KR20200065768A

KR20200065768A - Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치

Info

Publication number: KR20200065768A
Application number: KR1020180152543A
Authority: KR
Inventors: 임성식; 임성주; 최호준; 신영철; 정기호; 박진호
Original assignee: 한국생산기술연구원
Priority date: 2018-11-30
Filing date: 2018-11-30
Publication date: 2020-06-09
Also published as: KR102134184B1

Abstract

본 발명은 Ti-6Al-4V 합금의 열간성형에서 변형률과 온도에 의존적인 유동 응력 모델링에 랜덤 포레스트 알고리즘을 적용하고, 이 모델링에 의해 예측된 유동 응력의 정확도를 향상할 수 있는 Ti-6Al-4V 합금의 유동 응력 예측방법에 관한 것이다.
본 발명은 Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하는 단계; 상기 Ti-6Al-4V 합금의 유동 응력에 대한 실험데이터를 저장하는 단계; 상기 실험데이터를 이용하여 복수의 유동 응력 모델 중 지정된 유동 응력 모델을 학습시키는 단계; 상기 학습된 유동 응력 모델을 이용하여 Ti-6Al-4V 합금의 유동 응력을 예측하고, 예측된 유동 응력 예측값을 생성하는 단계; 상기 지정된 유동 응력 모델을 제외한 다른 유동 응력 모델에 의해 예측한 결과에 기반하여 상기 생성된 유동 응력 예측값을 검증하는 단계;를 포함하는 것을 특징으로 한다.

Description

Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치{Method For Predicting Flow Stress Of Ti-6Al-4V Alloy And Apparatus The Same}

본 발명은 열간성형에서 변형률과 온도에 의존적인 Ti-6Al-4V 합금의 유동 응력 모델링에 랜덤 포레스트 알고리즘을 적용하고, 이 모델에 의해 예측된 유동 응력의 정확도를 향상할 수 있는 Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치에 관한 것이다.

티타늄 합금은 높은 비강도(比强度), 우수한 내식성, 생체친화성 등으로 인하여 항공우주, 해양, 스포츠, 의료 등의 다양한 산업 분야에 적용되고 있다. 순수 티타늄은 상온에서 조밀육방정계 구조를 갖는 α상이 882℃에서 동소변태가 발생하여 체심입방구조를 갖는 β상으로 변태된다. 순수 티타늄에 합금 원소들을 첨가하면 특정 온도구간에서 α와 β상이 공존하는 영역이 존재하게 되고 경우에 따라서는 이 영역이 상온까지 연장된다.

이와 같이 상온에서의 안정상 기준으로 티타늄 합금은 일반적으로 α합금, β합금, α+β합금으로 분류된다. 이 중 가장 널리 사용되고 있는 합금은 α+β합금으로, α상을 안정화시키고 고용강화 효과를 갖는 Ti-Al계를 기본 조성으로 하고, 여기에 몰리브덴(Mo), 철(Fe), 바나듐(V), 크롬(Cr) 등의 β상 안정화 원소나 지르코늄(Zr), 주석(Sn) 등의 중성원소가 함유된다.

α+β합금 중 가장 대표적인 합금은 Ti-6Al-4V 합금으로 열간가공성, 용접성이 우수하고 열처리에 의한 다양한 기계적 성질이 얻어지기 때문에 전체 티타늄합금 사용량의 60% 이상을 차지하고 있다. 예를들면 터빈 블레이드 등에 많이 사용되는 Ti-6Al-4V 합금은 강성 및 기타 기계적 특성 등이 높다. 레이저 플라즈마에 의해 유도된 충격파는 재료 표면에서 소성 변형을 일으키며 이는 재료 표면으로부터 근접한 내부에 압축 잔류 응력을 생성할 수 있다. 이러한 외부 충격을 통한 재료 소성 변형 모델은 여러가지 충격 모델이 보고되어 왔으며, 이러한 선행 연구 중 (비특허문헌 1)에 개시된 존슨-쿡 모델(Johnson-Cook Model)을 적용하여 재료 처리 해석을 수행하였다.

