Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

기술 요약: 연마 슬러리 제트 가공에서의 마이크로 채널 지형에 대한 순방향 및 역방향 예측

문제 정의
연마 슬러리 제트 마이크로 가공(ASJM)은 열영향부 없이 경질, 취성 또는 온도에 민감한 재료에 고종횡비 마이크로 특징부를 생성하기 위한 전략적 공정이다. 생의학 기기, MEMS 및 항공우주 냉각 채널 분야에서의 잠재력에도 불구하고, 가공된 지형을 예측하고 제어하는 데 따르는 어려움으로 인해 산업적 채택이 저해되고 있다. 순방향 문제(공정 파라미터로부터 침식 프로파일을 예측하는 것)는 높은 제트 난류, 비선형 입자 침식 역학, 그리고 수많은 상호 의존적 작동 파라미터들로 인해 복잡하다. 역방향 문제(원하는 지형을 달성하기 위해 필요한 공정 파라미터를 결정하는 것)는 훨씬 더 까다로우며 거의 다뤄진 바 없다. CFD와 같은 기존의 수치 해석 방법은 높은 충실도를 제공하지만, 계산 비용이 많이 들고 실시간 제어를 위한 역산이 어렵다. 반대로, 연마 제트 가공에서의 기존 머신러닝(ML) 적용은 표면 거칠기나 절삭 깊이와 같은 스칼라 출력에 국한되었으며, 전체 표면 프로파일을 대상으로 하지는 않았다.

방법론
본 연구는 AA6061-T6 알루미늄을 대상으로 270개의 고유한 공정 파라미터 조합을 포함하는 완전 요인 실험 설계(DOE)로부터 생성된 포괄적인 데이터셋을 사용하여 데이터 기반 접근 방식을 채택하였다. 독립 변수는 펌프 압력($P$), 노즐 이송 속도($V$), 스탠드오프 거리($SOD$), 그리고 가공 패스 횟수($N$)였다. 타겟 출력은 마이크로 채널의 단면 깊이 프로파일을 나타내는 220차원 벡터였다.

네 가지 지도 학습 모델이 개발되어 비교되었다:

1. 다항 회귀(Polynomial Regression): 비선형성을 포착하기 위해 특징 확장(feature expansion)을 사용한 파라미터 기반 베이스라인.
2. 랜덤 포레스트(Random Forest, RF): 도메인 지식 기반의 특징 공학(예: 누적 침식 잠재력 $P \times N$)으로 강화된 비파라미터 앙상블 방법.
3. 인공 신경망(Artificial Neural Network, ANN): 입력을 전체 프로파일 벡터로 매핑하도록 설계된 완전 연결 심층 학습 모델.
4. 합성곱 신경망(1D-CNN): 프로파일 내의 국부적 공간 상관관계를 포착하기 위해 합성곱 층을 활용하는 심층 학습 아키텍처.

모든 모델은 데이터의 85%로 학습되었으며, 홀드아웃 테스트 세트를 사용하여 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 결정 계수($R^2$)로 평가되었다. 또한 연구에서는 데이터셋 크기(25%~100%)와 입력 노이즈에 대한 모델의 민감도를 조사하였다.

역방향 문제를 위해, 타겟 기하 구조로부터 공정 파라미터($P, SOD, V, N$)를 추론하는 ANN이 학습되었다. 역방향 문제의 "일대다(many-to-one)" 특성(여러 파라미터 세트가 동일한 기하 구조를 생성할 수 있음)을 해결하기 위해, 저자들은 "순방향 일관성(forward-consistency)" 손실 함수를 사용하였다. 예측된 파라미터는 사전 학습된 순방향 ANN을 통과하여 시뮬레이션된 프로파일을 생성하였고, 이는 다시 타겟 기하 구조와 비교되었다. 이를 통해 역방향 모델이 물리적으로 일관된 파라미터를 생성하도록 보장하였다. 또한, 단일 결정론적 추측 대신 가능한 솔루션의 분포를 생성하기 위해 몬테카를ло(Monte-Carlo) 드롭아웃을 이용한 확률적 역방향 프레임워크가 구현되었다.

