Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network

본 논문은 탄소/에폭시 복합재료의 공정 유발 변형을 예측하기 위해 물리 기반 시뮬레이션과 실험 데이터를 결합한 DeepONet 기반의 확률적 예측 프레임워크를 개발하고, 전이 학습과 앙상블 칼만 역산을 통해 불확실성을 정량화하며 최적의 경화 사이클을 도출하는 방법을 제시합니다.

핵심

이 논문은 **"복합재료 (탄소 섬유와 수지) 가 만들어질 때 왜 모양이 일그러지는지 예측하고, 그 문제를 해결하는 지능형 방법"**에 대한 이야기입니다.

비유하자면, 이 연구는 **"오븐에서 구워지는 케이크가 왜 구부러지는지 예측하고, 가장 완벽하게 구울 수 있는 온도 조절법을 찾아내는 AI 요리사"**를 개발한 것과 같습니다.

다음은 이 복잡한 연구를 일반인이 쉽게 이해할 수 있도록 풀어서 설명한 내용입니다.

---

1. 문제: 왜 케이크 (복합재료) 가 구부러질까?

탄소 섬유와 수지 (접착제 역할) 를 섞어 만든 복합재료는 항공기나 자동차에 쓰입니다. 하지만 이걸 만들 때 (가열하고 굳히는 과정), 두 재료가 서로 다른 속도로 수축하고 팽창합니다.

• 비유: 두 명의 친구가 손을 잡고 걷는데, 한 명은 빨리 걷고 다른 한 명은 느리게 걷습니다. 그러면 두 사람이 서로 당기게 되고, 결국 한쪽이 휘어지게 됩니다.
• 결과: 이 '휘어짐'을 **공정 유발 변형 (PID)**이라고 합니다. 이 변형이 너무 크면 부품이 쓸모없게 되거나, 나중에 조립할 때 깨질 수 있습니다.

2. 기존 방법의 한계: "수작업으로 실패를 반복하다"

과거에는 이 문제를 해결하기 위해 컴퓨터 시뮬레이션 (가상 실험) 을 많이 돌렸습니다. 하지만 시뮬레이션은 정확하지만 매우 느리고 계산 비용이 비쌉니다. 반면, 실제 실험은 빠르지만 데이터가 부족합니다.

• 비유: 완벽한 레시피 (시뮬레이션) 는 있지만 요리하는 데 100 시간이 걸리고, 실제 요리는 10 분에 끝내지만 맛을 제대로 보지 못해 실패할 위험이 큽니다.

3. 해결책: "DeepONet"이라는 초고속 AI 요리사

연구진은 **DeepONet (딥 오퍼레이터 네트워크)**이라는 새로운 AI 를 도입했습니다.

• 일반 AI vs DeepONet: 일반적인 AI 는 "입력 (재료) → 출력 (결과)"을 숫자 단위로 기억합니다. 하지만 DeepONet 은 "함수 (곡선) → 함수 (곡선)"를 기억합니다.
  • 즉, "어떤 온도 곡선을 주면, 어떤 변형 곡선이 나올까?"를 통째로 학습합니다.
• FiLM (필름) 기술: 이 AI 는 단순히 온도만 보는 게 아니라, **"처음에 수지가 어느 정도 굳었는지 (초기 경화도)"**라는 추가 정보를 받아들이는 '스마트한 필터 (FiLM)'를 달았습니다. 마치 요리사가 "재료의 신선도"를 보고 조리법을 살짝 바꾸는 것과 같습니다.

4. 핵심 전략: "시뮬레이션으로 배우고, 실험으로 다듬기" (Transfer Learning)

실제 실험 데이터는 '최종 결과 (완성된 케이크의 휘어짐)'만 알 수 있고, '과정 (구워지는 동안의 휘어짐)'은 알 수 없습니다.

• 전략:
  1. 1 단계 (가상 학습): AI 에게 수천 번의 컴퓨터 시뮬레이션 데이터를 먹여서 "온도와 변형의 관계"를 완벽하게 익히게 합니다.
  2. 2 단계 (실전 다듬기): 실제 실험 데이터 (최종 결과만 있는 데이터) 를 주면서, AI 가 이미 배운 지식은 그대로 두고 마지막 부분만 살짝 수정하게 합니다.
• 비유: 요리사가 수천 번의 가상 시뮬레이션으로 레시피를 완벽하게 익힌 뒤, 실제 고객 (실험) 이 "맛이 조금 짜다"고 말하면, 레시피 전체를 다시 쓰는 게 아니라 소금 양만 살짝 조절하는 것입니다. 이렇게 하면 적은 데이터로도 정확한 예측이 가능합니다.

