WO2023101150A1 - 주조품 미세조직 특성값 예측 시스템 및 방법 - Google Patents

주조품 미세조직 특성값 예측 시스템 및 방법 Download PDF

Info

Publication number
WO2023101150A1
WO2023101150A1 PCT/KR2022/012988 KR2022012988W WO2023101150A1 WO 2023101150 A1 WO2023101150 A1 WO 2023101150A1 KR 2022012988 W KR2022012988 W KR 2022012988W WO 2023101150 A1 WO2023101150 A1 WO 2023101150A1
Authority
WO
WIPO (PCT)
Prior art keywords
casting
microstructure characteristic
unit cell
module
characteristic value
Prior art date
Application number
PCT/KR2022/012988
Other languages
English (en)
French (fr)
Inventor
김성빈
노동훈
권응수
Original Assignee
주식회사 애니캐스팅 소프트웨어
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 애니캐스팅 소프트웨어 filed Critical 주식회사 애니캐스팅 소프트웨어
Publication of WO2023101150A1 publication Critical patent/WO2023101150A1/ko

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Definitions

  • the present invention relates to a system and method for predicting microstructure characteristic values of cast products, and more particularly, to a system and method for predicting microstructural characteristic values of cast products that can shorten the time for predicting microstructural characteristic values of casting analysis for analyzing the suitability of a casting method. it's about
  • Casting refers to a process of manufacturing a desired cast product by dissolving a metal with high deformation resistance into a liquid state with low deformation resistance and injecting it into a mold of a desired shape to solidify it.
  • the quality of castings is greatly influenced by how the casting method is designed. Specifically, in the casting process, it is necessary to design to minimize the factors that degrade the quality of the cast product, such as the mixing of gas and shrinkage during solidification. This design determines how molten metal flows into the mold and solidifies. It is related to the modeling technique of the casting plan according to the consideration of
  • casting analysis is divided into macro casting analysis that analyzes composition, cooling rate, temperature gradient, etc., and micro casting analysis that analyzes microstructure characteristic values such as SDAS (Secondary Dendrite Arm Space) and grain size. It can be divided, but the micro casting analysis time takes a very long time compared to the macro casting analysis time.
  • macro casting analysis that analyzes composition, cooling rate, temperature gradient, etc.
  • micro casting analysis that analyzes microstructure characteristic values such as SDAS (Secondary Dendrite Arm Space) and grain size. It can be divided, but the micro casting analysis time takes a very long time compared to the macro casting analysis time.
  • SDAS analysis algorithm an SDAS analyzer (SDAS analysis algorithm) that integrates physical/chemical phase transformation and heat transfer analysis is used. Approximately 2 hours to up to 1 day) there was a problem of not complying.
  • the present invention is intended to solve the above problems, and provides a system and method for predicting microstructure characteristic values of a cast product that can shorten the time for predicting microstructure characteristic values of casting analysis for analyzing the appropriateness of casting methods.
  • a microstructural characteristic value prediction system of a cast product includes an input module for receiving three-dimensional shape data of a cast product and casting information for casting the cast product; a unit cell division module for dividing the three-dimensional shape data of the cast product into unit cells; a parameter derivation module for deriving parameters for analyzing the microstructure characteristic values of the unit cell by executing a casting process simulation based on the casting information; a sampling module for sampling some of the unit cells; a sampling analysis module that analyzes the sampled unit cell parameters and microstructure property values using an analyzer that analyzes the microstructure property values; a meta function extraction module for extracting a meta function predicting the microstructure characteristic values of the unit cell by meta-modeling the microstructure characteristic values analyzed by the sampling analysis module; and a microstructure property value prediction module that predicts microstructure property values of all the unit cells using the extracted metafunction and the parameters of the unit cell.
  • a metafunction for predicting a microstructure characteristic value of a cast product is matched and stored for each composition of a raw material for casting the cast product database;
  • An input module for receiving casting information including three-dimensional shape data of a casting product and raw material composition information; a unit cell dividing module for dividing the three-dimensional shape data of the cast product into unit cells; a parameter derivation module for deriving parameters for analyzing the microstructure characteristic values of the unit cell by executing a casting process simulation based on the casting information; a metafunction calling module for calling a metafunction corresponding to the raw material composition input from the input module among metafunctions stored in the database; and a microstructure characteristic value prediction module that predicts microstructure characteristic values of all the unit cells using the called metafunction and the parameter of the unit cell.
  • a method for predicting microstructure characteristic values of a cast product includes an input step of receiving three-dimensional shape data of a cast product and casting information for casting the cast product; a unit cell division step of dividing the three-dimensional shape data of the cast product into unit cells; a parameter derivation step of deriving a parameter for predicting a microstructure characteristic value of the unit cell by executing a casting process simulation based on the casting information; a sampling step of sampling a part of the unit cell; a sampling analysis step of analyzing a parameter of the sampled unit cell and a microstructure characteristic value of the sampled unit cell using an analyzer that analyzes the microstructure characteristic value; a metafunction extraction step of extracting a metafunction for predicting microstructural property values of the unit cell by metamodeling the analyzed microstructure property values; and a microstructure characteristic value prediction step of predicting microstructure characteristic values of all the unit cells using the extracted metafunction and the parameters of the unit cell.
  • the meta function for predicting the microstructure characteristic value of the cast product is matched and stored for each composition of the raw material for casting the cast product.
  • a method for predicting microstructural characteristic values of a cast product using a database comprising: an input step of receiving casting information including three-dimensional shape data and raw material composition information of the cast product; a unit cell division step of dividing the three-dimensional shape data of the cast product into unit cells; a parameter derivation step of deriving parameters for analyzing the microstructure characteristic values of the unit cell by executing a casting process simulation based on the casting information; a meta function calling step of calling a meta function corresponding to the raw material composition information input in the input step among the meta functions stored in the database; and a microstructure characteristic value prediction step of predicting microstructure characteristic values of all the unit cells using the called metafunction and the parameter of the unit cell.
  • the casting analysis for determining the appropriateness of the casting method can be shortened.
  • FIG. 1 is a block diagram schematically showing a cast product microstructure characteristic value prediction system according to an embodiment of the present invention
  • FIG. 2 is a block diagram schematically showing a cast product microstructure characteristic value prediction system according to another embodiment of the present invention.
  • FIG. 3 is a flowchart for explaining a method for predicting a microstructure characteristic value of a cast product according to an embodiment of the present invention
  • FIG. 4 is a flowchart illustrating a method for predicting a microstructure characteristic value of a cast product according to another embodiment of the present invention.
  • each embodiment may be implemented independently or together, and some components may be excluded in accordance with the purpose of the invention.
  • FIG. 1 is a block diagram schematically illustrating a system for predicting microstructure characteristic values of a cast product according to an embodiment of the present invention.
  • the microstructure characteristic value prediction system 10 of a cast product includes an input module 20, a unit cell division module 30, a parameter derivation module 40, and a sampling module ( 50), a sampling analysis module 60, a metafunction extraction module 70, and a microstructure characteristic value prediction module 80.
  • the prediction system 10 may receive 3D shape data and casting information of a cast product through the input module 20 .
  • the 3D shape data of the cast product may be 3D CAD data, and the casting information may include information for casting the cast product.
  • the casting information may include composition information of a raw material for casting the casting product.
  • the casting information may include material information of the raw material, for example, main component of the raw material, and unique thermal property information of the raw material, such as density, specific heat, and thermal conductivity.
