KR20230135283A - Alloy design device using explainable artificial intelligence model and design method using the same - Google Patents
Alloy design device using explainable artificial intelligence model and design method using the same Download PDFInfo
- Publication number
- KR20230135283A KR20230135283A KR1020220032556A KR20220032556A KR20230135283A KR 20230135283 A KR20230135283 A KR 20230135283A KR 1020220032556 A KR1020220032556 A KR 1020220032556A KR 20220032556 A KR20220032556 A KR 20220032556A KR 20230135283 A KR20230135283 A KR 20230135283A
- Authority
- KR
- South Korea
- Prior art keywords
- alloy
- model
- artificial intelligence
- mechanical properties
- prediction
- Prior art date
Links
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 117
- 239000000956 alloy Substances 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013461 design Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 38
- 229910000838 Al alloy Inorganic materials 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 239000000654 additive Substances 0.000 claims description 29
- 239000011777 magnesium Substances 0.000 claims description 25
- 239000010949 copper Substances 0.000 claims description 24
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 16
- 239000010936 titanium Substances 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 15
- 238000005266 casting Methods 0.000 claims description 13
- 238000001125 extrusion Methods 0.000 claims description 12
- 229910052749 magnesium Inorganic materials 0.000 claims description 12
- 238000000265 homogenisation Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 10
- 229910052802 copper Inorganic materials 0.000 claims description 10
- 229910052710 silicon Inorganic materials 0.000 claims description 10
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- JBQYATWDVHIOAR-UHFFFAOYSA-N tellanylidenegermanium Chemical group [Te]=[Ge] JBQYATWDVHIOAR-UHFFFAOYSA-N 0.000 claims description 9
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 8
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 8
- VSZWPYCFIRKVQL-UHFFFAOYSA-N selanylidenegallium;selenium Chemical compound [Se].[Se]=[Ga].[Se]=[Ga] VSZWPYCFIRKVQL-UHFFFAOYSA-N 0.000 claims description 8
- 239000010703 silicon Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 229910052719 titanium Inorganic materials 0.000 claims description 8
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 7
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 7
- 239000004571 lime Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 9
- 229910052782 aluminium Inorganic materials 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000007711 solidification Methods 0.000 description 4
- 230000008023 solidification Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 229910018569 Al—Zn—Mg—Cu Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910018571 Al—Zn—Mg Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000002244 precipitate Substances 0.000 description 2
- 238000005482 strain hardening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 229910019018 Mg 2 Si Inorganic materials 0.000 description 1
- 229910000861 Mg alloy Inorganic materials 0.000 description 1
- 229910001297 Zn alloy Inorganic materials 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000031070 response to heat Effects 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C21/00—Alloys based on aluminium
- C22C21/10—Alloys based on aluminium with zinc as the next major constituent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Metallurgy (AREA)
- Geometry (AREA)
- Materials Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Extrusion Of Metal (AREA)
Abstract
본 발명은 설명 가능한 인공 지능 모델을 이용하여 합금을 설계하는 장치 및 그 방법을 제안한다. 본 발명에 따른 합금 설계 장치는 합금의 기계적 특성을 예측하는 예측 모델, 상기 예측모델에 의해 예측된 기계적 특성의 신뢰성을 증명하기 위한 예측 설명 모델, 그리고 원하는 기계적 특성을 가진 합금을 설계할 수 있도록 적어도 하나의 공정 조건을 추천하는 추천 모델의 3가지 모델을 포함하여 구성된다. 이를 통해 예측 모델이 예측한 기계적 특성의 예측 결과를 신뢰할 수 있고, 또 합금 설계에 필요한 시간과 비용을 줄일 수 있는 이점이 있다.The present invention proposes a device and method for designing an alloy using an explainable artificial intelligence model. The alloy design device according to the present invention includes a prediction model for predicting the mechanical properties of an alloy, a prediction explanation model for proving the reliability of the mechanical properties predicted by the prediction model, and at least a prediction model for designing an alloy with desired mechanical properties. It consists of three models: a recommendation model that recommends one process condition. This has the advantage of making the prediction results of the mechanical properties predicted by the prediction model reliable and reducing the time and cost required for alloy design.
Description
본 발명은 합금 공정 조건에 따른 합금의 기계적 특성을 예측하고, 예측 결과의 타당성을 제시하여 예측 모델의 신뢰성을 향상시키며, 나아가 제작 할 대상 합금의 공정 조건을 추천하도록 하는 설명 가능한 인공 지능 모델을 이용한 합금 설계장치 및 그 방법에 관한 것이다.The present invention predicts the mechanical properties of an alloy according to alloy processing conditions, improves the reliability of the prediction model by presenting the validity of the prediction results, and further uses an explainable artificial intelligence model to recommend the process conditions of the target alloy to be manufactured. It relates to alloy design devices and methods.
많은 종류의 합금 중 높은 비강도, 상대적으로 가벼운 무게(강의 약 1/3), 높은 내식성, 저렴한 가격 등과 같은 고유한 특성들의 조합으로 기존 철강을 대체하는 재료로서 알루미늄 합금이 많이 사용된다. 그리고 알루미늄 합금을 운송산업의 경량 구조 부품에 적용하면 그만큼 CO2 배출량을 최소화할 수 있다. 이러한 이유로 알루미늄 합금은 자동차, 항공, 우주, 건설 분야 등의 각종 산업분야의 금속 재료로 널리 사용된다.Among many types of alloys, aluminum alloys are widely used as a material to replace existing steel due to a combination of unique characteristics such as high specific strength, relatively light weight (about 1/3 of steel), high corrosion resistance, and low price. And if aluminum alloy is applied to lightweight structural parts in the transportation industry, CO2 emissions can be minimized. For this reason, aluminum alloys are widely used as metal materials in various industrial fields such as automobiles, aviation, space, and construction.
알루미늄 합금은 알루미늄에 구리(Cu), 마그네슘(Mg) 등의 금속을 첨가한 합금으로 사용 목적에 따라 알루미늄의 성질을 개량한 것이다. 특히, 알루미늄 7XXX계열은 알루미늄(Al)에 아연(Zn)과 마그네슘(Mg)를 첨가한 합금으로서 알루미늄 합금 중에서 가장 높은 강도를 갖고 있으며 주 합금원소에 따라 Al-Zn-Mg-Cu계 합금과 Cu를 포함하지 않은 Al-Zn-Mg계로 분류할 수 있다. 그리고 이러한 알루미늄 합금의 강도는 첨가제 조성과 제조 공정의 비율에 따라 기계적 특성(물성)이 많이 달라진다.Aluminum alloy is an alloy in which metals such as copper (Cu) and magnesium (Mg) are added to aluminum, and the properties of aluminum are improved according to the purpose of use. In particular, the aluminum 7XXX series is an alloy with zinc (Zn) and magnesium (Mg) added to aluminum (Al), and has the highest strength among aluminum alloys. Depending on the main alloy element, it is divided into Al-Zn-Mg-Cu alloy and Cu. It can be classified as Al-Zn-Mg system that does not contain. And the strength of these aluminum alloys varies greatly in mechanical properties (physical properties) depending on the ratio of additive composition and manufacturing process.
따라서 알루미늄 합금의 기계적 특성을 예측하는 것이 중요하다. 알루미늄 합금의 강도를 예측하는 모델들은 종래에도 제안된 바 있다. 그러나 종래 제시된 모델들은 특정 합금 조성과 열적 조건 및 기계적 조건에 대한 공정 매개변수의 다양한 구조적 변수를 검증하지 않고 예측하기 때문에, 예측 정확도가 낮고 제한적이었다.Therefore, it is important to predict the mechanical properties of aluminum alloys. Models that predict the strength of aluminum alloys have previously been proposed. However, conventionally presented models had low and limited prediction accuracy because they predicted various structural variables of process parameters for specific alloy compositions, thermal conditions, and mechanical conditions without verifying them.