다양한 온도와 변형률(strain rate) 범위에서 Ti-6Al-4V 합금의 유동응력 거동의 실험 및 모델링에 관한 많은 연구가 이루어졌다. (비특허문헌 2)에서는 Voyiadjis-Abed 모델과 Johnson-Cook 모델을 사용하여 Ti-6Al-4v의 유동 응력 모델링으로 비교 작업을 수행하였다. (비특허문헌 3)에서는 20 ℃에서 700 ℃ 범위의 큰 변형률과 온도 범위에서 인장 시험을 수행하고 모델링 작업을 수행하였다. (비특허문헌 4)에서는 10^-4/s 에서 10⁴/s 범위의 변형률과 20℃에서 900℃ 범위의 온도에서 압축 시험을 수행했는데, 수정된 존슨-쿡 모델, KHL(Khan-Huang-Liang) 및 수정된 KHL 모델을 사용하여 Ti-6Al-4V 합금의 유동응력을 모델링하였다. (비특허문헌 5)에서는 0.1/s ~ 10/s의 변형률과 900℃ ~ 1050℃의 온도에서 압축 시험을 하고, Arrhenius 모델을 사용하여 유동 응력의 모델링을 수행하였다. (비특허문헌 6)에서는 변형률 범위 0.001/s ~ 10/s, 온도 범위 750℃ ~ 950℃에서 압축 시험을 하고, Arrhenius 모델과 Norton-Hoff 모델을 사용하여 Ti-6Al-4V의 유동 응력을 모델링하였다. (비특허문헌 7)에서는 변형률 범위 0.0005/s ~ 0.05/s 및 온도 범위 923K ~ 1023K 에서 합금의 인장 시험을 수행하고, Arrhenius와 Norton-Hoff 모델을 사용하여 유동 응력을 모델링하였다.

최근 모델링의 정확도를 향상시키기 위해 Ti-6Al-4V 합금의 유동 응력 모델링에 인공 신경망이 사용된다. (비특허문헌 8)에서는 변형률 범위 0.01/s ~ 10/s 및 온도 범위 1053K ~ 1203K에서 압축 시험을 수행하고, 인공 신경망을 사용하여 Ti-6Al-4V의 유동 응력을 모델링하였다. (비특허문헌 9)에서는 인공 신경망을 사용하여 유동 응력을 모델링하기 위해 변형률 범위 10^-5/s ~ 10^-2/s 및 온도 범위 323K ~ 673K에서 인장 시험을 수행하였다.

이와 같이 종래 여러 연구들이 이루어졌지만 다양한 변형률 및 온도 범위에서 Ti-6Al-4V의 유동 응력을 이해하고 모델링하는 것은 여전히 어려운 작업이다. 본 발명에서는 변형률 범위 0.002/s ~ 2/s 및 온도 범위 575℃ ~ 775℃에서 Ti-6Al-4V 합금에 대한 압축 실험을 수행하고 심층 신경망, 서포트 벡터 회귀 및 랜덤 포레스트 알고리즘을 이용한 유동 응력 모델을 제시하며, 3가지 모델을 비교하여 모델의 효율성 및 예측 정확도의 관점에서 우위를 가지는 Ti-6Al-4V 합금의 유동 응력 모델을 제시하기로 한다.

없음

G. R johnson and W. H Cook, Fracture characteristics of three metals subjected to various strains, strain rates, temperatures and pressures Engineering fracture mechanics, Vol. 21, No. 1, 1985. pp. 31-48. Tabei, A., Abed, F. H., Voyiadjis, G. Z. and Garmestani, H., "Constitutive modeling of Ti-6Al-4V at a wide range of temperatures and strain rates," European Journal of Mechanics A/Solids, Vol. 63, pp. 128-135, 2017. Sirvin, Q., Velay, V., Bonnaire, R. and Penazzi, L., "Mechanical Behavior And Modelisation Of Ti-6Al-4V Titanium Sheet Under Hot Stamping Conditions," ESAFORM 2017, 2017. Chen, G., Ren, C., Qin, X. and Li, J., "Temperature dependent work hardening in Ti-6Al-4V alloy over large temperatures and strain rate ranges: Experiments and constitutive modeling," Materials & Design, Vol. 83, pp. 598-610, 2015. Porntadawit, J., Uthaisangsuk, V. and Choungthong, P., "Modeling of flow behavior of Ti-6Al-4V alloy at elevated temperatures," Materials Science & Engineering A, Vol. 599, pp. 212-222, 2014 Jha, J., S., Tewari, A., Mishra, S. and Toppo, S., "Constitutive Relations for Ti-6Al-4V Hot Working," Vol. 173, pp. 755-762, 2017. Zhang, C., Li, X. -Q., Li, D., -S., Jin, C., -H. and Xiao, J., -J., "Modelization and comparison of Norton-Hoff and Arrhenius constitutive laws to predict hot tensile behavior of Ti-6Al-4V alloy," Transactions of Nonferrous Metals Society of China, Vol. 22, pp. s457-s464, 2012 Wen, T., You, Y., -W., Liu, L., -T. and Yu, J., -M., "Evaluation and prediction of hot rheological properties of Ti-6Al-4V in dual-phase region using processing map and aritificial nueral network", Indian Journal of Engineering & Materials Sciences, Vol. 21, pp. 647-656, 2014 Kotkunde, N., Balu, A., Gupta, A., K. and Singh, S., K., "Flow stress Prediction of Ti-6Al-4V alloy at elevated temperature using artificial neural network", Vol. 612. pp. 83-88, 2014

