Direct Geometric Reconstruction of Flaws from Simulated Ultrasonic Inspection Data

에너지 운송을 위한 파이프라인에서부터 항공기의 날개에 이르기까지, 현대의 인프라는 수십 년간의 서비스 기간 동안 건전성을 유지하는 재료에 의존합니다. 균열이 결함으로 이어지기 전에 이를 찾아내고 측정해야 하며, 이 작업은 비파괴 검사가 담당합니다. 이 도구들 중 초음파 검사는 주요한 방법입니다. 이는 고주파 음파를 고체 물체 안으로 보내는 방식으로 작동합니다. 이 파동이 균열이나 빈 공간과 같은 결함에 부딪히면, 다시 센서로 되돌아옵니다. 엔지니어들의 과제는 음파가 균열의 이미지를 전달하는 것이 아니라, 에코(echo)의 복잡한 신호를 전달한다는 점입니다. 손상의 크기, 깊이, 각도를 이해하기 위해 전문가들은 종종 내부의 시각적 이미지를 구축한 다음 그 이미지를 바탕으로 결함의 형상을 추측하며 이 에코들을 해석해야 합니다. 이 과정은 간접적이며 인간의 판단에 크게 의존합니다.

스위스 기술 검사 협회의 다니엘 알제르논(Daniel Algernon)이 진행한 새로운 연구는 다른 질문을 던집니다. 먼저 이미지를 구축한 다음 그것을 해석하는 대신, 음향 신호를 결함의 형상으로 직접 변환할 수는 없을까? 연구자는 이 문제를 직접적인 기하학적 퍼즐로 다루었습니다. 강력한 컴퓨터 시뮬레이션을 사용하여, 그는 정확한 균열의 모양과 그에 따라 발생하는 음향 신호가 함께 알려진 수천 개의 사례를 생성했습니다. 그런 다음 그는 특화된 컴퓨터 프로그램이 둘 사이의 관계를 학습하도록 훈련시켰습니다. 목표는 기계가 가공되지 않은 음향 데이터를 보고 중간 단계인 시각적 이미지 생성 과정을 거치지 않고 즉시 결함의 윤곽을 그려낼 수 있는지 확인하는 것이었습니다.

연구는 특정 유형의 손상, 즉 강철 부품의 내부 표면에서 시작하여 각진 형태를 띠며 뚫고 나오는 균열에 초점을 맞추었습니다. 연구자는 웨지(wedge)에 장착된 단일 음파 프로브를 사용하여 빔을 강철 내부로 보내는 표준 검사 설정을 사용했습니다. 시뮬레이션에서 컴퓨터는 깊이, 기울기, 국부적 프로파일이 다양한 1,000개 이상의 서로 다른 균열 형상을 생성했습니다. 각각의 고유한 균열에 대해 소프트웨어는 음향 신호가 정확히 어떤 모습일지 계산했습니다. 이는 한쪽에는 음향 신호가, 다른 한쪽에는 정밀한 좌표의 균열 윤곽이 있는 방대한 쌍 데이터 라이브러리를 구축했습니다. 컴퓨터 프로그램은 신호와 형상을 연결하는 패턴을 찾도록 학습되었습니다.

프로그램은 컨볼루션 회귀(convolutional regressor)라고 알려진 유형의 인공지능을 사용했습니다. 사진 속의 고양이나 자동차를 인식하도록 설계된 시스템과 달리, 이 시스템은 작고 효율적이도록 구축되었습니다. 이 시스템은 데이터 포인트의 그리드로 표현된 음향 신호를 입력받아, 균열의 윤곽을 정의하는 11개의 지점 목록을 출력했습니다. 연구진은 컴퓨터에게 균열의 전체 이미지를 추측하라고 요구한 것이 아니라, 기하학적 구조를 설명하는 특정 좌표 세트를 추정하라고 요구했습니다. 이 접근 방식은 사람에게 그림 전체를 그리라고 하는 대신, 그림자의 모양을 그 모서리들의 위치를 나열함으로써 설명해 달라고 요청하는 것과 유사합니다. 컴퓨터는 수천 개의 시뮬레이션 사례를 공부하면서, 자신의 추측이 알려진 형상과 최대한 일치할 때까지 내부 설정을 조정하며 이 목록을 만드는 법을 배웠습니다.

