2.1 실험 방법

적층에 사용된 재료는 산화 방지를 위하여 진공에서 제조된 구형의 3.306% Si steel 분말로 D10이 19.575 μm, D50이 31.536 μm, D90이 15.140 μm를 가졌으며, 산소는 161 ppm를 가져 자성에서 불리한 조건을 최대한 억제하였다. 분말의 화학조성은 표 1에 나타내었다. L-PBF에 사용된 분말은 형상은 입도분포를 주사현미경 (Scanning electron microscopy, SEM)으로 분석하였으며, 그 결과를 그림 1에 나타내었다.

L-PBF 적층을 위해 400 Watt 레이저가 부착된 Metal 3D Printer 장비인 Cusing M1를 이용하였다.

그림 2의 L-PBF 공정 개략도와 함께 실제 L-PBF 장비 사진을 나타내었다.

L-PBF 공정 중 분말이 얇게 공급되고 레이저 빔을 이용하여 분말을 용융 및 응고시킨다. 또한 적층 시 분말 공급 및 용융풀의 산화 방지를 위해 불활성 기체인 아르곤을 사용하였다.

표 2는 본 연구에 사용된 L-PBF 공정 변수를 나타낸다. 레이저 출력을 180W, 레이저 속도를 1000 mm/s, Y축의 각도를 0°, 두께는 0.3 mm, 층을 25 μm를 기본으로 고정을 하고, 각 값을 하나씩 변화를 주어 시편을 만들었다. 축에 따른 각도는 동일한 스캔 방향에서 적층 방향이 달라짐에 따라 특성을 비교하기 위한 것이다. 또한 머신 러닝의 정합성을 높이기 위하여 파라미터 (레이저 파워, 스캔 속도, Y 축 각도)의 최대, 최소 내에서 랜덤하게 20개의 시편의 조건을 설정하여 실험을 진행하였고, 머신러닝의 결과에 포함했다. 적층 제조 후 시편의 두께는 실험 조건에 따라 일부 편차가 있으나 0.3 mm 수준의 시편을 제작하여 실험하였다.

그림 3은 적층 시 사용된 스캔 방향과 Y축으로 회전한 것에 대한 개략도를 나타내었다. 적층 방향 (Building Direction, BD)는 적층 방향을 나타내며, 스캔 방향(Scanning Direction, SD)은 분말이 쌓여 있는 스캔 방향을 직각 방향 (Transverse Direction, TD)는 SD와 BD의 수직 방향으로 정의하였다. 레이저 적층 방향은 SD 방향으로 45° 기울여 지그재그를 반복한다. 레이저 조사 시작 위치는 무작위로, 왼쪽 아래 또는 왼쪽 위에서 시작하여 지그재그로 조사된다. 그림 3(b)는 다양한 Y축 회전각(0°, 45°, 90°)에 따라 시편의 방향이 어떻게 기울어지는지를 시각화한 개략도로, 스캔 방향을 Y축으로 회전시킴에 따라 시편이 적층되는 방향 또한 달라지는 특성을 개념적으로 나타낸 것이다. 이를 통해 공정 조건 변화에 따른 시편 방향성의 변화를 이해할 수 있다.

미세조직 분석 전 경도와 조도, 비중을 측정하였다. 경도는 마이크로 비커스 경도계를 이용하였다. 하중 300 f를 10초 동안 압입하여 생긴 압흔의 단면적을 측정하였고, 시편 당 3~5번을 진행하여 값의 평균을 시편의 미소 경도로 고려하였다. 기공의 부피를 확인하기 위하여 아르키메데스 원리를 이용한 비중을 통해 밀도를 측정한다. 물체를 유체에 넣었을 때 물체가 받는 부력의 크기는 물체의 부피와 같은 양의 유체에 작용하는 중력의 크기와 같다는 아르키메데스 원리로 비중계를 이용하여 밀도를 측정할 수 있다. 정밀도를 높이기 위해 시편마다 10번 측정하고 이상치로 보이는 최댓값과 최솟값을 제거한 후 평균을 이용하며, 표면 조도를 확인하기 위하여 조도 측정기를 사용하였다. TD 방향을 기준으로 각 시편 표면을 무작위로 5번 측정하고 평균을 이용한다.

