본 소개 자료는 "The 75th World Foundry Congress"에서 발표된 논문 "Integrated Computational Materials Engineering and Artificial Intelligence for Sustainable Casting Industry"를 기반으로 작성되었습니다.
![Figure 2 CALPHAD-based approach for alloy design[2]](https://castman.co.kr/wp-content/uploads/image-2325-1024x360.webp)
1. 개요:
- 논문 제목: Integrated Computational Materials Engineering and Artificial Intelligence for Sustainable Casting Industry
- 저자: Alan A. Luo, Diran Apelian
- 발행 연도: 2024
- 학술지/학회명: The 75th World Foundry Congress
- 키워드: metal casting; sustainability; integrated computational materials engineering (ICME); artificial intelligence (AI); machine learning (ML)
2. 초록:
전 세계 금속 주조 산업은 탄소 감축 및 탄소 중립과 관련된 막대한 지속 가능성 및 규제 문제에 직면해 있습니다. 통합 계산 재료 공학(Integrated Computational Materials Engineering, ICME) 기술과 최근 인공 지능(Artificial Intelligence, AI) 및 머신 러닝(Machine Learning, ML)의 호황에 힘입어 금속 주조품의 디지털 설계 및 제조는 산업이 이러한 문제를 극복할 수 있는 좋은 기회를 제공합니다. 본 발표에서는 ICME 접근법을 사용한 주조 합금 설계 및 공정 혁신의 몇 가지 예를 제공합니다. 또한 주조 품질 관리 및 물성 예측을 지원하는 AI/ML 도구의 적용 사례도 제시할 것입니다. 아울러 지속 가능한 성장을 위해 ICME와 AI/ML 도구를 결합하여 금속 주조 산업을 활성화하고 혁신할 수 있는 미래 기회에 대해 논의할 것입니다.
3. 서론:
금속 주조를 포함한 재료 및 제조 산업은 세계 경제의 근간이지만 기후 책임의 원인이기도 하므로, 탈탄소화는 탄소 완화 전략의 핵심 우선순위입니다. 2050년까지 기후 중립이라는 파리 기후 협정 목표를 달성하기 위해 미국, 중국, 유럽 연합을 포함한 주요 경제국들은 야심찬 배출량 감축 목표를 발표했습니다. 따라서 전 세계 주조 산업은 특히 자동차 산업과 같은 모든 부문의 고객들이 청정 에너지와 지속 가능한 생산으로 전환함에 따라 탄소 배출량 감축과 관련된 막대한 규제 및 지속 가능성 문제에 직면해 있습니다. 현재 산업 배출량의 상당 부분은 철강(24%) 및 알루미늄(3%) 생산에서 비롯됩니다. 그러나 이러한 금속의 재활용률은 놀라울 정도로 낮아 철강은 45%, 알루미늄은 30%에 불과합니다. 이러한 비재생 금속의 순환성을 높이고 제조 활동에서의 에너지 소비를 줄이는 것은 탄소 중립 사회와 순환 경제에 크게 기여할 것입니다. Figure 1은 1) 더 나은 재료 설계 및 제조/에너지 효율성을 통한 사용량 감소/연장; 2) 수리, 재사용, 재가공, 재생산 및 재활용 증가; 3) 제한적이지만 청정한 1차 재료 생산; 4) 비재생 재료의 최소 또는 무폐기를 통해 달성할 수 있는 재료 순환성 및 지속 가능성에 대한 비전을 보여줍니다.
4. 연구 요약:
연구 주제의 배경:
전 세계 금속 주조 산업은 탄소 감축 목표와 탄소 중립 추진으로 인해 상당한 지속 가능성 및 규제 압력에 직면해 있습니다. 자동차와 같은 주요 고객 부문은 청정 에너지로 전환하고 있으며, 공급업체에 지속 가능한 생산 관행을 요구하고 있습니다.