  • the casting information includes information such as composition information of molten metal for casting the cast product, molten metal temperature, mold temperature, heat transfer coefficient between molten metal and mold, heat transfer coefficient between molten metal and air, ambient temperature, and molten metal injection speed.
  • information such as composition information of molten metal for casting the cast product, molten metal temperature, mold temperature, heat transfer coefficient between molten metal and mold, heat transfer coefficient between molten metal and air, ambient temperature, and molten metal injection speed.
  • the casting information may include casting method information for casting the casting product.
  • casting refers to melting a solid-state metal with high deformation resistance into a liquid-state molten metal with low deformation resistance, injecting the molten metal into a mold of the shape to be manufactured, and solidifying the desired shape. It refers to making it at once, and the casting method information may be information on how to pour molten metal into a mold of a shape to be manufactured and solidify it.
  • the casting method information may include information about an ingate, a runner, a biscuit neck, and a biscuit.
  • the biscuit is coupled to the sleeve of the casting equipment to connect the casting equipment and the outlet of the molten metal
  • the ingate is an inlet through which the molten metal flows into a mold having the shape of a product to be cast
  • the runner and the biscuit neck are molten metal
  • information about each of the biscuit, the ingate, the runner, and the biscuit neck is information about the number, position, shape, width, thickness, etc. can include
  • the unit cell division module 30 may divide the three-dimensional shape data of the cast product into unit cells.
  • the unit cell may be one point for predicting a microstructure characteristic value of a cast product cast according to the casting information, and the unit cell division module 30 converts the three-dimensional shape data of the cast product into approximately millions to tens of millions of units. It can be divided into unit cells.
  • the unit cell division module 30 may divide the three-dimensional shape data of the cast product based on a division criterion input by a user.
  • the user may input the total number of unit cells or the size of the unit cells as a division criterion
  • the unit cell division module 30 may input the total number of unit cells or the size of the unit cells. It is possible to divide the three-dimensional shape data of the cast product based on.
  • the parameter derivation module 40 may derive parameters for analyzing the microstructure characteristic values of the unit cell by executing a casting process simulation based on the casting information.
  • the microstructure characteristic value is SDAS (Secondary Dendrite Arm Space)
  • the parameter is an input value necessary for SDAS analysis
  • the chemical composition (%) of the unit cell, the temperature gradient of the unit cell (gradient), and the cooling rate (°C/t) of the unit cell is an input value necessary for SDAS analysis.
  • parameter derivation module 40 may derive the parameters through macro casting analysis.
  • the casting analysis that determines the appropriateness of the casting method can be divided into a macro casting analysis that analyzes composition, temperature gradient, cooling rate, etc., and a micro casting analysis that analyzes microstructural characteristic values such as SDAS and grain size.
  • the micro casting analysis time is very long compared to the macro casting analysis time.
  • the parameter derivation module 40 can derive the parameters within a relatively short time by deriving the parameters through macro casting analysis.
  • the parameter derivation module 40 may derive parameters for analyzing the microstructure characteristic values of the unit cell by executing a macro casting analysis simulation.
  • the sampling module 50 may sample some of the unit cells.
  • the sampling module 50 may sample approximately 100 to 200 unit cells among the unit cells, which are the population, as samples for analyzing the microstructure characteristic values.
  • the sampling module 50 may sample some of the unit cells based on at least one parameter value among the parameters derived from the parameter derivation module 40 .
  • the sampling module 50 samples some of the unit cells based on the values of the temperature gradient and the cooling rate among the composition, temperature gradient, and cooling rate of the unit cell, which are parameters for analyzing SDAS. can do.
  • the unit cells sampled by the sampling module 50 may have a lower dependence on the shape of the cast product, and thus, it may be possible to form a DB for each composition of a raw material for casting the cast product.
  • the sampling analysis module 60 may analyze the microstructure characteristic values of the sampled unit cell using an analyzer that analyzes the parameter of the sampled unit cell and the unmanufactured structure characteristic value.
  • the sampling analysis module 60 uses an SDAS analyzer that integrates physical/chemical phase transformation and heat transfer analysis, that is, an SDAS analysis algorithm.
  • SDAS Serial Dendrite Arm Space
  • the sampling analysis module 60 The microstructure characteristic value, that is, SDAS can be interpreted.
  • the system 10 analyzes the SDAS of the unit cell using the SDAS analyzer, the unit cell division module 30 divides the SDAS analysis is not performed for all unit cells (approximately millions to tens of millions), but SDAS analysis is performed only for the unit cells sampled in the sampling module 50 (approximately 100 to 200 cells), thereby ensuring the appropriateness of the casting method. It is possible to shorten the SDAS analysis time, that is, the microstructure characteristic value of the casting analysis that analyzes the
  • the meta function extraction module 70 may perform meta modeling of the microstructure characteristic values analyzed by the sampling analysis module 60 to extract a metafunction for predicting the microstructure characteristic values of the unit cell. .
  • the meta function is a formula for predicting the microstructure characteristic value of the cast product, and can be expressed as a coefficient and a matrix of the meta function, and the meta function extraction module 70 is analyzed by the sampling analysis module 60.
  • the metafunction which is a formula for predicting the microstructure characteristic values of the cast product, may be extracted by meta-modeling the microstructure characteristic values and extracting coefficients and matrices of the metafunction.
  • the microstructure characteristic value prediction module 80 may predict the microstructure characteristic values of all the unit cells using the meta function extracted by the meta function extraction module 70 and the parameters of the unit cell.
  • the microstructure characteristic value prediction module 80 inputs the parameters of the unit cell into the metafunction extracted by the metafunction extraction module 70 and calculates the microstructure characteristic value for each unit cell. can predict
  • the casting analysis that determines the appropriateness of the casting method can be divided into macro casting analysis that analyzes composition, temperature gradient, cooling rate, etc., and micro casting analysis that analyzes SDAS, grain size, etc.
  • the micro casting analysis The analysis time is very long compared to the macro casting analysis time.
  • the SDAS analyzer that analyzes SDAS does not comply with the appropriate analysis time (2 hours to maximum 1 day) for use at the casting site because the analysis time per unit cell (one point) is excessive. there is a problem i can't
  • SDAS analysis using the SDAS analyzer only for unit cells (approximately 100 to 200 cells) sampled in the sampling module 50 Execute, extract a metafunction for predicting the SDAS of the unit cell by applying metamodeling to the SDAS analysis result for the sampling, and analyze the SDAS of all the unit cells using the extracted metafunction. SDAS analysis time of the unit cell can be significantly reduced.
  • the analysis time took about 130.2 days. If estimated, it can be shortened to about 10 minutes.
  • metafunction extraction module 70 metamodels the microstructure characteristic values analyzed by the sampling analysis module 60 to extract a metafunction for predicting the microstructure characteristic values of the unit cell, metamodeling The reliability of is lowered, and the coefficients and matrices of the extracted metafunction are very large, so it may be difficult to guarantee the speed of the metafunction. Therefore, if the meta function is matched for each composition of the raw material and converted into a DB, the speed and reliability (accuracy) of the meta function can be maintained together.
  • the casting product microstructure characteristic value prediction system 10 includes a database 90 in which the metafunction extracted from the metafunction extraction module 70 is matched and stored for each composition of the raw material. can include more.
  • the metafunction can be matched and stored for each product name of the raw material in the database 90.
  • FIG. 2 is a block diagram schematically illustrating a system for predicting a microstructure characteristic value of a cast product according to another embodiment of the present invention.
  • the microstructure characteristic value prediction system 10 of a cast product may predict the microstructure characteristic value of a cast product using a stored meta function that is matched for each composition of a raw material.
