Machine Learning-based Surrogate Model for Melt Pool Control in Laser-based Direct Energy Deposition

기술 요약: 레이저 기반 직접 에너지 적층 공정의 용융 풀 제어를 위한 머신러닝 기반 대리 모델

문제 정의

레이저 기반 직접 에너지 적층(DED-LB)은 금속 적층 제조(AM), 특히 부품 수리 및 복잡한 형상 제작을 위한 핵심 기술이다. 그러나 이 기술의 광범위한 도입은 열 축적과 같은 동적 공정 제어 문제로 인해 어려움을 겪고 있다. 고정된 레이저 출력과 같은 일정한 공정 파라미터를 사용하는 것은 심각한 열적 왜곡, 잔류 응력 상승, 기판 균열을 초래한다. 파라미터를 최적화하기 위해 수치적 접근 방식이나 컨트롤러가 존재하지만, 전통적인 방법들은 반복적인 오프라인 최적화나 새로운 스캐닝 경로 또는 환경 변화에 대한 적응력이 부족한 파라미터 의존적 컨트롤러에 의존하는 경우가 많다. 또한, 기하학적 정확성과 재현성을 보장하기 위해 새로운 시나리오에 신속하게 적응하면서 최적의 공정 파라미터를 효율적으로 계산할 수 있는 프레임워크의 부재가 존재한다.

방법론

저자들은 런타임 공정 제어를 달성하기 위해 머신러닝(ML) 모델을 대리 컨트롤러(surrogate controller)로 결고하고 유한 요소(FE) 솔버와 결합한 새로운 전략을 제안한다. 방법론은 두 가지 별개의 단계로 실행된다.

1. 오프라인 최적화 및 데이터 생성

• 시뮬레이션 프레임워크: 고충실도(High-Fidelity, HF) 열 분석이 자체 개발된 멀티피직스 소프트웨어인 FEMUSS를 사용하여 수행된다. 모델은 Ti6Al4V 박벽 적층의 실험 데이터에 따라 보정되며, 측정된 열 프로파일과 시뮬레이션된 프로파일 사이의 오차를 최소화하여 열 전달 계수(HTC)를 결정한다.
• 사후 최적화(A-Posteriori Optimization): 사용자 정의 목표 용융 풀 침투 깊이($D_{target} = 0.40$ mm)를 유지하기 위해 레이저 출력 공급을 조정하는 반복적인 오프라인 루프가 수행된다. 이 목표치는 이전 층의 재용융을 보장(층간 박리 방지)하는 동시에 미용융(lack of fusion)을 최소화하도록 선택되었다.
• 제어 로직: 비례 피드백 제어 방식($K_p$)은 관찰된 침투 깊이와 목표 침투 깊이 사이의 차이를 바탕으로 출력 공급을 반복적으로 수정한다. 이 과정은 최적화된 출력 프로파일과 그에 따른 열적/기하학적 특징 데이터를 생성한다.

2. 머신러닝 모델 개발

• 데이터셋 구축: 10~110mm 두께의 박벽에 대한 단방향 및 양방향 스캐닝 시퀀스를 포함하는 42개의 시뮬레이션 케이스로부터 합성 데이터를 생성하였다.
• 특징 선택: 스피어먼 상관 분석(Spearman's rank correlation analysis)을 통해 최대 온도, 용융 풀 온도, 펄스 온도, 인접 영역 온도, 용융 풀 부피, 침투 깊이를 포함한 주요 입력 특징을 식별하였다. "인접 영역 침투 깊이"는 훈련 중 안전장치 역할을 하도록 목표값(0.40 mm)으로 사전 설정되었다.
• 아키텍데처: 베이지안 하이퍼파라미터 튜닝(Keras 활용)을 사용하여 회귀 인공 신경망(R-ANN)을 설계하였다. 최적의 아키텍처는 1개의 은닉층(뉴런 15개), ReLU 활성화 함수, 그리고 손실 함수로 MAE를 포함한다. 모델은 과적합을 방지하기 위해 조기 종료(early stopping)를 적용한 Adam 옵티마이저를 사용하여 학습되었다.
• 폐루프 통합: 학습된 ML 모델은 FE 솔버와 폐루프(closed loop)로 통합된다. 런타임 중에 솔버는 현재의 열적 및 기하학적 상태를 ML 모델에 제공하며, 모델은 목표 침투 깊이를 유지하기 위한 교정 레이저 출력을 즉각적으로 예측한다.

