금속 적층제조 온도 예측, 레이저 경로 밖에도 학습 지점이 필요한 까닭
안녕하세요. 3D프린팅·CNC·다양한 소재 전문 플랫폼 기업 아이컨택입니다.
레이저가 금속판을 훑을 때 가장 뜨거운 곳부터 살피는 것은 자연스럽다. 하지만 금속 적층제조의 온도를 예측하는 모델에는 그보다 넓은 시야가 필요하다. 재료의 열전도율에 따라 예측이 어려운 곳이 레이저 경로 밖으로 옮겨가기 때문이다.
AI 개념 이미지: 금속판 위를 지나는 레이저와 재료에 따라 달라지는 열 확산·학습 지점 분포를 보여준다. 실제 장비나 실험 장면을 촬영한 사진은 아니다.
금속 적층제조에서 온도 예측은 어떻게 배우나
레이저가 표면을 가열하면 열은 금속판 안으로 전달되고, 경계에서는 대류와 복사로 빠져나간다. 그래서 온도는 한 장소에 고정되지 않고 위치와 시간에 따라 변한다. 금속 적층제조의 열 모델은 이 가열 과정과 만들어진 조직·물성의 관계를 이해하는 데 쓰인다.
논문에서 사용한 물리 정보 신경망(PINN)은 고른 위치와 시각에서 예측 온도가 열의 움직임을 설명하는 법칙에 맞는지 확인하며 학습한다. 그 확인 장소를 학습 지점이라고 한다. 모든 곳을 같은 밀도로 살피지 않는 만큼 지점의 위치가 중요하다.
재료가 달라지면 어려운 곳도 달라진다
열전도율은 재료 안에서 열이 얼마나 잘 전달되는지를 나타낸다. 열전도율이 낮은 재료에서는 강한 열과 예측이 크게 어긋나는 영역이 레이저 경로 부근에 모인다. 열전도율이 높으면 열 전달이 빨라져 그 영역이 더 넓은 열 확산 구역으로 옮겨가거나 확대된다.
기존 학습 지점 배치는 급격한 온도 변화가 예상되는 레이저 경로 주변에 지점을 고정해 집중했다. 연구진은 재료 조건에 따라 예측이 어긋나는 영역의 형태가 달라지므로, 하나의 고정 배치로는 모두 포착하기 어렵다고 설명한다. 표면 아래와 레이저에서 먼 곳의 온도까지 예측하려면 이 이동도 살펴야 한다.
학습 지점을 옮긴 결과는?
연구진은 먼저 금속 적층제조에 관한 물리 지식으로 초기 온도 예측 모델을 학습했다. 이어 재료 조건별로 예측이 크게 어긋나는 곳의 분포를 학습하고, 그 분포를 따라 다음 지점을 골랐다. 공정 지식을 반영한 기본 분포도 섞어 초기 모델이 놓친 곳을 계속 살필 여지를 남겼다.
두 분포를 섞는 비율에 따라 살피는 범위도 달라진다. 예측이 크게 어긋난 곳에 더 많은 지점을 놓거나, 초기 모델이 잘못 짚었을 가능성에 대비해 넓은 영역에 지점을 남길 수 있다.
평가에서는 비교 모델의 예측 구조를 바꾸지 않고 학습 지점 선택 방식만 달리했다. 평가 재료 중 앞의 세 가지는 학습 범위 안에 있었고, AlSi10Mg와 구리는 열전도율이 학습 상한을 크게 넘는 범위 밖 사례였다.
금속 적층제조 온도 예측을 다룬 동료 심사 전 사전 공개 논문의 금속판 레이저 주사 수치 벤치마크에서, 이 배치는 같은 수의 학습 지점을 사용한 기존 PINN 비교 모델보다 평균 상대오차가 62.1% 낮았다. 상대오차는 위치와 시간에 걸친 예측 온도가 기준 해와 얼마나 다른지를 나타내므로, 수치가 낮을수록 기준 온도장에 더 가깝다.
이 평가는 여러 공정 조건 가운데 재료 물성의 변화에 초점을 맞췄다. 아이컨택은 열전도율이 다른 합금들의 레이저 주사 온도를 한 모델로 다룰 때, 경로 주변의 고정 배치와 재료별 열 확산 영역을 따라가는 배치를 나란히 비교할 만하다고 본다.
댓글
댓글 쓰기