실습 4 — 오픈소스 코드로 용융풀 시뮬레이션하기
📍 현재 위치: 6부 · 나만의 연구 시작하기 — 19장 중 16장. 1-5부에서는 용융부에서 무엇이 잘못되는지, 그리고 시뮬레이션이 왜 어려운지를 설명했습니다. 이 실습에서는 가장 단순한 물리 기반 모델을 직접 돌려 공개된 측정값과 대조합니다. 이어지는 실습 5는 시뮬레이션 대신 측정 데이터를 다룹니다.
뜨거운 칼을 차가운 팬 위로 끌 때 녹은 버터 웅덩이가 얼마나 넓어질지 맞힌다고 해 봅시다. 계산 한 줄짜리 어림 공식은 1초 만에 답을 줍니다. 열, 소용돌이치는 액체, 응고를 모두 다루는 전체 컴퓨터 모델은 더 나은 답을 주지만 몇 분이 걸리고, 짐작으로 정해야 하는 설정이 많이 필요합니다. 정직한 검증은 실제 웅덩이를 재서 어느 예측이 더 가까운지 보는 것입니다. 다만 그 설정들은 맞추어 조정한 값이므로, 잘 맞았다고 해서 겉보기만큼 많은 것이 증명되지는 않는다는 점도 눈여겨보아야 합니다.
이 장에서 다루는 내용
노트북에서 세 가지를 직접 실행합니다. (1) Rosenthal 이동 점열원 해의 Python 구현, (2) OpenFOAM 위에 만들어진 열·물질 전달 솔버인 ORNL의 오픈소스 AdditiveFOAM(AMB2018-02-B 튜토리얼), (3) AdditiveFOAM의 온도 이력을 입력으로 받는 셀룰러 오토마타 결정립 성장 코드 ExaCA입니다. 결과는 니켈 합금 IN625에 대한 NIST AM Bench 2018 단일 트랙 측정값과 비교합니다. 모든 코드는 examples/lab-process-simulation/에 있습니다. 인용이 따로 없는 아래의 모든 수치는 2026-11-15에 우리가 직접 실행한 결과입니다.
문제
용융풀은 결함이 시작되는 곳이지만 폭이 100 µm 정도여서 모든 곳에서 측정할 수 없습니다. 출력해 보지 않고 변수를 탐색하려면 시뮬레이션이 유일한 방법입니다. 공정 물리 연구를 시작하는 사람에게는 처음으로 동작하는 파이프라인이 필요하고, 그보다 더 중요하게는 그 출력 중 무엇을 믿을 수 있는지에 대한 감각이 필요합니다. 여기서 쓰는 공개 벤치마크는 AMB2018-02입니다. 맨 IN625 판 위에 레이저 단일 트랙 10개를 만들고, 단면 폭과 깊이는 현미경으로, 용융풀 길이는 열화상으로 측정했습니다 [1]. 2018년 벤치마크 결과에 대한 주최 측의 개요 논문은 [2]입니다.
최신 기술 수준: 비용 순서로 본 세 모델
| 모델 | 푸는 문제 | 필요한 것 | 이번 실행 시간 |
|---|---|---|---|
| Rosenthal 1946 [3] | 물성이 일정한 조건에서 이동 점열원의 열전도 | Python + NumPy | 6개 사례에 약 1분 |
| AdditiveFOAM 2.0.0 [4] | 잠열, 온도 의존 물성, 마랑고니 유동을 포함한 3차원 열전달 | Docker | 20 µm 셀에서 7.5초 |
| ExaCA 2.1.0 [5] | 열 이력 위에서의 핵생성과 결정립 성장 | Docker | 24초 |
이 실습의 파이프라인과, 각 모델이 예측한 사례 B 용융풀 폭·깊이를 NIST 측정값 옆에 나란히 놓은 그림.
저자가 AI의 도움을 받아 직접 제작한 그림입니다.