본 발명의 목적은 랜덤 포레스트 모델을 이용하여 Ti-6Al-4V 합금의 유동 응력을 정확하게 예측할 수 있는 Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치를 제공함에 있다.

본 발명의 다른 목적은 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 결과와 비교하여 검증함으로써 랜덤 포레스트 모델을 적용한 Ti-6Al-4V 합금의 유동 응력 예측값에 대한 신뢰성을 확보할 수 있는 Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치를 제공함에 있다.

상기 목적을 달성하기 위한 본 발명에 따른 Ti-6Al-4V 합금의 유동 응력 예측방법은, Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하는 단계; 상기 Ti-6Al-4V 합금의 유동 응력에 대한 실험데이터를 저장하는 단계; 상기 실험데이터를 이용하여 복수의 유동 응력 모델 중 지정된 유동 응력 모델을 학습시키는 단계; 상기 학습된 유동 응력 모델을 이용하여 Ti-6Al-4V 합금의 유동 응력을 예측하고, 예측된 유동 응력 예측값을 생성하는 단계; 상기 지정된 유동 응력 모델을 제외한 다른 유동 응력 모델에 의해 예측한 결과에 기반하여 상기 생성된 유동 응력 예측값을 검증하는 단계;를 포함하는 것을 특징으로 한다.

또한 상기 압축 실험은 변형률 범위 0.002/s ~ 2/s 및 온도 범위 575℃ ~ 775℃에서 수행되는 것을 특징으로 한다.

또한 상기 학습된 유동 응력 모델은 랜덤 포레스트 모델이고, 상기 랜덤 포레스트 모델에 의해 예측된 결과를 검증하기 위하여 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 유동 응력과 비교하는 것을 특징으로 한다.

상기 목적을 달성하기 위한 본 발명에 따른 Ti-6Al-4V 합금의 유동 응력 예측장치는, Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하고, 압축 실험에서 획득된 실험데이터를 출력하는 시편압축장비; 상기 시편압축장비로부터 받은 실험데이터를 저장하는 실험데이터 저장부, 상기 실험데이터를 이용하여 Ti-6Al-4V 합금의 유동 응력을 예측하기 위한 복수의 유동 응력 모델 중 지정된 유동 응력 모델을 학습시키는 유동 응력 예측부, 복수의 유동 응력 모델 중 지정되지 않은 유동 응력 모델을 이용하여 상기 지정된 유동 응력 모델에 의해 생성된 유동 응력 예측값을 검증하는 유동 응력 예측값 검증부를 구비한 컴퓨터; 상기 Ti-6Al-4V 합금의 유동 응력에 대해 예측 조건을 지정하기 위한 변수를 입력하는 입력부; 상기 입력부에 의해 입력된 변수에 따라 상기 유동 응력 예측부가 예측하고 상기 유동 응력 예측값 검증부에 의해 검증된 Ti-6Al-4V 합금의 예측값을 출력하는 출력부;를 포함하는 것을 특징으로 한다.

또한 상기 유동 응력 예측부는 심층 신경망 모델, 서포트 벡터회귀 모델, 및 랜덤 포레스트 모델을 이용하여 유동 응력을 예측하는 것을 특징으로 한다.

또한 상기 지정된 유동 응력 모델은 랜덤 포레스트 모델이고, 상기 유동응력 예측값 검증부는 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 유동 응력과 비교하여 상기 랜덤 포레스트 모델에 의해 예측된 결과를 검증하는 것을 특징으로 한다.

