⚡ electrical engineering

AI-assisted finite element modelling of the electron beam and TIG welding processes of low-cost titanium alloys

본 연구는 대규모 언어 모델 에이전트를 활용하여 기존의 CALPHAD 계산을 대체하는 AI 보조 워크플로우가 유한 요소 열 시뮬레이션과 AI 생성 연속 냉각 변태도를 결합함으로써 저가형 Ti-2.8Al-5.1Mo-4.9Fe 티타늄 합금의 전자빔 및 TIG 용접 시 발생하는 뚜렷한 상 조성(phase compositions)을 성공적으로 예측한다는 것을 입증한다.

원저자: Roman Selin, Serhii Akhonin, Valeriy Bilous

게시일 2026-08-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Roman Selin, Serhii Akhonin, Valeriy Bilous

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 완벽한 케이크를 굽기 위해 노력하는 요리사라고 상상해 보세요. 하지만 당신의 재료는 밀가루나 설탕 대신 티타늄 같은 금속입니다. 티타늄은 초특급 식재료입니다. 믿기지 않을 정도로 강하면서도 놀라울 정도로 가벼워, 비행기, 로켓, 심지어 의료용 임플란트를 만드는 데 즐겨 사용됩니다. 하지만 가장 강한 티타늄 케이크를 만드는 전통적인 레시피는 바나듐이라는 희귀한 향신료를 사용하기 때문에 비용이 많이 듭니다. 과학자들은 바나듐을 철이나 몰리브덴 같은 더 저렴한 재료로 교체하여 '가성비 좋은' 버전의 레시피를 만들기 위해 노력해 왔습니다. 하지만 문제가 하나 있습니다. 두 조각을 결합하기 위해 금속을 녹였다가 다시 얼리는 과정(용접이라고 불리는 공정)을 거치면, 열이 금속의 내부 구조를 변화시킵니다. 마치 굽는 과정이 케이크의 질감을 바꾸는 것과 같습니다. 만약 금속이 너무 빨리 또는 너무 느리게 식으면, "케이크"는 부서지기 쉽거나 약해질 수 있습니다. 이를 예측하기 위해 과학자들은 보통 금속의 아주 작은 알갱이들이 냉각될 때 어떻게 재배열되는지를 정확히 알려주는 수정구슬 역할을 하는 매우 복잡한 수학 소프트웨어가 필요합니다. 이 논문은 대담한 질문을 던집니다. 이 비싸고 복잡한 수정구슬을 똑같은 답을 내놓는 스마트한 컴퓨터 챗봇으로 대체할 수 있을까요?

이 연구의 연구진은 이 아이디어를 특정 저가형 티타늄 합금(티타늄, 알루미늄, 몰리브덴, 철의 혼합물)에 테스트해 보기로 했습니다. 그들은 이 금속의 두 가지 매우 다른 용접 방식이 최종 구조를 어떻게 변화시키는지 알고 싶었습니다. 전자빔 용접(EBW)이라고 불리는 한 방법은 레이저 포인터를 사용하는 것과 같습니다. 그것은 믿을 수 없을 정도로 집중적이고 뜨거우며 빠르며, 금속을 뚫고 깊고 좁은 구멍을 뚫습니다. 또 다른 방법인 TIG 용접은 캠프파이어와 같습니다. 이는 더 넓고 완만한 열원을 사용하여 얕고 넓은 용융 풀을 만듭니다. 팀은 용접 과정의 "디지털 트윈" 역할을 할 컴퓨터 시뮬레이션을 구축하여, 각 지점에서 금속이 얼마나 빨리 식는지를 정확하게 추적했습니다. 그러고 나서 전통적인 고성능 수학 소프트웨어 대신, 두 명의 AI 에이전트(스마트한 컴퓨터 프로그램)를 사용하여 결과를 예측했습니다. 첫 번째 에이전트인 "CCT-Agent"는 기상학자처럼 행동하며 금속이 냉각됨에 따라 어떻게 변하는지에 대한 지도를 그렸습니다. 두 번째 에이전트인 "Phase-Agent"는 번역가처럼 행동하며, 시뮬레이션으로부터 냉각 속도를 읽어내어 금속의 내부 구조가 정확히 어떤 모습일지를 알려주었습니다.

