Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis

기술 요약: LPBF Hastelloy-X의 피로 수명 예측을 위한 능동 학습 기반 대리 모델링

문제 정의
레이저 분말 베드 융해(LPBF) 방식으로 제조된 적층 제조 Hastelloy-X는 표면 거칠기, 하부 표면 기공, 적층 방향을 포함한 공정 유도 결함에 매우 민감한 피로 거동을 보인다. 기존의 수명 예측 방식은 일반적으로 이러한 요인들을 독립적으로 취급하고, 광범위한 실험 데이터셋에 의존하며, 결함과 열-기계적 하중 조건 사이의 복잡하고 비선형적인 상호작용을 설명하지 못한다. 또한, 순수 데이터 기반 머신러닝 모델은 외삽(extrapolation) 능력이 부족하고 불확실성 정량화가 결여된 경우가 많으며, 고전적인 경험적 모델(예: Coffin-Manson-Basquin)은 모든 재료, 방향 및 온도 조합에 대해 별도의 파라미터 세트가 필요하여 LPBF 부품의 방대한 설계 공간을 다루기에 비효율적이다. 다양한 변형 진폭, 온도(최대 750°C), 방향에 걸친 피로 특성을 규명하기 위한 실험적 부담은 매우 높으며, 종종 수백 개의 시편을 요구한다.

방법론
저자들은 물리 기반 모델링, 고충실도 유한 요소 분석(FEA), 그리고 데이터 효율적인 가우시안 프로세스(GP) 능동 학습을 통합하는 하이브리드 결함 정보 기반 프레임워크를 제안한다. 이 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 통합 결함 민감 변형-수명(UDSL) 모델:
   광범위한 설계 공간에서 변형 제어 피로 수명($N_f$)을 예측하기 위해 물리 기반의 해석적 모델이 개발되었다. 임의의 다항 회귀와 달리, UDSL 모델은 특정 물리적 메커즘으로부터 유도된 항들을 사용한다:

• 변형-수명 멱법칙(Power Law): 일반화된 Basquin/Coffin-Manson 관계식.
• 분산된 노치로서의 거칠기: Peterson의 노치 민감도를 기반으로 산술 평균 거칠기($R_a$)를 유효 응력 집중과 연결하는 로그 항을 사용하여 모델링함.
• 방향 기하학: 빌드 각도($\theta$)에 의존하는 "계단 효과(staircase effect)"를 고려하는 항.
• 동차 온도 스케일링(Homologous Temperature Scaling): 열적으로 활성화된 변형을 포착하기 위해 녹는점($T_m = 1628$ K)에 대해 온도를 정규화함.
• 변형-온도 상호작용: 고온에서 탄성 지배에서 소성 지배로의 변화를 포착하는 교차 항.
  이 모델은 단 하나의 조건(27°C, 수평 방향)에서 얻은 19개의 데이터 포인트만을 사용하여 보정되었으며, 440개의 종합 데이터셋을 통해 검증되었다.

2. 결함 정보 기반 유한 요소 분석(FEA):
   응력 집중 계수($K_t$)와 결함 간의 상호작용을 정량화하기 위해 Abaqus를 이용한 고충실도 3D 시뮬레이션이 수행되었다:

• 표면 거칠기: Fourier 합성법을 통해 실제적인 LPBF 표면을 생성하여 $K_t$를 계산함으로써 UDSL 모델의 거칠기 계수를 검증하였다.
• 기공 및 보이드 성장: Gurson-Tvergaard-Needleman(GTN) 다공성 소성 모델을 통해 소성 변형 하에서 상당한 보이드 성장(7.3배 증폭)이 나타남을 입증하였으며, 이는 기공-변형 상호작용 항의 포함 근거가 되었다.
• 결합 결함 상호작용: 거친 표면 골짜기 아래에 위치한 하부 표면 기공의 시뮬레이션을 통해 부가적(sub-additive) 결합 효과를 확인하였다. 결합된 응력 집중은 개별 효과의 합보다 낮았으며, 이를 통해 보정된 상호작용 계수($\rho = 0.329$)를 갖는 일반화된 상호작용 정식화가 이루어졌다.