2.2 데이터 설계 체계

조작 변수로서 레이저 파워, 속도, 각도를 종속 변수로서 경도, 밀도, 조도로서 각 종속 변수의 39개 데이터, 총 117개의 데이터 조건으로 데이터 세트를 구성한다. 그림 4에는 데이터 처리 디자인에 대하여 설계도를 작성하였다. 기계학습의 구성은 RandomForest 알고리즘 모델을 기본으로 최대최소 정규화(MinMaxScaler)와 하이퍼파라미터 최적화(Hyper parameter optimization)을 위해서 트리 개수(n_estimators)와 max_depth, min_samples_split, min_samples_leaf, max_features 등의 다양한 파라미터를 랜덤서치CV(RandomSearchCV)을 사용하여 부족한 데이터의 모델 정확성을 높였다. 이때 사용한 파라미터 탐색 범위는 n_estimators는 10부터 150까지 12단계로 [10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 120, 150], max_depth는 None 및 5부터 60까지 11단계로 [None, 5, 10, 15, 20, 25, 30, 35, 40, 50, 60], min_samples_split은 2부터 20까지 11단계로 [2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20], min_samples_leaf는 1부터 10까지 10단계로 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], max_features는 3단계로 ‘auto’, ‘sqrt’, ‘log2’로 설정하였다. RandomizedSearchCV를 통해 최적의 하이퍼파라미터 조합을 탐색한 후, Permutation Importance 기법을 활용하여 각 공정 변수의 중요도를 평가하였다. 이후 가장 중요한 두 개의 변수에 대해 예측 결과를 Heatmap으로 시각화하였다. 또한 경도와 밀도, 조도의 중요도를 동일한 비율로 설정하여 (4×밀도) - (2×조도) + (경도)를 임의로 설정하여 세 가지 조건을 모두 만족하는 heatmap 시각화도 진행하였다.

3.1 미세조직 및 표면 관찰

SEM과 OM으로 3.3% Si 분말을 L-PBF를 진행했을 때의 TD, SD, BD의 미세조직을 그림 5에 나타냈다. 그림 5(a)를 보시면 직사각형태의 용융풀(melting pool) 형태를 확인할 수 있다. 본 연구에서 사용된 L-PBF 방식에서는 층(layer)마다 레이저 스캔 방향을 90°씩 교차(orthogonal)시키는 전략을 적용하였다. 이와 같은 스캔 전략은 인접한 층 간의 열전달 방향(heat flow direction)을 교차시키며, 각 층에서 용융풀(melt pool)이 직교 방향으로 형성되는 결과를 초래한다. 이러한 반복적인 교차 스캔은 상부에서 관찰되는 정사각형 셀 구조(square cell structure)의 형성을 유도하며, 이는 BD(Build Direction) 방향 단면에서 세로로 길게 연장된 columnar 결정립의 횡단면(cross-section)이 네모난 형태로 나타나는 원인으로 해석된다[¹⁵]. 해당 구조는 열원이 움직이는 경로와 결정 성장 방향이 일치하면서 반복적으로 적층(epitaxial growth)됨에 따라 발생하며, 이는 PBF 공정에서 전형적으로 나타나는 주조 유사 미세조직의 특징 중 하나이다. 그림 5(b)는 OM을 통해서 적층된 조도의 형태가 45°로 적층이 되는 것을 확인할 수 있었다. 또한 그림 5(c)는 조직의 형태가 아래에서부터 적증된 조직이 레이저로 열을 받은 후 냉각 시 열의 분포가 위에서부터 내부로 퍼져나감과 함께 주조 조직과 유사한 덴드라이트(dendrite) 형태의 조직이 관찰되었다. 이는 주조 조직에서 용융 후 냉각 시 열 퍼짐 방향(heat flow direction)으로 인해서 발생하는 것으로 추정된다. Jang 등[¹⁶] 을 보면, L-PBF 공정에서의 급속응고(rapid solidification) 환경에서는 열 유속(thermal gradient)과 응고 속도(solidification rate)의 상대적 크기에 따라 용융풀 내부에서 다양한 형태의 결정 성장 메커니즘이 발생한다. 특히 높은 열 유속과 응고 속도가 동시에 작용할 경우, epitaxial growth에 의해 열 흐름 방향을 따라 columnar 한 덴드라이트(dendrite)가 형성되는 경향이 있으며, 그림 5에서도 유사한 미세조직 특성이 BD 방향에서 관찰되었다. 유사하게, Nam 등[¹⁷] 에서는 L-DED 공정으로 Inconel 625 합금을 적층한 후, 레이저 스캔 속도와 전략에 따른 용융풀 내 미세조직의 성장 거동을 분석하였다. 본문에서는 용융풀 경계에서 columnar dendrite가 성장하고, 중심부로 갈수록 cellular 구조가 우세해지는 양상이 기술되었으며, 이는 본 연구에서 관찰된 dendrite 조직과 응고 방향성에 대한 해석과 유사한 경향을 나타낸다.

