주조 공정용 데이터 모델 – 성능, 검증 및 과제

본 소개 자료는 "[Data Models for Casting Processes – Performances, Validations and Challenges]" 논문을 바탕으로 "[IOP Publishing]"에서 발행되었습니다.

Figure 2. HPDC machine at LKR laboratory with its typical numerical simulation
Figure 2. HPDC machine at LKR laboratory with its typical numerical simulation

1. 개요:

  • 제목: Data Models for Casting Processes – Performances, Validations and Challenges (주조 공정용 데이터 모델 – 성능, 검증 및 과제)
  • 저자: A M Horr, R Gómez Vázquez, and D Blacher
  • 발행 연도: 2024년
  • 발행 학술지/학회: IOP Conference Series: Materials Science and Engineering
  • 키워드: 데이터 기반 모델, 데이터 학습, 데이터 훈련, 경금속 주조 공정, 수직 다이렉트 칠 캐스팅, HPDC 응용, 데이터베이스 구축, 데이터 변환, 샘플링, 실시간 모델 구축, 검증, 데이터 솔버, 인터폴레이터, 머신 러닝 기법.

2. 초록:

데이터 기반 모델과 관련된 데이터 학습 및 훈련 기법은 경금속 주조 공정에 활용될 수 있습니다. 본 논문은 수직 다이렉트 칠 캐스팅 및 고압 다이캐스팅(HPDC) 응용 분야를 위한 데이터 훈련 및 학습 연습과 함께 데이터 모델 구축 프로세스의 기초를 제시합니다. 효율적인 데이터베이스 구축, 데이터 변환 및 샘플링, 실시간 모델 구축 및 검증 개념에 대해 간략하게 논의합니다. 엄격한 성능 연구는 두 가지 실제 사례 연구에 대해 추가적으로 수행되었습니다. 모델 구축 기법에는 다양한 데이터 솔버 및 인터폴레이터 조합이 적용되었으며, 데이터 훈련에는 머신 러닝 기법이 사용되었습니다.

3. 서론:

데이터 기반 및 하이브리드 물리-데이터 기반 기술은 공정 모델링 방식을 보다 디지털 지향적이고 사이버 기반 제조 공정으로 전환시키고 있습니다. 이러한 디지털화 전환은 더 빠르고 효과적인 모델링을 통해 에너지 효율성, 생산성 및 혁신을 촉진합니다.

주조 공정은 금속 및 플라스틱 부품을 제조하는 데 사용되어 온 가장 전통적인 재료 공정 중 하나입니다. 알루미늄 및 마그네슘과 같은 경금속의 경우, 다양한 주조 공정이 합리적인 강도의 고품질 부품을 생산하는 데 사용됩니다 [1].

데이터 실시간 및 축소 모델은 초기 설계 속도를 높이고 주조 기계를 제어함으로써 이러한 주조 공정의 디지털화에 중요한 역할을 할 수 있습니다 [2]. 이는 새로운 공정 설계를 위한 다운타임 준비 및 비용이 많이 드는 반복적인 시행착오를 줄이는 동시에 재료 및 비용을 절약할 수 있습니다 [3]. 연속 다이렉트 칠 캐스팅과 같은 재료 공정을 개선할 수 있는 다양한 기회가 있습니다. 예를 들어, 새로운 주조 설정(예: 합금 성분)을 계획하거나 적절한 매개변수 세트를 선택하는 동안입니다. 수치 시뮬레이션이 이러한 공정을 최적화하는 데 도움이 될 수 있지만, 단일 공정 매개변수 세트에 대한 결과를 평가하는 데는 계산 비용이 많이 듭니다 [4].

본 논문은 효율적인 데이터 모델 생성, 성능, 검증 및 주조 공정에 대한 과제에 대한 개요를 제시합니다. 데이터 학습 및 훈련 효과와 함께 적절한 데이터 솔버 및 인터폴레이터 조합의 역할이 검토되었으며, 적용 가능성 및 신뢰성 문제가 면밀히 조사되었습니다. 수직 다이렉트 칠 캐스팅(VDCC) 및 다중 사이클 고압 다이캐스팅(HPDC)의 두 가지 실제 사례 연구가 고려되었습니다. 공정 입력 매개변수 변동에 따른 응답 예측 및 추정 가능성이 추가 공정 최적화 및 제어를 위해 검토되었습니다.

