3D 복합재의 열전도율 예측을 위한 2D 단면 이미지 기반 딥러닝

초록

본 연구는 3차원 복합재의 효과적 열전도율을 2차원 단면 이미지만으로 예측하는 방법을 제시한다. 다중 단면을 이용한 2D CNN 모델은 3D CNN과 동등한 정확도를 달성했으며, 이미지의 방향·수·크기가 예측 성능에 미치는 영향을 체계적으로 분석하였다.

상세 분석

이 논문은 복합재의 미세구조와 물성 간의 연계를 머신러닝, 특히 컨볼루션 신경망(CNN)으로 구현하려는 최신 흐름에 기여한다. 기존의 물리 기반 모델(EMT, Bruggeman 등)은 입자 간 상호작용이나 비균질성, 임계 현상 등을 충분히 반영하지 못해 정확도가 제한적이었다. 반면 3D CNN은 미세구조 전체를 직접 학습해 높은 예측력을 보였지만, 실제 실험에서 3D 이미지(CT, X‑ray 등)를 획득하는 비용과 어려움이 큰 단점으로 남는다.

저자들은 이러한 문제를 해결하고자 2D 단면 이미지만을 입력으로 하는 2D CNN을 설계하였다. 두 종류의 디지털 미세구조를 사용했는데, 하나는 구형 입자를 랜덤하게 포장한 isotropic 구조(LS 알고리즘 기반)이고, 다른 하나는 QSGS 방법으로 생성한 anisotropic 복합재(성장 확률을 방향별로 조절)이다. 각 구조에 대해 FEM(Finite Element Method)으로 열전달 해석을 수행해 ‘진짜’ 효과적 열전도율을 라벨로 확보하였다.

데이터 전처리 단계에서는 100³, 50³ 등 다양한 해상도의 voxel 모델을 2D 단면으로 슬라이스하고, 슬라이스 수(c)와 슬라이스 방향(열 흐름과 수직)을 변수로 설정했다. 실험 결과, 열 흐름 방향(즉, 전도 경로와 일치하는 방향)의 단면을 여러 장 포함하면 2D CNN이 3D CNN과 거의 동일한 R²(≈0.99)와 평균 절대 오차(<2%)를 기록했다. 이는 열 흐름 방향 단면이 직렬·병렬 구조를 명확히 구분해 3D 구조 정보를 충분히 전달한다는 물리적 해석과 일치한다. 반대로 수직 방향 단면만 사용할 경우 예측 오차가 크게 증가했으며, 이는 구조적 이방성 정보를 놓치기 때문이다.

네트워크 설계 측면에서는 기본 5‑layer Conv‑Pool‑FC 구조에 배치 정규화(batch normalization)와 드롭아웃(dropout)을 추가해 과적합을 억제하고 일반화 성능을 향상시켰다. 또한, 훈련 샘플 수를 500에서 2000까지 늘릴 경우 MAE가 0.5%에서 0.2%로 감소하는 등 데이터 규모가 성능에 미치는 영향도 정량화하였다. 이미지 크기가 커질수록(예: 256×256 vs 64×64) 세부 형상 정보를 더 많이 보존해 예측 불확실성이 감소했으며, 이는 실험적 이미지 해상도 확보의 중요성을 강조한다.

결론적으로, 2D 단면 이미지와 다중 채널 CNN을 활용하면 3D 미세구조를 직접 측정하지 않아도 복합재의 열전도율을 고정밀로 예측할 수 있다. 이는 실험실이나 산업 현장에서 획득이 용이한 광학·전자 현미경 이미지만으로도 빠른 물성 평가가 가능함을 의미한다. 향후 연구에서는 실제 실험 이미지(노이즈, 불완전한 경계)와의 연계, 그리고 다중 물성(탄성계수, 전기전도도) 동시 예측 모델 확장이 기대된다.