  • a database in which a metafunction for predicting a microstructure characteristic value of a casting product is matched and stored for each composition of a raw material for casting the casting product ( 90), an input module 20, a unit cell segmentation module 30, a parameter derivation module 40, a metafunction calling module 100, and a microstructure characteristic value prediction module 80.
  • the input module 20, the unit cell division module 30, and the parameter derivation module 40 have the same configurations as in the above embodiment, the detailed description thereof uses the description in the above embodiment.
  • the meta function calling module 100 may call a meta function corresponding to the raw material composition input from the input module 20 among the meta functions stored in the database 90 .
  • the microstructure characteristic value prediction module 80 uses the metafunction called from the metafunction calling module 100 and the parameters of the unit cell derived from the parameter derivation module 40 to determine the microstructure of all unit cells. characteristic values can be predicted.
  • the microstructure characteristic value prediction module 80 may predict the microstructure characteristic value for every unit cell by inputting the parameter of the unit cell into the called metafunction and calculating it.
  • the microstructure characteristic value is SDAS (Secondary Dendrite Arm Space), and the parameter may include a composition of the unit cell, a temperature gradient, and a cooling rate.
  • parameter derivation module 40 may derive parameters for analyzing the microstructure characteristic values by executing a macro casting analysis simulation.
  • the meta function is matched for each composition of the raw material and stored in the database 90, and the meta function stored in the database 90 is used to If the microstructure characteristic value of the cast product is predicted, the speed and reliability (accuracy) of the meta function can be maintained together.
  • the microstructure characteristics are used for the sampled unit cell using a microstructure characteristic value analyzer such as an SDAS analyzer. Since there is no need to analyze the values, the time for analyzing the microstructure characteristic values of the casting analysis can be further shortened.
  • FIG. 3 is a flowchart for explaining a method for predicting microstructure characteristic values of a cast product according to an embodiment of the present invention.
  • the method for predicting microstructure characteristic values of a cast product includes an input step (S20), a unit cell division step (S30), a parameter derivation step (S40), a sampling step (S50), and sampling. It may include an analysis step (S60), a meta function extraction step (S70), a microstructure characteristic value prediction step (S80), and a storage step (S90).
  • the input step (S10) is a step of receiving three-dimensional shape data of the cast product and casting information for casting the cast product.
  • the 3D shape data of the cast product may be 3D CAD data, and the casting information may include information for casting the cast product.
  • the casting information includes composition information of a raw material for casting the cast product, material information of the raw material, composition information of a molten metal for casting the cast product, molten metal temperature, mold temperature, heat transfer coefficient between the molten metal and the mold, It may include information such as a heat transfer coefficient between molten metal and air, ambient temperature, molten metal injection speed, and casting method information for casting the cast product.
  • the casting method information may include information about the number, location, shape, width, thickness, etc. of each of the ingates, runners, biscuit necks, and biscuits.
  • the unit cell division step (S30) is a step of dividing the three-dimensional shape data of the cast product input in the input step (S20) into unit cells.
  • the parameter derivation step (S40) is a step of deriving a parameter for predicting the microstructure characteristic value of the unit cell by executing a casting process simulation based on the casting information received in the input step (S20).
  • parameters for analyzing the microstructure characteristic values may be derived by executing a macro casting analysis simulation.
  • the sampling step (S50) is a step of sampling some of the unit cells divided in the unit cell dividing step (S30).
  • some of the unit cells may be sampled based on at least one parameter value among the parameters derived in the parameter derivation step (S40).
  • some of the unit cells are sampled based on the values of the temperature gradient and the cooling rate among the composition, temperature gradient, and cooling rate of the unit cell, which are parameters for analyzing SDAS. can do.
  • the sampling analysis step (S60) is a step of analyzing the microstructure characteristic values of the sampled unit cell using an analyzer that analyzes the parameters of the unit cell sampled in the sampling step (S50) and the microstructure characteristic values.
  • the microstructure characteristic value is SDAS (Secondary Dendrite Arm Space)
  • the parameters include a composition of the unit cell, a temperature gradient, and a cooling rate
  • the analyzer may use an SDAS analyzer.
  • the metafunction extraction step (S70) is a step of extracting a metafunction for predicting the microstructure characteristic values of the unit cell by metamodeling the microstructure characteristic values analyzed in the sampling analysis step (S60).
  • the coefficients and matrices of the meta-function may be extracted by meta-modeling the microstructure characteristic values analyzed in the sampling analysis step (S60).
  • the microstructure characteristic value prediction step (S80) uses the metafunction extracted in the metafunction extraction step (S70) and the parameter of the unit cell derived in the parameter derivation step (S40) to determine the microstructure of all unit cells. This step is to predict the feature value.
  • the storage step (S90) is a step of matching the metafunction extracted in the metafunction extraction step (S70) with the composition of the raw material input in the input step (S20) and storing it in the database 90.
  • the meta function is extracted for each composition of various raw materials in the above manner and stored in the database 90 to form a DB, the speed and reliability of the meta function can be maintained together.
  • FIG. 4 is a flowchart for explaining a method for predicting microstructure characteristic values of a cast product according to another embodiment of the present invention.
  • a meta function for predicting a microstructure characteristic value of a cast product is matched for each composition of a raw material for casting the cast product using a database 90 stored therein. Tissue characteristics can be predicted.
  • the method for predicting the microstructure characteristic values of a cast product includes an input step (S20), a unit cell division step (S30), a parameter derivation step (S40), a metafunction calling step (S100), and a microstructure A characteristic value prediction step (S110) may be included.
  • the meta function calling step (S100) is a step of calling a meta function corresponding to the raw material composition input in the input step (S20) among the meta functions stored in the database 90.
  • the microstructure characteristic value prediction step (S110) uses the metafunction called in the metafunction calling step (S100) and the parameters of the unit cell derived in the parameter derivation step (S40) to determine the microstructure of all unit cells. This step is to predict the feature value.
  • the microstructure characteristic values may be predicted for each unit cell by inputting parameters of the unit cell into the called metafunction and calculating the microstructure characteristic value.
  • the microstructure characteristic value is SDAS (Secondary Dendrite Arm Space), and the parameter may include a composition of the unit cell, a temperature gradient, and a cooling rate.
  • parameters for analyzing the microstructure characteristic values may be derived by executing a macro casting analysis simulation.
  • the meta function is matched for each composition of the raw material and stored in the database 90, and the meta function stored in the database 90 is used to determine the microstructure of the cast product. If the tissue characteristic value is predicted, the speed and reliability (accuracy) of the metafunction can be maintained together.
  • the microstructure characteristic values are analyzed for the sampled unit cell using a microstructure characteristic value analyzer such as an SDAS analyzer. Since there is no need to do this, the time for analyzing the microstructure characteristic values of the casting analysis can be further shortened.
  • system and method according to an embodiment of the present invention may be programmed and stored in various storage media. Accordingly, methods according to various embodiments described above may be implemented in various types of processors that execute storage media.
  • the method as described above may be implemented as a program including an executable algorithm that may be executed in a processor, and the program may be stored and provided in a non-transitory computer readable medium.
  • a non-transitory readable medium refers to a medium that stores data semi-permanently and is readable by a device, not a medium that stores data for a short moment, such as a register, cache, or memory.
  • a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, or ROM.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