3. 가우시안 프로세스(GP) 대리 모델 및 능동 학습:
   데이터 부족 문제를 해결하고 불확실성 정량화를 제공하기 위해, UDSL 모델과 FEA 결과로부터 도출된 물리 정보 기반 특징(예: 동차 온도, 유효 변형률, 응력 집중 계수)을 바탕으로 GP 대리 모델을 훈련시켰다. 능동 학습(AL) 전략을 채택하여, 최대 예측 분산을 기준으로 가장 정보 가치가 높은 실험 지점을 반복적으로 선택하였다. 이 접근법은 필요한 피로 시험 횟수를 최소화하면서 모델 정확도를 극대화하는 것을 목표로 한다.

주요 결과

• 실험적 발견: 피로 수명은 온도에 따라 단조 감소하며, 27°C에서 750°C 사이에서 거의 두 자릿수 차이로 급격히 감소하였다. 일관된 방향 의존적 순위가 관찰되었다: 수평 > 45° > 수직. 표면 거칠기가 이러한 이방성을 결정하는 지배적인 요인으로 확인된 반면, 벌크 기공은 테스트된 표면 조건 하에서 피로 수명과 체계적인 상관관계를 보이지 않았다.
• UDSL 모델 성능: 8개 파라미터를 가진 UDSL 모델은 전체 440개 데이터셋에 대해 $R^2 = 0.984$, RMSE = 0.131 ($\log_{10} N_f$ 기준)을 달성하였다. 이 모델은 데이터의 97.7%를 실험적 수명의 2배 이내 범위에서 예측하였다. 결정적으로, 이 정확도는 단 19개의 보정 데이터 포인트를 사용하여 달성되었으며, 이는 기존의 보정 방법과 비교했을 때 실험 데이터 요구량을 95% 이상 절감한 것이다.
• FEA 통찰: FEA는 표면 거칠기와 하부 표면 기공 사이의 상호작용이 부가적(sub-additive)임을 확인하였다. 결합된 응력 집중($K_t \approx 2.85$)은 곱셈적 예측값보다 현저히 낮았으며, 이는 더 덜 보수적이면서도 더 정확한 설계 근거를 제공한다.
• 능동 학습 효율성: 물리 정보 기반 특징으로 훈련된 GP 대리 모델은 20개의 능동 선택된 훈련 포인트만으로 UDSL 모델과 동일한 예측 정확도(R^2 = 0.984})에 도달하였다. 이는 유사한 정확도를 달로는 약 50개의 포인트가 필요했던 무작위 샘플링 방식에 비해 2.5배 향상된 데이터 효율성을 나타낸다.
• 불확실성 정량화: GP 프레임워크는 잘 보정된 불확실성 추정치를 제공하였으며, 명목상의 95% 신뢰 구간이 검증 데이터의 94.2%를 포착하였다. 이를 통해 리스크 기반 의사 결정과 표적 실험 계획 수립이 가능하다.

의의 및 주장
본 논문은 현재 기술 수준의 세 가지 핵심 격차를 해결한다고 주장한다:

1. 결합 결함 모델링: 표면 거칠기, 하부 표면 기공, 적층 방향 및 온도가 LPBF Hastelloy-X의 피로 수명에 미치는 결합된 효과를 동시에 정량적으로 고려한 최초의 모델이다.
2. 결합 결함 특성 규명: 거칠기와 기공 사이의 응력장 상호작용에 대한 최초의 고충실도 FEA 특성을 제공하며, 독립적이거나 가산적인 효과가 아닌 부가적(sub-additive) 상호작용 규칙을 확립하였다.
3. 통합 프레임워크: 물리 기반 모델링, 결함 정보 기반 시뮬레이션, 데이터 효율적인 능동 학습을 통합하는 실용적인 프레임워크를 입증하였다.

저자들은 이 접근 방식이 실험적 부담을 95% 이상 줄이면서도 높은 예측 충실도를 유지하고 보정된 불확실성을 제공한다고 주장한다. 물리적 해석 가능성(UDSL을 통해), 결함 민감도(FEA를 통해), 그리고 불확실성 정량화(GP를 통해)의 통합은 안전이 중요한 고온 애플리케이션을 위한 LPBF 부품의 인증을 위한 확장 가능한 경로를 제공한다. 연구는 UDSL 모델이 외삽과 해석력 측면에서 뛰어나지만, GP+AL 프레임워크는 확률적 평가와 적응형 테스트 계획을 위한 우수한 적응성을 제공하며, 두 방식은 경쟁 관계가 아닌 상호 보완적인 관계라고 결론짓는다.