• 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.

샷 피닝(shot peening)은 재료의 표면을 고속으로 작은 구형 금속 샷으로 충격하여 잔류응력을 형성하는 공정이다. 니켈 기반 초합금은 높은 강도와 경도를 가지면서도 우수한 내식성 및 내피로성을 지니므로 원자력 발전소와 항공우주 분야에 사용된다. 니켈 기반 초합금인 INCONEL에 샷 피닝을 적용하는 연구가 활발히 진행되어 왔으며, 잔류응력의 측정에 대한 연구 역시 이루어져 왔다. 선행 연구에서는 잔류응력을 측정하기 위해 천공(strain) 변형률 게이지 분석 및 X선 회절(XRD)과 같은 방법을 사용하였는데, 이는 높은 정확도로 평가할 수 있으나 시편을 손상시키고 방사선으로 인해 작업자 안전에 중요한 위험이 수반된다. 반면, 초음파 검사(UT)는 초음파를 활용하며 상대적으로 단가가 낮고 검사 시간이 짧다는 장점이 있다. 한 가지 UT 방법인 최소 반사(minimum reflection) 측정은 레일리(Rayleigh) 파동을 사용하여 재료 표면의 특성을 평가한다. 따라서 본 연구에서는 초음파 최소 반사율 측정을 이용하여 INCONEL 시편의 잔류응력을 평가하였다. 구체적으로, 본 연구는 초음파 최소 반사 측정을 사용하여 INCONEL 718 시편의 잔류응력을 평가하였다. 또한, 획득한 데이터를 이용하여 깊이에 따른 잔류응력을 추정하기 위해 지수함수를 사용하는 추정 방정식을 가정하였고, 이를 결정하기 위해 최적화 문제를 풀었다. 마지막으로, 추정된 잔류응력 그래프를 평가하기 위해 시편의 잔류응력을 XRD 방법으로 측정하고 비교하였다.

산업 및 건설 현장에서 사용되는 압연 탄소강 시트는 압연 밀(rolling mill)에서 두 개의 회전 롤 사이로 금속 소재를 통과시켜 성형하며, 작업 롤(work roll)은 압연 밀의 핵심 부품이다. 작업 롤이 가공물과 직접 접촉하기 때문에 공정 품질은 그 표면 무결성(surface integrity)에 매우 민감하며, 이는 거친 절삭(rough cutting)과 마무리 절삭(finish cutting)을 통해 유지된다. 작업 롤의 표면을 거친 절삭한 후에는 초음파 검사(ultrasonic inspection)가 흔히 수행된다. 초음파 검사 신호는 표면 및 그 아래에서 반사된 신호로 구성된다. 피하(subsurface) 결함의 크기에 따라 마무리 절삭의 두께가 결정된다. 표면 가까이에 위치한 결함에 의해 반사된 신호는 작업 롤 표면에서 기인한 신호와 중첩되며, 이를 초음파 데드 존(ultrasonic dead zone)이라 하고 결함 검출을 어렵게 만든다. 데드 존에서 수집된 신호로는 결함을 육안으로 검출할 수 없으므로, 마무리 절삭은 통상 데드 존 깊이까지 수행된다. 이는 불필요한 비용과 공정 시간을 요구하므로 개선이 필요하다. 따라서 본 연구에서는 작업 롤 검사 중 초음파 데드 존에서의 결함 검출 성능을 향상시키기 위해 합성곱 신경망(convolutional neural network)을 사용하였다.

• 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.

샷 피닝(shot peening)은 재료의 표면을 고속으로 작은 구형 금속 샷으로 충격하여 잔류응력을 형성하는 공정이다. 니켈 기반 초합금은 높은 강도와 경도를 가지면서도 우수한 내식성 및 내피로성을 지니므로 원자력 발전소와 항공우주 분야에 사용된다. 니켈 기반 초합금인 INCONEL에 샷 피닝을 적용하는 연구가 활발히 진행되어 왔으며, 잔류응력의 측정에 대한 연구 역시 이루어져 왔다. 선행 연구에서는 잔류응력을 측정하기 위해 천공(strain) 변형률 게이지 분석 및 X선 회절(XRD)과 같은 방법을 사용하였는데, 이는 높은 정확도로 평가할 수 있으나 시편을 손상시키고 방사선으로 인해 작업자 안전에 중요한 위험이 수반된다. 반면, 초음파 검사(UT)는 초음파를 활용하며 상대적으로 단가가 낮고 검사 시간이 짧다는 장점이 있다. 한 가지 UT 방법인 최소 반사(minimum reflection) 측정은 레일리(Rayleigh) 파동을 사용하여 재료 표면의 특성을 평가한다. 따라서 본 연구에서는 초음파 최소 반사율 측정을 이용하여 INCONEL 시편의 잔류응력을 평가하였다. 구체적으로, 본 연구는 초음파 최소 반사 측정을 사용하여 INCONEL 718 시편의 잔류응력을 평가하였다. 또한, 획득한 데이터를 이용하여 깊이에 따른 잔류응력을 추정하기 위해 지수함수를 사용하는 추정 방정식을 가정하였고, 이를 결정하기 위해 최적화 문제를 풀었다. 마지막으로, 추정된 잔류응력 그래프를 평가하기 위해 시편의 잔류응력을 XRD 방법으로 측정하고 비교하였다.

