Hybrid Machine Learning and Physical Modeling of Feedstock Deformation During Robotic 3D Printing of Continuous Fiber Thermoplastic Composites

기술 요약: 로봇 3D 프린팅에서 원료 변형에 대한 하이브리드 머신러닝 및 물리 모델링

문제 제기
연속 섬유 강화 열가소성 복합재료의 3D 프린팅 중 발생하는 원료 변형은 간극과 중첩과 같은 제조 결함을 유발하는 중요한 과제입니다. 열구배와 잔류응력이 주요 원인임은 알려져 있으나, 잔류응력 완화, 건조, 결정화에 의해 유발되는 단일 적층 테이프의 구체적인 변형은 모델링이 복잡합니다. 이러한 단일 경로 변형은 섬유 정렬 및 로봇 적층 제어와 같은 고유의 공정 변수에 직접적인 영향을 미칩니다. 기존 접근법은 한계가 있습니다: 순수 데이터 기반 모델은 검증된 영역 밖에서 신뢰성이 부족하며, 전통적인 물리 기반 모델은 결정화 및 미세구조 특성 변화의 결합된 다중물리 현상을 다루는 데 어려움을 겪습니다. 저자들은 경로 계획을 최적화하고 결함을 최소화하기 위해 테이프 치수 변화를 예측할 수 있는 견고한 프레임워크의 필요성을 해결합니다.

방법론
저자들은 확립된 물리 모델과 데이터 기반 접근법을 결합한 하이브리드 모델링 프레임워크를 제안하며, 구체적으로 안정화된 신경 상미분방정식 (Neural ODE) 을 활용합니다. 워크플로우는 다음 단계를 거칩니다:

1. 실험적 특성 분석:

   • 설계: 로봇 3D 프린팅 시스템 (ABB IRB 1200) 이 강철 빌드 플랫폼 위에 연속 탄소 섬유 (CCF) 프리프레그 테이프 (LM-PAEK 매트릭스) 를 적층합니다.
   • 재료 시험: 시차 주사 열량계 (DSC) 를 통해 유리 전이 온도 ($T_g \approx 147^\circ\text{C}$) 및 결정화 피크 ($T_{pc} \approx 184^\circ\text{C}$) 를 확인했습니다. 동적 기계 분석 (DMA) 을 테이프 시편에 대해 두 가지 온도 구간인 $120^\circ\text{C}$ ($T_g$ 미만) 와 $180^\circ\text{C}$ ($T_g$ 초과) 에서 수행했습니다. 이러한 시험은 가열 및 냉각 사이클 중 치수 변화 (변형률) 를 측정했습니다.

2. 물리 모델링 (점탄성):

   • 프리프레그의 기계적 거동을 시뮬레이션하기 위해 켈빈 - 보이트 (Kelvin-Voigt) 점탄성 모델이 사용되었습니다.
   • 이 모델은 제조사 데이터 및 동질화 규칙에서 도출된 직교 이방성 열 및 기계적 특성을 활용했습니다.
   • 매개변수 (열팽창 계수 및 점성 텐서 성분) 는 비가역적 건조 및 잔류응력 방출이 발생하는 초기 가열 단계를 제외하고 DMA-1 실험 데이터 ($120^\circ\text{C}$) 에 시뮬레이션을 적합시켜 식별되었습니다.

3. 하이브리드 데이터 기반 모델링:

   • 초기 변형률 방출 (건조/잔류응력): DMA-1 의 첫 번째 가열 단계에서 점탄성 시뮬레이션과 실험 데이터 간의 불일치는 건조 및 잔류응력 방출로 귀결되었습니다. 안정화된 신경 ODE 가 이러한 잔류 데이터를 기반으로 훈련되어 이러한 초기 변형률의 시간 의존적 진화를 학습했습니다.
   • 결정화 유발 변형: DMA-2 실험 ($180^\circ\text{C}$) 의 경우, 총 측정 변형률, 점탄성 예측치, 그리고 예측된 초기 변형률 방출 간의 차이를 결정화 변형률로 정의했습니다. 두 번째 안정화된 신경 ODE 가 온도가 $T_g$ 를 초과함에 따라 이러한 변형률의 진화를 모델링하도록 훈련되었습니다.