4. 연구 요약:

연구 주제의 배경:

본 연구는 공정 모델링을 디지털 지향적 및 사이버 기반 제조로 전환하는 데 있어 데이터 기반 및 하이브리드 물리-데이터 기반 기술의 중요성이 증가하는 것을 다룹니다. 전통적인 재료 공정인 주조는 데이터 모델을 통한 디지털화가 에너지 효율성, 생산성 및 혁신을 향상시킬 수 있는 영역으로 확인되었습니다.

기존 연구 현황:

정교하고 다중 물리적 유한 요소(FE) 및 전산 유체 역학(CFD) 기술을 사용하는 수치 시뮬레이션이 주조 공정 모델링에 활용되지만, 특히 다양한 공정 매개변수를 평가하는 데 계산 비용이 많이 듭니다. 이러한 제한은 신속한 공정 최적화 및 설계를 방해합니다.

연구 목적:

본 논문의 목적은 주조 공정을 위한 효율적인 데이터 모델의 생성, 성능, 검증 및 과제에 대한 개요를 제공하는 것입니다. 데이터 솔버 및 인터폴레이터의 역할, 데이터 학습 및 훈련의 효과, 주조에서의 데이터 모델의 적용 가능성 및 신뢰성을 조사합니다.

핵심 연구:

본 연구의 핵심은 수직 다이렉트 칠 캐스팅(VDCC)과 다중 사이클 고압 다이캐스팅(HPDC)이라는 두 가지 개별 주조 공정에 대한 사례 연구를 검토하는 것입니다. 본 연구는 다양한 데이터 솔버 및 인터폴레이터 조합을 검토하고 데이터 훈련을 위해 머신 러닝 기법을 사용하여 공정 응답을 예측하고 추정하는 데이터 모델의 잠재력을 탐구합니다. 본 연구는 산업 주조 응용 분야에서 이러한 데이터 모델의 성능, 검증 및 정확성을 면밀히 조사합니다.

5. 연구 방법론

연구 설계:

본 연구는 수직 다이렉트 칠 캐스팅(VDCC)과 고압 다이캐스팅(HPDC)이라는 두 가지 뚜렷한 주조 공정에 초점을 맞춘 사례 연구 접근 방식을 채택합니다. VDCC의 경우 오픈 소스 솔버 directChillFoam을 사용하는 유체-열 CFD 시뮬레이션 프레임워크가 설정되었습니다. HPDC의 경우 상용 CFD 패키지인 NovaFlow&Solid를 사용하여 시뮬레이션을 수행했습니다. 데이터 기반 모델링 기법이 두 사례 연구 모두에 적용되었습니다.

데이터 수집 및 분석 방법:

CFD 분석에서 얻은 오프라인 검증된 시뮬레이션 결과를 사용하여 데이터 모델 구축을 위한 데이터베이스를 생성했습니다. 데이터 분석을 위해 특이값 분해(SVD), 주성분 분석(PCA), 회귀 분석 및 클러스터링을 포함한 다양한 기법이 사용되었습니다. 크리깅, 방사 기저 함수(RBF) 및 역거리 가중법(InvD)과 같은 데이터 보간법이 활용되었습니다. 신경망 기법도 데이터 훈련을 위해 탐구되었습니다. 성능은 데이터 모델 예측과 CFD 시뮬레이션 결과를 비교하여 정확성과 신뢰성에 초점을 맞춰 평가했습니다.

연구 주제 및 범위:

본 연구는 VDCC 및 HPDC 공정에서 온도 변화를 예측하기 위한 데이터 모델을 구축하고 검증하는 데 중점을 둡니다. 범위는 다음을 포함합니다.

  • CFD 시뮬레이션 데이터를 사용한 주조 공정용 데이터베이스 구축.
  • 모델 구축을 위한 데이터 솔버(SVD, PCA) 및 인터폴레이터(크리깅, RBF, InvD)의 적용.
  • 머신 러닝(신경망)을 사용한 데이터 훈련 검토.
  • CFD 시뮬레이션에 대한 데이터 모델의 성능 평가 및 검증.
  • 데이터 민감도, 데이터베이스 크기 및 검증 엄격성과 관련된 주조 공정에 데이터 모델을 적용하는 데 있어 과제 및 한계 분석.

