AI 기반 정밀성으로 레이저 기반 3D 금속 프린팅 혁신

3D 프린팅이나 적층 제조 분야에서 레이저 기반 금속 가공은 복잡한 구성 요소를 자동화, 정밀하고 빠르게 생산할 수 있는 인기 있는 기술입니다.

레이저 기반 금속 가공은 레이저를 에너지원으로 사용하여 금속을 조작하는 것을 포함합니다. 레이저는 증폭된 빛줄기 또는 전자기파로, 발산이 거의 없이 직선으로 전파될 수 있습니다. 

이러한 특성으로 인해 레이저는 재료 가공, 기계 가공, 접합, 표면 처리 등에 매우 유용하게 사용됩니다. 적층 제조에서는 레이저를 사용하여 재료를 녹이고 층층이 부품을 제작합니다.

적층 제조는 단순히 제품을 한 겹씩 쌓아 올리는 기술입니다. 가공이 용이하다는 장점 덕분에 플라스틱을 재료로 사용하면서 시작되었지만, 이제는 금속 재료를 포함한 모든 종류의 재료를 포함하는 기술로 발전했습니다.

금속 재료는 뛰어난 전기 전도성, 높은 강도, 연성, 녹는점 등의 매력적인 특성으로 잘 알려져 있어 생의학, 에너지, 건축, 군사 분야에서 매우 유용합니다. 

금속 레이저 가공은 높은 에너지 밀도, 좁은 열영향부, 그리고 적은 오염이라는 고유한 이점을 제공합니다. 이러한 이유로 레이저 공정은 다양한 분야에서 사용되고 있으며, 특히 최고의 정밀도와 높은 맞춤 제작이 요구되는 분야에서 더욱 그렇습니다. 하지만 레이저 가공에는 고유한 복잡성과 기술적 어려움이 따릅니다. 

"레이저 기반 공정을 유연하게 활용하고 일관된 결과를 얻을 수 있도록, 우리는 이러한 공정에 대한 이해, 모니터링, 제어를 더욱 강화하기 위해 노력하고 있습니다."

– Empa의 고급 재료 가공 연구실 연구 그룹 리더인 Elia Iseli

이러한 목표를 가지고, 툰에 있는 Empa의 연구원 Giulio Masinelli와 Chang Rajani는 머신 러닝을 사용하여 레이저 기반 제조 기술을 보다 접근 가능하고, 저렴하고, 효율적으로 만들고 있습니다.

레이저 파우더 베드 퓨전(PBF-LB)의 장점과 과제 이해

레이저 기반 금속 가공 분야에서 분말 베드 퓨전(Powder Bed Fusion)은 널리 사용되는 기술로, 레이저를 사용하여 정확한 지점에 금속 분말의 얇은 층을 녹이고 이를 모두 용접하여 최종 구성품을 생산하는 방식입니다.

한편, 레이저 빔을 이용한 파우더 베드 퓨전(PBF-LB)은 최근 몇 년 동안 많은 주목을 받고 있는 특수 기술입니다. 이 탁월한 적층 제조 기술에서는 매우 높은 출력을 방출하는 레이저를 사용하여 금속 분말을 층별로 특수 용융한 후, 이를 혼합하여 맞춤형의 고정밀 부품을 제작합니다. 

이 기술을 사용하면 복잡한 기하학적 형태를 제작하는 동시에 맞춤형 기능을 제공하고 재료 효율성을 보장할 수 있습니다. 

이러한 특성으로 인해 PBF-LB는 가볍고 복잡한 부품, 개인화된 디자인, 정밀성, 무게 감소, 빠른 프로토타입 제작이 각각 필요한 자동차, 의료, 항공우주, 소비재 산업에 특히 유용합니다. 

이 기술은 다재다능하고 효율적이지만, 보다 폭넓게 채택되고 최적화를 달성하는 데에는 여러 가지 장애물에 직면합니다.

여기에는 사용되는 금속 분말에 대한 이상적인 처리 프레임워크를 식별하는 데 어려움이 포함됩니다.

"같은 원료 분말을 새로 만들더라도 완전히 다른 설정이 필요할 수 있습니다."

