Predicting Steel Fatigue Life from Micrographs Using Physics-Informed Deep Learning

기술 요약: FATIGUECV – 물리 기반 딥러닝을 이용한 현미경 사진 기반 강철 피로 수명 예측

문제 정의
구조용 강철의 피로 수명($N_f$)에 대한 전통적인 평가는 시편당 50~500시간이 소요되는 파괴적인 하중 제어 S–N 테스트에 의존한다. 이러한 시간 소요 문제는 경량화가 중요한 분야(자동차, 철도, 항공우주)에서 신속한 품질 관리 도구로서의 실용성을 저해한다. 광학 현미경은 피로의 미세구조적 동인(결정립 구조, 균열 형태, 기공 등)을 포착하는 일상적인 품질 관리 단계이지만, 현재 이러한 정성적인 시각 데이터를 정량적이고 교정된 피로 수명 추정치로 변환하는 확립된 방법은 존재하지 않는다. 또한, 피로와 관련된 기존의 머신러닝 접근 방식은 표 형식의 입력값(성분, 기계적 특성)에 의존하거나, 안전 보증에 필수적인 샘플별 불확실성 정량화(uncertainty quantification)를 제공하지 못하는 한계가 있다.

방법론: FATIGUECV 파이프라인
저자는 광학 현미경으로부터 $\log_{10}(N_f)$ 및 샘플별 불확실성을 직접 추정하는 엔드 투 엔드 컴퓨터 비전 프레임워크인 FATIGUECV를 제시한다. 이 파이프라인은 네 가지 순차적 레이어로 구성된다:

1. 합성 데이터 생성:
   피로 수명의 정답(ground-truth)과 현미경 사진이 쌍을 이루는 공개 데이터셋의 부재로 인해, 저자는 물리적으로 제약된 합성 생성기를 개발하였다. 이는 Voronoi 테셀레이션을 이용한 결정립 구조, 균열 전파를 위한 상관 관계가 있는 랜덤 워크(random walks), Poisson 분포를 따르는 공극(voids)을 사용하여 현미경 사진을 시뮬레이션한다. 레이블은 균열 심각도, 기공률, 결정립 크기(Hall–Petch 관계), 개재물 밀도 및 고유한 재료 산포를 포함하는 물리 기반 회귀 방정식(식 1)을 통해 할당된다.

2. 7단계 전처리 (OpenCV):
   광학 금상학(metallography)에서 흔히 발생하는 아티팩트를 제거하기 위해 특화된 7단계 파이프라인이 원본 현미경 사진을 정제한다. 단계는 다음과 같다:

• 품질 관리 게이팅 (Laplacian blur, SNR).
• 스케일 바 제거를 위한 경계 크롭(Border cropping).
• 에지 선명도를 유지하는 비국소 평균(Non-local means) 노이즈 제거.
• 조명 보정을 위한 Rolling-ball 배경 차감 및 CLAHE.
• 균열 강화를 위한 다방향 Black-hat 모폴로지 및 Scharr-gradient 융합.
• 샤프닝(Sharpening) 및 $224 \times 224$ px 리사이징.
• 결과: 이 단계는 균열 검출 재현율(recall)을 61%에서 89%로 높였으며, 조명 균일성을 54% 개선하였다.

3. 물리 정보 기반 특징 추출:
   각 이미지는 피로 역학에서 명시적으로 유도된 28차원 특징 벡터($x \in \mathbb{R}^{28}$)로 매핑된다. 특징은 다섯 가지 범주로 그룹화된다: 균열 형태(개수, 길이, 분지), 결정립 구조(크기, 분포), 기공(공극률), 질감(GLCM 지표), 그리고 그래디언트/프랙탈 특성(프랙탈 차원 $D_f$).

4. 듀얼 헤드 CNN 회귀:
   시스템은 두 개의 출력 헤드를 가진 합성곱 신경망(SE-CNN, ResNet-50, VGG-16 백본 테스트)을 사용한다:

• 평균 헤드 ($\hat{\mu}$): $\log_{10}(N_f)$를 예측한다.
• 로그 분산 헤드 ($\hat{s}$): 샘플별 알레아토릭 불확실성(aleatoric uncertainty)을 인코딩하는 $\log \hat{\sigma}^2$를 예측한다.
• 학습 목표: 네트워크는 가우시안 음의 로그 가능도(GNLL) 손실 함수를 사용하여 학습된다. 이를 통해 모델은 입력값에 따라 분산이 적응하는(예: 산포가 큰 손상된 시편의 경우 높은 불확실성) 이종 분산성(heteroscedastic) 불확실성을 학습할 수 있다.