이상과 같은 본 발명에 따르면 랜덤 포레스트 모델을 이용하여 Ti-6Al-4V 합금의 유동 응력을 정확하게 예측할 수 있다.

또한 본 발명은 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 결과와 비교하여 검증함으로써 랜덤 포레스트 모델을 적용한 Ti-6Al-4V 합금의 유동 응력 예측값에 대한 신뢰성을 확보할 수 있다.

도 1은 본 발명의 실시예에 따른 Ti-6Al-4V 합금의 유동 응력을 예측장치의 블록도.
도 2는 본 발명의 실시예에 따른 Ti-6Al-4V 합금의 유동 응력 예측방법을 설명하기 위한 흐름도.
도 3 내지 도 7은 본 발명의 실시예에 따른 Ti-6Al-4V 합금의 시편을 시편압축장비로 압축하여 얻은 각각의 변형률에서의 응력-변형 선도.
도 8은 본 발명의 실시예에 따른 컴퓨터에 탑재된 심층 신경망 모델을 설명하기 위한 개념도.
도 9는 본 발명의 실시예에 따른 컴퓨터에 탑재된 서포트 벡터회귀 모델을 설명하기 위한 개념도.
도 10은 본 발명의 실시예에 따른 컴퓨터에 탑재된 랜덤 포레스트 모델을 설명하기 위한 개념도.
도 11 내지 도 15는 본 발명의 실시예에 따른 3개 모델링 알고리즘으로 생성한 각각의 예측 데이터를 도 3 내지 도 7의 실험 데이터와 매칭한 경우로서, 각각의 변형률에서의 응력-변형 선도.

이하 첨부한 도면을 참조하여 본 발명의 실시 예를 설명함으로써 본 발명을 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

도 1 및 도 2를 참고하여, 본 발명에 따른 Ti-6Al-4V 합금의 유동 응력 예측장치는 시편압축장비(10), 입력부(20), 출력부(30), 및 컴퓨터(40)를 포함하여 구성할 수 있다. 컴퓨터(40)는 실험데이터 저장부(41), 유동응력 예측부(42), 및 유동응력 예측값 검증부(43)를 포함한다.

시편압축장비(10)를 사용하여 Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하는데, 압축 실험에서 획득된 실험데이터가 컴퓨터(40)에 제공된다. 컴퓨터(40)는 실험데이터 저장부(41)에 획득된 실험데이터를 저장한다(S1).

실시예에 적용된 Ti-6Al-4V 합금의 조성은 [표 1]과 같다.

구분	Al	V	C	Fe	O	N	H	Ti
함량(Wt%)	5.5∼6.75	3.5∼4.5	<0.08	<0.3	<0.2	<0.05	<0.015	Balance

압축 실험은 직경 10mm, 길이 10mm 크기의 원통형 시편에 대해 Gleebl-3500 시스템을 사용하고, 변형률 범위 0.002/s ~ 20/s 및 온도 범위 575 ℃ ~ 775 ℃에서 수행한다. 실시예에서는 50℃ 간격으로 0.002/s, 0.02/s, 0.2/s, 2/s 및 20/s의 변형률에서 각각 수행하고, 이 실험 결과로부터 각 변형률에서의 응력-변형 선도를 얻을 수 있다. 도 3 내지 도 7에 예시한 바와 같이 다양한 변형률과 온도에서 실험한 결과, Ti-6Al-4V 합금의 유동 응력 거동은 변형률과 온도에 크게 의존함을 확인할 수 있다. 획득된 실험데이터는 유동 응력을 예측하기 위한 유동 응력 모델을 훈련하고 학습시키는데 사용되게 된다.

유동응력 예측부(42)는 열간성형에서 Ti-6Al-4V 합금의 유동 응력을 예측하기 위한 복수의 유동 응력 모델을 구비하며, 실시예에서는 심층 신경망(Deep Neural Network) 모델, 서포트 벡터회귀(Support Vector Regression) 모델, 랜덤 포레스트(Random Rorest) 모델을 적용하게 된다.