두께를 얇게 하는 것이 중요한 요소이기 때문에 두께에 따른 효과를 확인하기 위하여 두께에 따른 SEM 관찰을 진행하였다. SEM으로 3.3% Si 분말을 L-PBF를 진행했을 때의 적층량에 따른 미세조직을 그림 6에 나타냈다. 적층 후 내부의 상태는 기공이 다량 포함된 상태임을 확인할 수 있었다. 그림 6(a)에서 표면 상태를 확인해 보면 그림 5(c)에서 확인된 것과 같이 용융 후 에너지 방출의 형태를 나타내면서 표면이 균일하지 못하고 높은 조도를 나타냄을 알 수 있다. 그림 6(d)에서 적층량이 증가할 때 일부 위치에서는 적층 형태를 따라 BD 방향으로 기공이 형성되어 에너지 입열량이 감소하거나 적으면 내부의 분말을 완전히 용융시키지 못하여 발생하는 것으로 추정된다. 이러한 기공은 적층 조건에 따라 형성 위치가 반복적으로 나타나는 경향을 보이며, 특히 일부 영역에서는 기공들이 BD 방향을 따라 연속적으로 정렬된 형태를 띤다. 이는 적층 층 사이에서 증기 구멍이 완전히 닫히지 못하고 다음 층에까지 영향을 주는 키홀(keyhole) 형식의 전형적인 기공 형상으로 볼 수 있다. Oliveira 등[¹⁸] 의 연구에 따르면, 레이저 출력이 높고 주사 속도가 낮은 조건에서는 금속의 순간적인 증발이 유도되어 깊은 keyhole이 형성될 수 있으며, 이 keyhole이 안정적으로 수축되지 못하면 적층 방향으로 길게 뻗은 기공이 남아 있게 된다. 본 연구에서 사용된 공정 조건(180W, 1000 mm/s)은 이러한 keyhole 기공 형성이 보고된 영역에 해당하며, 실제 관찰된 기공 형상 또한 해당 논문에서 제시한 형태와 유사하였다. 기공이 발생한 위치 또한 약 25 μm 간격에서 반복적으로 형성되고 있는데, 이는 레이저 적층 단위 간격과 일치하며, 각 층의 열 이력 및 에너지 입력 분포에 따라 특정 위치에 국부적으로 기공이 집중적으로 형성되었을 가능성을 시사한다.

OM으로 3.3% Si 분말을 L-PBF를 진행했을 때의 출력과 스캔속도가 변화함에 따른 표면 형태의 변화를 그림 7에 나타냈다. 그림 7(a)을 보면, 레이저 출력이 증가할수록 표면의 색상이 점점 검게 변화하는 것을 알 수 있었으며, 그림 7(b)을 통해 스캔 속도가 느려질 때는 직사각형 형태의 용융 영역이 커지는 데 반해서 스캔 속도가 빨라질수록 표면에서의 차이가 감소하였다. 이는 출력이 증가할수록 단위 면적당 입열양이 증가하면서 철을 용융 시키는 에너지 뿐만 아니라 표면의 산화를 일으키는 문제가 발생하기 때문이다. 레이저를 통해서 철을 용융 시키면 플라스마 등이 발생하면서 산화를 막는 현상이 발생하게 된다. 그러나 특정 이상의 에너지가 지속될 때 플라스마가 깨어지고 산화가 형성되어 탄 것과 같은 형태를 그리는 것으로 알려져 있다. 그리고 스캔 속도가 느려질 경우 레이저 파워가 동일하기 때문에 단위 면적당 에너지가 높게 되고 용융풀이 표면에 다량 생성되게 된다. 용융풀은 특정 조건에서 서로 뭉치는 현상이 생기고 열의 확산 흐름을 만들기 때문이다. 신의 논문에서 이와 같은 현상이 설명되고 있으며, 이로 인해 빔의 크기를 감소시키는 요인이 된다.