1단계. Python으로 Rosenthal 풀기
속도 v로 두꺼운 판 위를 움직이는 점열원에 대한 Rosenthal 해는 닫힌 형태입니다. 온도 상승량은 q를 2πkR로 나눈 값에, 열확산율의 두 배로 나눈 v(R+ξ)에 대한 지수함수를 곱한 것입니다. 여기서 R은 열원까지의 거리, ξ는 트랙 방향 좌표입니다 [3]. 이 해는 물성 일정, 잠열 없음, 대류 없음, 표면 손실 없음을 가정합니다. 이 식을 Inconel 718의 레이저 분말 베드 융합에 대한 유한요소 결과와 비교한 최근 연구는, 용융풀 형상에 대해 두 방법 모두 그럴듯하지만 Rosenthal 결과가 가정한 흡수율에 훨씬 민감하고 키홀 조건에서는 너무 넓게 나온다고 보고했습니다 [6].
cd examples/lab-process-simulation
python3 -m venv .venv && .venv/bin/pip install -r python/requirements.txt
make test # four self-checks, 0.2 s
make rosenthal # ~1 min
이 코드는 AdditiveFOAM이 자체적으로 쓰는 재료 파일의 IN625 물성(밀도 7569.92 kg/m3, 비열 579.28 J/kg/K, 열전도도 8.275 + 0.01472 T W/m/K, 고상선 1410 K, 액상선 1620 K)을 사용하고, 일정한 열전도도는 300 K와 고상선의 평균에서 계산한 20.9 W/m/K로 둡니다. 이 선택은 우리가 한 것이며 조절 가능한 변수 중 하나입니다. 점열원은 중심에서 온도가 무한대이므로, 스크립트는 같은 커널을 가우스 원판(D4σ 170 µm, AMMT 레이저)에 걸쳐 적분한 두 번째 변형도 계산합니다. 우리 실행 결과(Python 3.14.6, NumPy 2.5.4이며, NumPy 2.5.5로 독립적으로 다시 실행해도 수치는 같았습니다. 흡수율 0.33, 고상선 등온면, 단위 마이크로미터)는 다음과 같습니다.
case source k[W/mK] length width depth
A point 20.9 340.0 140.0 70.0
A gaussian 20.9 342.0 176.0 57.0
B point 20.9 424.0 116.0 58.0
B gaussian 20.9 396.0 162.0 45.0
C point 20.9 418.0 96.0 48.0
C gaussian 20.9 358.0 148.0 34.0
사례 A, B, C는 벤치마크의 세 가지 출력-속도 조합입니다(실제 레이저 출력 137.9, 179.2, 179.2 W, 속도 400, 800, 1200 mm/s [1]). 테스트 파일은 트랙 축 위에서 닫힌 형태 해를 확인하고, 가우스 변형을 좁게 만들면 점열원으로 수렴하는지, 그리고 구적이 수렴했는지를 검사합니다.
2단계. AdditiveFOAM 이미지 만들기
AdditiveFOAM 2.0.0에는 OpenFOAM 재단의 OpenFOAM-14가 필요합니다 [4] [7]. 우리가 찾아본 한 OpenFOAM-14용 Docker 이미지는 없고(재단의 Docker Hub 이미지는 버전 11까지였습니다), 재단이 Ubuntu 24.04용 패키지를 amd64와 arm64 모두 배포하므로, 이미지는 이 패키지를 설치한 뒤 2.0.0 태그의 AdditiveFOAM을 컴파일합니다.
make images
우리 arm64 호스트에서 첫 빌드는 약 7.7분이 걸렸고(대부분 OpenFOAM 패키지와 의존 패키지를 내려받아 설치하는 시간), 문제가 생길 때에서 설명하는 오류를 고친 뒤 다시 빌드하는 데 약 1.5분이 더 걸렸으며, 그중 약 1분이 AdditiveFOAM 컴파일입니다. Kokkos 4.5.01(OpenMP 백엔드) 위의 ExaCA 2.1.0은 28초가 더 걸렸습니다. 2026-11-15에 같은 호스트에서 --no-cache로 독립적으로 다시 빌드했을 때는 첫 이미지가 3분 56초, ExaCA가 24초 걸렸으므로, 위의 시간은 기계와 네트워크에 따라 달라지는 값으로 보십시오. 다른 설치 경로인 spack은 시도하지 않았고, 재단 패키지로 충분했습니다.
