• 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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.