[붙임] 연구결과 개요

1. 연구배경

고강도 경량 알루미늄 합금은 자동차, 항공, 건설 분야에 이르기까지 광범위하게 사용이 되어 왔다. 최근에는 탄소 중립 2050을 실현을 위한 방안 중 한 가지로 미래 모빌리티의 차체 경량화의 중요성이 점차 커지고 있으며, 알루미늄 합금이 이를 뒷받침할 핵심적인 소재로 주목받고 있다.

7000계열 알루미늄 합금은 Al-Zn-Mg-Cu계 소재로 열처리 과정을 거치게 되어 알루미늄 합금 중에서 기계적 강도가 가장 높은 특징이 있어 항공기, 차량 등 비강도가 중요한 구조 재료에 널리 사용되고 있다. 일반적으로 Al-Zn-Mg-Cu계 합금에서 합금의 강도를 결정하는 미세조직을 제어하기 위하여 기타 여러 원소를 미량 첨가한다. 열처리를 포함한 여러 공정 조건 또한 기계적 특성을 향상 시킬 수 있는 미세조직이 적절하게 형성되도록 하는 데 중요한 역할을 한다.

기존의 합금 제작 과정은 수많은 공정 조건을 통제하며 시행착오를 통한 실험적 방식으로 진행되므로 시간과 비용이 매우 많이 들어가는 어려움이 있다. 이러한 개발의 어려움과 더불어 합금은 강도를 높이면 연성이 낮아지는 ‘상반 특성‘으로 인하여 충분한 연성을 지니면서도 최대한의 강도를 가지는 합금을 설계한다는 것은 굉장히 도전적인 일이다. 기존의 합금 설계 방식의 한계를 뛰어넘기 위해 최근에는 인공지능 알고리즘을 이용하여 합금의 기계적 특성을 예측하려는 연구가 활발히 보고되고 있지만, 공정에 필요한 모든 조건 데이터를 이용하여 기존의 합금보다 더 뛰어난 기계적 특성을 가진 새로운 고강도 합금을 예측하고, 이를 제작하여 실증한 사례는 보고되지 않았다.

2. 연구내용

연구에 사용된 알루미늄 공정 조건 데이터는 총 227개로 상용 데이터와 실험적으로 제작된 데이터로 구성되었다. 사용된 데이터는 7개의 합금 첨가 원소와 5가지의 공정 조건으로 구성되어있으며, 심층신경망 모델과 ‘설명 가능한 알고리즘’ (XAI)이 결합 된 기계적 특성 예측 모델에 9:1 비율로 각각 모델 트레이닝과 테스트에 사용되었다. 일반적으로 심층신경망 모델은 학습되는 데이터가 많을수록 예측 정확도가 높아지는 경향을 보여준다. 하지만 이번 연구에 사용된 데이터의 개수는 상대적으로 매우 적기 때문에 이를 극복하기 위하여 다양한 알고리즘 기법이 사용되었다. 첫 번째, ‘K 겹 교차 검증‘ 기법은 한정된 데이터를 교차로 바꿔가며 사용하기 때문에 모든 데이터를 모델 검증에 활용할 수 있다. 두 번째, ’베이지안 최적화‘ 기법을 사용한 하이퍼파라미터 튜닝은 가장 최적화된 성능을 가진 심층신경망 모델링을 위해서 사용되었다. 베이지안 최적화는 랜덤 서치 기법과 달리 불필요한 반복 탐색을 줄여 보다 빠르게 최적의 하이퍼파라미터를 찾을 수 있다. 이로써 본 연구에서 구축한 예측 모델은 90% 이상의 정확도로 기계적 특성을 예측하였다. 설명 가능한 알고리즘은 심층신경망 모델이 어떠한 기준으로 기계적 특성을 예측했는지 설명해주고, 이는 12개의 입력변수의 기여도를 정량적으로 보여준다. 설명된 첨가 원소와 공정 과정의 긍정적·부정적 기여도는 투과전자현미경 (TEM)을 이용한 미세조직 분석을 통하여 검증되었다.

마지막으로 인공지능이 향상된 기계적 특성을 가지는 합금 공정조건을 찾아낼 수 있는지 검증하기 위해서 추천 알고리즘을 구축하였고, 랜덤으로 추천된 공정조건 중 향상된 물성을 가지는 조합을 얻어 이를 실제로 제작하였다. 실제 제작된 두 시편은 모두 학습에 사용된 데이터의 항복 강도보다 높은 수치인 710MPa 이상의 강도를 지녔음에도 불구하고 약 20%의 높은 연성을 유지하였다. 기계적 특성과 추천된 공정 조건의 연관성을 입증하기 위해 실시된 미세조직·결정 구조·석출물 분석에서는 물성 향상에 기여 하는 MgZn2과 Al7Cu2Fe 석출 분포가 확인되었고, 열처리가 잘 이루어진 합금에서 나타나는 전형적인 섬유 구조가 동일하게 관찰되었다. 따라서 추천된 합금과 실제 합금의 미세구조와 잘 일치하였고, 이는 인공지능 모델의 높은 정확성을 입증하였다.

