기술 요약: 다결정 재료의 결정립 성장에 대한 열적 조건화 시계열 예측

문제 정의

열처리 과정 중 발생하는 결정립 성장은 다결정 재료의 미세구조와 기계적 성질을 결정짓는 중요한 요소이다. 전방 추적(front-tracking)이나 상장(phase-field)법과 같은 고충실도 수치 해석법은 시간 경과에 따라 편미분 방정식(PDE)을 정밀하게 해결하여 과정을 정확하게 시뮬레이션할 수 있지만, 장시간 또는 비등온 열 사이클의 경우 계산 비용이 매우 높다는 단점이 있다. 기존의 데이터 기반 접근 방식은 순환 신경망(RNN)을 사용하여 결정립 크기 분포를 시계열로 예측함으로써 등온 조건에서의 결정립 성장을 성공적으로 예측했으나, 결정립계 이동도(grain boundary mobility)가 아레니우스형 관계를 따르며 온도에 명시적으로 의존한다는 점을 고려하지 못해 열 이력(thermal history)이 결정립계 역학에 미치는 강력한 영향을 포착하는 데 실패했다. 결과적으로, 등온 데이터로만 학습된 모델은 복잡한 가열, 유지, 냉각 단계를 포함하는 실제 산업용 열처리를 정확하게 예측할 수 없다.

방법론

저자들은 비등온 조건을 처리하기 위해 열 정보를 명시적으로 통합한 재구성된 시계열 예측 프레임워크를 제안한다.

데이터 생성 및 전처리:

• 시뮬레이션: 304L 스테인리스강에 대해 검증된 전방 추적 프레임워크(TRM)를 사용하여 결정립 성장 진화를 시뮬레이션하였다. 초기 미세구조는 LaVoGen 알고리즘을 통해 생성되었다.
• 열 사이클: 가열/냉각 속도와 최고 온도의 범위를 폭넓게 커버하는 1시간(3600초) 및 4시간(14,400초) 사이클에 대한 두 가지 데이터셋을 제작하였다.
• 표현 방식: 미세구조 상태는 정규화된 결정립 크기 히스토그램(30개 빈)으로 표현되었다. 열적 상태는 순간 온도($T$)와 열 변화율($\dot{T}$)으로 특징지어졌다.
• 데이터셋: 데이터를 1분 해상도로 다운샘플링하였다. 샘ming을 위해 슬라이딩 윈도우 전략($W=5$)을 사용하였으며, 열적 기술자(descriptors)는 z-score 정규화를 통해 표준화하였다.

모델 아키텍처:
제안된 대리 모델(surrogate model)은 미세구조와 열 데이터를 공동으로 처리하도록 설계된 하이브리드 딥러닝 아키텍처이다.

1. 미세구조 인코딩: 1D 합성곱 신경망(CNN)은 인접한 빈 사이의 단거리 형태학적 의존성을 포착하기 위해 결정립 크기 히스토그램을 인코딩한다.
2. 열 인코딩: 전용 다층 퍼셉트론(MLP)은 열 기술자($T$ 및 $\dot{T}$)를 임베딩한다.
3. 융합 및 시계열 예측: CNN과 MLP에서 추출된 잠재 벡터(latent vectors)를 결합하여 순환 신경망(Simple RNN, GRU, LSTM 평가)에 입력한다.
4. 예측 전략: 절대적인 상태를 예측하는 대신, 이전 상태 대비 분포의 변화량(잔차 형식, residual formulation)을 예측하며, 자기 회귀적 롤아웃(auto-regressive rollout)을 안정화하기 위해 스케일링 인자($\alpha=0.1$)를 사용한다. 예측은 빈 가중치의 균형을 맞추기 위해 제곱근 공간에서 수행된 후 다시 제곱된다.
5. 학습: 훈련-추론 간의 불일치를 줄이기 위해 자신의 예측값을 사용하여 세 단계까지 언롤링(unrolling)하는 "푸시포워드(pushforward)" 전략을 사용한다. 손실 함수는 제곱근 빈도에 대한 평균 절대 오차(MAE)를 사용한다.

