체적 적층 제조를 위한 실시간 3D 계측: 실시간 결함 감지 및 보정

1. 서론

체적 적층 제조(Volumetric Additive Manufacturing, VAM)는 전통적인 층별 적층 방식에서 패러다임 전환을 의미하며, 전체 물체의 빠르고 동시적인 3D 제작을 가능하게 합니다. 그러나 신속한 프로토타이핑 파이프라인은 여전히 프린팅 후 검사 및 계측으로 인해 병목 현상이 발생하고 있습니다. X선 CT나 광학 스캐닝과 같은 현재의 방법들은 비실시간(ex-situ)이며 시간이 많이 소요되고, 프린트 공정에 통합될 수 없습니다. 본 연구는 단층 촬영 VAM을 위한 완전히 동시적인 3D 계측 및 프린팅 시스템을 도입함으로써 이 중요한 격차를 해소합니다.

핵심 혁신은 광경화성 수지가 겔화 단계 동안 빛 산란이 극적으로 증가하는 현상을 활용합니다. 이 물리적 변화를 이용하여 프린트가 형성되는 동안 실시간으로 인공물이 없는 3D 이미징을 수행하며, 프린트 크기의 1% 미만의 기하학적 정확도를 달성합니다. 이러한 통합은 적층 제조에서 폐쇄 루프 제어의 길을 열어줍니다.

2. 방법론 및 기술적 세부사항

2.1. 단층 촬영 VAM 원리

단층 촬영 VAM에서 3D 디지털 모델은 단층 촬영 재구성 원리(역 CT 스캔과 유사)를 통해 일련의 2D 광 패턴(투영)으로 분해됩니다. 이러한 패턴들은 광경화성 수지가 담긴 회전하는 바이알을 통해 여러 각도에서 투영됩니다. 누적 광량이 겔화 임계값을 초과하는 곳에서 수지는 경화되어 원하는 물체를 한 번에 형성하며, 층선과 서포트의 필요성을 제거합니다.

2.2. 실시간 계측을 위한 빛 산란

실시간 계측의 핵심은 수지의 광학적 특성 변화입니다. 액체 수지는 대체로 투명하지만, 겔화 시 굴절률 불균일성을 가진 폴리머 네트워크 형성으로 인해 높은 산란 특성을 보입니다. 제작 영역을 조명하고 카메라를 사용하여 여러 각도에서 산란된 빛을 포착함으로써, 경화된 형상에 직접 대응하는 산란 밀도의 3D 맵을 실시간으로 재구성할 수 있습니다.

2.3. 수학적 프레임워크

캡처된 2D 투영 $P_\theta(\mathbf{x}, t)$로부터 3D 산란 밀도 $\rho(\mathbf{r}, t)$를 재구성하는 것은 컴퓨터 단층 촬영 원리를 따릅니다. 주어진 투영 각도 $\theta$에 대해, 그 관계는 라돈 변환으로 모델링됩니다:

$P_\theta(\mathbf{x}, t) = \mathcal{R}[\rho(\mathbf{r}, t)] = \int_{L(\mathbf{x}, \theta)} \rho(\mathbf{r}, t) \, ds$

여기서 $L(\mathbf{x}, \theta)$는 검출기 위치 $\mathbf{x}$와 각도 $\theta$에서 제작 영역을 통과하는 선이며, $ds$는 선 요소입니다. 3D 모델은 필터링된 역투영 또는 반복 알고리즘을 사용하여 복원됩니다:

$\hat{\rho}(\mathbf{r}, t) = \mathcal{B}\{ \mathcal{F}^{-1}[ |\omega| \cdot \mathcal{F}(P_\theta(\mathbf{x}, t)) ] \}$

여기서 $\mathcal{F}$는 푸리에 변환을, $\mathcal{B}$는 역투영 연산자를 나타냅니다. 시간 요소 $t$는 4D(3D+시간) 모니터링을 가능하게 합니다.

3. 실험 결과 및 분석

3.1. 설정 및 보정

실험 설정은 표준 단층 촬영 VAM 시스템(프로젝터, 회전 바이알)에 추가적인 이미징 시스템을 통합했습니다. 확산 광원이 바이알을 조명하고, 하나 이상의 카메라가 산란된 빛을 포착했습니다. 시스템은 알려진 형상을 가진 팬텀을 사용하여 산란 강도와 경화된 체적 간의 관계를 설정하도록 보정되었습니다.

3.2. 정확도 및 성능 지표

주요 결과는 최종 프린트된 부품 및 원본 CAD 모델과 비교하여 실시간 측정된 형상에 대해 1% 미만의 치수 정확도를 입증한 것입니다. 벤치마크 프린트(예: 복잡한 격자 구조 또는 기계 부품)의 경우, 실시간 재구성과 비실시간 마이크로 CT 스캔 간의 제곱평균제곱근 오차(RMSE)가 물체의 특성 치수(예: 5mm 부품에서 ~50µm 오차)의 1% 미만으로 보고되었습니다.

