강화학습 기반 공정변수 최적화를 통한 광경화 3D 프린팅 공정의 제작성 향상 = Enhanced Productivity of DLP Printing Process through Process Variable Optimization Using Reinforcement Learning

다국어 초록 (Multilingual Abstract)

In composite-based VPP (Vat Photopolymerization) printing, increased resin viscosity and light scattering induced by fillers lead to simultaneous degradation of printing stability and dimensional fidelity. These issues manifest in various forms, including elevated separation force during layer detachment, boundary over-curing caused by cumulative exposure, channel blockage, and geometric distortion.
Although parameter tuning and empirical correction methods have been used to alleviate such problems, their effectiveness is limited because the optimal conditions must be repeatedly reconfigured whenever the geometry or material system changes.
To address these limitations, this study proposes a process optimization framework that integrates physics-based simulation with reinforcement learning. A separation-force model incorporating layerwise cross-sectional area and resin viscosity was established, and the stresses generated during the detachment process were quantified through finite element analysis (FEA). These physical models were incorporated into the reinforcement learning reward structure, enabling the agent to autonomously determine layer-specific bed-lifting speeds.
Experimental validation confirmed that the learned policies effectively identified stable operating conditions even for mechanically fragile composite structures, showing clear reductions in localized stresses and improved printing success rates compared with fixed-speed conditions.
To further mitigate light-scattering and cumulative exposure issues inherent to composite resins, a three-dimensional curing simulation model was developed using a Gaussian PSF–based optical diffusion model, a Beer–Lambert attenuation model, and parameter identification through Jacob’s working curve. This simulator was integrated into the reinforcement learning environment, where grayscale values at the patch level were defined as actions and optimized to minimize layerwise curing error. The learned grayscale distributions significantly reduced over-cured regions compared with the uniform grayscale-255 condition, improving geometric fidelity and preventing channel occlusion in printed gyroid structures.
Overall, this study demonstrates a process optimization system that quantitatively evaluates physical phenomena in VPP printing and autonomously improves these metrics through reinforcement learning. The simulation-driven learning approach eliminates the need for extensive pre-acquired datasets and ensures broad applicability across diverse geometries and composite material systems. The proposed framework provides a foundation for automated composite-based DLP printing and future development of shape-adaptive, material-aware optimization strategies.

국문 초록 (Abstract)

복합소재 기반 VPP(Vat Photopolymerization) 공정에서는 재료 점도 증가와 필러로 인한 광산란 발생으로 인해 출력 안정성과 형상 정밀도가 동시에 저하되는 문제가 나타난다. 이러한 문제는 층별 박리 과정에서 발생하는 분리력 증가, 누적 노광(cumulative exposure)에 의한 경계부 과경화(over-cure), 채널 막힘 및 형상 왜곡 등 다양한 형태로 나타난다. 기존에는 공정 변수 조정이나 경험적 보정을 통해 문제를 완화하려는 접근이 시도되어 왔으나, 형상과 재료가 바뀔 때마다 다시 조건을 탐색해야 한다는 점에서 한계가 있다.
본 연구에서는 이러한 문제를 통합적으로 해결하기 위해 물리 기반 시뮬레이션과 강화학습을 결합한 공정 최적화 프레임워크를 제안하였다. 먼저, 층별 단면적, 점성 특성을 고려한 분리력 모델을 구축하고, 유한요소해석(FEA)을 통해 박리 과정에서 발생하는 응력을 정량화하였다. 이러한 물리 모델을 강화학습 보상 구조에 반영하여, 에이전트가 층별로 상이한 베드 상승 속도를 선택하도록 학습시킴으로써 구조적 취약성이 큰 복합소재 기반 형상에서도 안정적인 출력 조건을 자동으로 도출할 수 있음을 확인하였다. 실제 실험 결과, 고정된 상승 속도를 사용하는 기존 공정 대비 국부 응력 완화 효과가 뚜렷하게 나타났으며 출력 성공률 또한 향상되었다.
또한 복합레진의 광산란 및 누적 노광 문제를 개선하기 위해, Gaussian PSF 기반 광 확산 모델, Beer–Lambert 감쇠 모델, Jacob’s working curve에 기반한 파라미터 식별 과정으로 구성된 3차원 경화 시뮬레이션 모델을 구축하였다. 이를 강화학습 환경과 통합하여 픽셀 패치 단위 grayscale을 action으로 정의하고, 각 층의 경화 오차를 최소화하는 방향으로 마스크 이미지를 조정하도록 학습을 수행하였다. 학습된 grayscale 분포는 기존 grayscale 255 대비 과경화 영역을 두드러지게 줄였으며, gyroid 구조 채널 막힘 현상이 감소하는 등 출력 정밀도가 향상되는 결과를 확인하였다.
본 연구는 VPP 공정에서 발생하는 물리적 현상을 기반으로 출력 품질을 정량적으로 평가하고, 강화학습을 통해 해당 평가 지표를 스스로 개선하도록 학습하는 공정 최적화 시스템을 제시하였다는 데에 의의가 있다. 또한 시뮬레이션 기반 학습을 통해 사전 데이터 구축 없이 다양한 형상과 복합소재 조건에 적용할 수 있는 확장성을 확보하였으며, 향후 복합소재 기반 DLP 공정의 공정 자동화 및 형상 맞춤형 최적화 전략 개발로 이어질 수 있는 기반을 마련하였다.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 5
• 2.1 적층 제조(Additive Manufacturing) 5
• 2.1.1 VPP(Vat Photopolymerization, 광중합 방식) 7
• 2.1.2 복합소재 기반 VPP 공정 및 이슈 12
• 2.2 강화학습(Reinforcement Learning, RL) 16
• 2.2.1 강화학습의 기본 원리 16
• 2.2.2 Proximal Policy optimization(PPO) 18
• 3. 재료 및 실험장치 구성 19
• 3.1 장비 및 공정 구성 19
• 3.2 재료 구성(Materials) 19
• 3.3 시편 모델 및 프린팅 조건 19
• 4. 연구결과 및 고찰 21
• 4.1 강화학습 최적화 기반 경화층 분리력 저감 21
• 4.1.1 레진 점성 유동 분리력에 의한 결함 정의 21
• 4.1.2 DLP 프린터 분리 공정을 반영한 FEA 해석 모델 개발 22
• 4.1.3 FEA-강화학습 통합 최적화 메커니즘 23
• 4.1.4 강화학습 적용 결과 및 하이퍼파라미터 튜닝 26
• 4.1.5 격자 구조에 대한 강화학습 기반 DLP 공정 최적화 검증 29
• 4.2 강화학습 최적화 기반 출력 정밀도 향상 34
• 4.2.1 광학적 요인에 의한 결함 정의 34
• 4.2.2 광 산란을 반영한 경화 시뮬레이션 변수 구하기 35
• 4.2.3 파이썬 기반 경화 시뮬레이션 모델 개발 42
• 4.2.4 강화학습 모델 구현 및 하이퍼파라미터 설정 42
• 4.2.5 경화 시뮬레이션-강화학습 통합 최적화 메커니즘 45
• 4.2.6 강화학습 적용 결과 46
• 5. 결론 51
• 참고 문헌 53
• 영문 초록 58