[논문]공구강의 고온 변형 거동 예측을 위한 모델 비교 연구

김근학; 박동성; 전중환; 이민하; 이석재

doi:10.12656/jksht.2018.31.4.180

공구강의 고온 변형 거동 예측을 위한 모델 비교 연구
Comparison Study of Prediction Models for Hot Deformation Behavior of Tool Steel 원문보기

열처리공학회지 = Journal of the Korean society for heat treatment, v.31 no.4, 2018년, pp.180 - 186

김근학 (전북대학교 신소재공학부) , 박동성 (전북대학교 신소재공학부) , 전중환 (한국생산기술연구원 융합공정소재그룹) , 이민하 (한국생산기술연구원 융합공정소재그룹) , 이석재 (전북대학교 신소재공학부)

Abstract ▼ AI-Helper

High temperature flow behaviors of Fe-Cr-Mo-V-W-C tool steel were investigated using isothermal compression tests on a Gleeble simulator. The compressive test temperature was varied from 850 to $1,150^{\circ}C$ with the strain rate ranges of 0.05 and $10s^{-1}$. The maximum height reduction was 45%. The dynamic softening related to the dynamic recrystallization was observed during hot deformation. The constitutive model based on Arrhenius-typed equation with the Zener-Hollomon parameter was proposed to simulate the hot deformation behavior of Fe-Cr-Mo-V-W-C steel. An artificial neural network (ANN) model was also developed to compare with the constitutive model. It was concluded that the ANN model showed more accurate prediction compared with the constitutive model for describing the hot compressive behavior of Fe-Cr-Mo-V-W-C steel.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Singh 등[11]은 높은 인(P)이 첨가된 합금강의 고온 변형 거동을 실험으로 측정하였다. 이를 바탕으로 인공 신경망 모델을 만들고 공정맵(process map)을 제시하여 최적의 변형 조건을 찾고자 하였다. Mirzaei와 연구자들[12]은 오스테나이트계 스테인리스강에 대해 동적 회복과 동적 재결정을 고려한 인공 신경망 모델에 대해 연구하였고, Ren 등[13]은 마르텐사이트계 스테인리스강의 고온거동을 인공 신경망 모델과 구성 방정식을 이용하여 모델링하고 비교하였다.
이번 연구에서는 저자들이 기존에 개발하였던 공구강의 고온 변형 거동에 대해 조사하였다[16]. 사용된 공구강의 화학 조성은 Fe-0.

제안 방법

본 연구에서는 역전파 학습알고리즘(Back Propagation Algorithm)의 다층 퍼셉트론 신경망 모델을 구축하였다[19]. Fig. 1과 같이 본 연구에서는 공구강의 고온 거동을 예측하기 위해서 입력층, 15개의 뉴런으로 구성된 은닉층, 그리고 출력층의 모두 3개의 층으로 구성된 모델을 사용하였다. 각 층의 뉴런들은 sigmoidal 함수등의 비선형함수를 통해 연결 강도를 전달한다.
고온 압축 시험은 0.05, 1, 10 s−1의 변형률 속도로 수행하였으며 압축 시험이 끝난 후 상온까지 공냉하였다.
이번 연구에서 Fe-Cr-Mo-V-W-C계 공구강의 고온변형 거동을 예측하기 위한 구성 방정식과 ANN 모델을 구축하였다. 다양한 실험 온도와 변형률 조건에서 압축 실험으로 구한 유동곡선을 이용하여 모델을 개발하였다. 구축된 구성 방정식은 평균제곱오차0.
하지만 합금 원소의 첨가량이 높은 공구강의 고온변형 거동을 예측하기 위한 구성 방정식이나 인공신경망 모델에 대한 연구는 현재 미흡한 상태이다.따라서 본 연구에서는 다양한 고온 조건에서 변형속도를 변화시켜 가면서 압축실험을 실시하고, 압축실험 데이터를 이용하여 구성 방정식과 인공 신경망 모델을 제시하고 예측 결과를 비교, 평가해 보았다.
일반적으로 ANN모델은 입력층, 출력층 그리고 은닉층으로 구성된다. 본 연구에서는 역전파 학습알고리즘(Back Propagation Algorithm)의 다층 퍼셉트론 신경망 모델을 구축하였다[19]. Fig.
시험 시편은 직경 10 mm, 높이 12 mm의 원통형 시편이다. 시험 시편을 10℃/s의 가열 속도로 1,050℃까지 가열한 후 5분간 유지하고 850~1,150℃ 사이 온도에서 압축 시험을 실시하였다. 1,050℃에서 등온 유지한 이유는 고온 압축 전 시편의 전위 밀도를 동일하게 낮추기 위함이다.
이번 연구에서 Fe-Cr-Mo-V-W-C계 공구강의 고온변형 거동을 예측하기 위한 구성 방정식과 ANN 모델을 구축하였다. 다양한 실험 온도와 변형률 조건에서 압축 실험으로 구한 유동곡선을 이용하여 모델을 개발하였다.