근래에는 인공 신경망(ANN)과 심층 신경망(DNN)을 이용하여 구조 재료의 기계적 특성을 예측하고 합금 설계에 응용하는 방안들도 제안되고 있다. 신경망을 이용하면 비선형 관계를 가진 많은 양의 복잡한 데이터에 대한 정확한 예측이 가능하다는 장점이 있다. 하지만, 상기 신경망을 이용한 방법은 제조 공정 중에서 열처리에 대한 예측만을 수행하고 있다. 그리고 상기 신경망이 적용된 다른 예로 2 개의 인공 신경망(ANN)이 적용된 모델이 있지만, 상기 모델은 공정 매개변수와 원강(raw steel)의 조성을 기반으로 산업용 강판의 기계적 특성만을 예측하고 있다.Recently, methods have been proposed to predict the mechanical properties of structural materials and apply them to alloy design using artificial neural networks (ANNs) and deep neural networks (DNNs). The advantage of using neural networks is that accurate predictions can be made for large amounts of complex data with non-linear relationships. However, the method using the neural network only predicts heat treatment during the manufacturing process. Another example in which the neural network is applied is a model in which two artificial neural networks (ANN) are applied, but the model predicts only the mechanical properties of industrial steel sheets based on process parameters and the composition of raw steel.
이처럼 신경망 모델을 이용하는 경우도 예측을 위한 조건이 제한적이기 때문에 예측 결과에 대한 근거 등이 부족하여 기계적 특성의 예측 결과를 무조건적으로 신뢰하거나 의존하지 못하는 문제점이 존재한다. 이는 신경망 모델의 예측 결과를 논리적으로 설명하고 제시하는 근거와 타당성이 부족하기 때문이다.In this way, even when using a neural network model, the conditions for prediction are limited, so there is a problem that the prediction results of mechanical characteristics cannot be unconditionally trusted or relied on due to the lack of basis for the prediction results. This is because there is a lack of evidence and validity to logically explain and present the prediction results of the neural network model.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 합금 첨가원소 및 제조공정 간의 상관 관계를 기반으로 하여 제조될 합금의 기계적 특성을 정확하게 예측함은 물론, 기계적 특성의 예측 결과의 신뢰성을 향상시킬 수 있는 설명 가능한 인공 지능 모델을 이용한 합금 설계장치 및 그 방법을 제공하는데 그 목적이 있다.The present invention was developed to solve the above problems, and not only accurately predicts the mechanical properties of the alloy to be manufactured based on the correlation between alloy addition elements and the manufacturing process, but also improves the reliability of the mechanical property prediction results. The purpose is to provide an alloy design device and method using an explainable artificial intelligence model.
본 발명의 다른 목적은 예측된 기계적 특성을 고려하여 원하는 합금 제조에 필요한 최적의 합금 공정 조건을 추천하는 설명 가능한 인공 지능 모델을 이용한 합금 설계장치 및 그 방법을 제공하는 것이다.Another object of the present invention is to provide an alloy design device and method using an explainable artificial intelligence model that recommends optimal alloy processing conditions required for manufacturing a desired alloy in consideration of predicted mechanical properties.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
이와 같은 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 설명 가능한 인공 지능 모델을 이용한 합금 설계장치는, 합금의 기계적 특성을 예측하는 예측 모델; 상기 예측모델에 의해 예측된 기계적 특성의 신뢰성을 증명하기 위한 예측 설명 모델; 및 원하는 기계적 특성을 가진 합금을 설계할 수 있도록 적어도 하나의 공정 조건을 추천하는 추천 모델을 포함하는 것을 특징으로 한다.An alloy design device using an explainable artificial intelligence model according to an embodiment of the present invention to achieve this purpose includes: a prediction model for predicting mechanical properties of an alloy; a predictive explanatory model to prove the reliability of mechanical properties predicted by the predictive model; and a recommendation model that recommends at least one process condition to design an alloy with desired mechanical properties.
상기 예측 모델은, 케라스(keras) 기반의 DNN 알고리즘이 적용된 DNN 학습모델이다.The prediction model is a DNN learning model to which the Keras-based DNN algorithm is applied.
상기 예측 모델은, 복수의 합금 첨가물 및 제조공정의 입력변수를 입력받아 합금의 기계적 특성을 예측하며, 상기 합금은 알루미늄 합금이고, 상기 합금 첨가물은 상기 알루미늄 합금의 주요 화학적 조성물인 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)이고, 상기 제조 공정은 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)을 포함한다.The prediction model predicts the mechanical properties of the alloy by receiving a plurality of alloy additives and input variables of the manufacturing process. The alloy is an aluminum alloy, and the alloy additives include zinc (Zn), which is the main chemical composition of the aluminum alloy, Magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), and the manufacturing process includes casting type, homogenization, and extrusion processing ( Extrusion, solution treatment, and aging.
상기 예측 모델은, 상기 합금 첨가물과 제조공정의 입력변수들을 조합하여 합금의 항복강도(Yield strength, YS), 인장강도(tensile strength, TS), 연신율(elongation, EL)를 예측한다.The prediction model predicts the yield strength (YS), tensile strength (TS), and elongation (EL) of the alloy by combining the alloy additives and input variables of the manufacturing process.
상기 예측 모델은, 베이지안 최적화 방법으로 결정된 하이퍼 파라미터 및 K-fold 교차 검증 방법을 사용하여 기계적 특성을 예측하며, 상기 하이퍼 파라미터는 learning rate, epoch, number of layers, number of nodes, batch normalization의 조합으로 이루어진다.The prediction model predicts mechanical properties using hyperparameters determined by the Bayesian optimization method and the K-fold cross-validation method, and the hyperparameters are a combination of learning rate, epoch, number of layers, number of nodes, and batch normalization. It comes true.
상기 예측 설명 모델은 LIME 알고리즘이 사용되고, 상기 예측 모델이 예측한 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 설명한다.The predictive explanation model uses the LIME algorithm and explains the positive or negative impact of each variable on the mechanical properties predicted by the predictive model.
본 발명의 다른 특징에 따른 설명 가능한 인공 지능 모델을 이용한 합금 설계장치는, 복수의 합금 첨가물 및 제조공정에 대한 입력변수를 입력받아 알루미늄 합금의 항복강도, 인장강도, 연신율의 기계적 특성을 예측하는 DNN 학습모델; 및 상기 DNN 학습모델이 예측한 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 하는 예측 설명 모델을 포함하고, 상기 DNN 학습모델은, 베이지안 최적화 방법 및 K-fold 교차 검증 방법을 사용한다.An alloy design device using an artificial intelligence model that can be explained according to other features of the present invention is a DNN that predicts the mechanical properties of yield strength, tensile strength, and elongation of aluminum alloy by receiving input variables for a plurality of alloy additives and manufacturing processes. learning model; and a prediction explanation model that determines the positive or negative influence of each variable on the mechanical properties predicted by the DNN learning model, and the DNN learning model uses a Bayesian optimization method and a K-fold cross-validation method.
상기 입력변수는, 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)의 합금 첨가물과, 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)의 제조공정이다.The input variables include alloy additives of zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), and casting type. , Homogenization, extrusion, solution treatment, and aging.
상기 예측 설명 모델은, 설명가능한 인공지능(eXplainable Artificial Intelligence, XAI)을 이용한다.The predictive explanation model uses explainable artificial intelligence (eXplainable Artificial Intelligence, XAI).
상기 예측 설명 모델에 의해 높은 예측 정확도가 확보된 공정 조건을 기반으로, 원하는 기계적 특성을 가진 알루미늄 합금의 공정조건을 추천하는 추천모델을 더 포함한다.It further includes a recommendation model that recommends process conditions for an aluminum alloy with desired mechanical properties based on process conditions for which high prediction accuracy is secured by the prediction explanation model.
본 발명의 또 다른 특징에 따른 설명 가능한 인공 지능 모델을 이용한 합금 설계방법은, 예측 모델이 합금 첨가물 및 제조공정에 대한 입력변수를 입력받아 알루미늄 합금의 항복강도, 인장강도, 연신율의 기계적 특성을 예측하는 예측단계; 및 예측 설명 모델이 상기 예측된 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 설명하는 예측 설명 단계를 포함하여 수행되는 것을 특징으로 한다.In the alloy design method using an explainable artificial intelligence model according to another feature of the present invention, the prediction model predicts the mechanical properties of yield strength, tensile strength, and elongation of aluminum alloy by receiving input variables for alloy additives and manufacturing process. prediction step; and a prediction explanation step in which the prediction explanation model explains the positive or negative influence of each variable on the predicted mechanical properties.
