수중 습식 용접 최적화: 신경망을 활용한 용접 비드 형상 예측 및 공정 제어

이 기술 요약은 Joshua Emuejevoke Omajene 외 저자가 2014년 International Journal of Mechanical and Materials Engineering에 게재한 논문 “Optimization of underwater wet welding process parameters using neural network”을 기반으로 하며, STI C&D에서 기술 전문가를 위해 분석 및 요약했습니다.

키워드

• Primary Keyword: 수중 습식 용접 (Underwater wet welding)
• Secondary Keywords: 신경망 (Neural network), 용접 공정 최적화 (Welding process optimization), 용접 비드 형상 (Weld bead geometry), 역전파 알고리즘 (Backpropagation algorithm), 공정 파라미터 (Process parameter)

Executive Summary

• The Challenge: 수중 환경의 빠른 냉각 속도와 수압은 용접부의 품질을 저하시켜 해양 구조물의 신뢰성에 심각한 문제를 야기합니다.
• The Method: 인공 신경망(ANN) 학습 알고리즘을 적용하여 용접 전류, 전압, 속도, 수심 등 복잡한 공정 변수와 용접 비드 형상(폭, 용입, 덧살) 간의 관계를 모델링하고 최적화했습니다.
• The Key Breakthrough: 개발된 신경망 모델은 0.96 이상의 높은 R값(상관계수)으로 용접 비드 형상을 매우 정확하게 예측하여, 수중 환경 변화에 대응하는 견고한 용접 공정 제어의 가능성을 입증했습니다.
• The Bottom Line: 신경망 기반 최적화는 해양 건설 산업에서 요구되는 건전하고 일관된 품질의 수중 습식 용접을 달성하기 위한 효과적인 솔루션을 제공합니다.

The Challenge: Why This Research Matters for CFD Professionals

수중 습식 용접은 선박, 해양 시추 설비, 파이프라인 등 해양 구조물의 수리 및 유지보수에 필수적인 기술입니다. 그러나 공기 중에서 수행되는 일반 용접과 달리, 물속 환경은 여러 가지 기술적 난제를 안고 있습니다.

첫째, 용접부를 둘러싼 물은 용접 금속을 급격히 냉각시켜 연성과 인장 강도를 각각 50%, 20%까지 감소시킵니다. 이는 마르텐사이트(martensite)와 같은 취성이 높은 조직을 형성하여 용접부의 균열 민감도를 높입니다. 둘째, 수심이 깊어질수록 압력이 증가하여 용접 아크를 수축시키고 불안정하게 만듭니다. 이는 기공(porosity)과 같은 결함을 유발하여 용접부의 건전성을 해치는 주요 원인이 됩니다. 마지막으로, 수온과 수심에 따라 확산성 수소량이 증가하여 수소 유기 균열(hydrogen-assisted cracking)의 위험을 높입니다.

이처럼 복잡하고 예측하기 어려운 수중 환경에서 일관된 품질의 용접을 수행하기 위해서는 용접 공정 변수들을 정밀하게 제어하고 최적화하는 기술이 반드시 필요합니다. 본 연구는 이러한 산업적 요구에 부응하기 위해 인공 신경망이라는 강력한 도구를 활용하여 문제 해결에 접근했습니다.

The Approach: Unpacking the Methodology

본 연구는 수중 습식 용접 공정을 최적화하기 위해 인공 신경망(ANN, Artificial Neural Network) 접근법을 채택했습니다. 연구진은 다층 퍼셉트론(multilayer perceptron) 신경망 구조와 역전파(backpropagation) 학습 알고리즘을 사용하여 용접 공정의 입력 변수와 출력 결과 사이의 복잡한 비선형 관계를 모델링했습니다.

