KAIST 기계공학과 윤정환 교수 연구팀은 재료 물성 변동을 고려한 스프링백 예측을 위한 응력 인식 그래프 신경망(SpringbackGNN) 프레임워크를 개발했다고 밝혔다. 이 기술은 단 256개의 유한요소 시뮬레이션 데이터만으로 기존 인공신경망(ANN) 대비 평균 절대오차(MAE)를 약 1.7배 낮추는 동시에, GPU 가속을 통해 CPU 대비 약 48배 빠르게 학습을 완료할 수 있다.

스프링백은 판재 성형 공정에서 소재 탄성 회복으로 인해 성형 후 형상이 목표치에서 벗어나는 현상으로, 고강도 소재 적용이 확대되는 자동차 산업에서 치수 정밀도 확보의 핵심 과제로 부각되고 있다. 기존 유한요소 해석 기반 예측 방법은 높은 계산 비용과 재료 변동성 반영의 한계를 지니고 있어, 보다 효율적이고 물리적으로 해석 가능한 새로운 접근법이 요구되어 왔다.

 연구팀은 고급 고강도 강판(AHSS)의 유한요소 시뮬레이션 데이터를 활용하여 성형 부품의 각 위치(절점), 해당 위치의 응력 상태, 그리고 재료의 물성값을 하나의 네트워크 구조로 표현하였다. 이는 마치 도시의 건물(절점)과 도로(연결관계)로 지도를 그리듯, 금속 판재의 역학적 상태를 그래프 형태로 나타낸 것이다. 성형이 끝난 뒤 금형에서 소재를 꺼내면 내부에 쌓였던 응력이 풀리면서 형상이 변하는 스프링백이 발생하는데, 연구팀은 이 응력 해소 과정과 이로 인한 형상 변화를 순차적으로 학습하는 2단계 전략을 채택하였다. 

 첫 번째 단계에서 응력 완화 패턴을 학습한 뒤, 두 번째 단계에서 그 결과를 기하학적 변형 예측에 연계함으로써 모델이 물리 법칙에 부합하는 예측을 수행하도록 유도하였다. 또한 재료마다 응력이 전달되는 방식이 달라지는 점을 반영하기 위해, 그래프의 연결 구조를 고정하지 않고 입력된 재료 물성에 따라 절점 간 연결 관계를 동적으로 조정하는 메커니즘을 도입하였다. 이를 통해 탄성 계수나 항복 응력이 서로 다른 소재에서도 응력 전달 경로의 차이를 모델이 스스로 포착할 수 있게 하였다.

 연구팀은 자동차 차체 구조 부품인 냉간 스탬핑 사이드 실(side-sill)을 대상으로 SpringbackGNN의 성능을 검증하였다. 검증 결과, 성형 후 절점 좌표 및 응력 분포를 높은 정확도로 재현함을 확인하였으며, GPU 가속을 통해 산업 현장에서 활용 가능한 수준의 학습 시간을 달성하였다. 민감도 분석 결과, 탄성 계수와 항복 응력이 스프링백 거동에 지배적인 영향을 미치는 것으로 나타났으며, 동일 강종이라 하더라도 코일 배치(batch)나 제조 이력에 따라 물성값이 달라질 수 있는 만큼, 이러한 재료 물성 변동을 예측 모델에 명시적으로 반영하는 것이 성형 정밀도 확보의 핵심임을 재확인하였다.

 윤정환 교수는 "이 SpringbackGNN 프레임워크는 성형 중 소재 내부에서 발생하는 응력·변형 상태와 최종 형상 변화 사이의 관계를 소재 종류나 공정 조건에 관계없이 일관되게 설명할 수 있다. 실제 생산 환경에서 소재 물성이 달라지더라도 이를 즉각 반영하여 성형 조건을 보정하고, 보다 정밀한 성형 공정을 설계할 수 있는 새로운 방향을 제시한다"고 밝혔다. 

 해당 기술은 향후 시뮬레이션 기반 성형 설계 과정을 획기적으로 단축하고, 자동차 부품의 치수 품질을 안정적으로 확보하는 데 기여할 것으로 기대된다. 나아가 판재 성형에 국한되지 않고, 소재가 변형된 후 내부 응력이 풀리는 거동이 수반되는 다양한 금속 가공 공정에도 폭넓게 적용될 수 있는 모델링 기반을 제공할 것으로 전망된다. 특히 연구팀은 교육부(MOE)의 지원을 받는 ‘USCar 프로그램'을 통해, 본 기술을 스탬핑 공정의 파단 예측(Failure Prediction 기술로 고도화하기 위한 후속 연구에 박차를 가하고 있다.

 이번 연구는 제조 공정 분야 국제 학술지 ‘(Journal of Materials Processing Technology)’에 2026년 2월 자로 게재되었다.

※ 논문명: Stress-aware graph neural network for springback prediction considering material variations (소재 가변성을 고려한 스프링백 예측용 응력 정보 반영 그래프 신경망)

DOI: https://doi.org/10.1016/j.jmatprotec.2025.119189

 이 연구는 교육부 재원으로 한국연구재단(NRF)의 기초과학연구사업(RS-2025–25406725), 과학기술정보통신부의 이노코어(InnoCORE) 프로그램(N10250154), 그리고 ARC 트레이닝 센터(IC220100028)의 지원을 받아 수행되었습니다. 끝으로, 저자들은 본 연구에 대한 실험적 지원을 제공해 준 대우공업에 깊은 감사를 표합니다.

 A research team led by Prof. Jeong Whan Yoon has introduced a stress-aware graph neural network (SpringbackGNN) designed to predict springback in sheet metal forming while accounting for material property variations. 

This framework represents a pioneering attempt to integrate mechanics-guided deep learning into forming process modeling, linking local stress–strain evolution with global geometric deviations through graph topology.

 By leveraging finite element simulations of advanced high-strength steels (AHSSs), the model encodes spatial nodes, stress components, and material parameters into a unified graph representation. A two-stage training strategy enhances physical consistency by coupling stress relaxation with geometric deformation, while a dynamic edge generation mechanism adaptively captures material-sensitive stress transfer. Remarkably, the model achieves high accuracy using only 256 simulations, outperforming conventional artificial neural networks and demonstrating strong data efficiency.

 The study validates the framework on cold-stamped side-sill components, showing that SpringbackGNN can accurately reproduce nodal coordinates and stress distributions, with GPU acceleration enabling practical training times. Sensitivity analysis further reveals the dominant role of elastic modulus and yield stress in springback behavior, underscoring the importance of material variability in forming accuracy.

 Prof. Yoon emphasized, “This stress-aware GNN framework establishes a generic and physically interpretable link between stress–strain fields and springback geometry. It offers a new paradigm for adaptive compensation and intelligent forming design under real-world material variations.”

 The technology is expected to accelerate digital forming workflows, improve dimensional consistency in automotive manufacturing, and provide a transferable modeling foundation for deformation–relaxation phenomena across diverse metal forming processes. Notably the research team is further developing this technology for predicting failure in stamping process through USCar Program funded by MOE.

This research was published in Journal of Materials Processing Technology (February 2026) under the title “Stress-aware graph neural network for springback prediction considering material variations by H Wang, H Lim, JW Yoon.

DOI: https://doi.org/10.1016/j.jmatprotec.2025.119189

This research was supported by Basic Science Research Program through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (RS-2025–25406725) and also supported by the InnoCORE program of the Ministry of Science and ICT (N10250154). This work is also partially supported by ARC Training Center of IC220100028. Finally, the authors gratefully acknowledge the experimental support of Daewoo Industries for this research.