A Physics-aware Melt Pool Feature Integration Framework for Density Prediction and Optimization Strategies Evaluation in Additive Manufacturing

제트 엔진 부품부터 의료용 임플란트에 이르기까지 복잡한 금속 부품이 주조나 절삭이 아니라, 레이저가 미세한 금속 분말의 흐름을 층층이 녹여 단단한 물체로 융합하며 만들어지는 세상을 상상해 보십시오. 이것은 적층 제조(additive manufacturing)로, 놀라운 설계 자유도를 제공하지만 한 가지 고집스러운 장애물에 직면해 있습니다. 바로 공정이 혼돈스럽다는 점입니다. 레이저가 움직임에 따라, 레이저는 전력, 속도 또는 차폐 가스의 흐름 변화에 즉각적으로 반응하는 미세하고 요동치는 용융 금속 풀(pool)을 생성합니다. 만약 이 반응이 조금이라도 어긋나면, 부품 내부에 눈에 보이지 않는 빈 공간이나 기공이 형성되어 부품을 약화시키고 잠재적으로 응력 하에서 파손을 일으킬 수 있습니다. 수십 년 동안 엔지니어들은 이러한 결함을 피하기 위해 완벽한 설정을 찾으려 노력해 왔지만, 그들의 주요 도구는 '부품을 제작하고, 절단하여 내부를 확인하고, 구멍의 크기를 측정하고, 다음에 무엇을 바꿀지 추측하는' 느리고 파괴적인 순환 과정이었습니다. 이러한 시행착오 방식은 현대 산업의 요구를 충족하기에는 너무 느리며, 부품이 완성되기도 전에 품질을 예측할 수 있는 방법에 대한 절실한 필요성을 남겼습니다.

이제 한 연구팀이 제조 과정 중에 금속 내부를 들여다볼 수 있는 새로운 방법을 개발했습니다. 바로 금속이 만들어지는 동안 그 소리에 귀를 기울이는 방식입니다. 고성능 애플리케이션에 사용되는 특정 구리 합금에 초점을 맞추어, 그들은 장비의 설정값과 용융 금속 자체를 실시간으로 관찰하는 시스템을 결합했습니다. 단순히 기계의 다이얼을 보고 추측하는 대신, 그들의 접근 방식은 액체 상태인 미세한 금속 풀의 크기, 밝기, 그리고 얼마나 요동치는지를 측정하며 그 거동을 관찰합니다. 이 실시간 데이터를 스마트한 컴퓨터 모델에 입력함으로써, 그들은 부품을 직접 잘라보지 않고도 최종 물체의 밀도를 예측할 수 있습니다. 이를 통해 엔지니어들은 물리적인 테스트를 위해 며칠을 기다리는 대신, 제작 품질을 개선하기 위한 다양한 전략을 즉각적으로 테스트할 수 있습니다.

이 예측의 여정은 데이터가 종종 작고 지저도하다는 도전 과제로부터 시작되었습니다. 연구원들이 레이저 출력과 속도의 다양한 조합을 테스트하기 위해 100번의 실험을 수행할 때, 결과는 필연적으로 장비의 진동이나 환경 변화로 인한 무작위 노이즈에 의해 오염됩니다. 이를 해결하기 위해 연구팀은 3단계의 데이터 정제 과정을 고안했습니다. 첫째, 전체 결과 집합을 살펴보고 나머지 데이터와 확연히 다른 지점들을 찾아냈습니다. 둘째, 첫 번째 단계에서 놓친 국소적인 오류를 잡아내기 위해 더 작은 데이터 그룹들을 조사했습니다. 마지막으로, 가장 밀집된 데이터 클러스터 내부를 조사하여 패턴에 맞지 않는 미세한 이상치들을 찾아냈습니다. 이러한 노이즈가 섞인 지점들을 신중하게 제거함으로써, 그들은 훨씬 깨끗한 데이터셋을 구축했고, 이를 통해 컴퓨터 모델이 기계 설정과 최종 품질 사이의 진정한 관계를 학습할 수 있게 했습니다.