• 입력 변수 (Input Parameters): 모델의 입력으로는 용접 품질에 직접적인 영향을 미치는 5가지 핵심 공정 변수가 사용되었습니다.
  1. 용접 전류 (Welding Current, I)
  2. 용접 전압 (Welding Voltage, U)
  3. 용접 속도 (Welding Speed, v)
  4. 접촉 튜브-모재 간 거리 (Contact tube-to-work distance, D)
  5. 수심 (Water Depth, H)
• 출력 변수 (Output Parameters): 모델의 출력으로는 용접부의 건전성을 판단하는 핵심 지표인 용접 비드 형상(weld bead geometry)의 3가지 요소가 설정되었습니다.
  1. 비드 폭 (Bead width, W)
  2. 용입 깊이 (Penetration, P)
  3. 덧살 높이 (Reinforcement, R)

연구에 사용된 데이터는 Shi et al. (2013)의 실험 데이터를 기반으로 했으며(Table 1), 신경망은 40개의 뉴런을 가진 하나의 은닉층(hidden layer)으로 구성되었습니다. 학습 알고리즘으로는 대규모 네트워크 학습에 적합하고 과적합(overfitting) 문제를 피하는 데 유리한 SCG(Scaled Conjugate Gradient) 역전파 알고리즘이 사용되었습니다. 이 모델의 목표는 주어진 입력 변수 조건에서 원하는 출력 변수(용접 비드 형상)를 정확하게 예측하여 최적의 공정 조건을 도출하는 것입니다.

The Breakthrough: Key Findings & Data

연구진은 신경망 모델의 훈련, 검증, 테스트를 통해 수중 습식 용접 공정 최적화의 가능성을 입증하는 두 가지 핵심 결과를 도출했습니다.

Finding 1: 높은 정확도의 용접 비드 형상 예측 능력

신경망 모델의 성능을 검증하기 위해 회귀 분석을 수행한 결과, 모델의 예측값과 실제 목표값 사이에 매우 높은 상관관계가 있음이 확인되었습니다. Figure 6의 회귀 플롯은 훈련(Training), 검증(Validation), 테스트(Test) 모든 단계에서 모델의 우수한 성능을 보여줍니다.

• 훈련(Training): R = 0.99492
• 검증(Validation): R = 0.99998
• 테스트(Test): R = 0.96637
• 전체(All): R = 0.99219

R값(상관계수)은 1에 가까울수록 완벽한 예측을 의미합니다. 모든 경우에서 R값이 최소 0.96637 이상으로 나타나, 개발된 신경망 모델이 다양한 용접 조건에서도 비드 폭, 용입, 덧살을 매우 정확하게 예측할 수 있음을 입증합니다.

Finding 2: 안정적인 모델 학습 및 검증 성능

모델의 학습 과정은 Figure 5의 검증 성능 곡선(Validation performance curve)을 통해 분석되었습니다. 이 곡선은 학습이 진행됨에 따라 평균 제곱 오차(Mean Squared Error, MSE)가 어떻게 변화하는지를 보여줍니다.

• 학습은 1,123회의 반복(Epochs) 후에 중단되었으며, 최종 MSE는 0.00091499라는 매우 낮은 값을 기록했습니다.
• 훈련 곡선과 함께 검증 및 테스트 곡선이 유사한 패턴으로 감소하는 것은 모델이 데이터의 특정 패턴만 암기하는 과적합(overfitting) 문제 없이 일반화된 예측 능력을 성공적으로 학습했음을 의미합니다.

이 결과는 신경망 모델이 수중 습식 용접 공정의 복잡한 상호작용을 효과적으로 학습했으며, 실제 공정 제어에 적용될 수 있는 신뢰성을 갖추었음을 보여줍니다.

Practical Implications for R&D and Operations

본 연구 결과는 수중 습식 용접 공정과 관련된 다양한 분야의 전문가들에게 실질적인 통찰력을 제공합니다.

• For Process Engineers: 훈련된 신경망 모델은 용접 공정 제어 시스템의 ‘블랙박스’로 활용될 수 있습니다. 이를 통해 최적의 열 입력과 아크 길이를 유지하여 아크 안정성을 보장하고, 목표로 하는 용접 비드 형상을 일관되게 달성함으로써 용접 품질을 획기적으로 개선할 수 있습니다.
• For Quality Control Teams: 용접 시작 전, 입력 공정 변수를 기반으로 용접 비드 형상(W, P, R)을 사전에 예측할 수 있습니다. 이는 AWS D3.6M:2010과 같은 용접 사양 코드를 만족하는지 미리 확인함으로써 결함을 줄이고 재작업 비용을 최소화하는 데 기여할 수 있습니다.
• For Design Engineers (Control Systems): 논문에서 제안된 제어기 설계도(Figure 7)는 수심 변화에 실시간으로 대응하는 견고한 자동 제어 시스템을 설계하기 위한 청사진을 제공합니다. 이는 용접 환경 변화를 능동적으로 보상하여 일관된 고품질 용접을 가능하게 하는 차세대 용접 시스템 개발의 기반이 될 수 있습니다.