심층 신경망 모델은 인공 신경망의 구성 요소로 여러 개의 숨겨진 계층을 가진다. 도 8에 예시한 바와 같이 인공 신경망은 하나의 입력 계층(input layer), 하나의 출력 계층(output layer) 그리고 하나 이상의 뉴런(neuron)이라는 단위, 하나 이상의 숨겨진 계층(hidden layer)으로 이루어질 수 있다. 인공 신경망 프로세스에서, 뉴런에서 수신된 값에 가중치가 적용되어 다음 계층의 모든 뉴런에 전달된다. 예를 들어 해당 계층의 뉴런은 이전 계층의 모든 뉴런에서의 가중치를 합산하며, 각 뉴런은 가중치의 합계에 다시 가중치를 적용하여 다음 계층의 뉴런에 전달하는 기법을 사용하며, 인공 신경망에서는 각 뉴런에 대한 가중치를 결정하는 것이 중요하다. 여러 가지 방법으로 가중치를 결정할 수 있다. 가장 널리 사용되는 방법 중 하나는 역전파(back propagation)이다.

역전파(back propagation)에 있어서, 뉴런의 가중치는 아래 식(1)에 의해 구해진다.

...... (1)

여기서,

는 t 번째 계층의 i 번째 뉴런에서 j 번째 가중치이다. η는 학습률이고 C는 비용 함수이다. 실시예에서 심층 신경망 모델은 변형, 변형률 및 온도를 나타내는 3개의 입력 뉴런과, 5개의 숨겨진 계층 및 Ti-6Al-4V의 유동 응력을 나타내는 하나의 출력 뉴런을 사용한다.

서포트 벡터회귀 모델은 회귀 분석을 위한 서포트 벡터 머신의 확장된 알고리즘으로, Ti-6Al-4V의 유동 응력을 예측하기 위하여 사용될 수 있다. 도 9에 예시한 바와 같이 단순화된 문제에 대한 해답을 기술하는 서포트 벡터 머신(support vector machine)은 데이터 그룹을 두 개로 분류하며, 분류 알고리즘에서 서포트 벡터 머신은 두 그룹의 포인트들에서 최대 여백(maximum margin)을 가진 두 그룹을 나눈 분리 초평면(hyperplane)을 찾는다. 분할된 그룹으로부터 최대 마진을 정의하는 특정 포인트를 서포트 벡터(support vector)라고 한다.

랜덤 포레스트 모델은 결정 트리(decision tree)를 이용하여 Ti-6Al-4V의 유동 응력을 예측한다. 도 10에 예시한 바와 같이, 결정 트리에서 실험 데이터는 속성 테스트(attribute test)에 대응한 각 노드로 전달된다. 실험데이터는 Ti-6Al-4V의 유동 응력을 해석하기 위한 온도, 변형, 변형률을 포함할 수 있다. 상단 노드의 결정에 따라 하단 노드로 데이터가 전달되며, 속성 테스트(attribute test) 후에 데이터는 분석 결과를 나타내는 리프(leaf)에 도달한다. 예를 들어 온도 600℃에서의 응력값을 산출하는 경우 온도 600℃에 대한 여러 개의 결정 트리를 자체적으로 생성하고 각 결정 트리에 의해 산출된 응력값을 평균하여 최종 응력값을 결정할 수 있다.

유동응력 예측부(42)는 복수의 유동 응력 모델 중 실험데이터로 학습시킬 어느 하나의 모델을 지정하고, 지정된 유동 응력 모델에 의해 예측한 결과를 제공한다(S2). 여기서 유동 응력 모델을 지정하는 것은 모델의 효율성과 예측 정확도의 관점에서 우위를 가지는 모델을 선택한다. 예를 들어 Ti-6Al-4V의 유동 응력을 예측하기 위해 적용하는 유동 응력 모델의 예측 시간이 짧고 실제 유동 응력에 가깝게 산출되는 유동 응력 모델을 지정한다.

실시예에서는 심층 신경망 모델, 서포트 벡터회귀 모델, 및 랜덤 포레스트 모델에 대해 모델 효율성과 예측 정확도를 알아보기 위해, 실험데이터 저장부(41)에 저장된 실험데이터 즉, 도 3 내지 도 7에 의해 획득된 실험 결과와 3개 유동 응력 모델에 의해 예측한 결과를 매칭시킨다.

도 11 내지 도 15로부터 알 수 있는 바와 같이, 실시예에서 각각의 온도 575 ℃, 625 ℃, 675 ℃, 725 ℃, 775 ℃와 각각의 변형률 0.002/s, 0.02/s, 0.2/s, 2/s, 20/s에서 응력-변형 선도를 보면, 랜덤 포레스트 모델에 의해 예측된 결과가 다른 유동 응력 모델 즉 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 결과보다 예측 정확도가 좋다.

