DED 금속 3D 프린팅 품질 관리 AI

지향성 에너지 증착(DED)은 고부가가치 부품 제작 및 수리에 활용되는 금속 적층 제조(MAM) 기술이지만, 복잡한 열 구배와 재료 거동, 공정 변수 등으로 인해 일관된 품질 확보가 어렵습니다. 최근 인공지능(AI), 특히 기계 학습(ML) 및 딥러닝(DL) 방법론이 DED 공정의 품질 관리 및 실시간 모니터링에서 큰 잠재력을 보이고 있습니다. 본 연구는 DED의 AI 기반 품질 관리 및 모니터링에 대한 체계적인 문헌 검토를 수행했습니다. PRISMA 방법론을 활용하여 2015년부터 2026년까지 발표된 145편의 동료 심사 논문을 분석했으며, 결함 감지, 공정 상태 모니터링, 물리 정보 모델링, 디지털 트윈, 산업 적용 준비도 등을 중점적으로 다루었습니다. DED의 품질 문제는 기하학적, 형태학적, 미세 구조적 범주로 분류되었으며, 각 범주에서 AI 활용 사례를 분석했습니다. 컨볼루션 신경망(CNN), 랜덤 포레스트, 오토인코더 등 ML/DL 모델이 용융 풀 모니터링, 열 및 시각 신호 해석, 결함 분류, 기하학적 예측, 공정 조건 평가 등에 폭넓게 적용되고 있음을 확인했습니다. 비교 분석 결과, 기존 방법은 직접 측정, 검증 및 인증에 필수적인 반면, AI 기반 방법은 주로 공정 내 예측, 조기 경고, 선별 및 잠재적인 폐루프 제어에 활용됩니다. 물리 정보 ML 및 디지털 트윈 프레임워크는 공정 데이터를 열, 기하학적, 결함 관련 품질 상태와 연결하여 AI 역량을 더욱 확장합니다. 하지만 데이터 획득 등 주요 과제는 여전히 남아있습니다.