[논문 리뷰] Machine Learning for Materials Developments in Metals Additive Manufacturing

Nari Johnson, Praveen S. Vulimiri외 5명|arXiv (Cornell University)|2020. 05. 11.

Ion-surface interactions and analysis참고 문헌 13인용 수 11

한 줄 요약

이 논문은 복잡한 다차원적 설계 공간인 공정-구조-성질-성능 관계를 모델링함으로써 금속 적층 제조(AM)에 기계학습(ML)을 통합하여 재료 개발을 가속화하는 것을 제안한다. 기존의 재료 과학 분야에서 개발된 ML 기법을 응용하여 공정 최적화, 데이터 정제, 실시간 모니터링을 향상시킬 수 있음을 보여주며, 핵심 기여로는 ML 도구 통합, 물리 기반 모델링, AM를 위한 데이터 표준화를 포함한다.

ABSTRACT

In metals additive manufacturing (AM), materials and components are concurrently made in a single process as layers of metal are fabricated on top of each other in the near-final topology required for the end-use product. Consequently, tens to hundreds of materials and part design degrees of freedom must be simultaneously controlled and understood; hence, metals AM is a highly interdisciplinary technology that requires synchronized consideration of physics, chemistry, materials science, physical metallurgy, computer science, electrical engineering, and mechanical engineering. The use of modern machine learning approaches to model these degrees of freedom can reduce the time and cost to elucidate the science of metals AM and to optimize the engineering of these complex, multidisciplinary processes. New machine learning techniques are not needed for most metals AM development; those used in other sects of materials science will also work for AM. Most prolifically, the density functional theory (DFT) community has used many of them since the early 2000s for evaluating numerous combinations of elements and crystal structures to discover new materials. This materials technologies-focused review introduces the basic mathematics and terminology of machine learning through the lens of metals AM, and then examines potential uses of machine learning to advance metals AM, highlighting the many parallels to previous efforts in materials science and manufacturing while also discussing new challenges and adaptations specific to metals AM.

연구 동기 및 목표

• 금속 적층 제조(AM)에서 수십에서 수백 개의 재료 및 설계 변수를 동시에 제어해야 하는 과제를 해결하기 위해, 기존의 물리 기반 모델링의 복잡성을 완화한다.
• 통합 계산 재료공학(ICME) 기법의 한계를 극복하기 위해 데이터 기반 기계학습을 활용하여 AM에서의 발견과 최적화를 가속화한다.
• 기존의 ICME 도구(예: 공정 모니터링, 토폴로지 최적화, 합금 설계)와 ML을 통합함으로써 더 빠르고 신뢰할 수 있는 AM을 실현한다.
• 재료 과학 분야의 성공 사례인 Materials Project와 유사하게 공유 데이터베이스와 일관된 데이터 정제를 통해 AM 분야의 데이터 민주화와 표준화를 추진한다.
• 초기 원리 시뮬레이션과 ML을 융합한 물리 기반의 데이터 기반 모델을 개발하여, 향상된 공정 제어 및 미세구조 예측을 위한 하이브리드 제조 기술을 발전시킨다.

제안 방법

• 공정 매개변수, 재료 조성, 부품 기하학적 형상, 제조 조건을 포함한 설계 공간을 정의함으로써 AM을 기계학습 문제로 재구성한다.
• 실험 및 시뮬레이션 데이터를 사용하여 PSPP(공정-구조-성질-성능) 관계를 모델링하기 위해 지도학습 및 비지도학습 기법을 적용한다.
• 복잡한 AM 데이터(예: 열역학력 기록, 용융 풀 동역학, 미세구조 영상 등)를 기계 판독 가능한 입력으로 변환하기 위해 특성 추출 및 데이터 정제 파이프라인을 활용한다.
• 오차 지표 및 모델 검증 전략(예: 편향-분산 트레이드오프 분석 포함)을 구현하여 ML 모델의 강건성과 일반화 능력을 확보한다.
• 물리 기반 시뮬레이션과 ML 대체 모델을 결합하여 기존 ICME 프레임워크와 ML을 통합함으로써 미세구조 및 기계적 성질 예측 속도를 향상시킨다.
• 고속 영상, 온도 기록 등의 실시간 센서 데이터를 해석하기 위해 ML 기반의 현장에서의 모니터링 시스템을 구현하여 AM 제조 중 피드백 제어를 가능하게 한다.

실험 결과

연구 질문

• RQ1 공정, 재료, 기하학적 변수 간의 상호작용를 고려할 때, 다차원 설계 공간을 효과적으로 모델링하기 위해 기계학습을 어떻게 적용할 수 있는가?
• RQ2 이질적인 AM 데이터(예: 영상, 열역학력 기록, 기계적 시험)를 사용 가능한 ML 입력으로 변환하는 데 있어 핵심적인 데이터 정제 및 특성 추출 과제는 무엇인가?
• RQ3 순수한 데이터 기반 접근 방식에 비해 물리 기반 기계학습 모델은 AM 공정 예측의 정확성과 신뢰성에서 어떻게 향상되는가?
• RQ4 표준화된 공유 데이터베이스는 ML 기반의 AM 재료 개발을 가속화하는 데 어떤 역할을 할 수 있으며, 이를 뒷받침하기 위해 필요한 인프라는 무엇인가?
• RQ5 현장에서의 ML 기반 모니터링 및 피드백 시스템은 AM 제조 중 실시간으로 공정 제어와 부품 품질을 향상시키는 데 어떻게 기여하는가?

주요 결과

• 밀도함수이론(DFT) 공동체에서 개발된 기존 재료 과학 분야의 기계학습 기법을 새로운 알고리즘 개발 없이도 금속 AM에 직접 적용할 수 있다.
• 실험 및 시뮬레이션 데이터로부터 추세와 최적의 공정 매개변수를 식별함으로써, ML 모델은 복잡하고 고차원적인 설계 공간 탐색에 소요되는 시간과 비용을 크게 줄인다.
• 기계학습 모델에 알려진 열역학적 및 동역학적 원리를 통합한 물리 기반 ML 모델은 순수한 경험적 모델보다 AM 부품의 미세구조 및 기계적 거동 예측에서 뛰어난 성능을 보인다.
• Materials Project 및 OQMD와 같은 기구를 모델로 삼은 표준화된 데이터 형식과 공유 데이터베이스는 AM 연구에서의 데이터 공유, 모델 일반화, 재현 가능성을 확보하기 위해 필수적이다.
• 고속 영상 및 열역학력 데이터에 대한 현장에서의 ML 분석은 실시간 공정 모니터링 및 피드백 제어를 가능하게 하며, 결함 감소와 부품 일관성 향상 잠재력을 지닌다.
• ICME 프레임워크에 ML을 통합하는 것은 가능하며, 또한 필수적이다. 이는 대규모 데이터 기반, 물리 기반 재료공학의 새로운 범주를 확립할 잠재력을 지닌다.