이러한 배경하에서 유동 응력 예측부(42)는 실험데이터 저장부(41)에 저장된 실험데이터로 학습시킬 어느 하나의 모델로서 랜덤 포레스트 모델이 지정된다. 유동응력 예측부(42)는 실험데이터 저장부(41)에 저장된 실험데이터를 이용하여 랜덤 포레스트 모델을 학습시킨다.

사용자는 입력부(20)를 통해 유동 응력을 알아보기 위한 변수로서 온도, 변형, 변형률을 입력하고, 이에 따라 컴퓨터(40)의 유동 응력 예측부(42)가 지정된 랜덤 포레스트를 이용하여 유동 응력을 예측하고, 예측 결과를 제공할 수 있다(S3).

도 11 내지 도 15를 참고하여, 실험데이터에 의한 응력-변현 선도에 랜덤 포레스트 모델에 의해 예측한 결과는 사각형 점(■)으로 마킹하고, 서포트 벡터회귀 모델에 의해 예측한 결과는 삼각형 점(▲)으로 마킹하며, 심층 신경망 모델에 의해 예측한 결과는 원형 점(●)으로 마킹한다.

도 11에 예시한 바와 같이 변형률 0.002/s 인 경우, 랜덤 포레스트 모델에 의해 예측한 결과는 실험데이터에 일치하는 것으로 나타났으나, 서포트 벡터회귀 모델에 의해 예측한 결과는 실험데이터보다 응력값이 크게 산출되는 오차가 있고 심층 신경망 모델에 의해 예측한 결과 역시 실험데이터보다 응력값이 크게 산출되는 오차가 있음을 알 수 있다. 이러한 비교 결과는 각각의 온도 575 ℃, 625 ℃, 675 ℃, 725 ℃, 775 ℃에서 동일한 유형으로 나타나고 있다.

도 12에 예시한 바와 같이 변형률 0.02/s 인 경우, 랜덤 포레스트 모델에 의해 예측한 결과는 실험데이터에 일치하는 것으로 나타났으나, 서포트 벡터회귀 모델에 의해 예측한 결과는 실험데이터보다 응력값이 작게 산출되는 오차가 있고 심층 신경망 모델에 의해 예측한 결과 역시 실험데이터보다 응력값이 작게 산출되는 오차가 있음을 알 수 있다. 이러한 비교 결과는 각각의 온도 575 ℃, 625 ℃, 675 ℃, 725 ℃, 775 ℃에서 동일한 유형으로 나타나고 있다.

도 13에 예시한 바와 같이 변형률 0.2/s 인 경우, 랜덤 포레스트 모델에 의해 예측한 결과는 실험데이터에 일치하는 것으로 나타났으나, 온도 625 ℃, 675 ℃, 725 ℃에서 서포트 벡터회귀 모델 및 심층 신경망 모델에 의해 예측한 결과는 실험데이터보다 응력값이 크게 산출되는 오차가 있음을 알 수 있다. 다만, 온도 575 ℃에서 서포트 벡터회귀 모델 및 심층 신경망 모델에 의해 예측한 결과는 변형값(true strain)에 따라 실험데이터보다 응력값이 작거나 크게 산출되는 오차가 있고, 온도 775 ℃에서도 서포트 벡터회귀 모델 및 심층 신경망 모델에 의해 예측한 결과는 변형값(true strain)에 따라 실험데이터보다 응력값이 작거나 크게 산출되는 오차가 있음을 알 수 있다.

도 14 및 도 15에 예시한 바와 같이 변형률 2/s 및 20/s인 경우, 랜덤 포레스트 모델에 의해 예측한 결과는 실험데이터에 일치하는 것으로 나타났으나, 서포트 벡터회귀 모델에 의해 예측한 결과는 실험데이터보다 응력값이 작게 산출되는 오차가 있고 심층 신경망 모델에 의해 예측한 결과 역시 실험데이터보다 응력값이 작게 산출되는 오차가 있음을 알 수 있다. 이러한 비교 결과는 각각의 온도 575 ℃, 625 ℃, 675 ℃, 725 ℃, 775 ℃에서 동일한 유형으로 나타나고 있다.

