The Question

Metal 3D printing (additive manufacturing, AM) can produce complex titanium, nickel superalloy, and stainless steel components impossible to make by traditional machining — internal cooling channels, topology-optimised lattices, consolidated assemblies. Aerospace and medical industries are adopting metal AM for production parts, but certification requires defect rates below 1 per million. Current metal AM processes (laser powder bed fusion, directed energy deposition) produce defects — porosity, lack-of-fusion, cracking — at rates that demand extensive post-build inspection. Can AI-driven in-situ monitoring detect and prevent defects in real-time, eliminating the need for costly post-build CT scanning?

Landscape

Imran et al. (2024) comprehensively reviewed directed energy deposition (DED) techniques, defect types, and quality monitoring approaches. They catalogued the defect taxonomy: gas porosity (spherical voids from trapped gas), lack-of-fusion (irregular voids from insufficient melting), solidification cracking (from residual stress), and delamination (from thermal mismatch between layers). Each defect type has characteristic morphology detectable by different sensing modalities.

Yin et al. (2025) applied convolutional neural networks (CNNs) to metal AM defect detection from layer-wise powder bed images, achieving >99% accuracy in automated classification of powder bed morphology defects. Their AI models demonstrate the potential for reducing reliance on human operators for quality monitoring.

J. Wang et al. (2025) reviewed machine learning approaches for image-based process monitoring across metal AM platforms, identifying that transfer learning (reusing models trained on one material/machine for another) can reduce the data requirements for deploying AI monitoring on new systems — critical because each machine and material combination produces different baseline imagery.

Key Claims & Evidence

Open Questions

Referenced Papers

• [1] Imran, M.M. et al. (2024). Advancements in 3D Printing: DED, Defect Analysis, and Quality Monitoring. Technologies, 12(6), 86. DOI: 10.3390/technologies12060086
• [2] Yin, X. et al. (2025). AI-driven defect detection in metal 3D printing using CNNs. Materials Science in Additive Manufacturing. DOI: 10.36922/msam025150022
• [3] Wang, J. et al. (2025). Machine learning in image-based metal AM process monitoring. eScience in Additive Manufacturing. DOI: 10.36922/esam.8548

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 연구에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장을 원문 논문과 대조하여 검증해야 한다.

금속 적층 제조: 항공우주 품질을 위한 AI 기반 결함 탐지

분야: 공학 | 방법론: 실험-계산

저자: Sean K.S. Shin | 날짜: 2026-03-17

연구 질문

금속 3D 프린팅(적층 제조, AM)은 기존 절삭 가공으로는 제작이 불가능한 복잡한 티타늄, 니켈 초합금, 스테인리스강 부품을 제조할 수 있다 — 내부 냉각 채널, 위상 최적화 격자 구조, 통합 조립체 등이 그 예이다. 항공우주 및 의료 산업은 생산 부품에 금속 AM을 도입하고 있으나, 인증을 위해서는 100만 개당 1개 미만의 결함률이 요구된다. 현행 금속 AM 공정(레이저 분말 베드 융합, 직접 에너지 적층)은 기공, 미용융, 균열 등의 결함을 발생시키며, 이는 광범위한 후처리 검사를 필요로 한다. AI 기반 인시튜(in-situ) 모니터링이 실시간으로 결함을 탐지하고 예방함으로써 비용이 많이 드는 후처리 CT 스캔의 필요성을 없앨 수 있을까?

연구 동향

Imran et al. (2024)은 직접 에너지 적층(DED) 기법, 결함 유형, 품질 모니터링 접근법을 포괄적으로 검토하였다. 이들은 결함 분류 체계를 다음과 같이 정리하였다: 가스 기공(포획된 가스로 인한 구형 공극), 미용융(불충분한 용융으로 인한 불규칙 공극), 응고 균열(잔류 응력으로 인한 결함), 층간 박리(층 간 열적 불일치로 인한 결함). 각 결함 유형은 서로 다른 감지 방식으로 탐지 가능한 특징적인 형태를 지닌다.

Yin et al. (2025)은 합성곱 신경망(CNN)을 층별 분말 베드 이미지로부터의 금속 AM 결함 탐지에 적용하여 분말 베드 형태 결함의 자동 분류에서 99% 이상의 정확도를 달성하였다. 이들의 AI 모델은 품질 모니터링에서 인간 운영자에 대한 의존도를 줄일 수 있는 가능성을 보여준다.

J. Wang et al. (2025)은 금속 AM 플랫폼 전반에 걸친 이미지 기반 공정 모니터링을 위한 머신러닝 접근법을 검토하였으며, 전이 학습(한 재료/장비에서 훈련된 모델을 다른 환경에 재활용하는 방법)이 새로운 시스템에 AI 모니터링을 배치하는 데 필요한 데이터 요구량을 줄일 수 있음을 확인하였다 — 이는 각 장비와 재료 조합이 서로 다른 기준 이미지를 생성하기 때문에 매우 중요한 사항이다.

핵심 주장 및 근거

미해결 과제