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
- 그러므로 본 연구에서는 780MPa급 고강도 강판에 대하여 다양한 두께 조합에 대한 저항 점 용접 시뮬레이션을 통해 용접부의 강도를 예측할 수 있는 모델을 개발하였다. 이를 위하여 먼저 시뮬레이션의 신뢰성을 확보하기 위하여 시뮬레이션 결과와 용접 실험 결과를 비교하였다.
- 본 논문에서는 저항 점 용접부의 인장전단강도를 예측할 수 있는 모델을 개발하였다. 일반적으로 실험은 그 조건에 따라 이산(discrete)의 조건에 대한 정보를 얻을 수 밖에 없다.
- 본 연구는 동력기계 중 대표적인 자동차의 엔진 효율 극대화를 위한 차량 경량화에 적용되는 DP 780 강판의 저항 점 용접 특성을 시뮬레이션을 통하여 확인하였다. 이를 위하여 FEM 시뮬레이션을 통하여 1.
- 본 연구에서는 용접부의 품질을 대표할 수 있는 인장전단강도를 예측하기 위하여 회귀 분석을 사용하여 모델을 개발하였다. 사용된 모델의 형태는 2차 다항 회귀모델(second order polynomial regression model)로 그 식은 식 (1)과 같다.
제안 방법
- 또한 다양한 용접 조건에 따라 780MPa급 판재의 시뮬레이션을 수행하였으며, 이를 이용하여 로브곡선을 얻을 수 있었다. 각 용접 조건에서 얻어진 용접 강도를 예측할 수 있는 모델로 회귀분석을 2차 회귀모형을 제안하였고, 입력 인자를 최소화한 수정된 2차의 회귀모델을 제안할 수 있었다.
- 시뮬레이션에 사용된 주요 용접 공정변수는 전극 가압력을 200kgf에서 400kgf까지 100kgf씩 증가 시켰으며, 용접 전류는 3kA에서 11kA까지 1kA씩 증가 시켰고, 용접 시간은 12cycle 에서 24cycle까지 3cycle 씩 증가 시켜 시뮬레이션을 수행하였다. 각 조합마다 총 135가지의 조건으로 시뮬레이션을 진행하였으며, 총 405가지의 용접조건으로 시뮬레이션을 진행하였다. 또한 시뮬레이션의 시간적 절약을 위하여 상대적으로 높은 전류나 긴 용접시간이 설정되어 있어 과도한 발열로 인해 스패터가 발생하는 구간에 대하여 연속 두 번 스패터가 발생하면 멈추도록 설정하여 시뮬레이션을 진행하였다.
- 2차 다항 회귀모델의 경우 그 입력인자의 값이 많으므로 과대 적합(overfitting)의 위험이 있다. 그러므로 이를 극복하기 위해 통계적으로 유의성이 떨어지는 변수를 제거하여 최적화한 회귀 모델을 제안하였다. 본 연구에서는 모든 회귀 입력 변수를 대입하고 통계적으로 유의하지 않는 변수를 제거하는 후진 제거 방법을 이용하였고 이롤 통하여 2차 회귀모델을 최적화하였다.
- 4t를 이용하였다. 동종 및 이종 두께의 재료 조합으로 시뮬레이션을 진행하였다. 각 강판의 화학적 조성을 Table 1에 나타내었다.
- 이를 위하여 먼저 시뮬레이션의 신뢰성을 확보하기 위하여 시뮬레이션 결과와 용접 실험 결과를 비교하였다. 또한 다양한 용접 조건에 따라 780MPa급 판재의 시뮬레이션을 수행하였으며, 이를 이용하여 로브곡선을 얻을 수 있었다. 각 용접 조건에서 얻어진 용접 강도를 예측할 수 있는 모델로 회귀분석을 2차 회귀모형을 제안하였고, 입력 인자를 최소화한 수정된 2차의 회귀모델을 제안할 수 있었다.
