⚡ electrical engineering

Optimization of Process Parameters for Binder Jetting 3D Printing of GH2132 Superalloy Based on Machine Learning

본 연구는 직교 실험을 인공 신경망 및 베이지안 최적화와 결합하여 주요 파라미터 간의 상호작용을 식별함으로써 GH2132 초합금 그린 부품의 바인더 제팅 3D 프린팅 공정을 최적화하였으며, 궁극적으로 58.3%의 상대 밀도와 2% 이내의 치수 편차를 검증하였다.

원저자: Yong Tao, Zhou Fan, Xia Luo, Bensheng Huang, Qianlong Wei, Manni Li, Chengchen Hu

게시일 2026-08-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yong Tao, Zhou Fan, Xia Luo, Bensheng Huang, Qianlong Wei, Manni Li, Chengchen Hu

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

금속을 녹여서 틀에 붓는 대신, 일반 사무용 프린터가 문서를 출력하듯 층층이 쌓아 올려 복잡한 금속 물체를 만들 수 있는 세상을 상상해 보십시오. 이것이 바로 바인더 제팅(Binder Jetting) 3D 프린팅의 마법입니다. 이 기계는 잉크 대신 미세한 금속 분말 위에 특수한 액체 접착제(바인더라고 불림)를 분사합니다. 이 접착제는 분말 입자들을 서로 달라붙게 하여, '그린 파트(green part)'라고 불리는 단단하지만 부서지기 쉬운 형상을 만들어냅니다. 이것은 마치 모래성을 쌓는 것과 같습니다. 물을 너무 적게 사용하면 모래가 무너지고, 너무 많이 사용하면 성이 눅눅해져 모양을 잃게 됩니다. 목표는 모래성을 튼튼하고 정확하게 만들기 위한 완벽한 물의 양을 찾는 것입니다.

하지만 이를 제대로 수행하는 것은 까다로운 일입니다. 최종 금속 부품의 품질은 분말 층의 두께, 접착제가 분사되는 양, 그리고 분말을 펴 바르는 롤러의 속도라는 몇 가지 설정 사이의 섬세한 춤에 달려 있습니다. 만약 이 설정들이 어긋나면, 부품에 미세한 구멍이 생기거나(저밀도) 크기가 잘못될 수 있습니다(치수 오차). 이는 항공우주와 같이 극한의 조건에서도 견딜 수 있도록 매우 강력하고 정밀한 부품이 필요한 산업 분야에서 매우 중대한 문제입니다. 과학자들은 완벽한 설정을 찾아내는 암호를 풀기 위해 노력해 왔지만, 기계의 조절 장치와 최종 결과 사이의 관계는 매우 복잡하고 숨겨진 변수가 많습니다.

여기서 사우스웨스트 석유 대학교(Southwest Petroleum University)의 연구팀이 새로운 접근 방식으로 등장했습니다. 그들은 단순히 추측하고 확인하는 대신, 컴퓨터에게 궁극의 '튜닝 마스터'가 되는 법을 가르치기로 했습니다. 연구진은 제트 엔진 부품 등에 사용되는 GH2132라는 특정 초강력 금속 합금에 집중했습니다. 연구팀은 분말 층의 두께, '화이트 잉크'(접착제)의 농도, 그리고 분말을 펴 바르는 롤러의 속도라는 네 가지 주요 설정을 변경하며 작은 금속 블록을 출력하는 일련의 실험을 설계했습니다.

먼저, 연구팀은 어떤 것이 효과적인지 대략적인 아이디어를 얻기 위해 **직교 실험(orthogonal experiments)**이라는 전통적인 방법을 사용했습니다. 이것은 마치 어떤 케이크가 가장 맛있는지 보기 위해 다양한 레시피를 시도하는 것과 같습니다. 그들은 분말 층의 두께와 롤러가 회전하는 속도가 가장 중요한 요소라는 것을 발견했습니다. 이 방법을 통해 얻은 최적의 '레시피'는 약 56.19%의 밀도를 가진 그린 파트를 만들어냈습니다.

하지만 연구진은 대략적인 추측에 만족하지 않았습니다. 그들은 실제 세상이 매우 복잡하고 비선선형적이라는 것을 알고 있었기에, **머신 러닝(ML)**을 도입했습니다. 그들은 모든 실험 데이터를 **인공 신경망(ANN)**이라 불리는 스마트한 컴퓨터 모델에 입력했습니다. 이 모델은 수천 개의 데이터 포인트를 살펴보고 인간이 놓칠 수 있는 패턴을 찾아내는 '슈퍼 학습자'라고 생각할 수 있습니다. 모델은 설정과 결과 사이의 관계가 직선 형태가 아님을 학습했습니다. 예를 들어, 접착제를 더 많이 추가하면 특정 지점까지는 도움이 되지만, 그 임계값을 넘어서면 오히려 부품을 악화시킨다는 점을 배웠습니다.

