혁신적인 AI: 적층 제조의 미래를 엿보다

Olabode T. Ajenifujah와 Amir Barati Farimani 연구팀은 머신러닝과 다항식 기호 회귀 모델을 사용하여 적층 제조 공정 중 발생하는 스패터 현상을 예측하고 제어하는 방법을 개발했습니다. 281개의 데이터셋을 바탕으로 95% 이상의 높은 예측 정확도를 달성, 특히 ExtraTree 모델은 96.7%의 R2 값을 기록했습니다. 이 연구는 AI 기반의 적층 제조 공정 최적화를 통한 품질 향상 및 효율 증대에 크게 기여할 것으로 기대됩니다.

AI가 적층 제조의 난제를 해결하다: 용융풀 역학 제어를 위한 획기적인 연구

최근 적층 제조(AM) 분야에서 품질 불균일 문제가 주요 과제로 떠오르고 있습니다. 특히, 용융풀 역학의 불안정성으로 인한 스패터(spatter) 현상은 제품의 결함을 야기하는 주범입니다. 이러한 문제를 해결하기 위해 Olabode T. Ajenifujah와 Amir Barati Farimani 연구팀은 머신러닝(ML)과 다항식 기호 회귀 모델을 활용한 획기적인 연구를 진행했습니다.

데이터 기반의 정확한 예측: 95% 이상의 정확도 달성

연구팀은 레이저 분말상 용융(LPBF) 공정을 중심으로 281개의 다양한 공정 조건(레이저 출력 및 속도 등)을 실험적으로 검증된 계산 도구를 통해 데이터셋으로 구축했습니다. 여기에는 용융풀의 크기(길이, 너비, 깊이), 형상(면적, 부피), 그리고 스패터의 양과 같은 주요 변수들이 포함됩니다.

놀라운 점은, 머신러닝 모델을 통해 용융풀의 크기와 형상을 95% 이상의 높은 정확도(R2) 로 예측하는 데 성공했다는 것입니다. 특히, ExtraTree 모델은 무려 96.7%의 R2 값을 기록하며 그 정확성을 입증했습니다. 스패터 양 예측의 경우에도, 로그 변환을 통해 모델 정확도를 향상시켰습니다.

미래를 위한 청사진: 더욱 안정적이고 효율적인 적층 제조

이 연구는 단순한 예측 모델 개발을 넘어, 적층 제조 공정의 최적화와 품질 관리를 위한 새로운 가능성을 제시합니다. AI 기반의 정확한 예측을 통해 스패터 발생을 미리 방지하고, 최적의 공정 조건을 설정하여 제품의 품질을 획기적으로 향상시킬 수 있습니다. 이는 곧 생산성 향상과 비용 절감으로 이어지는 긍정적인 결과를 가져올 것입니다.

연구팀은 앞으로도 ML과 AI 기술을 적용하여 적층 제조 공정의 효율성과 신뢰성을 더욱 높여나갈 계획이며, 이를 통해 다양한 산업 분야에서 적층 제조 기술의 활용을 확대할 것으로 기대됩니다. 이러한 발전은 우리가 상상하는 이상의 혁신적인 제품 제작을 가능하게 할 것입니다.