- 4t 이종 두깨 강판에 대하여 로브곡선을 통하여 용접성을 판단하였다. 또한 시뮬레이션 결과를 근거로 하여 용접부의 인장전단강도를 예측할 수 있는 모델을 2차 다항 회귀 모델로 제안하였다. 많은 입력 인자로 인하여 과대 적합(overfitting)의 위험이 있어 이를 피할 수 있도록 후진 제거법을 도입한 최적화된 2차 다항 회귀모델을 제안하였다.
- 각 조합마다 총 135가지의 조건으로 시뮬레이션을 진행하였으며, 총 405가지의 용접조건으로 시뮬레이션을 진행하였다. 또한 시뮬레이션의 시간적 절약을 위하여 상대적으로 높은 전류나 긴 용접시간이 설정되어 있어 과도한 발열로 인해 스패터가 발생하는 구간에 대하여 연속 두 번 스패터가 발생하면 멈추도록 설정하여 시뮬레이션을 진행하였다.
- 또한 시뮬레이션 결과를 근거로 하여 용접부의 인장전단강도를 예측할 수 있는 모델을 2차 다항 회귀 모델로 제안하였다. 많은 입력 인자로 인하여 과대 적합(overfitting)의 위험이 있어 이를 피할 수 있도록 후진 제거법을 도입한 최적화된 2차 다항 회귀모델을 제안하였다. 두 모델의 예측 성능을 결정 계수와 평균 오차율로 평가하였으며 두 모델 모두 우수한 예측성능을 갖고 있음을 알 수 있다.
- 회귀모델의 예측 성능의 정량적 평가는 F-검증, 상관계수, 결정계수, 평균 오차율 등의 다양한 방법으로 수행한다. 본 연구에서는 각 모델에 대하여 결정계수(coefficient of determination: CoD) 및 평균 오차율(average error rate: AER)을 이용하여 각 모델에 대한 예측 성능을 평가하였다. 결정 계수와 평균 오차율의 식은 각각 식 (2)와 (3)과 같다.
- 로브곡선은 크게 3개의 영역으로 구성되며, 용접부 너겟의 크기나 혹은 인장전단강도가 기준보다 낮은 영역과 적정 용접영역 그리고 스패터가 발생하는 영역이다. 본 연구에서는 기준 전단인장 강도와 스패터 발생을 기준으로 3개의 판재 조합에 따라 로브곡선으로 저항 점 용접 시뮬레이션 결과를 구하였고 그 결과는 Table 2에서 4와 같다. 본 연구에서 사용된 기준 전단강도는 자동차사의 현장 라인에서 사용하는 기준을 이용하였다.
- 그러므로 이를 극복하기 위해 통계적으로 유의성이 떨어지는 변수를 제거하여 최적화한 회귀 모델을 제안하였다. 본 연구에서는 모든 회귀 입력 변수를 대입하고 통계적으로 유의하지 않는 변수를 제거하는 후진 제거 방법을 이용하였고 이롤 통하여 2차 회귀모델을 최적화하였다. 최적화된 식도 2차 회귀 모델과 같이 식 (1)과 같고, 이때 계수는 Table 6과 같다.
- 시뮬레이션에 사용된 주요 용접 공정변수는 전극 가압력을 200kgf에서 400kgf까지 100kgf씩 증가 시켰으며, 용접 전류는 3kA에서 11kA까지 1kA씩 증가 시켰고, 용접 시간은 12cycle 에서 24cycle까지 3cycle 씩 증가 시켜 시뮬레이션을 수행하였다. 각 조합마다 총 135가지의 조건으로 시뮬레이션을 진행하였으며, 총 405가지의 용접조건으로 시뮬레이션을 진행하였다.