주요 기여

1. 전체 프로파일 예측: 본 연구는 거칠기나 절삭 깊이와 같은 스칼라 지표를 넘어, ASJM 가공된 마이크로 채널의 전체 벡터 값 단면 프로파일을 예측할 수 있는 최초의 ML 프레임십을 제시한다.
2. 물리 기반 특징 공학: 알려진 침식률 의존성(예: $P \times N, SOD \times V, P/V$)을 인코딩하기 위해 단조성 인식 학습 체계(monotonicity-aware training scheme)를 통합하여 공정한 모델 비교를 보장하였다.
3. 확률적 역설계: 저자들은 비고유성을 명시적으로 다루기 위해 불확실성 추정과 함께 가능한 파라미터 조합을 반환하는 제약 조건 인식 역방향 프레임워크를 개발하였다.
4. 실시간 적용 가능성 평가: 연구는 추론 지연 시간을 정량화하여, 딥러닝 대리 모델이 전통적인 CFD 시뮬레이션과 달리 폐루프 제어에 필요한 밀리초당 패스(millisecond-per-pass) 예산 내에서 작동할 수 있음을 입증하였다.
5. 오픈 소스 도구: 학습된 모델과 실험 데이터셋은 프로그래밍 경험이 없는 운영자도 도구를 활용할 수 있도록 무료 브라우저 기반 웹 애플리케이션으로 공개되었다.

결과

• 순방향 예측: 모든 모델은 0.06에서 약 2 사이의 종횡비를 가진 마이크로 채널 프로파일을 성공적으로 예측하였다. ANN이 가장 높은 정확도($R^2 = 0.817$, MAE = 0.00339 mm)를 달 기록하였으며, 1D-CNN이 그 뒤를 바짝 쫓았다($R^2 = 0.807$). 전통적인 모델(다항 회귀 및 RF)은 준수한 성능($R^2 \approx 0.76$)을 보였으나, 고종횡비 특징에서는 정확도가 낮았다.
• 데이터셋 민감도: 성능은 데이터셋 크기에 따라 향상되었으며, 데이터의 75%를 사용했을 때 정체되었다. ANN은 가장 높은 견고성을 보였는데, 데이터의 25%만 사용하더라도 $R^2$를 0.7로 유지한 반면, 랜덤 포레스트 모델은 동일한 조건에서 성능이 크게 저하되었다($R^2 = 0.32$).
• 노이즈 견고성: 딥러닝 모델(ANN 및 CNN)은 입력 노이즈에 대해 높은 내성을 보였다(10% 가우시안 노이즈 조건에서 MAE가 3.5 µm에서 4.1 µm로 미미하게 증가). 반면, 다항 모델은 유사한 노이즈 조건에서 비물리적인 값을 생성하였다.
• 역방향 예측: 역방향 ANN은 타겟 기하 구조로부터 공정 파라미터를 성공적으로 예측하였다. 깊이와 너비만을 입력으로 사용했을 때, 모델은 깊이에 대해 $R^2 = 0.94$, 너비에 대해 $R^2 = 0.55$를 달성하였다. 전체 프로파일을 입력으로 사용할 경우, 입력 차원과 중복성으로 인해 정확도가 감소하였다($R^2 \approx 0.77$). 확률적 역방향 접근 방식은 중앙값 절대 깊이 오차가 0.94 µm인 가능한 파라미터 세트를 성공적으로 식별하였다.
• 지연 시간: 단일 CPU에서의 추론 시간은 다항 모델 0.22 ms에서 딥러닝 모델 약 100 ms 사이였으며, 이는 실시간 제어에 적합하다. 반면, 랜덤 포레스트 모델은 샘플당 약 10.9초가 소요되어 실시간 적용에는 부적합한 것으로 나타났다.

의의
본 논문은 이 연구가 ASJM에서 경험적 테스트와 실시간 예측 제조 사이의 간극을 메운다고 주장한다. 예측 시간을 시간 단위(CFD)에서 마이크로초/밀리초 단위로 단축함으로써, 제안된 ML 대리 모델은 물리 기반 모델을 폐루프 컨트롤러에 내장하는 데 따르는 계산 장벽을 제거한다. 이 프레임워크는 원하는 기하 구조를 위한 공정 파라미터의 "원샷(one-shot)" 규격을 가능하게 하여, 자동화된 공정 계획, 디지털 트윈 통합, 그리고 전수적인 실험 설계(DOE) 캠페인 없이도 새로운 재료-연마제 조합의 신속한 자격 검증을 용이하게 한다. 저자들은 이 연구를 복잡하고 비선형적인 재료 제거 패턴을 위해 ML을 사용하는 것이 타당함을 보여주는 선구적인 노력으로 위치시키며, 분야의 발전을 가속화하기 위해 학습된 모델과 도구를 공개적으로 제공한다.