Paper Details

Optimization of underwater wet welding process parameters using neural network

1. Overview:

• Title: Optimization of underwater wet welding process parameters using neural network
• Author: Joshua Emuejevoke Omajene, Jukka Martikainen, Huapeng Wu and Paul Kah
• Year of publication: 2014
• Journal/academic society of publication: International Journal of Mechanical and Materials Engineering
• Keywords: Backpropagation; Bead geometry; Neural network; Process parameter; Underwater welding

2. Abstract:

• Background: 해양 환경에서 용접 구조물의 신뢰성을 위해서는 수중 습식 환경에서 수행되는 용접의 구조적 무결성이 매우 중요합니다. 용접의 건전성은 용접 비드 형상으로부터 예측될 수 있습니다.
• Methods: 본 논문은 용접 공정 파라미터 최적화와 수중 환경의 영향 분석에 인공 신경망 접근법을 적용한 사례를 설명합니다. 신경망 학습 알고리즘은 수심과 수중 환경의 영향을 변경하기 위해 용접 전류, 전압, 접촉 튜브-모재 간 거리, 속도를 제어하는 데 사용된 방법입니다.
• Results: 연구 결과는 적절한 용접 비드 폭(W), 용입(P), 덧살(R)을 달성하는 데 대한 명확한 통찰을 제공합니다.
• Conclusions: 이 연구의 흥미로운 시사점은 해양 건설 산업에서 건전한 용접을 달성하기 위해 견고한 용접 활동으로 이어질 수 있다는 것입니다.

3. Introduction:

공기 중 용접과 비교하여 수중 용접의 품질 차이로 인해, 어렵고 복잡한 문제를 해결할 수 있는 인공 신경망(ANN)을 모델링할 필요성이 매우 커졌습니다. 수중 습식 용접의 비드 형상은 입력 파라미터의 신경망 제어를 통해 예측될 수 있습니다. 용접 금속을 둘러싼 물은 용접부의 빠른 냉각을 유발하여 연성과 인장 강도를 각각 50%, 20% 감소시킵니다. 수중 환경과 수심이 용접 공정 파라미터에 미치는 영향은 수중에서 달성되는 용접 품질에 상당한 영향을 미칩니다. 수심이 깊어지면 용접 아크의 안정성에 영향을 미치며, 아크가 수축되어 전류와 전압이 증가합니다. 본 논문은 신경망을 사용하여 용접 공정 파라미터를 최적화하여 냉각 속도와 수심의 영향을 최소화하는 적절한 방법을 제안합니다. 주요 목표는 수중 용접 사양 코드 AWS D3.6M:2010에 명시된 권장 구조적 무결성을 용접 금속에 부여할 용접 비드 형상을 달성하는 것입니다.

4. Summary of the study:

Background of the research topic:

수중 습식 용접은 빠른 냉각 속도와 수압으로 인해 용접부의 기계적 특성이 저하되고 균열 및 기공과 같은 결함 발생 가능성이 높은 기술적 어려움을 안고 있습니다.

Status of previous research:

기존 연구들은 수중 환경이 용접 품질에 미치는 부정적인 영향을 규명해왔으나, 복잡한 변수들을 통합하여 실시간으로 공정을 최적화하는 데에는 한계가 있었습니다. 특히 수심 변화에 따른 공정 파라미터의 동적 제어는 주요 과제로 남아있었습니다.