상기 예측모델은 베이지안 최적화 방법 및 K-fold 교차 검증 방법을 이용하여 예측하는 DNN 학습모델이고, 상기 예측 설명 모델은, LIME 알고리즘을 이용하는 설명가능한 인공지능(XAI)이다.The prediction model is a DNN learning model that predicts using the Bayesian optimization method and the K-fold cross-validation method, and the prediction explanation model is explainable artificial intelligence (XAI) using the LIME algorithm.
상기 입력변수는, 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)의 합금 첨가물과, 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)의 제조공정을 포함한다.The input variables include alloy additives of zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), and casting type. , Homogenization, extrusion, solution treatment, and aging.
본 발명에 따르면, 추천 모델이 상기 예측 설명 모델에 의해 높은 예측 정확도가 확보된 공정 조건을 기반으로, 원하는 기계적 특성을 가진 알루미늄 합금의 공정조건을 추천하는 추천 단계를 더 포함한다.According to the present invention, the recommendation model further includes a recommendation step of recommending process conditions for an aluminum alloy having desired mechanical properties based on process conditions for which high prediction accuracy is secured by the prediction explanation model.
이와 같은 본 발명에 따르면, 7가지의 합금 첨가물과 5가지의 제조 공정을 기반으로 알루미늄 합금의 기계적 특성을 예측하며, 이때 베이지안 최적화 알고리즘을 이용하여 결정된 최적의 하이퍼-파라미터를 사용하며, k-fold 교차 검증 방법을 통해 제한된 개수의 데이터 세트로도 검증 수를 최대화함으로써, 기계적 특성의 예측 정확도를 향상시키는 효과가 있다.According to the present invention, the mechanical properties of aluminum alloy are predicted based on seven alloy additives and five manufacturing processes, and optimal hyper-parameters determined using a Bayesian optimization algorithm are used, and k-fold The cross-validation method has the effect of improving the prediction accuracy of mechanical properties by maximizing the number of verifications even with a limited number of data sets.
본 발명에 따르면, 합금의 예측된 기계적 특성을 실제 합금의 이론과 일치하는 기계적 특성과 비교하여 제공하기 때문에, 학습 모델이 예측한 기계적 특성의 예측 결과를 신뢰할 수 있는 효과가 있다.According to the present invention, since the predicted mechanical properties of the alloy are provided by comparing them with the mechanical properties that match the theory of the actual alloy, there is an effect of making the prediction results of the mechanical properties predicted by the learning model trustworthy.
본 발명에 따르면 원하는 합금 제작 시 중요한 첨가물과 공정 조건을 효과적으로 판단하여 제시함으로써, 합금 설계에 필요한 시간과 비용을 줄일 수 있고, 비 전문가도 쉽게 합금 제작이 가능한 효과가 있다.According to the present invention, by effectively determining and presenting important additives and process conditions when producing a desired alloy, the time and cost required for alloy design can be reduced, and even non-experts can easily produce the alloy.
도 1은 본 발명의 바람직한 실시 예에 따른 합금 설계 시스템을 도시한 전체 구성도이다.
도 2는 도 1의 예측 모델의 내부 구성도이다.
도 3은 본 발명의 입력 변수 중 합금 조성물에 따른 기계적 특성을 예측한 도면이다.
도 4는 본 발명의 입력 변수 중 공정 조건에 따른 기계적 특성을 예측한 도면이다.
도 5는 용체화 처리 및 에이징에 따른 기계적 특성을 예측한 도면이다.
도 6은 본 발명에 따른 기계적 특성의 예측 결과를 나타낸 도면들이다.
도 7은 본 발명의 예측 설명 모델이 예측된 기계적 특성의 설명 예시 도면이다.
도 8은 본 발명의 추천 모델이 추천한 공정조건에 의해 설계된 7XXX 계열의 알루미늄 합금의 미세 구조 특성화를 수행한 결과 도면이다.
도 9은 도 8과 비교되는 도면으로, 에이징 공정 후 데이터 세트에서 관찰된 7XXX 계열의 알루미늄 합금의 특성은 대표적인 미세 구조 특성도면이다.1 is an overall configuration diagram showing an alloy design system according to a preferred embodiment of the present invention.
Figure 2 is an internal configuration diagram of the prediction model of Figure 1.
Figure 3 is a diagram predicting mechanical properties according to alloy composition among the input variables of the present invention.
Figure 4 is a diagram predicting mechanical properties according to process conditions among the input variables of the present invention.
Figure 5 is a diagram predicting mechanical properties according to solution treatment and aging.
Figure 6 is a diagram showing the prediction results of mechanical properties according to the present invention.
Figure 7 is an illustration of mechanical properties predicted by the prediction explanation model of the present invention.
Figure 8 is a diagram showing the results of microstructural characterization of a 7XXX series aluminum alloy designed under process conditions recommended by the recommended model of the present invention.
Figure 9 is a diagram compared to Figure 8, and is a representative microstructure characteristic diagram of the characteristics of the 7XXX series aluminum alloy observed in the data set after the aging process.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can be modified in various ways and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all transformations, equivalents, and substitutes included in the spirit and technical scope of the present invention. In describing the present invention, if it is determined that a detailed description of related known technologies may obscure the gist of the present invention, the detailed description will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first, second, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present invention are only used to describe specific embodiments and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
공간적으로 상대적인 용어인 아래(below, beneath, lower), 위(above, upper) 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관 관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 아래(below, beneath)로 기술된 소자는 다른 소자의 위(above, upper)에 놓여질 수 있다. 따라서, 예시적인 용어인 아래는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.Spatially relative terms such as below, beneath, lower, above, upper, etc. facilitate the correlation between one element or component and other elements or components as shown in the drawing. It can be used to describe. Spatially relative terms should be understood as terms that include different directions of the element during use or operation in addition to the direction shown in the drawings. For example, when an element shown in a drawing is turned over, an element described as below (below, beneath) another element may be placed above (upper) the other element. Accordingly, the illustrative term below may include both downward and upward directions. Elements can also be oriented in other directions, so spatially relative terms can be interpreted according to orientation.
본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As used in the present invention, expressions indicating a part such as “part” or “part” mean that the corresponding component is a device that can include a specific function, software that can include a specific function, or a device that can include a specific function. It means that it can represent a combination of and software, but it cannot be said that it is necessarily limited to the expressed functions. This is only provided to help a more general understanding of the present invention, and is provided to those with ordinary knowledge in the field to which the present invention pertains. Various modifications and variations are possible from this description.
또한, 본 발명에서 사용되는 모든 전기 신호들은 일 예시로서, 본 발명의 회로에 반전기 등을 추가적으로 구비하는 경우 이하 설명될 모든 전기 신호들의 부호가 반대로 바뀔 수 있음을 유의해야 한다. 따라서, 본 발명의 권리범위는 신호의 방향에 한정되지 않는다.In addition, it should be noted that all electrical signals used in the present invention are examples, and if an inverter or the like is additionally provided in the circuit of the present invention, the signs of all electrical signals to be described below may be reversed. Therefore, the scope of the present invention is not limited to the direction of the signal.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention should not be limited to the described embodiments, and the scope of the patent claims described below as well as all things that are equivalent or equivalent to the scope of this patent claim shall fall within the scope of the spirit of the present invention. .
이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다.Hereinafter, the present invention will be described in more detail based on the embodiments shown in the drawings.
도 1은 본 발명의 바람직한 실시 예에 따른 합금 설계 시스템을 도시한 전체 구성도이다.1 is an overall configuration diagram showing an alloy design system according to a preferred embodiment of the present invention.