산업 및 건설 현장에서 사용되는 압연 탄소강 시트는 압연 밀(rolling mill)에서 두 개의 회전 롤 사이로 금속 소재를 통과시켜 성형하며, 작업 롤(work roll)은 압연 밀의 핵심 부품이다. 작업 롤이 가공물과 직접 접촉하기 때문에 공정 품질은 그 표면 무결성(surface integrity)에 매우 민감하며, 이는 거친 절삭(rough cutting)과 마무리 절삭(finish cutting)을 통해 유지된다. 작업 롤의 표면을 거친 절삭한 후에는 초음파 검사(ultrasonic inspection)가 흔히 수행된다. 초음파 검사 신호는 표면 및 그 아래에서 반사된 신호로 구성된다. 피하(subsurface) 결함의 크기에 따라 마무리 절삭의 두께가 결정된다. 표면 가까이에 위치한 결함에 의해 반사된 신호는 작업 롤 표면에서 기인한 신호와 중첩되며, 이를 초음파 데드 존(ultrasonic dead zone)이라 하고 결함 검출을 어렵게 만든다. 데드 존에서 수집된 신호로는 결함을 육안으로 검출할 수 없으므로, 마무리 절삭은 통상 데드 존 깊이까지 수행된다. 이는 불필요한 비용과 공정 시간을 요구하므로 개선이 필요하다. 따라서 본 연구에서는 작업 롤 검사 중 초음파 데드 존에서의 결함 검출 성능을 향상시키기 위해 합성곱 신경망(convolutional neural network)을 사용하였다.

원자력발전소의 CLP(containment liner plate)는 내부 시스템을 외부 환경 및 내부 압력 또는 온도의 급격한 변화로부터 보호하며, 원자력 사고 발생 시 방사성 물질이 내부와 외부로 누출되는 것을 차단하고 보호하는 구조로서 라이너 플레이트, 보강철근, 텐던, 콘크리트로 구성된다. 최근 대한민국 전역의 원자력발전소에서 라이너 플레이트 후면의 부식과 콘크리트 공극이 중대한 결함으로 대두되고 있다. 이에 본 연구에서는 개발된 이동식 탭퍼를 이용하여 위상배열 초음파탐상에 기반한 라인형 검사 방법과, 음향 공진 방식에 기반한 영역형 검사 방법을 적용한 새로운 검사 방법을 제안하였다. 음향 신호를 신호 처리하여 검사 영역에 따라 매핑 이미지로 재현하였고, 이를 통해 결함의 유형을 규명할 수 있었다. 또한 CLP 내부를 대상으로 하는 자동화된 검사 시스템을 제안하였다.

초음파 검사(UT)는 구조적 건전성을 평가하기 위해 많은 산업 분야에서 사용되는 대표적인 비파괴 검사(NDE) 기법 중 하나이다. 일반적으로 사용되는 NDE 기법은 육안 검사(VT), 침투 검사(PT), 자기 검사(MT)와 같은 기본 검사 기법과, 초음파 검사(UT), 방사선 투과 검사(RT), 와전류 검사(ECT), 위상 배열 초음파 검사(PAUT)와 같은 고급 검사 기법으로 나눌 수 있다. 이러한 다수의 고급 기법 가운데 초음파 검사(UT)는 보통 여러 산업 분야에서 용접부를 검사하는 데 사용된다. 그러나 UT의 적용에는 아직 극복해야 할 몇 가지 한계가 있다. UT의 정밀도를 저하시키는 주요 한계 중 하나는 시편의 기하학적 계면으로부터 추가로 발생하는 신호이다. UT는 초음파 빔의 반사 지시를 이용한다. 그러나 용접 계면 및 기하학으로부터의 반사 신호는 표적 결함 신호와 함께 혼합 신호를 생성한다. 검사자는 용접 건전성을 평가하기 위해 1차원 반사 결과인 초음파 A-scan을 사용한다. 혼합된 초음파 A-scan 신호는 검사자가 혼합 초음파 A-scan 신호에 포함된 결함 지시뿐 아니라 배경 신호까지도 고려하면서, 용접의 표적 결함 신호를 혼합 신호로부터 구별해야 하므로 분석이 매우 어려운 경우가 많다. 따라서 UT의 효율을 위해 결함 신호와 배경 신호를 구별하는 방법을 개발할 필요가 있다. 오토인코더(autoencoder)는 입력으로부터 특징을 추출하기 위해 고안된 인공 신경망이다. 잡음 제거 오토인코더(denoising autoencoder, DAE)는 오토인코더의 파생 모델 중 하나로, 두드러진 특징을 추출하기 위해 무작위 잡음 신호를 추가하거나 제거한다. DAE는 영상과 음향 데이터의 잡음 제거에 이미 널리 사용되고 있다. 본 연구에서는 DAE의 특성을 활용하여 초음파 결함 신호를 혼합된 초음파 A-scan 신호로부터 구별하고자 하였다. 학습을 위해, 5가지 서로 다른 유형의 결함이 삽입된 45개의 서로 다른 표준 블록에서 2463개의 혼합 A-scan 신호를 얻었다. 테스트를 위해서는 1000개의 혼합 A-scan 신호를 사용하였다. 네트워크의 성능은 점대점(point-by-point) 비교 방법을 통해 평가하였다. 오토인코더는 혼합 초음파 A-scan으로부터 배경 신호를 제거하도록 학습되었으며, 표적 결함 신호는 원래의 A-scan 신호로부터 추출되었다.

