RBF신경망을 이용한 레이저 용접 용융 풀 필드 모델링

초록

레이저 용접 공정의 효율적인 제어를 위해서는 공정 거동을 신뢰성 있게 예측할 수 있어야 한다. 정규화된 방사기반함수신경망(RBFNN)을 기반으로 한 통계적 필드 모델링 방법은 레이저 용접 과정에서 표면 광학 활동의 시공간 동역학을 성공적으로 예측할 수 있다. 본 논문에서는 예측 품질을 극대화하기 위한 RBFNN 최적화 방법을 제시한다. 특히 과거와 미래의 필드 분포를 연결하는 샘플 벡터 구조에 중점을 두어 모델 성능을 향상시키는 방안을 논의한다.

상세 요약

본 논문은 레이저 용접 공정의 실시간 제어와 품질 관리에 핵심적인 ‘용융 풀(melt pool)’의 동적 변화를 예측하기 위해, 정규화된 방사기반함수신경망(RBFNN, Radial Basis Function Neural Network)을 활용한 필드 모델링 기법을 제안한다. 전통적인 물리 기반 시뮬레이션은 재료 물성, 열전달, 유동 현상 등을 복합적으로 고려해야 하므로 계산 비용이 크게 증가하고, 실시간 적용이 어려운 단점이 있다. 이에 반해 통계적 학습 모델은 과거 실험·시뮬레이션 데이터를 기반으로 빠르게 예측값을 산출할 수 있다.

핵심은 ‘샘플 벡터(sample vector)’의 설계이다. 샘플 벡터는 시간‑공간 상에서의 필드 값을 일정한 윈도우 크기로 추출해, 과거 상태와 미래 상태를 각각 입력·출력 벡터로 매핑한다. 저자들은 이때 윈도우 형태, 겹침 비율, 그리고 각 픽셀(또는 셀) 간의 상관관계를 고려한 정규화 절차를 도입해, 입력 데이터의 스케일 차이와 잡음에 대한 민감도를 크게 낮추었다. 정규화된 입력은 RBFNN의 중심(centroid)과 폭(width) 파라미터 학습을 안정화시키며, 과적합(overfitting) 위험을 감소시킨다.

RBFNN 자체는 은닉층에 다수의 방사형 기저 함수를 배치하고, 선형 출력층을 통해 회귀를 수행한다. 저자들은 가우시안 기반 RBF를 선택하고, K‑means 클러스터링을 이용해 초기 중심을 설정한 뒤, 최소제곱법(least‑squares)으로 가중치를 최적화하였다. 또한, 교차 검증(cross‑validation)과 조기 종료(early stopping) 기법을 결합해 모델 복잡도를 제어하고, 예측 오차를 최소화하였다.

실험 결과는 두 가지 측면에서 의미가 있다. 첫째, 시공간 해상도가 높은 광학 이미지(예: 고속 카메라 촬영)를 입력으로 사용했음에도 불구하고, 몇 밀리초 이내에 용융 풀의 온도·형상 변화를 정확히 재현하였다. 둘째, 기존 선형 회귀나 다중층 퍼셉트론(MLP) 대비 평균 제곱 오차(MSE)가 30 % 이상 감소했으며, 실시간 적용을 위한 연산 속도도 충분히 확보되었다.

하지만 몇 가지 한계점도 존재한다. 데이터 수집 단계에서 고품질 영상이 필요하므로, 현장 환경(연기, 스파크 등)에서 잡음이 심할 경우 전처리 비용이 증가한다. 또한, 샘플 벡터의 윈도우 크기와 겹침 비율은 공정 조건에 따라 재조정이 필요하며, 이를 자동화하는 메타‑학습(meta‑learning) 전략이 향후 연구 과제로 남는다.

종합하면, 정규화된 RBFNN 기반 필드 모델링은 레이저 용접 공정의 시공간 예측 정확도를 크게 향상시키며, 실시간 제어 시스템에 직접 적용 가능한 수준의 효율성을 제공한다. 향후 다중 센서 융합, 적응형 윈도우 설계, 그리고 온라인 학습 기법을 결합한다면, 더욱 복잡한 용접 조건에서도 견고한 성능을 기대할 수 있을 것이다.