AI 기반 용접 순서 최적화: 자동차 및 항공우주 산업의 용접 변형 최소화

이 기술 요약은 Jeyaganesh Devaraj가 2021년 United Arab Emirates University에 제출한 석사 학위 논문 “MINIMIZATION OF THE WELD DISTORTION BY WELD SEQUENCE OPTIMIZATION USING ARTIFICIAL INTELLIGENCE”를 기반으로 하며, STI C&D의 기술 전문가에 의해 분석 및 요약되었습니다.

키워드

Primary Keyword: 용접 변형 최소화
Secondary Keywords: 용접 순서 최적화, 인공지능 용접, 유한요소해석(FEA), 이종 금속 용접, GMAW

Executive Summary

도전 과제: 자동차, 항공우주 등에서 경량화를 위해 필수적인 이종 금속 용접 시 발생하는 심각한 변형은 추가 공정, 비용 증가, 품질 저하의 주된 원인이 됩니다.
해결 방법: 유한요소해석(FEA) 시뮬레이션으로 다양한 용접 순서에 따른 변형 데이터를 생성하고, 이를 인공신경망(ANN)에 학습시킨 후 유전 알고리즘(GA)을 결합하여 최적의 용접 순서를 도출했습니다.
핵심 성과: 개발된 AI 통합 모델(GANN)을 통해 최적의 용접 순서를 적용한 결과, 5개 용접부 조인트의 변형은 74.7%, 8개 용접부 조인트의 변형은 73.8%까지 획기적으로 감소했습니다.
핵심 결론: AI 기반 용접 순서 최적화는 시간과 비용이 많이 드는 시행착오를 줄이고, 용접 구조물의 품질과 생산성을 극대화할 수 있는 강력하고 실용적인 솔루션입니다.

도전 과제: 왜 이 연구가 CFD 전문가에게 중요한가?

자동차, 항공우주, 해양 산업에서 무게 감소와 성능 향상을 위해 강철과 알루미늄 같은 이종 금속의 접합 수요가 급증하고 있습니다. 가스 메탈 아크 용접(GMAW)과 같은 융합 용접은 효율적인 접합 방법이지만, 용접부의 비균일한 가열 및 냉각 사이클로 인해 심각한 변형(Distortion)과 잔류 응력을 피할 수 없습니다.

이러한 변형은 부품의 정밀도를 떨어뜨려 조립 공정을 어렵게 만들고, 이는 곧 재작업 비용 증가와 전체 생산성 저하로 이어집니다. 기존에는 숙련된 용접사의 경험에 의존하거나, 시간과 비용이 많이 드는 반복적인 실험을 통해 최적의 용접 순서를 찾아야 했습니다. 하지만 용접 경로가 복잡해질수록 경우의 수는 기하급수적으로 늘어나기 때문에, 전통적인 방식으로는 진정한 최적해를 찾기 어렵다는 기술적 한계가 있었습니다. 본 연구는 이러한 산업 현장의 고질적인 문제를 해결하기 위해 인공지능을 활용한 새로운 접근법을 제시합니다.

Figure 2: Wire extension, CTWD and arc length diagram

접근 방식: 연구 방법론 분석

본 연구는 이종 금속(SS304 스테인리스강, AISI 1008 연강)의 맞대기 용접에서 발생하는 변형을 최소화하기 위해 체계적인 다단계 접근법을 사용했습니다.

용접 공정 파라미터 최적화: 먼저, 용접 품질 자체를 높이기 위해 다구치 기법(Taguchi Method)과 그레이 관계 분석(Grey Relational Analysis)을 사용하여 전류, 와이어 공급 속도, 용접 속도 등 핵심 GMAW 공정 변수들을 최적화했습니다. 이를 통해 인장 강도, 경도 등 기계적 특성이 우수한 용접 조인트를 확보하는 기반을 마련했습니다.
FEA 시뮬레이션을 통한 데이터 생성: 최적화된 공정 파라미터를 적용하여 MSC Simufact 용접 소프트웨어로 유한요소해석(FEA)을 수행했습니다. 용접 비드를 여러 세그먼트로 나누고, 수백 가지의 다양한 용접 순서(Weld Sequence) 조합에 따른 최종 변형 값을 시뮬레이션을 통해 예측하고 데이터를 축적했습니다.
인공신경망(ANN) 모델 개발 및 학습: FEA로 확보한 방대한 ‘용접 순서-변형 값’ 데이터를 인공신경망(ANN) 모델에 학습시켰습니다. 이때, 순서 데이터는 ANN이 인식할 수 있도록 ‘원-핫 인코딩(One-hot encoding)’ 기법을 통해 이진 배열로 변환되었습니다. 이 과정을 통해 ANN은 특정 용접 순서가 주어지면 최종 변형을 빠르고 정확하게 예측하는 ‘대리 모델(Surrogate Model)’의 역할을 수행하게 됩니다.
유전 알고리즘(GA)을 통한 최적 순서 탐색: 마지막으로, 잘 훈련된 ANN 모델을 유전 알고리즘(GA)과 통합(GANN)했습니다. GA는 수천, 수만 가지의 가능한 용접 순서 조합을 효율적으로 탐색하며, 각 조합에 대한 변형 예측은 시간이 오래 걸리는 FEA 대신 빠른 ANN 모델을 통해 수행됩니다. 이 과정을 반복하여 변형을 최소화하는 최적의 용접 순서를 도출했습니다.

