첨단 제조의 혁신: 머신러닝으로 용융풀 제어 및 스패터 최소화


본 기사는 Olabode T. Ajenifujah 박사와 Amir Barati Farimani 박사 연구팀의 머신러닝 기반 용융풀 제어 및 스패터 최소화 연구에 대한 내용을 소개합니다. 높은 정확도의 예측 모델 개발을 통해 첨단 제조 공정의 품질 향상과 안정성 확보에 기여하는 이 연구는 첨단 제조 기술 발전에 중요한 의미를 갖습니다.

related iamge

급속도로 발전하는 첨단 제조(AM) 기술은 복잡한 형상의 제작 능력으로 다양한 분야에서 주목받고 있습니다. 하지만, 일관된 인쇄 품질 확보는 여전히 AM의 주요 과제입니다. 이러한 불일치는 종종 용융풀 역학의 불안정성, 특히 제품 결함으로 이어지는 스패터(spatter)로 인한 것입니다. 따라서 용융풀의 진화를 포착하고 제어하는 것은 공정 안정성과 부품 품질 향상에 매우 중요합니다.

Olabode T. Ajenifujah 박사와 Amir Barati Farimani 박사 연구팀은 이러한 문제 해결을 위해 머신러닝(ML)과 다항식 심볼릭 회귀 모델을 활용한 혁신적인 프레임워크를 개발했습니다. 이는 레이저 분말층 용융(LPBF) 공정에서 대규모 데이터셋을 비용 효율적으로 수집하기 위한 실험적으로 검증된 계산 도구를 구현하여 가능했습니다.

연구팀은 281개의 공정 조건 데이터셋을 기반으로 용융풀 치수(길이, 너비, 깊이), 용융풀 기하학적 형태(면적, 부피), 그리고 스패터로 나타나는 부피 등의 매개변수를 추출했습니다. ML과 다항식 심볼릭 회귀 모델을 사용하여 훈련 및 테스트 데이터셋 모두에 대해 용융풀 치수 및 기하학적 특징을 95% 이상의 높은 R2 값으로 예측하는 데 성공했습니다. 모델 입력으로는 공정 조건(출력 및 속도) 또는 용융풀 치수를 사용했습니다. 스패터로 나타나는 부피의 경우, 공정 조건 또는 용융풀 치수를 로그 변환하여 모델 입력으로 사용한 후 R2 값이 향상되었습니다.

특히, 조사된 ML 모델 중 ExtraTree 모델이 96.7%와 87.5%의 가장 높은 R2 값을 달성했습니다. 이는 용융풀 특성 예측의 정확성을 크게 향상시킨 것으로, AM 공정의 품질 관리 및 결함 최소화에 중요한 의미를 갖습니다. 이 연구는 첨단 제조 분야에 머신러닝을 효과적으로 적용하여 공정 안정성을 확보하고 제품 품질을 향상시키는 실용적인 방법을 제시하고 있습니다. 향후, 이 기술은 더욱 다양한 AM 공정에 적용되어 생산 효율 증대 및 고품질 제품 생산에 기여할 것으로 기대됩니다.


결론: 본 연구는 머신러닝을 활용하여 첨단 제조 공정의 핵심 문제인 용융풀 제어 및 스패터 최소화에 대한 효과적인 해결책을 제시하며, 산업 전반에 걸쳐 혁신적인 변화를 가져올 가능성을 보여줍니다. 더욱 정교한 모델 개발과 실제 제조 환경 적용을 통해 그 효과는 더욱 확대될 것으로 전망됩니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] Modeling Melt Pool Features and Spatter Using Symbolic Regression and Machine Learning

Published:  (Updated: )

Author: Olabode T. Ajenifujah, Amir Barati Farimani

http://arxiv.org/abs/2501.08922v1