Deep Learning-Assisted Multi-Objective Optimization and Microstructure Property Correlation in Rotary Friction Welding of Dissimilar AA1100–AA2014 Aluminium Alloys

완벽한 케이크를 굽고 싶다고 상상해 보세요. 하지만 당신에게는 매우 다른 두 가지 재료가 있습니다. 하나는 부드럽고 신축성 있는 마시멜로이고, 다른 하나는 딱딱하고 바삭한 쿠키입니다. 만약 일반적인 오븐에서 이 둘을 함께 녹이려고 한다면, 마시멜로는 끈적한 덩어리가 되어버릴 것이고 쿠키는 딱딱한 상태로 남아있을 것입니다. 혹은 서로 완전히 분리될 수도 있습니다. 이것이 바로 엔지니어들이 서로 다른 종류의 알루미늄을 접합할 때 직면하는 문제입니다. 한 종류는 부드럽고 열 전도성이 뛰어나지만(마시멜로처럼), 다른 한 종류는 매우 강하지만 다루기 까다롭습니다(쿠키처럼). 보통 고열을 이용해 용접하려고 하면 이들은 잘 섞이지 않아 압력을 받으면 부서질 수 있는 약한 지점을 남깁니다.

이 문제를 해결하기 위해 과학자들은 "회전 마찰 용접(Rotary Friction Welding)"이라는 기술을 사용합니다. 일반적인 용접처럼 금속을 녹이는 대신, 한 조각을 다른 조각에 대고 고속으로 회전시킵니다. 이것은 마치 손을 아주 빠르게 비벼서 열을 내는 것과 같습니다. 마찰은 금속을 실제로 녹이지 않으면서도 충분히 부드럽고 말랑하게 만들 만큼의 열을 생성합니다. 그런 다음 무거운 망치(단조라고 불리는)로 눌러서 두 조각을 하나의 단단한 덩어리로 융합시킵니다. 까다로운 점은 정확히 얼마나 빨리 회전시킬지, 얼마나 세게 누를지, 그리고 얼마나 오래 할지를 결정하는 것입니다. 만약 레시피를 잘못 맞추면 접합부는 약해집니다. 여기서 논문이 등장하며, 이 두 가지 매우 다른 알루미늄 합금을 결합하는 완벽한 레시피를 찾기 위해 전통적인 실험 방식과 매우 스마트한 컴퓨터 두뇌를 혼합하여 사용합니다.

위대한 알루미늄 매치업

이 연구에서 연구원들은 두 가지 특정 알루미늄 합금인 AA1100과 AA2014를 접합하는 과제에 도전했습니다. AA1100은 "온순한 거인"이라고 생각하면 됩니다. 매우 부드럽고 잘 늘어나며 열 전도성이 뛰어납니다. 반면에 AA2014는 "거친 싸움꾼"입니다. 믿기지 않을 정도로 강하고 단단하며 무거운 하중을 견디도록 만들어졌지만, 약간 취성이 있습니다. 이 둘을 접합하는 것은 마치 고무줄을 강철 막대에 붙이는 것과 같습니다. 방법이 틀리면 결합은 실패합니다.

연구팀은 **회전 마찰 용접(RFW)**이라는 방법을 사용했습니다. 두 자루의 연필을 잡고 하나를 다른 하나에 대고 돌려 뜨겁고 부드럽게 만든 다음, 꾹 누르는 모습을 상상해 보세요. 공장에서는 이것이 금속 실린더로 수행됩니다. 연구원들에게는 이 과정을 제어할 다섯 가지 "노브(조절 손잡이)"가 있었습니다: 금속이 회전하는 속도(RPM), 회전하는 동안 누르는 힘(마찰 압력), 멈춘 후 누르는 힘(단조 압력), 그리고 각 단계의 시간입니다.

실험: 레시피 탐색

완벽한 설정을 찾기 위해 연구원들은 단순히 추측하지 않았습니다. 그들은 **다구치 L27 설계(Taguchi L27 design)**라고 불리는 체계적인 계획을 사용했습니다. 이것은 마치 요리사가 설탕, 밀가루, 굽는 시간의 양을 특정 패턴에 따라 변화시키며 어떤 조합이 최고의 케이크를 만드는지 확인하기 위해 27가지의 다양한 레시피 변형을 테스트하는 것과 같습니다. 그들은 속도, 압력, 시간을 각각 다르게 하여 27번의 서로 다른 용접 실험을 수행했습니다.

용접 후, 그들은 접합부를 혹독하게 테스트했습니다. 접합부를 당겨서 얼마나 강한지(인장 강도)를 측정했고, 표면이 얼마나 단단한지(마이크로 경도)를 측정했으며, 부서지기 전까지 얼마나 휘어질 수 있는지(연신율)를 측정했습니다. 또한 강력한 현미경(SEM)으로 금속을 관찰하고, X선(XRD)을 사용하여 미세한 결정 수준에서 금속이 어떻게 보이는지 확인했습니다.

