⚡ electrical engineering

Geometry-aware interpretable learning for predicting print time and filament consumption in fused deposition modeling

본 연구는 1,500개의 시뮬레이션 사례 데이터셋을 활용하여 적층 제조(FDM)의 출력 시간과 필라멘트 소비량을 정확하게 예측하는 기하학 인지형 해석 가능 머신러닝 프레임워크를 제시하며, 높은 예측 충실도( $R^2 > 0.94$ )를 달성하고 메쉬 기하 구조와 특정 공정 설정이 이러한 운영 결과의 주요 결정 요인임을 밝혀냈다.

원저자: Hoa-Cuc. Nguyen, Viet-Hung. Pham, Bich-Ngoc. Mach, Ngoc-Duong. Nguyen, Tran-Thi Hong, Thanh Q. Nguyen, Ma-Thi-Anh Thu

게시일 2026-08-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hoa-Cuc. Nguyen, Viet-Hung. Pham, Bich-Ngoc. Mach, Ngoc-Duong. Nguyen, Tran-Thi Hong, Thanh Q. Nguyen, Ma-Thi-Anh Thu

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

기계가 층을 쌓아 올리며 3차원 물체를 만들어내고, 플라스틱을 녹여 종이 위에 펜으로 그림을 그리듯 정밀하게 내려놓는 작업실을 상상해 보십시오. 이것은 융합 적층 모델링(FDM)으로, 저렴하고 다재다능하기 때문에 전문 실험실에서 벗어나 학교 교실과 소규모 기업으로 확산된 기술입니다. 그러나 이러한 접근성에도 불구하고, 이 과정은 여전히 많은 사용자에게 당혹스러울 정도로 예측 불가능합니다. 기계가 작동을 시작하기 전, 운영자는 작업이 얼마나 걸릴지, 그리고 플라스틱을 얼마나 소비할지를 추측해야 합니다. 이러한 추측은 종종 근거 없는 짐작에 불과하며, 이는 시간 낭비, 일정 차질, 또는 프로젝트 도중 재료가 바닥나는 상황으로 이어집니다. 어려움의 핵심은 소요 시간과 재료가 단순히 기계의 설정만으로 결정되지 않는다는 점에 있습니다. 그것들은 제작되는 물체의 형상과 프린터에 주어진 지침 사이의 복잡한 대화의 결과물입니다. 부품의 디자인이 아주 조금만 바뀌어도 기계의 동작 방식이 완전히 달라질 수 있으며, 이로 인해 단순한 경험칙은 신뢰하기 어려워집니다.

투다못 대학교(Thu Dau Mot University)와 베트남의 여러 연구 기관의 연구진은 컴퓨터가 물체의 형상과 기계 설정 사이의 관계를 이해하도록 가르침으로써 이 문제를 해결하고자 했습니다. 그들은 단순히 프린터의 다이얼과 스위치만을 본 것이 아니라, 물체의 디지털 청사진 자체를 살펴보았습니다. 그들은 150개의 서로 다른 3D 형상으로부터 생성된 1,500개의 시뮬레이션된 출력 작업 데이터를 수집했으며, 각 형상은 10가지의 서로 다른 기계 구성하에서 테스트되었습니다. 이를 통해 그들은 동일한 물체가 서로 다른 설정에서 어떻게 작동하는지, 그리고 서로 다른 물체가 동일한 설정에서 어떻게 작동하는지를 관찰할 수 있었습니다. 그들은 이 정보를 학습 시스템에 입력하여 두 가지 특정 결과, 즉 총 출력 시간과 총 플라스틱 필라멘트 사용량을 예측하도록 했습니다. 목표는 단순히 예측을 하는 것이 아니라, 어떤 요인이 실제로 가장 중요한지를 이해하여 사용자가 전문가가 아니더라도 더 나은 결정을 내릴 수 있도록 하는 것이었습니다.