핵심 성과: 주요 발견 및 데이터

본 연구는 AI 기반 최적화 모델이 용접 변형을 극적으로 줄일 수 있음을 구체적인 데이터로 입증했습니다.

Figure 21: Dye penetrant testing. a) WD-40 and flaw detector cleaner b) weld plates sprayed with penetrant c) developer for exposing the defects d) result of dye penetrant test

성과 1: GANN 모델을 통한 용접 변형의 획기적인 감소

개발된 GANN(Genetic Algorithm-Artificial Neural Network) 모델을 통해 도출된 최적 용접 순서를 실제 실험 및 시뮬레이션에 적용한 결과, 변형이 크게 감소했습니다.

5개 용접부 설계: 초기 설계(순차 용접)에서 9.48mm에 달했던 최대 변형은 최적 순서(Sequence 34251)를 적용한 후 2.45mm(실험값)로 감소하여, 약 74.7%의 변형 감소 효과를 보였습니다 (Table 33 참조).
7개 용접부 설계: 최대 변형이 16.25mm였던 조인트는 최적 순서(Sequence 5231467) 적용 후 8.31mm로 줄어들어 약 45.7%의 변형이 감소했습니다 (Table 33 참조).
8개 용접부 설계: 최대 변형이 15.67mm였던 복잡한 조인트 역시 최적 순서(Sequence 65237148)를 통해 4.2mm로 변형이 줄어, 무려 73.8%의 감소율을 기록했습니다 (Table 33 참조).

이는 AI 모델이 단순히 변형을 예측하는 것을 넘어, 복잡한 문제에서 실질적인 최적해를 찾아 생산 품질을 극적으로 향상시킬 수 있음을 보여주는 강력한 증거입니다.

성과 2: 높은 정확도의 ANN 예측 모델 검증

GANN의 핵심인 ANN 예측 모델은 실험 및 FEA 결과와 비교하여 높은 신뢰도를 보였습니다. 개발된 ANN 모델의 평균 상대 오차(Mean Relative Error, MRE)는 다음과 같이 측정되었습니다.

5개 용접부 모델: MRE 10.5% (Table 27)
7개 용접부 모델: MRE 7.3% (Table 25)
8개 용접부 모델: MRE 13.95% (Table 29)

모든 모델에서 오차율이 20% 허용 범위 이내로 나타났으며, 특히 R-value(상관계수)가 0.93 이상으로 매우 높아(Figure 38, Figure 39, Figure 41 참조) ANN 모델이 용접 순서에 따른 변형을 매우 정확하게 예측함을 입증했습니다. 이는 비용과 시간이 많이 소요되는 물리적 실험이나 FEA 시뮬레이션 횟수를 줄이고, 개발 초기 단계에서 빠르고 신뢰성 있는 의사결정을 내리는 데 ANN이 효과적인 도구가 될 수 있음을 시사합니다.

R&D 및 운영을 위한 실질적 시사점

공정 엔지니어: 이 연구는 용접 순서가 최종 변형에 미치는 막대한 영향을 정량적으로 보여줍니다. 제안된 GANN 접근법을 활용하면, 생산 시작 전에 변형을 최소화하는 용접 순서를 사전에 설계하여 재작업률을 낮추고 공정 안정성을 높일 수 있습니다.
품질 관리팀: 논문의 Table 30, 31, 32 데이터는 최악의 순서와 최적의 순서 간의 변형 차이를 명확히 보여줍니다. 이를 통해 용접 순서가 핵심 관리 포인트임을 인식하고, 새로운 품질 검사 기준을 수립하거나 공정 모니터링의 근거로 활용할 수 있습니다.
설계 엔지니어: 연구 결과는 용접부의 위치와 순서가 구조물의 최종 형상에 결정적인 영향을 미친다는 것을 보여줍니다. 초기 설계 단계에서부터 용접 순서의 영향을 고려하여 변형에 강한 구조를 설계하는 데 중요한 통찰을 제공합니다.

