Machine Learning Assisted Creep Deformation Time Prediction and Failure Analysis of 316L Stainless Steel at Elevated Temperatures

기술 요약: 고온 환경에서 316L 스테인리스강의 크리프 변형 시간 예측 및 파손 분석을 위한 머신러닝 보조 기법

문제 정의
발전 및 원자력 시스템과 같은 고온 환경에서 운용되는 금속 부품, 예를 들어 316L 오스테나이트계 스테인리스강(ASS)의 구조적 무결성을 평가하고 잔여 수명을 예측하는 데 있어 정확한 크리프 변형 및 파단 거동 예측은 매우 중요하다. 기존의 경험적 방법(예: Larson-Miller, Manson-Haferd)은 온도, 응력, 파단 시간 사이의 상관관계를 제공하지만, 종종 가정된 함수 형태에 의존하며 진화하는 크리프 변형률과 변형 시간 사이의 비선형적 관계를 명시적으로 포착하지 못한다. 또한, 머신러닝(ML) 모델의 높은 통계적 정확도만으로는 크리프 열화의 근본적인 물리적 메커니즘을 이해하는 것을 보장할 수 없다. 따라서 데이터 기반 예측과 전통적인 크리프 역학 및 직접적인 미세구조 파손 분석을 결합하여 크리프 열화를 종합적으로 해석할 수 있는 통합 프레임워크가 필요하다.

방법론
본 연구는 세 가지 주요 구성 요소로 이루어진 통합 실험 및 데이터 기반 워크플로우를 채택하였다:

1. 실험적 크리프 시험: 316L ASS를 대상으로 두 가지 온도(675 °C 및 725 °C)와 다양한 인가 응력(675 °C에서 175–245 MPa; 725 °C에서 120–180 MPa) 조건에서 정하중 크리프 시험을 수행하였다. 시험은 파단 시까지 계속되었으며, 시간 의존적 크리프 변형률을 지속적으로 기록하였다. 파단 후, 시편은 주사 전자 현미경(SEM) 및 에너지 분산형 X선 분광법(EDS)을 사용하여 미세구조 및 파면 분석을 거쳤다.
2. 머신러닝 모델링: 세 가지 앙상블 ML 모델인 Random Forest(RF), Extreme Gradient Boosting(XGBoost), Light Gradient Boosting Machine(LightGBM)을 개발하였다. 모델은 온도, 인가 응력, 측정된 크리프 변형률을 입력 특성으로 사용하여 실험적으로 기록된 변형 시간을 예측하였다. 데이터셋은 70:30 비율로 훈련 및 테스트 세트로 분할되었으며, 훈련 세트에 대해 5회 교차 검증을 수행하였다.
3. 전통적 역학 및 파손 분석: 실험 데이터를 사용하여 최소 크리프 속도의 응력 지수를 결정하기 위한 Norton 멱법칙 관계, 파단 수명 상관관계를 위한 Larson-Miller 파라미터(LMP), 그리고 겉보기 활성화 에너지를 위한 Arrhenius 방정식을 분석하였다. 이러한 결과는 결정립계 손상, 탄화물 석출 및 파단 형상에 대한 SEM-EDS 관찰 결과와 상관관계를 가졌다.

주요 결과

• 머신러닝 성능: 세 모델 모두 실험적으로 기록된 변형-시간 응답을 재현하는 데 있어 높은 예측 정확도를 나타냈다.
  • 통합 온도-응력 데이터셋에 대해, XGBoost가 가장 높은 독립 테스트 결정 계수($R^2 = 0.9945$)와 RMSE 9.06 h, MAE 4.60 h를 달성하였다.
  • LightGBM은 가장 높은 5회 교차 검증 $R^2$ (0.9956)를 기록하였다.
  • 인가 응력이 증가함에 따라 예측 오차(RMSE 및 MAE)가 감소하는 명확한 경향이 관찰되었다. 예를 들어, 675 °C에서 RMSE는 175 MPa에서의 ~26 h에서 245 MPa에서의 ~2 h로 감소하였다. 이는 모델 능력의 근본적인 변화라기보다 높은 응력에서 변형-시간 관계의 분산이 감소했기 때문으로 분석된다.
• 전통적 크리프 역학:
  • 응력 지수 ($n$): 675 °C에서 6.9, 725 °C에서 4.5로 계산되었으며, 이는 온도에 따른 최소 크리프 속도의 응력 의존성 변화를 나타낸다.
  • 활성화 에너지 ($Q_c$): 겉보기 크리프 활성화 에너지는 약 324 kJ mol⁻¹로 결정되었다.
  • Larson-Miller 파라미터: 재료 상수 $C = 22$에서 가장 강력한 상관관계($R^2 = 0.990$)가 달성되었다.
  • 임계 응력: 675 °C에서 ~172.2 MPa, 725 °C에서 ~110 MPa의 겉보기 임계 응력이 확인되었다.
• 미세구조 및 파면 분석:
  • 파단 형상: 675 °C/175 MPa에서의 파단면은 미세 공동 병합(microvoid coalescence)을 나타내는 딤플(dimpled) 형상을 주로 보였다. 725 °C/120 MPa에서는 형상이 더욱 뚜렷한 공동 및 균열 관련 손상으로 변화하였으며, 이는 결정립계(GB)의 관여도가 증가했음을 시사한다.
  • 미세구조적 손상: SEM-EDS 분석 결과, 손상된 결정립계 인접 영역에서 Cr 및 Mo가 풍부한 영역이 발견되었으며, 이는 $M_{23}C_6$ 유형의 탄화물 형성과 일치한다. 이러한 석출물은 국부적인 결정립계 손상, 공동 핵 생성 및 균열 전파와 연관되어 있었다.

의의 및 주장
저자들은 본 연구가 316L 스테인리스강의 크리프 열화 및 파손을 해석하기 위한 통합 실험-데이터 기반 프레임워크를 구축했다고 주장한다. 본 연구의 의의는 다음과 같은 이중적 접근 방식에 있다:

1. 정량적 예측: 앙상블 ML 모델이 조사된 영역 내에서 복잡하고 비선형적인 크리프 변형-시간 관계를 정확하게 재현할 수 있음을 입증하였다.
2. 물리적 해석: 이러한 통계적 예측을 전통적인 역학 파라미터 및 파손 메커니즘(탄화물 석출, 결정립계 손상, 공동 성장)에 대한 직접적인 물리적 증거와 명시적으로 연결하였다.

본 논문은 ML 프레임워크의 범위와 한계를 다음과 같이 완곡하게 정의하였다:

• 모델은 미지의 파단 수명을 예측하기 위한 무제한적인 전망적 예측 도구가 아니라, 특정 입력 변수(온도, 응력, 변형률)를 기반으로 실험적으로 기록된 변형 시간을 재현하도록 설계되었다.
• 높은 $R^2$ 값은 가용 데이터셋 내에서의 강력한 일관성을 반영하지만, 교차 검증이 크리프 곡선 단위가 아닌 데이터 포인트 단위로 수행되었으므로 독립적인 시편 수준의 일반화에 대한 결정적인 증거는 아니다.
• 모델은 미세구조 기술자(예: 결정립 크기, 석출물 분포)를 입력값으로 명시적으로 포함하지 않으므로, 훈련에 사용된 특정 실험 영역에 적용이 제한된다.

결론적으로, 본 연구는 ML 예측을 전통적인 크리프 역학 및 사후 크리프 손상 특성 분석과 결합하는 것이 단일 접근 방식보다 크리프 거동을 분석하는 데 있어 더 강력하고 물리적으로 정보가 풍부한 방법을 제공한다고 상정한다.