선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 선행연구에 이어 인장시험에서 획득한 SM45C 강에 대한 AE 신호를 상용코드로 후처리하고, 각 조건에 따른 AE 음원특성과 파괴거동에 대한고찰로부터 재료평가의 유용성에 대한 방안을 제시해보고자 한다.
제안 방법
- 선행연구에서는 인공결함이 없는 시험편 <Fig. 3(a)>에 견주어서 이미 시험편 자체에 원공결함이 있기 때문에 구간 Ie 1차 피크가 존재하는 초기 탄성 영역과 초기 소성영역으로, 구간 Ⅱ는 대체로 2차 피크가 존재하는 소성영역으S, 구간 HIe 시험편이 파단되는 영역으로 구분하였다. 그림에서 원공결함의 크기가 증가할수록 하중을 분담하는 부재의 단면적이 작아져 파단이 빨리 일어나며, 그때 부재에 작용하는 하중 또한 작기 때문에 AE 카운트 값도 점차 감소하는 경향을 보이고 있음을 알 수 있다.
- 그리고 만능재료시험기의 아날로그 출력단자로부터 읽어 들인 하중값이 AE 시스템의 계측 데이터와 함께 저장되도록 별도의 데이터 커넥터[11H12]를 만들어 사용하였으며, 각 시험편에 대하여 오실로스코프로 모니터링을 실시하였다.
- 2>는 본 연구에서 사용한 실험장치이다. 그림 내의 상세도와 같이 인공결함이 없는 시험편과 중앙에원공결함의 크기를 1.0, 2.5, 5.0, 7.5 및 10.0mm로 부여한 시험편에 Autograph 25~TG(Shimadzu, Japan) 만능재료시험기를 사용하여 모든 경우에 대하여 JSmnVmin 의 크로스헤드 속도로 정속 단순인장시험을 하였다.
- 또한 고진공 그리스를 사용하여 시험편에 각각의 센서를 압착한 후 샤프심 압절법으로 캘리브레이션(caHbn血n)을 실시하여 센서의 압착여부를 확인하고, 이렇게 해서 검출된 AE 신호를 주증폭기에서 2차 증폭하여 디지털 데이터로 저장한 후 신호분석을 하였다.
- 본 연구에서는 선행연구 결과의 유효.타당성 검증과 재료의 파괴거동에 따른 AE 음원특성에 대해 보다 상세히 알아보기 위해 사전에 비지도학습(unsupervised learning)의 일종인 Cluster Seeking 알고리즘에서 제시하는 군집의 수에 대해 알아보았다. 그 결과 Cluster Seeking에서 무작위로 제시하는 군집의 수는 개였으며, 이를 바탕으로 1차적으로 K-means 알고리즘을 사용하였다.
- 타당성을 검증하기 위하여 귀납적 기준으로 사용한 D&B(Rij)와 Tou 값은 Wilk X<0.01< 만족하는 경우에 대하여 D&B(Rij)는 최소 Tou는 최대인 값을 동시에 갖는 클래스를 군집의 수로 택하였다. 그 결과 Cluster Seeking에서 제시한 클래스의 수보다 1/2 이상 군집의 수를 줄이는 것이 가능하였다.
대상 데이터
- 본 연구에서 사용한 재료는 포스코(Posco) 에서 생산한 두께 6mm의 SMfiC 기계구조용 강판으로 KS B 0901 금속재료 인장시험편[9]의 5호 시험편 규격을 적용하였다. 또한 시험편은 NC 밀링을 사용하여 재료의 압연방향으로 시험편을 가공하였으며, 시험편의 기하학적 치수와 형상은 <Hg.
- 인장시험 중에 발생하는 AE 원신호(AE raw signal) 는 Spartan 2000 AE 시스템(PAC, USA)의 SP2-DAQ 모듈을 이용하여 획득하였고, 이 경우 1220A(대역필터 100~300kHz, 게인 40dB) 전치증폭기와 R15(공진주파수 150kHz) 공진역 센서를 각각 2개씩 사용하였다. 그리고 만능재료시험기의 아날로그 출력단자로부터 읽어 들인 하중값이 AE 시스템의 계측 데이터와 함께 저장되도록 별도의 데이터 커넥터[11H12]를 만들어 사용하였으며, 각 시험편에 대하여 오실로스코프로 모니터링을 실시하였다.