주요 결과
보류된 합성 테스트 세트(이미지 200장)를 대상으로 평가하였다:

• 회귀 성능: ResNet-50 아키텍처가 $R^2 = 0.93$, RMSE = 0.18 log-cycles, MAE = 0.14를 달성하며 가장 우수한 성능을 보였다. 이는 SE-CNN ($R^2=0.88$)과 VGG-16 ($R^2=0.91$), 그리고 기존 문헌의 표 형식 SVR 베이스라인 ($R^2=0.87$)보다 뛰어난 성능이다.
• 불확실성 교정: GNLL 목적 함수는 MSE 베이스라인에 비해 교정 성능을 크게 향상시켰다. 기대 교정 오차(ECE)는 MSE의 0.089에서 **0.021 (GNLL)**로 감소하여 76%의 감소율을 보였다. 명목상의 95% 신뢰 구간은 경험적으로 테스트 샘플의 93.8%를 포함하였다.
• 위험 분류: 시스템은 샘설을 네 가지 위험 등급(LOW에서 CRITICAL까지)으로 분류하며, Macro-F1 점수는 0.91, Critical 등급의 재현율은 0.90이었다.
• 설명 가능성: Grad-CAM 분석은 네트워크가 금속학적으로 의미 있는 특징에 주목함을 확인하였다. 어텐션 맵은 결정립 경계(LOW 위험)에서 균열 핵 생성 지점(MEDIUM), 균열 팁(HIGH), 그리고 광범위한 균열 네트워크(CRITICAL)로 이동하였으며, 이는 확립된 피로 손상 단계(Suresh, 1990)와 일치한다.
• 효율성: 추론 시간은 이미지당 65ms 미만이다.

의의 및 주장
본 논문은 FATIGUECV를 실제 강철에 즉시 적용 가능한 솔루션이라기보다 **방법론적 개념 증명(proof of concept)**으로 위치시킨다. 저자는 모든 결과가 시뮬레이션 물리 법칙에 의해 정답이 정의된 합성 벤치마크에서 도출되었음을 명시적으로 밝히고 있다.

주요 기여는 다음과 같다:

1. 불확실성을 포함한 최초의 이미지-투-라이프(Image-to-Life) 회귀: 이미지로부터 피로 수명을 엔드 투 엔드로 회귀하는 동시에 교정된 샘플별 불확실성 범위를 제공하는 최초의 시스템이다.
2. 물리 가이드형 귀납 편향(Inductive Bias): 피로 역학에서 유도된 28차원 특징 벡터와 GNLL 손실 함수의 통합은 이미지로부터 알려진 물리적 관계를 복구하는 강력한 귀납 편향을 생성한다.
3. 금상학 특화 전처리: 광학 현미경의 아티팩트에 맞춤화된 독창적인 7단계 파이프라인을 통해 특징 가시성을 크게 향상시켰다.
4. 오픈 소스 합성 벤치마크: 재현 가능한 벤치마킹과 향후 도메인 전이 연구를 가능하게 하는 구성 가능한 물리 레이블링 합성 데이터 생성기를 공개한다.

한계 및 향ras 향후 과제
저자는 네 가지 핵심 한계를 들어 현재의 범위를 겸손하게 서술하였다:

1. 합성-실제 간 격차 (Synthetic-to-Real Gap): 모델이 실제 강철 현미경 사진에 대해 테스트되지 않았다. 도메인 적응(예: 스타일 전이) 및 실제 시편에 대한 재검증이 필요하다.
2. 재료 범위: 파이프라인은 탄소강 및 저합금강에 최적화되어 있다. 다른 합금(Ti, Al)은 재설계가 필요하다.
3. 2D 투영: 광학 현미경은 내부 결함을 감지할 수 없다. 3D 모달리티(X-ray CT)와의 통합이 계획되어 있다.
4. 전체론적 예측: 모델은 균열의 발생(initiation) 단계와 전파(propagation) 단계를 분리하기보다 전체 수명($N_f$)을 예측한다.

본 논문은 방법론이 시뮬레이션 조건 하에서 타당함을 입증하였으나, 다음 단계는 예측 타당성을 검증하기 위해 실제 현장 샘플에 대한 도메인 전이 연구를 수행하는 것이라고 결론짓는다.