^*연신율(延伸率): 인장 시험에서, 쇠붙이 따위가 끊어지지 아니하고 늘어나는 비율.

^**피로(fatigue): 동적인 변동 응력을 받는 구조물에서 나타나는 파손의 일종.

[붙임] 연구결과 개요

1. 연구배경

직접 에너지 분사 적층 공정(Directed Energy Deposition, DED)1)은 분말과 고밀도 열원을 이용해 형상을 3차원적으로 쌓아 올리는 제조기법이다. 이 공정은 로켓 노즐과 같은 대형 부품이나 군수 기계 부품같이 일부 파손됐지만, 만들어진 지 오래돼 현재는 제조하는 공장이 없는 경우 해당 부분을 복구하는 데에 유용하게 쓰인다. 그러나 기존 금속 공정과 달라서 원하는 기계적 특성을 얻기 위해서는 공정 최적화에 많은 시간과 비용이 필요하다. 적층 공정의 특성상 표면의 특성 제어가 어려운 단점도 있다. 그에 따라 표면에서부터 균열이 시작돼 파손되는 피로 특성 등이 다른 공정보다 열등하다고 알려졌다. 이에 따라 높은 강도와 연신율을 얻음과 동시에 좋은 표면 특성까지 얻는 것이 중요하다. 이를 위해서는 수많은 시행착오를 통한 공정 최적화가 필요하고, 그에 따른 수많은 비용과 시간을 요구한다. 특히 티타늄 부품과 같이 고가의 소재는 비용이 너무 많이 든다는 한계점이 있었다.

2. 연구내용

본 연구에서는 티타늄(Ti-6Al-4V) 합금 파우더를 DED의 한 종류인 레이저 금속 증착(노즐에서 금속 파우더, 레이저를 방출해 용접처럼 쌓아 올리는 적층 방식)을 이용해 12㎜*18㎜*12㎜(L*W*H) 크기의 직육면체를 조형했다. 조형 조건의 변수는 레이저 세기(160~220W), 분말 공급 속도 (0.4~0.7g/min), (노즐의) 진행 속도 (850~1000㎜/min) 총 3가지로 구성돼 있고, 각각 정해진 범위 내 값을 가진다.

각 조형 조건을 통해 제조된 시편을 스캐너로 위쪽 표면을 스캔한다. 불필요한 부분(여백)이 많은 외각 일부를 잘라내고, 224*224(CGAN 모델의 입력 사이즈)로 모든 이미지의 사이즈를 조절하는 전처리 과정을 거친다. 그리고 그에 해당하는 조형 조건을 각각 표지해 CGAN 학습을 위한 데이터 세트를 구성한다. 비용과 시간의 제약으로 인해 데이터의 양이 한정적이므로, 데이터 증대 기능을 적용해 CGAN 학습에 이용했다.

공정변수와 스캔 이미지는 하나의 세트가 된다. 여러 세트로 구성된 학습 데이터를 이용해 CGAN 모델을 훈련시킨 뒤, 실험에 사용되지 않은 공정 변수에 대해 가상 표면을 생성했다. 2D 이미지로 생성된 이미지는 표면 조도값을 z축의 값으로 하는 3D 이미지로 변환돼 실제 표면처럼 형상화했다. 같은 공정 변수를 활용해 실제 출력한 결과와 비교하기 위해 높은 FID 평가 지표를 얻기 위한 신경망 최적화를 실시하였다.

임의로 선정한 공정 변수와 인공지능을 통해 선정한 공정 변수로 제조한 시편의 품질과 물성을 비교하기 위해 주사전자현미경(Scanning Electron Microscope, SEM) 및 EBSD(Electron BackScatter Diffraction, EBSD) 분석을 진행했다. 인공지능을 통해 선정한 공정 변수로 제조한 시편의 경우 그렇지 않은 시편에 비해 표면에 결함이 적었다. 또 표면이 더 고른 상태를 의미하는 낮은 표면 조도 값을 가짐을 확인했고, 추가적인 미세구조 분석을 통해 임의 공정 대비 주상조직(columnar structure)의 이방성 또한 감소됐음을 확인했다.

3. 기대효과

본 연구 결과는 실제 금속 제조 공정을 시행하기 전 공정조건에 따라 예상되는 금속 표면을 몇 분 내에 빠르게 가상 제조하고 확인했다. 이로써 원하는 표면 특성을 얻기 위해 필요한 비용과 시간을 절감할 수 있다. 또 특정한 강도와 연신율을 얻어 내기 위한 공정 최적화 과정에서 각 공정에 따라 나타날 표면 특성까지 빠르게 확인 가능하다.

[붙임] 용어설명

1. 직접 에너지 분사 적층 공정(Directed Energy Deposition, DED)

적층 제조법 중 하나. 레이저 또는 전자빔 같은 집중 에너지원을 사용해 재료를 녹여서 노즐로 증착해 프린팅한다. 재료의 형태에 따라 Wire-DED, Powder DED로 분류할 수 있는데, 최소한의 툴링으로 고품질 기능 부품 수리가 가능하다. 비교적 큰 부품의 생산을 용이하게 만드는 기법으로 최근 대두되고 있는 적층 방식이다. 또다른 금속 3D 프린팅 방식인 분말 소결 방식(Powder bed fusion, PBF) 방식에 비해 출력속도가 빠르다는 장점이 있지만 표면 품질을 비롯한 정밀도가 다소 떨어진다는 단점이 있다.

2. 적대적 생성 신경망(Generative Adversarial Network, GAN)

적대적 생성 네트워크는 유사한 이미지를 생성하기 위해 기존 이미지 세트의 특징을 학습하는 데 사용된다. GAN은 생성기와 판별기로 구성되는데, 여기서 생성기는 가상 이미지를 생성해 판별기를 속이기 위해 노력한다. 반면 판별기는 실제 이미지와 생성기가 생성한 합성 이미지를 구별하기 위해 노력한다. GAN 모델에 조건(이 연구에서는 공정 변수에 해당함)을 포함해 학습시킬 경우, Conditional GAN(CGAN)이라고 칭한다.

3. FID(Fréchet Inception Distance)

생성된 이미지의 품질을 평가하고 적대적 생성 신경망의 성능을 평가하기 위해 개발된 방식이다. 생성된 이미지의 집합과 실제 생성하고자 하는 클래스 데이터의 분포 거리를 계산하며, 거리가 가까울수록 이미지가 적절하게 생성됐음으로 판단한다.

[붙임] 그림 설명