본 발명은 주조방안의 적절성을 해석하는 주조해석의 미세조직 특성값 예측 시간을 단축시킬 수 있는 주조품 미세조직 특성값 예측 시스템 및 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 주조품의 미세조직 특성값 예측 시스템은, 입력 모듈, 단위격자 분할 모듈, 파라미터 도출 모듈, 샘플링 모듈, 샘플링 해석 모듈, 메타함수 추출 모듈 및 미세조직 특성값 예측 모듈을 포함할 수 있다.

Description

주조품 미세조직 특성값 예측 시스템 및 방법
본 발명은 주조품 미세조직 특성값 예측 시스템 및 방법에 관한 것으로서, 상세하게는 주조방안의 적절성을 해석하는 주조해석의 미세조직 특성값 예측 시간을 단축시킬 수 있는 주조품 미세조직 특성값 예측 시스템 및 방법에 관한 것이다.
주조(casting)란, 변형저항이 큰 고체상태의 금속을 용해해서 변형저항이 적은 액체상태로 만들고, 제조하고자 하는 모양의 주형에 주입하여 응고시킴으로써, 목적하는 주조품을 제조하는 과정을 말한다.
일반적으로 주조품의 품질은 주조방안의 설계를 어떻게 하는지에 따라 크게 좌우된다. 구체적으로, 주조과정에서는 주조품의 품질을 저하시키는 요소 즉, 기체의 혼입, 응고시의 수축(shrinkage) 등을 최소화하기 위한 설계가 필요하며, 이러한 설계는 용탕이 주형에 어떻게 유입되고, 응고할 것인가에 대한 숙고에 따른 주조방안의 모델링 기법과 연관된다.
한편, 실제 주조공정을 수행하기 전에 설계된 주조방안이 적절한 것인지 미리 예측하여 해석할 필요가 있으며, 이를 위해 상기 주조방안을 기초로 미리 시뮬레이션을 실행하여 상기 주조방안의 적절성을 해석하는 주조해석을 진행한다.
일반적으로, 주조해석은 조성, 냉각속도, 온도구배 등을 해석하는 매크로(macro) 주조해석과 SDAS(Secondary Dendrite Arm Space), grain size 등과 같은 미세조직 특성값을 해석하는 마이크로(micro) 주조해석으로 나누어질 수 있는데, 상기 마이크로 주조해석 시간은 상기 매크로 주조해석 시간과 비교하여 매우 오래 걸린다.
특히, SDAS 해석을 위해서는 물리/화학적 상변태와 열전달 해석을 통합하는 SDAS 해석기(SDAS 해석 알고리즘)를 이용하는데, 상기 SDAS 해석기는 1개 지점당 해석 시간이 과대하여 주조 현장에서 사용하기 위한 적정 해석시간(대략 2시간 ~ 최대 1일)을 준수하지 못하는 문제가 있었다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로서, 주조방안의 적절성을 해석하는 주조해석의 미세조직 특성값 예측 시간을 단축시킬 수 있는 주조품의 미세조직 특성값 예측 시스템 및 방법을 제공한다.
본 발명의 일 실시 예에 따른 주조품의 미세조직 특성값 예측 시스템은, 주조품의 3차원 형상 데이터와 상기 주조품을 주조하기 위한 주조 정보를 입력받는 입력 모듈; 상기 주조품의 3차원 형상 데이터를 단위격자로 분할하는 단위격자 분할 모듈; 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 모듈; 상기 단위격자들 중 일부를 샘플링하는 샘플링 모듈; 상기 샘플링된 단위격자의 파라미터와 상기 미세조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석하는 샘플링 해석 모듈; 상기 샘플링 해석 모듈에서 해석된 상기 미세조직 특성값들을 메타 모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 메타함수 추출 모듈; 및 상기 추출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 모듈;을 포함할 수 있다.
한편, 다른 측면에서의 본 발명의 일 실시 예에 따른 주조품의 미세조직 특성값 예측 시스템은, 주조품의 미세조직 특성값을 예측하는 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장되는 데이터베이스; 주조품의 3차원 형상 데이터와 상기 원재료 조성 정보를 포함하는 주조 정보를 입력받는 입력 모듈; 상기 주조품의 3차원 형상 데이터를 단위 격자로 분할하는 단위격자 분할 모듈; 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 모듈; 상기 데이터베이스에 저장된 메타함수 중 상기 입력 모듈에서 입력된 원재료 조성에 해당하는 메타함수를 불러오는 메타함수 호출 모듈; 및 상기 호출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 모듈;을 포함할 수 있다.
한편, 본 발명의 일 실시 예에 따른 주조품의 미세조직 특성값 예측 방법은, 주조품의 3차원 형상 데이터와 상기 주조품을 주조하기 위한 주조 정보를 입력받는 입력 단계; 상기 주조품의 3차원 형상 데이터를 단위격자로 분할하는 단위격자 분할 단계; 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 예측하기 위한 파라미터를 도출하는 파라미터 도출 단계; 상기 단위격자 중 일부를 샘플링하는 샘플링 단계; 상기 샘플링된 단위격자의 파라미터와 상기 미세조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석하는 샘플링 해석 단계; 상기 해석된 미세조직 특성값들을 메타모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 메타함수 추출 단계; 및 상기 추출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 단계;를 포함할 수 있다.
한편, 다른 측면에서의 본 발명의 일 실시 예에 따른 주조품의 미세조직 특성값 예측 방법은, 주조품의 미세조직 특성값을 예측하기 위한 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장된 데이터베이스를 이용한 주조품의 미세조직 특성값 예측 방법에 있어서, 상기 주조품의 3차원 형상 데이터와 상기 원재료 조성 정보를 포함하는 주조 정보를 입력받는 입력 단계; 상기 주조품의 3차원 형상 데이터를 단위 격자로 분할하는 단위격자 분할 단계; 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 단계; 상기 데이터베이스에 저장된 메타함수 중 상기 입력 단계에서 입력된 원재료 조성 정보에 해당하는 메타함수를 불러오는 메타함수 호출 단계; 및 상기 호출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 단계;를 포함할 수 있다.
상기와 같은 구성을 가지는 본 발명의 일실시 예에 따른 주조품의 미세조직 특성값 예측 시스템 미 방법에 의하면, 미세조직 특성값 해석기에 메타모델링 기법을 적용함으로써, 주조방안의 적절성을 판단하는 주조해석의 미세조직 특성값 예측 시간을 단축시킬 수 있다.
본 발명에 따른 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위와 상세한 설명의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일실시 예에 따른 주조품 미세조직 특성값 예측 시스템을 개략적으로 나타낸 블록도이고,
도 2는 본 발명의 다른 실시 예에 따른 주조품 미세조직 특성값 예측 시스템을 개략적으로 나타낸 블록도이고,
도 3은 본 발명의 일실시 예에 따른 주조품 미세조직 특성값 예측 방법을 설명하기 위한 흐름도이고,
도 4는 본 발명의 다른 실시 예에 따른 주조품 미세조직 특성값 예측 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 주조품의 미세조직 특성값 예측 시스템 및 방법을 설명한다.
첨부 도면을 참조하여 설명함에 있어, 동일한 구성요소는 동일한 도면 부호를 부여하고, 이에 대한 중복설명은 생략한다.
한편, 각 실시예는 독립적으로 실시되거나 함께 실시될 수 있으며, 발명의 목적에 부합하게 일부 구성요소는 제외될 수 있다.
또한, 본 명세서에서 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일실시 예에 따른 주조품의 미세조직 특성값 예측 시스템을 개략적으로 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일실시 예에 따른 주조품의 미세조직 특성값 예측 시스템(10)은 입력 모듈(20), 단위격자 분할 모듈(30), 파라미터 도출 모듈(40), 샘플링 모듈(50), 샘플링 해석 모듈(60), 메타함수 추출 모듈(70) 및 미세조직 특성값 예측 모듈(80)을 포함할 수 있다.
상기 예측 시스템(10)은 입력 모듈(20)을 통하여, 주조품의 3차원 형상 데이터와 주조 정보를 입력받을 수 있다.
상기 주조품의 3차원 형상 데이터는 3차원 CAD 데이터일 수 있으며, 상기 주조 정보는 상기 주조품을 주조하기 위한 정보를 포함할 수 있다.
예를 들어, 상기 주조 정보는 상기 주조품을 주조하기 위한 원재료의 조성 정보를 포함할 수 있다.
또한, 상기 주조 정보는 상기 원재료의 재질정보 예를 들어, 상기 원재료의 주성분과, 밀도, 비열, 열전도도 등과 같은 상기 원재료의 고유한 열물성치 정보를 포함할 수 있다.
또한, 상기 주조 정보는 상기 주조품을 주조하기 위한 용탕의 조성 정보, 용탕 온도, 주형 온도, 용탕과 주형 사이의 열전달계수, 용탕과 공기 사이의 열전달계수, 주변환경온도, 용탕주입속도 등의 정보를 포함할 수 있다.
또한, 상기 주조 정보는 상기 주조품을 주조하기 위한 주조방안 정보를 포함할 수 있다.
일반적으로, 주조(casting)라 함은 변형저항이 큰 고체상태의 금속을 용해해서 변형저항이 적은 액체상태의 용탕으로 만들고 제조하고자 하는 모양의 주형에 용탕을 주입하여 응고시켜서 목적하는 바의 모양을 한번에 만들어내는 것을 말하는데, 상기 주조방안 정보는 용탕을 제조하고자 하는 모양의 주형에 어떻게 유입시키고 응고시킬 것인가에 관한 정보일 수 있다.