3.2 결함 및 표면 특성에 미치는 공정 변수의 영향

그림 8은 레이저 파워에 따른 밀도, 조도, 경도의 변화를 관찰한 것이다. 밀도의 경우 식 1을 바탕으로 Si 3.3%를 포함하여 계산해 볼 때, 이론적 값인 7.65 g/cm³ 에 근접할 때 내부에 기공의 발생이 거의 없다고 볼 수 있다. 기공이 존재할 경우 단위 면적에서 밀도는 감소한다. 부력이 증가하기 때문이다. 이를 이용하여 아르키메데스 법으로 기공의 양을 정량화 하였다. 일반적인 압연 시편의 경우 이론적인 값에 근접한다. 기공이 거의 없으며 기공 측면에서 재료를 눌러 빈 공간을 메우는 작업을 여러 번 반복하기 때문에 이상적 재료에 가깝다.

밀도(g/cm³) = 7.865-0.065*(Si+1.7*Al) (1) [¹⁹]밀도(g/cm³) = 7.865-0.065*(Si+1.7*Al) (1)[¹⁹]

그림 8(a)은 1000 mm/s에서 레이저 파워에 따른 밀도의 변화를 보여준다. 100~200W까지는 가파르게 밀도가 증가하는 경향을 보이며, 250W에서 7.15 g/cm³까지 증가하였다. 이론적 7.65 g/cm³ 와 비교한다면 6.5%의 기공이 내부에 있는 것으로 계산되어 93.5%로 확인된다. 그러나 250W 이상에서는 소폭 감소하며 7.0 g/cm³에서 수렴하는 경향을 보였다. 그림 8(b)은 조도의 변화를 보여준다. 조도와 밀도가 유사한 경향을 보여주었다. 200W 부근까지 조도가 15 μm에서 7 μm로 53%로 감소하였다. 그림 8(c)은 레이저 파워에 따른 경도의 변화를 보여준다. 경도의 경우도 200 HV에서 270 HV까지 증가하는 경향을 보였다가 250 HV까지 감소하는 경향을 보여주었다.

이는 200W까지 에너지 입열양이 부족하여 분말이 잘 용융되지 못하다가 일정 값 이상에서 용융이 본격화하기 때문으로 생각된다. 에너지 입열양이 증가하여 용융량이 증가할 경우 기공의 증가로 조도의 값이 증가하다 특정 이상이 되면 감소하는 것으로 볼 수 있다. 그림 9는 120W와 180W에서의 OM 사진을 통해서 용융량과 기공이 많은 원인임을 제공해 준다. 입열량이 낮은 120W에서는 파우더 알갱이들이 완전히 용융되어 합쳐지지 못한 형태와 함께 파우더의 형태가 유사하게 존재하는 것에 반해 180W에서는 일부 10 μm 이하의 작은 기공이 존재하지만 거의 하나의 형태로 합쳐진 것을 확인할 수 있다.

그림 10은 180W로 고정 후 레이저 조사 속도에 따른 밀도, 조도, 경도의 변화를 관찰한 것이다. 그림 10(a)은 레이저 조사 속도에 따른 밀도의 변화를 보여준다. 300~1000 mm/s까지 6.9 g/cm³ 에서 7.0 g/cm³ 수준으로 유사한 경향으로 8.50% 기공으로 91.5% 충진율을 보여주었다. 특히 1000 mm/s에서 급격히 감소하는 경향을 보이며 그 감소 속도는 0.0015 g/cm³/W였다. 이러한 밀도 감소 현상은 Hyer 등[²⁰] 의 연구에서 유사한 경향을 확인할 수 있다. 그림 10(b)은 레이저 파워에 따른 조도의 변화를 보여준다. 조도의 경우에는 1000 mm/s 이하에서는 5~6 μm로 낮은 수준이다가 1000 mm/s 이상에서부터 급격히 증가하는 경향을 보였다. 그림 10(c)은 레이저 파워에 따른 경도의 변화를 보여준다. 경도의 경우 100W에서 가장 낮은 값을 400W와 1100W에서 높은 값을 보였으나, 5% 차이 내외로 큰 값의 차이를 보이지는 않았다. 그림 11의 (a) 와 (b) 를 비교해 보면 그 차이를 확인해 볼 수 있으며, 셀구조와 결합하여 일정 위치에서 바둑판과 같은 영역을 형성하는 기공의 형태가 나타남을 재확인할 수 있다.

