Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

금속 제조는 오랫동안 극한의 정밀도로 재료를 녹이고 융합하여 복잡한 부품을 층층이 쌓아 올리는 기술에 의존해 왔습니다. 직접 에너지 적층(directed energy deposition)이라고 알려진 한 가지 고급 기술에서는, 강력한 레이저 빔이 표면에 분사되는 금속 분말을 녹여 작고 빛나는 용융 풀(molten pool)을 만듭니다. 이 용융 풀의 모양과 크기는 최종 부품이 강하고 결함이 없을지, 아니면 숨겨진 균열과 약점을 가진 상태가 될지를 결정합니다. 문제는 이 풀의 가장 중요한 부분인 금속이 녹아 들어가는 깊이가 표면 아래에서 일어나기 때문에, 육안으로는 보이지 않으며 기계가 작동하는 동안에는 측정할 수 없다는 점입니다. 수십 년 동안 엔지니어들은 공정이 제대로 작동했는지 확인하기 위해 기계를 멈추고, 부품을 절단하여 현미경으로 관찰해야 했습니다. 이는 실시간 교정의 여지를 남기지 않는 느리고 파괴적인 방법이었습니다.

스티븐스 공과대학교(Stevens Institute of Technology)의 연구팀은 보이지 않는 것을 보는 새로운 방법을 개발했습니다. 그들은 인공지능을 사용하여 표면에 보이는 열 패턴과 레이저 설정만을 이용해 숨겨진 용융 풀의 깊이를 실시간으로 예측하는 시스템을 만들었습니다. 컴퓨터가 먼저 방대한 양의 컴퓨터 시뮬레이션으로부터 학습하도록 가르친 뒤, 소량의 실제 데이터를 통해 그 지식을 정교화함으로써, 그들은 컴퓨터가 인쇄 과정을 관찰하고 운영자에게 금속이 얼마나 깊게 녹고 있는지를 즉각적으로 알려줄 수 있는 모델을 구축했습니다. 이 접근 방식은 이론적 물리학과 공장 현장의 무질서한 현실 사이의 간극을 메우며, 부품이 완성된 후 검사하는 것이 아니라 만들어지는 과정에서 모니터링하고 교정할 수 있는 경로를 제시합니다.

이 분야의 핵심 과제는 용융 풀이 순식간에 일어나는 혼란스러운 사건이라는 점입니다. 레이저가 금속을 가로질러 이동함에 따라, 열이 바깥쪽으로 방출되고 금속이 복잡한 방식으로 흐르며 끊임없이 변화하는 풀을 생성합니다. 카메라는 표면의 풀 너비를 쉽게 볼 수 있지만, 깊이는 부품이 파괴되기 전까지는 미스터리로 남습니다. 이를 해결하기 위해 연구진은 전이 학습(transfer learning)이라 불리는 방법을 활용했습니다. 조용한 강의실에서 수천 개의 연습 문제를 풀며 물리 교과서를 수년간 공부한 학생을 상상해 보십시오. 그 학생은 이미 세상의 근본적인 규칙을 이해하고 있으므로, 마침내 실제 실험실에 섰을 때 특정 실험 설정의 세부 사항을 배우는 데 훨씬 적은 시간이 필요합니다. 연구진은 이와 동일한 논리를 컴퓨터 모델에 적용했습니다.

먼저, 그들은 물리 기반 컴퓨터 시뮬레이션을 사용하여 거대한 데이터 세트를 생성했습니다. 스테인리스강이 레이저에 의해 가열될 때의 거동을 모델링하여, 레이저 출력, 속도, 스폿 크기가 각기 다른 1,300개 이상의 서로 다른 시나리오를 만들었습니다. 이 가상 세계에서 컴퓨터는 생성된 모든 용융 풀의 정확한 깊이와 너비를 알고 있었습니다. 그들은 이 시뮬레이션 데이터를 사용하여 패턴을 인식하도록 설계된 일종의 인공지능인 복잡한 신경망을 훈련시켰습니다. 신경망은 표면의 열 패턴을 숨겨진 깊이와 연관시키는 법을 배웠으며, 이를 통해 관련된 물리학에 대한 견고한 이해를 구축했습니다. 그러나 연구진은 컴퓨터 시뮬레이션만으로 훈련된 모델은 실제 기계의 노이즈, 반사, 불완전함에 직면했을 때 어려움을 겪을 것임을 알고 있었습니다.

