연구를 위한 오픈 도구: 데이터, 시뮬레이션, 모니터링
📍 현재 위치: 5부 · 데스크톱 너머 — 16장 중 15장. 11장에서는 연구용으로 만든 오픈 장비를 보았습니다. 이번 장에서는 그 연구를 검증할 수 있게 해 주는 오픈 데이터, 시뮬레이션 코드, 모니터링을 살펴봅니다.
요리 대회에서 모든 요리사가 레시피, 오븐 온도 기록, 케이크 사진을 공개해서 누구나 다시 구워 보거나 결과를 예측하는 모델을 만들 수 있다고 상상해 보세요. 적층제조의 오픈 연구 도구는 그렇게 작동합니다. 공개된 측정값, 무료 시뮬레이션 소프트웨어, 공유된 센서 기록입니다. 어려움도 요리와 같습니다. 레시피가 있다고 해서 내 주방에서 같은 결과가 재현되는 것은 아닙니다.
이 장에서 다루는 내용
세 종류의 오픈 도구를 둘러봅니다. 데이터(NIST AM Bench와 기타 공개 데이터셋), 시뮬레이션(열 흐름, 유체 흐름, 응력을 위한 무료 코드), 모니터링(출력을 지켜보는 오픈 소프트웨어)입니다. 마지막으로 재현성, 즉 다른 사람이 내 작업을 반복할 수 있도록 무엇을 기록해야 하는지를 다룹니다. 언급한 도구와 데이터셋에는 모두 참고문헌에 공개 출처가 있습니다.
오픈 데이터: 벤치마크와 데이터셋
NIST AM Bench는 NIST가 약 3년 주기(2018, 2022, 2025년, 2028년 계획)로 운영하는 벤치마크 측정과 도전 과제 시리즈입니다. 모델러가 시뮬레이션을 검증할 수 있도록 엄밀하게 통제된 측정 데이터를 제공하는 것이 목적이며, 모든 데이터는 공개 사용을 위해 보관됩니다 [1]. 모델러는 실험 설명을 받아 결과를 사전에 예측해 제출하고, 그다음 측정값이 공개됩니다. 2018년 회차는 동료 심사를 거친 결과 논문으로 정리되어 있으며, 이 논문은 AM Bench가 다양한 공정과 재료에서 AM 시뮬레이션을 검증하기 위한 엄밀한 측정 데이터를 제공하려고 만들어졌다고 설명합니다 [2].
2025년 회차에는 아홉 개의 벤치마크 세트가 있으며, 여덟 개는 금속, 하나는 폴리머입니다. 예로는 원료 화학 조성을 달리한 레이저 분말 베드 융합 니켈 초합금 625, Ti-6Al-4V의 피로, 잔류응력 측정을 포함한 레이저 핫와이어 직접 에너지 적층, 노광량에 따른 경화 깊이를 다루는 광경화 레진 문제가 있습니다 [3]. NIST에서 데이터 허브, 검색 가능한 카탈로그, JHU SciServer의 무료 연산 자원으로 연결됩니다 [4]. 제가 읽은 페이지에는 데이터의 라이선스나 파일 형식이 적혀 있지 않으므로, 재사용 전에 각 데이터 공개본을 확인하십시오. NIST는 앞으로 산업계와 설계한 실제 부품으로 초점을 옮기며, 첫 세트는 2028년으로 계획되어 있다고 밝힙니다 [1].
확인한 다른 공개 데이터셋은 다음과 같습니다.
- 금속 분말 베드 융합을 위한 NIST 정합 인시튜·엑스시튜 데이터셋(NIST AMS 100-69, Yang, Van Handel, Lu, Yeung, Lane, 2025년 5월). 공정 모니터링 데이터를 X선 컴퓨터 단층촬영(CT)과 기타 측정에 연결합니다 [5].
- 스테인리스강 316H 원기둥 64개를 출력한 레이저 분말 베드 조형의 ORNL 인시튜 데이터셋: 층별 가시광·열화상 이미지, 스캔 경로, CT, 그중 60개의 피로 결과 [6]. 제가 읽은 페이지에는 라이선스가 적혀 있지 않습니다.
