• 와전류 검사(Eddy current testing, ECT) 시스템에 대해 기계 학습을 사용하여 수행한 조사(investigations)의 데이터 출처와 조사 성격을 상세히 기술하였다. • ECT 데이터를 수집하는 데 사용된 다양한 유형의 프로브/감지 요소를 규명하였다. • 기계 학습 모델을 훈련하기 위해 사용된 ECT 데이터셋의 특성을 살펴보았다. • 다양한 특징 추출(feature extraction) 접근법을 분석하였다. • ECT 시스템 내 서로 다른 조사 영역에서 사용된 다양한 유형의 기계 학습 모델을 검토하였다. • ECT 시스템에 대한 기계 학습 모델의 성능 지표, 하이퍼파라미터 최적화, 교차 검증(cross validations), 불확실성 정량화 및 검증(verification and validation)을 평가하였다. • 연구 공백을 논의하고 향후 방향을 제안하였다. 와전류 검사(ECT)는 재료를 평가하기 위한 확립된 비파괴 검사(non-destructive evaluation, NDE) 기법이다. 지난 10년 동안 기계 학습(ML)은 여러 분야를 혁신해 왔으며, ECT도 예외가 아니다. ECT 시스템에서 ML의 핵심은 공정의 가능한 in-situ 모니터링을 위해 일부 분석을 자동화하고, 해석 과정에서 작업자(operator)의 부담을 완화하는 데 있다. ML과 ECT의 결합은 새롭지 않지만, 최근의 기계 학습 발전으로 인해 ECT 시스템에 대한 ML의 현재 잠재력을 평가하고, 자동화된 데이터 분석을 위한 공백과 한계가 있는지 확인할 필요가 있다. 따라서 본 논문은 ECT 데이터를 자동 분석하기 위해 기계 학습을 사용하는 현행 방법들에 관한 문헌 조사의 결과를 논의한다. ECT 시스템에 대한 기계 학습의 적용은 데이터 수집으로 시작하여 ML 모델의 성능에 대한 검증과 검증(verification and validation)으로 끝나는 일반적인 워크플로우 방식으로 기술된다. ML과 ECT의 결합에서의 잠재적 적용 영역에 대한 결과뿐 아니라 한계와 잠재적 공백도 함께 논의된다. 또한 본 연구는 공통 데이터셋, 표본 크기(sample size) 결정, 그리고 ML 모델의 불확실성 정량화의 필요성을 제시한다.

샷 피닝(shot peening)은 표면 처리 공정으로, 재료의 피로 수명을 향상시키고 표면에 잔류응력을 생성하여 균열을 억제한다. 주입된 소형 샷은 재료 표면에 압축 잔류응력 층을 형성한다. 최대 압축 잔류응력은 특정 깊이에서 발생하며, 깊이가 증가함에 따라 인장 잔류응력이 점진적으로 나타난다. 이 공정은 주로 항공우주 산업 및 원자력 분야와 같은 특정 환경에서 니켈 기반 초내열합금 강재 재료에 사용된다. 고온·고압 환경으로 인한 이러한 중대한 사고를 방지하기 위해서는 샷 피닝된 재료의 잔류응력을 평가하는 것이 재료의 건전성을 평가하는 데 필수적이다. 잔류응력을 평가하기 위한 대표적 방법으로는 관통(천공) 변형률 게이지 분석, X선 회절(X-ray diffraction, XRD), 초음파 검사(ultrasonic testing) 등이 있다. 그중 초음파 검사는 대표적인 비파괴 평가 방법이며, Rayleigh 파를 이용해 잔류응력을 추정할 수 있다. 따라서 본 연구에서는 Rayleigh 파의 분산과 시편에서의 응력 분포 간의 관계를 기반으로 한 예측 합성곱 신경망(convolutional neural network, CNN)을 사용하여, 피닝 처리된 Inconel 718 시편의 최대 압축 잔류응력 값을 예측하였다. 문헌의 다양한 연구로부터 모델에서 생성된 깊이 방향 잔류응력 분포를 분석하여 가우스 함수(Gaussian function)와 요인설계(factorial design) 접근법을 사용해 173개의 잔류응력 분포를 생성하였다. 관계식을 사용해 생성된 분포를 CNN 모델의 데이터베이스로 활용하기 위한 173개의 Rayleigh 파 분산 데이터로 변환하였다. 이후 CNN 모델은 이 데이터베이스를 통해 학습하였고, 성능은 검증 데이터로 확인하였다. 채택된 Rayleigh 파 분산 및 합성곱 신경망 절차는 피닝 처리된 시편에서 최대 압축 잔류응력을 예측할 수 있는 능력을 보여주었다.