도 1에 도시한 바와 같이 합금 설계 장치(10)는, 공정조건에 따른 합금의 기계적 특성을 예측하는 예측 모델(100), 예측 모델(100)이 예측한 기계적 특성이 어떠한 근거로 예측 하였는지 설명하여 상기 예측 모델(100)의 신뢰성을 증명하는 예측 설명 모델(200), 그리고 최적의 제조공정을 찾아 원하는 기계적 특성의 합금을 설계할 수 있도록 공정조건을 추천하는 추천 모델(300)을 포함하여 구성된다.As shown in FIG. 1, the
이처럼 본 발명 장치(10)는 인공 지능 모델이 단순히 합금의 기계적 특성을 예측하는 것이 아니고, 그 기계적 특성의 예측 결과의 근거를 제시함으로써 예측 결과의 신뢰성을 향상시킬 수 있도록 설계되는 것이다. 나아가 높은 예측 정확도를 지닌 인공 지능 모델이 추천한 공정 조건에 따라 최적의 고강도 알루미늄 합금을 설계할 수 있도록 하는 것이다.In this way, the
도 2는 도 1의 예측 모델의 내부 구성도이다. 본 발명의 예측 모델(100)은 케라스(keras) 기반의 DNN 알고리즘이 적용된 DNN 학습모델을 이용하여 합금의 기계적 특성을 예측하였고, DNN 학습모델은, 도시한 바와 같이 입력 레이어(input layer)(110), 히든 레이어(hidden layers)(120) 및 출력 레이어(output layer)(130)를 포함하여 구성된다.Figure 2 is an internal configuration diagram of the prediction model of Figure 1. The
본 실시 예의 DNN 학습모델(100)은 화학 조성(chemical composition, 합금첨가물, 합금 첨가 원소라고 하기도 한다), 제조 공정, 기계적 물성 등의 빅 데이터(big data)를 축적하고, 실험을 통해 생성된 총 227개의 데이터 세트를 이용한다. 그리고 DNN 학습모델(100)은 9:1의 비율로 훈련 세트(training set)와 테스트 세트(test set)를 활용한다. 여기서 인공지능 학습을 위해 제공되는 데이터 양은 매우 적을 수 있기 때문에, 이를 해결하고자 K-fold 교차 검증 방법을 적용한다. 이를 통해 제한된 개수의 데이터 세트로도 검증 수를 최대화하여 편향된 예측을 방지할 수 있었다. 실시 예는 k 값을 10을 사용하였다.The
본 실시 예의 DNN 학습 모델(100)은 훈련 세트를 이용하여 훈련이 이루어진다. 그리고 앞서 언급한 바와 같이 DNN 학습 모델(100)은 입력 레이어(110), 히든 레이어(120), 출력 레이어(130)를 포함하는데, 입력 데이터는 피드 포워드 전파(feed forward propagation)및 BP(back propagation)를 사용하여 여러 히든 레이어(120)을 통해 처리된다. 그리고 초기 가중치와 편향은 피드 포워드 전파 과정에서 결정되고 훈련은 입력 레이어(110)에서 출력 레이어(120)로 진행된다. 또 BP 동안 가중치와 편향을 업데이트하여 이전 훈련 결과와 비교하여 예측 정확도를 높이도록 설계된다.The
본 실시 예의 DNN 학습모델(100)은 합금의 기계적 특성 예측을 위하여 총 12개의 요소를 입력변수로 선정하여 활용한다. 입력변수를 활용하여 어떠한 요소가 합금의 기계적 특성에 큰 영향을 미치는지를 확인할 수 있다.The
상기 입력변수는 합금 첨가물과 제조공정의 2가지 카테고리를 포함한다. 그리고 합금 첨가물(chemical composition)은 7가지, 제조공정은 5가지, 총 12개가 입력변수로 사용된다. 이들 상호조합에 의해 각각 다른 기계적 특성이 나타난다. 이러한 기계적 특성을 예측하려는 것은, 각 합금 첨가물과 제조공정이 합금의 기계적 특성에 어떠한 영향을 끼치는지 파악할 수 있고, 이는 합금 설계 시 주요한 지표가 되기 때문이다. 기존에 작업자가 이러한 조건들을 조합하여 합금을 설계할 경우, 각 조건들을 개별적으로 통제를 하면서 실험을 수행해야 하기 때문에 경우의 수가 거의 무한대일 수 있다. 그래서 실질적으로 작업자가 이들 조건들을 모두 고려하면서 합금 설계를 수행하는 것 자체가 어렵다. 또 합금 공정에 사용되는 모든 조건이 12개의 입력 변수로 사용되기 때문에 종래에 제안되었던 일부 공정 조건에 한정된 여러 예측 모델보다 실제 개발 시 설계 변수 통제에 더욱 용이하다. 즉 입력 변수들 각각이 상호관련성이 있기 때문에, 이 모든 조건을 모두 고려한 최적의 합금의 기계적 특성을 더 정확하게 예측할 수 있는 것이다.The input variables include two categories: alloy additives and manufacturing process. Additionally, 7 alloy additives (chemical composition) and 5 manufacturing processes are used as input variables, for a total of 12 variables. These mutual combinations result in different mechanical properties. The purpose of predicting these mechanical properties is to determine how each alloy additive and manufacturing process affects the mechanical properties of the alloy, which becomes a major indicator when designing the alloy. Previously, when an operator designs an alloy by combining these conditions, the number of cases can be almost infinite because the experiment must be performed while controlling each condition individually. So, in practice, it is difficult for workers to perform alloy design while considering all of these conditions. In addition, because all conditions used in the alloy process are used as 12 input variables, it is easier to control design variables during actual development than several prediction models limited to some process conditions that were previously proposed. In other words, because each of the input variables is interrelated, the mechanical properties of the optimal alloy considering all these conditions can be more accurately predicted.
상기 입력 변수 중 합금 첨가물은 알루미늄 합금의 주요 화학적 조성물인 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)이다. 이러한 화학적 조성물은 본 실시 예의 실험이 7XXX계열의 알루미늄 합금을 예를 들어 수행하였기 때문이다. 그래서 합금의 특성이나 종류 등에 따라 얼마든지 화학적 조성물은 변경할 수도 있다. 나아가 합금의 미세 구조 및 재료 특성은 합금 요소의 중량 백분율을 조정하여 결정하였다.Among the input variables, alloy additives are the main chemical compositions of aluminum alloy: zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si). This chemical composition is because the experiment of this example was performed using the 7XXX series aluminum alloy as an example. Therefore, the chemical composition can be changed depending on the characteristics or type of alloy. Furthermore, the microstructure and material properties of the alloy were determined by adjusting the weight percentage of alloy elements.
상기 입력 변수 중 제조 공정은 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging) 등을 포함한다.Among the input variables, the manufacturing process includes casting type, homogenization, extrusion, solution treatment, aging, etc.
본 실시 예는 상기 DNN 학습모델(100)에 상기한 12가지 입력변수들을 조합하여 학습하고, 그 결과로 항복강도(Yield strength, YS), 인장강도(tensile strength, TS), 연신율(elongation, EL)를 예측하게 된다.In this embodiment, the
이와 같은 합금 조성물 및 공정조건의 입력 변수에 따른 예측결과를 살펴본다.We look at the predicted results according to the input variables of such alloy composition and process conditions.
도 3은 본 발명의 입력 변수 중 합금 조성물에 따른 기계적 특성을 예측한 도면이고, 실험 데이터와 예측 데이터를 도시하고 있다. 이를 보면, 합금 조성물의 중량%(wt%)의 변화에 대하여 YS, TS 및 EL의 3가지 기계적 특성의 실험값과 예측값이 대부분 일치하고 있음을 알 수 있다. 예측결과는 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)의 각 합금 첨가물이 추가됨에 따라 변하는 기계적 특성과 일치하였고, 이를 통해 DNN 학습모델이 알루미늄 합금의 고유특성을 정확하게 예측하고 있음을 확인할 수 있다.Figure 3 is a diagram predicting mechanical properties according to alloy composition among the input variables of the present invention, and shows experimental data and predicted data. From this, it can be seen that the experimental and predicted values of the three mechanical properties of YS, TS, and EL are mostly consistent with the change in weight% (wt%) of the alloy composition. The predicted results are consistent with the mechanical properties that change with the addition of each alloy additive: zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si). Through this, it can be confirmed that the DNN learning model accurately predicts the unique properties of aluminum alloy.