대상 데이터

이번 연구에서 고온 압축 실험으로부터 얻은 진응력-진변형률 곡선들로부터 216개의데이터를 얻었다. 그 중 임의로 선택된 173개의 데이터(전체 데이터의 80%)는 모델 학습에 사용됐고, 나머지 43개 데이터(전체 데이터의 20%)는 구축된 모델의 정확도를 검증하는데 사용하였다.
이번 연구에서는 저자들이 기존에 개발하였던 공구강의 고온 변형 거동에 대해 조사하였다[16]. 사용된 공구강의 화학 조성은 Fe-0.96%C-0.52%Si-0.5%Mn-6.09%Cr-2.87%Mo-0.5%W-0.4%V (in wt.%)이다. 고온 압축 시험은 Gleeble 3500을 이용하여 실시하였다.
고온 압축 시험은 Gleeble 3500을 이용하여 실시하였다. 시험 시편은 직경 10 mm, 높이 12 mm의 원통형 시편이다. 시험 시편을 10℃/s의 가열 속도로 1,050℃까지 가열한 후 5분간 유지하고 850~1,150℃ 사이 온도에서 압축 시험을 실시하였다.
구체적인 계산 과정은 기존의 여러 문헌들에서 쉽게 참고할 수 있다[8, 20]. 이번 연구에서 고온 압축 실험으로부터 얻은 진응력-진변형률 곡선들로부터 216개의데이터를 얻었다. 그 중 임의로 선택된 173개의 데이터(전체 데이터의 80%)는 모델 학습에 사용됐고, 나머지 43개 데이터(전체 데이터의 20%)는 구축된 모델의 정확도를 검증하는데 사용하였다.

데이터처리

Fig. 3에서 구성 방정식과 ANN모델을 이용한 예측 정확도를 평균제곱오차(R²)를 사용하여 비교하였다. 구성 방정식을 사용한 경우에 평균제곱오차 값은0.

이론/모형

구성 방정식으로 예측된 결과값들은 1,150℃ 온도에서의 예측 응력 변화를 제외하고 그보다 낮은 온도에 대해서는 실제 측정된 응력보다 전체적으로 낮은 값들을 나타냈다. 본 연구에서 사용된 구성 방정식은 일반적인 형태의 Zener Hollomon parameter를 사용하여 최적 계수를 실험데이터로부터 구하였다. 이와 같이 일반적인 형태의 수식을 사용하여 정확한 예측이 어려울 경우에는 사용된 수식 중 실험 강종의 동적 회복이나 동적 재결정 특성을 표현할 수 있도록 수식을 수정함으로써 예측 정확도를 높일 수는 있다[12, 22].

