regressor가 정확도와 효율성 측면에서 가장 좋은 성능을 보였고, Gaussian Process Regressor는 불확실성 정량화가 필요한 경우 매력적인 대안으로 제시되었다. Kernel Ridge 모델의 일반화 능력은 미지의 시뮬레이션 시나리오에서 검증되었다. 데이터베이스 생성이 서로게이트 모델링 과정에서 가장 큰 비용을 차지하지만, 제안된 방법은 다중 쿼리 작업에 실용적이고 효율적임을 보였다.
