⚡ electrical engineering

Fabrication and Optimization of M2 High-Speed Steel via PBF–LB/M: A Machine Learning-Driven Approach

본 연구는 베이스 플레이트 예열 없이도 랜덤 포레스트(Random Forest) 및 그래디언트 부스팅(Gradient Boosting) 알고리즘을 활용하여 레이저 공정 파라미터를 최적화하는 머신러닝 기반 전략이, PBF–LB/M 방식을 통해 M2 고속강의 균열 없는 제작을 성공적으로 가능하게 하며 거의 완전한 밀도와 높은 경도를 구현함을 입증한다.

원저자: Sumit Sahu, Anish Upadhyaya, Felix Oppermann, Ulrich Krupp

게시일 2026-09-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sumit Sahu, Anish Upadhyaya, Felix Oppermann, Ulrich Krupp

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

매우 강하지만 식는 순간 바로 균열이 생기기 쉬운 재료로 집을 짓는다고 상상해 보십시오. 이것이 고온에서도 경도를 유지하는 능력으로 유명하여 절삭 도구와 드릴 비트에 완벽한 금속 합금인 M2 고속 공구강을 다루는 엔지니어들이 매일 직면하는 도전 과제입니다. 수십 년 동안 이 강철을 만드는 것은 느리고 비용이 많이 드는 과정이었으며, 종종 약한 지점이나 불균일한 질감을 남기곤 했습니다. 최근에는 레이저 분말 베드 융합(laser powder bed fusion)이라는 새로운 방식이 강력한 레이저를 사용하여 미세한 금속 분말을 층층이 녹여 부품을 만드는 더 빠른 방법을 제시했습니다. 그러나 이 강철은 열에 매우 민감하여, 레이저 공정의 급격한 냉각으로 인해 부품이 갈라지거나 바닥면에서 분리되어 제품을 망치곤 합니다. 전통적으로 엔지니어들은 공정을 시작하기 전 전체 빌딩 플랫폼을 높은 온도로 가열하여 이를 해결하려 노력해 왔지만, 이는 복잡성, 비용 및 에너지 사용을 증가시킵니다. 질문은 여전히 남아 있습니다. 추가적인 가열 단계 없이도 이 강하고 균열 없는 강철 부품을 만들 수 있을까요?

RWTH 아헨 대학교와 인도 공과대학교 칸푸르의 연구팀은 수백 번의 시행착오 실험을 반복하는 대신, 컴퓨터가 적은 양의 데이터를 통해 학습하게 함으로써 이 문제를 해결하기로 했습니다. 그들은 27개의 작은 M2 강철 블록을 출력하며, 각 블록에 대해 레이저 강도, 레이저 이동 속도, 그리고 레이저 경로 사이의 간격이라는 세 가지 핵심 설정을 체계적으로 변경했습니다. 그들은 각 블록이 얼마나 밀도가 높고 단단해졌는지 측정했으며, 어떤 설정은 균열과 틈을 만들고 어떤 설정은 단단한 금속을 만들어내는지 기록했습니다. 어떤 조합이 최선인지 추측하는 대신, 이 27개의 결과를 다섯 가지 유형의 머신러ging 알고리즘에 입력했습니다. 이 알고리즘들은 데이터의 패턴을 공부하여 어떤 설정이 가장 중요한지를 파악하는 학생처럼 작동했습니다.

컴퓨터 모델은 명확한 패턴을 빠르게 식야냈습니다. 레이저 경로 사이의 거리, 즉 해치 간격(hatch spacing)이 가장 결정적인 요인이었습니다. 레이저 출력과 속도도 역할을 했지만, 선 사이의 간격이 금속이 고체 상태가 될지 아니면 구멍이 뚫릴지를 결정하는 데 가장 강력한 영향을 미쳤습니다. 모델은 이 간격을 크게 좁힘으로써 금속이 훨씬 더 잘 융합될 것이라고 제안했습니다. 이를 테스트하기 위해 연구진은 다음 실험에서 훨씬 더 좁은 범위의 간격에 집중했으며, 특히 60마이크로미터라는 설정을 선택했습니다. 이 특정 설정을 사용하여 블록을 출력했을 때, 결과는 놀라웠습니다. 금속은 거의 99.99%의 밀도에 도달했는데, 이는 내부적인 틈이 거의 없이 거의 완전히 고체 상태임을 의미합니다. 경도 또한 개선되어 비커스 경도 스케일 기준으로 718에서 782 사이의 수준에 도달했습니다. 무엇보다도, 넓은 간격 설정에서 문제가 되었던 균열과 층이 벌어지는 현상이 완전히 사라졌습니다.

