Intelligent Ultrasonic Characterization of Bonding Conditions in Aircraft Honeycomb Sandwich Composite Panels

기술 요약: 항공기 허니콤 샌드위치 복합재 패널의 결합 상태에 대한 지능형 초음파 특성 분석

문제 정의
항공기 수평 안정판용 허니콤 샌드위치 복합재 패널은 넓은 검사 영역과 다양한 결함 유형을 가진 복잡한 구조를 가지고 있다. 초음파 C-스캔 이미징은 페이스 시트(face sheet)와 허니콤 코어 사이의 결합 상태를 효과적으로 시각화하지만, 결과로 발생하는 방대한 양의 이미지를 해석하는 작업은 전통적으로 숙련된 검사사에게 의존해 왔다. 이러한 수동 프로세스는 평가 효율이 낮고, 주관성이 강하며, 의사결정이 일관되지 않다는 특징이 있다. 또한, 주기적인 허니콤 패턴의 높은 유사성과 인접한 결합 상태 간의 미세한 시각적 차이로 인해 이미지의 지능형 분류는 여전히 도전적인 과제로 남아 있다.

연구 방법론
본 연구는 인터페이스 에코 추적, 이미지 처리 및 딥러닝을 통합한 지능형 분류 프레임워크를 제안한다. 방법론은 다음 세 가지 주요 단계로 진행된다.

1. 데이터 획득 및 이미지 재구성:

   • 테스트 설정: 15 MHz 집속 프로브를 사용한 수중 제트 결합 방식의 집속 초음파 테스트(펄스 에코 모드)가 채택되었다. 이 단면 접근 방식은 투과법(through-transmission)에서 나타나는 결함 신호의 중첩 현상을 방지한다.
   • 에코 추킹: 접착제-허니콤 계면을 특성화하기 위해, 본 연구는 $f_1$ 에코(물-페이스 시트 계면)를 기준으로 $f_3$ 에코(접착제-허니콤 계면)를 추적하며, 페이스 시트 두께에 해당하는 시간 지연을 적용한다. 이는 하부 계면의 결합 상태를 충분히 보여주지 못하는 $f_2$ 에코(페이스 시트-접착제 계면)보다 선호되는 방식이다.
   • 이미스 처리: 재구성된 C-스캔 이미지는 노이즈와 흐릿한 경계선을 억제하기 위해 가우시안 필터링을 거친 후, 공간 해상도를 높이고 거친 가장자리를 매끄럽게 하기 위해 바이큐빅 보간법(bicubic interpolation)을 적용한다.

2. 데이터셋 구축 및 증강:

   • 레이블링 전략: 실험적으로 검증된 레이블을 대량으로 확보하기 어려운 점을 고려하여, 임계값 기반의 레이블링 전략이 채택되었다. 9.9 × 9.9 mm 슬라이딩 윈도우를 사용하여 C-스캔 이미지에서 300개의 정사각형 패치를 추출하였다.
   • 분류 기준: 패치는 진폭이 0.7 mV를 초과하는 픽셀의 누적 개수를 기준으로 세 가지 결합 상태(대상 영역 A, B, C)로 분류되었다. 영역 A는 양호한 결합 영역(높은 진폭의 픽셀이 적음)을, 영역 C는 심각한 결합 문제(높은 진폭의 픽셀이 많음)를 나타내며, 영역 B는 중간 상태를 나타낸다.
   • 데이터 증격: 제한된 샘플 크기 문제를 해결하기 위해, 층화 5-겹 교차 검증(stratified five-fold cross-validation) 과정 중 훈련 폴드(training folds)에 대해서만 데이터 증강(미러링, 회전, 무작위 노이즈 섭동)을 적용하였다. 검증 폴드는 정보 누출을 방지하기 위해 원래 형태를 유지하였다.