3단계. 튜토리얼 실행하기
make run # docker/run-amb2018.sh dx20
스크립트는 튜토리얼 AMB2018-02-B를 복사하고, 기본적으로 꺼져 있는 후처리 함수 객체 세 가지(meltPoolDimensions, solidificationData, ExaCA)를 켠 뒤 ./Allrun을 실행합니다. 순서는 blockMesh, 8개 랭크로의 decomposePar, additiveFoam, 재구성입니다. 사례는 실제 출력 179.2 W, 속도 0.8 m/s로 가는 2 mm 트랙이며, 흡수율 0.33, 2차 모멘트 반경 85 µm의 슈퍼 가우스 열원을 쓰고, IN625 재료에 마랑고니 조건과 대류·복사 냉각이 걸린 평평한 상단 경계를 둡니다. 기본 격자는 150 x 25 x 15 셀(20 µm, 56,250셀)입니다. 우리 실행은 벽시계 시간 7.5초, 모사 시간 4 ms였습니다. 2026-11-15의 독립적인 재실행에서는 4.9초였고 용융풀 CSV는 동일했습니다.
meltPoolDimensions는 등온면마다 CSV 하나(1410.csv는 고상선, 1620.csv는 액상선)를 쓰며, 각 파일에는 그 등온면을 감싸는 경계 상자의 길이, 폭, 깊이가 들어 있습니다. 트랙의 정상 구간(1.0-1.5 ms)을 평균하면 다음과 같습니다.
.venv/bin/python python/summarize_pool.py work/dx20
solidus length 391.3 +- 1.6 width 137.3 +- 0.1 depth 43.7 +- 0.0 (um, mean +- sd over window)
liquidus length 250.6 +- 1.2 width 118.5 +- 0.1 depth 36.8 +- 0.1 (um, mean +- sd over window)
4단계. 격자 수렴 확인하기
깊이가 44 µm인 용융풀에 20 µm 셀은 거칩니다. 격자를 세분화해 반복합니다.
docker/run-amb2018.sh dx10 300 50 30 0.0016 # 450,000 cells, 50 s
docker/run-amb2018.sh dx5 600 100 60 0.001 # 3,600,000 cells, 14 min 52 s
| 셀 크기 | 고상선 폭 | 고상선 깊이 | 액상선 폭 | 액상선 깊이 | 벽시계 시간 |
|---|---|---|---|---|---|
| 20 µm | 137.3 | 43.7 | 118.5 | 36.8 | 7.5초 (모사 4 ms) |
| 10 µm | 140.9 | 43.4 | 123.6 | 36.1 | 50초 (모사 1.6 ms) |
| 5 µm | 140.9 | 43.6 | 123.8 | 36.2 | 14분 52초 (모사 1 ms) |
20 µm에서 5 µm 셀로 가는 동안 폭과 깊이는 3퍼센트 미만으로 변했고, 10 µm와 5 µm 사이에서는 사실상 변하지 않았습니다. 이 두 출력에 대해서는 거친 튜토리얼 격자로도 충분합니다. 길이는 격자 수렴을 따로 검증하지 않았고 고상선 길이가 391, 390, 390 µm으로 약 1퍼센트 이내로 일치한다는 것만 확인했습니다.
5단계. ExaCA로 결정립 성장 계산하기
ExaCA는 적층제조 조건에서의 핵생성과 결정립 성장을 다루는 셀룰러 오토마타 코드입니다 [8].
make exaca # docker/run-exaca.sh dx20
함수 객체가 ExaCA/time-temperature.csv(응고 사건 413,815개)와 입력 파일을 썼습니다. ExaCA는 8개 MPI 랭크로 총 23.6초(그중 셀룰러 오토마타 계산 15.6초) 동안 실행되었고, 이어서 ExaCA-GrainAnalysis가 결과를 요약했습니다(독립적인 재실행에서는 ExaCA 단계가 12.0초 걸렸고 같은 결정립 통계를 출력했습니다. 10 µm 메시는 50초 대신 30초가 걸렸고 표의 같은 행 값을 냈습니다).
-- There are 8591 grains in this volume , and the mean grain volume is 1041.169556 cubic microns
-- The mean grain aspect ratio (Z direction to transverse) is 1.135104
-- The volume fraction of the region consisting of nucleated grains is 0.004082
2.5 µm 셀 영역은 812 x 47 x 15셀로, 약 2.0 mm x 115 µm x 35 µm입니다. 핵생성 변수(밀도, 평균 과냉도)와 결정 방위 파일은 튜토리얼과 ExaCA 기본값에서 가져왔습니다. 이 결정립을 사례 B의 NIST EBSD 데이터와 비교하지는 않았으므로, 이 결정립 통계는 결합이 실행된다는 시연일 뿐 검증이 아닙니다.
