Optimization of ZE41 hybrid composite density through an integrated hybrid ANN-GA and RSM models

기술 요약: 통합 하이브리드 ANN-GA 및 RSM 모델을 통한 ZE41 하이브리드 복합재 밀도의 최적화

문제 정의
자동차, 항공우주 및 운송 분야에서 경량 구조 재료에 대한 수요가 증가함에 따라 마그네슘 기반 합금, 특히 ZE41 합금에 대한 연구가 활발히 진행되고 있다. ZE41은 낮은 밀도와 우수한 주조성을 제공하지만, 단일 형태로는 특정 공학적 성능 요구 사항을 충족하지 못하는 경우가 많다. 다상 강화재를 포함한 하이브리드 금속 기질 복합재(MMC)는 상호 보완적인 강화 메커니즘을 제공함으로써 해결책을 제시한다. 그러나 스터 캐스팅(stir casting)을 통해 원하는 밀도 특성을 가진 ZE41 하이브리드 복합재를 제조하는 것은 강화상의 복잡한 상호작용, 입자 분포, 계면 결합 및 기공과 같은 주조 결함으로 인해 매우 까다롭다.

강화재 분율(중량 퍼센트)과 공정 조건을 최적화하기 위한 전통적인 시행착오 방식은 비용이 많이 들고 시간이 오래 걸리며 비효리적이다. 특히 여러 변수가 비선형적으로 상호작용할 때 더욱 그러하다. 또한, 혼합 법칙(Rule of Mixtures)을 통해 계산된 이론적 밀도는 공정 유발 결함으로 인해 실험 결과와 차이를 보일 수 있다. 따라서 Ti₃SiC₂, NiTi, Graphene Oxide(GO)로 강화된 ZE41 하이브리드 복합재의 밀도를 정확하게 예측하고 최적화하기 위한 체계적이고 데이터 기반의 방법론이 필요하다.

방법론
본 연구는 ZE41 하이브리드 복합재의 이론적 밀도를 최적화하기 위해 반응 표면 분석법(RSM), 인공 신경망(ANN), 유전 알고리즘(GA)을 결합한 통합 프레임워크를 제안한다.

1. 실험 설계: 실험 실행을 생성하기 위해 박스-벤켄 설계(Box–Behnken Design, BBD)가 채택되었다. 입력 인자는 Ti₃SiC₂(2.5–7.5%), NiTi(2.5–7.5%), GO(1–3%)의 중량 분율이며, 나머지는 ZE41 기질로 구성된다.
2. 밀도 계산: 이론적 밀도는 구성 성분의 밀도를 바탕으로 한 중량 퍼센트로부터 도출된 부피 분율을 사용하여 혼합 법칙(ROM)에 의해 계산되었다. 실험적 밀도는 기공률을 평가하기 위해 아르키메데스 원리를 사용하여 측정되었다.
3. RSM 모델링: 2차 다항식 모델을 개발하여 입력 변수와 이론적 밀도 사이의 관계를 설정하였다. 분산 분석(ANOVA)은 모델의 유의성, 인자의 중요성 및 상호작용 효과를 평가하는 데 사용되었다.
4. ANN 모델링: 비선형 관계를 포착하기 위해 3-10-1 구조(입력 뉴런 3개, 은닉 뉴런 10개, 출력 뉴런 1개)를 가진 인공 신경망이 실험 데이터로 학습되었다.
5. GA 최적화: 전역 최적화를 수행하기 위해 학습된 ANN 모델과 유전 알고리즘(GA)을 통합하였으며, 실험 범위 내에서 이론적 밀도를 최소화하는 최적의 강화재 중량 퍼센트 조합을 탐색하였다.
6. 검증: RSM과 ANN-GA를 통해 도출된 최적 파라미터는 실험적 측정값과 예측된 밀도를 비교하는 확인 실험을 통해 검증되었다.

주요 기여 및 결과

• 인자의 유의성: ANOVA 결과, NiTi가 밀도에 가장 유의미한 영향(F = 23,012,890.00)을 미치는 것으로 나타났으며, 그 다음은 Ti₃SiC₂(F = 15,737,702.50)였다. GO는 낮은 고유 밀도와 좁은 중량 분율 범위로 인해 통계적으로 유의미하지만 미미한 기여도(F = 194,602.50)를 보였다.
• 모델 성능:
  • RSM: RSM 모델은 99.9%의 결정 계수(R²)와 함께 높은 신뢰성을 입증하였다. 이 모델은 최적 조성으로 2.5% Ti₃SiC₂, 2.5% NiTi, 1.0% GO를 식별하였으며, 예측 밀도는 1.9054 g/cm³였다.
  • ANN: ANN 모델은 0.97033의 전체 상관 계수(R)와 1.0×10⁻¹⁵만큼 낮은 평균 제곱 오차(MSE)를 달 기록하며, 복잡한 비선형 관계를 효과적으로 모델링할 수 있음을 확인하였다.
  • GA 최적화: 하이브리드 ANN-GA 접근 방식은 2.5% Ti₃SiC₂, 2.5% NiTi, 2.0% GO의 최적 조성을 식별하였으며, 예측된 이론적 밀도는 1.90864 g/cm³였다.
• 비교 분석: 두 방법 모두 Ti₃SiC₂와 NiTi에 대해 유사한 최적 함량(각각 2.5%)을 산출하였으나, 예측된 최적 GO 함량에서는 차이를 보였다(RSM은 1.0%, ANN-GA는 2.0%). ANN-GA 방식이 비선형 관계 모델링 및 전역 최적화 수행에서 우수한 능력을 보여주었으나, 특정 최적화 실행 결과는 RSM 최적값보다 약간 높은 밀도 값을 나타냈다.
• 실험 검증: 선택된 조성에 대한 확인 실험 결과, 예측 밀도와 실험 밀도 사이의 오차는 3.00%에서 4.44% 사이로 나타났다. 가장 낮은 오차(3.00%)는 ANN-GA 방식에 의해 최적화된 조성(2.5% Ti₃SiC₂, 2.5% NiTi, 2.0% GO)에서 관찰되었다.

의의 및 주장
본 논문은 통합된 RSM–ANN–GA 프레임워크가 ZE41 하이브리드 복합재의 밀도를 최적화하기 위한 효과적이고 체계적인 방법론을 제시한다고 주장한다. 본 연구는 이 접근 방식이 전통적인 시행착오 방식을 성공적으로 대체하여, 필요한 실험 횟수를 크게 줄이는 동시에 공정 반복성과 예측 정확도를 향상시킨다는 점을 강조한다.

저자들은 개발된 모델이 복합재 밀도를 제어하기 위한 신뢰할 수 있는 도구를 제공하며, 이는 구조적 응용 분야에서 중량 효율성을 달면 달성하는 데 매우 중요하다고 단언한다. 이론적 밀도를 정확하게 예측하고 최적의 강화재 분율을 식별함으로써, 이 프레임워크는 자동차 및 항공우주 분야의 산업 규모 제조에 적합한 경량화되고 균일하며 결함이 최소화된 ZE41 하이브리드 복합재 부품 생산을 용이하게 한다. 결론적으로, 하이브리드 ANN-GA 접근 방식은 여러 변수 간의 비선형 상호작용이 존재하는 복잡한 공학 최적화 문제에 대한 강력한 대안을 제공한다.