3. 기대효과

본 연구는 금속 제조 분야에 인공지능 기술을 결합하여 전통적인 합금 설계 방식보다 시간과 비용을 획기적으로 줄일 수 있는 새로운 패러다임을 제시할 것으로 기대되며 향후 탄소 중립 2050의 실현을 위한 미래 모빌리티용 고강도 경량 소재 개발 및 스마트 제조 기술의 발전에 크게 기여할 것으로 기대한다. 또한, 딥러닝 기법과 XAI를 결합하여 인공지능이 왜 그렇게 예측했는지 그 설명을 사용자에게 전달해 주고, 이는 곧 사용자에게 인공지능에 대한 높은 신뢰도를 제공해 줄 것으로 기대한다.

[붙임] 용어설명

1. 딥러닝 (Deep learning)

딥러닝은 여러 층을 가진 인공신경망 (Artificial Neural Network, ANN)을 사용하여 머신 러닝 학습을 수행하는 것으로 기계가 자동으로 대규모 데이터에서 중요한 패턴 및 규칙을 학습하고, 이를 토대로 의사 결정이나 예측 등을 수행하는 기술로 정의한다. 

2. 설명 가능한 인공지능 (eXplainable Artificial Intelligence, XAI)

설명 가능한 인공지능이란 해석 가능한 인공지능이라고도 하며, 인공지능 모델이 특정 결론을 내리기까지 어떤 근거로 의사 결정을 내렸는지를 알 수 있게 설명 가능성을 추가하는 기법이다. 인공지능에 설명 능력을 부여해 기계와 인간의 상호작용에 합리성을 확보할 수 있다.

3. K 겹 교차 검증 (K-fold cross validation)

k겹 교차 검증이란 딥러닝 학습에 충분한 데이터가 없을 때 한정된 데이터 세트를 k개로 나누어 하나씩 테스트 세트로 사용하고 나머지를 모두 합하여 트레이닝 세트로 사용하는 방법이다. 이로써 한정된 데이터의 100%를 테스트 세트로 사용하여 모델의 평가 지표에 편향이 생기는 것을 막을 수 있다.

4. 베이지안 최적화 (Bayesian Optimization)

베이지안 최적화는 어느 입력값을 받는 미지의 목적 함수를 상정하여 해당 함숫값을 최대로 만드는 최적의 해를 찾는 것을 목적으로 한다. 순차적으로 하이퍼파라미터를 업데이트해 가면서 평가를 통해 최적의 하이퍼파라미터 조합을 탐색할 수 있다.

[붙임] 그림설명

그림 1. 합금 공정 과정과 조성이 7000계열 알루미늄 합금의 미세구조 및 인장 특성에 미치는 영향

a: 7000계열 알루미늄 합금의 평형 상 부피율 대 온도 그래프

b: 다양한 공정 과정에 따른 합금의 미세구조 변화

c: 원소 조성분석 결과

d: 석출물 발달 과정

e: 알루미늄 기지재와 Al3Zr의 방위 관계 이미지

f: 공정 과정별 항복 응력-변형 곡선

g: 가공 알루미늄의 항복강도-연신율 그래프

h: FCC구조 알루미늄 내 아연, 마그네슘, 구리에 의한 항복강도 기여.

그림 2. 7000계열 알루미늄 합금의 미세조직 분석 결과

그림 3. 하이퍼파라미터 튜닝을 통한 딥러닝 모델의 성능 비교 및 예측 정확도

a: 하이퍼파라미터 조건별 학습 횟수 대비 오차값 비교

b: 5가지 하이퍼파라미퍼 조건 비교

c, d, e : 항복강도, 인장강도 및 연신율의 실험값과 예측값 비교

그림 4. 설명 가능한 인공지능(XAI)이 설명한 공정조건이 기계적 특성에 미친 영향도

a: 설명 가능한 알고리즘 도식표

b, c, d: XAI가 설명한 첨가 원소별 기계적 특성에 대한 긍정적/부정적 기여도

e, f, g: XAI가 설명한 공정조건별 기계적 특성에 대한 긍정적/부정적 기여도

그림 5. 추천된 공정조건으로 실제 제작된 합금의 미세조직 분석 결과

a: 주사전자현미경으로 분석된 추천 합금의 미세조직 구조

b: 추천 합금의 결정 구조 분석 결과

c: 추천 합금의 석출물 분석 결과