Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

거대한 금속 부품이 고체 블록에서 깎여 나가는 것이 아니라, 용융된 금속의 흐름으로부터 층을 쌓아 올려 만들어지는 공장 바닥을 상상해 보십시오. 이것은 제트 엔진 부품부터 의료용 임플란트에 이르기까지 다양한 것을 제작하는 데 사용되는 첨단 제조 방식인 직접 에너지 적층(directed energy deposition)입니다. 이 기술은 강력하고 유연하며, 값비싼 기계를 수리하거나 다른 방법으로는 불가능한 복잡한 형상을 출력할 수 있습니다. 그러나 이 과정은 제어하기가 매우 까다롭기로 악명이 높습니다. 금속은 레이저나 전기 아크와 같은 강력한 열원에 의해 녹으며, 이는 순식간에 냉각되고 응고되는 아주 작고 뜨거운 액체 풀(pool)을 형성합니다. 이 과정은 매우 빠르게 진행되고 극심한 온도를 수반하기 때문에 불안정합니다. 이로 인해 최종 부품을 망가뜨리는 숨겨진 균열, 구멍 또는 약점이 쉽게 발생할 수 있습니다. 전통적으로 이러한 문제를 해결하는 방법은 느리고 비용이 많이 드는 시행착오의 반복이었습니다. 즉, 기계를 설정하고, 부품을 만들고, 이를 절단하여 검사하고, 결함을 찾아낸 뒤, 설정을 변경하여 다시 시도하는 방식이었습니다.

이러적인 순환을 끊기 위해 연구자들은 두 가지 강력한 도구인 머신 러닝(machine learning)과 디지털 트윈(digital twin)에 주목하고 있습니다. 머신 러닝은 인간이 수천 개의 사례를 보고 결함을 찾아내는 법을 배우는 것과 유사하게, 방대한 양의 데이터로부터 패턴을 인식하는 법을 배우는 일종의 컴퓨터 지능입니다. 디지털 트윈은 물리적 기계와 제작 중인 부품의 가상 복사본입니다. 이것은 단순한 정적인 3D 모델이 아닙니다. 실제 기계를 관찰하는 센서로부터 실시간 데이터를 전달받아 물리적 세계를 실시간으로 거울처럼 반영하는 살아있는 시뮬레이션입니다. 이 두 기술이 결합되면, 제조를 결함이 발생한 후에 발견하는 '반응적' 과정에서, 금속이 채 식기도 전에 문제를 예측하고 수정하는 '선제적' 과정으로 변화시킬 것을 약속합니다.

텍사스 대학교 리오 그란데 밸리(The University of Texas Rio Grande Valley)의 연구팀은 최근 이 기술의 현재 상태를 파악하기 위한 작업을 수행했습니다. 그들은 2016년부터 2026년 사이에 발표된 130개의 과학 연구를 체계적으로 검토하여, 머신 러닝과 디지털 트윈이 현재 직접 에너지 적층에 어떻게 사용되고 있는지 분석했습니다. 체계적 문헌 검토를 통해 발표된 이들의 연구는, 이 분야가 빠르게 발전하고 있지만 여전히 중대한 전환점의 경계에 서 있음을 보여줍니다. 연구진은 과학자들이 카메라와 센서를 사용하여 과정을 관찰하고 문제가 발생할 시점을 예측하는 데는 매우 능숙해졌지만, 아직 그러한 문제를 실시간으로 자동 수정하는 능력은 완전히 마스터하지 못했다는 사실을 발견했습니다.

이 검토 보고서는 연구 대상이 되는 가장 흔한 재료가 항공우주 및 에너지 산업에 필수적인 특정 유형의 강철과 니켈 기반 초합금임을 강조합니다. 가장 빈번하게 사용되는 제조 방법은 전기 아크를 사용하여 금속 와이어를 녹이는 와이어 아크 적층(wire arc deposition)과, 고출력 레이저를 사용하여 금속 분말을 녹이는 레이저 기반 적층입니다. 이러한 연구들에서 주요 초점은 과정을 '보는' 것에 맞춰져 왔습니다. 연구자들은 고속 카메라와 열 센서를 기계에 장착하여 용융 풀의 이미지를 포착하도록 했습니다. 그런 다음 이 시각적 데이터를 복잡한 신경망을 사용하는 머신 러닝 모델에 입력하는데, 이 모델들은 마치 디지털 눈과 같은 역할을 합니다. 이러한 모델들은 결함을 식별하는 데 있어 놀라운 성공을 보여주었습니다. 일부 연구에서는 이러한 시스템이 99% 이상의 정확도로 균열이나 구멍을 감지하거나, 금속 비드(bead)의 형상을 높은 정밀도로 예측할 수 있다고 보고했습니다.