왜 어려운가: 측정값과, 그리고 자기 자신과 비교하기
AMMT 장비의 사례 B에 대한 NIST 기준값은 단면에서 얻은 폭 123.5 µm와 깊이 36 µm, 열화상으로 얻은 용융풀 길이 359 µm입니다 [1] [9] [10]. 논문은 평균의 표준불확도를 폭 1.9 µm, 깊이 0.6 µm, 길이 3.7 µm로 보고하며, NIST는 등급별 평균이 공정의 확률적 변동을 보여 준다고 지적합니다 [9] [10]. 이 불확도의 크기는 아래에서 중요합니다.
| 모델(사례 B) | 폭 µm | 깊이 µm | 길이 µm |
|---|---|---|---|
| NIST AMMT 측정값 | 123.5 | 36.0 | 359 |
| AdditiveFOAM, 고상선, 5 µm 셀 | 140.9 (+14 %) | 43.6 (+21 %) | 389.6 (+9 %) |
| AdditiveFOAM, 액상선, 5 µm 셀 | 123.8 (+0.2 %) | 36.2 (+0.6 %) | 258.8 |
| Rosenthal, 점열원 | 116 (-6 %) | 58 (+61 %) | 424 (+18 %) |
| Rosenthal, 가우스 열원 | 162 (+31 %) | 45 (+25 %) | 396 (+10 %) |
이 표는 과대 해석하기 쉬우므로 신중히 읽어야 합니다.
- 액상선 일치는 독립적인 검증이 아닙니다. 튜토리얼 README는 흡수율과 열원 치수가 AMB2018-02 단일 트랙 데이터에 맞추어 보정되었다고 밝힙니다 [4] [11]. 따라서 액상선의 폭과 깊이가 거의 완벽하게 맞는 것은 부분적으로 설계에 내장된 결과입니다. 식각된 용융선이 어느 등온면에 해당하는지는 해석의 선택입니다. 고상선은 14퍼센트와 21퍼센트 크고, 액상선은 0.2퍼센트와 0.6퍼센트 큽니다. 측정된 길이는 고상선(NIST는 1290 °C로 가정)을 썼으므로 액상선 길이는 비교 대상이 아니며, 고상선 길이는 9퍼센트 깁니다.
- Rosenthal의 폭이 좋아 보이는 것은 우연입니다. 점열원은 폭은 맞지만 깊이가 61퍼센트 큽니다. 흡수된 출력이 한 점에 모여 있기 때문입니다. 실제 빔 크기로 퍼뜨리면 깊이는 일부 개선되지만 폭이 어긋납니다. 입력값도 불안정합니다. 아래의 민감도 조사는 답이 측정값의 변동보다 훨씬 크게 움직임을 보여 줍니다.
- 불일치는 측정 오차보다 큽니다. 모든 모사값은 평균의 불확도 0.6-3.7 µm의 여러 배만큼 측정값과 다르므로, 차이는 잡음이 아니라 실제 모델 차이입니다. 폭과 깊이가 한 가지 인자에 서로 다르게 반응하므로, Rosenthal 계열 모델은 단일 인자로는 이 차이를 없앨 수 없습니다.
보정되지 않은 입력은 얼마나 중요한가
make rosenthal은 sweep_uncertainty.py도 실행합니다. 사례 B, 가우스 열원, 흡수율 0.25-0.45, 열전도도 16-30 W/m/K 범위입니다.
eta k[W/mK] width depth
0.25 16.0 148.0 36.0
0.33 22.4 160.0 44.0
0.45 30.0 172.0 54.0
(아홉 행 중 세 행이며 전체 표는 expected/rosenthal_sweep.txt에 있습니다.) 격자 전체에서 폭은 136-180 µm, 깊이는 32-58 µm에 걸쳐, 이 판에 대해 아무도 측정하지 않은 두 값만으로 폭은 약 40 µm, 깊이는 약 26 µm의 편차가 생깁니다. 흡수율은 상수조차 아닙니다. 현장 열량 측정에서 반동 압력이 표면을 누르기 시작하면 유효 흡수율이 증가함이 나타났습니다 [12]. AdditiveFOAM의 상수 0.33과 고상선 위에서 외삽된 열물성에도 같은 문제가 있습니다. 우리의 격자 시험은 수치 오차가 여기서 지배적인 불확도가 아님을 보여 주며, 지배적인 것은 보정입니다.