이 간극을 메우기 위해, 그들은 사전 훈련된 모델을 가져와 소량의 실제 실험 데이터를 사용하여 미세 조정(fine-tuning)했습니다. 그들은 실제 기계에서 단일 트랙 인쇄 실험을 수행하여 용융 풀의 고속 적외선 이미지를 포착했습니다. 컴퓨터에게 실제 용융 풀이 어떻게 보이는지 가르치기 위해, 그들은 인쇄된 트랙을 잘라 현미경으로 실제 깊이와 너비를 측정해야 했습니다. 모든 영상 프레임을 측정할 수 없었기 때문에, 통계적 방법을 사용하여 측정된 값을 이미지에 할당함으로써 약 550개의 라벨링된 이미지로 구성된 훈련 세트를 만들었습니다. 이 실제 데이터를 모델에 입력했을 때, 네트워크는 깨끗한 시뮬레이션과 노이즈가 있는 실제 환경 사이의 차이를 고려하여 내부 설정을 조정했습니다.

결과는 이 두 단계 접근 방식이 제한된 실제 데이터만을 사용하여 처음부터 모델을 훈련시키는 것보다 훨씬 우수하다는 것을 보여주었습니다. 연구진이 새로운 미학습 인쇄 작업에 대해 모델을 테스트했을 때, 시뮬레이션의 도움을 받아 훈련된 모델은 현저히 적은 오류를 보였습니다. 풀의 너비를 예측하는 데 있어 시뮬레이션 보조 모델은 약 7% 이내의 정확도를 보인 반면, 실제 데이터로만 훈련된 모델은 거의 30%에 달하는 오차를 보였습니다. 예측하기 더 어려운 변수인 깊이에 대해서는 차이가 더욱 극명했습니다. 시뮬레이션 보조 모델은 약 22%의 오차로 깊이를 예측했지만, 시뮬레이션의 도움 없이 훈련된 모델은 거의 75%에 달하는 오차를 기록했습니다. 데이터가 매우 부족한 가장 어려운 경우에도, 시뮬레이션 훈련 모델은 높은 수준의 정확도를 유지한 반면 다른 모델은 올바른 패턴을 전혀 학습하지 못했습니다.

연구진은 또한 시스템이 두 가지 유형의 정보, 즉 용융 풀의 열 이미지와 특정 레이저 설정을 결합했을 때 가장 잘 작동한다는 것을 발견했습니다. 이미지는 열의 시각적 형태를 제공하여 너비를 결정하는 데 도움을 주었고, 레이저 설정은 깊이를 추측하는 데 필요한 에너지 맥락을 제공했습니다. 컴퓨터가 본 적 없는 설정을 사용한 6가지 서로 다른 인쇄 작업에 대해 실시간으로 시스템을 테스트했을 때, 시스템은 레이저가 이동함에 따라 변화하는 풀의 기하학적 구조를 성공적으로 추적했습니다. 시스템은 풀이 너무 얕아지는 상태(이는 종종 약한 부품으로 이어지는 조건임)를 정확히 식별해 냈지만, 보조를 받지 못한 모델은 지속적으로 깊이를 과대평가하여 이러한 결함을 놓쳤습니다.

이 연구는 수천 번의 비용스럽고 시간이 많이 걸리는 실험 없이도 물리 시뮬 much의 힘을 제조의 실제 세계로 가져오는 것이 가능하다는 것을 입증합니다. 시뮬레이션을 통해 AI에게 게임의 규칙을 가르치고 실제 데이터를 통해 특정 기계의 미묘한 차이를 가르침으로써, 연구진은 정확하면서도 효율적인 도구를 만들어냈습니다. 이 시스템은 단순히 숫자를 예측하는 것이 아니라, 제조 과정이 진행되는 동안 건강 상태를 모니터링할 수 있는 방법을 제공하며, 잠재적으로 결함을 방지하기 위해 기계가 스스로 조절할 수 있게 합니다. 이 기술은 여전히 개선 중이지만, 이번 연구는 컴퓨터 모델의 명확성과 물리적 실험의 현실성을 결합하는 것이 실시간으로 다루기 너무 어렵다고 여겨졌던 문제들을 해결할 수 있음을 증명합니다.