도 4는 본 발명의 입력 변수 중 공정 조건에 따른 기계적 특성을 예측한 도면이다. 도 4에서 제1 열은 캐스팅 타입(Casting type)에 따른 3가지 기계적 특성, 제2 열은 압출가공(Extrusion)에 따른 3가지 기계적 특성, 제3 열은 균질화(Homogenization)에 따른 3가지 기계적 특성을 나타낸 도면이다.Figure 4 is a diagram predicting mechanical properties according to process conditions among the input variables of the present invention. In Figure 4, the first row shows three mechanical properties according to casting type, the second row shows three mechanical properties according to extrusion, and the third row shows three mechanical properties according to homogenization. This is a drawing showing .
이를 보면, 제1 열에 있는 캐스팅 타입의 경우 YS, TS의 데이터 분포와 평균선이 대부분 일치하고 있다. 특히 제3 열의 YS, TS 및 EL에서 EL은 매우 정확하게 예측되었음을 알 수 있다. 제2 열의 압출가공은 재료 특성에 따라 가공경화를 통한 YS 및 TS가 향상됨이 예측되고 있다.Looking at this, for the casting type in the first column, the data distribution and average line of YS and TS mostly match. In particular, it can be seen that EL was predicted very accurately in YS, TS, and EL in the third column. The second row of extrusion processing is expected to improve YS and TS through work hardening depending on the material properties.
도 5는 용체화 처리 및 에이징에 따른 기계적 특성을 예측한 도면이다.Figure 5 is a diagram predicting mechanical properties according to solution treatment and aging.
도 5a 내지 도 5c는 용체화 처리 과정에 따른 인자 특성 예측을 비교한 도면, 도 5d 내지 도 5f는 에이징 과정의 정도에 따른 인장 특성 예측을 비교한 도면이다. 여기서 용체화 처리 및 에이징 과정에 적용되는 공정조건은 도 5의 우측에 함께 표기하고 있다.Figures 5A to 5C are diagrams comparing the prediction of factor properties according to the solution treatment process, and Figures 5D to 5F are diagrams comparing the prediction of tensile properties according to the degree of the aging process. Here, the process conditions applied to the solution treatment and aging process are indicated on the right side of FIG. 5.
예측 결과를 살펴보면, 실험 데이터와 예측 데이터가 약간의 차이가 있지만 이는 학습 데이터가 부족한 조건에 따른 결과로서, 거의 대부분 일치하고 있음을 알 수 있다.Looking at the prediction results, you can see that although there are some differences between the experimental data and the predicted data, this is a result of the condition of insufficient learning data, and most of them match.
도 6은 본 발명에 따른 기계적 특성의 예측 결과를 나타낸 도면들이다.Figure 6 is a diagram showing the prediction results of mechanical properties according to the present invention.
DNN 학습모델의 예측 결과를 향상시키기 위해 손실을 최소화하는 최적 방안으로 베이지안 최적화 방법이 이용된다. 상기 베이지안 최적화 방법은 하이퍼 파라미터 튜닝과정을 통해 이루어지며, 베이지안 하이퍼 파라미터는 총 5가지(learning rate, epoch, number of layers, number of nodes, batch normalization)의 조합으로 이루어진다.To improve the prediction results of the DNN learning model, the Bayesian optimization method is used as an optimal method to minimize loss. The Bayesian optimization method is performed through a hyperparameter tuning process, and the Bayesian hyperparameters are a combination of a total of 5 types (learning rate, epoch, number of layers, number of nodes, and batch normalization).
일반적으로 히든 레이어와 노드들이 많은 DNN 구조는 정확도가 더 높으나, 반대로 너무 많으면 오류 역시 증가할 수 있다. 또 학습률도 예측율에 영향을 미친다. 학습률이 너무 높으면 오버슈팅 문제가 있고, 너무 낮으면 느린 수렴 속도(convergence rate)에 대한 국부 최소 문제가 발생할 수 있다. 또 에포크 수나 배치 정규화 기술도 학습률에 영향을 미친다.In general, DNN structures with many hidden layers and nodes have higher accuracy, but if there are too many, errors can also increase. Additionally, the learning rate also affects the prediction rate. If the learning rate is too high, there may be an overshooting problem, and if it is too low, there may be a local minimum problem with a slow convergence rate. Additionally, the number of epochs and batch normalization techniques also affect the learning rate.
본 실시 예는 이러한 베이지안 최적화 방법에 의해 결정된 하이퍼 파라미터와 상기 K-fold 교차 검증 방법에 제안하며, 제안된 최적의 하이퍼 파라미터가 다른 조합보다 가장 낮은 손실을 보여주고 있다.This embodiment proposes hyperparameters determined by the Bayesian optimization method and the K-fold cross-validation method, and the proposed optimal hyperparameters show the lowest loss compared to other combinations.
예를 들면 도 6a는 동일한 학습 에포크 수에서 수행되는 최적 케이스(Opt. Case) 및 이와 대비되는 케이스(Case 1 ~ 4)를 나타내고 있는데, 최적 케이스가 손실이 가장 낮은 것을 알 수 있다.For example, Figure 6a shows the optimal case (Opt. Case) and contrasting cases (Cases 1 to 4) performed at the same number of learning epochs. It can be seen that the optimal case has the lowest loss.
표 1에서, 레이어, 노드 개수 배치 정규화가 유사한 최적 케이스와 케이스 2를 비교하면 학습률에 의해 손실 차이가 크게 나타나고 있음을 알 수 있다. 따라서 적절한 학습률이 제공되는 것이 중요하다는 것을 알 수 있다.In Table 1, when comparing the optimal case with similar layer and node number placement normalization and Case 2, it can be seen that there is a large difference in loss depending on the learning rate. Therefore, it can be seen that it is important to provide an appropriate learning rate.
도 6b 내지 도 6d는 MAPE(mean absolute percentage error)와 결정계수(coefficient of determination, R2)에 따른 YS, TS 및 EL의 실험 결과와 예측 결과 간의 선형 비교를 보여준 도면이다.Figures 6b to 6d are diagrams showing a linear comparison between experimental results and predicted results of YS, TS, and EL according to mean absolute percentage error (MAPE) and coefficient of determination (R 2 ).
실험 데이터의 기울기를 보면 1.00에 가까웠고, 이는 DNN 학습모델(100)이 기계적 특성을 정확하게 예측하고 있음을 나타낸다. 그리고 베이지안 최적화에 기초하여 평균 MAPE는 약 9.93%의 예측 정확도와, 테스트 세트에서 0.9260의 평균 R2값을 획득하였고, 이 역시 DNN 학습 모델(100)의 높은 예측 정확도를 제시하고 있다.Looking at the slope of the experimental data, it was close to 1.00, which indicates that the DNN learning model (100) accurately predicts the mechanical properties. And based on Bayesian optimization, the average MAPE obtained a prediction accuracy of about 9.93% and an average R 2 value of 0.9260 in the test set, which also suggests a high prediction accuracy of the DNN learning model (100).
도 1에서 예측 설명 모델(200)은 상기 예측 모델(100)이 예측한 기계적 특성이 어떠한 근거를 가지고 예측 하였는지 설명하여 상기 예측 모델의 신뢰성을 증명하기 위한 모델일 수 있다. 즉 예측 모델(100)이 단순히 기계적 특성을 예측하는 것에 더하여 예측 근거를 제공하는 모델을 포함한다.In FIG. 1, the
실질적으로 인공 지능 모델인 DNN 학습 모델(100)이 입력변수에 따라 기계적 특성을 어떻게 예측하는지 설명하기는 어렵다. 일반적으로 학습 모델이 복잡하면 예측 정확도는 높아질 수 있지만, 그 결과를 해석하는 것은 쉽지 않다. 그래서 DNN 학습 모델(100)의 신뢰성을 검증하는 것이 필요하기 때문이다.In practice, it is difficult to explain how the
상기 예측 설명 모델(200)은 LIME 알고리즘을 사용하여 예측 설명을 수행한다. 상기 LIME 알고리즘 이용하면 예측 모델에 적용되었던 합금 첨가물과 제조공정이 기계적 특성에 긍정적 영향 또는 부정적 영향을 미쳤는지, 또 어느 정도 기여를 하였는지 확인할 수 있다.The
도 7a 내지 도 7f는 227개의 샘플 중 기계적 특성의 예측 값이 가장 높은 3개의 데이터 세트를 나타낸다.Figures 7a to 7f show three data sets with the highest predicted values of mechanical properties among 227 samples.