모델이 주장할 수 없는 것
- 키홀과 기공. 사례 B는 전도 모드 트랙입니다. 튜토리얼의 상단 경계는 마랑고니 조건이 걸린 고정된 평평한 벽이므로(
0/U,system/blockMeshDict) 자유 표면이 변형될 수 없고 증기 함몰부도 생기지 않습니다. 초고속 X선 영상으로 위치와 특성이 밝혀진 키홀 임계값 [13] 위에서는 이런 모델이 가장 먼저 실패하며, Rosenthal은 거기서 폭을 과대 예측합니다 [6]. 키홀 기공의 형성을 다루려면 분해된 증기 공동이 필요합니다. - 스패터와 분말 제거 영역. 이것들은 증기 구동 유동과 반동 압력에서 나오며, 자유 표면을 가진 메조스케일 시뮬레이션이 재현해 왔습니다 [14]. 이 열전달·마랑고니 설정에도 Rosenthal에도 이것들은 들어 있지 않습니다.
- 분말. AMB2018-02는 문제에서 분말을 제거하려고 일부러 맨 판을 썼습니다 [1]. 실제 분말 베드 트랙에는 튜토리얼이 시험하지 않는 흡수와 열전도도의 변화가 더해집니다.
- 냉각 속도. 우리 dx20 실행에서 응고 데이터의 냉각 속도 중앙값은 약 210만 K/s로, NIST가 사례 B에서 측정한 약 100만 °C/s와 같은 자릿수입니다. 그러나 NIST 스스로 모션 블러와 보정 범위의 한계 때문에 자신의 냉각 속도를 기준 데이터가 아닌 예시 데이터로 표시하며 [9], 온도 구간도 다릅니다. 이 일치로부터 어떤 결론도 내리지 않습니다.
- 결정립 구조. 5단계를 보십시오. 여기서는 검증하지 않았습니다.
문제가 생길 때
apt가 OpenFOAM 패키지를 거부함. 첫 이미지 빌드는 약 7분 뒤 "Redirection from https to 'http://downloads.sourceforge.net/…' is forbidden"이라는 메시지와 함께 실패했습니다. 재단의 apt 저장소가 패키지 다운로드를 SourceForge의 HTTP 주소로 리디렉션하기 때문입니다. 해결:curl -L로.deb파일을 내려받아 로컬 파일을apt-get install합니다. Dockerfile이 지금 그렇게 합니다.- 일반 사용자에게
additiveFoam: command not found. root로 빌드하면 바이너리가/root/OpenFOAM아래에 설치됩니다. Dockerfile은 이제 사용자sim으로 빌드합니다. - CPU 아키텍처 불일치.
.debURL은 arm64용입니다. amd64 머신에서는binary-arm64와_arm64를 amd64 이름으로 바꾸십시오(재단은 두 아키텍처를 모두 제공하지만 우리는 arm64만 실행했습니다). - Python 버전. AdditiveFOAM 자체의 Python 도구는 Python 3.10-3.12를 요구하며, 이미지는 Ubuntu의 3.12를 씁니다. 호스트의 Python 3.14는 Rosenthal 스크립트에만 썼습니다.
- 엉뚱한 디렉터리에서 ExaCA 실행.
input.json이 상대 경로를 쓰므로 반드시 사례 디렉터리에서 실행하십시오. - 컨테이너에서
No space left on device. 우리 호스트에서는 Docker VM 디스크가 가득 차 있었습니다.additiveFoam이mpirun에서orte_session_dir failed로 죽었고(log.additiveFoam에mkdir ... No space left on device), 새apt-get update는 "repository ... is not signed"로 실패했습니다. 공간을 확보(docker builder prune -af,docker image prune)하고 다시 실행하면 두 오류가 모두 사라졌습니다. - 구적 특이점. 가우스 열원의 첫 버전은 장 지점이 열원 지점과 정확히 겹쳐서 모든 사례에서 폭 206 µm를 냈습니다. 작은 완화 길이(셀 크기의 0.28)로 해결했고, 테스트 파일이 수렴된 결과를 지킵니다.