- Scientific Data(2025)의 용융풀 컴필레이션: 논문 초록에 따르면 23개 출처의 32개 데이터셋에서 이미지를 모았고("Melt-Pool-Kinetics"), 원시 데이터 1.9 TB를 48.6 GB HDF5 모음으로 공개했습니다 [7]. 논문은 데이터셋의 75%가 DED(레이저 금속 증착과 WAAM)이고 서로 다른 재료는 7가지뿐이라 다양성이 제한적이라고도 적습니다.
여기서 "오픈"은 내려받을 수 있게 공개라는 뜻이지, 항상 오픈 라이선스라는 뜻은 아닙니다. 머신러닝 연구에는 컴필레이션이 유용하지만, 원천 데이터셋은 각자의 조건을 유지합니다.
오픈 시뮬레이션 코드
AM을 시뮬레이션한다는 것은 열원이 움직이는 동안의 열 흐름(그리고 종종 유체 흐름과 응력)을 푸는 일입니다. 여러 무료 코드가 이를 수행합니다.
| 코드 | 하는 일 | 기반과 라이선스 | 근거 |
|---|---|---|---|
| AdditiveFOAM | 금속 AM의 열·물질 전달, 용융과 응고. 이동 빔 지원, ExaCA 결정립 코드로 열 데이터 내보내기 가능 | OpenFOAM 기반 [8], GPL v3 이상 | JOSS 논문(2025) [9], 저장소 [10] |
| FEniCS | 범용 유한요소 도구. 사용자가 방정식을 작성 | 오픈소스 라이브러리 | Alnæs 외 [11], 위상장 열-기계 AM 모델에 사용(2023년 단편 학술대회 논문이므로 강한 검증이 아니라 사용 사례) [12] |
| MOOSE | 다중물리 유한요소 프레임워크 | 오픈소스 프레임워크 | 프레임워크 논문 [13], 2026년 오픈소스 WAAM 열-기계 연구에 사용 [14] |
오픈 스택이 할 수 있는 일의 최근 사례가 있습니다. 2026년 Additive Manufacturing 논문은 윤곽법, 중성자 회절, 경도 측정을 316 L WAAM 벽의 MOOSE 열-기계 시뮬레이션과 결합했고, 3층 벽에서 예측 응력이 중성자 데이터와 20-50 MPa 이내로 일치한다고 보고합니다 [14]. 이는 하나의 형상과 재료에 대한 한 건의 연구이고 아직 다른 연구에 인용되지 않았으므로, 검증된 범용 도구가 아니라 실험실 규모의 근거로 보십시오.
성숙도는 서로 다릅니다. AdditiveFOAM은 문서와 동료 심사를 거친 소프트웨어 논문이 있는 AM 전용 코드입니다. 저장소에는 1.0.0 릴리스가 OpenFOAM-10을 지원하고 현재 문서는 더 새로운 OpenFOAM을 대상으로 한다고 되어 있으므로, 설치 전에 버전 조합을 확인하십시오. FEniCS와 MOOSE는 범용 도구입니다. 모델을 직접 작성하거나 가져와야 하므로 유연하지만 품이 더 들고, 공개된 모델은 검증된 만큼만 좋습니다.
무거운 시뮬레이션 전의 점검
Rosenthal(1946)의 고전 해석 모델은 움직이는 점 열원 주위의 온도를 줍니다 [15]. 조잡한 모델입니다. 점 열원 때문에 레이저 근처에서 온도가 발산하고 용융은 무시합니다. 하지만 답의 모양을 보여 주고 단위 실수를 잡아 줍니다. 아래 입력값은 예시이며 실측이 아닙니다. 코드는 Python 3 표준 라이브러리만으로 실행해 보았습니다.
import math
eta, P = 0.4, 200.0 # absorptivity, laser power [W]
k, alpha = 20.0, 5e-6 # conductivity [W/m/K], diffusivity [m^2/s]
v, T0 = 1.0, 300.0 # scan speed [m/s], preheat [K]
def T(xi, y=0.0, z=0.0): # xi = x - v*t (moving frame) [m]
R = math.sqrt(xi*xi + y*y + z*z)
return T0 + eta*P/(2*math.pi*k*R) * math.exp(-v*(R + xi)/(2*alpha))
for d_um in (500, 1000, 2000):
d = d_um*1e-6
print(f"{d_um:4d} um ahead: {T(+d):8.1f} K behind: {T(-d):8.1f} K")
출력: 레이저 앞쪽의 판은 아직 300 K이고, 뒤쪽 온도는 0.5 mm에서 약 1573 K, 2 mm에서 약 618 K로 떨어집니다. 이 혜성 꼬리가 AdditiveFOAM 같은 본격 코드가 훨씬 더 잘 풀어내는 물리입니다.
