본 연구는 올레산, 올레산-리놀레산, 리놀렌산 계열 식물유의 산패 여부를 판단하는 데 필요한 과산화물가(PV) 및 카르보닐가(CV)의 임계값을 규명하고자 수행되었다. 올리브유, 옥수수유, 참기름, 카놀라유를 45°C에서 가속 저장하며 PV와 CV 변화 동역학을 분석하였다.
지질 과산화의 개시 단계에서는 PV와 CV가 선형적으로 증가했으며, 전파 단계에서는 시그모이드 동역학 모델(R2 > 0.95, RMSE < 0.85)을 따랐다. 전파 단계에서 나타나는 동역학적 전이점을 활용하여 식물유 폐기 기준이 되는 임계 PV 및 CV를 설정하였다.
산화 안정성이 낮은 오일 그룹일수록 해당 전이점의 좌표가 과산화 시작점에 더 가까운 경향을 보였다. 카놀라유, 옥수수유, 참기름, 올리브유의 잠재적 폐기 임계 PV는 각각 약 7.0, 7.5, 19, 30 mEq O2/kg oil로 결정되었다.
참기름, 카놀라유, 옥수수유, 올리브유의 폐기 임계 CV는 각각 약 5.0, 5.5, 6.0, 7.0 µmol 2,4-데카디에날/g oil로 도출되었다. 이 연구 결과는 식물유의 품질 관리 및 폐기 기준 설정에 중요한 과학적 근거를 제공한다.
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.