– 마시넬리

이 기술에서 금속 용해에 필요한 고에너지 입력은 실제로 부품의 품질에 부정적인 영향을 미치는 복잡한 물리적 메커니즘을 생성합니다. 이러한 메커니즘에는 재료 특성의 불일치, 대기 가스의 영향, 그리고 레이저와 증기 플룸의 상호작용이 포함됩니다. 이러한 모든 현상은 매개변수 식별에 문제를 야기합니다.

이는 주로 두 가지 모드 때문입니다. 하나는 금속이 바로 용융되는 전도 모드로, 얇고 정밀한 부품에 적합합니다. 다른 하나는 금속이 경우에 따라 기화될 수 있는 키홀 모드입니다. 키홀 모드는 속도는 빠르지만 정밀도가 낮아 두꺼운 부품에 적합합니다.

그러나 이러한 모드 간의 경계는 다양한 매개변수에 따라 달라지며, 최종 제품에서 최상의 품질을 달성하려면 처리되는 재료에 따라 달라지는 올바른 설정이 필요합니다. 

재료와 레이저 사이의 복잡한 상호작용으로 인해 공정은 아주 작은 변화에도 민감하게 반응하여 생산 과정에서 문제를 야기할 수 있으며, 이는 시간과 자원을 많이 소모하게 만듭니다. 따라서 PBF-LB는 일관된 결과를 얻기 위해 매개변수를 정밀하게 조정해야 합니다.

여기서 끝나지 않습니다. 이 단계에서 생성된 샘플은 미세 구조 분석, 밀도 측정, X선 컴퓨터 단층촬영(CT) 등 다양한 기술을 사용하여 분석됩니다. 

이러한 방법은 PBF-LB 부품의 품질과 성능을 평가하는 데 중요한 내부 구조에 대한 자세한 정보를 제공하고 결함을 찾아내지만, 비용이 많이 들고 시간이 많이 소요될 뿐만 아니라 전문 장비와 전문가 지식이 필요합니다.

"그래서 많은 회사가 애초에 PBF를 도입할 여유가 없는 겁니다."

– 마시넬리

이러한 모든 문제를 해결하기 위해 Empa의 연구자들은 머신 러닝을 활용하여 레이저 공정을 더 효율적이고, 비용 효율적이며, 정확하게 만들었습니다.

여기를 클릭하여 적층 제조가 산업을 어떻게 변화시키고 있는지 알아보세요.

금속 3D 프린팅에서 실시간 제어를 위한 AI 활용

샘플 분석을 위해 연구자들은 음향 방출(AE), 고속 열화상, 광학 센서와 같은 센서를 사용한 실시간 모니터링 방법을 도입했습니다.

실시간 모니터링은 제조 공정 중 바람직하지 않은 상황을 감지할 수 있기 때문에 선택되었습니다. 이를 통해 즉각적인 조정이 가능해지고, 결함을 제거하고 재용해하여 자원을 절약할 수 있습니다. 

이러한 실시간 모니터링 기술은 일반적으로 머신 러닝(ML) 알고리즘을 기반으로 합니다.

인공지능(AI)의 한 분야인 머신러닝(ML)은 데이터로부터 학습하는 통계적 알고리즘 개발과 관련이 있습니다. 이러한 알고리즘은 고차원 데이터에서 의미 있는 패턴을 추출하여, 금속 가공의 경우 복잡한 물리적 모델을 명시적으로 프로그래밍하지 않고도 부품 품질에 대한 예측을 수행합니다.

하지만 이러한 AI 접근 방식에도 한계가 있습니다. 모델이 공정 체계가 아닌 공정 매개변수의 변화를 감지하고 결함 발생을 감지하도록 학습하는 것이 과제입니다.

시간 경과에 따른 기계 매개변수의 자연스러운 변동 또한 이러한 모델의 일반화에 장애가 되어, 실제 제조 환경에서 AI 모델의 실질적인 적용 가능성을 제한합니다. 또한, 특수 장비가 필요하고 여러 매개변수로 인해 복잡해지는 자동화 관련 문제도 있는데, 이러한 문제들을 탐구하는 것 역시 어렵고 많은 자원을 필요로 합니다.

최적의 조건을 식별하고 기본적인 용융 체계를 이해하기 위해 여러 공정 변수를 고려하여 PBF 매개변수 공간을 자율적으로 탐색할 수 있는 알고리즘이 분명히 필요합니다.

