Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

기술 요약: 머신러닝을 이용한 니모닉 90(Nimonic 90) 가공 시 다양한 윤활 조건에 따른 표면 거칠기 및 공구 마모 예측

문제 정의
항공우주 및 가스 터빈 분야에 필수적인 니켈 기반 초합금인 니모닉 90은 낮은 열전도율, 급격한 가공 경화, 그리고 공구 재료와의 높은 화학적 친화성으로 인해 상당한 가공 난제를 제시한다. 이러한 특성들은 이 재료를 "가공하기 어려운(difficult-to-cut)" 재료로 분류하며, 과도한 공구 마모, 열적 연화 및 불량한 표면 무결성을 초래한다. 전통적인 실험적 최적화는 초합금의 높은 비용과 복잡하고 비선형적인 가공 역학을 포착하기 위한 작은 샘플 크기의 한계로 인해 비용 효율성이 매우 낮다. 또한, 기존의 윤활 방식은 공구-칩 계면에서 발생하는 강렬한 열을 관리하는 데 실패하는 경우가 많으며, 기존의 데이터 기반 모델은 초합금 가공 연구에서 전형적으로 나타나는 실험 데이터의 부족 문제로 어려움을 겪고 있다.

방법론
본 연구는 실험적 가공, 첨단 윤활 특성 분석, 데이터 증강, 그리고 머신러닝(ML) 모델링을 결합한 다각적인 접근 방소를 채택하였다.

• 실험 설계: 니모닉 90을 대상으로 한 선삭 실험이 Taguchi L19 직교 배열법에 따라 수행되었다. 세 가지 윤활 환경을 비교하였다: 전통적인 오일 기반 최소량 윤활(MQL), [1-Butyl-3-Methyl Imidazolium tetrafluoroborate]를 이용한 이온 액체(IL) 보조 MQL, 그리고 극저온 액체 질소(LN₂) 냉각이다. 절삭 속도(410, 620, 830 m/min)와 이송 속도(0.1, 0.5 mm/rev)를 변화시켰으며, 절삭 깊이는 0.5 mm로 일정하게 유지하였다.
• 특성 분석: 윤활제는 pH, 제타 전위, 접촉각 측정을 통해 분석되었다. 가공 응답으로는 표면 거칠기($R_a$), 플랭크 마모($V_b$), 절삭 온도가 포함되었다. 칩 형태, 미세 구조 및 공구 마모 메커니즘은 SEM, 광학 현미경 및 미경도 테스트를 통해 조사되었다.
• 데이터 증강: 초기 데이터셋(18개 샘플)의 한계를 해결하기 위해, 저자들은 가우시안 프로세스 회귀(GPR) 프레임워크를 활용하여 확률적으로 데이터를 증강하였다. 초록에서는 샘플 크기를 27개로 풍부하게 만든다고 언급되어 있으나, 섹션 3.2.1에서는 통계적 표현을 위해 최종적으로 사용된 증강 데이터셋이 원래의 18개 샘플로 구성되었음을 명시하며, 이는 이산적인 실험과 연속적인 예측 모델링 사이의 간극을 메운다.
• 머신러닝 모델링: 선형 회귀(LR), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF), 그리고 XGBoost의 네 가지 알고리즘이 5-겹 교차 검증(5-fold cross-validation)을 사용하여 학습 및 평가되었다. 모델의 목표는 입력 파라미터를 바탕으로 $R_a$와 $V_b$를 예측하는 것이다.
• 최적화: 생산성과 표면 무결성 사이의 균형을 맞추는 최적의 가공 영역을 식별하기 위해 파레토 프런티어(Pareto frontier) 분석이 수행되었다.

주요 결과

• 윤활 성능: 극저온 LN₂ 가공이 가장 우수한 결과를 나타내어, 가장 낮은 표면 거칠기($R_a$ = 0.45–0.82 µm)와 가장 낮은 공구 마모를 달est했다. 구체적으로, LN₂는 오일 기반 가공 대비 플랭크 마모를 46% 감소시켰으며, 오일 기반 가공 대비 총 마모 부피를 73% 감소시켰다. 이온 액체 보조 MQL은 개선된 젖음성(접촉각 39.6°, 오일의 51.8° 대비)을 보여주었으며 보호용 트리보 필름(tribo-films)을 형성하여, 오일과 극저온 냉각 사이의 중간 단계 성능을 나타냈다.
• 미세 구조 및 형태 변화: LN₂ 냉각은 IL(15–20 µm) 및 오일(25–30 µm)에 비해 가장 미세한 결정립 구조(8–12 µm)를 생성하였으며, 이는 향상된 미세 구조적 균질성을 나타낸다. 칩 형태 분석 결과, LN₂는 톱날 모양 형성과 연마 마모를 최소화하여 더 매끄럽고 연속적이며 두께가 감소된 칩을 생성함을 보여주었다.
• 머신러닝 성능: XGBoost 모델이 다른 모든 알고리즘을 능가하여, 표면 거칠기 예측에 대해 $R^2$ 0.948, RMSE 0.12로, MAE 0.094를 달성하였다. 이는 선형 회귀($R^2$ = 0.627)를 크게 상회하며, 가공 공정의 고도의 비선형성을 확인시켜 준다. 특성 중요도 분석 결과, 이송 속도가 표면 거칠기의 주요 동인(상대적 중요도 0.68)이었으며, 냉각 환경이 공구 마모의 지배적 요인(상대적 중요도 0.71)임을 확인하였다.
• 최적화: 파레토 프런티어 분석을 통해 절삭 속도 620 m/min, 이송 속도 0.1 mm/rev, LN₂ 냉각 조건에서 서브 마이크론 수준의 표면 품질($R_a$ = 0.82 µm)과 연장된 공구 수명을 동시에 만족하는 "골든 레짐(Golden Regime)"을 식별하였다.

의의 및 주장
본 논문은 고성능 합금의 정밀 가공을 위한 데이터 기반 패러다임을 구축한다고 주장한다. 주요 기여는 다음과 같다:

1. 극저온 및 이온 액체 전략의 검증: 니모닉 90에 대해 LN₂ 냉각과 IL 보조 MQL이 전통적인 오일 기반 MQL보다 우수한 트라이볼로지 및 열 관리를 제공함을 입증하였다.
2. 데이터 증강 프레임워크: 가우시안 프로세스 회귀(GPR)를 성공적으로 적용하여 값비싼 초합금 실험에서 발생하는 "소규모 데이터" 문제를 극복하였으며, 물리적 일관성을 해치지 않으면서 견고한 모델 학습을 가능하게 하였다.
3. 예측 모델링: 앙상블 트리 기반 모델, 특히 XGBoost가 선형 및 기타 비선형 모델보다 우수하며, 초합금 가공의 복잡한 열역학적 상호작용을 포착하는 데 매우 효과적임을 입증하였다.
4. 산업적 적용 가능성: 개발된 프레임워크의 계산 효율성(학습 시간 < 0.5초, 메모리 점유 < 20MB)을 강조함으로써, 항공우주 분야의 자율 제조를 위한 디지털 트윈 시스템 통합 및 엣지 컴퓨팅, 실시간 공정 최적화에 적합함을 보여주었다.

본 연구는 첨단 윤합 전략과 머신러닝 기반 예측 모델링의 결합이 항공우주 부품의 지속 가능하고, 자율적이며, 경제적으로 최적화된 제조 공정을 향한 실행 가능한 경로를 제공한다고 결론짓는다.