주요 성능 지표

치수 정확도: < 물체 크기의 1%

측정 지연 시간: 준 실시간(프린트 속도와 연동)

데이터 유형: 정량적 3D + 시간(4D) 체적 데이터

3.3. 결함 감지 능력

이 시스템은 프린팅 결함이 발생하는 즉시 성공적으로 식별했습니다. 예를 들어, 의도하지 않은 공극, 광 감쇠로 인한 형상 왜곡, 또는 오버행 영역의 불완전 경화와 같은 편차가 재구성된 산란 밀도 맵에서 시각화되었습니다. 이는 의도적으로 오류(예: 잘못 보정된 조사량)를 도입하고, 목표 형상과의 불일치를 강조하는 계측 시스템의 출력을 보여줌으로써 입증되었습니다.

차트 설명: 3D 재구성 이미지의 시계열은 물체의 성장을 보여줄 것입니다. 비교 차트는 목표 CAD 모델의 선 프로파일을 실시간 측정 프로파일 및 비실시간 CT 스캔 프로파일과 함께 표시하며, 세 가지 모두가 밀접하게 일치하고 실시간 데이터가 공정 역학을 포착함을 보여줍니다.

4. 분석 프레임워크 및 사례 연구

실시간 공정-특성 관계 프레임워크: 이 기술은 새로운 분석 프레임워크를 가능하게 합니다: 공정 매개변수(각도별 광량, 회전 속도)를 실시간 기하학적 결과와 직접 연관시키는 것입니다. 실제 사례 연구에는 알려진 어려운 특징(예: 미세 핀, 얇은 벽)을 가진 부품을 프린팅하는 것이 포함됩니다.

입력: 목표 CAD 모델 및 계획된 단층 촬영 투영 세트.
공정 모니터링: 실시간 시스템은 실제 산란 체적 $V_{actual}(t)$를 재구성합니다.
비교: 소프트웨어에서 $V_{actual}(t)$는 알려진 겔화 임계값 및 적용된 조사량에서 도출된 예상 "이상적인" 산란 체적 $V_{ideal}(t)$과 지속적으로 비교됩니다.
편차 매핑: 차이 맵 $\Delta V(t) = V_{actual}(t) - V_{ideal}(t)$이 생성됩니다. 양의 값은 과경화/팽창을 나타내고, 음의 값은 저경화/공극을 나타냅니다.
근본 원인 분석: $\Delta V$의 공간적 패턴은 특정 투영 각도나 조사량 수준으로 추적될 수 있어 결함의 정확한 원인을 식별합니다. 이는 최종 결함을 공정의 특정 순간과 연관시키는 것이 불가능한 사후 분석보다 우수합니다.

이 프레임워크는 품질 관리를 수동적인 생산 후 검사에서 제작 루프에 통합된 능동적 진단 도구로 전환합니다.

5. 핵심 통찰 및 비판적 분석

핵심 통찰: Orth 등은 단순히 더 나은 계측 도구를 만든 것이 아니라, 적층 제조 피드백 루프를 근본적으로 재구성했습니다. 광중합 공정 자체에 내재된 잠재 신호(산란 변화)를 활용함으로써, 그들은 진정한 동시 측정 및 제작을 달성했습니다. 이는 VAM을 빠르지만 눈이 먼 공정에서 투명한 공정으로 전환하여, 신속한 프로토타이핑에서 가장 눈에 띄는 약점인 '프린팅과 성공 여부 확인 사이의 고통스러운 지연'을 해결합니다.

논리적 흐름: 논리는 우아하고 물리학을 우선시합니다. 문제: AM은 실시간 형상 측정이 필요합니다. 제약: 베트(vat) 안에 스캐너를 넣을 수 없습니다. 그들의 해결책: 스캐너를 추가하지 말고, 프린팅 공정 자체를 스캐너로 만듭니다. 겔화 유도 산란은 결함이 아니라 기능입니다. 이는 신경망의 훈련 역학을 별도의 진단 모듈을 추가하기보다 내성(introspection)에 사용하는 것과 같은 다른 분야의 철학을 반영합니다. 물리적 관찰(산란 증가)에서 수학적 모델(산란 밀도의 단층 촬영 재구성)을 거쳐 시스템 통합에 이르는 기술적 흐름은 흠잡을 데 없습니다.