그 중 도 7a 내지 도 7c는 기계적 특성에 긍정적 또는 부정적 영향을 미친 합금 첨가제를 설명한다. 구체적으로 Zr(0.1 ~ 0.3wt%)를 첨가하면 YS, TS, EL 모두를 향상시키는데 효과적임을 알 수 있다. 그리고 알루미늄 합금에 Zr을 첨가하면 Zr 원자의 작은 확산성과 우수한 결합 특성으로 인해 열 안정성이 향상된다. 반면 Zr은 알루미늄 고용체(solid solution)에 용해되지 않는다. 그러나 소량의 Zr은 알루미늄 합금의 응고 중에 용해될 수 있기 때문에, 7XXX 계열의 알루미늄 합금의 열 안정성을 개선하기 위해 0.13wt%까지 Zr를 첨가할 수 있다.Among them, Figures 7a to 7c illustrate alloy additives that had a positive or negative effect on mechanical properties. Specifically, it can be seen that adding Zr (0.1 to 0.3 wt%) is effective in improving all YS, TS, and EL. And adding Zr to aluminum alloy improves thermal stability due to the small diffusivity of Zr atoms and excellent bonding properties. On the other hand, Zr is not soluble in aluminum solid solution. However, because a small amount of Zr may dissolve during solidification of aluminum alloy, Zr can be added up to 0.13 wt% to improve the thermal stability of 7XXX series aluminum alloy.
도 7b는 Cu와 Mg의 첨가가 EL에 부정적인 영향을 미치는 것을 보여준다. 즉, AL-Zn 합금의 Mg 합금은 강화 침전물(strengthening precipitates)의 형성에 의해 열처리에 대한 더 큰 경화 반응을 생성하기 때문이다. 또 도 7b를 보면 Mg의 함량이 높을 수록 강도는 향상되나, 강하 침전물의 부피 율이 크기 때문에 연성에 악영향을 미치게 된다. 유사하게 Al-Zn-Mg 합금에 Cu를 첨가하여 일부 유익한 효과를 기대할 수도 있지만, Cu는 응고 중에 Al7Cu2Fe 및 Al2CuMg와 같은 거친 금속간 입자를 형성하는 경향이 있기 때문에 강도 및 연성에 대한 부정적인 영향도 관찰되기도 한다. 이러한 거친 입자는 부서지기 쉽고 소성 변형 동안 파괴되는 부위로 작용한다.Figure 7b shows that the addition of Cu and Mg has a negative effect on EL. That is, the Mg alloy of the AL-Zn alloy produces a greater hardening response to heat treatment by the formation of strengthening precipitates. Also, looking at Figure 7b, the higher the Mg content, the better the strength, but it has a negative effect on ductility because the volume fraction of the sinking precipitate is large. Similarly, some beneficial effects can be expected by adding Cu to Al-Zn-Mg alloys, but because Cu tends to form coarse intermetallic particles such as Al 7 Cu 2 Fe and Al 2 CuMg during solidification, its strength and ductility are reduced. Negative effects are also observed. These coarse particles are brittle and act as failure sites during plastic deformation.
도 7a 내지 도 7c는 7xxx Al 합금의 기계적 특성에 대한 Fe 및 Si의 영향을 보여주고 있다. 여기서 Fe와 Si는 상용 Al-Zn-Mg-Cu 합금에서 가장 흔하고 피할 수 없는 불순물이다. Fe는 Al 합금에 대한 용해도가 0.005wt%로 매우 낮아 응고 중에 Al7Cu2Fe, Al3Fe, Al8Fe2Si 등과 같은 금속간 입자를 형성한다. 그리고 Al 합금의 Fe 함량이 0.12wt% 미만인 경우 기계적 특성에 부정적인 영향 없이 YS와 TS가 모두 증가한다. 반대로, Si 첨가는 Mg 및 Zn 기반 η' 상의 핵 생성 전에 Mg 원자가 쉽게 소비되어 Mg2Si를 형성하는 소량(0.02 ~ 0.03wt%)에도 불구하고 YS 및 TS에 부정적이라 할 수 있다.Figures 7a to 7c show the influence of Fe and Si on the mechanical properties of 7xxx Al alloy. Here, Fe and Si are the most common and unavoidable impurities in commercial Al-Zn-Mg-Cu alloy. Fe has a very low solubility in Al alloy of 0.005 wt%, so it forms intermetallic particles such as Al 7 Cu 2 Fe, Al 3 Fe, Al 8 Fe 2 Si, etc. during solidification. And when the Fe content of the Al alloy is less than 0.12 wt%, both YS and TS increase without negative effects on the mechanical properties. Conversely, Si addition can be considered negative for YS and TS despite its small amount (0.02 to 0.03 wt%) where Mg atoms are easily consumed to form Mg 2 Si before nucleation of the Mg and Zn-based η' phases.
도 7d 내지 도 7f는 기계적 특성에 긍정적 또는 부정적 영향을 미치는 제조 공정을 설명하는 데이터이다. 압출 가공(Extrusion)은 결정립 미세화 및 기하학적 필요 전위(GND) 밀도 증가로 인해 YS 및 TS를 증가시키는 가장 효과적인 방법이다. 또한 빌렛 주조(billet casting)는 주조 불량이 적기 때문에 PM 주조보다 우수하다. 자연 에이징과 인공 에이징을 포함한 에이징 과정은 YS에 긍정적이지만 TS에 중립적이며 EL에 부정적이다. 이것은 YS와 EL 사이의 trade-off 관계 때문이다. 즉 Al 합금의 낮은 변형 경화율(strain hardening rate)로 인해 TS가 유지되기 때문이다.7D-7F are data illustrating manufacturing processes that positively or negatively affect mechanical properties. Extrusion is the most effective method to increase YS and TS due to grain refinement and increased geometrical necessary dislocation (GND) density. Additionally, billet casting is superior to PM casting because there are fewer casting defects. Aging processes, including natural aging and artificial aging, are positive for YS, neutral for TS, and negative for EL. This is due to the trade-off relationship between YS and EL. That is, TS is maintained due to the low strain hardening rate of Al alloy.
물론, 공정 조건 중 균질화(Homogenization) 공정은 YS 및 TS에 부정적인 영향을 미치고 있음을 알 수 있다. 이러한 균질화 공정은 알루미늄 합금 제조에 필요한 공정이긴 하나, 고온에서의 과도한 균질화 과정은 결정립 성장을 초래하여 매트릭스의 강도를 저하시키기 때문이다.Of course, it can be seen that among the process conditions, the homogenization process has a negative effect on YS and TS. Although this homogenization process is a necessary process for manufacturing aluminum alloys, excessive homogenization at high temperatures causes grain growth and reduces the strength of the matrix.
그리고 주조 합금에서 가장 낮은 EL은 응고 동안 수지상 경계에서 Al2Mg3Zn3 및 Al2CuMg와 같은 이종금속간 상이 형성되는 것이 설명되고 있다. 그러나 이러한 금속간 상은 본질적으로 부서지기 쉽고 매트릭스에서 쉽게 부서져 보이드(void)를 형성하여 합금의 조기 파괴를 유발하는 원인이 된다.And the lowest EL in the cast alloy is explained by the formation of intermetallic phases such as Al 2 Mg 3 Zn 3 and Al 2 CuMg at the dendritic boundary during solidification. However, this intermetallic phase is inherently brittle and breaks easily in the matrix to form voids, causing premature failure of the alloy.
이와 같은 LIME 알고리즘에 의한 결과를 살펴보면, 실험 데이터 세트에서 보고된 Al-Zn-Mg-Cu 합금 처리 중 기계적 특성 변화와 일치함을 확인할 수 있다.Looking at the results from this LIME algorithm, it can be seen that they are consistent with the changes in mechanical properties during Al-Zn-Mg-Cu alloy processing reported in the experimental data set.