연구진은 물체의 형상이 시간과 재료 사용을 결정하는 가장 중요한 단일 요인이라는 것을 발견했습니다. 컴퓨터는 물체의 전체 표면적과 부피가 결과의 주요 동인임을 학습했습니다. 물체가 크거나 표면이 복잡하면, 기계를 어떻게 조절하든 상관없이 더 많은 시간이 걸리고 더 많은 플라스틱을 사용하게 됩니다. 이 발견은 기계의 속도나 온도를 미세하게 조정하는 것이 프로세스를 제어하는 주요 방법이라는 일반적인 가설에 도전합니다. 기계 설정도 영향을 미치기는 하지만, 그 영향력은 물체의 기하학적 구조가 부과하는 물리적 부담보다 부차적입니다. 연구는 플라스틱 사용량을 예측하는 데 있어서는 물체의 크기와 프린트 헤드의 속도가 가장 결정적인 요소라는 것을 보여주었습니다. 출력 시간을 예측하는 데 있어서는 물체의 표면적이 지배적인 요인이었으며, 그 뒤를 부피와 물체 주변의 외곽선 수, 층의 두께와 같은 특정 설정들이 따랐습니다.

이러한 예측을 수행하기 위해 연구팀은 두 가지 다른 유형의 학습 알고리즘을 결합한 시스템을 구축했습니다. 랜덤 포레스트(random forest)라고 알려진 한 알고리즘은 마치 위원회처럼 작동하여, 각 결정권자가 데이터를 약간씩 다른 각도에서 바라보며 안정적인 답을 찾아냅니다. 또 다른 알고리즘인 엑스트림 그래디언트 부스팅(extreme gradient boosting)은 단계별로 자신의 실수를 바로잡으며 학습하여 반복할수록 더욱 정밀해집니다. 연구진은 이 두 시스템의 통찰력을 결합하여 최종 예측을 도출했습니다. 이 접근 방식은 매우 높은 정확도를 입증했습니다. 테스트 결과, 시스템은 실제 사례에서 출력 시간과 필라멘트 길이를 10% 미만의 오차율로 예측했습니다. 예를 들어, 시스템이 작업 시간이 256분 걸릴 것이라고 예측했을 때 실제 시간은 270분이 걸렸고, 플라스틱이 27cm 사용될 것이라고 예측했을 때 실제 양은 25.9cm였습니다. 이러한 작은 편차는 실질적인 계획 수립에 필요한 범위 내에 있으며, 사용자가 확신을 가지고 작업을 스케줄링하거나 재료를 주문할 수 있게 해줍니다.

아마도 이 연구의 가장 가치 있는 부분은 숫자의 정확성뿐만 아니라 설명의 명확성이었을 것입니다. 이 시스템은 단순히 답만을 내놓는 '블랙박스' 역할을 한 것이 아니라, 어떤 변수가 진정으로 중요한지를 드러냈습니다. 시스템은 사용자가 프린터의 모든 설정을 집착하며 고민할 필요가 없다는 것을 보여주었습니다. 대신, 사용자는 물체의 형상이 결정하는 몇 가지 핵심 요인에 집중할 수 있으며, 나머지 많은 설정은 기본값으로 남겨둘 수 있습니다. 이는 작업의 복잡성을 줄여 기술에 대한 접근성을 높여줍니다. 이 연구는 3D 프린팅 지원의 미래가 더 복잡한 튜닝에 있는 것이 아니라, 물체 자체가 이야기의 주인공이라는 점을 이해하는 데 있음을 시사합니다. 부품의 기하학적 구조가 무대를 설정하고 기계 설정은 단지 배우에 불 불과하다는 점을 인식함으로써, 사용자는 시작 버튼을 누르기도 전에 더 현명한 결정을 내릴 수 있습니다. 이러한 접근 방식은 과정을 시행착오의 게임에서 예측 가능하고 관리 가능한 워크플로우로 변화시키며, 디지털 디자인과 물리적 현실 사이의 간극을 메워줍니다.