연구팀은 SHAP 분석 기법을 사용하여 컴퓨터가 판단한 근거를 설명했습니다. 분석 결과, 층 두께가 가장 큰 요인이었지만 화이트 잉크의 농도는 30%에서 50% 사이의 '스윗 스팟(최적 지점)'이 존재한다는 사실이 드러났습니다. 농도가 그보다 낮으면 부품이 충분히 끈적이지 않았고, 그보다 높으면 부품이 너무 눅눅해져 팽창했습니다. 또한 모델은 롤러의 회전 속도가 앞뒤로 움직이는 속도보다 더 중요하다는 것을 보여주었습니다.

마지막으로, 팀은 **베이지안 최적화(Bayesian optimization)**라는 강력한 최적화 도구를 사용하여 컴퓨터에게 다음과 같이 물었습니다. "우리가 아직 시도해보지 않은 설정 중 절대적으로 가장 좋은 조합은 무엇인가?" 컴퓨터는 층 두께 50 μm, 화이트 잉크 농도 40%, 롤러 이동 속도 40 p/ms, 롤러 회전 속도 70 p/ms라는 새로운 매개변수 세트를 제안했습니다.

실제 환경에서 이 컴퓨터가 제안한 새로운 레시피를 테스트했을 때, 결과는 매우 훌륭했습니다. 생성된 그린 파트는 **58.3%**의 상대 밀도를 기록하며 이전의 최고 수치보다 눈에 띄는 개선을 보여주었습니다. 또한, 부품의 치수는 X, Y, Z 방향에서 각각 0.36 mm, 0.24 mm, 0.06 mm의 오차만을 보이며 매우 정확했고, 이는 모두 2% 오차 범위 이내였습니다.

이 논문은 전통적인 실험과 현대적인 머신 러닝을 결합함으로써, 이 특정 초합금의 암호를 성공적으로 풀었다고 결론짓습니다. 그들은 단순히 추측하는 것이 아니라, 스마트한 알고리즘을 사용하여 접착제, 분말, 속도의 완벽한 균형을 찾을 수 있으며, 이를 통해 제조의 다음 단계로 나아갈 수 있는 더 강하고 정확한 금속 부품을 만들 수 있음을 증명했습니다.

기술 요약: 머신러닝 기반 GH2132 초합금의 바인더 제팅 3D 프린팅 공정 파라미터 최적화

문제 정의
바인더 제팅 3D 프린팅(BJ3DP)은 높은 효율성과 낮은 잔류 응력 덕분에 복잡한 GH2132 초합금 부품을 제조하는 데 있어 상당한 잠재력을 가지고 있다. 그러나 "그린 파트(green parts)"(소결 전 인쇄 상태)의 품질, 특히 상대 밀도와 치수 정밀도는 공정 파라미터에 매우 민감하게 반응한다. 레이어 두께, 바인더 포화도, 롤러 속도와 같은 파라미터와 결과물 품질 사이의 관계는 복잡하고 비선형적인 물리적 메커니즘을 포함하며, 이는 아직 완전히 이해되지 않았다. 직교 실험과 범위 분석 또는 분산 분석(ANOVA)을 결합한 전통적인 최적화 방법은 이러한 비선형적 결합 효과를 포착하는 데 어려움이 있으며, 이산적인 파라미터 공간을 넘어 외삽(extrapolate)할 수 없다. 또한, BJ3DP 실험의 높은 비용은 대규모 데이터셋 확보를 제한하여 전통적인 딥러닝 접근법을 적용하기 어렵게 만든다. 본 연구는 소규모 샘플 데이터를 처리하여 GH2132의 그린 파트 품질을 개선할 수 있는 신뢰할 수 있는 예측 및 최적화 프레임워크의 필요성을 다룬다.

방법론
본 연구는 직교 실험과 머신러닝(ML)을 통합한 하이브리드 최적화 프레임워크를 제안한다:

