송성진 연구실은 기계공학부를 기반으로 비파괴평가(Nondestructive Evaluation, NDE) 분야에서 국내외적으로 선도적인 연구를 수행하고 있습니다. 본 연구실은 초음파, 와전류, 음향 메타물질 등 다양한 물리적 원리를 활용하여 재료 및 구조물의 결함, 손상, 열화 상태를 파괴 없이 진단하는 첨단 기술 개발에 집중하고 있습니다. 특히, 원자력 발전소, 플랜트, 철도, 항공기 등 사회 인프라의 안전성 확보와 수명 연장에 필수적인 비파괴평가 시스템의 이론적 모델링과 실험적 검증을 폭넓게 수행하고 있습니다.
연구실의 주요 연구 분야는 위상배열 초음파, 레일리파, 램파, EMAT(전자기 초음파) 등 첨단 초음파 기법을 활용한 결함 검출 및 정량 평가, 다층 구조물 및 이종금속 용접부의 진단, FEM(유한요소해석) 기반 신호 예측, 자동화된 결함 판별 알고리즘 개발 등입니다. 또한, 음향 메타물질을 이용한 초음파 집속 최적화, 고감도 센서 설계, 신호처리 및 잡음 제거 기술 등 다양한 융합 연구도 활발히 이루어지고 있습니다.
최근에는 인공지능(AI)과 딥러닝 기술을 접목하여 초음파 및 와전류 신호의 자동화된 결함 진단 시스템을 개발하고 있습니다. 신경망, 컨볼루션 신경망(CNN), 오토인코더 등 최신 AI 모델을 활용하여 신호의 잡음 제거, 결함 신호 추출, 결함 유형 분류, 결함 크기 산정 등 전 과정을 자동화함으로써 진단의 신뢰성과 효율성을 크게 향상시키고 있습니다. 이러한 기술은 대규모 데이터 처리와 실시간 평가가 필요한 산업 현장에 효과적으로 적용되고 있습니다.
연구실은 다수의 국내외 특허와 논문, 산업체 및 연구기관과의 협력 프로젝트를 통해 실용적이고 현장 적용이 가능한 비파괴평가 시스템을 개발하고 있습니다. 또한, 관련 표준화 및 전문 인력 양성에도 적극적으로 참여하여, 비파괴평가 분야의 학문적·산업적 발전에 크게 기여하고 있습니다.
송성진 연구실은 앞으로도 첨단 비파괴평가 기술의 개발과 산업 현장 적용을 선도하며, 안전하고 지속가능한 사회 인프라 구축에 핵심적인 역할을 수행할 것입니다.
비파괴평가는 재료나 구조물의 내부 결함, 손상, 열화 상태 등을 파괴하지 않고 진단하는 기술로, 기계공학, 재료공학, 원자력, 항공우주 등 다양한 산업 분야에서 필수적으로 활용되고 있습니다. 송성진 연구실은 초음파, 와전류, 음향 메타물질 등 다양한 물리적 원리를 기반으로 한 비파괴평가 기법의 이론적 모델링과 실험적 검증을 활발히 수행하고 있습니다. 특히, 초음파를 이용한 결함 검출, 표면 및 내부 결함의 정량적 평가, 잔류응력 측정 등 고도화된 진단 기술 개발에 주력하고 있습니다.
최근에는 위상배열 초음파, 레일리파, 램파, EMAT(전자기 초음파) 등 첨단 초음파 기법을 적용하여 복잡한 구조물이나 이종금속 용접부, 다층 구조물 등 기존 방법으로는 진단이 어려웠던 영역까지 평가 범위를 확장하고 있습니다. 또한, FEM(유한요소해석), 시뮬레이션 기반 신호 예측, 자동화된 결함 판별 알고리즘 등 디지털 트윈 및 인공지능 기술과의 융합을 통해 진단의 신뢰성과 정밀도를 높이고 있습니다.
이러한 연구는 원자력 발전소, 플랜트, 철도, 항공기 등 사회 인프라의 안전성 확보와 수명 연장, 유지보수 비용 절감에 크게 기여하고 있습니다. 송성진 연구실은 국내외 다양한 산업체 및 연구기관과의 협력을 통해 현장 적용이 가능한 실용적 비파괴평가 시스템을 개발하고, 관련 표준화 및 전문 인력 양성에도 힘쓰고 있습니다.
초음파 및 와전류 기반 결함 진단 자동화와 인공지능 융합
송성진 연구실은 초음파 및 와전류 신호의 자동화된 결함 진단 시스템 개발에 선도적인 역할을 하고 있습니다. 기존의 비파괴평가가 숙련된 작업자의 경험에 크게 의존했던 것과 달리, 본 연구실은 신경망, 딥러닝, 오토인코더 등 인공지능 기술을 접목하여 신호의 잡음 제거, 결함 신호 추출, 결함 유형 분류, 결함 크기 산정 등 전 과정을 자동화하고 있습니다. 이를 통해 진단의 신뢰도와 일관성을 크게 향상시키고, 대량의 데이터 처리와 실시간 평가가 가능하도록 시스템을 고도화하고 있습니다.
특히, 최근 발표 논문에서는 컨볼루션 신경망(CNN), 잔차 신경망(ResNet) 등 최신 딥러닝 모델을 활용하여 용접부, 배관, 복합재 등 다양한 구조물의 결함 신호를 효과적으로 분류하고, 미세 결함까지 정밀하게 검출하는 성과를 보이고 있습니다. 또한, 초음파 신호의 시뮬레이션 데이터와 실제 측정 데이터를 융합하여 학습 데이터셋을 구축하고, 다양한 결함 조건에 대한 일반화 성능을 확보하고 있습니다.
이러한 자동화 및 인공지능 기반 진단 기술은 산업 현장의 검사 효율성을 극대화하고, 인적 오류를 최소화하는 데 중요한 역할을 하고 있습니다. 더불어, 원격 모니터링, 온라인 상태 감시, 스마트 유지보수 등 미래형 산업 시스템과의 연계도 활발히 추진되고 있습니다.
Development of Maximum Residual Stress Prediction Technique for Shot-Peened Specimen Using Rayleigh Wave Dispersion Data Based on Convolutional Neural Network
권성덕, 김학준, 김훈희, 송성진, 송성진, 염윤택, 이기영, 이택규, 최영원
MATERIALS, 202311
2
Nondestructive Evaluation of Residual Stress in Shot Peened Inconel Using Ultrasonic Minimum Reflection Measurement
권성덕, 김학준, 김훈희, 송성진, 송성진, 염윤택, 이기영, 이택규, 최영원
MATERIALS, 202307
3
Extraction of Flaw Signals from the Mixed 1-D Signals by Denoising Autoencoder