- 또한 20℃ 의 냉각수가 4 L/min의 유량으로 전극 상하부에 흐르도록 경계조건을 설정하였다. 시뮬레이션은 현장에서 쓰이는 재료와 전극을 원통형 대칭(cylindrical symmetric) 모델의 형태로 구성하였으며, 또한 메쉬 모델은 4각 메쉬 형태를 이용하였다.
- 시뮬레이션 결과의 신뢰성을 평가하기 위하여 특정 용접 조건에 대하여 용접 실험결과와 시뮬레이션 결과를 비교하였다. 용접조건은 용접 시간 21cycle, 가압력 200kgf에 대하여 3~7kA 까지 5개의 전류에 대하여 비교하였다. DP780 1.
- 본 연구는 동력기계 중 대표적인 자동차의 엔진 효율 극대화를 위한 차량 경량화에 적용되는 DP 780 강판의 저항 점 용접 특성을 시뮬레이션을 통하여 확인하였다. 이를 위하여 FEM 시뮬레이션을 통하여 1.0t와 1.4t의 동종 강판과 1.0-1.4t 이종 두깨 강판에 대하여 로브곡선을 통하여 용접성을 판단하였다. 또한 시뮬레이션 결과를 근거로 하여 용접부의 인장전단강도를 예측할 수 있는 모델을 2차 다항 회귀 모델로 제안하였다.
- 그러므로 본 연구에서는 780MPa급 고강도 강판에 대하여 다양한 두께 조합에 대한 저항 점 용접 시뮬레이션을 통해 용접부의 강도를 예측할 수 있는 모델을 개발하였다. 이를 위하여 먼저 시뮬레이션의 신뢰성을 확보하기 위하여 시뮬레이션 결과와 용접 실험 결과를 비교하였다. 또한 다양한 용접 조건에 따라 780MPa급 판재의 시뮬레이션을 수행하였으며, 이를 이용하여 로브곡선을 얻을 수 있었다.
- 저항 점 용접 시뮬레이션을 위하여 Fig. 1과 같이 전극과 용접 강판을 모델링을 하였다. Fig.
- 저항 점 용접에서 로브곡선이라는 것을 이용하여 용접성을 평가한다. 로브곡선은 크게 3개의 영역으로 구성되며, 용접부 너겟의 크기나 혹은 인장전단강도가 기준보다 낮은 영역과 적정 용접영역 그리고 스패터가 발생하는 영역이다.
대상 데이터
- 1에서 보는 바와 같이 강판은 중앙에 겹쳐 있으며 상하부로 전극이 맞닿아 있는 형태이다. 모델링에 사용된 전극은 돔(Dome)형 전극으로 자동차에 저항 점 용접을 실시할 때 가장 많이 사용하는 전극 형상이며 재질은 CuCr 합금으로 하였다. 또한 20℃ 의 냉각수가 4 L/min의 유량으로 전극 상하부에 흐르도록 경계조건을 설정하였다.
- 본 연구에서는 용접부의 품질을 대표할 수 있는 인장전단강도를 예측하기 위하여 회귀 분석을 사용하여 모델을 개발하였다. 사용된 모델의 형태는 2차 다항 회귀모델(second order polynomial regression model)로 그 식은 식 (1)과 같다.
- 시뮬레이션에 사용된 재료는 AHSS의 강재 중 하나인 DP780을 기준으로 하여 시뮬레이션을 수행하였으며 두께는 1.0t와 1.4t를 이용하였다. 동종 및 이종 두께의 재료 조합으로 시뮬레이션을 진행하였다.
데이터처리
- 각 회귀 모델의 예측 성능을 평가하기 위하여 예측된 값과 실제 값의 상관성을 그래프를 이용하여 표현하였다. Fig.
- 시뮬레이션 결과의 신뢰성을 평가하기 위하여 특정 용접 조건에 대하여 용접 실험결과와 시뮬레이션 결과를 비교하였다. 용접조건은 용접 시간 21cycle, 가압력 200kgf에 대하여 3~7kA 까지 5개의 전류에 대하여 비교하였다.