이러한 필요성은 이제 Empa의 연구자들에 의해 해결되고 있습니다. 이들은 레이블이 지정된 데이터나 광범위한 후처리 분석이 필요 없이 융해 영역 식별에 초점을 맞춘 비지도 광학 데이터 수집을 활용하는 새로운 방법을 제안했습니다.

PBF-LB 매개변수 최적화를 위한 비지도 학습 구현

Empa 연구자들이 개발한 새로운 비지도 기술은 용융 영역에 가장 큰 영향을 미치는 것으로 확인된 레이저 출력과 스캐닝 속도라는 두 가지 주요 매개변수에 초점을 맞춥니다.

의 초점은 공부¹ 이 두 가지 매개변수에 기반하여, 이 기술은 추가적인 공정 매개변수에도 사용될 수 있습니다. 향후 연구진은 가스 유량, 해치 간격, 층 두께를 알고리즘에 통합하여 PBF-LB 매개변수 공간을 더욱 포괄적으로 탐색할 계획입니다.

현재로서는 제안된 방법이 전도 모드와 키홀 모드 사이의 전환을 정확하게 지적하고 있다.

비지도 학습 방식은 레이블이 지정된 데이터에 의존하지 않고도 처리 맵을 추출할 수 있는 기반을 제공하며, 레이블이 지정된 데이터를 얻는 것이 비용과 노력이 많이 드는 PBF-LB에서 상당한 이점을 제공합니다.

이 연구는 실제로 이러한 기초를 바탕으로 구축되었으며, 능동 학습(가장 유익한 데이터 포인트 선택)과 베이지안 최적화(확률적 모델을 활용한 반복적 샘플링 전략)의 일부를 결합하여 효율적으로 처리 맵을 도출하는 독창적인 방법을 소개합니다.

이 접근 방식의 차별점은 아무런 데이터 없이 시작한 다음 각각의 새로운 실험을 수행할 위치를 결정하여 점진적으로 데이터 세트를 구축한다는 것입니다. 이를 통해 실험 과정을 최적화할 수 있습니다.

특히, 반복적인 접근 방식을 사용하여 개선했음에도 불구하고, 이 모델은 레이블이 지정된 데이터가 필요하지 않기 때문에 프로세스 전반에 걸쳐 비지도 학습을 유지합니다. 융해 영역을 식별하기 위해 이 알고리즘은 광학 데이터에서 추출한 특징을 활용하며, 그 결과를 바탕으로 가우시안 프로세스 분류기(GPC)를 학습시켜 지도의 확률적 추정값을 제공합니다. 

반복적 측면의 경우, 알고리즘은 예측에 불확실성이 높은 필드를 기반으로 새로운 시도 설정을 선택하여 처리 맵의 추정치를 개선합니다.

기본적으로, 이 알고리즘은 레이저 장비에 이미 내장된 광학 센서의 데이터를 사용하여 테스트 실행 중 레이저가 어떤 용접 모드에 있는지 감지하도록 학습됩니다. 이를 기반으로 알고리즘은 다음 테스트의 매개변수를 설정합니다.

마시넬리는 "저희 알고리즘을 통해 비전문가도 PBF 장비를 사용할 수 있기를 바랍니다."라고 말했습니다. 제조업체가 레이저 용접기 펌웨어에 이 알고리즘을 통합하기만 하면 됩니다.

PBF-LB 애플리케이션에서 AI 모델의 효과성 평가

연구자들이 도입한 새로운 알고리즘은 PBF-LB의 폭넓은 채택을 제한하는 광범위한 매개변수 조정의 필요성을 없애고, 포토다이오드의 데이터를 사용하여 융해 영역을 독립적으로 식별합니다.

연구팀은 실험실에서 테스트한 결과, 이 방법이 매우 정확하다는 것을 발견했으며, 두 가지 재료에 걸쳐 1%의 F89.2 점수를 달성했습니다. 연구자들은 성능을 평가하기 위해 두 가지 재료로 여러 부품을 인쇄했습니다. 