이러한 성공의 비결은 금속이 녹고 식는 방식에 있었습니다. 레이저 경로를 더 가깝게 배치함으로써, 연구진은 각 새로운 선이 이전의 선과 상당 부분 겹치도록 보장했습니다. 이 추가적인 겹침은 두 번째 열 전달 역할을 하여 첫 번째 선의 가장자리를 다시 녹이고, 선들 사이에 더 강력하고 연속적인 결합을 만들어냈습니다. 이 과정은 균열이 시작되는 미세한 빈 공간을 제거하고 금속이 균일한 구조로 자리 잡을 수 있게 했습니다. 연구진이 현미경으로 관찰했을 때, 평균 크기가 약 0.8마이크로미터인 매우 미세하고 정교한 결정립 구조를 발견했습니다. 또한 금속이 특정한 내부 정렬을 가지고 있으며, 결정 구조가 정밀한 각도로 기울어져 있다는 것도 발견했는데, 이는 재료가 응고될 때 열이 이동하는 방향적인 방식의 결과였습니다. 급격한 냉 cooling은 단단한 마르텐사이트와 함께, 재료의 약 절반 정도를 차지하는 더 부드러운 상인 잔류 오스테나이트(retained austenite)를 상당량 가두어 놓았으며, 이는 독특한 혼합물을 만들어내어 최종적인 강도에 기여했습니다.

이 연구는 데이터 기반 전략을 사용하는 것이 값비싼 예열 단계 없이도 까다로운 재료를 제조하는 데 가이드가 될 수 있음을 보여줍니다. 머신 러닝을 통해 가장 민감한 변수를 식별하고 이를 표적 실험으로 검증함으로써, 연구진은 고품질의 강철 부품을 생산할 수 있는 안정적인 경로를 찾아냈습니다. 이 접근 방식은 초기 테스트 횟수가 제한적이더라도, 데이터에 대한 스마트한 분석이 균열이 생기기 쉬운 재료를 단단하고 신뢰할 수 있는 부품으로 바꿀 수 있는 정확한 조건을 밝혀낼 수 있음을 입증했습니다. 이 연구 결과는 이 특정 유형의 강철에 있어 레이저 간격을 제어하는 것이 그 잠재력을 끌어내는 핵심이며, 미래의 강인한 도구들을 제조하는 더 단순하고 효율적인 방법을 제공한다는 것을 시사합니다.

기술 요약: PBF–LB/M을 통한 M2 고속도 공구강의 제조 및 최적화: 머신러닝 기반 접근 방식

문제 정의
M2 고속도 공구강(HSS)은 적열 경도, 내마모성 및 템퍼링 안정성 측면에서 가치가 높습니다. 그러나 높은 탄소 및 합금 함량으로 인해 레이저 분말 베드 용융 방식(PBF–LB/M) 과정 중 균열 및 층간 박리(delamination)가 발생하기 매우 쉽습니다. 이 공정 특유의 급속 응고는 취성이 강한 마르텐사이트와 탄화물 형성을 촉진하며, 가파른 열 구배는 잔류 응력을 유발합니다. 기판 예열(baseplate preheating)은 열 응력을 완화하기 위한 일반적인 전략이지만, 이는 복잡성을 증가시키고 에너지 소비를 높이며 미세조직의 변화를 초래할 수 있습니다. 결과적으로, 예열 없이 결함 없는 M2 HSS 제조를 달성하는 것은 여전히 큰 과제이며, 안정적인 공정 윈도우를 식별하기 위해 광범위하고 비용이 많이 드는 시행착오 실험이 요구되는 경우가 많습니다.

연구 방법론
본 연구는 기판 예열 없이 M2 HSS의 PBF–LB/M 파라미터를 최적화하기 위해 데이터 기반 전략을 채택하였습니다.

실험 설계: 세 가지 핵심 공정 파라미터인 레이저 출력(180–220 W), 스캐닝 속도(800–1200 mm/s), 해치 간격(hatch spacing, 80–120 µm)을 체계적으로 변화시켜 27회의 초기 실험 데이터셋을 생성하였습니다. 층 두께(layer thickness)는 30 µm로 고정되었습니다.
머신러닝 프레임링: 5가지 지도 학습 알고리즘(Bayesian Ridge Regression, Random Forest, Gradient Boosting Regression, Support Vector Regression, Gaussian Process Regression)과 전통적인 이차 반응 표면 분석법(RSM)을 평가하였습니다. 모델은 두 가지 타겟 응답인 벌크 경도와 상대 밀도를 예측하였습니다.
검증 전략: 제한된 데이터셋 환경에서 데이터 누수(data leakage)를 방지하고 견고성을 확보하기 위해 반복 중첩 교차 검증(repeated nested cross-validation) 프레임워크를 활용하였습니다. 이는 성능 평가를 위한 외부 5-겹 교차 검증(5회 반복)과 하이퍼파라미터 튜닝을 위한 내부 3-겹 교차 검증으로 구성되었습니다.
민감도 분석: 피처 제거(feature-ablation) 및 교차 검증된 순열 중요도(permutation importance)를 사용하여 지배적인 공정 파라미터를 식별하였습니다.
검증: 민감도 분석을 바탕으로 해치 간격을 계산적으로 탐색된 범위인 55–70 µm로 좁혔으며, 실험적 검증을 위해 60 µm를 선택하였습니다.
특성 분석: 최적화된 시편은 광학 현미경(OM), 에너지 분산형 X선 분광법(EDS)을 결합한 주사 전자 현미경(SEM), 그리고 결정 구조 및 결정학적 질감을 평가하기 위한 전자 후방 산란 회절(EBSD)을 통해 분석되었습니다.

