Multifunctional and Adaptive Composites Enabled by Additive Manufacturing and AI-Assisted Design

기술 요약: 적층 제조 및 AI 지원 설계를 통한 다기능성 및 적응형 복합재

문제 정의
하중을 견디는 동시에 센싱, 액추에이션 또는 에너지 저장과 같은 이차적 기능을 수행하는 재료인 다기능성 및 적응형 복합재의 설계는 고차원의 도전 과제이다. 구성 요소의 선택, 직물 구조, 공정 경로, 그리고 그로 인해 나타나는 성능 사이의 결합은 비선형적이며, 전통적인 시행착오 방식으로는 탐색하기 어렵다. 적층 제조(AM)와 4D 프린팅이 구조화된 메타물질 및 자극 반응형 시스템을 포함하도록 설계 공간을 확장했음에도 불구하고, 구조-공정-물성 관계를 예측할 수 있는 신뢰할 수 있는 데이터 기반 도구의 부재는 이러한 복잡한 재료의 공동 설계(co-design)를 저해하고 있다. 구체적으로, 머신러닝(ML) 대리 모델(surrogate)이 조성 및 공정 기술자로부터 기계적 물성을 얼마나 정확하게 예측할 수 있는지, 특히 보지 못한(unseen) 새로운 재료 계열로 일반화될 때를 기준으로 정량화할 필요가 있다.

방법론
본 연구는 문헌 합성 및 독창적이고 재현 가능한 사례 연구라는 두 가지 접근 방식을 채택한다.

1. 문헌 합성: 본 논문은 네 가지 별개의 연구 흐름을 연결한다: 복합재의 AM, 구조화된 기계적 메타물러, 다기능성/적응형 복합재, 그리고 데이터 기반 설계. 본 연구는 AM이 연속 섬유 배치 및 복잡한 기하학적 구조를 어떻게 가능하게 하는지, 메타물질이 기하학적 구조를 통해 어떻게 기계적 응답을 프로그래밍하는지, 그리고 4D 프린팅이 적응성을 위해 자극 반응형 구성 요소를 어떻게 통합하는지를 검토한다.
2. 사례 연구 (데이터 및 모델):
   • 데이터셋: 저자는 420개의 직조 및 단방향 폴리머 매트릭스 복합재(Berladir 등 [11])를 포함하는 공개 실험 데이터셋을 활용하였다. 이 데이터셋은 네 가지 섬유 계열(탄소, 유리, 현무암, 아라미드)과 다양한 직물 구조(새틴, 트윌, 평직, 단방향), 그리고 성형 기술(필라멘트 와인딩, 핫 프레싱, 진공 주입 등)을 포괄한다.
   • 대상 변수: 경사(warp) 방향 인장 강도 (345 ~ 2815 MPa 범위).
   • 특성(Features): 13개의 기술자가 사용되었으며, 여기에는 10개의 수치형 변수(예: 바인더 부피 분율, 실 인장 강도, 직물 밀도)와 3개의 범주형 변수(복합재 계열, 직물 직조 방식, 성형 기술)가 포함된다.
   • 모델: 세 가지 회귀 모델이 학습되었다: 최소제곱법(선형), 랜덤 포레스트(500개 트리), 그리고 그래디언트 부스팅.
   • 검증 프로토콜: 정보 누출과 지나치게 낙관적인 정확도를 방지하기 위해, 본 연구는 **재료 그룹화 5-겹 교차 검증(GroupKFold)**을 활용하였다. 이 프로토콜에서 특정 재료 구성의 모든 기록은 하나의 폴드(fold)에 묶여 있어, 테스트 예측이 진정으로 보지 못한 재료 계열에 대해 이루어지도록 보장한다. 또한, 시각화를 위해 그룹 인식 홀드아웃 세트(재료의 20%)를 사용하였다.