주요 기여

1. 신속한 대리 제어: 본 프레임워크는 단 한 번의 반복만으로 일정한 용융 풀 침투 깊이를 보장하는 가변 레이저 출력 프로파일을 도출하며, 이는 반복적인 오프라인 최적화나 실험적 시행착오를 제거한다.
2. 계산 효율성: ML 기반 접근 방식은 오프라인 최적화 방식보다 약 3배 빠르게 결과를 달성한다 (예: 박벽 제작 시 계산 시간을 약 40시간에서 12시간으로 단축).
3. 일반화 능력: 모델은 훈련 데이터셋에 포함되지 않은 스캐닝 시퀀스(중공 입방체 및 인필 분할 입방체)에 대해서도 최적의 출력 프로파일을 성공적으로 예측하여 강력한 일반화 능력을 입증하였다.
4. 열 관리: 시스템은 열 축적을 최소화하기 위해 필요한 출력 감소를 효과적으로 생성하여, 다양한 형상에 걸쳐 일관된 용융 풀 형태(깊이 및 길이)를 유지한다.
5. 특징 해석 가능성: SHAP(SHapley Additive exPlanations)을 사용하여 입력 특징의 중요도를 정량화한 결과, 열적 특성(기판 온도, 용융 풀 길이)이 출력 예측에 가장 큰 영향을 미치며, 종종 기하학적 특징보다 더 중요한 것으로 나타났다.

결과

ML 기반 대리 컨트롤러의 성능은 단방향 박벽, 중공 입방체 적층, 인필 분할 입방체 적층의 세 가지 수치 예제를 통해 일정 출력 공급 및 오프라인 최적화 전략과 비교 평가되었다.

• 침투 깊이 안정성:
  • 일정 출력: 침투 깊이가 통제 불능으로 증가하였다.
  • 오프라인 최적화: 중공 입방체 케이스에서 침투 깊이 값의 98.51%가 목표 범위(0.38–0.42 mm) 내에 존재하였다.
  • ML 대리 모델: 중공 입방체 케이스에서 91.77%, 인필 분할 입방체 케이스에서 87.68%의 값이 목표 범위 내에 존재하였다.
• 용융 풀 길이: ML 컨트롤러는 용융 풀 길이를 목표 범위(3.18–3.55 mm) 내로 유지하였으며, 중공(82.81%) 및 인필(87.54%) 구조 모두에서 오프라인 최적화와 대등하거나 일부 지표에서 이를 상회하는 준수율을 보였다.
• 오차 지표: 보지 못한 검증 케이스(원통형)에서 ML 모델은 오프라인 최적화된 출력 프로파일과 비교하여 평균 절대 오차(MAE) 100.4 W, 평균 절대 백분율 오차(MAPE) 5.55%를 달축했다.
• 열 프로파일: 오프라인 및 ML 전략 모두 일정 출력 방식에 비해 열 축적을 크게 감소시켰으며, ML 전략은 해치(hatch) 시작 시점에서 더 매끄러운 온도 전이를 보여주었다.

의의

본 논문은 금속 적층 제조 공정의 정밀하고 확장 가능한 제어를 위한 견고한 프레임워크를 제공한다고 주장한다. ML 대리 모델을 FE 솔버와 결합함으로써, 이 시스템은 인간의 개입 없이 동적인 열 조건에 적응하는 실시간 자율 제어를 가능하게 한다. 보지 못한 스캐닝 시퀀스에 대한 일반화 능력은 이 방법이 신속한 프로토타이핑 및 복잡한 구조 부품 제조를 위한 신뢰할 수 있는 도구로서 기능할 수 있음을 시사하며, 이는 파라미터 최적화에 소요되는 시간과 비용을 크게 절감한다. 저자들은 현재 모델이 회귀 네트워크를 사용하고 있으나, 향후 시계열 데이터의 시간적 의존성을 더 잘 포착하여 더욱 반응성 높은 제어를 구현하기 위해 순환 신경망(RNN)을 조사할 예정이라고 밝혔다.