Purpose of the study:

본 연구의 목적은 인공 신경망(ANN)을 이용하여 수중 습식 용접의 핵심 공정 변수(전류, 전압, 속도, 거리, 수심)와 결과물인 용접 비드 형상(폭, 용입, 덧살) 사이의 관계를 모델링하고, 이를 통해 주어진 환경에서 최적의 용접 품질을 달성할 수 있는 공정 파라미터를 예측하는 것입니다.

Core study:

연구의 핵심은 역전파 알고리즘을 사용하는 다층 퍼셉트론 신경망을 구축하고 훈련시키는 것입니다. 실험 데이터를 사용하여 신경망을 훈련시켜, 5개의 입력 변수로부터 3개의 출력 변수를 정확하게 예측하는 모델을 개발했습니다. 개발된 모델의 성능은 회귀 분석과 평균 제곱 오차(MSE)를 통해 검증되었으며, 이를 기반으로 한 실시간 용접 공정 제어기 아키텍처를 제안했습니다.

5. Research Methodology

Research Design:

본 연구는 실험 데이터를 기반으로 한 예측 모델링 연구입니다. Shi et al. (2013)의 기존 실험 데이터를 사용하여 인공 신경망 모델을 훈련, 검증 및 테스트하는 방식으로 설계되었습니다.

Data Collection and Analysis Methods:

• 데이터: 총 16세트의 실험 데이터(Table 1)가 사용되었으며, 이 중 12세트는 훈련(training)에, 나머지 4세트는 테스트(testing)에 사용되었습니다.
• 분석 방법: MATLAB 환경에서 피드포워드 신경망(feedforwardnet)을 구축했습니다. 훈련 알고리즘으로는 SCG(Scaled Conjugate Gradient)를 사용했으며, 성능은 MSE(Mean Squared Error)로 평가했습니다. 모델의 예측 정확도는 회귀 플롯의 R값으로 분석했습니다.

Research Topics and Scope:

연구 범위는 플럭스 코어 아크 용접(FCAW)과 같은 수중 습식 용접 공정에 국한됩니다. 주요 연구 주제는 신경망을 이용한 (1) 용접 공정 변수와 비드 형상 간의 관계 모델링, (2) 모델의 예측 성능 검증, (3) 최적화된 공정 파라미터 도출입니다.

6. Key Results:

Key Results:

• 개발된 인공 신경망 모델은 훈련, 검증, 테스트 모든 데이터 세트에서 R값이 최소 0.96637 이상으로 나타나, 용접 비드 형상을 매우 높은 정확도로 예측했습니다.
• 모델 학습은 과적합 문제 없이 안정적으로 수행되었으며, 최종 평균 제곱 오차(MSE)는 9.1499e-4로 매우 낮아 모델의 신뢰성을 입증했습니다.
• 훈련된 신경망은 수심 변화와 같은 외부 환경 변화에 대응하여 용접 공정을 실시간으로 제어할 수 있는 제어 시스템의 핵심 요소로 사용될 수 있는 가능성을 보여주었습니다.

Figure List:

• Figure 1 Welding input vs output parameters.
• Figure 2 Multilayer perceptron.
• Figure 3 Three-layer backpropagation neural network (Negnevetsky 2005).
• Figure 4 Neural network training tool.
• Figure 5 Validation performance curve.
• Figure 6 Regression plot.
• Figure 7 Controller design schematic diagram.

7. Conclusion:

수중 용접 시 용접 비드 형상에 영향을 미치는 파라미터의 최적화는 인공 신경망 훈련 알고리즘을 통해 수행될 수 있습니다. 본 연구의 회귀 분석 결과, 훈련, 테스트, 검증에서 R값이 최소 96%로 목표값이 출력값을 근접하게 따르는 것으로 나타났습니다. 만족스러운 결과를 가진 훈련된 신경망은 용접 공정의 제어 시스템에서 블랙박스로 사용될 수 있습니다. 수중 습식 용접에서 용접 공정 파라미터의 효과적인 최적화는 최적화된 열 입력과 아크 길이를 가진 용접 능력을 가지며, 이는 아크 안정성을 보장할 것입니다. 최적화된 공정 파라미터의 사용은 용접부의 건전성에 핵심 요소인 최적화된 용접 비드 형상의 달성을 가능하게 합니다. 본 논문에서 제안된 수중 용접 제어 공정은 신경망 최적화 공정을 완전히 적용하기 위해 추가적인 연구가 필요합니다.