3. 딥러닝 분류:

   • 모델 아키텍처: ImageNet으로 사전 학습된 ResNet50 네트워크를 세 가지 클래스 분류 작업에 맞게 미세 조정(fine-tuning)하였다. 이 아키텍처는 그래디언트 전파를 용이하게 하고 심층 네트워크 학습을 최적화하기 위해 잔차 블록(residual blocks)을 활용한다.
   • 학습 프로토콜: 하이퍼파라미터(학습률, 배치 크기, 가중치 감쇠 및 스케줄링)는 훈련 폴드 내의 내부 검증을 통해 선택되었다. 모델은 교차 엔트로피 손실 함수와 확률적 경사 하강법(SGD) 옵티마이저를 사용하여 학습되었다.

주요 결과

• 이미지 품질: 인터페이스 에코 추적은 허니콤 결합 계면의 C-스캔 이미지를 성공적으로 생성하였다. 가우시안 필터링과 바이큐빅 보간법은 노이즈를 억제하고 해상도를 향상시켜, 규칙적인 허니콤 셀 패턴과 결함 징후를 명확하게 드러냄으로써 이미지 품질을 크게 개선하였다.
• 분류 성능: ResNet50 모델은 5-겹 교차 검증 전반에 걸쳐 안정적이고 정확한 성능을 입증하였다.
  • 평균 정확도: 90.00% ± 3.10%.
  • 매크로 지표: 정밀도(Precision) 90.51% ± 3.46%, 재현율(Recall) 89.96% ± 3.20%, F1-score 89.95% ± 3.19%.
  • 혼동 분석: 대부분의 오류는 인접한 클래스인 B와 C(중간 및 심각한 결함) 사이에서 발생하였으며, 영역 A(양호)와 영역 C(심각) 사이의 직접적인 혼동은 없었다.
• 독립 패널 테스트: 별도의 40 × 300 mm 패널에 대해, 모델은 수학적 임계값 참조와 높은 일치도를 보였다.
  • 신뢰도 기반 거부: 예측 신뢰도가 0.6 미만인 패치를 제외함으로써, 시스템은 92.5%(111/120)의 패치를 유지하였다. 이렇게 유지된 예측들에 대해 클래스별 재현율은 영역 A 91.8%, 영역 B 86.7%, 영역 C 95.0%로 향상되었다.
  • 오류 특성: 오분류는 주로 결합 상태의 심각도를 과대평가하는 경향(예: A→B 또는 B→C)을 보였으며, 이는 비파괴 검사의 보수적인 안전 철학과 일치한다.

의의 및 주장
본 논문은 제안된 프레임워크가 허니콤 샌드위치 패널의 결합 상태 자동 평가를 위한 실행 가능한 솔루션을 제공한다고 주장한다. 구체적으로 다음과 같은 점을 입증하였다:

1. 접착제-허니콤 계면 에코($f_3$)를 추적하는 것이 페이스 시트 에코($f_2$)가 충분히 특성화할 수 없는 결합 상태를 시각화하는 데 효과적인 방법임을 보여준다.
2. 초기 레이블링을 위한 수학적 임계값 설정과 딥러닝(ResNet50)의 결합은 초음파 특성의 미세한 차이에도 불구하고 결합 상태를 효과적으로 분류할 수 있다.
3. 신뢰도 기반 거부 메커니즘의 통합은 샘플 커버리지와 분류 신뢰도 사이의 절충을 가능하게 하여, 불확실한 영역을 전문가 검토 대상으로 지정할 수 있도록 한다.
4. 본 방법은 오분류 시 결함의 심각도를 과대평가하는 보수적인 평가 경향을 보이는데, 이는 항공기 유지보수의 안전 지향적 요구사항과 일치한다.

저자들은 현재의 공학적 테스트가 딥러닝 모델과 수학적 분할 간의 일치성을 검증하고 있으나, 향ont후 응용을 위해서는 수학적 임계값을 데이터 기반의 소프트 경계로 대체하기 위해 비파괴 및 파괴 검사를 병행하여 검증된 자연 발생 샘플에 대한 보정이 필요하다고 언급하였다.