이전 연구 현황:
통합 계산 재료 공학(ICME)은 계산 도구를 통해 수집된 재료 정보를 엔지니어링 제품 성능 분석 및 제조 공정 시뮬레이션과 통합하는 방법론으로 부상했습니다. 이는 종종 균일한 재료 특성에 의존하는 전통적인 CAD/CAE/CAM 접근 방식과 대조됩니다. 인공 지능(AI)과 머신 러닝(ML)은 빠르게 발전하는 분야로, ML은 특정 목표에 대해 예측이나 결정과 같은 출력을 생성하는 시스템으로 정의됩니다. 주조 시뮬레이션 및 디지털 제조 도구는 점점 더 많이 채택되고 있습니다.
연구의 목적:
본 발표의 목적은 다음과 같습니다:
- ICME 접근법을 사용한 주조 합금 설계 및 공정 혁신의 예를 제공합니다.
- 주조 품질 관리 및 물성 예측을 지원하는 AI/ML 도구의 적용 사례를 제시합니다.
- 지속 가능한 성장을 향해 금속 주조 산업을 활성화하고 혁신하기 위해 ICME와 AI/ML 도구를 결합할 수 있는 미래 기회에 대해 논의합니다.
핵심 연구:
본 연구의 핵심은 금속 주조 산업의 지속 가능성 문제를 해결하기 위한 ICME 및 AI/ML 기술의 적용과 통합에 중점을 둡니다. 여기에는 고급 합금 설계(예: Figure 2에 표시된 재활용 알루미늄 합금) 및 공정 개발(Figure 3)을 위한 ICME 활용, 예측적 품질 관리, 물성 예측(예: Figure 4에 표시된 UTS 예측) 및 제조 공정 최적화를 위한 AI/ML 활용이 포함됩니다. 이 연구는 이러한 디지털 도구가 어떻게 재료 순환성, 에너지 효율성 및 전반적인 지속 가능성을 향상시킬 수 있는지 탐구합니다.
5. 연구 방법론
연구 설계:
본 논문은 금속 주조 산업 내 지속 가능성을 향상시키기 위한 통합 계산 재료 공학(ICME) 및 인공 지능/머신 러닝(AI/ML) 방법론의 적용을 논의하는 발표 및 검토 자료입니다. 혁신 및 적용 사례를 강조하고 미래 방향을 제시합니다.
데이터 수집 및 분석 방법:
본 논문은 다음의 사용 및 결과를 설명하고 참조합니다:
- 통합 계산 재료 공학 (ICME): 여기에는 합금 설계를 위한 CALPHAD (Calculation of Phase Diagrams) 기반 접근법(Figure 2에 예시됨)과 주조 설계, 제조 공정 모델, 미세 구조 모델 및 물성 모델을 통합하기 위한 프레임워크(Figure 3)가 포함됩니다. 이러한 모델은 계산 열역학, 동역학 및 공정 시뮬레이션에 기반합니다.
- 인공 지능 (AI) 및 머신 러닝 (ML): 여기에는 다이캐스팅의 극한 인장 강도(UTS) 예측(Figure 4) 및 양품과 공정 스크랩 식별과 같은 작업을 위해 신경망 모델과 같은 ML 알고리즘을 훈련시키기 위해 금속 주조 공정(예: 고압 다이캐스팅)에서 생성된 광범위한 데이터 세트의 사용이 포함됩니다.
연구 주제 및 범위:
본 논문에서 논의된 연구 주제 및 범위는 다음과 같습니다:
- 주조 합금(특히 2차/재활용 합금) 설계 및 주조 공정 개발을 위한 ICME의 적용.
- 금속 주조에서 주조 품질 관리, 재료 물성(예: UTS) 예측, 결함 제어, 예측 유지 보수 및 공급망 물류를 위한 AI/ML 도구의 사용.
- 지속 가능한 주조품의 다중 목표 최적화를 달성하기 위해 합금, 공정 및 부품 토폴로지의 공동 설계를 위한 ICME 및 AI/ML 도구 결합 가능성.
- 최종 목표는 이러한 고급 계산 및 데이터 기반 접근 방식을 활용하여 효율성을 개선하고 환경 영향을 줄이며 금속 주조 산업의 지속 가능성을 증진하는 것입니다.