4. 통합 및 검증:

   • 식별된 모델들 (켈빈 - 보이트, 초기 변형률 방출, 결정화) 은 열 및 기계적 해법을 위한 Proper Generalized Decomposition (PGD) 을 사용하여 통합 시뮬레이션 프레임워크에 통합되었습니다.
   • 이 프레임워크는 로봇 프린팅 조건 ($380^\circ\text{C}$ 노즐, $160^\circ\text{C}$ 플랫폼) 하에서 280 mm 테이프 적층을 시뮬레이션하는 데 적용되었습니다.
   • 시뮬레이션 결과는 물리적으로 적층된 테이프의 실험적 측정치와 비교하여 검증되었습니다.

주요 기여

• 하이브리드 모델링 프레임워크: 본 논문은 건조, 응력 완화, 결정화와 같은 순수 분석적 모델링이 어려운 복잡하고 비선형적인 현상을 포착하기 위해 물리 기반 점탄성과 안정화된 신경 ODE 를 성공적으로 통합함을 보여줍니다.
• 외삽 능력: 연구는 훈련 영역을 넘어 일반화할 수 있는 안정화된 신경 ODE 의 능력을 강조합니다. 구체적으로, $120^\circ\text{C}$ 까지의 데이터로만 훈련된 초기 변형률 방출 모델은 재훈련 없이 $180^\circ\text{C}$ 까지의 거동을 성공적으로 예측하여 포화 상태에 도달했습니다.
• 변형 메커니즘의 분해: 이 연구는 열팽창, 초기 변형률 방출, 결정화가 전체 원료 변형에 기여하는 구체적인 기여도를 분리하고 정량화하여 단일 테이프 적층에서의 결함 생성 메커니즘에 대한 더 명확한 이해를 제공합니다.

결과

• 모델 정확도: 하이브리드 모델은 변형률 진화를 예측하는 데 높은 충실도를 달성했습니다. 초기 변형률 방출 예측의 상대 오차는 테스트 세트에서 0.57% 였으며, 결정화 변형률의 경우 테스트 세트에서 2.43% 였습니다.
• 일반화: 모델은 훈련에 사용된 온도 ($120^\circ\text{C}$) 보다 훨씬 높은 온도 ($180^\circ\text{C}$) 에서 변형률 방출의 포화를 정확하게 재현했습니다.
• 로봇 적층 검증: 로봇 프린팅 시나리오에 적용되었을 때, 시뮬레이션은 테이프의 측면 변형을 높은 정확도로 예측했습니다. 시뮬레이션된 최종 너비는 실험적 캘리퍼 측정치와 밀접하게 일치하여, 이 모델이 실제 적층 환경에서 열구배, 응력 완화, 결정화의 결합된 효과를 고려할 수 있음을 확인시켰습니다.

의의
저자들은 이 작업이 연속 섬유 열가소성 수지의 로봇 3D 프린팅을 위한 원료 변형 이해의 "초석"을 이룬다고 주장합니다. 주요 의의는 프린팅 공정의 디지털 트윈 생성을 가능하게 하는 제안된 "전체적 접근법"에 있습니다. 공정 매개변수에 기반하여 적층된 테이프의 최종 치수를 정확하게 예측함으로써, 이 모델은 간극과 중첩을 방지하기 위해 테이프 래스터 오프셋 (TRO) 을 최적화할 수 있게 합니다. 이러한 능력은 최적의 프린팅 매개변수를 결정하기 위해 비용이 많이 들고 시간이 많이 소요되는 실험적 시도에 대한 의존도를 줄여줍니다. 또한, 저자들은 현재 연구가 직선 경로에 초점을 맞추고 있지만, 이 프레임워크가 곡선 경로 및 복잡한 구조 부품 제조에 대한 향후 연구의 기초를 제공한다고 제안합니다.