기술 요약: FDM 예측을 위한 기하학 인지형 해석 가능 학습

문제 정의
효율적인 Fused Deposition Modeling(FDM)은 부품의 기하학적 형상과 공정 설정 사이의 비선형적 상호작용으로 인해 어려움을 겪고 있다. 현재의 운영 관행은 종종 휴리스틱한 튜닝이나 시행착오에 의존하며, 이는 메쉬 기하학(mesh geometry)과 제어 가능한 프린터 파라미터를 연결하는 투명한 프레임워크가 결여되어 있다. 기존 연구는 특정 재료나 고립된 출력 후 특성(예: 기계적 강도)에 대한 파라미터 최적화에 집중해 왔으나, 다양한 기하학적 형상 전반에 걸쳐 출력 전 운영 결과(특히 출력 시간 및 필라멘트 소비량)를 예측하는 데에는 공백이 존재한다. 기존의 예측 모델들은 설정을 주요 동인으로 취급하여 메쉬가 부과하는 구조적 부담을 과소평가하거나, 실행 가능한 구성 가이드를 제공하는 데 필요한 해석 가능성이 부족한 "블랙박스" 형태로 기능한다.

방법론
본 연구는 출력 시간과 필라멘트 소비량을 공동으로 예측하도록 설계된 기하학 인지형 해석 가능 다중 출력 학습 프레임워크를 제안한다.

데이터셋 구축: 경험적 토대는 150개의 고유한 3D 메쉬에서 파생된 1,500개의 출력 사례로 구성된다. 이 사례들은 2019년부터 운영되어 온 지속적이고 장기적인 출력 환경 내에서 생성되었으며, 출력 샘플, 파라미터 설정 및 생산 기록이 지속적으로 축적되었다. 데이터셋 구조는 각 메쉬를 10개의 전문가 검증 설정 하에 평가하는 방식을 포함한다. 주요 학습 자원은 규모와 다양성을 확보하기 위해 시뮬레이션 지원 기록을 활용하였으나, 시뮬레이션 파라미터는 실제 출력 동작과 일치하도록 검증되었으며, 3,000개 이상의 모델이 물리적으로 출력되어 실제 공정과의 일관성을 확인하였다.
입력 변수 (총 17개):
- 기하학적 기술자 (7개): 면적(Area), 부피(Volume), 정점(Vertices), 면(Faces), 높이(Height), 깊이(Depth), 너비(Width).
- 프린터 설정 (10개): 상단/하단/외곽선/스커트 레이어(Top/Bottom/Outline/Skirt Layers), 스커트 외곽선(Skirt Outlines), 압출 폭(Extrusion Width), 레이어 높이(Layer Height), 최대 속도(Max Speed), 인필(Infill), 내부 채움 패턴(Internal Fill Pattern).
데이터 컨디셔닝: 파이프라인은 범주형 인코딩, 기하학적 변수와 공정 변수 간의 규모 차이를 처리하기 위한 Min-Max 정규화, 그리고 비정상적인 스케일링 동작을 제거하기 위한 Isolation Forest 기반의 이상치 필터링을 포함한다.
모델 아키텍처:
- 기초 학습기 (Base Learners): Random Forest (bagging)와 XGBoost (boosting)가 독립적으로 학습되었다.
- 퓨전 전략: 스태킹 기반 다중 출력 회귀(stacking-based multi-output regression) 접근 방식이 채택되었다. 기초 학습기의 예측값은 선형 메타 학습자의 메타 피처(meta-features)로 사용되어 융합된 모델을 생성하였다.
- 해석 가능성: 구조적 동인(기하학)과 제어 가능한 레버(설정)를 구분하기 위해 피처 중요도 순위가 도출되었다.
평가 프로토콜: 데이터셋은 80:20(훈련/테스트) 비율로 분할되었다. 하이퍼파라미터는 5-겹 교차 검증을 사용하는 Ray Tune 및 HyperOpt을 통해 최적화되었다. 성능은 개별 기초 학습기 및 이전에 보고된 CNN-MLP 베이스라인과 벤치마킹되었다. 평가지표로는 RMSLE(튜닝용), MSE, MAE, RMSE 및 $R^2$ (테스트용)가 사용되었다.

