Short-time solution heat treatment of recycled A383 HPDC alloy: microstructure–property relationships and ensemble machine learning analysis

기술 요약: 재활용 A383 HPDC 합금의 단시간 고용화 열처리

문제 제기
재활용 A383(Al–Si–Cu) 고압 다이캐스팅(HPDC) 합금은 상당한 비용 이점을 제공하지만, 전통적인 열처리에 있어 독특한 과제를 안겨준다. HPDC 특유의 급속 응고는 미세하게 정제된 칠 레이어(chill layers), 용질이 농축된 하부 표면, 그리고 복잡한 기공 분포를 포함하는 불균일한 미세조직을 생성한다. 또한, 재활용 변체는 높은 수준의 Fe-rich 금속간 화합물(예: $\beta$-Al$_5$FeSi)을 포함하고 있다. 일반적으로 500 °C 이상에서 장시간 수행되는 전통적인 고용화 열처리(SHT) 일정은, 갇힌 가스(공기, 수소, 다이 윤활제 증기)의 팽창으로 인해 HPDC 부품에 심각한 표면 블리스터링(blistering), 변형 및 물성 산포를 유발하는 경우가 많다. 블리스터링을 완화하기 위해 "급속 열처리" 개념이 제안되기도 했으나, 단시간 저온 SHT 조건 하에서 재활용 A383의 구체적인 미세조직 진화 및 기계적 응답은 여전히 충분히 이해되지 않은 상태이다. 또한, 이러한 공정 윈도우를 최적화하기 위한 데이터 기반 프레임워크도 부족한 실정이다.

연구 방법론
본 연구는 앙상블 머신러닝(ML) 분석과 결가된 체계적인 실험적 접근 방식을 채택하였다:

• 재료 및 공정: 재활용 A383 합금을 콜드 챔버 HPDC 방식으로 주조하였다. 시편은 블리스터링이 발생하지 않는 범위 내인 490 °C의 고정 온도에서 15~180분(구체적으로 15, 30, 60, 90, 120, 180분) 동안 고용화 열처리를 거친 후 수냉하였다.
• 특성 평가:
  • 기계적 성질: 경도, 전기 전도도, 인장 시험(UTS, YS, 연신율)을 수행하였으며, Hollomon 관계식을 사용하여 가공 경화 파라미터($n$ 및 $K$)를 도출하였다.
  • 미세조직 분석: 광학 및 SEM 이미징을 사용하여 공정(eutectic Si) 형태(종횡비, 면적, 원형도)와 Fe-rich 금속간 화합물을 정량화하였다. EDS 라인 스캔을 통해 $\alpha$-Al 덴드라이트 전반의 Cu 균질화를 추적하였다. 기공 및 블리스터링을 모니터링하여 공정 타당성을 확보하였다.
  • 동역학 모델링: 경도 및 전도도 데이터에 적용된 Avrami 유형 모델을 통해 연화(softening) 및 용질 재분배의 겉보기 동역학을 분석하였다.
• 머신러닝: 네 가지 트리 기반 회귀 모델(Decision Tree, Random Forest, AdaBoost, XGBoost)을 $n=7$인 실험 데이터셋에 대해 학습시켰다. 각 모델은 일반적인 예측보다는 경향성 보간 및 공정 윈도우 식별을 위한 해석 도구로 활용되었다.

주요 결과

• 미세조직 진화:
  • 공정(Eutectic Si): 초기 15분 이내에 급격한 파쇄 및 구형화가 발생하여, Si 종횡비가 초기 4.0에서 1.9로 감소하였다. 장시간 처리(≥120분) 시 점진적인 조대화가 관찰되었다.
  • Cu 균질화: EDS 분석 결과, $\alpha$-Al 덴드라이트 내에서 상당한 Cu 재분배가 확인되었으며, 90분 이내에 거의 정상 상태(steady-state) 분포에 도달하였다.
  • 동역학: Avrami 분석을 통해 약 90분에서 전환점을 갖는 2단계 연화 거동을 확인하였다. 초기 단계(15–90분)는 확산 제어 파쇄($n \approx 0.51$)가 특징이었으며, 후기 단계(120–180분)는 가속화된 재배열 및 조대화($n \approx 2.45$)를 포함하였다.
• 기계적 성질:
  • 강도 대 연성: SHT 결과 강도는 감소하고 연성은 증가하는 트레이드오프(trade-off)가 나타났다. 인장 강도(UTS)는 316 MPa(as-cast)에서 120분 시점에 287 MPa로 감소하였다. 항복 강도(YS)는 162 MPa에서 124 MPa로 감소하였다. 반대로, 연신율은 120분 시점에 4.6%에서 14.7%로 크게 증가하였다.
  • 최적 윈도우: 강도 유지와 연성 향상 사이의 가장 유리한 균형은 90–120분 범위에서 관찰되었다. 120분 이후에는 연신율의 증가 효과가 미미해지면서 추가적인 연화 현상이 발생하였다.
• 머신러닝 성능:
  • 테스트된 네 가지 모델 중 AdaBoost가 실험 데이터에 대해 가장 일관된 표현력을 보였으며, UTS에 대해 0.98, YS에 대해 0.96, 연신율에 대해 0.84의 $R^2$ 값을 달치하였다.
  • ML 분석은 비선형 경향을 성공적으로 보간하여 최적의 SHT 윈도우인 90–120분을 확인하였다. AdaBoost 예측값에 피팅된 2차 다항식 함수는 $R^2 > 0.999$를 달성하여 공정 최적화를 위한 매끄러운 대리 모델(surrogate approximation) 역할을 수행하였다.

의의 및 주장
본 논문은 재활용 A383 HPDC 합금의 단시간 SHT를 최적화하기 위한 정량적 프레임워크를 구축했다고 주장한다. 주요 의의는 **단시간 SHT(490 °C, 90–120분)**가 기존의 6시간 고용화 공정을 대체할 수 있으며, 이를 통해 공정 시간을 약 80% 단축하면서도 유리한 강도-연성 균형을 유지할 수 있다는 점을 입증한 데 있다. 이 방식은 블리스터링을 방지하고 치수 안정성을 보장하여 경량 자동차 및 전자 부품 분야에 적합하다.

본 연구는 실험적 특성 분석과 앙상블 ML(특히 AdaBoost)의 통합이 제한된 데이터셋에서도 최적의 공정 윈도우를 식별할 수 있는 견고한 방법을 제공함을 강조한다. 저자들은 본 연구가 에너지 효율적이고 데이터 중심적인 재활용 HPDC 부품 설계를 향한 단계라고 명시하며, 향후 온도 변화, 시효 응답 및 기공 지표를 포함하여 연구 범위를 확장할 계획임을 밝혔다.