조건화 전략:
열 입력의 영향을 격리하기 위해 네 가지 전략을 평가하였다:

• C0: 열 입력 없음 (베이스라인).
• C1: 온도($T$)만 포함.
• C2: 열 변화율($\dot{T}$)만 포함.
• C3: $T$와 $\dot{T}$ 결합.

주요 결과

1. 열적 조건화의 중요성:
비등온 예측을 위해서는 열 정보가 필수적이다. 조건화되지 않은 모델(C0)은 평균 상대 오차(MRE) 45.26% ($R^2 = 0.8055$)와 함께 성능 저하를 보였다. 열 기술자를 도입하자 성능이 급격히 향상되었다:

• **C3 (결합 $T + \dot{T}$)**는 1시간 사이클에 대해 MRE = 2.99%, $R^2 = 0.9970$을 달성하여 최상의 결과를 보였다.
• C1 ($T$ 단독)과 C2 ($\dot{T}$ 단독) 역시 우수한 성능(MRE 각각 약 3.1% 및 4.5%)을 보였으나, 결합된 접근 방식이 가장 높은 정확도를 나타냈다.

2. 순환 아키텍처 비교:
순환 블록 중에서 LSTM이 GRU와 Simple RNN보다 우수한 성능을 보였다.

• LSTM: MRE = 2.99%, $R^2 = 0.9970$.
• GRU: MRE = 4.52%, $R^2 = 0.9935$.
• Simple RNN: MRE = 10.33%, $R^2 = 0.9812$.
  긴 시퀀스에 대한 정보를 유지하는 LSTM의 능력은 자기 회귀적 롤아웃 중 오차 누적을 최소화하는 데 결정적이었다.

3. 아키텍처 구성 요소:
하이브리드 방식(CNN + MLP + LSTM)은 직접적인 LSTM 입력 방식보다 우수했다. 융합 전 특징을 별도로 인코딩함으로써 MRE를 3.80%에서 2.99%로 낮추었으며, 오차가 30%를 초과하는 시뮬레이션을 제거하였다.

4. 미학습 이력에 대한 일반화 성능:
모델은 훈련에서 제외된 다단계 및 비단조 사이클을 포함한 네 가지 열 이력에 대해 테스트되었다.

• 모델은 MRE 1.91% ~ 14.66%, $R^2$ 값은 일반적으로 0.94를 상회하며 미학습 사이클에 성공적으로 일반화되었다.
• 오차는 가열 단계에서 가장 낮았고, 냉각 단계 및 결정립 성장 역학이 급격히 변하는 복잡한 다단계 사이클에서 가장 높았다.

5. 계산 효율성:
결과 섹션에 초 단위로 명시적으로 수치화되지는 않았으나, 논문은 본 대리 모델이 전체 궤적을 생성하는 데 몇 초밖에 걸리지 않는 반면, 기초가 되는 TRM 시뮬레이션에는 수십 분이 소요되어 2개 차수(two orders of magnitude) 이상의 속도 향상을 나타낸다고 언급하고 있다.

의의 및 주장

본 논문은 현실적인 비등온 열처리 시나리오에 적용 가능한 대리 모델을 위한 실질적인 발판을 제공한다고 주장한다. 시계열 예측을 등온 영역에서 비등온 영역으로 확장함으로써, 다음과 같은 점을 입증하였다:

• 결정립 성장 역학을 포착하기 위해서는 순간 온도와 열 변화율 모두를 모델에 명시적으로 조건화하는 것이 필요하다.
• 하이브리드 아키텍처(미세구조를 위한 CNN, 열적 맥락을 위한 MLP, 시계열 역학을 위한 LSTM)가 물리적 일관성을 유지하면서도 계산 효율성을 효과적으로 유지한다.
• 본 프레임워크는 복잡하고 미학습된 열 경로(다단계 가열/냉각 포함)에 대해 일반화될 수 있으며, 대규모 연구 및 공정 수준의 응용 분야를 위한 계산 효율적인 대안을 제공한다.

저자들은 모델이 주요 경향을 높은 정확도로 재현하지만, 특히 냉각 단계와 복잡한 열 이력에서 오차가 누적될 수 있다는 점을 인정하며, 그럼에도 불구하고 오차가 물리적으로 허용 가능한 범위 내에 있음을 밝히며 신중한 어조를 유지하고 있다.