연구진이 훈련된 프로그램을 학습되지 않은 새로운 시뮬레이션 사례에 테스트했을 때, 결과는 유망했으나 실험 조건에 국한되었습니다. 시스템은 균열의 일반적인 형상을 성공적으로 재구성했습니다. 특히 균열의 기울기, 즉 각도를 결정하는 데 뛰어난 성능을 보였습니다. 컴퓨터는 균열의 각도를 실제 값과 불과 몇 도 차이 내에서 매우 일관되게 예측했습니다. 이는 균열의 전반적인 방향이 음파에 명확하고 뚜렷한 특징을 남긴다는 것을 시사합니다. 시스템은 또한 균열의 최대 깊이를 추정할 수 있었으나, 변동 폭은 다소 컸습니다. 평균 오차는 약 2.10밀리미터였습니다. 이는 첫 번째 추정치로서 유용한 수준의 정확도이지만, 결과는 균열의 가장 깊은 지점을 정확히 짚어내는 것이 전반적인 각도를 파악하는 것보다 더 어렵다는 것을 보여주었습니다.

이 연구는 이러한 결과들을 어떻게 이해해야 하는지에 대한 중요한 구분을 강조합니다. 전체 과정은 시뮬레이션된 데이터만을 사용하여 수행되었습니다. 음향 신호는 실제 강철 블록에서 기록된 것이 아니라, CIVA라는 물리 기반 소프트웨어 모델에 의해 생성된 것입니다. 이 모델은 이론적 연구를 위해 매우 정확하지만, 프로브와 금속 사이의 불완벽한 연결, 표면 거칠기 또는 전자적 노이즈와 같은 현실 세계의 무질서한 실태는 반영하지 못합니다. 따라서 이 방법의 성공은 직접적인 기하학적 접근 방식이 이론적으로 가능함을 입증합니다. 이는 아직 이 방법이 실제 검사 현장에서 완벽하게 작동할 것임을 증명하는 것은 아닙니다. 연구진은 다음 단계로 실제 물리적 측정을 통해 시스템이 실제 재료의 예측 불가능성을 어떻게 처리하는지 테스트해야 한다고 명시했습니다.

연구 결과는 기계가 인간 검사관을 어떻게 도울 수 있는지에 대한 새로운 사고방식을 제공합니다. 현재 표준 관행은 음향 데이터의 시각적 지도를 만든 다음, 전문가가 그 지도를 해석하여 결함을 찾는 것을 포함합니다. 새로운 접근 방식은 특정 유형의 검사와 특정 계열의 결함에 대해, 기계가 시각적 지도를 완전히 건너뛰고 깊이와 각도처럼 중요한 수치로 바로 갈 수 있음을 시사합니다. 이것은 인간의 감독이나 기존의 이미지 재구성 방법을 대체하는 것이 아닙니다. 대신, 이는 결함의 기하학적 구조에 대한 신속하고 정량적인 추정치를 제공할 수 있는 보완적인 도구를 제공합니다. 만약 컴퓨터의 직접적인 추정치가 전문가의 시각적 해석과 일치한다면, 이는 평가에 대한 확신을 더해줍니다. 만약 두 결과가 다르다면, 더 면밀한 조사가 필요한 사례임을 알려주는 역할을 합니다.

궁극적으로, 이 작업은 음향 신호와 균열의 형상 사이의 관계를 컴퓨터가 직접 학습할 수 있음을 보여줍니다. 이 연구는 통제된 조건 하에서, 복잡한 음파의 물리학이 중간 이미지 처리 과정 없이도 결함의 기하학적 구조를 재구성할 수 있는 충분한 정보를 담고 있음을 보여줍니다. 결과는 개념 증명(proof of concept)이며, 소리에서 형상으로 가는 경로가 항해 가능하다는 것을 보여줍니다. 이 방법은 현재 시뮬레이션의 특정 조건에 국한되어 있지만, 향후 직접적인 기하학적 역산(geometric inversion)이 핵심 인프라의 안전을 보장하기 위한 도구의 표준적인 부분이 될 수 있는 연구의 문을 열어줍니다. 앞으로의 과제는 이러한 디지털적 성공을 물리적 세계에 적용하여, 완벽한 시뮬레이션과 불완전한 산업 검사의 실제 사이의 간극을 메우는 것입니다.