그러나 저자들은 문제를 보는 것과 해결하는 것 사이의 결정적인 격차를 지적합니다. 지금까지 검토된 대부분의 디지털 트윈 시스템은 '디지털 그림자(digital shadow)'처럼 작동합니다. 이 설정에서는 데이터가 물리적 기계에서 가상 모델로 한 방향으로만 흐릅니다. 가상 모델은 운영자에게 "보십시오, 결함이 형성되고 있습니다" 또는 "온도가 너무 높습니다"라고 알려줄 수는 있습니다. 하지만 스스로 조치를 취하는 경우는 드뭅니다. 가상 예측과 물리적 기계 사이의 연결은 종종 끊어져 있습니다. 컴퓨터가 실수를 바로잡기 위해 레이저 출력이나 로봇 팔의 속도를 자동으로 조정하는 대신, 시스템은 보통 멈춰서 인간 운영자의 개입을 기다립니다. 연구진은 몇몇 고급 연구들이 폐쇄 루프 제어(closed-loop control, 시스템이 오류를 수정하기 위해 프로세스를 자동으로 조정하는 방식)를 입증했지만, 이는 일반적인 규칙이 아닌 예외적인 경우라고 언급했습니다.

또한, 이 검토 보고서는 이러한 기술이 산업 전반에 널리 사용되는 것을 가로막는 중요한 장애물들을 식별했습니다. 주요 문제 중 하나는 데이터의 부족입니다. 머신 러닝 모델을 훈련시키려면 양호한 부품과 불량한 부품 모두에 대한 수천 개의 사례가 필요합니다. 직접 에너지 적층에서는 이러한 사례를 만드는 데 많은 비용과 시간이 소 소요됩니다. 내부 결함을 검사하기 위해 완성된 부품을 파괴해야 하는 경우가 많으므로, 컴퓨터를 가르치는 데 필요한 방대한 데이터셋을 쉽게 수집할 수 없습니다. 이를 해결하기 위해 일부 연구자들은 한 종류의 금속에 대해 훈련된 모델을 다른 종류의 금속에 맞게 조정하는 전이 학습(transfer learning) 기술을 사용하거나, 가상 데이터를 생성하기 위해 물리 기반 시뮬레이션을 사용하고 있습니다. 그러나 저자들은 이러한 방법들이 완벽하지 않다고 경고합니다. 한 기계나 한 재료에 대해 훈련된 모델은 다른 설정에서 작동하는 데 어려움을 겪는 경우가 많아, 다양한 공장 환경에서의 유용성을 제한합니다.

나아가, 연구진은 현재의 디지털 트윈이 실제 제조의 복잡성을 다루기에는 너무 단순하다는 것을 발견했습니다. 진정한 디지털 트윈이라면 새로운 데이터에 따라 자신의 이해도를 끊임없이 업데이트하고, 그 지식을 바탕으로 기계의 행동을 안내하며 물리적 기계와 양방향으로 통신할 수 있어야 합니다. 현재 많은 시스템은 파편화되어 있습니다. 온도 모니터링이나 형상 예측에는 탁월할 수 있지만, 이 모든 정보를 단일한 자율적 의사결정 과정으로 통합하는 능력은 부족합니다. 이 검토 보고서는 이러한 기술이 잠재력을 완전히 발휘하기 위해서는 고립된 실험을 넘어선 움직임이 필요하다고 제안합니다. 향후 연구는 여러 센서의 데이터를 동시에 처리하고, 지연 없이 실시간으로 작동하며, 무엇보다도 예측과 행동 사이의 루프를 닫을 수 있는 표준화된 시스템을 만드는 데 집중해야 합니다.

저자들은 토대는 마련되었으나 집은 아직 완공되지 않았다고 결론짓습니다. 결함을 예측하는 능력은 잘 확립되었지만, 이를 자율적으로 수정하는 능력은 여전히 미완성 상태입니다. 산업의 다음 단계는 기계가 단순히 자신을 관찰하는 것을 넘어, 스스로의 경로를 적극적으로 조종하는 견고한 폐쇄 루프 시스템을 개발하는 것입니다. 이를 위해서는 더 나은 알고리즘뿐만 아니라, 컴퓨터 모델에 물리 법칙을 더 깊이 통합하고, 서로 다른 기계와 재료 간에 데이터를 공유하려는 노력이 필요합니다. 그때까지 직접 에너지 적층은 과정을 관찰하는 것과 실제로 제어하는 것 사이의 간극을 메워야 하는 과제를 안고 있는, 큰 가능성을 지닌 기술로 남을 것입니다.