오픈 연구 순환: 공개 데이터, 오픈 코드, 오픈 모니터링이 서로를 먹여 살리고 재현성 기록이 고리를 닫는다.
저자가 AI의 도움을 받아 직접 제작한 그림입니다.
오픈 모니터링
인시튜 모니터링은 공정이 진행되는 동안 지켜보는 일입니다. 데스크톱 쪽에서는 Obico가 자체 호스팅 가능한 오픈소스 플랫폼으로, 웹캠 프레임에 학습된 이미지 모델을 적용해 실패한 출력을 감지하고 OctoPrint, Moonraker(Klipper) 등의 연결을 통해 출력을 일시 정지할 수 있습니다 [16]. 연구 쪽에서는 위의 오픈 데이터셋이 계측된 산업용 장비를 소유하는 일을 대신하며, 14장의 reAM250 플랫폼은 직접 센서를 추가하도록 설계되어 있습니다. 이 두 끝을 잇는 단일 오픈 표준은 찾지 못했습니다.
재현성: 무엇을 기록할 것인가
다른 사람이 반복할 수 있을 때 결과는 재현 가능합니다. 최소한의 기록은 다음과 같습니다. 소프트웨어 이름과 버전(그리고 그것이 의존하는 OpenFOAM이나 라이브러리 버전), 입력 파일, 재료 로트와 설정, 장비와 펌웨어 버전, 사용한 데이터 공개본. AM Bench가 통제된 데이터와 사전 예측을 강조하는 것도 이 때문입니다 [1]. 데이터셋 하나로 "검증되었다"고 주장하는 것은 경계하십시오. 2022년 미세구조 데이터는 내려받기는 많았지만 도전 과제 제출은 적었는데, 이는 구할 수 있다는 것과 쓰인다는 것이 다름을 보여 줍니다 [1].
왜 중요한가
닫힌 산업용 장비는 데이터를 숨깁니다. 오픈 데이터와 코드는 학생과 소규모 연구실이 백만 달러짜리 장비 없이 아이디어를 시험하게 해 주고, 심사자가 주장을 확인하게 해 줍니다.
실제 현장에서는
대학과 국립연구소의 작업에서 이런 것들을 보게 됩니다. 모델 검증에는 AM Bench, 공정 시뮬레이션에는 AdditiveFOAM이나 MOOSE, 머신러닝 연구에는 공개 모니터링 데이터셋입니다.
핵심 용어
- AM Bench — AM 시뮬레이션 검증을 위한 NIST의 벤치마크 측정 및 도전 과제 시리즈.
- 도전 과제(challenge problem) — 모델러가 먼저 예측하고 이후 측정 결과와 비교하는 사전 예측 과제.
- OpenFOAM — 전산유체역학을 위한 오픈소스 도구 모음.
- AdditiveFOAM — OpenFOAM 기반의, 금속 AM의 열·유체 흐름을 위한 ORNL 코드.
- FEniCS — 유한요소법으로 편미분방정식을 푸는 오픈소스 도구 모음.
- MOOSE — 오픈소스 다중물리 유한요소 프레임워크.
- 인시튜 모니터링(in-situ monitoring) — 출력이 진행되는 동안 센서로 감시하는 것.
- XCT — X선 컴퓨터 단층촬영. 조형 후 내부 기공을 촬영하는 데 쓴다.
- 재현성(reproducibility) — 공개된 기록만으로 다른 사람이 결과를 반복할 수 있는 성질.
다음 이야기
마지막으로 도구에서 사람으로 넘어갑니다. 기여, 커뮤니티, 그리고 솔직한 평가입니다.