핵심 개념
금속 적층 제조(MAM) 공정에서 기계적 특성을 정확하게 예측하는 것은 인쇄된 부품의 성능과 신뢰성을 보장하는 데 필수적이다. 이 연구에서는 MAM 공정 매개변수와 재료 특성을 기반으로 기계적 특성을 예측하기 위한 포괄적인 기계 학습 프레임워크를 소개한다.
초록
이 연구는 금속 적층 제조(MAM) 공정에서 기계적 특성을 예측하기 위한 포괄적인 기계 학습 프레임워크를 제시한다. 연구팀은 90개 이상의 MAM 관련 논문과 데이터 시트에서 140개의 다양한 MAM 데이터 시트를 수집하여 광범위한 실험 데이터 세트를 구축했다. 이 데이터 세트에는 MAM 공정 조건, 기계, 재료 및 항복 강도, 인장 강도, 탄성 계수, 연신율, 경도, 표면 거칠기와 같은 기계적 특성에 대한 정보가 포함되어 있다.
연구팀은 MAM에 특화된 물리 기반 특징화, 조정 가능한 ML 모델 및 맞춤형 평가 지표를 포함하는 포괄적인 학습 프레임워크를 개발했다. 또한 SHAP 분석과 같은 설명 가능한 AI 방법을 활용하여 ML 모델의 예측 값을 해석하고 설명할 수 있었다. 더욱이 처리 매개변수와 재료 특성을 기반으로 기계적 특성을 추정하는 데이터 기반 명시적 모델을 개발했는데, 이는 기존 ML 모델에 비해 해석성이 향상되었다.
통계
항복 강도 예측 모델의 평균 절대 오차(MAE)는 53.55 MPa이며, 결정 계수(R2)는 0.9580이다.
인장 강도 예측 모델의 MAE는 47.95 MPa이고, R2는 0.9694이다.
탄성 계수 예측 모델의 MAE는 6.63 GPa이며, R2는 0.9427이다.
연신율 예측 모델의 MAE는 2.89%이고, R2는 0.8865이다.
비커스 경도 예측 모델의 MAE는 18.58 HV이며, R2는 0.9381이다.
로크웰 경도 예측 모델의 MAE는 1.92 HRC이고, R2는 0.9624이다.
표면 거칠기(Rz) 예측 모델의 MAE는 4.69 μm이며, R2는 0.9007이다.
인용구
"금속 적층 제조(MAM) 공정에서 기계적 특성을 정확하게 예측하는 것은 인쇄된 부품의 성능과 신뢰성을 보장하는 데 필수적이다."
"실험적 접근은 노력 집약적이고 비용이 많이 들며 시간이 오래 걸리는 반면, 시뮬레이션 방법은 처리 매개변수와 최종 부품 품질 간의 관계를 정확하게 예측하는 데 어려움이 있다."
"기계 학습 모델은 실험 및 시뮬레이션 방법에 비해 더 큰 유연성과 적응성을 제공하며, 필요에 따라 쉽게 조정할 수 있다."