Core Concepts
표면 열 이미지 시퀀스와 용융 풀 단면 윤곽 간의 상관관계를 학습하여 비전 트랜스포머 모델을 통해 용융 풀 깊이 윤곽을 예측할 수 있다.
Abstract
이 연구에서는 레이저 파우더 베드 퓨전(L-PBF) 공정 중 발생하는 용융 풀의 표면 열 이미지 시퀀스와 용융 풀 단면 윤곽 간의 상관관계를 학습하는 기계 학습 프레임워크를 제안한다.
구체적으로:
고속 열화상 카메라를 통해 수집한 용융 풀 표면 열 이미지 시퀀스를 입력으로 사용한다.
이미지 시퀀스의 공간적 정보는 ResNet 모델을 통해 추출하고, 시간적 정보는 트랜스포머 모델을 통해 학습한다.
이를 통해 용융 풀 단면 윤곽을 예측할 수 있으며, 특히 높은 에너지 밀도 영역에서 우수한 성능을 보인다.
모델 성능은 예측된 용융 풀 크기, 형상, 그리고 실험 관찰 결과와의 교차 비교를 통해 평가된다.
또한 시뮬레이션 데이터를 활용한 전이 학습을 통해 실험 데이터 요구량을 줄일 수 있음을 보인다.
최종적으로 예측된 용융 풀 윤곽은 다중 트랙 인쇄 시 층간 결합 결함 탐지에 활용될 수 있음을 확인한다.
Stats
레이저 출력 범위: 50 W ~ 400 W
스캔 속도 범위: 0.3 m/s ~ 2.4 m/s
고속 열화상 카메라 프레임 레이트: 22,500 FPS
노출 시간: 4 μs, 20 μs
Quotes
"표면 열 이미지 시퀀스와 용융 풀 단면 윤곽 간의 상관관계를 학습하여 비전 트랜스포머 모델을 통해 용융 풀 깊이 윤곽을 예측할 수 있다."
"예측된 용융 풀 윤곽은 다중 트랙 인쇄 시 층간 결합 결함 탐지에 활용될 수 있다."