터빈 블레이드는 복잡한 형상, 특수한 재료 및 복잡한 가공 공정을 특징으로 합니다. 점군 정합 기반의 3D 모델은 블레이드 제조의 정밀도와 품질을 비교 분석하고 평가할 수 있습니다. 그러나 점군 정합 과정에서 점군 겹침 부분을 정확히 위치시키기 어렵고 계산이 복잡합니다. 이러한 문제를 해결하기 위해 복잡한 속이 빈 터빈 블레이드 점군의 빠른 정합 방법이 제안되었습니다. 이 방법은 딥러닝 기반으로 소스 점군과 타겟 점군에서 다단계 특징을 추출하고 특징 간 정보 교환을 수행하여 주의 메커니즘 없이 두 점군 입력의 전역 특징이 동일 부분에 집중할 수 있도록 합니다. 실험 결과는 딥러닝 네트워크 PANet과 비교하여 ModelNet40 데이터셋 정합 결과의 RMSE(r)와 RMSE(t)가 각각 34%와 15% 감소했음을 보여줍니다; ModelNet40 데이터셋 기반 추가 학습 후 터빈 블레이드 점군 정합 결과의 RMSE(r)와 RMSE(t)는 각각 83%와 46% 감소했습니다. 이 방법은 터빈 블레이드 제조 정밀도 평가 과정에서 폭넓게 활용될 것으로 기대됩니다.

점군 정합;터빈 블레이드;특징 정보;특징 상호 작용;겹침 영역