성능/효과

모든 온도 조건과 변형률 속도에 대해 ANN모델을 이용한 예측 결과가 구성 방정식을 이용한 예측 결과보다 실험값에 매우 가깝게 일치함을 확인하였다. 구성 방정식으로 예측된 결과값들은 1,150℃ 온도에서의 예측 응력 변화를 제외하고 그보다 낮은 온도에 대해서는 실제 측정된 응력보다 전체적으로 낮은 값들을 나타냈다. 본 연구에서 사용된 구성 방정식은 일반적인 형태의 Zener Hollomon parameter를 사용하여 최적 계수를 실험데이터로부터 구하였다.
반면에 ANN 모델의 경우 상대오차 범위는 −6%에서 +5%로 ±1% 범위에 약 87%의 데이터가 존재하였다. 따라서 유동곡선 비교, 평균제곱오차와 상대오차 비교 결과, 입력 변수와 결과 사이의 복잡한 비선형 관계를 고려할 수 있는 ANN모델이 여러 재료 상수들을 사용하여 계산한 구성 방정식보다 Fe-Cr-Mo-V-W-C계 공구강의 고온 변형 거동을 예측함에 있어 더 높은 예측 정확도를 보였다. 이ANN 모델은 유한요소해석의 고온 물성 데이터 구축이나 고온단조 조건 최적 조건을 찾기 위한 공정맵개발 연구들에 활용될 것으로 기대한다.
또한 온도가 증가하거나 혹은 변형률 속도가 느려질수록 유동 응력은 감소한다. 모든 온도 조건과 변형률 속도에 대해 ANN모델을 이용한 예측 결과가 구성 방정식을 이용한 예측 결과보다 실험값에 매우 가깝게 일치함을 확인하였다. 구성 방정식으로 예측된 결과값들은 1,150℃ 온도에서의 예측 응력 변화를 제외하고 그보다 낮은 온도에 대해서는 실제 측정된 응력보다 전체적으로 낮은 값들을 나타냈다.
뿐만 아니라 구성방정식에서는 오차범위 0~41% 구간에서 약 76%의데이터가 존재하는 반면, ANN 모델에서 ±1% 오차범위 구간에 약 87%의 데이터가 존재한다. 즉 상대오차 계산 결과를 통해서도 구성 방정식보다 ANN모델의 예측 정확도가 매우 높음을 확인할 수 있다.

후속연구

따라서 유동곡선 비교, 평균제곱오차와 상대오차 비교 결과, 입력 변수와 결과 사이의 복잡한 비선형 관계를 고려할 수 있는 ANN모델이 여러 재료 상수들을 사용하여 계산한 구성 방정식보다 Fe-Cr-Mo-V-W-C계 공구강의 고온 변형 거동을 예측함에 있어 더 높은 예측 정확도를 보였다. 이ANN 모델은 유한요소해석의 고온 물성 데이터 구축이나 고온단조 조건 최적 조건을 찾기 위한 공정맵개발 연구들에 활용될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	공구강은 무엇인가?	공구강은 고탄소, 고크롬계 합금으로 추가적으로Mo, V, W, Nb 등과 같은 강력한 탄화물 형성 원소를 포함하는 고합금강이다. 이들 공구강은 고온에서 냉각 후 템퍼링 처리를 통해 다양한 석출상들을 제어함으로써 높은 경도와 우수한 내마모성을 보인다[1-3].
	합금 원소의 첨가량이 높은 합금강의 열간 단조시 불량이 발생하는 원인은 무엇인가?	이들 공구강은 고온에서 냉각 후 템퍼링 처리를 통해 다양한 석출상들을 제어함으로써 높은 경도와 우수한 내마모성을 보인다[1-3]. 하지만 높은 탄소와 크롬 등의 첨가 원소들로 인해 응고 중 정출 탄화물이 존재하게 되고 고온에서도 상당량의 석출물이 존재하게 되는데 이는 고온에서의 변형성을 저하시켜 열간 단조 시 불량이 발생되는 원인이 되기도 한다. 따라서 합금 원소의 첨가량이 높은 합금강일수록 고온에서의 변형 거동을 정확하게 파악하는 것은 소재의 성공적인 열간 가공을 위해 매우 중요하다.
	공구강의 경도와 내마모성은 어떠한가?	공구강은 고탄소, 고크롬계 합금으로 추가적으로Mo, V, W, Nb 등과 같은 강력한 탄화물 형성 원소를 포함하는 고합금강이다. 이들 공구강은 고온에서 냉각 후 템퍼링 처리를 통해 다양한 석출상들을 제어함으로써 높은 경도와 우수한 내마모성을 보인다[1-3]. 하지만 높은 탄소와 크롬 등의 첨가 원소들로 인해 응고 중 정출 탄화물이 존재하게 되고 고온에서도 상당량의 석출물이 존재하게 되는데 이는 고온에서의 변형성을 저하시켜 열간 단조 시 불량이 발생되는 원인이 되기도 한다.