예를 들어, 상기 주조방안 정보는 인게이트(ingate), 런너(runner), 비스킷 넥(biscuit neck), 비스킷(biscuit)에 관한 정보를 포함할 수 있다.
상기 비스킷은 주조장비의 슬리브에 결합되어 주조장비와 용탕의 배출구를 연결하는 구성이고, 상기 인게이트는 주조하고자 하는 제품의 형상을 가지는 주형에 용탕이 유입되는 유입구이고, 상기 런너와 상기 비스킷 넥은 용탕이 상기 비스킷으로부터 상기 인게이트로 이동하는 유로(path)를 이루는 구성으로서, 상기 비스킷, 상기 인게이트, 상기 런너 및 상기 비스킷 넥 각각에 관한 정보는 각각의 개수, 위치, 형상, 폭, 두께 등에 관한 정보를 포함할 수 있다.
상기 단위격자 분할 모듈(30)은 상기 주조품의 3차원 형상 데이터를 단위격자로 분할할 수 있다.
상기 단위격자는 상기 주조 정보에 따라 주조된 주조품의 미세조직 특성값을 예측하기 위한 1개 지점일 수 있으며, 상기 단위격자 분할 모듈(30)은 상기 주조품의 3차원 형상 데이터를 대략 수백만 ~ 수천만개의 단위격자로 분할할 수 있다.
또한, 상기 단위격자 분할 모듈(30)은 사용자에 의해 입력된 분할기준을 기초로 상기 주조품의 3차원 형상 데이터를 분할할 수 있다.
예를 들어, 사용자는 분할기준으로 상기 단위격자의 전체 개수를 입력하거나 상기 단위격자의 크기를 입력할 수 있으며, 상기 단위격자 분할 모듈(30)은 상기 단위격자의 전체 개수 또는 상기 단위격자의 크기를 기준으로 상기 주조품의 3차원 형상 데이터를 분할할 수 있다.
상기 파라미터 도출 모듈(40)은 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출할 수 있다.
예를 들어, 상기 미세조직 특성값이 SDAS(Secondary Dendrite Arm Space)인 경우, 상기 파라미터는 SDAS 해석을 위해 필요한 입력값으로서, 상기 단위격자의 조성(Chemical Compsition, %), 상기 단위격자의 온도구배(gradient), 상기 단위격자의 냉각속도(℃/t)를 포함할 수 있다.
또한, 상기 파라미터 도출 모듈(40)은 매크로 주조해석을 통해 상기 파라미터를 도출할 수 있다.
상기 주조방안의 적절성을 판단하는 주조해석은 조성, 온도구배, 냉각속도 등을 해석하는 매크로 주조해석과 SDAS, grain size 등과 같은 미세조직 특성값을 해석하는 마이크로 주조해석으로 나뉘어질 수 있으며, 일반적으로 상기 마이크로 주조해석 시간은 상기 매크로 주조해석 시간과 비교하여 매우 오래 걸린다.
따라서, 상기 파라미터 도출 모듈(40)은 매크로 주조해석을 통해 상기 파라미터를 도출함으로써, 비교적 빠른 시간내에 상기 파라미터를 도출할 수 있다.
즉, 상기 파라미터 도출 모듈(40)은 매크로 주조해석 시뮬레이션을 실행하는 것에 의해 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출할 수 있다.
상기 샘플링 모듈(50)은 상기 단위격자들 중 일부를 샘플링할 수 있다.
예를 들어, 상기 샘플링 모듈(50)은 모집단인 상기 단위격자들 중 대략 100 ~ 200개의 단위격자를 상기 미세조직 특성값을 해석하기 위한 표본으로 샘플링할 수 있다.
이때, 상기 샘플링 모듈(50)은 상기 파라미터 도출 모듈(40)에서 도출된 파라미터 중 적어도 어느 하나의 파라미터 값을 기준으로 상기 단위격자들 중 일부를 샘플링할 수 있다.
예를 들어, 상기 샘플링 모듈(50)은 SDAS를 해석하기 위한 파라미터인 상기 단위격자의 조성, 온도구배, 냉각속도 중 상기 온도구배와 상기 냉각속도의 값을 기준으로 상기 단위격자들 중 일부를 샘플링할 수 있다.
그러면, 상기 샘플링 모듈(50)에서 샘플링된 단위격자들은 상기 주조품의 형상에 대한 의존도가 낮아질 수 있으며, 따라서 상기 주조품을 주조하기 위한 원재료의 조성별로 DB화가 가능해질 수 있다.
상기 샘플링 해석 모듈(60)은 상기 샘플링된 단위격자의 파라미터와 상기 미제조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석할 수 있다.
예를 들어, 상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고, 상기 해석기는 물리/화학적 상변태와 열전달 해석을 통합하는 SDAS 해석기 즉, SDAS 해석 알고리즘을 이용하는 경우, 상기 샘플링 해석 모듈(60)은 상기 SDAS 해석 알고리즘에 상기 샘플링된 단위격자의 파라미터 데이터값 즉, 상기 샘플링된 단위격자의 조성, 온도구배, 냉각속도를 입력하여 실행시킴으로써, 상기 샘플링된 단위격자별로 상기 미세조직 특성값 즉, SDAS를 해석할 수 있다.
상기 미세조직 특성값 중 하나인 SDAS를 SDAS 해석기를 이용하여 해석하는 경우, 상기 단위격자(1개지점)당 해석시간이 과대하여 주조 현장에서 사용하기 위한 적정 해석시간(2시간~최대 1일)을 준수하지 못하는 문제가 있었다.
본 발명의 일실시 예에 따른 시스템(10)은, 상기와 같은 문제점을 해결하기 위하여, 상기 SDAS 해석기를 이용하여 상기 단위격자의 SDAS를 해석하는 경우, 상기 단위격자 분할 모듈(30)에서 분할된 모든 단위격자(대략 수백만 ~ 수천만개)에 대해 SDAS 해석을 실행하는 것이 아니라, 상기 샘플링 모듈(50)에서 샘플링된 단위격자(대략 100 ~ 200개)에 대해서만 SDAS 해석을 실행함으로써, 주조방안의 적절성을 해석하는 주조해석의 미세조직 특성값 즉, SDAS 분석 시간을 단축시킬 수 있다.
상기 메타함수 추출 모듈(70)은 상기 샘플링 해석 모듈(60)에서 해석된 상기 미세조직 특성값들을 메타모델링(Meta modeling)하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출할 수 있다.
상기 메타함수는 상기 주조품의 미세조직 특성값을 예측하는 수식으로서, 메타함수의 계수와 메트릭스(Matrix)로 표현될 수 있으며, 상기 메타함수 추출 모듈(70)은 상기 샘플링 해석 모듈(60)에서 해석된 상기 미세조직 특성값들을 메타모델링(Meta modeling)하여 상기 메타함수의 계수와 메트릭스를 추출함으로써, 상기 주조품의 미세조직 특성값을 예측하는 수식인 상기 메타함수를 추출할 수 있다.
상기 미세조직 특성값 예측 모듈(80)은 상기 메타함수 추출 모듈(70)에서 추출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측할 수 있다.
예를 들어, 상기 미세조직 특성값 예측 모듈(80)은 상기 메타함수 추출 모듈(70)에서 추출된 메타함수에 상기 단위격자의 파라미터를 입력하여 계산함으로써, 상기 모든 단위격자별로 상기 미세조직 특성값을 예측할 수 있다.
상술한 바와 같이, 주조방안의 적절성을 판단하는 주조해석은 조성, 온도구배, 냉각속도 등을 해석하는 매크로 주조해석과 SDAS, Grain Size 등을 해석하는 마이크로 주조해석으로 나뉘어질 수 있는데, 상기 마이크로 주조해석 시간은 상기 매크로 주조해석 시간과 비교하여 매우 오래 걸린다.
특히, 상기 미세조직 특성값 중 하나인 SDAS를 해석하는 SDAS 해석기는 단위격자(1개지점)당 해석시간이 과대하여 주조 현장에서 사용하기 위한 적정 해석시간(2시간~최대 1일)을 준수하지 못하는 문제가 있다.
그러나, 본 발명의 일실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)과 같이, 상기 샘플링 모듈(50)에서 샘플링된 단위격자(대략 100 ~ 200개)에 대해서만 SDAS 해석기를 이용하여 SDAS 해석을 실행하고, 상기 샘플링에 대한 SDAS 해석결과에 메타모델링을 적용하여 상기 단위격자의 SDAS를 예측하는 메타함수를 추출하고, 상기 추출된 메타함수를 이용하여 상기 모든 단위격자의 SDAS를 해석하면, 상기 단위격자의 SDAS 해석시간을 현저히 단축시킬 수 있다.
예를 들면, 100만개의 단위격자에 대해 SDAS 해석기를 이용하여 SDAS를 해석하는 경우 상기 해석시간이 대략 130.2일 정도 걸리던 것을, 상기 메타함수 추출 모듈(70)에서 추출된 메타함수를 이용하여 SDAS를 예측하면 대략 10분 정도로 단축시킬 수 있다.
또한, 본 발명자는 SDAS 해석기를 이용한 SDAS 해석결과와 상기 메타함수를 이용한 SDAS 예측결과를 비교한 결과, 대략 3~5% 내외의 오차를 유지함을 확인하였다.
한편, 상기 메타함수 추출 모듈(70)이 상기 샘플링 해석 모듈(60)에서 해석된 상기 미세조직 특성값들을 메타모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 경우, 메타모델링의 신뢰성이 낮아지고, 상기 추출된 메타함수의 계수와 메트릭스의 크기가 매우 커서 상기 메타함수의 속도를 보장하기 어려울 수 있다. 따라서, 상기 메타함수를 상기 원재료의 조성별로 매칭하여 DB화를 하면, 상기 메타함수의 속도와 신뢰성(정확도)를 함께 유지할 수 있다.
이를 위해, 본 발명의 일실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)은 상기 메타함수 추출 모듈(70)에서 추출된 메타함수가 상기 원재료의 조성별로 매칭되어 저장되는 데이터베이스(90)를 더 포함할 수 있다.
일반적으로 상기 주조품을 주조하기 위한 원재료로 사용되는 상용합금의 경우에는 상기 원재료의 조성별로 별도의 상품명을 가지고 있으므로, 상기 데이터베이스(90)에는 상기 메타함수가 상기 원재료의 상품명별로 매칭되어 저장될 수 있다.
도 2는 본 발명의 다른 실시 예에 따른 주조품 미세조직 특성값 예측 시스템을 개략적으로 나타낸 블록도이다.
본 실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)은 원재료의 조성별로 매칭되어 저장된 메타함수를 이용하여 주조품의 미세조직 특성값을 예측할 수 있다.
도 2를 참조하면, 본 실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)은 주조품의 미세조직 특성값을 예측하는 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장되는 데이터베이스(90), 입력 모듈(20), 단위격자 분할 모듈(30), 파라미터 도출 모듈(40), 메타함수 호출 모듈(100) 및 미세조직 특성값 예측 모듈(80)을 포함할 수 있다.