실험 설계: GH2132 분말(0–25 μm)과 수성 바인더를 사용하여 $L_{25}(5^4)$ 직교 실험을 수행하였다. 네 가지 핵심 요인을 각각 5개 수준으로 조사하였다:
- 레이어 두께 (50–90 μm)
- 화이트 잉크 농도 (30–70%, 바인더 포화도로 변환)
- 롤러 이송 속도 (40–60 p/ms)
- 롤러 회전 속도 (60–100 p/ms)
  출력 지표는 상대 밀도와 X, Y, Z축의 치수 편차이다.
통계 분석: 이산적 실험 공간 내에서 핵심 요인을 스크리닝하고 유의성과 순위를 결정하기 위해 범위 분석과 분산 분석(ANOVA)을 수행하였다.
머신러닝 모델링:
- 다섯 가지 회귀 모델인 인공 신경망(ANN), 랜덤 포스트(RF), 서포트 벡터 회귀(SVR), XGBoost, K-최근접 이웃(KNNR)을 학습시키고 비교하였다.
- 데이터는 85%의 훈련 세트와 15%의 독립 테스트 세트로 분할되었다.
- 모델 성능은 5-겹 교차 검증( $R^2$ 및 MSE)을 통해 평가되었다.
- 핵심 지표인 그린 밀도에 대해 우수한 성능을 보인 ANN을 대리 모델(surrogate model)로 선정하였다.
해석 가능성 및 최적화:
- ANN 모델에 SHAP(SHapley Additive exPlanations) 분석을 적용하여 특징 기여도를 해석하고 비선형 관계를 식별하였다.
- ANN을 대리 모델로 사용하는 **베이지안 최적화(Bayesian Optimization)**를 적용하여 연속적인 파라미터 공간에서 전역 최적화를 수행하였다. 목적 함수는 상대 밀도와 치수 편차의 균형을 맞추었다.
- 연속적인 최적해는 실험적 검증을 위해 정규화된 유클리드 거리를 통해 가장 가까운 이산 실행 파라미터로 매핑되었다.

주요 기여

프레임워크 개발: 소규모 샘플 데이터 문제를 해결하면서 GH2132의 BJ3DP 파라미터를 최적화하기 위해 직교 실험과 ML을 결합한 워크플로우를 구축하였다.
모델 선택: 이 특정 합금 및 공정에 대한 그린 파트 품질 예측에 있어 ANN이 다른 ML 모델(RF, SVR, XGBoost, KNNR)보다 우수함을 입증하였으며, 평균 교차 검증 $R^2$ 값 0.9164를 달ей했다.
메커니즘 통찰: SHAP 분석을 활용하여 화이트 잉크 농도가 비선형적 세그먼트 특성을 보임을 밝혀냈으며, 전통적인 범위 분석으로는 명시적으로 정의할 수 없었던 최적 범위(30%–50%)를 식별하였다.
최적화 전략: 베이지안 최적화를 적용하여 연속적인 이론적 최적값을 찾고, 이를 이산적인 기계 설정값으로 매핑함으로써 실제 적용 가능성을 검증하였다.

결과

요인 순위:
- 범위 분석 (이산): 레이어 두께 > 롤러 회전 속도 > 화이트 잉크 농도 > 롤러 이송 속도.
- SHAP 분석 (연속): 레이어 두께 > 화이트 잉크 농도 > 롤러 회전 속도 > 롤러 이송 속도.
- ANOVA 결과, 레이어 두께, 화이트 잉크 농도, 롤러 회전 속도가 상대 밀도에 매우 유의미한 영향( $p < 0.001$ )을 미치는 것으로 확인되었다.
최적화 결과:
- 직교 최적해: (50 μm, 50%, 45 p/ms, 60 p/ms)는 **56.19%**의 측정 상대 밀도를 나타냈다.
- 베이지안 최적해: 권장 윈도우 (50 μm, 40%, 40 p/ms, 70 p/ms)는 57.89%의 밀도를 예측하였다.
- 검증: 베이지안 권장 파라미터의 실험적 검증 결과, 측정된 상대 밀도는 **58.3%**로, 직교 최적해보다 약 2.1 퍼센트 포인트 향상되었다.
- 치수 정밀도: 모든 편차(X: 0.36 mm, Y: 0.24 mm, Z: 0.06 mm)는 공칭 치수의 2% 이내였다.

의의
본 논문은 제안된 최적화 프레임워크가 비선형 파라미터 상호작용 및 소규모 데이터셋을 다루는 데 있어 전통적인 통계적 방법의 한계를 효과적으로 극복함을 주장한다. 머신러닝을 실험 설계와 통합함으로써, 본 연구는 GH2132의 그린 파트 품질을 예측하고 최적화하는 신뢰할 수 있는 방법을 제공한다. 베이지안 최적화 결과의 성공적인 검증은 이 접근 방식의 공학적 적용 가능성을 입증하며, 높은 신뢰성이 요구되는 금속 적층 제조 공정의 정밀 제어를 위한 경로를 제시한다. 바인더 포화도(30%–50%)에 대한 비선형 최적 범위를 식별한 것은 초기 실험 설계의 이산적인 수준을 넘어 실행 가능한 구체적인 공정 제어 가이드를 제공한다.

유사한 논문