주요 결과

예측 성능: 스태킹 프레임워크는 개별 앙상블 모델 및 CNN-MLP 베이스라인보다 우수한 성능을 달enc였다.
- 전체 지표: MSE = 0.0001929, MAE = 0.0063829, RMSE = 0.01361, $R^2$ = 0.9619.
- 대상별 성능:
  - 출력 시간: $R^2$ = 0.9645.
  - 필라멘트 길이: $R^2$ = 0.9449.
- 본 프레임워크는 결합된 타겟에 대해 MSE 0.0059, MAE 0.0350을 기록한 CNN-MLP 참조 모델을 실질적으로 능가하였다.
피처 중요도 및 해석 가능성:
- 기하학적 지배력: 메쉬 기하학이 두 출력 모두에 대한 주요 동인으로 식별되었다. 필라멘트 소비의 경우 기하학 변수가 누적 중요도의 약 72.6%를 차지하였고, 출력 시간의 경우 이 수치는 약 79.9%로 상승하였다.
- 핵심 동인:
  - 필라멘트: 부피와 면적이 가장 강력한 예측 인자였다. 설정 중에서는 **속도(Speed)**가 가장 영향력이 컸다.
  - 출력 시간: 면적과 부피가 주요 결정 요인이었다. 설정 중에서는 스커트 외곽선(Skirt Outlines), 레이어 높이(Layer Height), **압출 폭(Extrusion Width)**이 가장 강한 효과를 미쳤다.
실제 검증: 대표적인 실제 출력 시나리오에서 모델은 10% 미만의 편차(필라멘트 7%, 시간 5%)를 보이며 출력 전 계획 도구로서의 유용성을 입증하였다. 민감도 분석을 통해 순위가 낮은 변수들(예: 특정 레이어 수)이 결과에 미치는 영향이 미미함을 확인하였으며, 이는 저복잡도 구성 가설을 검증한다.

주요 기여

기하학 인지형 프레임워크: 본 연구는 메쉬 기술자를 공정 설정과 명시적으로 통합하여, 기하학을 수동적인 배경이 아닌 운영 부담의 능동적인 결정 요인으로 취급하는 통합 학습 아키텍처를 구축하였다.
해석 가능성 기반 구성: 피처 중요도 순위를 매김으로써, 본 프레임워크는 물질적으로 중요한 축소된 설정 변수 집합을 식별한다. 이는 전체 파라미터 공간을 최적화하는 것에서 벗어나 특정 고레버리지 설정에 집중하도록 패러다임을 전환하여, 비전문가의 의사결정을 단순화한다.
다중 출력 운영 지능: 본 연구는 단일 출력 또는 출력 후 특성 예측을 넘어, 출력 일정(시간)과 재료 할당(필라멘트)을 공동으로 모델링함으로써 운영 추론을 위한 일관된 기반을 제공한다.

의의 및 주장
본 논문은 핵심적인 의의가 단순히 높은 예측 정확도를 달성하는 데 있는 것이 아니라, 가공되지 않은 출력 데이터를 실행 가능한 축소된 복잡성의 프린터 설정 지능으로 변환하는 데 있다고 주장한다. 메쉬 기하학이 운영 응답을 지배한다는 것을 입증함으로써, 본 연구는 효율적인 FDM 계획을 위해 "기하학 우선(geometry-first)" 관점이 필요하다고 주장한다. 본 프레임워크는 휴리스틱하고 시행착오적인 설정 방식에서 벗어나, 사용자가 정확한 출력 전 추정치와 단순화된 구성 가이드에 의존할 수 있는 투명하고 데이터 기반의 의사결정 프로세스로의 전환을 지원한다. 저자들은 이 연구를 적층 제조에서 기하학적 설계와 공정 실행 사이의 간극을 메우는 배포 가능한 지원 시스템을 향한 단계로 위치시킨다.

유사한 논문