6. 주요 결과:
주요 결과:
- ICME 기술은 재료 정보를 엔지니어링 제품 성능 및 제조 공정 시뮬레이션과 통합하여 금속 주조품의 디지털 설계 및 제조를 가능하게 합니다. 계산 열역학, 동역학 및 공정 모델을 기반으로 하는 ICME 모델은 위치별 미세 구조 및 물성 예측을 제공하여 균일한 재료 특성을 사용하는 기존의 CAD/CAE/CAM 접근 방식에 비해 개선된 기능을 제공합니다.
- CALPHAD 기반 방법과 같은 ICME 접근법은 구조용 다이캐스팅 응용 분야를 위한 2차(재활용) 알루미늄 합금 설계에 사용될 수 있습니다 (Figure 2).
- 주조 공정에서 얻은 광범위한 데이터 세트로 훈련된 AI/ML 도구는 주조 품질 관리 및 물성 예측을 지원하는 데 적용될 수 있습니다. 예를 들어, 신경망 ML 모델은 다이캐스팅의 극한 인장 강도(UTS)를 예측할 수 있으며(Figure 4), 양품 및 공정 스크랩 예측 모델링에 사용될 수 있습니다.
- 최근 개발된 대형 박육 다이캐스팅(giga-casting)은 ICME 도구와 결합될 때 금속 주조 산업의 지속 가능성을 향상시킬 수 있습니다.
- 금속 주조에서 AI/ML의 향후 응용 분야에는 결함 제어, 예측 유지 보수 및 공급망 물류가 포함됩니다.
- ICME와 AI/ML 도구를 결합하면 지속 가능한 주조품의 다중 목표 최적화를 위한 합금, 공정 및 토폴로지의 공동 설계 기회를 제공하여 금속 주조 산업의 활성화 및 혁신에 기여합니다.
그림 이름 목록:
![Figure 1 Vision of material circularity and manufacturingsustainability (modified, based on [1])](https://castman.co.kr/wp-content/uploads/image-2324.webp)
![Figure 3 ICME framework for casting design and process development
[3]](https://castman.co.kr/wp-content/uploads/image-2326-1024x500.webp)
- Figure 1 Vision of material circularity and manufacturing sustainability (modified, based on [1])
- Figure 2 CALPHAD-based approach for alloy design [2]
- Figure 3 ICME framework for casting design and process development[3]
- Figure 4 Actual UTS testing data vs. the values predicted by the Neural Network model of die castings[5]
7. 결론:
금속 주조는 오랜 역사를 가지고 있음에도 불구하고 현재 탄소 발자국과 관련된 심각한 기술적, 사회적 문제에 직면해 있습니다. 산업계가 재활용 합금의 사용과 순환 재료 경제 개념을 수용하는 것이 필수적입니다. 이러한 문제를 극복하기 위해 주조 산업은 효율성을 개선하고 에너지 소비를 줄이기 위해 새로운 ICME 및 AI/ML 도구를 활용해야 합니다. 또한, 운송 산업이 청정 에너지 기술로 전환함에 따라 ICME 및 AI/ML이 중요한 역할을 할 수 있는 경량 및 고성능 주조품에 대한 기회가 발생할 것입니다.
8. 참고 문헌:
- [1] https://www.brunel.ac.uk/research/Centres/BCAST/About-us.
- [2] CinkilicE, RidgewayCD, YanX, Luo AA. Metall. Mater. Trans. A, 2019, 50A: 5945-5956.
- [3] LuoAA, SachdevAK, ApelianDJ. Mater. Process.Technol., 2022, 306: 117606.
- [4] https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf.
- [5] KopperA, Karkare, R, Paffenroth, RC, Apelian A. Integr. Mater. Manuf. Innov., 2020, 9: 287-300.
9. 저작권:
- 본 자료는 "Alan A. Luo, Diran Apelian"의 논문입니다. "Integrated Computational Materials Engineering and Artificial Intelligence for Sustainable Casting Industry"를 기반으로 합니다.
- 논문 출처: [DOI URL은 원본 문서에 제공되지 않음]. 2024년 10월 25-30일, 중국 쓰촨성 더양에서 개최된 제75회 세계 주조 대회(The 75th World Foundry Congress) 발표 논문.
본 자료는 위 논문을 바탕으로 요약되었으며, 상업적 목적의 무단 사용을 금합니다.
Copyright © 2025 CASTMAN. All rights reserved.