8. References:

• Al-Faruk, A, Hasib, A, Ahmed, N, Kumar Das, U. (2010). Prediction of weld bead geometry and penetration in electric arc welding using artificial neural networks. International Journal of Mechanical & Mechatronics Engineering, 10 (4), 19-24.
• AWS. (2010). “Underwater welding code”. USA: AWS.
• Brown, RT, & Masubuchi, K. (1975). “Fundamental Research on Underwater Welding”. In Welding research supplement (pp. 178-188).
• Fahlman, SE. (1988). An empirical study of learning speed in backpropagation. USA: Carnegie Mellon University.
• Johnson, RL. (1997). The Effect of Water Temperature on Underbead Cracking of Underwater Wet Weldments. California: Naval Postgraduate School.
• Juang, SC, Tarng, YS, & Lii, HR. (1998). A comparison between the backpropagation and counterpropagation networks in the modeling of TIG welding process. Journal of Material ocessing Technology, 75, 54-62.
• Liu, S, Olson, DL, & Ibarra, S. (1993). Underwater Welding. ASM Handbook, 6, 1010-1015.
• Nagendra, SM, & Khare, M. (2006). Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions. Ecological Modelling, 190(1-2), 99-115.
• Negnevetsky, M. (2005). Artificial Intelligence. UK: Addison Wesley.
• Omajene, JE, Martikainen, J, Kah, P, & Pirinen, M. (2014). Fundamental difficulties associated with underwater wet welding. International Journal of Engineering Research and Applications, 4(6), 26-31.
• Shi, Y, Zheng, Z, & Huang, J. (2013). “Sensitivity model for prediction of bead geometry in underwater wet flux cored arc welding”. In Transaction of nonferrous metals society of China (pp. 1977-1984).

Expert Q&A: Your Top Questions Answered

Q1: 신경망 훈련을 위해 SCG(Scaled Conjugate Gradient) 역전파 알고리즘을 선택한 특별한 이유가 있습니까?

A1: 네, 논문에 따르면 SCG 알고리즘은 “더 큰 규모의 네트워크 훈련에 적합하기” 때문에 선택되었습니다. 다른 훈련 알고리즘들이 과도한 훈련으로 인해 발생하는 과적합(overfitting) 문제를 겪을 수 있는 반면, SCG는 이러한 문제를 피하면서 효율적으로 모델을 훈련시킬 수 있는 장점이 있습니다. 이는 모델이 학습 데이터에만 국한되지 않고 새로운 데이터에 대해서도 일반화된 예측 능력을 갖추도록 하는 데 중요합니다.

Q2: 회귀 플롯(Figure 6)의 R값이 0.96 이상이라는 것은 실제 산업 현장에서 어떤 의미를 가집니까?

A2: R값이 0.96 이상이라는 것은 신경망 모델이 예측한 용접 비드 형상(폭, 용입, 덧살)과 실제 실험 결과가 96% 이상의 매우 높은 상관관계를 갖는다는 의미입니다. 이는 산업 현장에서 용접공이 특정 전류, 전압, 속도 등의 조건으로 작업을 수행했을 때 어떤 품질의 용접부가 나올지를 매우 높은 신뢰도로 예측할 수 있음을 뜻합니다. 결과적으로, 시행착오를 줄이고 처음부터 목표 품질을 달성할 가능성을 높여 생산성과 품질 안정성을 크게 향상시킬 수 있습니다.

Q3: Table 1에 제시된 ‘오차(Error)’ 값의 목표가 0이라고 언급되었는데, 이 값들의 의미는 무엇인가요?

A3: Table 1의 오차 값은 신경망 모델이 예측한 출력값과 실제 목표값(실험 데이터) 간의 차이를 나타냅니다. 이 오차를 최소화하는 것이 모델 훈련의 목표이며, 이상적으로는 0에 가깝게 만드는 것입니다. 논문에서는 1번 실험의 오차 값이 다른 실험들에 비해 0에 가장 가깝기 때문에 이 조건이 “가장 좋은 파라미터 세트”라고 언급합니다. 이는 해당 공정 조건이 가장 예측 가능하고 안정적인 결과를 낳는다는 것을 시사합니다.