5. 불확실성 관리: "EKI 를 통한 안전장치"

AI 가 예측을 할 때 "이게 정말 맞을까?"에 대한 확신도 필요합니다. 연구진은 **EKI (앙상블 칼만 역산)**라는 방법을 썼습니다.

• 비유: 한 명의 요리사에게 맡기는 게 아니라, **2,000 명의 요리사 (앙상블)**에게 동시에 시키고, 그들의 예측 결과를 평균내어 "이 정도 범위라면 맞을 것이다"라고 **오차 범위 (안전장치)**를 표시하는 것입니다.
• 이를 통해 실험 데이터가 부족할 때도 AI 가 "나는 이 정도는 확신하지만, 이 부분은 불확실하다"라고 솔직하게 알려줍니다.

6. 최종 성과: "최고의 온도 조절법 찾기"

이 모든 기술을 합쳐서 연구진은 **가장 휘어짐이 적은 최적의 온도 조절법 (큐어 사이클)**을 찾아냈습니다.

• 결과: 기존 방식보다 8~10% 정도 더 덜 휘어진 부품을 만들 수 있는 새로운 레시피를 발견했습니다.
• 의미: 이제 항공기나 자동차 부품을 만들 때, "일단 만들어보고 실패하면 다시 만들고" 하는 시행착오를 줄이고, AI 가 미리 "이렇게 구우면 완벽하다"고 알려주는 것이 가능해졌습니다.

---

한 줄 요약

이 논문은 컴퓨터 시뮬레이션과 실험 데이터를 AI 가 융합하여, 복합재료 제조 과정에서 발생하는 '휘어짐'을 미리 예측하고, 가장 완벽한 제조 조건을 찾아내는 지능형 시스템을 개발한 것입니다.

기술 요약

이 논문은 탄소/에폭시 복합재료의 경화 과정에서 발생하는 **공정 유발 변형 (Process-Induced Deformation, PID)**을 예측하고 최적화하기 위해 **딥 오퍼레이터 네트워크 (Deep Operator Networks, DeepONets)**와 **앙상블 칼만 역산 (Ensemble Kalman Inversion, EKI)**을 결합한 데이터 기반 프레임워크를 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem)

• 배경: 항공우주, 자동차 등 경량 구조물에 널리 사용되는 열경화성 섬유 강화 복합재료는 제조 과정에서 섬유와 매트릭스 (수지) 의 열팽창 계수 불일치 및 경화 수축으로 인해 잔류 응력이 발생합니다.
• 문제점: 이 잔류 응력이 부분적으로 방출되면 **공정 유발 변형 (PID)**이 발생하여 제조된 부품이 설계 공차를 벗어나거나 결함이 생길 수 있습니다. 또한, 변형된 부품을 조립할 경우 추가적인 응력이 발생하여 조기 파손의 원인이 됩니다.
• 목표: PID 를 정확히 예측하고, 이를 줄이기 위해 비등온 (non-isothermal) 경화 사이클을 최적화하는 것이 필수적입니다. 기존 수치 시뮬레이션은 정확하지만 계산 비용이 높고, 실험 데이터는 제한적이므로 이를 효율적으로 결합할 수 있는 새로운 접근법이 필요합니다.

2. 방법론 (Methodology)

연구진은 물리 기반 시뮬레이션, 실험, 머신러닝을 통합한 3 단계 프레임워크를 구축했습니다.

• 물리 기반 시뮬레이션 및 데이터 생성:
  • AS4 탄소 섬유/아민계 에폭시 프리프레그를 대상으로 열팽창/수축과 경화 수축을 고려한 2 메커니즘 프레임워크를 사용하여 ABAQUS 와 COMPRO 를 통해 고충실도 (high-fidelity) 시뮬레이션을 수행했습니다.
  • 다양한 비등온 경화 사이클 (시간 - 온도 프로파일) 에 대한 PID 응답 데이터를 생성하여 데이터셋을 구축했습니다.
• FiLM-DeepONet (딥 오퍼레이터 네트워크) 개발:
  • DeepONet: 함수 공간 간의 매핑 (입력: 온도 프로파일, 출력: 변형 이력 등) 을 학습하는 오퍼레이터 학습 기법을 적용했습니다.
  • FiLM (Feature-wise Linear Modulation) 확장: 초기 경화도 (Initial Degree of Cure, DoC0) 와 같은 외부 매개변수가 변형 이력에 미치는 영향을 반영하기 위해 브랜치 네트워크의 특징을 외부 변수로 조절하는 FiLM 구조를 도입했습니다. 이를 통해 DoC, 점도, 변형의 시간 이력을 모두 예측할 수 있습니다.
• 전이 학습 (Transfer Learning):
  • 실험 데이터는 최종 변형 값 등 제한된 시점에서만 이용 가능하므로, 시뮬레이션 데이터로 미리 훈련된 DeepONet 의 가중치를 고정하고, **최종 층 (final layer) 만 실험 데이터의 최종 변형 값에 맞춰 미세 조정 (fine-tuning)**하여 실험 조건에 적응시켰습니다.
• 불확실성 정량화 및 최적화 (EKI):
  • 앙상블 칼만 역산 (EKI): 고차원의 베이지안 역문제 해결을 위해 EKI 를 도입했습니다. 이는 경사도 기반 방법보다 계산 효율이 높으며, DeepONet 앙상블을 훈련시키면서 동시에 **인지적 불확실성 (epistemic uncertainty)**을 정량화합니다.
  • cKAN (Chebyshev enhanced Kolmogorov Arnold Networks): 파라미터 차원을 줄이고 계산 효율을 높이기 위해 기존 MLP 를 cKAN 으로 대체하여 DeepONet 아키텍처에 적용했습니다.
  • 최적화: EKI 기반 프레임워크를 사용하여 최종 변형을 최소화하면서 완전 경화 (DoC ≥ 0.99) 를 만족하는 최적의 중간 온도 유지점 (dwell point) 을 찾았습니다.

3. 주요 기여 (Key Contributions)

1. 물리 기반 시뮬레이션과 실험의 통합: 제한된 실험 데이터만으로는 학습이 어렵다는 문제를 해결하기 위해, 고충실도 시뮬레이션 데이터를 기반으로 훈련된 오퍼레이터 학습 모델을 전이 학습을 통해 실험 데이터에 성공적으로 적용했습니다.
2. FiLM-DeepONet 아키텍처 제안: 초기 경화도 (DoC0) 와 같은 물리적 매개변수를 조건부 변수로 포함하여, 다양한 초기 상태에서의 재료 거동 (점도, 변형 이력 등) 을 정밀하게 예측할 수 있는 모델을 개발했습니다.
3. 불확실성 정량화 및 최적화 동시 수행: EKI 를 활용하여 예측 결과에 대한 신뢰 구간 (uncertainty bounds) 을 제공하면서도, 이를 바탕으로 경화 사이클을 최적화하는 통합 프레임워크를 제시했습니다.
4. 효율적인 네트워크 구조: cKAN 을 도입하여 DeepONet 의 파라미터 수를 줄이고 계산 효율성을 높였습니다.

4. 결과 (Results)

• 모델 검증: 시뮬레이션과 실험 간의 비교에서, 기준 (baseline) 경화 사이클의 PID 예측값은 실험 표준 편차 범위 내에 있었으며, 최적화된 사이클 (R11, R21) 에 대해서는 측정값 대비 10% 미만의 오차를 보였습니다.
• 전이 학습 효과: 실험 데이터의 최종 변형 값만을 사용하여 모델을 미세 조정했을 때, 전체 변형 이력 예측이 실험 결과와 높은 일치도를 보였습니다.
• 불확실성 정량화: EKI 기반 앙상블을 통해 예측된 변형 이력에 대한 신뢰 구간이 설정되었으며, 이 구간이 실제 시뮬레이션 및 실험 데이터를 잘 포괄하는 것을 확인했습니다.
• 최적화 성과: 제안된 프레임워크를 통해 기존 연구 [28] 에서 도출된 최적 경화 프로파일과 매우 유사한 결과 (약 133°C, 1.6 분 유지) 를 자동으로 찾아냈으며, 이를 통해 변형을 8~10% 감소시키는 효과를 확인했습니다.

5. 의의 (Significance)

이 연구는 복합재료 제조 공정에서 물리 기반 모델링, 오퍼레이터 학습, 불확실성 정량화를 통합하여, 제한된 실험 데이터로도 정확한 예측과 최적화가 가능함을 입증했습니다.

• 데이터 효율성: 실험 데이터가 부족할 때 시뮬레이션 데이터를 활용하여 모델을 보정하는 전이 학습 전략은 실제 제조 현장 적용에 매우 유용합니다.
• 신뢰성 있는 의사결정: 불확실성을 정량화함으로써, 최적의 경화 사이클을 설계할 때 리스크를 고려한 보다 견고한 의사결정을 지원합니다.
• 확장성: 이 프레임워크는 다른 재료 시스템이나 복잡한 제조 공정에도 적용 가능하여, 불확실성 하에서의 견고한 공정 설계 (Robust Process Design) 를 위한 새로운 표준을 제시합니다.

요약하자면, 이 논문은 탄소/에폭시 복합재료의 변형 문제를 해결하기 위해 딥러닝 기반 오퍼레이터 학습과 베이지안 역산 기법을 혁신적으로 결합하여, 정확하고 불확실성을 고려한 공정 최적화 도구를 개발한 획기적인 연구입니다.