결과는 매우 흥-미로웠습니다. 시뮬레이션 결과, 두 용접 방식은 완전히 다른 "케이크"를 만들어냈습니다. 빠르고 집중적인 전자빔 용접은 금속을 초당 약 50도라는 엄청난 속도로 냉각시켰습니다. 너무 빠르게 식었기 때문에, 금속은 내부 알갱이를 새로운 모양으로 재배열할 시간이 없었습니다. 따라서 금속은 "얼어붙은" 고에너지 상태인 메타스테이블 베타(metastable beta) 상태로 유지되었습니다. 반면, 더 느리고 넓은 TIG 용접은 초당 약 10~15도로 훨씬 더 부드럽게 냉각되었습니다. 이 느린 속도는 금속이 스스로를 재배열할 충분한 시간을 주었고, 그 결과 확산 알파(diffusional alpha)라고 불리는 다른 더 단단한 구조를 상당 부분 형성하게 했습니다. 연구는 AI 에이전트가 전통적이고 값비싼 소프트웨어만큼이나 정확하게 이러한 냉각 지도를 그리고 최종 구조를 예측할 수 있음을 발견했습니다. 심지어 훨씬 더 빠르게, 그리고 특별한 라이선스 없이도 말입니다. 본질적으로, 연구진은 이 특정 가성비 좋은 티타늄에 대해서는, 용접 도구의 선택이 단순히 조각들을 어떻게 맞추느냐의 문제가 아니라, 금속의 완전히 다른 내부 성격을 선택하는 문제라는 것을 증명했습니다. 또한, 이제 엔지니어들은 용접 토치를 들기도 전에 자신이 어떤 결과를 얻게 될지 예측할 수 있는 스마트한 AI의 도움을 받을 수 있게 되었습니다.

기술 요약: 저가형 티타늄 합금의 EBW 및 TIG 공정에 대한 AI 보조 유한 요소 모델링

문제 정의
바나듐을 철과 몰리브덴으로 대체하여 설계된 저가형 $\beta$ -티타늄 합금(예: Ti-2.8Al-5.1Mo-4.9Fe)은 중량 제한이 중요한 항공우주 및 해양 구조물 분야에서 상당한 잠재력을 제공한다. 그러나 이러한 메타스테이블(metastable) $\beta$ 합금의 용접성은 지배적인 Ti-6Al-4V 합금에 비해 그 특성이 잘 알려져 있지 않다. 결정적인 과제는 용접부의 상 조성(phase composition)을 예측하는 것인데, 이는 열 이력에 매우 민감하다. 전통적인 예측 워크플로우는 유한 요소(FE) 열 모델링과 CALPHAD(상평형 계산)를 결려 연속 냉각 변태(CCT) 선도를 생성하는 방식에 의존한다. 이러한 기존의 접근 방식은 특수 열역학 데이터베이스, 라이선스 소프트웨어 및 상당한 전문 지식을 필요로 하므로 병목 현상이 되는 경우가 많으며, 여러 저가형 조성들을 스크리닝할 때 적용하기 느리고 어렵다.

방법론
본 연구는 FE 열 시뮬레이션과 인공지능(AI) 에이전트 기반 미세조직 예측 시스템을 통합한 결합된 계산 워크플로우를 채택한다.

열 모델링(Thermal Modelling): Ti-2.8Al-5.1Mo-4.9Fe 6mm 판재를 대상으로 두 가지 구별되는 용접 공정인 전자빔 용접(EBW)과 텅스텐 불활성 가스(TIG) 용접을 시뮬레이션하기 위해 과도 상태 3D FE 분석을 수행하였다. 모델은 온도 의존적 열물성 및 잠열 공식을 활용하였다. EBW는 집중된 원뿔형/원통형 가우시안 소스(키홀 모드)로 모델링되었으며, TIG는 확산된 이중 타원형 소스(전도 모드)로 모델링되었다. 시뮬레이션은 $\beta \to \alpha$ 변태와 관련된 800–500 °C 구간에 대해 구역별 냉각 속도를 추출하였다.
AI 기반 CCT 구축 (CCT-Agent): CALPHAD 단계를 대체하기 위해, 대규모 언어 모델(LLM) 에이전트인 "CCT-Agent"를 개발하였다. Ollama API를 통해 로컬에 호스팅된 오픈 웨이트 모델(gpt-oss, 120B 파라미터)을 기반으로 작동하는 이 에이전트는 합금 화학 성분으로부터 직접 CCT 선도를 구축한다. 이 에이전트는 금속학적 앵커(예: $\beta$ -transus, 몰리브덴 당량)를 활용하고, 변태 경계를 정의하기 위해 Johnson-Mehl-Avrami-Kolmogorov(JMAK) 키네틱스와 Scheil 가법성을 적용한다. 이 워크플로우는 재현성을 보장하기 위해 결정론적(온도 0, 고정 시드)이며 스키마 검증을 거친다.
상 예측 (Phase-Agent): 두 번째 LLM 에이전트인 "Phase-Agent"(20B 파라미터 변형 모델)는 FE에서 도출된 냉각 속도를 CCT-Agent가 생성한 CCT 선도와 통합한다. 이 에이전트는 용접부 및 열영향부(HAZ) 내 특정 위치에서의 결과적인 상 분율(확산 $\alpha$ 대 잔류 $\beta$ )을 계산한다.
검증: 저가형 합금에 적용하기 전, CCT-Agent는 세 가지 합금(Ti-6Al-4V ( $\alpha+\beta$ ), VT19 (near- $\beta$ ), 그리고 주요 대상인 Ti-2.8Al-5.1Mo-4.9Fe (metastable- $\beta$ ))에 대해 CALPHAD 유도 선도 및 문헌 데이터와 비교 검증되었다.

