금속 적층 제조(AM) 용융 풀 다물리 현상: PIML의 핵심 적용 분야
이 분야는 AI Co-Scientist의 강력한 실생활 적용 사례입니다. 용융 풀 내 유체 흐름, 재료 상변화, 열전달, 구조 변형 등 다물리 현상 모델링에 PIML이 어떻게 혁신을 일으키고 있는지 분석합니다.
다물리 유체-재료 결합 PIML 정의
다물리 유체-재료 결합 PIML은 Navier-Stokes(유체 운동), Energy equation(열전달), Phase-field 또는 Liquid fraction(재료 상변화) 방정식을 하나의 신경망 손실 함수에 통합 학습하는 기법입니다. 이는 용융 금속 흐름, 고체화 재료 미세조직 변화, 열 구배에 의한 변형을 물리적으로 일관되게 예측하는 모델을 구축하는 데 필수적입니다.
Laser가 금속을 녹여 melt pool을 만드는 과정과 solidification interface
중요성: 실시간 최적화를 위한 필수 기술
금속 AM(LPBF, WAAM 등) 용융 풀은 0.1~1mm 크기, 106 K/s 급 냉각의 극한 환경에서 발생합니다. 기존 CFD/FEM 시뮬레이션은 수십 시간에서 수일이 소요되어 AI Co-Scientist의 실시간 공정 조건 탐색에 한계가 있었습니다.
PIML은 물리 법칙을 반영하여 소량 또는 무라벨 데이터로도 고충실도 대체 모델(surrogate model)을 구축할 수 있게 합니다. 이는 AI가 물리적으로 가능한 최적 공정 조건을 즉시 제안하고, Self-Driving Lab과 연계된 자동 실험 환경을 구현하는 핵심 동력이 됩니다.
주요 기법
01 기본 결합형 PINN
물리 잔차(Momentum, Mass, Energy, Phase change) 및 데이터 손실 함수 구성. Dirichlet 조건 강제 적용 기술.
Yan et al., 202102 Physics-informed Geometric RNN (PIGeoRNN)
ConvLSTM을 통한 시공간 특징 추출 및 기하학적 매트릭스 활용. 시뮬레이션-실험 데이터 간 빠른 전이 학습 구현.
Nature Communications Engineering, 202503 다단계/Operator Learning 변형
재료 열화 및 유체 모델링을 위한 다단계 PINN. 고차원 용융 풀 분석을 위한 Fourier Neural Operator 활용 전략.
(전형적인 Multiphysics PINN 구조 – 유체 속도 u,v, 압력 p, 온도 T, phase field φ를 동시에 출력하고 각각 PDE 잔차를 loss에 넣음)
주요 응용 사례
Wire Arc Additive Manufacturing (WAAM)
1.25초 미래 온도장 예측(오차 4.5~13.9%), 잔류 응력 및 균열 예측을 통한 실시간 층간 냉각 제어.
View in Nature Communications Engineering (2025) →Laser Powder Bed Fusion (LPBF)
용융 풀 기하 구조 및 냉각 속도 예측(오차 2.9~9.7%). NIST AM-Bench 벤치마크에서 기존 FEM과 동등한 정확도 입증.
Download Paper (Yan et al.) →Self-Driving AM Lab & FSI Expansion
로봇 공정 변수 자동 최적화 및 마란고니 흐름과 재료 수축 변형 동시 예측 (arXiv, 2025).
Read arXiv Preprint (2025) →미래 연구 방향
- • 완전한 다물리 디지털 트윈: 유체, 미세조직, 잔류 응력 통합 모델.
- • 실시간 폐루프 AI Co-Scientist: LLM 에이전트와 로봇의 즉각적인 스캔 경로 수정.
- • 생성형 PIML: 목표 미세조직에 따른 물리적 역설계 기술.
- • 교차 공정 전이 학습: WAAM, LPBF 간 zero-shot 전이 학습.
- • 불확실성 인식 PIML: Bayesian PINN을 통한 신뢰도 출력 및 인간 개입 유도.