도 1에서 추천 모델(300)은 원하는 기계적 특성의 합금을 설계할 수 있도록 공정조건을 추천하는 모델일 수 있다.In FIG. 1, the
추천 모델(300)은 특정 기계적 특성을 가지는 합금 설계를 위해 합금 첨가물 및 제조 공정의 새로운 조합을 추천하는 것이다.The
추천 모델(300)은, 합금 첨가물과 제조공정에 따라 난수를 생성한다. 여기서 상기 난수는 합금 첨가물의 경우 데이터 세트의 각 원소들의 함량 범위에서 유리수(rational number)를 갖는 난수(random numbers)가 생성되는 것이고, 제조 공정의 경우 정수(integers)가 있는 난수가 생성된다. 또 제조 공정에서 빌렛 주조(billet casting)와 압출 가공(Extrusion)은 고정변수로 설정하고, 다른 변수는 훈련 데이터 세트 및 테스트 데이터 세트에 사용된 값의 범위 내에서 무작위로 생성한다.The
추천 모델(300)은 상기 무작위로 생성된 데이터 세트를 상기 DNN 학습 모델(100)에 입력하고 각 데이터 세트에 해당하는 기계적 특성을 예측한다.The
추천 모델(300)은 예측된 결과 중 학습 데이터에 비해 기계적 물성이 향상된 데이터를 선정하고, 이 데이터 중에서 실제 제작 가능한 조합을 선정한다. 이렇게 선정된 데이터들이 추천되는 것이다.The
다음 표 2는 추천 모델(300)이 추천한 합금 공정 조건의 예시이다.Table 2 below is an example of alloy process conditions recommended by the
표 2를 보면 기계적 특성이 좋은 6개의 샘플 공정 조건이 추천되었다. 추천 방법은 YS와 EL 값을 기준으로 하였다. 그 중 YS × EL 값이 가장 높을 것으로 예측된 첫 번째 및 네 번째 공정 조건이 선택될 수 있다. 이를 보면, 공정 조건의 추천 사항은 YS는 704.12MPa 및 668.26MPa, TS는 742.27MPa 및 727.06MPa, EL은 19.66% 및 20.86%이다.Looking at Table 2, six sample processing conditions with good mechanical properties were recommended. The recommended method was based on YS and EL values. Among them, the first and fourth process conditions predicted to have the highest YS × EL value can be selected. From this, the recommendations for process conditions are 704.12 MPa and 668.26 MPa for YS, 742.27 MPa and 727.06 MPa for TS, and 19.66% and 20.86% for EL.
그리고 다음 표 3은 실제 제조한 합금의 기계적 특성을 나타내고 있다.And Table 3 below shows the mechanical properties of the actually manufactured alloy.
표 3을 보면, 추천 모델(300)이 제시한 공정 조건에 따라 합금을 제조한 결과, 실제 합금의 기계적 특성이 매우 유사하다는 것을 확인할 수 있다.Looking at Table 3, it can be seen that the mechanical properties of the actual alloy are very similar as a result of manufacturing the alloy according to the process conditions suggested by the recommended
도 8은 추천된 공정조건에 의해 설계된 7XXX 계열의 알루미늄 합금의 미세 구조 특성화를 수행한 결과 도면으로, (a)는 Microstructure Analysis, (b)는 Grain structure Analysis, (c)는 Precipitation Analysis를 각각 보여주고 있다.Figure 8 is a drawing showing the results of microstructural characterization of the 7XXX series aluminum alloy designed under recommended process conditions, (a) showing Microstructure Analysis, (b) Grain structure Analysis, and (c) showing Precipitation Analysis. is giving
그리고 이와 같은 7XXX 계열의 알루미늄 합금의 특성은 에이징 공정 후 데이터 세트에서 관찰된 대표적인 미세 구조 특성, 즉 도 9와 유사함을 알 수 있다.And it can be seen that the characteristics of this 7XXX series aluminum alloy are similar to the representative microstructural characteristics observed in the data set after the aging process, that is, as shown in Figure 9.
이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.As described above, the present invention is described with reference to the illustrated embodiments, but these are merely illustrative examples, and those of ordinary skill in the art to which the present invention pertains can make various modifications without departing from the gist and scope of the present invention. It will be apparent that variations, modifications, and equivalent other embodiments are possible. Therefore, the true scope of technical protection of the present invention should be determined by the technical spirit of the appended claims.
10: 본 발명의 합금 설계 장치
100: 예측 모델
110: 입력 레이어
120: 히든 레이어
130: 출력 레이어
200: 예측 설명 모델
300: 추천 모델10: Alloy design device of the present invention
100: Prediction model
110: input layer
120: Hidden layer
130: output layer
200: Predictive explanation model
300: Recommended model
Claims (15)
상기 예측모델에 의해 예측된 기계적 특성의 신뢰성을 증명하기 위한 예측 설명 모델; 및
원하는 기계적 특성을 가진 합금을 설계할 수 있도록 적어도 하나의 공정 조건을 추천하는 추천 모델을 포함하는 것을 특징으로 하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.Predictive models that predict the mechanical properties of alloys;
a predictive explanatory model to prove the reliability of mechanical properties predicted by the predictive model; and
An alloy design device using an explainable artificial intelligence model, characterized in that it includes a recommendation model that recommends at least one process condition to design an alloy with desired mechanical properties.
상기 예측 모델은, 케라스(keras) 기반의 DNN 알고리즘이 적용된 DNN 학습모델인, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 1,
The prediction model is an alloy design device using an explainable artificial intelligence model, which is a DNN learning model to which the Keras-based DNN algorithm is applied.
상기 예측 모델은,
복수의 합금 첨가물 및 제조공정의 입력변수를 입력받아 합금의 기계적 특성을 예측하며,
상기 합금은 알루미늄 합금이고,
상기 합금 첨가물은 상기 알루미늄 합금의 주요 화학적 조성물인 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)이고,
상기 제조 공정은 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)을 포함하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 1,
The prediction model is,
Predicts the mechanical properties of the alloy by receiving multiple alloy additives and input variables from the manufacturing process.
The alloy is an aluminum alloy,
The alloy additive is zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), which are the main chemical compositions of the aluminum alloy,
The manufacturing process includes casting type, homogenization, extrusion, solution treatment, and aging. An alloy design device using an explainable artificial intelligence model.
상기 예측 모델은,
상기 합금 첨가물과 제조공정의 입력변수들을 조합하여 합금의 항복강도(Yield strength, YS), 인장강도(tensile strength, TS), 연신율(elongation, EL)를 예측하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 1,
The prediction model is,
An alloy using an explainable artificial intelligence model that predicts the yield strength (YS), tensile strength (TS), and elongation (EL) of the alloy by combining the alloy additives and input variables of the manufacturing process. Design device.
상기 예측 모델은,
베이지안 최적화 방법으로 결정된 하이퍼 파라미터 및 K-fold 교차 검증 방법이 사용하여 기계적 특성을 예측하며,
상기 하이퍼 파라미터는 learning rate, epoch, number of layers, number of nodes, batch normalization의 조합으로 이루어지는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 1,
The prediction model is,
Hyperparameters determined by Bayesian optimization method and K-fold cross-validation method are used to predict mechanical properties,
The hyperparameter is a combination of learning rate, epoch, number of layers, number of nodes, and batch normalization, and an alloy design device using an explainable artificial intelligence model.
상기 예측 설명 모델은 LIME 알고리즘이 적용된 설명가능한 인공지능(eXplainable Artificial Intelligence, XAI)이고,
상기 예측 모델이 예측한 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 설명하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 1,
The predictive explanation model is eXplainable Artificial Intelligence (XAI) to which the LIME algorithm is applied,
An alloy design device using an explainable artificial intelligence model that explains the positive or negative influence of each variable on the mechanical properties predicted by the prediction model.