상기 입력 모듈(20), 상기 단위격자 분할 모듈(30) 및 상기 파라미터 도출 모듈(40)은 상기 실시 예에서의 구성과 동일하므로, 이에 대한 상세한 설명은 상기 실시 예에서의 설명을 원용한다.
상기 메타함수 호출 모듈(100)은 상기 데이터베이스(90)에 저장된 메타함수 중 상기 입력 모듈(20)에서 입력된 원재료 조성에 해당하는 메타함수를 불러올 수 있다.
상기 미세조직 특성값 예측 모듈(80)은 상기 메타함수 호출 모듈(100)에서 호출된 메타함수와 상기 파라미터 도출 모듈(40)에서 도출된 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측할 수 있다.
예를 들어, 상기 미세조직 특성값 예측 모듈(80)은 상기 호출된 메타함수에 상기 단위격자의 파라미터를 입력하여 계산함으로써, 상기 모든 단위격자별로 상기 미세조직 특성값을 예측할 수 있다.
상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고, 상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함할 수 있다.
또한, 상기 파라미터 도출 모듈(40)은 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출할 수 있다.
본 실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)과 같이, 상기 메타함수를 상기 원재료의 조성별로 매칭하여 데이터베이스(90)에 저장하고, 상기 데이터베이스(90)에 저장된 메타함수를 이용하여 상기 주조품의 미세조직 특성값을 예측하면, 상기 메타함수의 속도와 신뢰성(정확도)를 함께 유지할 수 있다.
또한, 본 실시 예에 따른 주조품 미세조직 특성값 예측 시스템(10)에 의하면, 상기 실시예와 비교하여, 상기 샘플링된 단위격자에 대해서도 SDAS 해석기와 같은 미세조직 특성값 해석기를 이용하여 상기 미세조직 특성값을 해석할 필요가 없어서, 주조해석의 미세조직 특성값 해석시간을 더욱 단축시킬 수 있다.
도 3은 본 발명의 일실시 예에 따른 주조품의 미세조직 특성값 예측 방법을 설명하기 위한 흐름도이다.
도 3을 참조하면, 본 발명의 일실시 예에 주조품의 미세조직 특성값 예측 방법은 입력 단계(S20), 단위격자 분할 단계(S30), 파라미터 도출 단계(S40), 샘플링 단계(S50), 샘플링 해석 단계(S60), 메타함수 추출 단계(S70), 미세조직 특성값 예측 단계(S80), 저장 단계(S90)를 포함할 수 있다.
상기 입력 단계(S10)는 주조품의 3차원 형상 데이터와 상기 주조품을 주조하기 위한 주조 정보를 입력받는 단계이다.
상기 주조품의 3차원 형상 데이터는 3차원 CAD 데이터일 수 있으며, 상기 주조 정보는 상기 주조품을 주조하기 위한 정보를 포함할 수 있다.
예를 들어, 상기 주조 정보는 상기 주조품을 주조하기 위한 원재료의 조성 정보, 상기 원재료의 재질정보, 상기 주조품을 주조하기 위한 용탕의 조성 정보, 용탕 온도, 주형 온도, 용탕과 주형 사이의 열전달계수, 용탕과 공기 사이의 열전달계수, 주변환경온도, 용탕주입속도 등의 정보, 상기 주조품을 주조하기 위한 주조방안 정보를 포함할 수 있다. 그리고, 상기 주조방안 정보는 인게이트, 런너, 비스킷 넥, 비스킷 각각의 개수, 위치, 형상, 폭, 두께 등에 관한 정보를 포함할 수 있다.
상기 단위격자 분할 단계(S30)는 상기 입력 단계(S20)에서 입력받은 상기 주조품의 3차원 형상 데이터를 단위격자로 분할하는 단계이다.
상기 파라미터 도출 단계(S40)는 상기 입력 단계(S20)에서 입력받은 상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 예측하기 위한 파라미터를 도출하는 단계이다.
상기 파라미터 도출 단계(S40)는 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출할 수 있다.
상기 샘플링 단계(S50)는 상기 단위격자 분할 단계(S30)에서 분할된 상기 단위격자들 중 일부를 샘플링하는 단계이다.
이때, 상기 샘플링 단계(S50)는 상기 파라미터 도출 단계(S40)에서 도출된 파라미터 중 적어도 어느 하나의 파라미터 값을 기준으로 상기 단위격자들 중 일부를 샘플링할 수 있다.
예를 들어, 상기 샘플링 단계(S50)는 SDAS를 해석하기 위한 파라미터인 상기 단위격자의 조성, 온도구배, 냉각속도 중 상기 온도구배와 상기 냉각속도의 값을 기준으로 상기 단위격자들 중 일부를 샘플링할 수 있다.
상기 샘플링 해석 단계(S60)는 상기 샘플링 단계(S50)에서 샘플링된 단위격자의 파라미터와 상기 미세조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석하는 단계이다.
이때, 상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고, 상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하고, 상기 해석기는 SDAS 해석기를 이용할 수 있다.
상기 메타함수 추출 단계(S70)는 상기 샘플링 해석 단계(S60)에서 해석된 미세조직 특성값들을 메타모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 단계이다.
상기 메타함수 추출 단계(S70)는 상기 샘플링 해석 단계(S60)에서 해석된 미세조직 특성값들을 메타모델링하여 상기 메타함수의 계수와 매트릭스를 추출할 수 있다.
상기 미세조직 특성값 예측 단계(S80)는 상기 메타함수 추출 단계(S70)에서 추출된 메타함수와 상기 파라미터 도출 단계(S40)에서 도출된 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 단계이다.
상기 저장 단계(S90)는 상기 메타함수 추출 단계(S70)에서 추출된 메타함수를 상기 입력 단계(S20)에서 입력된 원재료의 조성과 매칭하여 상기 데이터베이스(90)에 저장하는 단계이다.
상기와 같은 방법으로 다양한 원재료의 조성별로 상기 메타함수를 추출하여 상기 데이터베이스(90)에 저장하여 DB화를 하면, 상기 메타함수의 속도와 신뢰성를 함께 유지할 수 있다.
도 4는 본 발명의 다른 실시 예에 따른 주조품의 미세조직 특성값 예측 방법을 설명하기 위한 흐름도이다.
본 실시 예에 따른 주조품 미세조직 특성값 예측 방법은 주조품의 미세조직 특성값을 예측하기 위한 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장된 데이터베이스(90)를 이용하여 상기 주조품의 미세조직 특성값을 예측할 수 있다.
도 4를 참조하면, 본 실시 예에 따른 주조품 미세조직 특성값 예측 방법은 입력 단계(S20), 단위격자 분할 단계(S30), 파라미터 도출 단계(S40), 메타함수 호출 단계(S100) 및 미세조직 특성값 예측 단계(S110)를 포함할 수 있다.
상기 입력 단계(S20), 상기 단위격자 분할 단계(S30) 및 상기 파라미터 도출 단계(S40)은 상기 실시 예에서의 구성과 동일하므로, 이에 대한 상세한 설명은 상기 실시 예에서의 설명을 원용한다.
상기 메타함수 호출 단계(S100)은 상기 데이터베이스(90)에 저장된 메타함수 중 상기 입력 단계(S20)에서 입력된 원재료 조성에 해당하는 메타함수를 불러오는 단계이다.
상기 미세조직 특성값 예측 단계(S110)은 상기 메타함수 호출 단계(S100)에서 호출된 메타함수와 상기 파라미터 도출 단계(S40)에서 도출된 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 단계이다.
예를 들어, 상기 미세조직 특성값 예측 단계(S110)은 상기 호출된 메타함수에 상기 단위격자의 파라미터를 입력하여 계산함으로써, 상기 모든 단위격자별로 상기 미세조직 특성값을 예측할 수 있다.
상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고, 상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함할 수 있다.
또한, 상기 파라미터 도출 단계(S40)은 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출할 수 있다.
본 실시 예에 따른 주조품 미세조직 특성값 예측 방법과 같이, 상기 메타함수를 상기 원재료의 조성별로 매칭하여 데이터베이스(90)에 저장하고, 상기 데이터베이스(90)에 저장된 메타함수를 이용하여 상기 주조품의 미세조직 특성값을 예측하면, 상기 메타함수의 속도와 신뢰성(정확도)를 함께 유지할 수 있다.
또한, 본 실시 예에 따른 주조품 미세조직 특성값 예측 방법에 의하면, 상기 실시예와 비교하여, 상기 샘플링된 단위격자에 대해서도 SDAS 해석기와 같은 미세조직 특성값 해석기를 이용하여 상기 미세조직 특성값을 해석할 필요가 없어서, 주조해석의 미세조직 특성값 해석시간을 더욱 단축시킬 수 있다.
상술한 바와 같은 본 발명의 일 실시 예에 따른 시스템 및 방법은 프로그래밍되어 각종 저장 매체에 저장될 수 있다. 이에 따라, 저장 매체를 실행하는 다양한 유형의 프로세서에서 상술한 다양한 실시 예에 따른 방법들이 구현될 수 있다.
또한, 상술한 바와 같은 방법은 프로세서에서 실행될 수 있는 실행 가능한 알고리즘을 포함하는 프로그램으로 구현될 수 있고, 상기 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(readable)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리 카드, ROM 등과 같은 비 일시적 판독 가능 매체에 저장되어 제공될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지고 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