이론/모형
- 본 연구에서는 기준 전단인장 강도와 스패터 발생을 기준으로 3개의 판재 조합에 따라 로브곡선으로 저항 점 용접 시뮬레이션 결과를 구하였고 그 결과는 Table 2에서 4와 같다. 본 연구에서 사용된 기준 전단강도는 자동차사의 현장 라인에서 사용하는 기준을 이용하였다.
- 회귀모델의 예측 성능의 정량적 평가는 F-검증, 상관계수, 결정계수, 평균 오차율 등의 다양한 방법으로 수행한다. 본 연구에서는 각 모델에 대하여 결정계수(coefficient of determination: CoD) 및 평균 오차율(average error rate: AER)을 이용하여 각 모델에 대한 예측 성능을 평가하였다.
성능/효과
- 표에서 보는 바와 같이 최적화된 모델이 적은 변수로 거의 비슷한 예측 성능을 가짐을 알 수 있다. 2차 모형의 경우 많은 입력인자로 인하여 발생할 수 있는 과대 적합(overfitting)의 위험을 피하면서, 2차 모형과 거의 비슷한 예측성능을 갖는 것을 확인할 수 있으며, 두 모델 모두 우수한 예측성능을 갖고 있음을 알 수 있다.
- 많은 입력 인자로 인하여 과대 적합(overfitting)의 위험이 있어 이를 피할 수 있도록 후진 제거법을 도입한 최적화된 2차 다항 회귀모델을 제안하였다. 두 모델의 예측 성능을 결정 계수와 평균 오차율로 평가하였으며 두 모델 모두 우수한 예측성능을 갖고 있음을 알 수 있다.
- 19%이었다. 이를 통하여 적정용접조건 영역에 대한 시뮬레이션의 예측성능은 우수함을 알 수 있었다.
- 또한 같은 전류대나 시간일 때 가압력이 증가할수록 인장전단강도는 감소하게 되는데, 이는 전극 가압력이 늘어나면서 재료의 계면이 파괴, 연화되면서 계면 접촉저항이 줄어들어 발열량이 줄어들기 때문이다. 전극의 가압력이 200kgf, 300 kgf, 400 kgf로 늘어날수록 적정용접조건의 범위가 넓어지는 것을 확인할 수 있다. 이는 가압력이 증가하면서 접촉저항은 감소하여 높은 전류를 요구하여 하한선은 오른쪽으로 이동하고, 전극 가압력이 늘어나면서 용융금속의 분출압력보다 전극 가압력이 커지게 되면서 상한선 또한 오른쪽으로 이동하게 되는데 하한선보다 상한선이 이동하는 전류 폭이 크기 때문에 전체적으로 적정용접구간의 범위는 넓어지게 된다.
- 표에서 보는 바와 같이 용접부의 인장전단강도는 용접전류가 증가할수록, 용접시간이 늘어날수록 증가하는 것을 확인할 수 있다. 이는 접촉 저항에 의한 발열이 전류나 시간이 증가할수록 너겟 지름을 증가시키고 이에 따라 인장전단강도가 증가한다.
- 본 연구에서 제안한 모델에 대한 예측 성능은 Table 7과 같다. 표에서 보는 바와 같이 평균 오차율에서 2차 모형이 아주 미세하게 좀 더 우수한 예측 성능을 갖고 있음을 알 수 있다. 표에서 보는 바와 같이 최적화된 모델이 적은 변수로 거의 비슷한 예측 성능을 가짐을 알 수 있다.
후속연구
- 한편, 용접조건의 적정구간을 유추하기 위하여 인공 신경망으로 적정구간을 트레이닝 시키고 예측모델의 성능을 평가한 연구도 발표되었다5). 이러한 기존 연구는 실험을 바탕으로 한 것으로 소재 다양화에 적극적으로 대응할 수 없다는 한계가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.