액화천연가스(LNG)는 주요한 재생에너지 자원 중 하나이며, 국제 표준에 따라 설계된 저장 탱크에 저장되고 운송된다. LNG는 공기 중의 산소와 접촉하면 매우 불안정해지기 때문에, LNG 저장 탱크의 누출은 대규모 재난성 산업사고로 이어질 수 있다. 따라서 LNG가 저장 탱크에 저장되기 전에 완료해야 할 우선순위 중 하나가 LNG 저장 탱크의 점검이다. 최근 RT의 위험이 부각됨에 따라, 위상배열 초음파 탐상(Phased Array Ultrasonic Testing, PAUT)의 활용이 점차 증가하고 있다. PAUT가 RT를 대체하기 위해서는 효율과 정확도와 같은 몇 가지 극복해야 할 장애물이 있다. 특히 비용 문제가 해결되어야 한다. 이에 따라 PAUT와 인공신경망(Artificial Neural Networks, ANN)을 결합하려는 많은 시도가 이루어져 왔다. PAUT는 검사된 용접부(weldment)에 대한 다양한 유형의 2차원(2D) 영상을 제공한다. S-스캔(S-scan)은 PAUT가 제공하는 2D 영상 중 하나로, 단일 변환기(transducer)로 시편의 단면도를 표시한다. 검사자들은 S-스캔 영상 및 PAUT에서 제공되는 다른 영상들을 검토하여 용접부에 존재하는 결함을 검출, 분류, 크기(규격)화함으로써, 결함이 있는 용접부가 허용 가능한지 여부를 판단할 수 있다. 현재까지 PAUT와 ANN에 관한 대부분의 선행 연구는 B-스캔 또는 S-스캔 영상에서의 결함 검출 및 분류에 초점을 맞추고 있다. 그러나 결함의 허용성(acceptability)을 최종적으로 판단하는 마지막 단계는 아직 다루어지지 않았다. 본 연구에서는 다양한 국제 표준에서의 PAUT 결함 허용 기준을 나열하였다. EXTENDE CIVA를 사용하여 PAUT S-스캔 영상을 생성하였다. S-스캔 영상은 나열된 허용 기준에 따라 라벨링되었으며, 이후 Mask R-CNN 학습에 사용되었다. 학습 후에는 결함이 포함된 일부 새로운 S-스캔 영상을 사용해 성능을 테스트하였고, 그 결과 정밀도 96%와 재현율 87%를 보였다. 제안한 알고리즘을 통해 용접부 내 결함의 허용성을 효율적으로 판정할 수 있으며, 이는 PAUT 사용 부담을 줄이고 전 구간(full-length) 검사에 필요한 시간을 단축할 수 있다.

에너지 밀도가 높은 리튬이온배터리는 고성능이 요구되는 고급 전기기계 응용 분야에서 사용하기에 가장 적합한 배터리이다. 리튬이온배터리의 효율을 좌우하는 중요한 구성요소 중 하나가 전극이므로, 이 접합(junction)에 대한 제조 공정은 전체 생산 과정에서 중요한 역할을 한다. 특히 전극의 저항 점(spot) 용접과 관련된 공정은 매우 중요하며, 사용자의 안전에 직접적인 영향을 미치고 배터리의 성능에도 크게 영향을 준다. 그러나 전극 탭이 케이스의 내부 표면에 점용접되기 때문에 육안(맨눈)으로는 접합부가 적절히 접합되었는지 여부를 시각적 검사로 확인할 수 없다. 따라서 비파괴 시험 방법을 사용하여 제조 공정 완료 후 전극의 저항 용접 품질을 평가하는 것이 매우 중요하다. 본 논문에서는 음극 전극 탭이 셀 캔의 내부 표면에 용접된 리튬이온배터리의 품질을 확인하기 위해 비파괴 초음파 검사 기법을 적용하였다. 실험적으로 획득한 초음파 신호 데이터베이스를 이용하여 딥러닝 기법으로 전극과 캔 간의 저항 점용접 상태를 검증하였다.