레이저가 지나간 자리만 촘촘히 살피면 금속판의 온도를 잘 예측할 수 있을까? 열이 퍼지는 범위는 재료에 따라 달라진다. 금속 적층제조의 온도 예측에서도 학습 지점을 재료 조건에 맞춰 옮기면 예측이 어려운 영역을 더 잘 살필 수 있다.
금속 적층제조의 온도 예측을 다룬 동료 심사 전 사전 공개 논문은 이 차이를 금속판 레이저 주사 수치 평가로 살폈다. 같은 수의 학습 지점을 쓰더라도 어디에 배치하느냐에 따라 오차가 달라졌다.

AI 개념 이미지: 금속판 위를 지나는 레이저와 재료에 따라 달라지는 열 확산·학습 지점 분포를 보여준다. 실제 장비나 실험 장면을 촬영한 사진은 아니다.
1. 금속 적층제조에서 ‘학습 지점’은 무엇을 하나
금속판 위를 움직이는 레이저는 지나가는 곳을 가열한다. 열은 판 내부로 전해지고, 표면에서는 주변으로 빠져나간다. 그래서 온도는 위치에 따라서도, 시간에 따라서도 변한다. 논문의 수치 모델은 레이저 가열과 판 내부의 열전도, 경계에서의 대류·복사 손실을 함께 다뤘다.
이렇게 시간과 공간에 따라 펼쳐진 온도를 ‘온도장’이라고 한다. 금속 적층제조에서 온도를 살피는 이유는 가열 과정과 만들어진 조직·물성의 관계를 이해하는 데 열 모델이 중요하기 때문이다. 논문도 학습 때 보지 않은 조건의 온도장 예측을 공정 최적화와 품질 확보에 연결한다.
연구진이 사용한 물리 정보 신경망(PINN)은 온도를 예측하면서, 고른 위치와 시각에서 그 예측이 열의 움직임을 설명하는 물리 법칙과 얼마나 맞는지 확인하며 학습한다. 그 확인 장소가 학습 지점이다. 판 전체의 모든 곳을 똑같이 살피는 대신, 어느 지점을 고를지가 예측 결과에 영향을 준다.
여기에 재료 물성과 같은 조건을 입력으로 더하면, 학습된 모델 하나로 여러 조건의 온도를 예측할 수 있다. 논문에서 비교한 모델도 이런 ‘매개변수형 PINN’이다. 모델 하나가 여러 조건을 맡는 만큼 학습 지점 역시 조건이 바뀔 때 적절한 곳을 짚어야 한다.
2. 열전도율이 바뀌면 예측이 어려운 곳도 옮겨간다
열전도율은 재료 안에서 열이 얼마나 잘 전달되는지를 나타내는 성질이다. 논문에 따르면 열전도율이 낮은 재료에서는 강한 열이 레이저 경로 가까이에 머물러, 예측이 물리 기반 해에서 크게 벗어나는 영역도 그 주변에 모인다. 연구진은 이런 곳을 ‘고잔차 영역’이라고 부른다.
열전도율이 높으면 열 전달이 빨라진다. 이때 고잔차 영역은 레이저 경로에서 더 넓은 열 확산 영역으로 옮겨가거나 퍼질 수 있다. 레이저 자국 주변이 늘 가장 어려운 예측 지점인 것은 아니다.
기존 방식은 급격한 온도 변화가 예상되는 레이저 경로 부근에 학습 지점을 고정해 많이 놓고, 다른 곳에는 성기게 놓았다. 한 재료에서 알맞았던 배치를 그대로 쓰면 재료가 바뀌었을 때 넓어진 고잔차 영역을 충분히 살피기 어렵다. 논문은 이런 이동을 포착하는 일이 표면 아래와 레이저에서 먼 곳의 온도 예측에도 중요하다고 설명한다.
3. 금속 적층제조 PINN은 지점을 어떻게 다시 골랐나
연구진은 먼저 금속 적층제조의 물리 지식을 반영해 초기 온도 예측 모델을 학습했다. 그런 다음 재료 조건별로 예측이 물리 기반 해와 크게 어긋나는 곳의 분포를 학습하고, 그 분포를 따라 다음 학습 지점을 고르는 방식을 제안했다.
그 분포만 따라가지는 않았다. 공정 지식을 반영한 기본 지점 분포도 섞어, 초기 모델이 어려운 곳을 잘못 짚었더라도 다른 영역을 계속 살피도록 했다. 학습된 고잔차 영역에 얼마나 집중할지와 넓은 영역을 얼마나 남겨 둘지는 두 분포의 혼합 비율로 조절한다.
