[논문 리뷰] A Physics-Informed Machine Learning Model for Porosity Analysis in Laser Powder Bed Fusion Additive Manufacturing

Rui Liu, Sen Liu외 1명|arXiv (Cornell University)|2021. 01. 13.

Additive Manufacturing Materials and Processes참고 문헌 45인용 수 4

한 줄 요약

이 논문은 레이저 풍선 베드 퓨전(LPBF) 기계 설정을 기계에 종속되지 않은 물리적 효과—예를 들어 레이저 에너지 밀도와 복사압—로 변환하는 물리 기반 기계 학습(PIM) 모델을 제안한다. 기계 전용 매개변수에 의존하지 않고 이러한 물리적 효과를 사용하여 다공성 수준(통과, 경고, 실패)을 예측함으로써, Concept Laser M2 시스템에서 인코넬 718 부품의 다공성 제어에 있어 일반화 가능성과 해석 가능성 향상을 달성하였다. 여섯 가지 학습 방법을 통해 예측 오차는 10~26%로 나타났다.

ABSTRACT

To control part quality, it is critical to analyze pore generation mechanisms, laying theoretical foundation for future porosity control. Current porosity analysis models use machine setting parameters, such as laser angle and part pose. However, these setting-based models are machine dependent, hence they often do not transfer to analysis of porosity for a different machine. To address the first problem, a physics-informed, data-driven model (PIM), which instead of directly using machine setting parameters to predict porosity levels of printed parts, it first interprets machine settings into physical effects, such as laser energy density and laser radiation pressure. Then, these physical, machine independent effects are used to predict porosity levels according to pass, flag, fail categories instead of focusing on quantitative pore size prediction. With six learning methods evaluation, PIM proved to achieve good performances with prediction error of 10$\sim$26%. Finally, pore-encouraging influence and pore-suppressing influence were analyzed for quality analysis.

연구 동기 및 목표

• 기존 레이저 풍선 베드 퓨전(LPBF) 적층 제조에서 다공성 예측 모델의 기계에 종속된 한계를 극복하기 위해.
• 기계 설정을 기반으로 하는 물리적 효과—예를 들어 레이저 에너지 밀도와 복사압—로 해석하는 데이터 기반 모델을 개발하기 위해.
• 기계 전용 매개변수 대신 물리 기반 입력을 사용하여 다공성 수준을 예측함으로써 모델의 이식 가능성을 향상시키기 위해.
• 다공성 생성을 억제하거나 촉진하는 물리적 효과 범위를 특정하여 실질적인 공정 최적화를 위한 가이드라인을 제공하기 위해.
• 다른 LPBF 시스템, 예를 들어 Concept Laser M2와 ProX DMP 320A에서의 모델 성능과 일반화 능력을 검증하기 위해.

제안 방법

• 모델은 물리 기반 변환을 통해 기계 전용 설정(예: 레이저 출력, 스캔 속도)을 레이저 에너지 밀도 및 복사압과 같은 물리적 효과로 매핑한다.
• 물리적 효과는 최소-최대 정규화를 통해 정규화되며, 설명 가능성을 위해 실수 범위가 제공된다.
• 다공성 결과(통과, 경고, 실패)를 예측하기 위해 여섯 가지 기계 학습 알고리즘(예: 랜덤 포레스트, 가우시안 프로세스)을 평가한다.
• 모델은 양적 기반의 기포 크기 예측이 아닌 분류 프레임워크를 사용하여 품질 보증 기준에 초점을 맞춘다.
• 다공성 지표(예: 최대 기포 직경)와 물리적 효과 간의 상관관계 맵을 통해 다공성 촉진 및 억제 영역을 식별한다.
• 모델은 기계 간 물리적 효과의 등가성 원리를 활용하여 인코넬 718 부품을 제작한 Concept Laser M2 이중 레이저 시스템에서 검증되었으며, 일반화된 결과를 다른 기계로 확장할 수 있다.

실험 결과

연구 질문

• RQ1 기계 설정을 물리적 효과로 변환하는 것이 다양한 LPBF 시스템 간 다공성 예측 모델의 일반화 가능성을 향상시키는가?
• RQ2 LPBF 공정에서 다공성 생성이 억제되거나 증가하는 물리적 효과 범위는 무엇인가?
• RQ3 물리 기반 기계 학습 모델의 성능은 기존 기계 설정 기반 모델에 비해 다공성 분류에서 어떻게 비교되는가?
• RQ4 모델이 다공성을 최소화하는 해석 가능하고 실질적인 공정 매개변수 영역을 얼마나 잘 식별할 수 있는가?
• RQ5 모델은 ProX DMP 320A나 EOS M290와 같은 다른 하드웨어 구성이 다른 LPBF 기계로 확장될 수 있는가?

주요 결과

• 물리 기반 기계 학습 모델은 여섯 가지 학습 방법을 통해 다공성 수준(통과, 경고, 실패) 예측 오차가 10~26%로 나타나 강력한 성능을 보였다.
• 모델은 기포 생성이 주로 낮은 평균 레이저 출력 강도(0.58×10⁵ W/mm² 이하), 높은 에너지 분산(SDEV > 0.4×10¹ W/mm²), 그리고 넓은 최대-최소 에너지 범위(최소 [0.6, 1.00]×10⁵ W/mm² 초과)에 의해 주로 유도됨을 규명했다.
• 최대 기포 직경 기준으로 일반적인 기포 억제 영역은 AVE[0.58×10⁵, 1.00×10⁵], SDEV[0.00×10¹, 0.40×10¹], MIN[0.60×10⁵, 1.00×10⁵], MAX[0.60×10⁵, 1.00×10⁵] W/mm²로 추정되었으며, 이는 최적의 에너지 분포 범위를 나타낸다.
• 기계에 종속되지 않는 물리적 효과를 사용함으로써, 모델은 Concept Laser M/M3, EOS M270/280/290, ProX DMP 300/320 등 다른 LPBF 시스템으로의 이식 가능성 잠재력을 지닌다.
• 모델은 다공성 메커니즘에 대한 물리적 해석 가능성을 제공하며, 기포 생성을 억제하는 특정 효과 범위를 규명함으로써 역공정 매개변수 설계를 위한 가이드라인을 제공한다.
• 향후 연구에서는 온도, 흡수율 등 추가적인 물리적 효과를 포함하고, ProX DMP 320A 및 EOS M290와 같은 다양한 기계에서의 성능을 검증하여 일반화 능력을 확인할 계획이다.