6. 주요 결과:

주요 결과:

  • 특히 크리깅 또는 InvD 인터폴레이터와 결합된 SVD를 사용하는 데이터 모델은 VDCC 및 HPDC 공정 모두에서 실시간 온도 예측의 잠재력을 보여줍니다.
  • VDCC의 경우 데이터 모델은 신뢰할 수 있는 온도 예측을 보여주었지만, 응고 전면 근처와 같이 열 기울기가 높은 영역에서는 정확도가 감소했습니다.
  • HPDC의 경우 제한된 데이터베이스 크기로 인해 데이터 모델은 온도 추세를 예측할 수 있었지만, 특히 응고 시간을 정확하게 예측하는 데 어려움이 있어 주기적인 온도 예측에서 시간 이동이 나타났습니다.
  • 본 연구는 급변하는 데이터를 처리해야 할 필요성, 데이터베이스 크기 및 데이터 샘플링의 영향, 다양한 공정 조건에서 검증에 필요한 엄격성을 포함하여 주조 공정에 데이터 모델을 적용하는 데 있어 과제를 강조했습니다.
  • 신경망 훈련은 정확성과 신뢰성을 향상시킬 수 있는 잠재적인 방법으로 제시되었습니다.
Figure 1. schematic views of; a) vertical; b) horizontal and c) curved die chill casting processes
Figure 1. schematic views of; a) vertical; b) horizontal and c) curved die chill casting processes
Figure 3. Basic contour results used to generate main database; a) 2D contours from simulation scenarios; b) Data processing strategy to minimize sudden thermal discontinuities between rows; c) Side view of wedge domain.
Figure 4. Typical CFD results for multi-cycle temperature time-history for HPDC process (six illing cycles)
Figure 4. Typical CFD results for multi-cycle temperature time-history for HPDC process (six illing cycles)
Figure 8. Time-history temperature results with overlying descending temperature curves; a) sensor 1, DOE 1 and; b) sensor 4, DOE 2.
Figure 8. Time-history temperature results with overlying descending temperature curves; a) sensor 1, DOE 1 and; b) sensor 4, DOE 2.
Figure 7. Time-history temperature results for CFD and data models at; a) sensor 1 and; b) sensor 4
Figure 7. Time-history temperature results for CFD and data models at; a) sensor 1 and; b) sensor 4
Figure 6. Normalised error for computational points along contour lines; a) DOE2 and b) DOE3.
Figure 6. Normalised error for computational points along contour lines; a) DOE2 and b) DOE3.
Figure 5. Temperature results for computational points along contour lines; a) DOE2 and; b) DOE3.
Figure 5. Temperature results for computational points along contour lines; a) DOE2 and; b) DOE3.

그림 이름 목록:

  • Figure 1. schematic views of; a) vertical; b) horizontal and c) curved die chill casting processes (그림 1. 개략도; a) 수직; b) 수평 및 c) 곡선형 다이렉트 칠 캐스팅 공정)
  • Figure 2. HPDC machine at LKR laboratory with its typical numerical simulation (그림 2. 일반적인 수치 시뮬레이션을 갖춘 LKR 연구소의 HPDC 기계)
  • Figure 3. Basic contour results used to generate main database; a) 2D contours from simulation scenarios; b) Data processing strategy to minimize sudden thermal discontinuities between rows; c) Side view of wedge domain. (그림 3. 주요 데이터베이스 생성에 사용된 기본 윤곽선 결과; a) 시뮬레이션 시나리오에서 얻은 2D 윤곽선; b) 행 사이의 갑작스러운 열 불연속성을 최소화하기 위한 데이터 처리 전략; c) 쐐기 도메인의 측면도.)
  • Figure 4. Typical CFD results for multi-cycle temperature time-history for HPDC process (six filling cycles) (그림 4. HPDC 공정(6회 충전 사이클)에 대한 다중 사이클 온도 시간 이력에 대한 일반적인 CFD 결과)
  • Figure 5. Temperature results for computational points along contour lines; a) DOE2 and; b) DOE3. (그림 5. 윤곽선을 따라 계산 지점에 대한 온도 결과; a) DOE2 및; b) DOE3.)
  • Figure 6. Normalised error for computational points along contour lines; a) DOE2 and b) DOE3. (그림 6. 윤곽선을 따라 계산 지점에 대한 정규화된 오차; a) DOE2 및 b) DOE3.)
  • Figure 7. Time-history temperature results for CFD and data models at; a) sensor 1 and; b) sensor 4 (그림 7. a) 센서 1 및 b) 센서 4에서 CFD 및 데이터 모델에 대한 시간 이력 온도 결과)
  • Figure 8. Time-history temperature results with overlying descending temperature curves; a) sensor 1, DOE 1 and; b) sensor 4, DOE 2. (그림 8. 하강 온도 곡선이 겹쳐진 시간 이력 온도 결과; a) 센서 1, DOE 1 및 b) 센서 4, DOE 2.)