Q4: 은닉층(hidden layer)의 뉴런 수를 40개로 결정한 기준은 무엇이었나요?

A4: 논문에 따르면, “은닉층의 크기는 신경망 테스트 중 오차를 측정하면서 반복적인 조정을 통해 얻어졌다”고 명시되어 있습니다. 이는 정해진 공식보다는, 여러 뉴런 수를 시도해보고 모델의 예측 오차가 가장 작아지는 최적의 지점을 경험적으로 찾아내는 일반적인 신경망 아키텍처 최적화 방법을 따른 것입니다. 40개의 뉴런이 해당 데이터셋에서 가장 좋은 성능을 보인 결과입니다.

Q5: 제안된 제어기 설계도(Figure 7)의 실질적인 적용 방식은 어떻게 되나요?

A5: Figure 7의 제어기는 견고한 실시간 제어 시스템을 위한 개념도입니다. 실제 적용 시, 용접 장비에 수심(H)을 측정하는 센서를 부착합니다. 수심이 변하면, 이 제어기는 훈련된 신경망(NN FOWARD MODEL)을 이용해 예상되는 비드 형상 변화(AW, AP, AR)를 예측합니다. 이 예측된 변화를 보상하기 위해 퍼지 논리 제어기 등이 용접 전류(I), 전압(U), 속도(v) 등의 파라미터를 자동으로 조정하여 용접기에 전달합니다. 이 과정을 통해 작업자는 수심이 계속 변하는 환경에서도 비드 형상을 직접 측정하지 않고도 일관된 고품질의 용접을 수행할 수 있습니다.

Conclusion: Paving the Way for Higher Quality and Productivity

수중 습식 용접은 해양 구조물의 안전과 직결되지만, 예측 불가능한 환경 때문에 품질 확보에 큰 어려움을 겪어왔습니다. 본 연구는 인공 신경망이 이러한 복잡한 공정의 변수들을 정확하게 모델링하고 용접 비드 형상을 신뢰도 높게 예측할 수 있음을 명확히 보여주었습니다. R값 0.96 이상의 높은 예측 정확도는 신경망 기반 최적화가 더 이상 이론에 머무르지 않고, 실제 산업 현장에서 용접 품질을 획기적으로 향상시킬 수 있는 실용적인 도구임을 입증합니다.

이러한 접근법은 결함을 사전에 방지하고, 재작업을 최소화하며, 궁극적으로 해양 구조물의 장기적인 신뢰성을 보장하는 데 결정적인 역할을 할 것입니다.

“STI C&D에서는 최신 산업 연구 결과를 적용하여 고객이 더 높은 생산성과 품질을 달성할 수 있도록 지원하는 데 전념하고 있습니다. 이 논문에서 논의된 과제가 귀사의 운영 목표와 일치한다면, 저희 엔지니어링 팀에 연락하여 이러한 원칙을 귀사의 구성 요소에 어떻게 구현할 수 있는지 알아보십시오.”

(주)에스티아이씨앤디에서는 고객이 수치해석을 직접 수행하고 싶지만 경험이 없거나, 시간이 없어서 용역을 통해 수치해석 결과를 얻고자 하는 경우 전문 엔지니어를 통해 CFD consulting services를 제공합니다. 귀하께서 당면하고 있는 연구프로젝트를 최소의 비용으로, 최적의 해결방안을 찾을 수 있도록 지원합니다.

• 연락처 : 02-2026-0450
• 이메일 : flow3d@stikorea.co.kr

Copyright Information

• This content is a summary and analysis based on the paper “Optimization of underwater wet welding process parameters using neural network” by “Joshua Emuejevoke Omajene, et al.”.
• Source: http://www.springer.com/40712/content/9/1/26 (doi:10.1186/s40712-014-0026-3)

This material is for informational purposes only. Unauthorized commercial use is prohibited. Copyright © 2025 STI C&D. All rights reserved.