🔬 physics

Constitutive Modeling Method for AM 316 Based on Johnson-Cook Guided PCA-MLP Residual Learning

본 논문은 다양한 온도와 변형률 속도에 따른 적층 제조된 316L 스테인리스강의 동적 유동 응력을 고정밀도로 안정적으로 예측하기 위해, 존슨-쿡(Johnson–Cook) 모델과 PCA-MLP 잔차 학습을 결합한 물리 정보 기반 데이터 구동 구성 방정식 모델링 접근법을 제안한다.

원저자: zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

게시일 2026-09-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

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

제트 엔진을 지탱할 수 있을 만큼 강하고, 해양의 부식성 심해에서도 견딜 수 있을 만큼 저항력이 있으며, 전통적인 제조 방식으로는 도저히 만들 수 없는 복잡하고 가벼운 부품으로 성형될 수 있을 만큼 유연한 재료를 상상해 보십시오. 이것은 적층 제조, 즉 금속을 3D 프린터처럼 층층이 쌓아 올리는 방식으로 만들어진 316L 스테인리스 스틸입니다. 이 기술은 설계에 엄청난 자유를 제공하지만, 이 금속이 강한 충격을 받거나 빠르게 가열될 때의 거동은 공장에서 만들어진 동일한 강철과는 놀라울 정도로 다릅니다. 이 재료가 고속 충격이나 강렬한 열과 같은 극한 조건에 노출되면, 내부 구조가 복잡한 방식으로 변화하며 예측하기 어려운 패턴으로 경화, 연화 및 유동하게 됩니다. 엔지니어들은 항공기, 원자력 부품 또는 방위 시스템이 가장 중요한 순간에 실패하지 않도록 이 재료가 어떻게 반응할지를 정확히 알아야 합니다.

수십 년 동안 과학자들은 금als이 이러한 응력 하에서 어떻게 거동할지 추측하기 위해 수학 공식에 의존해 왔습니다. 존슨-쿡(Johnson-Cook) 모델로 알려진 가장 유명한 공식 중 하나는 인장, 속도, 열의 효과를 단순히 서로 곱해지는 별개의 요인으로 취급합니다. 하지만 이 특정 유형의 3D 프린팅 강철의 경우, 현실은 훨씬 더 뒤엉켜 있습니다. 금속이 변형되며 발생하는 열, 금속이 늘어나는 속도, 그리고 금속 내부의 미시적 변화는 단순한 공식으로는 포착할 수 없는 방식으로 서로 영향을 주고받습니다. 반면, 데이터로부터 학습하는 현대의 컴퓨터 프로그램인 머신러닝은 복잡한 패턴을 찾아낼 수 있지만, 학습할 사례가 충분하지 않을 때는 어려움을 겪곤 합니다. 머신러닝은 주어진 데이터를 암기할 수는 있지만, 본 적 없는 온도와 같은 새로운 상황에 대해서는 정확한 예측을 내놓지 못할 수 있습니다.

이 퍼즐을 풀기 위해 중국 대학 연구진은 두 세계의 장점을 결집한 새로운 접근 방식을 개발했습니다. 그들은 먼저 전통적인 존슨-쿡 공식을 사용하여 물리적 기초, 즉 금속이 어떻게 행동해야 하는지에 대한 대략적인 스케치를 제공했습니다. 그다음, 컴퓨터가 처음부터 전체의 복잡한 이야기를 배우도록 강요하는 대신, 컴퓨터가 전통적인 공식이 범한 실수에만 집중하도록 했습니다. 그들은 공식이 예측한 값과 실제 실험 결과 사이의 차이를 계산하여 '잔차(residual)' 또는 남은 오차 곡선을 만들었습니다. 이 남은 곡선은 단순한 공식이 놓친 복잡하고 숨겨진 상호작용을 나타냅니다.

연구진은 이 남은 곡선들을 단순화하기 위해 영리한 수학적 기법을 사용했습니다. 길고 구불구불한 선을 가져와서, 그 전체를 재현할 수 있는 몇 가지 핵심적인 모양들을 찾아내는 과정을 상상해 보십시오. 주성분 분석(principal component analysis)이라고 불리는 이 과정은 방대한 양의 데이터를 작고 관리 가능한 숫자 세트로 변환해 주었습니다. 그 후 그들은 충격의 온도와 속도에 따라 이 몇 가지 핵심 숫자를 예측하도록 패턴 인식용 컴퓨터 프로그램인 신경망을 훈련시켰습니다. 일단 컴퓨터가 이 숫자들을 예측하면, 연구진은 이들을 사용하여 전체 수정 곡선을 재구성하고 이를 원래 공식에 다시 더했습니다. 그 결과물은 기존 공식의 물리적 신뢰성을 유지하면서도, 데이터를 사용하여 특정 오류를 수정하는 하이브리드 모델이었습니다.