주요 결과

CCT-Agent 검증: AI 에이전트는 안정성 스펙트럼 전반에 걸쳐 공학적 허용 오차 범위 내에서 CALPHAD 유도 변태 경계를 성공적으로 재현하였다. Ti-6Al-4V, VT19, Ti-2.8Al-5.1Mo-4.9Fe에 대해, 에이전트는 $\beta$ -transus 온도를 약 30 °C 이내의 오차로 일치시켰으며, $\beta$ 상을 유지하는 데 필요한 임계 냉각 속도의 순서와 크기를 정확하게 식별하였다.
열적 차이(Thermal Divergence): FE 모델은 뚜렷한 열적 특징을 확인하였다. EBW는 깊고 좁은 용융부를 생성하였으며(깊이 대 너비 비율 $\approx$ 2.5), 용융부에서 약 50 °C s⁻¹의 높은 냉각 속도를 나타냈다. 반면, TIG는 넓고 얕은 용융부를 생성하였으며(깊이 대 너비 비율 $\approx$ 0.38), 용융부에서 10–15 °C s⁻¹, 열영향부(HAZ)에서 약 6 °C s⁻¹의 현저히 느린 냉각 속도를 보였다.
미세조직 예측: 결합된 워크플로우는 동일한 합금에 대해 용접 공정에 따라 극명하게 다른 상 조성을 예측하였다:
- EBW: 빠른 냉각(~50 °C s⁻¹)으로 인해 CCT 선도의 확산 $\alpha$ -시작 노즈(nose)를 우회하였다. 이에 따라 용융부와 좁은 HAZ는 주로 메타스테이블 $\beta$ 상태로 남았다.
- TIG: 느린 냉각(~10–15 °C s⁻¹)으로 인해 열 궤적이 변태 경계와 교차하였다. 용접부는 용융 금속과 HAZ 내에서 상당한 확산 $\alpha$ 형성을 동반하며 잔류 $\beta$ 코어가 둘러싸고 있는 경사 미세조직을 형성하였다.

의의 및 주장
본 논문은 LLM 에이전트가 용접 시뮬레이션 루프 내에서 CALPHAD 계산 단계를 완전히 대체할 수 있음을 입증한다. 조성과 냉각 속도로부터 CCT 선도와 상 지도를 직접 생성함으로써, 두 에이전트 워크플로우(CCT-Agent 및 Phase-Agent)는 전통적인 열역학 모델링에 대한 빠르고 접근 가능하며 재현 가능한 대안을 제공한다. 이러한 능력은 신뢰할 수 있는 CALPHAD 데이터베이스를 구축하는 데 자원이 많이 소모되는 저가형 합금 조성을 스크리닝할 때 특히 중요하다.

본 연구는 저가형 합금 Ti-2.8Al-5.1Mo-4.9Fe에 대해, EBW와 TIG 사이의 선택은 사실상 '용접 후 상 균형(as-welded phase balance)'의 선택임을 결론짓는다. EBW는 후속 시효 처리에 적합한 균일한 메타스테이블 $\beta$ 구조를 제공하는 반면, TIG는 사전 형성된 확산 $\alpha$ 구조를 생성하므로 서로 다른 용접 후 열처리 전략이 필요하다. 저자들은 CCT-Agent가 기성 방식에 의해 검증되었으나, 저가형 합금 용접부에 대한 구체적인 상 예측은 아직 금속 조직학이나 X선 회절을 통해 실험적으로 검증되지 않았음을 언급하며, 이것이 필수적인 다음 단계임을 명시하였다. 이 워크플로우는 새로운 열역학을 발명하는 것이 아니라, 확립된 금속학적 관계를 운용화하기 위한 도구로 제시된다.

유사한 논문