그림 12는 180W, 1000 mm/s에서 레이저 Y축 조사 각도에 따른 밀도, 조도, 경도의 변화를 관찰한 것이다. 조사 각도에 따른 변화의 이유는 조직의 형성 부분도 있지만, 집합조직의 변화와 연계가 가능하므로 집합조직 측면에서 검토하기 전에 실제로 제작 시의 일반적인 0도 조사방식과의 차이점을 확인하고자 하였다. 각도가 높을수록 시편의 바닥에 놓인 상태에서 바닥과 수직인 방향으로 위치하는 것이다. 그림 12(a)는 각도에 따른 밀도의 변화를 보여준다. 각도가 생성됨에 따라 3% 정도로 약간 감소하였지만, 큰 차이는 아니었다. 그림 12(b)는 각도에 따른 조도의 변화를 보여준다. 각도가 생성됨에 따라 조도가 급격히 증가하여 90° 각도에서 17 μm로 30° 각도의 8에 비해 2에 가까운 증가 폭을 보여주었다. 그림 12(c)는 각도에 따른 경도의 변화를 보여준다. 경도에서의 큰 차이는 없었다.

조도에서 큰 변화가 있음을 알 수 있다. 그 원인은 그림 13의 OM 사진을 통해서 보면, 각도가 생성됨에 따라 25 μm의 당 층을 형성하기 때문으로 생각된다. 형성 각도가 달라짐에 따라 형성되는 층이 나누어지게 되고 맨 밖의 층이 계단을 형성하는 부분을 초래한다. 적층 형태에서 레이저로 용해 후 굳는 작업이 반복되고 또 아래의 면적이 3 mm로 낮으므로 층층이 쌓여 가면서 안정성이 떨어져 층이 계속해서 유려하게 유지되지 못하는 것으로 추정된다. 또한 표면에서부터의 결 무늬를 형성함에 따라 결을 따라 특히 표면에서 기공의 생성이 다수 발생하게 된다. 그러므로 각도 제어 시 각도 제어와 함께 입열양의 제어가 추가로 필요할 것으로 생각된다. 그러나 조도에서 큰 변화가 없는 점은 각도를 통한 제품 제조가 가능성이 높은 점이 긍정적이다. 이러한 조도 증가 경향은 Goodall 등[²¹] 의 연구에서도 유사하게 보고된 바 있다.

그림 14는 180W, 1000 mm/s, 0o에서 적층 두께에 따른 두께, 밀도, 조도, 경도의 변화를 관찰한 것이다. 전기 강판의 경우 얇은 두께를 적층하는 것이 자기적 측면에서 볼 때 아래의 식 2와 같이 손실이 두께의 제곱에 비례하기 때문에 얇은 상태에서의 재료 구성이 가능성 확인이 필요하다. 이때 P_e는 에디 전류 손실, K는 전도율, B_m은 최대 자속밀도, f는 주파수, t는 적층 두께, V는 재료의 볼륨이다.