첫 번째는 Ti-6Al-4V로, 가장 널리 사용되는 (알파-베타) 티타늄 합금 중 하나로, 뛰어난 내식성과 높은 비강도를 자랑합니다. 두 번째는 316L 스테인리스강으로, 316 스테인리스강의 저탄소 버전으로 식품 가공, 제약 장비, 의료 기기, 보석, 고급 시계, 폐수 처리 및 화학 산업에 널리 사용됩니다.

특히, 연구팀은 알고리즘의 예측을 검증하기 위해 멜트풀 검사를 실시했습니다. 

평가 결과, 이 접근법은 두 금속 모두에서 실험 시행의 필요성을 67% 줄이는 동시에 견고한 성능을 유지하는 것으로 나타났습니다. 이는 매개변수 탐색 비용을 크게 절감할 수 있습니다. 한편, 기존의 완전 요인 실험 설계와 비교했을 때 F8.88 점수는 최대 1% 감소했습니다.

연구 내용은 다음과 같습니다.

"이러한 결과는 고급 제조 공정을 위한 자율 처리 맵 도출 맥락에서 우리 방법의 효율성을 강조합니다." 

연구진은 본 연구에서 도입된 방법이 PBF-LB의 효율성과 신뢰성을 "크게 향상시킬" 수 있다고 믿으며, 이를 통해 다양한 분야에서 전반적인 효과를 향상시켜 더 광범위한 도입으로 이어질 수 있다고 밝혔습니다. 연구에 따르면,

"저희의 연구 결과는 이 방법이 PBF-LB 최적화를 간소화하여 산업 응용 분야에 더욱 적합하게 만들고 보다 폭넓게 채택할 수 있는 길을 열어줄 잠재력이 있음을 보여줍니다." 

AI와 FPGA 통합을 통한 레이저 용접 공정 개선

연구진은 예비 실험을 최적화하는 것 외에도 또 다른 프로젝트에서 용접 공정을 개선했습니다. 

레이저 용접의 경우, 이상적인 설정을 적용하더라도 공정은 여전히 ​​예측할 수 없는 편차를 초래할 수 있으며, 사소한 편차라도 제품에 심각한 결함을 초래할 수 있습니다.

연구원 라자니는 "현재로선 실시간으로 용접 공정에 영향을 미치는 것은 불가능합니다."라고 말하며, "이것은 인간 전문가의 능력을 넘어서는 일입니다."라고 덧붙였습니다.

– 연구원 라자니

사실, 컴퓨터조차도 데이터를 검토하고 결정을 내리는 속도에 어려움을 겪습니다. 연구원들은 여기서 특수 유형의 컴퓨터 칩을 사용했습니다.

이 칩은 필드 프로그래머블 게이트 어레이(FPGA)라고 불리며, 고성능 컴퓨팅(HPC) 및 프로토타입 제작을 위해 설계되었습니다. 제조사에서 출시된 후에도 하드웨어를 물리적으로 변경하지 않고도 다양한 사용 사례에 맞게 프로그래밍하여 조정할 수 있습니다. 뛰어난 다재다능함과 고성능 덕분에 항공우주, 자동차, 통신 산업에서 매우 중요한 역할을 합니다.

마시넬리는 다음과 같이 말했습니다.

"FPGA를 사용하면 명령을 언제 실행할지, 실행하는 데 얼마나 걸리는지 정확히 알 수 있습니다. 이는 기존 PC에서는 불가능한 일입니다." 

연구진은 FPGA를 PC에 연결하여 "백업 브레인" 역할을 수행했습니다. 칩이 레이저 매개변수를 관찰하고 제어함에 따라, 이 데이터는 PC의 알고리즘 학습에도 활용됩니다.

"PC의 가상 환경에서 알고리즘의 성능에 만족한다면, 이를 FPGA로 '전송'하여 칩을 한꺼번에 더욱 지능적으로 만들 수 있습니다."

– 마시넬리

연구진은 머신러닝과 인공지능(AI)이 레이저 기반 금속 가공에 크게 기여할 수 있는 잠재력을 가지고 있다고 믿습니다. 따라서 다른 연구 그룹 및 업계 파트너들과 협력하여 알고리즘과 모델을 지속적으로 개발하고 적용 분야를 확장해 나갈 것입니다.