강점과 약점: 강점은 원활한 통합과 높은 정확도입니다. 기존 광학 경로를 활용하여 최소한의 추가 하드웨어만 필요로 합니다. 실시간 방법으로서 1% 미만의 정확도는 주목할 만합니다. 그러나 약점은 선구적인 작업의 전형적인 것으로 상당합니다. 첫째, 특정 재료 현상에 종속되어 있습니다. 모든 광경화성 수지에서 작동할까요? 충전재가 많고 불투명하거나 사전 산란 특성을 가진 수지는 충분한 대비 변화를 보이지 않을 수 있습니다. 둘째, 이는 표면 위상이 아닌 산란 밀도를 통해 "경화된 체적"을 측정합니다. 미세한 표면 마무리 문제나 폴리머와 액체 수지 간의 굴절률 정합은 보이지 않을 수 있습니다. 이는 표면이 아닌 체적 검사 도구입니다. 셋째, 저자들이 암시하듯이, 실시간 데이터는 현재 관찰용이며 아직 폐쇄 루프 제어용은 아닙니다. 시간 *t*에서 결함을 감지하는 것부터 프린트가 *t+Δt*에 끝나기 전에 수정 조사량을 계산하고 적용하는 단계는 엄청난 제어 이론 및 하드웨어 과제입니다.

실행 가능한 통찰: 연구자들에게 즉각적인 경로는 재료 일반화입니다: 다양한 수지 화학에 걸친 산란 대비를 정량화하는 것입니다. 산업계에서는 폐쇄 루프 제어를 기다리지 않는 것이 우선순위입니다. 진정한 단기적 가치는 공정 개발 및 검증에 있습니다. 이 시스템은 모든 테스트 프린트에 대해 즉각적인 체적 피드백을 제공함으로써 새로운 수지나 형상에 대한 최적의 프린트 매개변수를 찾는 시간을 몇 주에서 며칠로 단축할 수 있습니다. 제조업체들은 이를 최종 품질 관리 스테이션이 아닌, 프린트 공정의 궁극적인 "디지털 트윈"—레시피를 완벽하게 만들고, 생산에서 실행될 때 처음부터 올바르게 보장하는 도구—로 봐야 합니다. 마이크로 CT 스캐닝의 긴 과정[15]에 대한 언급은 전통적 계측에 대한 직접적인 경고입니다; 이 기술은 개발 주기에서 그 병목 현상을 쓸모없게 만드는 것을 목표로 합니다.

6. 미래 응용 및 방향

폐쇄 루프 적응형 프린팅: 궁극적인 목표는 실시간 보정입니다. 프린팅 중간에 편차가 감지되면, 시스템은 이후의 광 패턴을 조정하여 보상할 수 있습니다—예를 들어, 저경화 영역에 조사량을 추가하거나 과경화를 방지하기 위해 조사량을 줄이는 것.
다중 재료 및 기능성 프린트 모니터링: 이 원리를 확장하여 프린팅 중 다른 재료(예: 파장 의존적 산란을 통해)나 기능성 충전재(예: 탄소 나노튜브)의 분포를 모니터링합니다.
머신러닝과의 통합: 생성된 4D(3D+시간) 데이터셋은 ML 모델을 훈련시켜 프린트 실패를 예측하거나, VAM을 위한 서포트 없는 설계를 최적화하거나, 결함 유형을 자동으로 분류하는 데 완벽합니다.
표준화 및 인증: 규제 산업(항공우주, 의료)에서, 이는 모든 단일 부품에 대한 제작된 내부 형상의 위조 불가능한 디지털 기록을 제공할 수 있어 인증에 중요합니다.
VAM을 넘어서: 계측을 위해 내재된 공정 신호를 사용한다는 핵심 아이디어는 분말 베드 용융에서 열 방출 모니터링이나 재료 압출에서 음향 신호 모니터링과 같은 다른 AM 방식에서 유사한 접근법에 영감을 줄 수 있습니다.

7. 참고문헌

Kelly, B. E., et al. "Volumetric additive manufacturing via tomographic reconstruction." Science 363.6431 (2019): 1075-1079.
Loterie, D., et al. "High-resolution tomographic volumetric additive manufacturing." Nature Communications 11.1 (2020): 852.
Shusteff, M., et al. "One-step volumetric additive manufacturing of complex polymer structures." Science Advances 3.12 (2017): eaao5496.
Webber, D., & Paquet, C. "Advances in Volumetric 3D Printing." National Research Council Canada Technical Reports (2022).
Gibson, I., et al. Additive Manufacturing Technologies: 3D Printing, Rapid Prototyping, and Direct Digital Manufacturing. 3rd ed., Springer, 2021. (전통적 AM 계측 과제에 대한 맥락 제공).
ISO/ASTM 52902:2023. "Additive manufacturing — Test artifacts — Geometric capability assessment of additive manufacturing systems." (정확도 평가 관련 표준).
Zhu, J., et al. "Real-time monitoring and control in additive manufacturing: a review." Journal of Manufacturing Systems 68 (2023): 276-301. (실시간 모니터링에 대한 광범위한 맥락 제공).
Wang, C., et al. "Deep learning for real-time 3D reconstruction in additive manufacturing: A review." Virtual and Physical Prototyping 18.1 (2023): e2167456. (ML과 연결되는 미래 방향).