주요 기여

• 복합재를 위한 ML의 방법론적 엄밀성: 본 논문은 복합재를 위한 ML에서 표준적인 무작위 분할(random split)이 데이터 복제로 인해 무의미한 정확도를 초래한다는 점을 입증한다. 본 연구는 재료 그룹화 검증을 신뢰할 수 있는 정확도 주장을 위한 전제 조건으로 확립하며, 그룹 교차 검증(grouped-CV)과 단순 홀드아웃 지표 사이의 상당한 성능 차이를 보여준다.
• 정량적 벤치마킹: 본 연구는 순방향 대리 모델링(forward-surrogate modeling)에 대한 투명한 벤치마크를 제공하며, 앙상블 모델이 보지 못한 재료 계열에 대해 중간 정도의 정확도($R^2 \approx 0.70$)로 경사 인장 강도를 예측할 수 있는 반면, 선형 모델은 성능이 저하됨($R^2 \approx 0.49$)을 보여준다.
• 기술자 분석: 순열 중요도(permutation importance)를 통해, 본 연구는 직물 직조 구조가 인장 강도의 지배적인 예측 인자임을 식별하였으며, 그 뒤를 경사 방향 실 연신율과 직물 두께가 이었다. 구성 요소의 강성은 구조적 정보가 알려진 후에는 기여도가 낮았다.
• 워크플로우 통합: 본 논문은 검증된 순방향 대리 모델이 역설계(inverse design) 및 최적화 루프를 위한 필수적인 엔진으로서 어떻게 기능하는지 설명하며, 이를 통해 다기능 목표를 위한 기하학, 구성 요소 및 공정의 공동 설계를 가능하게 한다.

결과

• 예측 성능: 재료 그룹 교차 검증 하에서, 앙상블 모델(랜덤 포스트 및 그래디언트 부스팅)은 약 0.70의 $R^2$와 약 272–276 MPa의 RMSE를 달려냈다. 반면, 선형 베이스라인은 $R^2$ 0.49를 기록했다.
• 일반화 격차: 그룹 인식 홀드아웃 세트에서 평가했을 때, 랜덤 포레스트 모델은 $R^2$ 0.90을 달성하였다. 저자는 이 높은 수치가 일반화 목적에는 오해의 소지가 있다고 강조하는데, 이는 홀드아웃 세트가 훈련 세트와 밀접하게 연관된 재료를 포함했을 가능성이 높기 때문이다. 반면, 그룹 교차 검증 지표($R^2 \approx 0.70$)는 진정으로 보지 못한 화학적 조성에 대한 성능에 대한 보수적이고 정직한 추정치를 나타낸다.
• 특성 중요도: 직물 직조 구조가 가장 영향력 있는 기술자였다. 이는 직조 구조가 실의 강도를 라미네이트 강도로 전환하는 효율성을 결정한다는 물리적 직관과 일치하지만, 저자는 이 순위가 직조 유형이 섬유 계열과 강하게 상관관계가 있는 특정 데이터셋 구조에 의해 증폭되었다고 언급하였다.

의의 및 주장
본 논문은 완성된 설계 도구가 아니라, AM + AI 공동 설계 워크플로우 내의 대리 모델링 구성 요소를 위한 투명한 템플릿으로서 자리매김한다. 본 연구의 주요 의의는 다음과 같다:

1. 대리 모델 접근법의 검증: 엄격한 검증 프로토콜을 준수할 경우, ML 대리 모델이 역설계를 위해 유용할 만큼 충분히 구조-공정-물성 관계를 포착할 수 있음을 확인하였다.
2. 데이터 격차 강조: 저자는 현재 데이터셋이 AM 전용이 아닌 전통적인 방식으로 형성된 복합재를 설명하고 있음을 명시적으로 밝힌다. 따라서 이 대리 모델은 AM 특유의 거동보다는 방법론을 입증하는 것이다. 주요 AM 기술자(경로, 레이어 높이, 공극률 등)는 누락되어 있다.
3. 미래 방향: 본 논문은 다기능성 및 적응형 복합재의 잠재력을 실현하는 것이 더 크고, AM 특화적이며, 다기능적인 데이터셋을 구축하는 데 달려 있다고 주장한다. 또한, 대리 모델의 불확실성이 가장 높은 미래의 실험을 가이드하기 위해 물리 기반 모델, 불확실성 인지 접근 방식, 그리고 능동 학습(active learning)의 채택을 촉구한다.

본 연구는 현재의 대리 모델이 제조 가능하고 다기능적이며 적응형인 복합재를 공동 설계하기 위한 실용적인 경로를 제공하지만, 그 신뢰성은 현재 데이터의 다양성과 과도한 성능 추정을 피하기 위한 엄격한 검증 프로토콜의 필요성에 의해 제한된다고 결론짓는다.