7. 결론:

재료 공정 모델링을 위한 데이터 모델의 활용은 기존 공정의 최적화를 향상시키고 미래 공정 설계를 가속화할 수 있습니다. 본 논문에서는 이러한 빠른 데이터 모델과 관련된 성능, 검증 및 과제를 면밀히 조사하여 재료 주조 공정에 대한 정확성과 성능을 평가했습니다.

원고의 첫 번째 부분에서는 다이렉트 칠 캐스팅 및 HPDC 공정과 이들의 모델링 및 시뮬레이션 기법에 대한 간략한 표현을 설명하고 이러한 공정의 일부 기술적 특성을 논의했습니다. 주조 공정 데이터 모델의 기본 개념과 관련된 데이터베이스 구축 기법을 다음에 제시하고 데이터 솔버-인터폴레이터 조합의 효율적인 사용에 대해 논의했습니다.

논문의 다음 부분에서는 VDCC 및 HPDC 다중 사이클 충전 공정에 대한 두 가지 산업 사례 연구를 설명하고 기술적 모델링 과제를 검토했습니다. 원고의 마지막 부분에서는 공정 데이터 모델의 성능, 검증 및 정확성을 면밀히 조사했으며, 여기서 이러한 빠른 모델의 활용과 관련된 주요 과제를 논의했습니다.

제시된 결과로부터 데이터 솔버와 인터폴레이터의 적절한 조합이 만족스러운 결과를 생성할 수 있음을 알 수 있습니다. 그러나 주조 공정 중 높은 가열/냉각 속도 문제는 데이터 모델에 어느 정도 문제가 될 수 있습니다.

그럼에도 불구하고 추가적인 데이터 훈련 및 학습을 통해 높은 기울기 가열/냉각 속도를 갖는 공정에서도 더 나은 결과를 얻을 수 있습니다. 최고의 성능 "솔버-인터폴레이터" 조합에 대한 보다 자세한 조사의 결과는 향후 간행물의 주제가 될 것입니다.

8. 참고 문헌:

  • [1] Luo, A. A. (2021). Recent advances in light metals and manufacturing for automotive applications. CIM Journal, 12(3), 79-87. https://doi.org/10.1080/19236026.2021.1947088.
  • [2] Horr A. M. (2021). Optimization of Manufacturing Processes Using ML-Assisted Hybrid Technique, Journal of Manufacturing Letter, https://doi.org/10.1016/j.mfglet.2021.10.001.
  • [3] Horr A. M. (2020). Notes on New Physical & Hybrid Modelling Trends for Material Process Simulations, Journal of Physics: Conference Series, 1603(1), https://doi.org/10.1088/1742-6596/1603/1/012008.
  • [4] Weckman D.C., Niessen P. (1982). A numerical simulation of the D.C. continuous casting process including nucleate boiling heat transfer. Metall Trans B 13, 593-602. https://doi.org/10.1007/BF02650017.
  • [5] Horr A. M, Kronsteiner J. (2021). Dynamic material process simulations: Hybrid-evolving technique, Journal of Metals, 11(12), 1884; https://doi.org/10.3390/met11121884.
  • [6] Horr, A.M.; Kronsteiner, J. (2020). On Numerical Simulation of Casting in New Foundries: Dynamic Process Simulations. Metals, 10, 886. https://doi.org/10.3390/met10070886.
  • [7] Lebon B. (2023). directChillFoam: an OpenFOAM application for direct-chill casting. Journal of Open Source Software, 8(82), 4871, https://doi.org/10.21105/joss.04871.
  • [8] OpenFOAM-10 (2022). The OpenFOAM Foundation: https://openfoam.org.
  • [9] Vreeman C.J., Schloz J.D. & Krane M.J.M. (2002). Direct Chill Casting of Aluminium Alloys: Modelling and Experiments on Industrial Scale Ingots, J. Heat Transfer 124 947-953. https://doi.org/10.1115/1.1482089.
  • [10] directChillFoam Documentation. (2023). https://blebon.com/directChillFoam.
  • [11] NovaFlow&Solid (2022). NovaCast Systems AB. https://www.novacast.se/product/novaflowsolid/.

9. 저작권:

본 자료는 상기 논문을 요약한 것이며, 상업적 목적으로 무단 사용하는 것을 금지합니다.
Copyright © 2025 CASTMAN. All rights reserved.

PDF View
Tags: Applications; ,CAD; ,CFD; ,Computational fluid dynamics (CFD); ,Die casting; ,Efficiency; ,High pressure die casting; ,High pressure die casting (HPDC); ,생산성