변분 자동인코더 기반 근사 베이지안 계산을 이용한 시트 금속 성형 파라미터 역추정

본 논문은 시트 금속 성형 공정에서 재료와 공정 파라미터를 정확히 식별하기 위한 새로운 역추정 프레임워크를 제안한다. 기존의 하이브리드 수치 방법은 실험과 시뮬레이션을 결합해 결정론적으로 파라미터를 추정하지만, 실제 제조 환경에서는 재료 특성, 경계조건, 측정 오차 등 다양한 불확실성이 존재한다. 이러한 불확실성을 정량적으로 반영하려면 베이지안 추론이 필요하지만, 복잡한 비선형 모델에서는 정확한 가능도 함수를 정의하기 어렵다. 이를 해결하기 위해 저자는 Approximate Bayesian Computation(ABC)을 선택한다. ABC는 시뮬레이션 데이터를 관측 데이터와 비교해 거리(예: 유클리드 거리)가 사전에 정의된 허용오차 ε 이하인 경우에만 파라미터 샘플을 수용함으로써, 가능도 함수를 우회한다. 그러나 고차원 관측 데이터(예: 형성 제한도 이미지)를 직접 사용하면 거리 계산이 비효율적이며, 요약통계량을 선택해야 하는데, 차원이 너무 작으면 정보 손실이 크고, 차원이 너무 크면 계산 비용이 급증한다는 딜레마가 있다. 논문은 이 문제를 해결하기 위해 변분 자동인코더(VAE)를 도입한다. VAE는 인코더와 디코더 네트워크로 구성되며, 입력 이미지 D를 저차원 잠재변수 Z로 압축하고, Z를 다시 D̂로 복원한다. 학습 과정에서 재구성 오차와 KL 발산을 동시에 최소화함으로써, Z는 원본 이미지의 핵심 특징을 보존하면서 표준 정규분포에 정규화된다. 따라서 Z는 정보 손실을 최소화한 요약통계량으로 활용될 수 있다. 하지만 VAE만으로는 파라미터 θ와 잠재변수 Z 사이의 관계를 직접 얻을 수 없으며, 매 샘플마다 유한요소(FE) 시뮬레이션을 수행하면 계산량이 폭발한다. 이를 보완하기 위해 저자는 최소제곱 서포트 벡터 회귀(LSSVR)를 사용해 θ와 Z 사이의 비선형 매핑을 학습한다. LSSVR는 라그랑주 승수를 이용한 정규화된 최소제곱 문제를 풀어, 적은 학습 데이터(수백 개)만으로도 높은 예측 정확도(R²≈0.94)를 달성한다. 이 대리모델을 “LV‑LSSVR”이라 명명하고, 주어진 θ에 대해 빠르게 Ẑ를 예측한다. ABC의 샘플링 단계에서는 비모수적 Population Monte Carlo(ABC‑NPMC) 알고리즘을 적용한다. ABC‑NPMC은 초기 샘플 집합에서 시작해 적응적으로 허용오차 ε를 감소시키며, 각 단계에서 가중치를 재계산한다. 이 과정은 기존 ABC‑MCMC나 ABC‑SMC에 비해 수용률이 크게 향상되고, 샘플이 사후분포에 빠르게 수렴한다. VAE‑latent Z와 LV‑LSSVR 예측 Ẑ를 이용해 거리 ρ(Z, Ẑ) ≤ ε 조건을 검증함으로써, 실제 FE 시뮬레이션 없이도 파라미터 후보를 평가한다. 실험 설정은 다음과 같다. 시트 금속 성형 시뮬레이션을 통해 다양한 재료 강도, 두께, 공정 속도 조합에 대한 형성 제한도(FRD) 이미지를 생성하고, 이를 VAE에 학습시켜 8~16 차원의 잠재공간을 구축한다. LV‑LSSVR는 200개의 (θ, Z) 쌍을 학습 데이터로 사용했으며, 교차 검증을 통해 최적의 정규화 파라미터와 커널 폭을 선택했다. ABC‑NPMC은 10,000개의 파라미터 샘플을 3시간 이내에 수집했으며, 사후분포의 평균값과 95% 신뢰구간을 기존 실험적 보정값과 비교했다. 결과는 평균 오차가 5% 이하이며, 특히 주름 및 균열 발생을 예측하는 데 있어 기존 방법보다 높은 정확도를 보였다. 논문의 주요 기여는 네 가지로 요약된다. 1) VAE를 요약통계량으로 활용해 이미지 기반 고차원 데이터를 효율적으로 저차원으로 압축하고, 정보 손실을 최소화하였다. 2) LV‑LSSVR 대리모델을 도입해 FE 시뮬레이션 비용을 실질적으로 제거함으로써 ABC의 계산 효율성을 크게 향상시켰다. 3) ABC‑NPMC 샘플링을 통해 복잡한 비선형 시스템에서도 안정적인 사후분포 추정이 가능함을 입증했다. 4) 시트 금속 성형이라는 실제 산업 문제에 적용해 파라미터 식별 정확도와 계산 효율성을 동시에 달성함으로써, 제조 공정 최적화와 품질 관리에 실질적인 도구를 제공한다. 결론적으로, 변분 자동인코더와 최소제곱 서포트 벡터 회귀를 결합한 근사 베이지안 계산 프레임워크는 고차원 이미지 데이터를 다루는 공정 역문제에 매우 유용하며, 향후 다른 제조 분야나 복잡한 물리 기반 모델에도 확장 가능성이 크다.