Terra Quantum·Empa, 레이저 용접 3D 용융풀 예측 AI 'LP-FNO' 공개…기존 시뮬레이션보다 최대 10만 배 빠른 추론

레이저 용접 시뮬레이션의 계산 병목

레이저 용접은 항공우주·의료기기·자동차 등 정밀 제조 산업에 폭넓게 활용된다. 레이저 빔 아래 형성되는 용융풀의 형상과 온도 이력이 용접 품질을 직접 결정하지만, 이를 정밀하게 모사하는 멀티피직스 시뮬레이션은 계산 부담이 극히 크다. 표준 해상도(10 µm)에서 단일 시뮬레이션 실행에 약 6분, 해상도를 5 µm로 높이면 1시간을 초과해 실시간 공정 제어나 대규모 파라미터 탐색은 산업 현장에서 사실상 불가능했다.

LP-FNO의 구조와 학습 방법

LP-FNO는 푸리에 신경 연산자(Fourier Neural Operator) 아키텍처를 사용해 레이저 출력과 주사 속도 두 가지 공정 파라미터만으로 3차원 온도 분포와 용융풀 경계를 직접 예측한다. 학습에는 티타늄 합금 Ti-6Al-4V를 대상으로 한 고정밀 열유체 시뮬레이션 데이터를 활용했으며, 레이저 출력 40190 W, 주사 속도 0.11 m/s 범위를 포괄한다.

연구팀은 시간 의존적인 레이저 주사 문제를 레이저 빔과 함께 이동하는 기준계로 변환하고 시간 평균을 적용하는 준정상(quasi-steady) 재구성 기법을 도입했다. 이를 통해 상대적으로 단순한 전도 모드 용접은 물론, 깊은 증기 함몰부·반동 압력 기인 표면 변형·강한 레이저 흡수 변화를 수반하는 물리적으로 복잡한 안정 키홀 용접 체계까지 단일 프레임워크로 처리할 수 있게 됐다. 저자들에 따르면 두 체계를 준정상 연산자 학습 프레임워크 내에서 함께 다룬 것은 이번이 처음이다.

FNO는 각 레이어에서 스펙트럴 공간을 활용해 전체 물리 도메인에 걸친 전역 정보를 혼합한다. 이 특성 덕분에 거친 해상도 데이터로 학습한 모델이 별도 재학습 없이 더 세밀한 격자에서도 정확한 예측을 내놓는 해상도 불변성(resolution invariance)을 구현했다.

주요 성능 지표

학습 완료 후 LP-FNO는 표준 해상도에서 약 8 ms, 두 배 고해상도에서 88 ms 만에 3D 예측을 완료한다. 온도 예측 평균 상대 오차는 약 2.5%이며, 용융풀 경계 분할 정확도는 교집합-합집합 비율(IoU) 0.9 이상을 기록했다. 완전연결 좌표망, U-Net, DeepONet 변형 등 비교 대상 아키텍처 가운데 정확도와 계산 효율성 균형에서 가장 우수한 결과를 보였다. 본 연구는 Journal of Intelligent Manufacturing에 게재됐다(DOI: 10.1007/s10845-026-02917-0).

활용 전망과 한계

밀리초 단위 추론 속도는 디지털 트윈 구현과 실시간 공정 피드백 루프 적용 가능성을 높이는 데 유효하다. 다만 현재 LP-FNO는 Ti-6Al-4V 단일 재료, 전도·안정 키홀 체계로 한정된다. 불안정 키홀이나 다른 합금계로의 일반화 여부는 추가 검증이 필요하며, 시뮬레이션 데이터만으로 학습이 이뤄진 만큼 실제 용접 환경에서의 성능 확인도 남겨진 과제다.