이론/모형
- 타당성 검증과 재료의 파괴거동에 따른 AE 음원특성에 대해 보다 상세히 알아보기 위해 사전에 비지도학습(unsupervised learning)의 일종인 Cluster Seeking 알고리즘에서 제시하는 군집의 수에 대해 알아보았다. 그 결과 Cluster Seeking에서 무작위로 제시하는 군집의 수는 개였으며, 이를 바탕으로 1차적으로 K-means 알고리즘을 사용하였다. 그리고 군집결과로 제시되는 조건별 각 클래스에 대하여 군집의 수를 줄이기 위해 지도학습 (supervised learning)의 일종인 k-NNC를 적용하여 그 타당성을 보였다-.
- 본 연구에서는 선행연구 결과의 유효 및 타당성 검증과 재료의 파괴거동에 따른 AE 음원특성에 대하여 알아보기 위해 먼저 K-means 알고리즘을 사용하였고, 그 군집결과로 제시되는 조건별 각 클래스에 대하여 군집의 수를 줄이기 위해 k-NNC를 적용하였다
성능/효과
- . k-NNC에 의한 결과, 인공결함이 없는 시험편의 경우에는 7(또는 12)개의 클래스, 원공결함이 1.0, 2.5, 5.0, 7.5 및 10.0mm인 시험편의 경우에는 각각 6, 6, 7, 6 및 5개의 클래스로 나타났고, 이로써 Cluster Seeking에서 제시한 군집의 수를 절반 이상으로 줄일 수 있었다
- 3>에서 나타난 시험편의 거시적 파단신호가 잘 분류됨을 확인할 수 있다. 결과적으로 Cluster Seeking 알고리즘에서 무작위로 제시한 군집의 수 안에서 k-NNC를 적용해도 무방함을 알 수 있다.
- 01< 만족하는 경우에 대하여 D&B(Rij)는 최소 Tou는 최대인 값을 동시에 갖는 클래스를 군집의 수로 택하였다. 그 결과 Cluster Seeking에서 제시한 클래스의 수보다 1/2 이상 군집의 수를 줄이는 것이 가능하였다. 따라서 이를 기반으로 적절한 그 밖의 수치적인 알고리즘을 찾는다면, AE 신호 분석에 대한 후처리의 시간적인 노력을 크게 줄일 수 있을 것으로 기대된다.
- 하지만 인공결함이 없는 경우와 달리 원공결함이 존재하는 경우, AE 카운트가 소성영역을 지난 후에도 지속적으로 빈번하게 발생하고 있는데, 이미 원공결함에서 파생된 크랙이 계속해서 부재에 영향을 미치기 때문인 것으로 판단하였다. 더불어 시험편이 파단될 때 발생하는 AE 카운트 수도 원공결함이 클수록 상대적으로 더 높은 값을 보임을 확인하였다.
- 01 보다 작은 값일 때 수렴하는 것으로 하였다. 또한, 본 연구에서 직접적으로 사용한 귀납적 기준(heuristic criteria)인 D&B(Rij)와 Tou 값은 각 그림에서 Wlk's AC0.01 을 만족하는 경우에 대하여 D&B(Rij)는 최소, Tou는 최대인 값을 갖는 클래스를 택하였고, 또한 두 기준 값의 높낮이가 서로 상반된 경향이 있음을 확인할 수 있으며, 적어도 군집 수가 4개 이상이 되어야 함을 미루어 짐작할 수 있다
- 또한, 원공결함이 5.0, 7.5 및 10.0 mm인 경우에 있어서 제시된 클래스의 수가 7—6T5로 감소하고 있으며, 특히 원공결함이 7.5mm인 경우에는 D&B(Rij)와 Tou 값의 기울기에 급격한 변화를 보이는 것으로 보아 시험편 내부에서 발생하는 AE 음원에서 현격한 변화가 있음을 짐작할 수 있고, 원공결함의 크기가 커질 수록파괴가 일어나는 시점이 빨라지고 그에 따라 획득된 AE 음원에 대한 분석결과 수렴하는 클래스의 수가 줄어드는 것으로 사료된다.
후속연구
- 그 결과 Cluster Seeking에서 제시한 클래스의 수보다 1/2 이상 군집의 수를 줄이는 것이 가능하였다. 따라서 이를 기반으로 적절한 그 밖의 수치적인 알고리즘을 찾는다면, AE 신호 분석에 대한 후처리의 시간적인 노력을 크게 줄일 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.