핵심은 학습 지점의 수를 무작정 늘리는 데 있지 않다. 같은 수의 지점을 쓰면서도, 재료에 따라 열이 퍼지고 예측이 어긋나는 위치에 더 알맞게 배치하는 접근이다.
4. 금속판 레이저 주사에서 확인한 오차 차이
평가는 금속 적층제조 공정을 대표하는, 레이저가 맨 금속판 표면을 훑는 수치 벤치마크에서 이뤄졌다. 실험은 여러 공정 조건 가운데 재료 물성의 변화에 초점을 맞췄다. 앞의 세 평가 재료는 학습 범위 안에 있었고, AlSi10Mg와 구리는 열전도율이 학습 상한을 크게 넘는 범위 밖 사례였다.
연구진은 비교 모델의 예측 구조를 그대로 두고 학습 지점 선택 방식을 바꿨다. 오차는 위치와 시간 전반에서 예측 온도장이 기준 해와 얼마나 다른지를 나타내는 ‘상대오차’로 비교했다. 이 기준에서 금속 적층제조 수치 벤치마크의 적응형 배치 모델은 같은 수의 학습 지점을 쓴 기존 PINN 비교 모델보다 평균 상대오차가 62.1% 낮았다. 같은 지점 수로 기준 온도장에 더 가까운 예측을 얻었다는 뜻이다.
이 결과의 범위는 재료 물성을 바꾼 금속판 레이저 주사 수치 평가다. 다른 형상의 부품이나 실제 장비에서 온도를 측정해 같은 차이를 확인했다는 결과로 넓혀 읽을 수는 없다.
5. 아이컨택의 시선: 재료가 다르면 살필 영역도 달라진다
서로 열전도율이 다른 합금의 레이저 주사 온도를 모델 하나로 예측해야 한다면, 아이컨택은 레이저 경로 주변에 지점을 고정하는 배치와 재료별 열 확산 영역까지 살피는 배치를 비교할 만하다고 본다. 앞서 본 수치 평가에서는 재료에 따라 어려운 예측 지점이 달라졌고, 그 이동을 반영한 배치에서 오차가 낮았다.
이 글은 3D프린팅·CNC·다양한 소재 전문 플랫폼 기업 아이컨택이 공식 자료를 바탕으로 정리했습니다.
출처
[1] arXiv.org, 조건부 흐름 매칭과 공정 지식 기반 적응형 표본 추출을 이용한 금속 적층제조 PINN의 일반화, 2026-10-06
레이저가 지나간 자리만 촘촘히 살피면 금속판의 온도를 잘 예측할 수 있을까? 열이 퍼지는 범위는 재료에 따라 달라진다. 금속 적층제조의 온도 예측에서도 학습 지점을 재료 조건에 맞춰 옮기면 예측이 어려운 영역을 더 잘 살필 수 있다.
금속 적층제조의 온도 예측을 다룬 동료 심사 전 사전 공개 논문은 이 차이를 금속판 레이저 주사 수치 평가로 살폈다. 같은 수의 학습 지점을 쓰더라도 어디에 배치하느냐에 따라 오차가 달라졌다.
AI 개념 이미지: 금속판 위를 지나는 레이저와 재료에 따라 달라지는 열 확산·학습 지점 분포를 보여준다. 실제 장비나 실험 장면을 촬영한 사진은 아니다.
1. 금속 적층제조에서 ‘학습 지점’은 무엇을 하나
금속판 위를 움직이는 레이저는 지나가는 곳을 가열한다. 열은 판 내부로 전해지고, 표면에서는 주변으로 빠져나간다. 그래서 온도는 위치에 따라서도, 시간에 따라서도 변한다. 논문의 수치 모델은 레이저 가열과 판 내부의 열전도, 경계에서의 대류·복사 손실을 함께 다뤘다.
이렇게 시간과 공간에 따라 펼쳐진 온도를 ‘온도장’이라고 한다. 금속 적층제조에서 온도를 살피는 이유는 가열 과정과 만들어진 조직·물성의 관계를 이해하는 데 열 모델이 중요하기 때문이다. 논문도 학습 때 보지 않은 조건의 온도장 예측을 공정 최적화와 품질 확보에 연결한다.
연구진이 사용한 물리 정보 신경망(PINN)은 온도를 예측하면서, 고른 위치와 시각에서 그 예측이 열의 움직임을 설명하는 물리 법칙과 얼마나 맞는지 확인하며 학습한다. 그 확인 장소가 학습 지점이다. 판 전체의 모든 곳을 똑같이 살피는 대신, 어느 지점을 고를지가 예측 결과에 영향을 준다.
여기에 재료 물성과 같은 조건을 입력으로 더하면, 학습된 모델 하나로 여러 조건의 온도를 예측할 수 있다. 논문에서 비교한 모델도 이런 ‘매개변수형 PINN’이다. 모델 하나가 여러 조건을 맡는 만큼 학습 지점 역시 조건이 바뀔 때 적절한 곳을 짚어야 한다.