주요 기여

데이터 기반 공정 최적화: 본 연구는 머신러닝 가이드 접근 방식이 기판 예열 없이도 균열에 민감한 M2 HSS를 위한 안정적인 공정 윈도우를 효과적으로 식별할 수 있음을 입증하였습니다.
알고리즘 벤치마킹: 금속 적층 제조에서 경도 및 밀도 예측을 위한 5가지 ML 알고리즘과 전통적인 이차 RSM을 비교 평가하여, 이 맥락에서 앙상블 방법(Random Forest 및 Gradient Boosting)의 구체적인 강점을 강조하였습니다.
파라미터 민감도 식별: 테스트된 범위 내에서 레이저 출력 및 스캐닝 속도의 영향보다 해치 간격이 상대 밀도와 경도 모두에 가장 결정적인 영향을 미치는 파라미터임을 확인하였습니다.
통합 공정-구조-물성 분석: 최적화된 공정 파라미터를 미세조직 진화, 상 분율 및 결정학적 질감과 직접 연결하여 공정-구조-물성 관계에 대한 포괄적인 관점을 제공하였습니다.

결과

모델 성능: Random Forest는 경도 예측에서 가장 높은 성능( $R^2 = 0.592 \pm 0.078$ )을 보였으며, Gradient Boosting Regression은 상대 밀도 예측에서 가장 우수한 성능( $R^2 = 0.619 \pm 0.048$ )을 보였습니다. 두 ML 모델 모두 전통적인 이차 RSM보다 완만한 개선을 나타냈습니다.
최적화 결과: 해치 간격 60 µm에서의 실험적 검증 결과, 상대 밀도는 99.94–99.99%, 비커스 경도는 718–782 HV를 기록하였습니다.
결함 억제: 해치 간격을 초기 80–120 µm 범위에서 60 µm로 줄임으로써 층간 박리를 성공적으로 제거하고 기공을 감소시켰습니다. 이는 용융 트랙(melt-track)의 중첩을 증가시켜 금속학적 결합을 개선하고 균일한 에너지 분포를 촉진했기 때문입니다.
미세조직 특성:
- 상 구성: 미세조직은 약 50.3%의 잔류 오스테나이트와 24%의 bcc 상(마르텐사이트/페라이트)으로 구성되었으며, 나머지는 초미세 탄화물 및 높은 전위 밀도로 인한 미지정 영역입니다.
  로 결정립 크기: 평균 결정립 크기는 약 0.8 µm로 미세화되었으며, 이는 결정립계 강화 효과(Hall-Petch effect)를 통해 높은 경도에 기여하였습니다.
- 질감(Texture): EBSD 분석 결과, 최대 강도 10.21 MRD를 갖는 강한 결정학적 질감이 나타났습니다. 우선 배향은 열 구배에 의한 방향성 응고를 반영하여, 적층 방향으로부터 [101] 방향으로 31.3° 기울어져 있었습니다.
- 원소 편석: EDS 매핑을 통해 결정립계(interdendritic boundaries)에서 W, Mo, V, Cr 등의 합금 원소가 미세 편석됨을 확인하였으며, 이 영역에서는 Fe가 결핍되었습니다.

의의
본 논문은 이러한 통합된 데이터 기반 프레임워크가 기판 예열 없이 PBF–LB/M을 통한 균열 민감형 M2 HSS의 가공성을 향상시키는 효과적인 전략임을 주장합니다. 머신러닝 기반의 파라미터 선정과 표적 실험 검증을 결합함으로써, 본 연구는 층간 박제를 성공적으로 억제하고 높은 치밀도와 경도를 달성하였습니다. 연구 결과는 해치 간격을 줄여 용융 트랙의 중첩을 높이는 것이 고합금강의 결함을 억제하고 빌드 무결성을 향상시키는 유효한 경로임을 시사하며, 이는 에너지 집약적인 예열 방식에 대한 확장 가능한 대안을 제공합니다.

기술 요약: PBF–LB/M을 통한 M2 고속도 공구강의 제조 및 최적화: 머신러닝 기반 접근 방식

유사한 논문