  1. 주조품의 3차원 형상 데이터와 상기 주조품을 주조하기 위한 주조 정보를 입력받는 입력 모듈;
    상기 주조품의 3차원 형상 데이터를 단위격자로 분할하는 단위격자 분할 모듈;
    상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 모듈;
    상기 단위격자들 중 일부를 샘플링하는 샘플링 모듈;
    상기 샘플링된 단위격자의 파라미터와 상기 미세조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석하는 샘플링 해석 모듈;
    상기 샘플링 해석 모듈에서 해석된 상기 미세조직 특성값들을 메타 모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 메타함수 추출 모듈; 및
    상기 추출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 모듈;을 포함하는 주조품의 미세조직 특성값 예측 시스템.
  2. 제 1 항에 있어서,
    상기 주조 정보는 상기 주조품을 주조하기 위한 원재료의 조성 정보를 포함하고,
    상기 예측 시스템은 상기 메타함수 추출 모듈에서 추출된 메타함수가 상기 원재료의 조성별로 매칭되어 저장되는 데이터베이스를 더 포함하는 것을 특징으로 하는 주조품의 미세조직 특성값 예측 시스템.
  3. 제 1 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하고,
    상기 해석기는 SDAS 해석기를 이용하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  4. 제 1 항에 있어서,
    상기 파라미터 도출 모듈은 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  5. 제 1 항에 있어서,
    상기 샘플링 모듈은 상기 파라미터 도출 모듈에서 도출된 파라미터 중 적어도 어느 하나의 파라미터 값을 기준으로 상기 단위격자들 중 일부를 샘플링하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  6. 제 5 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하고,
    상기 샘플링 모듈은 상기 온도구배와 상기 냉각속도의 값을 기준으로 상기 단위격자들 중 일부를 샘플링하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  7. 제 1 항에 있어서,
    상기 메타함수 추출 모듈은 상기 샘플링 해석 모듈에서 해석된 미세조직 특성값들을 메타모델링하여 상기 메타함수의 계수와 매트릭스를 추출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  8. 주조품의 미세조직 특성값을 예측하는 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장되는 데이터베이스;
    주조품의 3차원 형상 데이터와 상기 원재료 조성 정보를 포함하는 주조 정보를 입력받는 입력 모듈;
    상기 주조품의 3차원 형상 데이터를 단위 격자로 분할하는 단위격자 분할 모듈;
    상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 모듈;
    상기 데이터베이스에 저장된 메타함수 중 상기 입력 모듈에서 입력된 원재료 조성에 해당하는 메타함수를 불러오는 메타함수 호출 모듈; 및
    상기 호출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 모듈;을 포함하는 주조품의 미세조직 특성값 예측 시스템.
  9. 제 8 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  10. 제 8 항에 있어서,
    상기 파라미터 도출 모듈은 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 시스템.
  11. 주조품의 3차원 형상 데이터와 상기 주조품을 주조하기 위한 주조 정보를 입력받는 입력 단계;
    상기 주조품의 3차원 형상 데이터를 단위격자로 분할하는 단위격자 분할 단계;
    상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 예측하기 위한 파라미터를 도출하는 파라미터 도출 단계;
    상기 단위격자 중 일부를 샘플링하는 샘플링 단계;
    상기 샘플링된 단위격자의 파라미터와 상기 미세조직 특성값을 해석하는 해석기를 이용하여 상기 샘플링된 단위격자의 미세조직 특성값을 해석하는 샘플링 해석 단계;
    상기 해석된 미세조직 특성값들을 메타모델링하여 상기 단위격자의 미세조직 특성값을 예측하는 메타함수를 추출하는 메타함수 추출 단계; 및
    상기 추출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 단계;를 포함하는 주조품의 미세조직 특성값 예측 방법.
  12. 제 11 항에 있어서,
    상기 주조 정보는 상기 주조품을 주조하기 위한 원재료의 조성 정보를 포함하고,
    상기 예측 방법은 상기 메타함수 추출 단계에서 추출된 메타함수를 상기 원재료의 조성별로 매칭하여 저장하는 저장 단계를 더 포함하는 것을 특징으로 하는 주조품의 미세조직 특성값 예측 방법.
  13. 제 11 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하고,
    상기 해석기는 SDAS 해석기를 이용하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  14. 제 11 항에 있어서,
    상기 파라미터 도출 단계는 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  15. 제 11 항에 있어서,
    상기 샘플링 단계는 상기 파라미터 도출 단계에서 도출된 파라미터 중 적어도 어느 하나의 파라미터 값을 기준으로 상기 단위격자들 중 일부를 샘플링하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  16. 제 15 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하고,
    상기 샘플링 단계는 상기 온도구배와 상기 냉각속도의 값을 기준으로 상기 단위격자들 중 일부를 샘플링하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  17. 제 11 항에 있어서,
    상기 메타함수 추출 단계는 상기 샘플링 해석 단계에서 해석된 미세조직 특성값들을 메타모델링하여 상기 메타함수의 계수와 매트릭스를 추출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  18. 주조품의 미세조직 특성값을 예측하기 위한 메타함수가 상기 주조품을 주조하기 위한 원재료의 조성별로 매칭되어 저장된 데이터베이스를 이용한 주조품의 미세조직 특성값 예측 방법에 있어서,
    상기 주조품의 3차원 형상 데이터와 상기 원재료 조성 정보를 포함하는 주조 정보를 입력받는 입력 단계;
    상기 주조품의 3차원 형상 데이터를 단위 격자로 분할하는 단위격자 분할 단계;
    상기 주조 정보를 기초로 주조공정 시뮬레이션을 실행하여 상기 단위격자의 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 파라미터 도출 단계;
    상기 데이터베이스에 저장된 메타함수 중 상기 입력 단계에서 입력된 원재료 조성 정보에 해당하는 메타함수를 불러오는 메타함수 호출 단계; 및
    상기 호출된 메타함수와 상기 단위격자의 파라미터를 이용하여 상기 모든 단위격자의 미세조직 특성값을 예측하는 미세조직 특성값 예측 단계;를 포함하는 주조품의 미세조직 특성값 예측 방법.
  19. 제 18 항에 있어서,
    상기 미세조직 특성값은 SDAS(Secondary Dendrite Arm Space)이고,
    상기 파라미터는 상기 단위격자의 조성, 온도구배, 냉각속도를 포함하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
  20. 제 18 항에 있어서,
    상기 파라미터 도출 단계는 매크로한 주조해석 시뮬레이션을 실행하는 것에 의해 상기 미세조직 특성값을 해석하기 위한 파라미터를 도출하는 것을 특징으로 하는 주조품 미세조직 특성값 예측 방법.
PCT/KR2022/012988 2021-11-30 2022-08-30 주조품 미세조직 특성값 예측 시스템 및 방법 WO2023101150A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210169531A KR20230081466A (ko) 2021-11-30 2021-11-30 주조품 미세조직 특성값 예측 시스템 및 방법
KR10-2021-0169531 2021-11-30

