한국 전통 유기 제작에서 결함을 방지하기 위한 기계 학습 기반의 공정 조건 선택 방안

Machine Learning-based Process Condition Selection Method to Prevent Defects in Korean Traditional Brass Casting

Abstract

본 연구에서는 전통 유기 주조 시 발생하는 미충전 결함을 방지하기 위하여, 주조 공정 조건 선택 방안을 제시하고자 한다. 공정 조건에 따라 발생하는 결함 유무를 학습하여 어떠한 공정 조건이 주어질 때, 결함 발생 여부를 예측하는 인공지능 모델을 개발하고 검증하였다. 이를 응용하여 적합한 공정 조건을 결정하였고, 추가적인 시뮬레이션의 결과를 상호 비교하여 결정된 조건을 검증하였다. 이를 통해 원하는 사형 모델에서 결함을 방지할 수 있는 주조 공정 조건을 결정할 수 있다. 이와 같은 기계학습 및 전통기술 표준화를 통해 향후 전통 유기의 스마트 공방화에 기여할 수 있을 것으로 판단된다.

In the present study, in order to prevent the misrun defects that occur during traditional brass casting, a method for selecting the proper casting process conditions is proposed. A learning model was developed and demonstrated to be able to learn the presence or absence of defects according to the casting process conditions and to predict the occurrence of defects depending on the certain process given. Appropriate process conditions were determined by applying the proposed method, and the determined conditions were verified through a comparison of different simulation results with additional conditions. With this method, it is possible to determine the casting process conditions that will prevent defects in the desired sand model. This technology is expected to contribute to realization of smart traditional brass farming workshops.

1. 서론

주석 22% 구리 78%의 청동합금을 사형 금형에 주조하여 제작하는 전통방식의 유기를 방짜유기라고 한다. 이와 같은 제조 방식은 삼국시대에 처음 등장한 것으로 알려져 있으면서 등장 이후 오랜 기간 장인들의 경험과 구전에 의존하여 전해져왔다 [1-3]. 최근 전통 유기의 소비와 관심이 늘어남에 따라 담금질 및 금속 조직과 관련된 연구가 진행되고 있다[4].

우수한 유기의 주조를 위해서는 쇳물을 붓고 식히는 기본적인 주조 과정에 대한 이해와 공정 조건의 정량화가 요구된다. 하지만 소수의 장인들의 구전으로 전해지는 전통기술의 특성상 일정한 주조 공정 조건을 갖기 어려우며, 전통기술 장인마다 개인의 경험이 더해져 정량화에 어려움을 격고 있다. 이와 같은 상황에서 유기에 결함이 발생하는 경우 어떠한 원인으로 인하여 발생한 결함인지 유추하는 것이 어렵다. 유기 주조의 결함은 쇳물의 온도와 주입 속도의 부적절함, 그리고 좁은 주입로로 인한 미충전이 주요 원인으로 작용된다. Fig. 1은 낮은 온도 등의 잘못된 주조 공정 조건에 의하여 미충전 결함이 발생한 유기이다. 이는 쇳물을 주입하는 도중 굳으며 충전을 막아 제품의 형태가 완전하지 못한 상태이다. 제품의 결함 빈도는 사형에 따라 다르지만 심한 경우 20%에 달하는 제품이 결함을 가진다 [5-8].

Fig. 1. Product with Misrun Defect in Sand Casting.

본 연구는 유기의 결함율을 낮추기 위한 머신러닝 기법을 적용한 공정 변수 선택 방안을 제시하였다 [9,10]. 공정 조건 변수와 결함 유무 결과데이터를 ANN (Artificial Neural Network, 인공신경망)모델을 통해 학습하였으며 주조 시뮬레이션을 통해 예측 모델을 검증하였다. 이를 통해 전통유기 주조 공정 조건을 표준화하여 생산성 증가 효과를 기대할 수 있으며 향후 전통유기의 스마트 공방을 위한 기틀이 되고자 한다.

2. 수치 해석 조건

2.1 주조 시뮬레이션 조건

전통 유기 생산에 사용되는 기본적인 사형 모형은 Fig. 2의 그림과 같으며, 이를 Fig. 3(a)와 같이 3D 모델링하여 상용 주조 해석 소프트웨어인 Anycasting Ver 6.3으로 사형 주조 시뮬레이션을 진행하였다 [11]. 시뮬레이션의 변수는 주조 공정 조건 중 주입 온도, 주입 속도, 게이트 두께, 제품 두께 총 4개의 조건을 설정하였다 [12]. 변수 값을 변화시키며 다양한 조건의 주조 공정 조건에서의 미충전 결함 유무를 해당 공정 조건의 시뮬레이션을 통해 도출하였다. 시뮬레이션을 통해 도출된 미충전 결함의 유무는 주조 공정 조건의 적합성을 평가하기 위한 인공지능 모델의 학습데이터로 사용하였다.

Fig. 2. Photo of Pouring of Molten Metal and Mold (Upper Plate) in Sand Casting.

Fig. 3. Sand Cast Design of Korean Traditional Brass Bowls: (a) Overall Shape and (b) Cross Section View in Plane A.

본 연구에서 선정된 사형에서 사용되는 주조 공정 조건의 각 변수는 주입 온도 980℃, 주입 속도 19mm/s, 유기의 두께 4.0mm, 게이트 두께 1.5mm이다. 이를 표준 공정 조건으로 정의하였다. 유기의 두께와 게이트의 두께는 Fig. 3(b)에 표기되었다. 주입온도는 쇳물을 사형에 주입하기 전 온도를 측정한 값이다. 주입 속도는 쇳물을 주입하는 시간과 제품의 부피, 게이트의 넓이를 고려하여 계산하였다.

결함 여부 판별을 위한 시뮬레이션을 진행하며 시간에 따라 쇳물이 사형 내부에 충전되는 과정 (Filling Time)을 확인하고 이때 미충전 부분이 있는 경우 결함으로 판정하였다[13,14]. Fig. 4(a)는 표준 공정 조건에서 사형 주조 시뮬레이션 결과이며 미충전이 발생하지 않는 것을 확인할 수 있다. Fig. 4(b)는 표준 공정 조건에서 주입 온도를 950℃로 변경하고, 나머지 변수는 유지한 모델의 해석 결과이다. 표준 공정 조건과 달리, 미충전 결함이 발생하는 것을 확인할 수 있다. 미충전은 Fig. 4(b)에 붉은색 타원으로 표시한 검정색 부분으로, 이 부분은 용탕이 도달하지 못한 채 응고가 진행됨을 나타낸다.

Fig. 4. Analysis of Sand Casting in Korean Traditional Brass Bowls Model: (a) Pouring Temperature 980℃ and (b) Pouring Temperature 950℃.

2.2 사형 열전도도

시뮬레이션의 결과는 재료의 물성에 따라 크게 달라진다[15]. 사형을 제작하며 사용되는 모래는 재질과 수분에 따라 물성이 큰 폭으로 변화한다. 그 중에서도 사형의 열전도도는 용탕의 냉각 속도에 큰 영향을 주므로, 본 연구에서는 역공학을 통하여 열전도도를 결정하였다 [16]. 즉, 선정된 사형의 냉각 속도를 측정하여 시뮬레이션과 비교하여 사형이 갖는 열전도도를 계산하였다. 역공학으로 사형의 열전도도를 결정하기 위하여 0.02W/(m·K)부터 0.06W/(m·K)까지 주조 해석을 진행하였다. 그리고 Fig. 5에 도시된 열전대의 위치에서 온도를 측정하였다. 시간에 따른 측정 온도의 변화를 해석 결과와 비교하였을 때 약 0.04W/(m·K)의 열전도도를 갖는 경우 공정 내부 온도를 잘 따라 가는 것을 확인할 수 있다. 이는 실제 모래의 열전도도보다 낮게 평가된 것이지만, 역공학으로 결정한 결과이므로, 그 값에 모래 이외의 각종 주변 효과, 예를 들면 주형 등의 영향도 포함된 것으로 간주되어야 한다. 사형과 용탕 사이의 열전달계수는 418.7W/(m·K)을 사용하였다.

Fig. 5. Position of The Thermocouple Sensor Located on the Lower Plate of the Mold.

Fig. 6. Comparison of Temperature Changes of The Center of Sand Mold Between Measurement and Computations.

3. 공정 조건 선택 알고리즘

3.1 인공신경망 모델

ANN (Artificial Neural Network, 인공신경망) 모델은 Fig. 7과 같이 Input Layer, Hidden Layer, Output Layer로 구성된다. 각 입력 노드들 x_i은 가중치 w_ij와 곱해지고, Bias b_i를 더해 출력 노드 y_i로 연결된다. 이 과정은 식 (1)과 같다. 출력 노드로 연결될 때, 활성 함수 f를 거치게 되며, 활성 함수의 특징에 따라 출력값의 특징이 결정된다 [17-19]. 예를 들어, 활성 함수의 함숫값이 0과 1 사이의 값 을 가진다면 해당 Layer의 출력 노드는 0에서 1 사이의 값 만 가질 수 있다. 또한, 가중치는 입력된 출력값과 식 (1)을 통해 계산되는 예측 출력 값의 오차를 계산하여, 이 오차를 최소화하는 방향으로 결정된다.

Fig. 7. Neural Network Architecture for Misrun Defect Predicting in Sand Cast.

각 주조 공정 조건에 대한 변수를 Input Layer로 갖고 각 층마다 128개의 요소를 갖는 3층의 Hidden Layer를 통해서 Output Layer인 결함 유무를 1, 0으로 나타내어 학습하였다. 다양한 값의 Input Layer에 따른 Output Layer를 학습하였다. 학습이 완료된 모델에서 Input Layer에 대한 Output Layer는 0에서 1사이의 값으로 나타나며 높을수록 결함 발생 가능성이 낮은 주조 공정 조건임을 나타낸다. Output Layer인 결과값이 0.5 이상인 경우 결과를 1, 0.5 미만인 0 일 것 예상하여 학습 자료를 통해 사전 예측을 진행하였을 때 98.7%의 재현율을 보이며 미충전 결함을 예상하였다.

각 공정 조건에 대하여 주입 온도 900~1,050℃ 구간을 25℃ 단위로, 주입 속도 15~20m/s 구간을 2.5m/s 단위로, 게이트 두께 1.25~2.00mm 구간을 0.25mm 단위로, 유기 두께 3.50~4.50mm 구간을 0.50mm 단위로 나눈 각각의 조건의 공정 조건을 사용하였다. 해당 조건에서 변수를 조합하여 총 50가지 해석을 진행하여 인공지능 학습데이터를 구성하였다.

y_j = f(Σw_ij · x_i + b_i)       (1)

3.2 인공지능 응용 기계학습 알고리즘

주입 속도가 충분히 빠르지 않거나 주입 온도가 충분히 높지 않은 것은 미충전 결함의 주요 원인이다 [20]. 또한 쇳물의 유동을 방해하는 좁고 복잡한 게이트 형상도 미충전 결함의 원인에 포함된다 [21]. 본 연구에서 결정한 주조 모델은 게이트와 제품의 두께가 충분히 넓지 않은 경우에 해당한다[22]. 따라서 미충전 결함에 큰 영향을 미치는 주입 온도, 주입 속도, 게이트 두께, 제품 두께를 변수로 다양한 조건에서 시뮬레이션을 진행하였다. 시뮬레이션 결과, 주조 공정 조건의 각 변수 값이 충분히 큰 경우 미충전 결함을 예방할 수 있었다 [23-25]. 하지만 각 변수가 증가함에 따라 발생하는 시간 소요, 추가공정 등의 추가 비용으로 생산 효율이 떨어지게 된다 [26]. 각 변수값이 과도하게 증가에 의하여 발생하는 부작용은 3.3절에서 후술하였다 [27]. 따라서 각 변수값을 최소화하며 미충전 결함이 발생하지 않는 주조 공정 조건을 찾도록 식 (2)와 같은 목표함수 F를 지정하여 위 인공지능 모델을 활용한 Fig. 8의 알고리즘을 적용하였다. 이를 이용하여 결함이 발생하지 않으며 생산효율을 개선할 수 있는 주조 공정 조건을 계산하였다.

Fig. 8. Flowchart to Find Proper Cast Process Conditions.

식 (2)에서 X_i는 Input Layer의 i번 째 요소 이며 이는 주조 공정 조건의 변수 중 하나를 의미한다. 서로 다른 주조 공정 조건의 시뮬레이션은 서로 다른 X_i값을 가진 시뮬레이션이다. i는 주조 공정 조건의 변수의 개수인 4이다. 목표함수 F는 다양한 주조 공정 조건의 시뮬레이션에서 각 변수가 기존 주조 공정 조건에 비하여 얼마나 작은 값을 가지는지 같은 비율로 평가하기 위한 값이다. 목표함수가 작을수록 생산 효율이 높지만 미충전 결함이 많이 발생한다.

\(\begin{aligned}F=\sum_{i=1}^{4} \frac{X_{i}-X_{i, \min }}{X_{i, \max }}\end{aligned}\)       (2)

인공지능 모델을 이용하여 주조 공정 조건에 따른 미충전 결함 결과를 학습한 뒤 이를 이용하여 적절한 주조 공정 조건을 찾도록 Fig. 8의 알고리즘을 이용하였다. 어떠한 주조 공정 조건을 Input Layer로 하여 학습된 모델의 Output Layer값이 0.9 이상을 만족하는지 확인함으로 미충전 결함이 발생하지 않는 주조 공정 조건인지 확인한다. 일반적으로 Output Layer값이 0.5 이상인 경우 결함이 없는 것으로 판단할 수 있지만 해당 값을 조정하여 더 보수적인 주조 공정 조건을 도출할 수 있다. 하지만 해당 값이 과도하게 높은 경우 제품의 생산 비용이 증가하는 단점을 가지고 있음으로, 작업자가 이를 필요에 의하여 조정할 수 있다. 이후 해당 조건을 만족하는 주조 공정 조건을 모두 확인하여 가장 낮은 목표함수를 갖는 값을 찾는다. 지정한 조건을 만족하며 동시에 가장 낮은 목표함수를 갖는 주조 공정 조건을 최종적으로 도출한다. 해당 값은 가장 적은 생산 비용으로 미충전 결함을 방지할 수 있는 주조 공정 조건으로 판단할 수 있다.

4. 결과 및 고찰

4.1 주조 시뮬레이션 결과 검토

선정한 사형 주조 모델에 해당 알고리즘을 적용하여 주조 공정 조건을 결정하면 주입 온도 965℃, 주입 속도 21mm/s, 게이트 두께 1.75mm, 제품 두께 3.7mm 임을 확인하였다. 추가적인 시뮬레이션을 진행하여 결함 예측 모델을 통해 구한 공정 조건이 적합한지 검증하였다. 위의 알고리즘을 통해 도출된 주조 공정 조건에서 주조 시뮬레이션을 진행한 결과 Fig. 9(a) 그리고 Fig. 9(c)와 같이 미충전 결함이 발생하지 않았다. 기존의 표준 공정 조건의 시뮬레이션 결과인 Fig. 9(b), Fig. 9(d)와 비교하였을 때, 두 경우 모두 미충전 결함이 발생하지 않지만 알고리즘을 통해 도출된 주조 공정 조건에서의 시뮬레이션 결과에서 최종응고시간이 더 짧아 높은 생산성을 갖는 것을 확인하였다. 추가적으로 알고리즘을 통해 도출한 주조 공정 조건을 표준으로 하여 주조 공정 조건의 요소가 각각 변화할 때의 시뮬레이션을 진행하여 발생하는 미충전 결함을 분석하고 주조 공정 조건의 적합성을 확인하였다.

Fig. 9. Analysis of Sand Casting: (a) In Calculated Condition by Algorithm, Filling Time, (b) In Traditional Condition, Filling Time, (c) In Calculated Condition by Algorithm, Solidification Time and (d) In Traditional Condition, Solidification Time.

알고리즘을 통해 도출된 주조 공정 조건을 기준으로 하여 주입 온도를 제외한 나머지 조건이 같도록 시뮬레이션을 진행하였다. 시뮬레이션 결과를 확인하였을 때 Fig. 10(a)의 그래프와 같으며 965℃보다 낮은 온도의 조건에서 미충전 결함이 발생하는 것을 확인하였다. Unfilled Volume은 각 주조 시뮬레이션 결과에서 미충전이 발생한 부피를 전체 제품의 부피로 나눈 값 백분율 값을 의미한다. 더 높은 온도의 조건에서 미충전 결함은 발생하지 않지만, 높은 생산성을 위해서는 소재의 가열에 드는 시간과 비용을 고려하여야 한다. 따라서 제품의 생산성을 고려하여, 결함이 발생하지 않는 최저 온도를 주조공정 조건이라 가정하였다. 이 와 같은 결과를 고려하였을 때 적합한 온도의 공정 조건을 도출하였다는 것을 알 수 있다.

Fig. 10. Misrun Defect Volume Rate: (a) According io Pouring Temperature, (b) According io Pouring Speed, (c) According io Ingate Thickness and (d) According io Product Thickness.

미충전 결함만을 고려하였을 때 주입속도가 빠를수록 유리하지만 주입속도가 빠른 조건에서는 와류 및 공기 유입으로 인한 기포 결함이 발생한다 [28]. 안정적인 주조를 위하여 미충전이 발생하지 않는 한계에서 가장 느린 주입 속도를 확인하는 것을 목표로 하였다 [29]. 인공지능을 활용한 알고리즘을 통해 도출된 주조 공정 조건을 기준으로 주입 속도만을 변화시키며 시뮬레이션을 진행하였을 때 결과는 Fig. 10(b)와 같으며 기준보다 더 낮은 주입 속도에서는 미충전 결함이 발생하였다.

선정된 모델의 방짜유기의 경우 생산 시 사형에 쇳물 주입 후 제품이 응고되면 분리하는 과정에서 물리적인 충격을 가하여 제품과 제품을 제외한 나머지 부분을 분리하게 된다. 이때 게이트가 얇을수록 쉽게 제품을 분리할 수 있어 생산에 유리하며 게이트가 심하게 두꺼운 경우 제품을 분리하는 추가적인 공정이 요구된다. 하지만 미충전 결함만을 방지하려하는 경우, 게이트 두께는 클수록 유리하다 [30]. 알고리즘을 통해 도출된 주조 공정 조건을 기준으로 게이트 두께만을 변화시키며 시뮬레이션을 진행하였을 때 결과는 Fig. 10(c)와 같으며 더 얇은 두께의 게이트에서는 미충전 결함이 발생하였다.

제품의 두께가 얇을수록 주입로가 좁아져 미충전 결함이 발생하기 쉽지만, 제품의 두께가 두꺼운 경우 절삭 과정에서 필요 이상의 소재가 낭비된다. 따라서 얇은 두께를 가지며 미충전이 발생하지 않는 조건을 적합한 조건임을 알 수 있다. 알고리즘을 통해 도출된 주조 공정 조건을 기준으로 제품 두께만을 변화시키며 시뮬레이션을 진행하였을 때 결과는 Fig. 10(d)와 같으며 더 얇은 두께에서는 미충전 결함이 발생하였다.

각 변수의 변화에 따른 시뮬레이션을 진행한 결과, 인공지능을 활용한 알고리즘을 통해 도출한 조건은 목표함수를 최소화하며 미충전 결함을 방지할 수 있는 공정 조건임을 확인하였다. 이는 알고리즘을 통해 구한 공정 조건이 제품의 생산 비용을 최소로 절감하며 결함을 피할 수 있음으로 적합한 공정 조건임을 의미한다.

4.2 실험을 통한 결과 검토

도출된 공정 조건이 실제로 미충전 결함이 발생하지 않는 공정 조건임을 확인하기 위하여 해당 조건에서 주조 테스트를 진행하였다. 또한 고의적으로 미충전이 발생하는 공정 조건에서 주조 테스트를 진행하여 해당 인공지능 모델이 미충전 결함 발생 여부를 실제 주조 결과와 같이 예측할 수 있는지 확인하였다. 인공지능을 통해 도출된 공정 조건 (주입 온도 965℃, 주입 속도 21mm/s, 게이트 두께 1.75mm, 제품 두께 3.7mm) 에서 미충전이 없는 것을 그림 Fig. 11(a)와 같이 확인하였다. 추가로 이보다 낮은 주입 온도인 940℃로 나머지 조건을 같게 하여 고의적으로 미충전 결함이 발생하는 공정 조건에서 주조 테스트를 진행한 결과 그림 Fig. 11(b)와 같이 미충전이 발생하는 것을 확인하였다. 따라서 해당 알고리즘을 통해 판단한 미충전 결함의 결과가 실제 주조에서 결함의 결과와 일치하였다.

Fig. 11. Sand Casting Experiment (Pouring Speed 21 mm/s, Ingate Thickness 1.75 mm, Product Thickness 3.7 mm): (a) Pouring Temperature 965℃ and (b) Pouring Temperature 940℃.​​​​​​​

5. 결론

본 논문은 전통유기의 생산성과 충진 품질향상을 위해 기계 학습을 기반으로 한 주조 공정 조건 선택 방안에 대한 연구를 진행하였다. 기계 학습 모델로는 NN 모델을 활용하였으며, 사형 주조 시뮬레이션을 통해 학습 데이터를 생성하였다. Input Layer인 주조 공정 조건에 따라서 발생하는 미충전 결과를 Output Layer로 학습을 진행 하였고, 사전 예측을 진행하였을 때 98.7%의 예측 정확도를 보였다. 선정된 사형 주조 모델에서 적합한 값을 계산하였을 때 주조 공정 조건의 각 변수는 주입 온도 965℃, 주입 속도 21mm/s, 게이트 두께 1.75mm, 제품 두께 3.7mm임을 확인하였다. 도출된 주조 공정 조건을 검증하기 위하여 추가적인 검증용 시뮬레이션을 진행하였다. 예측 모델에서 계산된 값 보다 작은 값의 변수, 즉 더 적은 생산 비용을 가지는 주조 조건에 대한 해석에서는 미충전이 발생하였다. 따라서 예측 모델을 통해 도출된 공정 조건 값은 가장 적은 생산 비용을 가지며 미충전을 방지할 수 있는 주조 공정 조건의 변수 값임을 알 수 있다.

개발된 예측 모델 활용 시, 다양한 조건에서 진행되는 사형 주조에 대하여 적합한 주조 공정 조건을 결정할 수 있다. 제시된 모델로부터 주조 공정 조건의 변수를 제외하거나 추가하여 생산조건에 따라 응용할 수 있다. 미충진외에도 표면 결함, 기포 등 다양한 결함을 포함할 수 있는 추가적인 연구와 형상에 따른 주조 공정 조건 표준화를 통해 향후 전통 유기의 스마트 공방화에 기여할 수 있을 것으로 판단된다.

Conflict of interest

The authors declare that there is no conflict of interests regarding the publication of this article.

감사의 글

이 연구는 2022년도 산업통상자원부 및 산업기술평가관리원(KEIT) 연구비 지원에 의한 연구임 (20013060).