다음에 시도해 볼 것
constant/heatSourceDict의refinement모델을none에서targetCellLoad(튜토리얼 README에 설명됨)로 바꾸고, 균일한 5 µm 셀과 비용을 비교해 보십시오.- 사례 A와 C를 실행해 보십시오.
constant/scanPath를 편집(출력 137.9 W, 속도 0.4 m/s 또는 1.2 m/s)하고 측정값 147.9/42.5 µm, 106/29.6 µm와 비교합니다 [10]. - 프로젝트의 열원 보정 튜토리얼(
tutorials/heatSourceCalibration)로 사례 A에 보정하고 B와 C에서 시험해 보십시오. 튜토리얼이 제공하지 않는 따로 떼어 둔 검증입니다. - 상수 흡수율을 출력 의존 곡선으로 바꾸어, Rosenthal의 폭과 깊이가 동시에 맞을 수 있는지 확인해 보십시오.
- NIST의 명시야 단면 이미지를 내려받아 폭과 깊이를 직접 재 보고, 측정자에 따라 답이 얼마나 달라지는지 확인해 보십시오.
왜 중요한가
공정 시뮬레이션은 이 분야가 시행착오식 출력을 줄이겠다고 내놓는 수단이지만, 조정된 변수가 두세 개인 모델은 한 트랙에는 정확히 맞으면서도 다음 트랙에 대해서는 거의 아무것도 말해 주지 못할 수 있습니다. 이 실습은 어떤 용융풀 결과에든 던져야 할 세 가지 정직한 질문을 보여 줍니다. 같은 데이터로 보정되었는가, 아무도 측정하지 않은 입력에 얼마나 민감한가, 어떤 물리가 빠져 있는가.
실제 현장에서는
AdditiveFOAM은 오크리지 국립연구소가 GPL-3.0 이상으로 공개했고 동료 심사를 거친 소프트웨어 논문이 있으며 [15], ExaCA는 Exascale Computing Project에서 나온 MIT 라이선스 코드입니다 [5]. 두 코드는 5단계처럼 결합하도록 설계되었습니다. 우리의 실행 시간은 20 µm 격자에서 얻은 노트북 결과이며, 다층 부품의 실제 시뮬레이션은 훨씬 크고 셀이 작아질수록 비용이 가파르게 늘어납니다(여기서는 20 µm 셀에서 모사 4 ms에 7.5초이던 것이 5 µm 셀에서는 모사 1 ms에 14분 52초).
핵심 용어
- Rosenthal 해 — 물성이 일정한 두꺼운 고체 위를 움직이는 점열원의 온도장에 대한 닫힌 형태의 해.
- 흡수율 — 레이저 출력 중 금속에서 열이 되는 비율. 시뮬레이션의 보정 변수.
- D4σ 직경 — 강도의 2차 모멘트로 정의한 빔 직경. 레이저 스폿 크기를 나타내는 데 쓰임.
- 고상선과 액상선 — 용융이 시작되고 끝나는 온도. 모델의 IN625 파일에서는 1410 K와 1620 K.
- 등온면 — 온도가 일정한 면. 모델에서 용융풀의 경계는 이 면 중 하나.
- 마랑고니 유동 — 온도 차이로 생긴 표면장력 차이가 일으키는 액체의 움직임.
- 전도 모드 — 증기 공동 없이 용융되어 얕고 둥근 용융풀이 되는 방식.
- 키홀 모드 — 깊은 증기 공동을 동반하는 용융 방식. 기공의 원천이며 단순 모델이 실패하는 영역.
- 셀룰러 오토마타(CA) — 국소 규칙으로 셀을 갱신하는 모델. ExaCA가 핵생성과 결정립 성장에 사용.
- 보정 — 출력이 측정값에 맞도록 불확실한 모델 입력을 조정하는 일.
- 격자 수렴 — 셀을 작게 만들어도 결과가 더 이상 변하지 않는지 확인하는 일.
다음 이야기
실습 5는 NIST AM Bench 2022 벤치마크의 용융풀 측정 데이터를 다루며, 실험 설계를 무시한 분할이 기계학습 점수를 어떻게 부풀리는지 보여 줍니다.