컴퓨터 두뇌: 딥 러닝

여기서 연구는 정말 미래지향적으로 변합니다. 연구원들은 단순히 27개의 결과만을 보고 패턴을 추측하는 대신, **심층 신경망(DNN)**을 구축했습니다. 이것은 예시를 통해 학습하는 디지털 뇌라고 생각하면 됩니다. 그들은 27번의 실험에서 얻은 모든 데이터—사용된 설정값과 얻은 결과값—를 컴퓨터에 입력했습니다. 컴퓨터의 임무는 설정과 용접 강도 사이를 연결하는 숨겨진 복잡한 규칙을 찾아내는 것이었습니다.

컴퓨터가 규칙을 학습한 후, 연구원들은 NSGA-II라고 불리는 두 번째 스마트 도구를 사용했습니다. 이것은 최적의 값을 찾아내는 슈퍼 최적화 도구와 같습니다. 최대 강도와 최대 연신율을 동시에 가질 수는 없기 때문에(이들은 종종 서로 충돌합니다), 이 최적화 도구는 "파레토 프런트(Pareto front)"라고 알려진 최선의 타협점을 찾아냅니다. 이는 해변과 산 모두에 가까운 완벽한 지점을 찾는 것과 같으며, 중간의 아무것도 없는 곳에 갇히지 않도록 도와줍니다.

연구 결과

결과는 인상적이었습니다. "디지털 뇌"는 규칙을 놀라울 정도로 잘 학습했습니다. 연구원들이 컴퓨터의 예측치를 실제 결과와 비교했을 때, 컴퓨터는 98.7%(R² 값 0.987)의 확률로 정확했습니다. 이는 컴퓨터 모델이 매번 물리적인 샘플을 만들 필요 없이 용접이 어떻게 작동할지 예측할 수 있는 매우 신뢰할 수 있는 도구임을 의미합니다.

연구 결과, 최적의 용접 레시피는 1200 RPM으로 회전하고, 마찰 압력 70 MPa, 단조 압력 90 MPa, 마찰 시간 4초, 단조 시간 5초를 사용하는 것이었습니다.

이 설정을 사용하여 그들은 다음과 같은 접합부를 만들었습니다:

• 142 MPa의 강도 (가장 약했던 접합부인 95 MPa에서 크게 향상됨).
• 122.3 HV의 경도.
• 부서지기 전까지 **10%**를 늘어날 수 있는 능력.

비밀 소스: 내부에서 무슨 일이 일어나고 있는가?

왜 이 설정들이 그렇게 잘 작동했을까요? 연구원들은 현미경을 통해 그 답을 찾았습니다. 최상의 접합부에서 금속 입자(금속을 구성하는 작은 결정들)는 매우 미세하고 균일해졌는데, 마치 매끄럽고 빽빽하게 모여 있는 군중과 같았습니다. 이는 열과 압력이 **동적 재결정(dynamic recrystallization)**이라는 과정을 일으켜, 금속이 더 강한 구조로 스스로를 재구성했기 때문에 발생했습니다.

결정적으로, 그들은 접합부에 해로운 균열이나 이상한 화학 반응(금속간 화합물 상)이 없음을 발견했습니다. X선 분석 결과, 금속은 취성이 있는 약한 화합물로 변하지 않고 원래의 구조를 유지했습니다. AA1100 쪽은 부드러운 플라스틱 봉투처럼 늘어나고 찢어지는 "연성 파괴(ductile fracture)"를 보였고, AA2014 쪽은 단단하고 석출물이 가득한 구조의 특징을 보였습니다. 이러한 차이에도 불구하고, 두 금속은 완벽하게 융합되어 끊김 없는 결합을 만들어냈습니다.

이것이 중요한 이유

이 논문은 실세계의 실험과 스마트한 컴퓨터 모델을 결합함으로써, 엔지니어가 끝없는 시행착오를 거치며 시간과 비용을 낭비하지 않고도 서로 다른 금속을 결합하는 최선의 방법을 빠르게 찾을 수 있음을 시사합니다. 심층 신경망을 사용하여 결과를 예측하고 최적화 도구를 사용하여 최적의 설정을 찾는 이 "하이브리드" 접근 방식은 고도의 기술적인 의사 결정 도구 역할을 합니다.

연구원들은 이 방법이 가볍고 강한 구조물을 만드는 것이 필수적인 항공우주, 자동차, 철도 산업의 게임 체인저가 될 수 있다고 믿습니다. 서로 다른 알루미늄 합금을 접합하는 기술을 마스터함으로써, 그들은 안전을 보장하면서도 연료를 덜 사용하는 더 가벼운 비행기와 자동차를 만들 수 있습니다. 이 연구는 적절한 "레시비"와 인공지능의 도움만 있다면, 가장 서로 맞지 않는 재료들도 완벽한 팀이 될 수 있음을 확인시켜 줍니다.