참고문헌 (22)

G. Roberts, G. Krauss, and R. Kennedy : Tool Steel, 5th edition, ASM International (1998) p. 13.
H. Park, D. Park, J. H. Jun, M. H. Lee, and S. J. Lee : Materials Research Express, 4 (2017) 116504.

상세보기
D. Park, J. H. Jun, M. H. Lee, and S. J. Lee : J. of Korean Society for Heat Treatment, 30 (2017) 156.
G. R. Johnson, and W. H. Cook : Proceedings of the 7th International Symposium on Ballistics, The Hague, Netherlands (1983), 541.
H. Y. Li, X. F. Wang, J. Y. Duan and J.J. Liu : Materials Science & Engineering A, 557 (2013) 138.
F. J. Zerilli and R. W. Armstrong : Journal of Applied Physics, 61 (1987) 1816.

상세보기
H. Zhang, W. Wen, H. Cui and Y. Xu : Materials Science and Engineering A, 527 (2009) 328.

상세보기
H. K. D. H. Bhadeshia: ISIJ International, 39 (1999) 966.

상세보기
W. Sha and K. L. Edwards: Materials & Design, 28 (2007) 1747.

상세보기
H. Y. Li, J. D. Hu, D. D. Wei, X. F. Wang, and Y. H. Li : Materials & Design, 42 (2012) 192.

상세보기
K. Singh, S. K. Rajput, and Y. Mehta : Materials Discovery, 6 (2016) 1.

상세보기
A. Mirzaei, A. Zarei-Hanzaki, M. H. Pishbin, A. Imandoust, and Sh. Khoddam : Journal of Materials Engineering and Performance, 24 (2015) 2412.

상세보기
F. Ren, J. Chen, and F. Chen : Transactions of Nonferrous Metals Society of China, 24 (2014) 1407.

상세보기
N. Haghdadi, A. Zarei-Hanzaki, A. R. Khalesian, and H. R. Abedi : Materials & Design, 49 (2013) 386.

상세보기
J. Zhao, H. Ding, W. Zhao, M. Huang, D. Wei, and Z. Jiang : Computational Materials Science, 92 (2014) 47.

상세보기
S. Kang, M. Kim, and S. J. Lee : Metals, 7 (2017) 12.

상세보기
C. Zener and J. H. Hollomon : Journal of Applied Physics, 15 (1994) 22.
C. M. Sellars and W. J. McTegart : Acta Metallurgica, 14 (1966) 1136.

상세보기
W. Lee and S. J. Lee : J. of Korean Society for Heat Treatment, 31 (2017) 1.
W. Sha and K. L. Edwards: Materials & Design, 28 (2007) 1747.

상세보기
R. Bobbili, B. V. Ramudu, and V. Madhu : Journal of Alloys and Compounds, 696 (2017) 295.

상세보기
K. Kim, M. Jung, and S. J. Lee : J. of Korean Society for Heat Treatment, 30 (2017) 187.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증