상기 DNN 학습모델이 예측한 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 하는 예측 설명 모델을 포함하는 것을 특징으로 하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.A DNN learning model that predicts the mechanical properties of aluminum alloy yield strength, tensile strength, and elongation by receiving input variables for multiple alloy additives and manufacturing processes; and
An alloy design device using an explainable artificial intelligence model, characterized in that it includes a predictive explanation model that positively or negatively affects each variable on the mechanical properties predicted by the DNN learning model.
상기 DNN 학습모델은, 베이지안 최적화 방법 및 K-fold 교차 검증 방법을 사용하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 7,
The DNN learning model is an alloy design device using an explainable artificial intelligence model that uses the Bayesian optimization method and the K-fold cross-validation method.
상기 입력변수는, 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)의 합금 첨가물과, 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)의 제조공정인, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 7,
The input variables include alloy additives of zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), and casting type. , an alloy design device using an explainable artificial intelligence model, which is a manufacturing process of homogenization, extrusion, solution treatment, and aging.
상기 예측 설명 모델은, 설명가능한 인공지능(eXplainable Artificial Intelligence, XAI)을 이용하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 7,
The predictive explanation model is an alloy design device using an explainable artificial intelligence model that uses explainable artificial intelligence (eXplainable Artificial Intelligence, XAI).
상기 예측 설명 모델에 의해 높은 예측 정확도가 확보된 공정 조건을 기반으로, 원하는 기계적 특성을 가진 알루미늄 합금의 공정조건을 추천하는 추천모델을 더 포함하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계장치.According to claim 7,
An alloy design device using an explainable artificial intelligence model, further comprising a recommendation model that recommends process conditions for an aluminum alloy with desired mechanical properties based on process conditions for which high prediction accuracy is secured by the prediction explanation model.
예측 설명 모델이 상기 예측된 기계적 특성에 대한 각 변수의 긍정적 또는 부정적 영향을 설명하는 예측 설명 단계를 포함하여 수행되는 것을 특징으로 하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계방법.A prediction step in which the prediction model receives input variables for alloy additives and manufacturing processes and predicts the mechanical properties of yield strength, tensile strength, and elongation of the aluminum alloy; and
An alloy design method using an explainable artificial intelligence model, characterized in that the prediction explanation model is performed including a prediction explanation step that explains the positive or negative influence of each variable on the predicted mechanical properties.
상기 예측모델은 베이지안 최적화 방법 및 K-fold 교차 검증 방법을 이용하여 예측하는 DNN 학습모델이고,
상기 예측 설명 모델은, LIME 알고리즘을 이용하는 설명 가능한 인공지능(XAI)인, 설명 가능한 인공 지능 모델을 이용한 합금 설계방법.According to claim 12,
The prediction model is a DNN learning model that predicts using the Bayesian optimization method and K-fold cross-validation method,
The predictive explanation model is an alloy design method using an explainable artificial intelligence model, which is explainable artificial intelligence (XAI) using the LIME algorithm.
상기 입력변수는, 아연(Zn), 마그네슘(Mg), 구리(Cu), 지르코늄(Zr), 티타늄(Ti), 철(Fe) 및 실리콘(Si)의 합금 첨가물과, 캐스팅 타입(Casting type), 균질화(Homogenization), 압출가공(Extrusion), 고용화 열처리(Solution Treatment), 에이징(Aging)의 제조공정을 포함하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계방법.According to claim 12,
The input variables include alloy additives of zinc (Zn), magnesium (Mg), copper (Cu), zirconium (Zr), titanium (Ti), iron (Fe), and silicon (Si), and casting type. , alloy design method using an explainable artificial intelligence model, including manufacturing processes of homogenization, extrusion, solution treatment, and aging.
추천 모델이 상기 예측 설명 모델에 의해 높은 예측 정확도가 확보된 공정 조건을 기반으로, 원하는 기계적 특성을 가진 알루미늄 합금의 공정조건을 추천하는 추천 단계를 더 포함하는, 설명 가능한 인공 지능 모델을 이용한 합금 설계방법.According to claim 12,
Alloy design using an explainable artificial intelligence model, wherein the recommendation model further includes a recommendation step of recommending process conditions for an aluminum alloy with desired mechanical properties based on process conditions for which high prediction accuracy is secured by the prediction explanation model. method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220032556A KR20230135283A (en) | 2022-03-16 | 2022-03-16 | Alloy design device using explainable artificial intelligence model and design method using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220032556A KR20230135283A (en) | 2022-03-16 | 2022-03-16 | Alloy design device using explainable artificial intelligence model and design method using the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230135283A true KR20230135283A (en) | 2023-09-25 |
Family
ID=88190730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220032556A KR20230135283A (en) | 2022-03-16 | 2022-03-16 | Alloy design device using explainable artificial intelligence model and design method using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230135283A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200000699A (en) | 2018-06-25 | 2020-01-03 | 현대제철 주식회사 | method of estimating at least one of coating weight and alloy degree of zinc alloy plated sheet |
-
2022
- 2022-03-16 KR KR1020220032556A patent/KR20230135283A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200000699A (en) | 2018-06-25 | 2020-01-03 | 현대제철 주식회사 | method of estimating at least one of coating weight and alloy degree of zinc alloy plated sheet |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Motallebi et al. | Additive manufacturing–A review of hot deformation behavior and constitutive modeling of flow stress | |
| Shahwaz et al. | A critical review on the microstructure and mechanical properties correlation of additively manufactured nickel-based superalloys | |
| Sabokpa et al. | Artificial neural network modeling to predict the high temperature flow behavior of an AZ81 magnesium alloy | |
| US11111562B2 (en) | Aluminum-copper-lithium alloy with improved mechanical strength and toughness | |
| CN101896631B (en) | Al-Mg-Zn wrought alloy product and manufacture method thereof | |
| Pineau | Crossing grain boundaries in metals by slip bands, cleavage and fatigue cracks | |
| JP4801386B2 (en) | Aluminum alloy plastic processed product, manufacturing method thereof, automotive parts, aging furnace, and aluminum alloy plastic processed product manufacturing system | |
| Park et al. | High strength aluminum alloys design via explainable artificial intelligence | |
| Yi et al. | Boosting for concept design of casting aluminum alloys driven by combining computational thermodynamics and machine learning techniques | |
| US20180148815A1 (en) | High-strength hot-forged aluminum alloy | |
| US20240035138A1 (en) | Thick plates made of al-cu-li alloy with improved fatigue properties | |
| Wei et al. | The constitutive modeling and processing map of homogenized Al-Mg-Si-Cu-Zn alloy | |
| Suh et al. | Interpretable machine learning-based analysis of mechanical properties of extruded Mg-Al-Zn-Mn-Ca-Y alloys | |
| Ji et al. | The effects and utility of homogenization and thermodynamic modeling on microstructure and mechanical properties of SS316/IN718 functionally graded materials fabricated by laser-based directed energy deposition | |
| KR20230135283A (en) | Alloy design device using explainable artificial intelligence model and design method using the same | |
| JP2011063885A (en) | Method for producing plastic worked article made of aluminum alloy | |
| JP5532462B2 (en) | Manufacturing method of plastic products made of aluminum alloy | |
| Gupta et al. | Experimental modelling and genetic algorithm-based optimisation of friction stir welding process parameters for joining of dissimilar AA5083-O and AA6063-T6 aluminium alloys | |
| BS et al. | An investigation of process parameter influences on dissimilar friction stir welding of cast aluminum alloy joints | |
| Tercelj et al. | Influence of the chemical composition and process parameters on the mechanical properties of an extruded aluminium alloy for highly loaded structural parts | |
| Hassan et al. | Multi-objective optimization of friction stir additively manufactured Al-7075 multi-layered laminates | |
| Emadi et al. | Comparison of Artificial Neural Network and Multiple Regression Analysis Techniques in Predicting the Mechanical Properties of A3 56 Alloy | |
| CN114783540A (en) | Multi-element alloy performance prediction method based on particle swarm optimization BP neural network | |
| El Mehtedi et al. | Flow curve prediction of ZAM100 magnesium alloy sheets using artificial neural network-based models | |
| KR20230106180A (en) | Methods of making 2XXX-series aluminum alloy products |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal |