Element-deletion-enhanced digital image correlation for automated crack detection and tracking in lattice materials

이 논문은 격자 재료의 이산적 구조와 손상 진화를 고려하여 격자 메쉬에서 직접 상관 문제를 해결하고 손상된 요소를 자동으로 제거하는 전역 디지털 이미지 상관 (DIC) 프레임워크를 제안함으로써, 격자 재료 내 균열의 발생 및 전파를 정밀하게 추적하고 분석하는 새로운 방법을 제시합니다.

핵심

1. 배경: "거미줄" 같은 재료가 깨지는 모습

우리가 흔히 쓰는 금속이나 플라스틱은 고체처럼 뭉쳐 있습니다. 하지만 최근에는 거미줄이나 비행기 날개의 뼈대처럼 빈 공간이 많은 '격자 구조' 재료를 많이 만듭니다. 이 재료는 가볍고 튼튼해서 자동차나 우주선에 쓰이기를 기대받습니다.

하지만 문제는 이 재료가 어떻게 깨지는지를 정확히 알기 어렵다는 것입니다.

• 기존의 문제점: 기존의 카메라 측정 기술 (DIC) 은 "고체"를 보는 안경처럼 만들어졌습니다. 고체가 찢어질 때는 끊어지는 선이 명확하지 않고, 격자 구조처럼 얇은 막대들이 하나씩 부러질 때는 기존 기술로는 그 미세한 변화를 제대로 잡아내지 못했습니다. 마치 거대한 숲을 볼 때 나무 한 그루가 쓰러지는 소리를 듣기 어려운 것과 비슷합니다.

2. 해결책: "상처 난 부분을 자동으로 잘라내는" 새로운 안경

연구팀은 이 문제를 해결하기 위해 **디지털 이미지 상관관계 (DIC)**라는 기술에 '상처 난 부위를 자동으로 잘라내는 (Element-deletion)' 기능을 추가했습니다.

이를 쉽게 비유하자면 다음과 같습니다.

🍕 피자 비유:

• 기존 방법: 피자가 구워지다가 한 조각이 타기 시작하면, 카메라는 그 타는 조각을 계속 찍습니다. 하지만 타는 조각은 모양이 변하고 색이 달라져서, 카메라는 "이 조각이 원래 모양을 유지하면서 얼마나 늘어나고 있는지"를 계산하려다 **망상 (허수)**을 만들어냅니다. "이 조각이 100 배나 늘어났어!"라고 잘못 계산하는 셈이죠.
• 새로운 방법 (이 논문): 카메라가 피자를 찍다가 "아, 이 조각이 타서 더 이상 원래 모양을 유지할 수 없구나!"라고 감지하면, 그 조각을 화면에서 싹 지워버립니다. 그리고 남은 건강한 피자 조각들만 다시 분석합니다.
• 결과: 타버린 조각을 지웠기 때문에, 카메라는 남은 건강한 피자 조각들의 움직임만 정확하게 볼 수 있게 됩니다.

3. 작동 원리: 두 단계로 이루어진 '수사 과정'

이 기술은 두 번의 분석을 통해 작동합니다.

1. 1 단계 (수사관 출동): 먼저 모든 것을 다 찍어보면서 "어디서부터 이상한 신호 (잔류 값) 가 날까?"를 조사합니다. 마치 범죄 현장의 흔적을 찾아내는 것처럼, 노이즈 (잡음) 와 진짜 '부러짐' 신호를 구별하는 기준선을 그립니다.
2. 2 단계 (실제 작전): 이제 기준선을 바탕으로, 신호가 이상한 부위 (부러진 막대) 를 자동으로 화면에서 지우고 나머지 건강한 부분만 계속 추적합니다.

이 덕분에 연구팀은 균열이 어디서 시작되어 어디로 퍼져나가는지를 실시간으로, 그리고 매우 정확하게 추적할 수 있게 되었습니다.

4. 놀라운 성과: "부러진 막대 개수 세기"와 "예측"

이 기술은 단순히 균열을 보는 것을 넘어, 두 가지 중요한 성과를 냈습니다.

• 정확한 카운팅: 실험이 끝난 후 눈으로 직접 세어보니 부러진 막대가 24 개였는데, 이 기술이 계산한 결과는 27 개였습니다. 거의 완벽하게 맞춘 것입니다. (약간의 차이는 연결 부위가 여러 막대에 공유되기 때문인데, 이는 매우 정밀한 수준입니다.)
• 미래의 예측 (데이터 기반): 이 기술은 "이 정도 변형이 되면 부러진다"는 **임계값 (Critical Strain)**을 자동으로 찾아냅니다. 이 값은 나중에 컴퓨터 시뮬레이션에서 "이 재료는 이 정도 힘을 받으면 부러진다"고 미리 알려주는 예측 도구로 쓰일 수 있습니다.

5. 결론: 왜 이 연구가 중요한가요?

이 논문은 **"깨지는 재료를 볼 때, 깨진 부분을 잘라내고 나머지만 봐야 정확한 분석이 가능하다"**는 사실을 증명했습니다.

• 창의적인 비유: 마치 낚시를 할 때, 물고기가 미끼를 물고 줄이 끊어지면 끊어진 줄 끝을 계속 따라가려 하지 않고, 남은 줄과 물고기의 상태만 집중해서 분석하는 것과 같습니다.
• 의미: 이제 우리는 격자 구조 재료가 어떻게, 언제, 어디서 깨지는지 훨씬 더 정확하게 이해할 수 있게 되었습니다. 이는 더 가볍고 튼튼한 차, 비행기, 심지어 인공 뼈를 만드는 데 큰 도움이 될 것입니다.

한 줄 요약:

"재료가 부러질 때, 부러진 부분을 화면에서 지워버리고 건강한 부분만 분석하는 **'자동 삭제 카메라'**를 개발하여, 미세한 격자 재료의 파괴 과정을 완벽하게 추적하는 방법을 찾았습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 격자 구조 (Lattice materials) 와 같은 구조화된 소재는 높은 강성, 강도, 인성을 동시에 가지며 항공우주, 자동차, 생체의료 등 다양한 분야에서 활용됩니다. 그러나 이러한 소재의 파괴 메커니즘, 특히 균열의 시작과 전파를 이해하는 것은 여전히 어렵습니다.
• 문제점:
  • 격자 재료의 파괴는 전체 구조보다 훨씬 작은 개별 보 (struts) 의 국소적 변형에 의해 지배됩니다.
  • 기존의 디지털 이미지 상관법 (DIC) 은 연속체 (continuum) 를 가정하여 변위장의 연속성을 유지하도록 설계되었습니다. 따라서 균열로 인한 변위장의 불연속성 (discontinuity) 이 발생하는 경우, 기존 DIC 는 물리적으로 비현실적인 과도한 변형 값을 계산하거나 균열 경로를 정확히 추적하지 못합니다.
  • 기존 연속체 재료용 균열 추적 방법 (예: 확장 DIC, 통합 DIC) 은 격자 재료의 이산적 특성과 크기 효과 (size effects) 를 고려하지 못해 적용에 한계가 있습니다.
• 목표: 격자 재료의 이산적 특성과 파괴 과정 중 발생하는 재료의 불연속성을 모두 고려하여, 균열의 시작과 전파를 자동으로 탐지하고 추적할 수 있는 새로운 DIC 프레임워크 개발.

2. 제안된 방법론 (Methodology)

저자들은 요소 삭제 (Element-deletion) 가 통합된 글로벌 DIC 프레임워크를 제안합니다. 이 방법은 두 단계의 분석 과정을 거칩니다.

A. 데이터 기반 접근법 (Data-driven Approach)

1. 1 차 분석 (임계값 결정):
   • 요소 삭제가 없는 기존 DIC 분석을 수행하여 기준 이미지와 변형된 이미지 간의 회색조 잔차 (residual, $\rho$) 를 계산합니다.
   • 이미지 프레임별 요소별 잔차 변화량 ($\Delta\rho$) 을 분석하여 노이즈와 실제 손상 (파괴) 이벤트를 구분합니다.
   • 통계적 방법 (MAD, Median Absolute Deviation) 을 사용하여 노이즈 레벨을 추정하고, 이를 기준으로 손상 이벤트를 식별할 수 있는 임계값 ($\Delta\rho_{th}$) 을 설정합니다.
2. 2 차 분석 (요소 삭제 및 추적):
   • 설정된 임계값을 사용하여, 잔차 변화가 임계값을 초과하는 요소를 '손상된 요소'로 간주하고 메쉬에서 자동으로 제거합니다.
   • 손상된 요소가 제거된 후, 남은 intact(무결점) 메쉬 영역에서만 변위장을 다시 계산합니다.
   • 제거된 요소의 중심 좌표를 추출하여 균열 선단 (crack tip) 의 위치와 균열 경로를 시간 경과에 따라 추적합니다.

B. 역학 기반 접근법 (Mechanics-based Approach)

• 데이터 기반 분석을 통해 얻은 파괴 요소들의 임계 변형률 (critical failure strain) 을 분석합니다.
• 이를 바탕으로 요소의 변형률 ($\epsilon$) 이 특정 임계값 ($\epsilon_{th}$) 을 초과할 때 요소를 삭제하는 역학 기반의 요소 삭제 기준을 대안으로 제시합니다.
• 이 방법은 사전에 파괴 특성을 알고 있거나 복잡한 조명 조건에서 잔차 기반 방법이 실패할 때 유용합니다.

3. 주요 기여 (Key Contributions)

1. 격자 구조에 특화된 DIC 프레임워크: 격자 메쉬 (beam 과 joint) 에 직접적으로 DIC 를 적용하고, 손상된 요소를 자동으로 제거하여 물리적으로 일관된 변위장 및 변형률장을 제공합니다.
2. 자동화된 손상 탐지 및 균열 추적: 잔차 변동에 기반한 데이터 기반 알고리즘을 통해 격자 접합부 (joints) 를 포함한 국소적 파괴를 자동으로 탐지하고 균열 경로를 정밀하게 추적합니다.
3. 파괴 변형률 추정: 손상된 요소를 식별함으로써 격자 보 (strut) 의 평균 임계 파괴 변형률을 추정할 수 있으며, 이는 수치 모델링에 직접 활용 가능한 파라미터가 됩니다.
4. 이중 전략 제시: 잔차 기반 (데이터 주도) 과 변형률 기반 (역학 주도) 두 가지 요소 삭제 전략을 비교·검증하여, 실험 조건과 분석 목적에 따라 최적의 방법을 선택할 수 있는 유연성을 제공합니다.

4. 실험 결과 (Results)

• 실험 설정: 3D 프린팅으로 제작된 정삼각형 격자 (regular) 와 결함이 있는 (imperfect, 일부 보 제거) 시편을 모드 I (인장) 하중 하에서 시험했습니다.
• 정규 격자 (Regular Lattice):
  • 제안된 방법 (임계값 $\Delta\rho_{th} = 7.3$ gl) 은 균열이 시작되는 시점 (프레임 200) 을 정확히 탐지했습니다.
  • 요소 삭제 적용 시, 균열 경로에서 발생하는 비물리적인 과도 변형이 제거되었고, 전역 RMS 잔차가 크게 감소하여 DIC 해의 정확도가 향상됨을 확인했습니다.
  • 시각적 검사 결과 (24 개의 파괴된 보) 와 비교했을 때, DIC 기반 추정치 (27 개) 는 매우 높은 정확도를 보였습니다.
• 불완전 격자 (Imperfect Lattice):
  • 설계된 결함 (missing struts) 으로 인해 균열 경로가 비틀어지는 (tortuous) 복잡한 상황에서도 제안된 방법이 손상 위치와 균열 선단 이동을 성공적으로 추적했습니다.
  • 결함과의 상호작용으로 인한 균열 경로 편향을 정확히 포착했습니다.
• 역학 기반 방법 비교:
  • 변형률 기반 임계값 ($\epsilon_{th}$) 을 사용한 방법도 손상 시작 시점을 정확히 탐지했으나, 데이터 기반 방법에 비해 파괴된 보의 수를 다소 과대평가하는 경향이 있었습니다 (이는 변형률장의 국소화 정도가 낮기 때문).
  • 그러나 두 방법 모두 균열 전파와 하중 - 변위 곡선에서의 하중 강하 (force drops) 간의 강한 상관관계를 보여주었습니다.

5. 의의 및 결론 (Significance)

• 기술적 진보: 기존 연속체 가정에 기반한 DIC 의 한계를 극복하고, 이산적 격자 재료의 파괴 역학을 정량적으로 분석할 수 있는 새로운 도구를 제시했습니다.
• 실용적 가치:
  • 격자 재료의 파괴 메커니즘을 이해하는 데 필수적인 '균열 경로'와 '파괴 변형률' 데이터를 실험적으로 제공합니다.
  • 추정된 파괴 변형률 데이터는 유한요소해석 (FEM) 등 수치 시뮬레이션의 검증 및 입력 파라미터로 즉시 활용 가능합니다.
• 확장성: 이 방법은 무질서한 구조 (disordered architectures), 다양한 하중 모드 (모드 I~III), 그리고 3D 볼륨 상관법 (DVC) 으로 확장 가능하여, 구조화된 소재의 파괴 특성을 포괄적으로 규명하는 데 기여할 것으로 기대됩니다.

요약하자면, 이 논문은 자동화된 요소 삭제 기법을 DIC 에 통합함으로써 격자 재료의 국소적 파괴와 균열 전파를 고정밀도로 추적하고 정량화할 수 있는 강력한 실험적 방법론을 확립했다는 점에서 의의가 큽니다.