P_e = K * B_m² * f² * t² * V (2)

그림 14(a)는 두께의 변화를 그림 14(b-d)는 두께 변화에 따른 밀도, 조도, 경도의 변화를 보여준다. L-PBF 방식을 통해서 두께의 제어가 가능함을 확인할 수 있었다. 조도와 경도의 경우에는 8.7~9.3 μm였으며, 250~260 HV로 큰 차이를 보이지 않았다. 밀도의 경우, 2.0~3.0 mm 시편의 평균 밀도가 약 7.4 g/cm³로 비교적 일정하게 유지됐지만, 0.3 mm 시편은 7.0 g/cm³로 약 5.4% 낮은 값으로 두께가 낮아질수록 밀도 측면에서의 안정성이 떨어지는 것으로 볼 수 있었다. 이는 시편 전체가 빌드판과 가까운 영역에서 적층 되면서, 예열 되지 않은 플랫폼과 얇은 서포트 구조로 인한 냉각 영향의 가능성도 제기된다. 그러므로 얇은 시편에서의 기공을 줄이기 위해서는 열간 등압 성형과 같은 열처리가 필요할 것으로 생각된다. 이는 얇은 두께의 적층 제조를 위한 추가 연구기 필요한 요소로 보인다.

3.3 머신러닝 및 XAI를 통한 특성 최적화

위 데이터와 함께 표 2의 범위내에서의 20가지의 무작위 실험 결과를 추가로 합하여 RandomForest 알고리즘을 사용한다. 레이저 파워, 조사 속도, Y축 각도인 세 개의 공정 변수를 사용하고, 목표변수로는 밀도, 조도, 경도 중 하나를 선택하여 모델을 학습시켰다.

그림 15는 RandomizedSearchCV를 활용하여 수행된 하이퍼파라미터 최적화 과정에서, 반복(iteration)에 따른 각 출력 변수(hardness, roughness, density)의 예측 성능 변화를 RMSE(Root Mean Squared Error) 기준으로 나타낸 결과를 보여준다. 그림 15(a)는 무작위로 선정된 하이퍼파라미터 조합에 따라 각 반복에서 도출된 예측 오차(RMSE)의 변화를 시각화한 것으로, 반복이 진행됨에 따라 전반적인 오차 수준은 일정한 범위 내에서 진동하며, 탐색의 불확실성이 반영된 경향을 보인다. 특히, 초기 반복 구간에서는 비교적 넓은 범위의 RMSE 분포가 나타나지만, 일부 반복 이후부터는 상대적으로 안정된 예측 성능을 유지하는 경향이 관찰된다. 또한, 그림 15(b)는 동일한 예측 결과를 RMSE 기준으로 내림차순 정렬하여 나타낸 것으로, 탐색된 하이퍼파라미터 조합 중 성능이 우수한 조합이 점진적으로 도출되었음을 보여준다. 세 출력 변수 모두에서 RMSE가 급격히 감소한 이후 완만한 감소세를 보이며 수렴하는 양상을 나타내고 있으며, 이를 통해 본 모델이 비교적 안정적인 성능을 확보했음을 확인할 수 있다.

그림 16는 경도에 대한 중요도 분석 결과가 나타나 있다. 그림 16(a)는 데이터 전처리 과정에서 MinMaxScaler를 적용하여 각 변수의 값을 0과 1 사이로 스케일링하고, permutation_importance 기법을 통해 각 공정 변수의 평균 중요도와 중요도의 표준편차를 막대그래프로 시각화하였다. 이 그래프에서 레이저 파워와 레이저 조사 속도의 중요도가 가장 높은 변수로 나타났으며, 중요도를 비교했을 때 각도 대비 2배 이상의 차이를 보였다. 실제 실험에서도 이 두 변수는 경도에 큰 영향을 미치는 변수임을 확인할 수 있었다. 랜덤 서치(Randomized Search)기법을 사용하여 모델의 하이퍼파라미터를 최적화하였다.

표 3에는 머신러닝 기반 파라미터 최적화 과정을 통해 도출된 경도, 밀도, 조도 예측 모델의 최적 하이퍼파라미터가 제시되어 있다.

그림 16(b)에서는 가장 중요도가 높은 두 변수에 대해 예측된 경도값의 분포를 heatmap으로 시각화하였다. 이때 나머지 변수인 Y 각도의 경우 영향도가 낮으므로 전체 데이터의 평균값인 29.68°를 사용하였다. 예측된 값에 따르면 380W의 레이저 파워와 2890 mm/s의 레이저 조사 속도에서 경도값이 높은 경향을 보였으며, 실제 실험 결과 289.1 HV로 가장 가장 큰 값을 나타내며 예측 결과와 일치함을 확인하였다.

