[QForm으로 읽는 소성가공 #4] 압출재 결정립 크기, 압출 해석과 인공신경망으로 예측하기
[QForm으로 읽는 소성가공 #4] 압출재 결정립 크기, FEM과 인공신경망으로 예측하기
QForm Extrusion UK 해석 결과와 인공신경망을 결합한 AA6060 압출재 미세조직 예측 논문 요약
논문 정보
논문명: Microstructure prediction using finite element simulation and artificial neural network for extrusion of AA6XXX aluminum alloy
저자: Marco Negozio, Riccardo Pelaccia, Sara di Donato, Barbara Reggiani, Lorenzo Donati, Adrian H.A. Lutey
저널: Materials Research Proceedings 54, 2025, pp. 764–771
DOI: 10.21741/9781644903599-82
주제: QForm Extrusion UK의 FEM 결과와 인공신경망을 이용한 AA6060 압출재 결정립 크기 예측
한 줄 요약
QForm 해석에서 얻은 변형률·온도·변형률 속도·저장에너지 데이터를 인공신경망에 입력하면, 압출재 단면의 결정립 크기 분포를 예측할 수 있습니다.
이런 경험 없으셨나요?
압출 후 조직 편차를 사전에 알기 어렵다
동일한 단면에서도 위치별 온도와 변형 이력이 달라 결정립 크기가 달라질 수 있지만, 제품 생산 전에는 이를 정량적으로 판단하기 어렵습니다.미세조직 측정에 많은 시간이 필요하다
시편 채취, 연마, 에칭, 현미경 관찰을 반복해야 하므로 공정 조건별 미세조직 평가에는 많은 시간과 비용이 필요합니다.기존 예측식만으로 복잡 단면 대응이 어렵다
중공 프로파일과 같이 형상이 복잡하면 위치별 열·변형 이력이 달라 단순 경험식만으로 전체 단면의 조직 분포를 예측하기 어렵습니다.결정립 크기 예측이 중요한 이유
AA6XXX 압출재의 결정립 크기는 기계적 특성, 열적 특성, 표면 품질에 영향을 줍니다. 특히 자동차용 압출재는 강도, 성형성, 충돌 성능을 함께 만족해야 하므로 단면 전체의 미세조직 균일성이 중요합니다.
즉, 압출 해석이 하중과 온도 예측에 그치지 않고 최종 조직까지 연결되면 공정 조건과 금형 설계를 더 직접적으로 평가할 수 있습니다.
연구의 핵심 아이디어
연구진은 실제 압출재에서 측정한 결정립 크기를 정답 데이터로 사용하고, QForm Extrusion UK에서 계산한 공정 변수를 입력 데이터로 사용해 인공신경망을 학습시켰습니다.
FEM의 역할
압출 중 소재가 경험하는 변형률, 온도, 최대 변형률 속도와 같은 위치별 공정 이력을 계산합니다.실험의 역할
압출재 단면의 실제 결정립 크기를 측정해 인공신경망이 학습할 목표값으로 사용합니다.인공신경망의 역할
여러 공정 변수와 결정립 크기 사이의 비선형 관계를 학습하고, 전체 단면의 결정립 크기 분포를 예측합니다.연구 대상과 압출 조건
연구 대상은 AA6060 중공 압출 프로파일입니다. 실제 생산 배치에서 압출 하중과 출구 온도를 측정하고, 7번째 빌렛의 정상상태 구간에서 시편을 채취해 미세조직을 분석했습니다.
| 항목 | 조건 |
|---|---|
| 소재 | AA6060 알루미늄 합금 |
| 램 속도 | 8 mm/s |
| 압출비 | 27 |
| 컨테이너 / 빌렛 / 금형 온도 | 430°C / 480°C / 510°C |
| 빌렛 크기 | 직경 203 mm, 길이 950 mm |
| 미세조직 데이터 | 약 500개 측정값 |
QForm 해석 모델 검증
인공신경망의 입력 데이터로 사용하기 전에 QForm 해석 결과를 실제 생산 데이터와 비교했습니다. 압출 하중과 출구 온도 모두 실험값과 약 1% 이내로 일치했습니다.
| 검증 항목 | 실험값 | 해석값 | 오차 |
|---|---|---|---|
| 최대 압출 하중 | 23.4 MN | 23.3 MN | 1% 미만 |
| 프로파일 출구 온도 | 557°C | 562°C | 약 1% |
인공신경망 입력 변수
최종 모델에는 QForm에서 직접 계산한 변수와 미세조직 모델에서 유도한 변수를 함께 사용했습니다. 저장에너지는 전위 밀도와 서브그레인 구조의 영향을 반영하는 변수로, 최종 예측에서 가장 높은 중요도를 보였습니다.