2. 열전도율이 바뀌면 예측이 어려운 곳도 옮겨간다
열전도율은 재료 안에서 열이 얼마나 잘 전달되는지를 나타내는 성질이다. 논문에 따르면 열전도율이 낮은 재료에서는 강한 열이 레이저 경로 가까이에 머물러, 예측이 물리 기반 해에서 크게 벗어나는 영역도 그 주변에 모인다. 연구진은 이런 곳을 ‘고잔차 영역’이라고 부른다.
열전도율이 높으면 열 전달이 빨라진다. 이때 고잔차 영역은 레이저 경로에서 더 넓은 열 확산 영역으로 옮겨가거나 퍼질 수 있다. 레이저 자국 주변이 늘 가장 어려운 예측 지점인 것은 아니다.
기존 방식은 급격한 온도 변화가 예상되는 레이저 경로 부근에 학습 지점을 고정해 많이 놓고, 다른 곳에는 성기게 놓았다. 한 재료에서 알맞았던 배치를 그대로 쓰면 재료가 바뀌었을 때 넓어진 고잔차 영역을 충분히 살피기 어렵다. 논문은 이런 이동을 포착하는 일이 표면 아래와 레이저에서 먼 곳의 온도 예측에도 중요하다고 설명한다.
3. 금속 적층제조 PINN은 지점을 어떻게 다시 골랐나
연구진은 먼저 금속 적층제조의 물리 지식을 반영해 초기 온도 예측 모델을 학습했다. 그런 다음 재료 조건별로 예측이 물리 기반 해와 크게 어긋나는 곳의 분포를 학습하고, 그 분포를 따라 다음 학습 지점을 고르는 방식을 제안했다.
그 분포만 따라가지는 않았다. 공정 지식을 반영한 기본 지점 분포도 섞어, 초기 모델이 어려운 곳을 잘못 짚었더라도 다른 영역을 계속 살피도록 했다. 학습된 고잔차 영역에 얼마나 집중할지와 넓은 영역을 얼마나 남겨 둘지는 두 분포의 혼합 비율로 조절한다.
핵심은 학습 지점의 수를 무작정 늘리는 데 있지 않다. 같은 수의 지점을 쓰면서도, 재료에 따라 열이 퍼지고 예측이 어긋나는 위치에 더 알맞게 배치하는 접근이다.
4. 금속판 레이저 주사에서 확인한 오차 차이
평가는 금속 적층제조 공정을 대표하는, 레이저가 맨 금속판 표면을 훑는 수치 벤치마크에서 이뤄졌다. 실험은 여러 공정 조건 가운데 재료 물성의 변화에 초점을 맞췄다. 앞의 세 평가 재료는 학습 범위 안에 있었고, AlSi10Mg와 구리는 열전도율이 학습 상한을 크게 넘는 범위 밖 사례였다.
연구진은 비교 모델의 예측 구조를 그대로 두고 학습 지점 선택 방식을 바꿨다. 오차는 위치와 시간 전반에서 예측 온도장이 기준 해와 얼마나 다른지를 나타내는 ‘상대오차’로 비교했다. 이 기준에서 금속 적층제조 수치 벤치마크의 적응형 배치 모델은 같은 수의 학습 지점을 쓴 기존 PINN 비교 모델보다 평균 상대오차가 62.1% 낮았다. 같은 지점 수로 기준 온도장에 더 가까운 예측을 얻었다는 뜻이다.
이 결과의 범위는 재료 물성을 바꾼 금속판 레이저 주사 수치 평가다. 다른 형상의 부품이나 실제 장비에서 온도를 측정해 같은 차이를 확인했다는 결과로 넓혀 읽을 수는 없다.
5. 아이컨택의 시선: 재료가 다르면 살필 영역도 달라진다
서로 열전도율이 다른 합금의 레이저 주사 온도를 모델 하나로 예측해야 한다면, 아이컨택은 레이저 경로 주변에 지점을 고정하는 배치와 재료별 열 확산 영역까지 살피는 배치를 비교할 만하다고 본다. 앞서 본 수치 평가에서는 재료에 따라 어려운 예측 지점이 달라졌고, 그 이동을 반영한 배치에서 오차가 낮았다.
이 글은 3D프린팅·CNC·다양한 소재 전문 플랫폼 기업 아이컨택이 공식 자료를 바탕으로 정리했습니다.
출처
[1] arXiv.org, 조건부 흐름 매칭과 공정 지식 기반 적응형 표본 추출을 이용한 금속 적층제조 PINN의 일반화, 2026-10-06