3D 프린팅 기술 투자 기회 탐색

현재 금속 적층 설계 및 제조 분야의 핵심 업체는 Colibrium Additive입니다. 일반 전기 회사 (GE )현재는 GE Aerospace라는 이름으로 사업을 하고 있습니다. 

이전에는 GE Additive로 알려졌으나 작년 여름에 Colibrium Additive로 재출시되었으며, 리브랜딩의 일환으로 Concept Laser와 Arcam EBM은 폐기되었습니다.

"회사명을 변경하는 동안에도 저희는 고객, 품질, 그리고 신뢰성에 대한 확고한 의지를 유지해 나갈 것입니다. 앞으로도 적층 제조 산업을 선도하며 긍정적인 변화를 만들어 나갈 것입니다."

– CEO 알렉산더 슈미츠

제너럴 일렉트릭 (GE )

Colibrium Additive에서 제공하는 3D 프린터로는 EB-PBF(Electron Beam Powder Bed Fusion) 프린터, L-PBF(Laser Powder Bed Fusion) 프린터, Binder Jet 프린터 등이 있습니다. 

회사의 시장 실적을 살펴보면, 지난 몇 년 동안 정말 큰 발전을 이루었습니다. 

시가총액이 260억 달러를 넘는 GE 주가는 현재 약 244달러에 거래되고 있으며, 이는 올해 46%나 급등한 수치입니다. GE 주가는 290년에 기록했던 약 2000달러의 고점에 빠르게 근접하고 있습니다. 주당순이익(EPS, TTM)은 6.35, 주가수익비율(P/E, TTM)은 38.46이며, 주주에게 배당 가능한 배당수익률은 0.59%입니다.

한편, GE의 1년 2025분기 재무제표에 따르면 총 수익은 9.9억 달러로 11% 증가했고, 총 주문량은 12% 급증해 12.3억 달러를 기록했습니다.

CEO H. 로렌스 컬프 주니어는 2025년의 강력한 시작은 상업 서비스 덕분이라고 말하면서, 회사가 비용 통제 및 이용 가능한 무역 프로그램 활용과 같은 전략적 조치를 취해야 하는 거시경제적 역학에 대해서도 언급했습니다.

38년 1분기 영업이익은 25% 급증한 2.1억 달러를 기록했고, 조정 주당순이익(EPS)은 60% 증가한 1.49달러를 기록했습니다. 이 기간 동안 GE는 신고 영업활동현금흐름(GAAP)은 1.5억 달러였고, 잉여현금흐름은 14% 증가한 1.4억 달러를 기록했습니다. 또한, 회사는 140억 달러가 넘는 상업 서비스 잔고를 보고했습니다.

이러한 모든 상황 속에서 Propulsion & Additive Technologies는 1%만 성장했는데, 회사 측은 장비 판매의 계획된 침체로 인한 출하량 감소를 가격과 물량이 상쇄했다고 밝혔습니다.

GE는 올해 연례 보고서에서 "기술 도입이 더디어 적층 제조 산업이 쇠퇴하고 있다"고 언급했지만, 동시에 "GE Aerospace가 가장 큰 가치를 창출할 수 있는 분야에 계속 집중함에 따라 Colibrium Additive가 현재 및 미래 기술을 위한 중요한 사업"이라고 언급했습니다.

최신 제너럴 일렉트릭(GE) 주식 뉴스 및 동향

맺음말

AI가 지속적으로 발전하고 산업을 변화시키는 가운데, AI는 프로세스 최적화를 가속화하고 실시간 적응성을 지원함으로써 현대 제조업에서 무엇이 가능한지 재정의하는 데에도 도움이 됩니다. 

PBF에서 매개변수 튜닝 및 결함 감지와 관련된 시간과 비용을 크게 줄이고 레이저 용접에서 실시간 제어를 달성함으로써 레이저 기반 적층 제조는 보다 폭넓게 채택될 준비가 되어 있으며, 효율적이고 접근성이 뛰어나며 맞춤형 생산의 새로운 시대를 여는 길을 열어갈 것입니다.

여기를 클릭하면 최고의 3D 프린팅 주식 목록을 볼 수 있습니다.

참고 연구:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). PBF-LB 매개변수 공간의 자율 탐색: 자동화된 처리 맵 생성을 위한 불확실성 기반 알고리즘. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}