변형률압출 과정에서 소재가 누적해서 경험한 소성변형 정도 |
온도압출재 위치별 열 이력과 출구 부근 온도 상태 |
최대 변형률 속도소재 이동 경로에서 발생한 최대 변형률 속도 |
Zener–Hollomon 변수온도와 변형률 속도의 영향을 함께 나타내는 열간가공 변수 |
저장에너지변형 중 축적된 전위와 서브그레인 구조의 영향을 반영한 미세조직 변수 |
출력값실험에서 측정한 위치별 평균 결정립 크기 |
인공신경망 구성
전체 데이터의 80%는 학습에, 20%는 검증에 사용했습니다. 여러 활성화 함수와 은닉층 구성을 비교한 결과, Sigmoid 활성화 함수와 각각 20개 뉴런을 가진 2개 은닉층 조합이 가장 안정적인 결과를 보였습니다.
복잡한 모델이 항상 좋은 것은 아니다
더 복잡한 신경망도 평균 정확도는 비슷했지만, 물리적으로 설명하기 어려운 이상값이 증가했습니다. 연구에서는 정확도와 일반화 성능을 함께 고려해 모델 구조를 결정했습니다.결정립 크기 예측 결과
학습되지 않은 테스트 데이터에서 예측값은 실제 결정립 크기와 대체로 잘 일치했습니다. 평균 절대 백분율 오차는 7.4%였으며, 대부분의 예측값은 실제값 대비 ±25% 범위 안에 위치했습니다.
| 평가 항목 | 결과 |
|---|---|
| 평균 절대 백분율 오차 | 7.4% |
| 평균 제곱 오차 | 75 µm² |
| 주요 예측 범위 | 실제값 대비 대부분 ±25% 이내 |
| 가장 중요한 입력 변수 | 저장에너지 → 온도 → 변형률 → 최대 변형률 속도 → Zener–Hollomon 변수 순 |
단면 전체의 결정립 분포
학습된 모델을 QForm 해석 결과 전체에 적용해 압출재 단면의 결정립 크기 맵을 생성했습니다. 예측된 결정립 크기는 약 60~115 µm였으며, 내부 영역은 상대적으로 조대하고 표면 영역은 더 미세한 경향을 보였습니다.
결과 해석 시 주의점
본 연구는 하나의 프로파일과 제한된 공정 조건을 기반으로 했습니다. 다른 합금, 금형 형상, 압출 조건에 적용하려면 추가 실험 데이터와 모델 검증이 필요합니다.실무에서는 어떻게 활용할 수 있을까?
압출 금형 설계베어링과 유로 변경이 단면별 변형·온도 이력과 결정립 분포에 미치는 영향을 비교할 수 있습니다. |
공정 조건 검토램 속도와 초기 온도 변경에 따른 조직 조대화 가능성을 생산 전에 검토할 수 있습니다. |
품질 관리조직 편차가 예상되는 위치를 사전에 확인하고, 실제 미세조직 검사 위치를 효율적으로 선정할 수 있습니다. |
데이터 기반 최적화해석 결과와 실험 데이터를 축적하면 신규 프로파일의 조직 품질을 더 빠르게 평가할 수 있습니다. |
QForm 해석의 역할
이 연구에서 QForm Extrusion UK는 단순히 압출 하중과 출구 온도를 계산하는 도구가 아니라, 인공신경망이 학습할 위치별 공정 데이터를 생성하는 기반으로 사용됐습니다.
공간 분포 데이터 생성
실험만으로는 얻기 어려운 단면 전체의 변형률, 온도, 변형률 속도 분포를 제공합니다.실험 횟수 보완
검증된 FEM 결과를 활용하면 제한된 실험 데이터에서도 더 많은 위치별 입력값을 구성할 수 있습니다.미세조직 예측으로 확장
해석 결과를 미세조직 모델과 머신러닝에 연결하면 하중·온도·금형 응력뿐 아니라 최종 조직 품질까지 평가 범위를 확장할 수 있습니다.왜 이 논문이 중요한가?
핵심 결론 1
QForm Extrusion UK의 압출 하중과 출구 온도 예측값은 실제 생산 데이터와 약 1% 이내로 일치했습니다.핵심 결론 2
FEM 결과와 실험 결정립 데이터를 결합한 인공신경망은 평균 절대 백분율 오차 7.4%로 결정립 크기를 예측했습니다.핵심 결론 3
저장에너지가 결정립 크기 예측에 가장 중요한 변수였으며, 단순 FEM 출력뿐 아니라 미세조직 관련 유도 변수를 함께 사용하는 것이 중요했습니다.실무 메시지
검증된 압출 해석과 실험 데이터를 함께 축적하면, 신규 프로파일의 미세조직 분포를 생산 전에 예측하는 데이터 기반 품질 관리 체계를 구축할 수 있습니다.문의 및 상담
(주)CAE테크놀러지
전화: 02-2658-5695
이메일: info@caetech.co.kr
#QForm #QFormUK #QFormExtrusion #알루미늄압출 #aluminium #extrusion #압출해석 #AA6060 #AA6XXX #미세조직 #결정립크기 #재결정 #인공신경망 #ANN #머신러닝 #MachineLearning #유한요소해석 #FEM #ZenerHollomon #StoredEnergy #압출금형 #공정설계 #품질관리 #CAE테크놀러지