베이지안 최적화를 활용한 L-PBF 공정의 오버행 구조 제작 품질 개선 연구 = Bayesian Optimization Framework for Improving the Quality of Overhang Structures in Laser Powder Bed Fusion

국문 초록 (Abstract)

오버행 구조는 금속 적층 제조에서 복잡한 형상 구현에 중요한 역할을 하며, 오버행 길 이가 길어질수록 열변형으로 인해 지지 구조 없는 안정적인 제작이 어려워진다. 이를 해 결하기 위해 본 연구에서는 고난이도 오버행 구조를 제작하기 위한 최적 공정 변수 탐 색을 위해 베이지안 최적화 프레임워크(Framework)를 제안한다.
첫 번째 단계에서는 경사각 5°의 오버행 구조(6, 9, 12 mm)에 대해 레이저 파워(P)와 스캔 속도(V)를 변화시키며 데이터를 수집하고, 세 가지 대리 모델을 구축하였다. 출력 성공 확률을 예측하는 가우시안 프로세스 분류(Gaussian Process Classification, GPC) 모델, P–V 조합만을 학습하여 전역적 공정 안정 맵을 제공하는 GPR1 모델, 그리고 L P–V를 모두 포함하여 국소적인 형상 변화를 정밀하게 예측하는 GPR2 모델이다. 이 세 모델은 통합 획득 함수에서 서로 보완적으로 작동하며, GPR1의 전역적 안정도, GPR2의 세밀한 예측력, 그리고 GPC의 성공 확률 정보를 결합하여 효율적으로 최적 공정 조건을 탐색한다. 이러한 1단계 프레임워크는 제한된 데이터만으로도 전역적인 안정 패턴을 포 착할 수 있으나, 실험 데이터가 존재하지 않는 길이나 공정 조합에서는 외삽 불확실성이 증가하는 한계가 존재한다. 이러한 문제를 보완하기 위해 두 번째 단계에서는 추가 실험 데이터를 기반으로 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 모델 을 구성하고, 도메인 기반 제약을 반영한 패널티(Penalty) 항을 도입하여 외삽 안정성을 향상시켰다. 이를 통해 실험 데이터가 부족한 영역에서도 물리적으로 타당한 예측이 가 능해졌으며, 이전에 실험이 수행되지 않은 조건에 대해서도 베이지안 최적화를 적용하여 지지 구조 없이 안정적으로 오버행 구조를 제작할 수 있는 공정 변수를 도출하였다

다국어 초록 (Multilingual Abstract)

This study aims to improve the quality of overhang structures in Laser Powder Bed Fuusion(L-PBF). In the first stage, experimental data were collected by varying laser power(P) and scan speed(V) for various overhang lengths at a 5° inclination angle, and three surrogate models were constructed. A Gaussian Process Classification(GPC) model predicted the probability of successful fabrication, Gaussian Process Regression1(GPR1) captured the global process stability map using only P–V combinations, and GPR2 modeled local geometric variations by incorporating length together with P and V. These models were combined into an integrated acquisition function, where the global stability from GPR1, the local predictive fidelity of GPR2, and the feasibility information from GPC worked together to efficiently explore promising process windows. Although this first-stage framework can identify global stability trends with limited data, extrapolation uncertainty increases for unseen lengths or process combinations. To improve extrapolation robustness, the second stage introduced an additional GPR model trained with supplemental experimental data, together with a domain-informed soft penalty term that embeds physical constraints into the surrogate model. This enhancement enabled physically plausible predictions and allowed Bayesian optimization to recommend process conditions that yielded stable fabrication of overhang. Overall, the proposed Bayesian optimization framework provides an effective and data-efficient approach for determining process parameters for overhang fabrication in L-PBF, with clear potential for extension to more complex geometries and broader process conditions.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 3
• 2.1 적층제조 3
• 2.1.1 적층제조의 종류와 특징 3
• 2.1.2 금속 적층제조 기술 6
• 2.2 베이지안 최적화 8
• 2.2.1 베이지안 최적화의 기본원리 8
• 2.2.2 제조 공정에서의 베이지안 최적화 적용 사례 12
• 3. 실험 방법 15
• 3.1 PBF 시스템 15
• 3.2 시편 및 실험 설계 17
• 3.3 이미지 기반 결함 정량화 방식 18
• 3.4 베이지안 최적화 환경 구현 20
• 4. 연구 내용 및 결과 20
• 4.1 PBF 공정 발생 결함 20
• 4.2 전역적으로 안정한 공정 변수 탐색을 위한 베이지안 최적화 23
• 4.2.1 예측 모델 구현 23
• 4.2.2 베이지안 최적화를 위한 획득함수 33
• 4.2.3 베이지안 최적화 결과 40
• 4.3 외삽 영역을 위한 베이지안 최적화 47
• 4.3.1 예측 모델 구현 47
• 4.3.2 획득 함수를 활용한 공정 변수 추천 52
• 4.3.3 베이지안 최적화 결과 54
• 5. 결론 61
• 참고 문헌 62
• 영문 초록 65