랜덤 포레스트 모델에 의해 예측한 유동 응력값은 지정되지 않은 2개의 유동 응력 모델에 의해 예측한 유동 응력값을 비교하면, 동일 기준에서 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측한 유동 응력값이 모두 랜덤 포레스트 모델에 의해 예측한 유동 응력값보다 크거나 작게 나타나고 있음을 알 수 있다. 즉 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측한 2개의 유동 응력값 중 어느 하나는 랜덤 포레스트 모델에 의해 예측한 유동 응력값보다 크고 다른 하나는 랜덤 포레스트 모델에 의해 예측한 유동 응력값보다 작게 산출되는 경우에는 검증 실패로 판단하여 유동 응력의 예측값으로 채택하지 않는다.

이와 같이 유동응력 예측값 검증부(43)은 랜덤 포레스트 모델을 이용하여 산출한 예측값을 검증하는 것으로, 지정되지 않은 유동 응력 모델의 예측 결과와 비교하여 유동 응력 예측값을 검증한다(S4).

검증 결과 이상이 없으면 컴퓨터(40)는 출력부(30)를 통해 검증 완료된 유동 응력 예측값을 출력한다(S5).

10 : 시편압축장비
20 : 입력부
30 : 출력부
40 : 컴퓨터
41 : 실험데이터 저장부
42 : 유동응력 예측부
43 : 유동응력 예측값 검증부

Claims

Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하는 단계;
상기 Ti-6Al-4V 합금의 유동 응력에 대한 실험데이터를 저장하는 단계;
상기 실험데이터를 이용하여 복수의 유동 응력 모델 중 지정된 유동 응력 모델을 학습시키는 단계;
상기 학습된 유동 응력 모델을 이용하여 Ti-6Al-4V 합금의 유동 응력을 예측하고, 예측된 유동 응력 예측값을 생성하는 단계;
상기 지정된 유동 응력 모델을 제외한 다른 유동 응력 모델에 의해 예측한 결과에 기반하여 상기 생성된 유동 응력 예측값을 검증하는 단계;를 포함하는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측방법.
제1항에 있어서,
상기 압축 실험은 변형률 범위 0.002/s ~ 2/s 및 온도 범위 575℃ ~ 775℃에서 수행되는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측방법.
제1항에 있어서,
상기 학습된 유동 응력 모델은 랜덤 포레스트 모델이고,
상기 랜덤 포레스트 모델에 의해 예측된 결과를 검증하기 위하여 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 유동 응력과 비교하는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측방법.
Ti-6Al-4V 합금의 시편에 대해 압축 실험을 수행하고, 압축 실험에서 획득된 실험데이터를 출력하는 시편압축장비;
상기 시편압축장비로부터 받은 실험데이터를 저장하는 실험데이터 저장부, 상기 실험데이터를 이용하여 Ti-6Al-4V 합금의 유동 응력을 예측하기 위한 복수의 유동 응력 모델 중 지정된 유동 응력 모델을 학습시키는 유동 응력 예측부, 복수의 유동 응력 모델 중 지정되지 않은 유동 응력 모델을 이용하여 상기 지정된 유동 응력 모델에 의해 생성된 유동 응력 예측값을 검증하는 유동 응력 예측값 검증부를 구비한 컴퓨터;
상기 Ti-6Al-4V 합금의 유동 응력에 대해 예측 조건을 지정하기 위한 변수를 입력하는 입력부;
상기 입력부에 의해 입력된 변수에 따라 상기 유동 응력 예측부가 예측하고 상기 유동 응력 예측값 검증부에 의해 검증된 Ti-6Al-4V 합금의 예측값을 출력하는 출력부;를 포함하는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측장치.
제4항에 있어서,
상기 유동 응력 예측부는 심층 신경망 모델, 서포트 벡터회귀 모델, 및 랜덤 포레스트 모델을 이용하여 유동 응력을 예측하는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측장치.
제4항에 있어서,
상기 지정된 유동 응력 모델은 랜덤 포레스트 모델이고,
상기 유동응력 예측값 검증부는 심층 신경망 모델 및 서포트 벡터회귀 모델에 의해 예측된 유동 응력과 비교하여 상기 랜덤 포레스트 모델에 의해 예측된 결과를 검증하는 것을 특징으로 하는 Ti-6Al-4V 합금의 유동 응력 예측장치.