Publications (1)

Publication Number Publication Date
WO2023101150A1 true WO2023101150A1 (ko) 2023-06-08

Family

ID=86612574

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012988 WO2023101150A1 (ko) 2021-11-30 2022-08-30 주조품 미세조직 특성값 예측 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR20230081466A (ko)
WO (1) WO2023101150A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090072464A (ko) * 2007-12-28 2009-07-02 한국생산기술연구원 주조 방안 해석 자동화 장치 및 방법
US20120224755A1 (en) * 2011-03-02 2012-09-06 Andy Wu Single-Action Three-Dimensional Model Printing Methods
KR101666937B1 (ko) * 2016-05-13 2016-10-17 한국건설기술연구원 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법
KR102124750B1 (ko) * 2019-04-24 2020-06-19 주식회사 애니캐스팅 소프트웨어 주조방안 설계 방법 및 그 시스템
KR20200080391A (ko) * 2018-12-18 2020-07-07 주식회사 포스코 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090072465A (ko) 2007-12-28 2009-07-02 한국생산기술연구원 주조 방안 해석 자동화 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090072464A (ko) * 2007-12-28 2009-07-02 한국생산기술연구원 주조 방안 해석 자동화 장치 및 방법
US20120224755A1 (en) * 2011-03-02 2012-09-06 Andy Wu Single-Action Three-Dimensional Model Printing Methods
KR101666937B1 (ko) * 2016-05-13 2016-10-17 한국건설기술연구원 3차원 포인트 클라우드의 대용량 데이터를 처리하기 위한 장치 및 그 방법
KR20200080391A (ko) * 2018-12-18 2020-07-07 주식회사 포스코 딥 러닝 기반의 금속 미세조직 이미지를 이용한 소재 물성 예측 시스템 및 방법
KR102124750B1 (ko) * 2019-04-24 2020-06-19 주식회사 애니캐스팅 소프트웨어 주조방안 설계 방법 및 그 시스템

Also Published As

Publication number Publication date
KR20230081466A (ko) 2023-06-07

Similar Documents

Publication Publication Date Title
WO2019093814A2 (ko) 차세대 염기서열분석을 이용한 기계학습 기반 유방암 예후 예측 방법 및 예측 시스템
Santoro Mechanisms of premature ovarian failure.
WO2023101150A1 (ko) 주조품 미세조직 특성값 예측 시스템 및 방법
WO2021040146A1 (en) Method and system for determining health parameter of a battery
WO2019107804A1 (ko) 약물의 구조 정보를 이용한 약물-약물 또는 약물-음식 상호작용 예측 방법
WO2010041836A2 (en) Method of detecting skin-colored area using variable skin color model
EP2435935A2 (en) Method of providing by-viewpoint patent map and system thereof
EP3311556A1 (en) Metal frame and method of manufacturing the metal frame for the mobile communication terminal
WO2013125866A1 (ko) 컴퓨터 시스템 및 시그니처검증서버
WO2014094492A1 (zh) 深入融合视频审查方法和系统
WO2022035039A1 (ko) 교통신호 연산 방법 및 이를 수행하기 위한 장치
WO2011136413A1 (ko) 특허 유사도 검출에 의한 지적재산권 포괄 성형망 구현장치 및 방법
WO2020130534A1 (ko) 연속 주조기, 용강 유동 제어 시스템 및 용강 유동 제어 방법
WO2019124770A1 (ko) 단말 장치 및 단말 장치의 제어 방법
WO2023033270A1 (ko) 딥러닝 기반 분석 결과 예측 방법 및 장치
Peng et al. Application of chromosomal microarray analysis for a cohort of 2600 Chinese patients with miscarriage
WO2020218682A1 (ko) 주조방안 설계 방법 및 그 시스템
WO2014178522A1 (ko) 슬라브 크랙 진단 방법
Du et al. Computational modeling of D. C. casting of aluminum alloy using finite element method(direct chill)
KR100985636B1 (ko) 휘발억제를 위한 비진공 용해 감압 사출주조 방법
CN113345533A (zh) 一种用于金属熔炼的集成式配料加料方法和系统
WO2024019225A1 (ko) 복수의 서로 다른 데이터베이스 상의 정형 데이터와 비정형 데이터를 처리하는 방법 및 이러한 방법을 제공하는 데이터 처리 플랫폼
WO2012023681A1 (en) Method of detecting adverse reaction to drug based on retrospective cohort study using electronic medical record, method of detecting adverse reaction to intervention, and method of detecting adverse reaction to drug or intervention based on retrospective cohort study using electronic medical record and electrocardiogram data
WO2022255547A1 (ko) 집합적 진단 제어 방법 및 그 시스템
WO2020071621A1 (ko) 표현형 중심의 네트워크 분석을 이용한 천연 화합물의 약리 효과 예측 방법 및 이를 위한 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22901510

Country of ref document: EP

Kind code of ref document: A1