또한, 표 4에서 예측값과 실험값의 정량적 비교를 통해 모델의 정확도를 평가한 결과, 다음과 같은 상대오차를 보였다. 100 W, 602 mm/s, 76° 조건에서 1.33%, 180W, 1000 mm/s, 0° 조건에서 2.47%, 200W, 1000 mm/s, 63° 조건에서 1.05%, 그리고 314W, 2104 mm/s, 38° 조건에서 3.05%로 전반적으로 예측 정확도가 우수한 것으로 나타났다.

다음으로 조도에 대해 동일한 분석을 수행하였으며, 그 결과를 그림 17에 나타내었다. 그림 17(a)을 보면 조도에 대한 예측 모델에서는 레이저 조사 속도와 Y축 조사 각도가 중요한 변수로 나타났다. 특히 조사 각도가 조도에 큰 영향을 미침을 확인할 수 있었다. 그림 17(b) 와 같이 heatmap으로 나타낸 결과에서 700 mm/s, 0°, 레이저 파워 219W에서 조도가 낮은 값을 보였다. 이는 실제 데이터 4.61 μm 와 유사한 값이었다. 실제 실험에서도 조도는 Y축 조사 각도에 따라 큰 영향을 받는 경향을 보였다. 결과는 데이터에서 확인된 대로, 각도가 조도에 큰 영향을 미친다는 사실을 보여주며, 각도의 변화가 필요할 경우 조도에 따른 효과를 유념해야 함을 나타낸다.

또한, 표 5에서 예측값과 실험값의 정량적 비교를 통해 모델의 정확도를 평가한 결과, 다음과 같은 상대오차를 보였다. 100W, 602 mm/s, 76° 조건에서 0.83%, 180W, 1000 mm/s, 0° 조건에서 2.71%, 200W, 1000 mm/s, 63° 조건에서 2.22%, 그리고 314W, 2104 mm/s, 38° 조건에서 1.06%로 전반적으로 예측 정확도가 우수한 것으로 나타났다.

마지막으로 밀도에 대한 값을 예측하였으며, 그 결과를 그림 18에 나타내었다. 그림 18(a) 에서 밀도의 예측 결과에서도 레이저 파워와 조사 속도가 중요한 변수로 나타났으며, 실제 실험 데이터에서도 이 두 변수의 영향이 명확하게 드러났다. 그림 18(b) 에서도 레이저 파워가 높고 조사 속도가 느린 영역에서 높은 값을 보였으며, 레이저 파워가 270W, 조사 속도가 600 mm/s에서 가장 높은 값을 보였다. 그 값은 7.0 g/cm³를 나타내었다. 랜덤 실험한 값 중 가장 유사한 조건인, 302W에 724 mm/s를 통해서 값을 확인해 보면 7.23 g/cm³를 나타내었다. 약 3% 정도의 차이로 거의 비슷한 값을 확인할 수 있었다. Gwak 등[²²]에서도 레이저 속도가 느리고 레이저 파워가 높아야 밀도가 높다고 보고한 바 있다.

또한, 표 6에서 예측값과 실험값의 정량적 비교를 통해 모델의 정확도를 평가한 결과, 다음과 같은 상대오차를 보였다. 100W, 602 mm/s, 76°° 조건에서 4.97%, 180W, 1000 mm/s, 0° 조건에서 1.28%, 200W, 1000 mm/s, 63° 조건에서 2.03%, 그리고 314W, 2104 mm/s, 38° 조건에서 1.02%로 전반적으로 예측 정확도가 우수한 것으로 나타났다.

표 7은 Random Forest와 Permutation Importance를 활용하여 도출한 경도, 조도, 밀도의 최적 조건을 정리한 것이다. 조도와 밀도는 유사한 최적 조건을 보인 반면, 경도에서는 조사 속도 측면에서 차이를 나타내었다. 머신러닝 예측 결과의 신뢰성을 검증하기 위해 기존 실험 데이터와 비교 분석을 수행하였다. 이때 조작 변수 중 중요도가 낮은 인자는 임의로 고정하고, 중요도가 높은 두 가지 조작 변수에 대해서는 예측 조건과 유사한(약 10% 이내 차이) 실험 조건을 선택하여 예측값과 실험값을 비교하였다. 경도 머신러닝 모델에서는 380W, 2900 mm/s 조건에서 290 HV가 예측되었으며, 유사한 실험 조건인 380W, 2863 mm/s에서 측정된 실험값은 289 HV로, 예측값과 매우 유사하였다. 조도 모델에서는 700 mm/s, 0° 조건에서 5.9 μm가 예측되었으며, 동일한 700 mm/s, 0° 조건에서 측정된 실험값은 4.6 μm로 확인되었다. 밀도 모델에서는 270W, 600 mm/s 조건에서 7.0 g/cm³가 예측되었으며, 유사한 실험 조건인 280W, 624mm/s에서 측정된 실험값은 7.2 g/cm³로, 예측 결과와 높은 일치를 보였다.

