[논문 리뷰] MeltpoolNet: Melt pool Characteristic Prediction in Metal Additive Manufacturing Using Machine Learning

Parand Akbari, Francis Ogoke외 5명|arXiv (Cornell University)|2022. 01. 26.

Additive Manufacturing and 3D Printing Technologies인용 수 6

한 줄 요약

MeltpoolNet는 80여 편의 연구에서 유래한 벤치마크 데이터셋을 활용해 금속 적층 제조(MAM)에서의 융점 풀 기하학 및 결함을 예측하기 위한 물리 기반의 기계학습 프레임워크를 제안한다. 이 프레임워크는 물리 기반 특징 공학, 다양한 기계학습 모델(RF, GPR, SVR, GBDT, NN 등) 및 철저한 평가를 통합하여 로젠탈의 해석 모델을 초월하는 뛰어난 정확도를 달성하면서도 해석 가능성을 유지한다.

ABSTRACT

Characterizing meltpool shape and geometry is essential in metal Additive Manufacturing (MAM) to control the printing process and avoid defects. Predicting meltpool flaws based on process parameters and powder material is difficult due to the complex nature of MAM process. Machine learning (ML) techniques can be useful in connecting process parameters to the type of flaws in the meltpool. In this work, we introduced a comprehensive framework for benchmarking ML for melt pool characterization. An extensive experimental dataset has been collected from more than 80 MAM articles containing MAM processing conditions, materials, meltpool dimensions, meltpool modes and flaw types. We introduced physics-aware MAM featurization, versatile ML models, and evaluation metrics to create a comprehensive learning framework for meltpool defect and geometry prediction. This benchmark can serve as a basis for melt pool control and process optimization. In addition, data-driven explicit models have been identified to estimate meltpool geometry from process parameters and material properties which outperform Rosenthal estimation for meltpool geometry while maintaining interpretability.

연구 동기 및 목표

• 복잡한 다스케일 물리 현상과 제한된 데이터로 인해 금속 적층 제조(MAM)에서 융점 풀 특성과 결함을 예측하는 데 도전하는 문제를 해결하기 위해.
• 다양한 공정 조건, 재료 특성, 결함 유형을 통합한 기계학습을 위한 종합적이고 재현 가능한 벤치마크 프레임워크를 개발하기 위해.
• 클래식한 해석 모델인 로젠탈의 식을 초월하여 융점 풀 치수(폭, 길이, 깊이) 예측 정확도를 향상시키기 위해.
• 공정 조건을 융점 풀 동역학과 고장 모드에 연결함으로써 데이터 기반 공정 최적화 및 결함 제어를 가능하게 하기 위해.
• 기존 추정 방법을 능가하면서도 산업 현장 적용에 실용적인 물리 기반 기계학습 모델을 제공함으로써 해석 가능성을 유지하기 위해.

제안 방법

• 80편 이상의 출판된 연구에서 유래한 MAM 공정 조건, 재료 조성, 융점 풀 치수, 모드, 결함 유형을 종합적으로 통합한 실험 데이터셋을 구축하였다.
• 물리 기반 특징 공학을 개발하여 밀도, 비열, 열전도도, 융점 온도 등의 열물리적 성질을 입력 특징에 통합함으로써 모델 일반화 능력을 향상시켰다.
• 융점 풀 폭과 길이 예측을 위한 다수의 기계학습 모델—랜덤 포레스트(RF), 가우시안 프로세스 회귀(GPR), 서포트 벡터 회귀(SVR), 기울기 부스팅(GB), 신경망(NN)—을 훈련 및 평가하였다.
• 모델 유형 간 성능 최적화를 위해 정의된 검색 범위(예: n_estimators는 1–500, 커널 유형, 정규화 강도 등)를 활용해 초모수 튜닝을 수행하였다.
• 모든 모델 간 공정한 벤치마크 및 재현 가능성을 확보하기 위해 표준화된 평가 지표(MAE, R² 등)를 사용하였다.
• 융점 풀 기하학 예측에 대해 로젠탈의 해석적 해법과의 비교를 통해 모델 성능을 검증하였으며, 더 뛰어난 정확도와 해석 가능성을 입증하였다.

실험 결과

연구 질문

• RQ1 다양한 MAM 재료와 공정 조건에서 융점 풀 기하학 및 결함 유형을 효과적으로 예측할 수 있는 통합된 물리 기반 기계학습 프레임워크는 가능한가?
• RQ2 이질적이고 다중 소스의 데이터셋에서 훈련된 다양한 기계학습 모델(RF, GPR, SVR, GB, NN 등)이 융점 풀 폭과 길이 예측에서 어떻게 상호 비교되는가?
• RQ3 데이터 기반 모델은 융점 풀 치수 예측에서 클래식한 해석 모델인 로젠탈의 식을 얼마나 뛰어나게 성능을 내는가?
• RQ4 물리 기반 특징 공학은 MAM 공정 예측에서 모델 일반화 및 해석 가능성에 어떻게 기여하는가?
• RQ5 벤치마크 프레임워크를 통해 라이저 파워, 스캔 속도, 헤치 스피이싱 등의 공정 조건을 체계적으로 최적화하여 결함(융접 불량, 키홀링, 볼링 등)을 최소화할 수 있는가?

주요 결과

• 특히 랜덤 포레스트와 가우시안 프로세스 회귀 모델이 로젠탈의 해석 모델에 비해 융점 풀 폭과 길이 예측에서 평균 절대 오차(MAE)가 유의미하게 낮게 나타났다.
• 열전도도, 비열, 융점 온도 등의 열물리적 성질을 통합한 물리 기반 특징 공학이 IN718, Ti-6Al-4V, AlSi10Mg 등 다양한 재료 간 모델 일반화 능력을 향상시켰다.
• 최고 성능을 보인 모델들(예: n_estimators=500인 RF, RationalQuadratic 커널을 사용한 GPR)은 벤치마크 데이터셋에서 융점 풀 폭과 길이 예측 시 MAE 값이 10 μm 이하로 나타났다.
• 아키텍처가 (512,512,512)이고 L2 정규화(alpha ≈ 0.02)를 적용한 신경망은 뛰어난 성능을 보였지만, 트리 기반 모델에 비해 계산 비용이 높고 해석 가능성은 낮았다.
• 벤치마크 프레임워크는 라이저 파워, 스캔 속도, 헤치 스피이싱 등의 공정 조건과 융점 풀 동역학 간의 복잡한 관계를 18종의 다양한 합금(특수합금 및 난금속 금속 포함)에서 성공적으로 포착하였다.
• 이 연구는 이질적이고 실제 세계의 데이터로 훈련된 기계학습 모델이 효과적인 특징 공학과 모델 다양성 덕분에, 각 재료의 데이터가 제한되어 있어도 해석 모델을 능가하는 융점 풀 기하학 예측 성능을 달성할 수 있음을 입증하였다.