데이터 정제가 완료된 후, 연구진은 금속 부품의 밀도를 예측할 수 있는 모델을 구축했습니다. 그들은 컴퓨터가 학습하는 여러 가지 방식을 테스트했으며, 결국 이 작고 복잡한 데이터셋에 가장 적합한 특정 알고리즘을 찾아냈습니다. 결정적으로, 그들은 단순히 컴퓨터에게 레이저가 얼마나 빨리 움직였는지 또는 분말이 얼마나 공급되었는지와 같은 기계 설정값만을 알려주는 것으로는 충분하지 않다는 것을 발견했습니다. 모델에는 물리적 실체가 필요했습니다. 전달되는 에너지를 나타내는 계산된 값인 '물리적 특징(physical features)'과 용융 금속의 거동을 직접 측정한 '용융 풀 특징(melt pool features)'을 추가했을 때, 모델의 정확도는 크게 향상되었습니다. 시스템은 용융 금속이 어떻게 빛나고 움직이는지가 최종 부품이 단단한 상태가 될지 아니면 구멍이 생길지를 나타내는 직접적인 신호라는 것을 학습했습니다.

이 예측을 전체 물체에 적용하기 위해 연구팀은 기하학적 문제를 해결해야 했습니다. 금속 부품은 아주 작은 지점 하나하나가 쌓여 만들어지지만, 최종 품질은 그 지점들이 어떻게 합쳐지느냐에 달려 있습니다. 그들은 레이저 경로를 따라가는 모든 지점의 예측 밀도를 구한 뒤, 각 지점의 크기에 따라 가중치를 두어 결합하는 방법을 개발했습니다. 이를 통해 개별적인 국소 예측들을 하나의 통합된 예측으로 변환하여, 전체 부품의 총 밀도를 계산할 수 있었습니다. 이 시스템을 테스트했을 때, 예측값은 실제 측정된 부품의 밀도와 놀라운 정밀도로 일치했으며, 기계 설정값에만 의존하는 모델보다 훨씬 뛰어난 성능을 보여주었습니다.

이 프레임워크의 진정한 힘은 연구진이 제조 공정을 개선하기 위한 다양한 전략을 평가할 때 입증되었습니다. 그들은 피드백을 바탕으로 레이저 출력을 실시간으로 조정하는 방법과, 금속이 더 잘 융합되도록 돕기 위해 음파, 자기장, 열과 같은 외부 장을 사용하는 방법의 효과를 테스트했습니다. 모델은 열장을 가하면 밀도가 약간 증가할 것이라고 올바르게 예측한 반 반면, 자기장은 거의 영향이 없을 것이라고 예측했습니다. 가장 주목할 만한 점은, 초음파 진동을 사용하는 것이 오히려 부품을 악화시킬 것이라고 예측했다는 것인데, 이는 실제로 부품을 제작하고 측정했을 때 확인된 사실이었습니다. 모든 경우에서 예측된 경향은 물리적 현실과 일치했으며, 이는 이 시스템이 가상 테스트 베드 역할을 할 수 있음을 증명했습니다.

이 연구는 금속 제조 방식에 접근하는 방식의 중요한 진전을 의미합니다. 기계의 원시 데이터와 용융 금속의 실시간 시각적 이야기를 통합함으로써, 연구진은 제품을 파괴하지 않고도 최적화 전략을 평가할 수 있는 도구를 만들어냈습니다. 이 모델은 공정 설정과 실시간 물리적 관찰을 결합함으로써 부품 품질을 예측하는 오차를 1% 미만으로 줄일 수 있음을 보여주었습니다. 현재의 시스템은 특정 구리 합금과 특정 유형의 레이저 증착에 맞춰져 있지만, 이 접근 방식은 엔지니어들이 이전에는 불가능했던 수준의 확신을 가지고 제조 공정을 시뮬레이션하고 정교화할 수 있는 미래를 암시합니다. 부품이 만들어지는 도중에 내부 품질을 예측할 수 있는 능력은, 산업을 단순한 추측과 사후 검사 단계에서 정밀한 실시간 제어의 단계로 변화시키고 있습니다.