연구팀은 레이저 직접 에너지 퇴적(laser-directed energy deposition) 공정으로 출력된 316L 스테인리스 스틸에 대해 이 새로운 방법을 테스트했습니다. 그들은 금속을 150도에서 620도 사이의 다양한 온도와 초당 5,000회에 달하는 높은 변형률 조건에서 고속 압축 테스트에 노출시켰습니다. 모델의 일반화 능력을 진정으로 시험하기 위해, 그들은 훈련 데이터에서 272도와 450도라는 두 가지 특정 온도를 의도적으로 제외했습니다. 그들은 모델이 한 번도 본 적 없는 온도에서 금속이 어떻게 행동할지 예측할 수 있는지 확인하고자 했습니다.

결과는 놀라웠습니다. 모델이 272도에서의 금속 거동을 예측하도록 요청받았을 때, 평균 정확도는 0.9306을 기록했으며 평균 오차는 단 1.97%였습니다. 450도에서의 성능은 더욱 뛰어났는데, 정확도 점수는 0.9538이었고 평균 오차는 불과 1.63%였습니다. 반면, 전통적인 공식 단독으로는 보지 못한 온도에서 성능이 저조했으며, 종종 오차가 10배 이상 크게 나타나기도 했습니다. 물리적 공식의 도움 없이 전체 거동을 배우려고 시도했던 순수 머신러닝 모델들 역시 상당한 어려움을 겪었으며, 때로는 올바른 경향 자체를 포착하는 데 실패하기도 했습니다. 그러나 새로운 하이브리드 방식은 모든 조건에서 높은 정확도와 안정성을 유지하며, 한 번도 접해보지 못한 온도에 대해서도 복잡한 응력 및 변형 흐름을 성공적으로 재구성했습니다.

이 연구는 강력한 데이터 기반 도구를 신뢰할 수 있는 물리적 기초로 가이드함으로써, 데이터가 부족할 때도 정확하고 신뢰할 수 있는 모델을 만들 수 있음을 보여줍니다. 연구진은 자신들의 방법이 단순히 과거의 실험을 암기하는 것이 아니라, 단순한 기대치로부터 재료가 어떻게 벗어나는지에 대한 근본적인 규칙을 학습한다는 것을 발견했습니다. 이 접근 방식은 차세대 항공우주 및 에너지 시스템을 확신을 가지고 설계하고 시뮬레이션해야 하는 엔지니어들에게 실질적인 경로를 제시합니다. 이 연구는 복잡한 재료, 예를 들어 3D 프린팅 강철의 경우, 예측의 미래가 물리와 데이터 중 하나를 선택하는 것이 아니라, 각자가 서로를 강화할 수 있도록 둘을 엮어내는 데 있다는 것을 확인시켜 줍니다.

기술 요약: Johnson-Cook 가이드 기반 PCA-MLP 잔차 학습을 이용한 AM 316의 구성 방정식 모델링 방법

문제 정의
고온 및 고변형률 조건에서 적층 제조(AM)된 316L 스테인리스강의 동적 유동 응력을 정확하게 예측하는 것은 서비스 안전성 평가 및 공정 최적화를 위해 필수적이다. 그러나 Johnson-Cook(JC) 모델과 같은 기존의 경험적 구성 모델은 AM 재료 특유의 미세구조적 불균질성(예: 주상 정립 조직, 셀형 하부 구조)으로 인해 발생하는 복잡한 열-기계적 결합 및 비선형 상호작용을 포착하지 못하는 경우가 많다. 반대로, 순수 데이터 기반 모델(예: 다층 퍼셉트론 또는 MLP)은 소규모 데이터셋으로 학습할 때 일반화 능력이 떨어지며, 물리적 일관성이 부족하고 보지 못한 조건에서 불안정성을 보일 수 있다. 과제는 경험적 모델의 물리적 해석 가능성을 유지하면서, 체계적인 편차를 보정하기 위해 머신러닝의 비선형 피팅 능력을 활용하는 모델링 전략을 개발하는 것이다.

방법론
저자들은 물리적 베이스라인과 데이터 기반 잔차 학습을 통합한 JC-PCA-MLP라 불리는 하이브리드 프레임워크를 제안한다. 이 방법론은 다음 단계들을 통해 진행된다:

물리적 베이스라인 (Johnson-Cook): 고전적인 JC 모델을 사용하여 유동 응력의 베이스라인 예측을 생성한다. 이 모델은 변형 경화, 변형률 속도 강화, 열 연화의 주요 물리적 경향을 포착하지만, AM 316L의 복잡한 결합 효과를 설명하기에는 불충분한 것으로 간주된다.
잔차 구축 (Residual Construction): 실험적으로 측정된 유동 응력과 JC가 예측한 응력 사이의 차이를 "잔차 곡선"으로 정의한다. 이는 학습 과업을 전체 응력-변형률 곡선을 예측하는 것에서 물리적 베이스라인으로부터의 편차를 예측하는 것으로 전환시킨다.
차원 축소 (PCA): 전체 응력-변형률 곡선의 고차원성과 작은 샘플 크기의 한계를 해결하기 위해, 잔차 곡선에 주성분 분석(PCA)을 적용한다. 이를 통해 잔차 데이터를 지배적인 변동 패턴을 보존하는 소수의 주성분 계수로 축소한다.
머신러닝 (MLP): 다층 퍼셉트론(MLP)을 학습시켜 입력 특징(온도, 변형률 속도 및 이들의 상호작용 항)을 잔차의 PCA 계수에 매핑한다. 입력 특징에는 비선형 변동을 더 잘 포착하기 위해 로그 변형률 속도와 이차 온도 항이 포함된다.
곡선 재구성 (Curve Reconstruction): 최종 예측된 응력-변형률 곡선은 PCA 역변환을 통해 재구성된 MLP 예측 잔차를 JC 베이스라인 위에 중첩함으로써 재구성된다.
학습 전략: 모델은 PCA 계수 예측 오차와 최종 응력-변형률 곡선의 재구성 오차를 동시에 최소화하는 복합 손실 함수를 활용한다.

실험적 검증
본 연구는 레이저 직접 에너지 적층(L-DED) 방식으로 제작된 AM 316L 스테인리스강에 대한 분할 헤플리킨 압축 시험(SHPB)의 동적 압축 데이터를 활용하였다. 데이터셋은 150°C, 272°C, 450°C, 620°C의 온도와 3000 s⁻¹, 4000 s⁻¹, 5000 s⁻¹의 변형률 속도를 포함한다.
일반화 성능을 엄격히 테스트하기 위해 하나의 중간 온도를 제외하는(leave-one-intermediate-temperature-out) 검증 전략을 채택하였다. 모델은 세 가지 온도 데이터로 학습되었으며, 학습 데이터, PCA 분해 또는 그리드 구축 과정으로부터의 데이터 누출이 없도록 보장하면서 보지 못한 중간 온도(272°C 또는 450°C)에서 테스트되었다.

주요 결과
JC-PCA-MLP 모델은 단독 JC 모델, 순수 MLP, 그리고 물리적 베이스라인이 없는 PCA-MLP 모델과 비교하여 우수한 성능을 입증하였다:

272°C (미학습 온도)에서: 모델은 평균 $R^2$ 0.9306 및 평균 절대 상대 오차(AARE) **1.97%**를 달성하였다. 최소 $R^2$ 는 0.8779였다.
450°C (미학습 온도)에서: 모델은 평균 $R^2$ 0.9538 및 AARE **1.63%**를 달성하였다. 최소 $R^2$ 는 0.8909였다.
비교 성능:
- 단독 JC 모델은 보지 못한 온도에서 낮은 성능(평균 $R^2$ < 0.45)을 보였으며, 상당한 체계적 편차를 나타냈다.
- 순수 MLP 모델은 불안정성을 보였으며, 450°C에서 성능이 크게 저하되었다 (평균 $R^2$ = 0.2386).
- PCA-MLP 모델(JC 베이스라인 없이)은 MLP보다 개선되었으나, 여전히 높은 최소 $R^2$ 값을 유지하는 데 있어 하이브리드 접근 방식의 안정성과 정확성에 미치지 못했다.

의의 및 주장
본 논문은 JC-PCA-MLP 프레임워크가 동적 구성 모델링을 위한 효율적인 물리 정보 기반 데이터 구동 전략을 제공한다고 주장한다. 이 방법의 의의는 다음 세 가지 요소의 시너지 결합에 있다:

물리적 가이드: JC 모델을 베이스라인으로 사용함으로써 예측이 근본적인 물리적 경향을 따르도록 보장하며, 신경망의 학습 부담을 줄인다.
잔차 학습: MLP가 전체 곡선을 학습하는 대신 JC 모델의 체계적 오차를 수정하는 데 집중하게 함으로써, 제한된 데이터로도 높은 정확도를 달성한다.
차원 축소: PCA를 통한 차원 축소는 곡선 형상에 전역적 제약을 부여하여, 점 단위(point-wise) 신경망 예측에서 흔히 발생하는 국부적 진동이나 과적합을 방지한다.

저자들은 이 방법이 고온 및 고변형률 조건 하의 AM 316L 스테인리스강에 대한 예측 정확도와 안정성을 효과적으로 향상시킨다고 결론지으며, 이는 실험 데이터가 부족한 상황에서의 구성 방정식 모델링을 위한 유효한 접근법임을 시사한다. 또한, 이 전략이 다른 적층 제조 금속 재료의 유동 응력 예측을 위한 참조 모델로 활용될 수 있음을 제안한다.

유사한 논문