피로 균열 성장 실험을 위한 디지털 이미지 상관 변위 필드 데이터셋

초록

본 논문은 8개의 피로 균열 성장 실험에서 획득한 평면 변위 필드 8,794개와 이를 보강한 70,352개의 라벨링 샘플을 제공한다. 데이터는 3가지 해상도(28×28, 64×64, 128×128)와 3가지 규모(S, M, L)로 전처리·보강되어, 다양한 교육·연구·고성능 모델 개발에 활용 가능하도록 설계되었다. 균열 팁 위치는 반복적 Williams 시리즈 피팅과 심볼릭 회귀 보정으로 0.02 mm 이하 정확도로 주석이 달렸으며, 모드‑I·II 응력강도계수(K_I, K_II)와 T‑stress도 함께 제공한다. 메타데이터와 파이썬 인터페이스를 통해 손쉽게 필터링·로드가 가능하도록 구현하였다.

상세 분석

이 데이터셋은 디지털 이미지 상관(DIC) 기술을 활용한 실험 기반 변위 필드의 표준화된 공개 자원으로, 기존의 합성 데이터 중심 연구와는 차별화된 물리적 현실성을 제공한다. 먼저 실험 설계는 AA2024, AA7475, AA7010 등 항공우주 등급 알루미늄 합금을 사용했으며, MT160·CT75와 같은 서로 다른 시편 형상, 두께(2–12 mm), 그리고 롤링·포징 방향(LT, TL, SL45) 등 다양한 재료·기하학적 변수를 포함한다. 피로 하중은 ASTM E647‑15 표준에 따라 R비(0.1~0.5)와 고정된 최대 하중(F_max)으로 제어되었고, 20 Hz의 정현파 사이클을 적용하였다. 이러한 다양성은 모델이 실제 엔지니어링 상황에서 일반화될 수 있는 근거를 제공한다.

DIC 측정은 Zeiss Aramis 3D 시스템으로 수행되었으며, 12 MP 카메라 두 대를 사용해 200 × 150 × 21 mm³의 측정 부피를 0.86 mm²(19×19픽셀) 페이싯 크기로 촬영하였다. 실험 중 DCPD(직류 전위 강하) 시스템이 실시간 균열 길이를 감시하고, 균열이 0.5 mm씩 성장할 때마다 최소·중간·최대 하중 단계에서 이미지가 자동으로 수집되었다. 따라서 각 실험 단계마다 동일한 물리적 영역에 대한 다중 하중 상태의 변위 필드가 확보되었다.

균열 팁 주석은 세 단계로 구성된 CrackPy 워크플로우를 사용했다. 초기 팁은 0.1 mm 간격의 탐침 라인으로 추정하고, 이후 Williams 전단·전단계 시리즈를 실측 변위에 비선형 최소제곱 피팅한다. 피팅 과정에서 심볼릭 회귀를 통해 도출된 보정식(식 1)을 반복 적용해 팁 위치를 0.02 mm 이하의 서브픽셀 정확도로 수렴시켰다. 이때 수렴 기준 δ<5×10⁻³ mm을 사용했으며, 수렴 속도는 수축 계수 q≈0.6–0.8로 확인되었다. 이렇게 얻어진 팁 좌표는 원시 DIC 격자와 동일한 좌표계에서 바이너리 마스크 형태로 저장되었으며, 이후 28, 64, 128 픽셀 정규 격자로 보간될 때 동일한 어핀 변환을 적용해 일관성을 유지했다.

응력강도계수(K_I, K_II)와 T‑stress는 Williams 시리즈의 계수 A₁, B₁, A₂를 이용해 직접 계산되었다(식 2). 각 변위 필드에 대해 모드‑I·II SIF와 비특이 T‑stress가 라벨로 제공되므로, 변위 → 물리량 매핑을 위한 지도학습(supervised learning) 모델을 바로 훈련시킬 수 있다. 메타데이터에는 실험 ID, 재료, 시편 형상, 두께, 방향, R비, 측정 면(left/right), 그리고 각 이미지마다 적용된 하중(F) 등이 포함돼, 데이터셋을 조건별로 필터링하거나 다중 태스크 학습에 활용할 수 있다.

데이터 전처리는 원시 DIC 격자(약 4,600×2,600 픽셀)를 물리적 좌표계에 맞춰 bilinear 보간한 뒤, 28×28, 64×64, 128×128 픽셀 정사각 격자로 축소했다. 이때 물리적 시야는 MT 시편 기준 약 40 mm×40 mm, CT 시편 기준 약 60 mm×60 mm이며, 해상도에 따라 변위 구배의 세부 정보 보존 정도가 달라진다. 저해상도(28×28)는 MNIST 스타일의 경량 데이터로 교육·프로토타이핑에 적합하고, 고해상도(128×128)는 미세 플라스틱 영역까지 포착해 고정밀 모델 훈련에 유리하다. 또한, 각 해상도별로 S(소규모), M(중규모), L(대규모) 세 가지 데이터 규모를 제공해, 컴퓨팅 자원에 따라 유연하게 선택할 수 있다.

전체적으로 8,794개의 원시 변위 필드가 70,352개의 라벨링 샘플(원본+증강)로 확장되었으며, 증강은 회전·반사·노이즈 추가 등을 포함한다. 데이터셋은 GitHub(또는 DLR 데이터 포털)에서 파이썬 패키지 형태로 배포되며, crackmnist.load_dataset() 함수로 손쉽게 로드·필터링·배치 구성이 가능하도록 설계되었다. 이는 재현 가능한 머신러닝 파이프라인 구축을 촉진하고, 실험 기반 균열 성장 연구와 데이터‑구동 파괴역학 사이의 격차를 메우는 중요한 인프라가 된다.