하지만 레이저 파워, 레이저 조사 속도, Y축 조사 각도와 같은 개별 공정변수들이 서로 종합적인 영향을 주고받는다. 각 공정 변수가 목표 특성인 밀도, 조도, 경도에 미치는 영향은 개별적으로 평가될 수 있지만, 프린팅의 최적화는 이 값들이 종합적으로 어떻게 영향을 주는지에 대한 분석이 필요하다. 그리고 이때 평가자의 주관적인 중요도의 설정이 필요하다. 전기강판 연구에서 가장 중요한 부분에서 기공에 의해 역자장을 발생시킬 수 있는 밀도 부분이며, 적층 시 기공을 형성시켜 코어 특성을 낮출 수 있는 조도가 그 다음, 마지막으로 경도 부분이다. 그러므로 중요도를 밀도 4, 조도 2, 경도 1로 밀도x4-조도x2+경도x1을 새로운 목표변수인 Quality로 설정하고 모델링을 진행하였다. 밀도, 조도, 경도 세 값의 범위가 다르므로, MinMaxScaler를 적용하여 이 세 목표변수를 0과 1 사이로 스케일링하며 범위 차이를 줄였다.

그림 19(a)에서 레이저 파워와 레이저 조사 속도가 중요한 변수로 나타났다. 두 변수는 각도와 비교해서 2배 이상의 효과를 나타냈으며, 조사 속도가 좀 더 큰 가중치로 나타났다. 이는 밀도를 강조한 부분으로 인한 결과로 볼 수 있다. 이를 바탕으로 한 예측 결과는 그림 19(b)에서 확인할 수 있다. 종합적으로 보면, 레이저 파워와 레이저 조사 속도가 260W 30° 700 mm/s 설정되었을 때, 성능이 가장 좋은 시편을 도출할 수 있다는 것을 알 수 있다. 이 결과는 실제 실험한 값을 통해서 확인해 보면, 260 W, 935 mm/s, 25°에서 밀도 7.05 g/cm³, 조도 7.30 μm, 경도 256 HV 값으로 특성이 적절히 절충된 값을 제시해 주었다. 이처럼 가중치의 변화를 통해서 밀도와 조도 경도의 균형을 조정할 수 있을 것으로 보인다.

그림 20는 상용 압연 강재와 적층 제조한 시편의 특성 차이를 비교한 값이다. 비교 결과 밀도 측면에서는 2% 수준의 차이를 보이며 경도의 경우 오히려 높은 값을 보이는 반면 조도의 경우에는 4배 이상의 차이를 보이는 것으로 확인되었다. 밀도 측면에서는 최신 기술인 열간 등방성 프레싱(Hot isostatic pressing, HIP) 기술을 활용할 경우 간극을 좁힐 수 있을 것으로 보이며, 경도의 경우 값을 만족하였으나, HIP 처리를 할 경우 재결정과 스트레스 제거 현상으로 인해 일부 값이 낮아질 것으로 추정된다. 그러나 조도의 경우 3배 이상의 차이를 보이기 때문에 줄이기 위해 분말의 크기 감소 또는 레이저 적층 마지막에 낮은 출력으로 레이저 가공을 통한 표면 처리를 진행하는 등의 연구가 필요할 것으로 여겨진다. 하지만, 전기강판의 적층 제조를 위해 0.3 mm 수준에서 밀도와 경도 측면에서는 충분한 확보가 가능함을 확인하였기 때문에 적층 제조를 통한 전기강판의 제조에 충분한 잠재력이 있음을 보여준다.