논문 정보

MINIMIZATION OF THE WELD DISTORTION BY WELD SEQUENCE OPTIMIZATION USING ARTIFICIAL INTELLIGENCE

1. 개요:

제목: MINIMIZATION OF THE WELD DISTORTION BY WELD SEQUENCE OPTIMIZATION USING ARTIFICIAL INTELLIGENCE
저자: Jeyaganesh Devaraj
발행 연도: 2021
발행 기관: United Arab Emirates University
키워드: Dissimilar Metal Welding, Gas Metal Arc Welding, Grey-based Taguchi Optimization, Weld Sequence Optimization, Artificial Neural Network (ANN), Genetic algorithm integrated ANN (GANN).

2. 초록:

이종 금속 용접 공정의 적용은 자동차, 항공우주, 해양 산업에서 증가하고 있으며, 이는 다른 금속의 접합뿐만 아니라 수리 및 재작업을 단순화하는 데도 도움이 됩니다. 용접 파라미터를 최적화하여 구조물을 용접하는 연구는 변형, 질량 증착, 인장 강도 등을 제어하는 데 중요합니다. 본 연구는 핫-인코딩 기법을 사용하여 이종 금속 접합의 변형을 줄이기 위한 유전 알고리즘 통합 인공신경망(GANN) 기반 용접 순서 최적화의 개발 및 구현을 보고합니다. 강철과 알루미늄의 이종 금속 용접에는 가스 메탈 아크 용접(GMAW)이 사용됩니다. 용접 비드를 여러 세그먼트로 나누어 다양한 용접 순서를 형성하는 것이 계획입니다. MSC MARC Simufact에서 제공하는 FEA 소프트웨어를 사용하여 용접 조인트의 변형 패턴을 시뮬레이션하고 분석합니다. 시뮬레이션 결과는 실험을 통해 검증되며, 변형 패턴 연구의 정확성을 달성하기 위해 20% 미만의 오차율로 검증될 것입니다. 다양한 순서의 훈련 세트를 사용하여 신경망을 훈련시켜 최적에 가까운 순서를 얻습니다. 이 연구의 결과는 인장 강도, 경도, 비드 형상 등 더 나은 조인트 특성을 위한 최적화된 공정 파라미터의 선택입니다. 이 최적화된 공정 파라미터는 순서대로 수행되는 조인트 용접에 사용됩니다. 마지막으로, GANN을 사용하여 순서를 최적화하여 변형을 줄이고 용접물의 효율성을 향상시킵니다. 얻어진 순서는 GMAW와 Simufact 용접 소프트웨어를 모두 사용하여 최소 변형 기준에 대해 테스트됩니다. 결과는 제안된 최적화 모델이 모든 종류의 용접 설계 및 최적화 문제에 적합함을 예시합니다.

3. 서론:

이종 금속 용접은 에너지 생산, 전자, 원자력 발전소, 석유 및 제조 부문에서 무게 감소, 고가 금속 대체 및 우수한 특성 결합을 위해 널리 사용됩니다. 그러나 공통된 용접 조건 하에서 용접될 재료의 야금학적 및 화학적 특성 차이로 인해 다른 금속의 효과적인 접합은 중요한 도전 과제였습니다. 용접 변형은 용접 구조물, 특히 금속 특성 및 구조적 무결성에 부정적인 영향을 미치는 것으로 알려져 있습니다. 변형을 적절히 제어하여 불완전한 형상과 균열의 발생을 피하는 것이 필수적입니다. 이 문제를 해결하는 가능한 방법 중 하나는 용접 공정의 공정 파라미터와 용접 순서를 최적화하는 것입니다. 본 연구는 GMAW의 공정 파라미터를 최적화하여 필러 금속 소비, 인장 강도, 경도 및 최적의 용접 비드 형상에 대한 역할을 예시하고, 나아가 용접 순서 최적화를 통해 변형을 최소화하는 것을 목표로 합니다.

4. 연구 요약:

연구 주제의 배경:

이종 금속 용접은 경량화 및 비용 효율성을 위해 여러 산업에서 중요성이 커지고 있습니다. 그러나 재료 간의 열팽창 계수, 열전도율 등의 차이로 인해 용접 후 심각한 변형이 발생하여 제품의 정밀도와 성능을 저하시키는 문제가 있습니다.

이전 연구 현황:

과거 연구들은 용접 공정 파라미터(전류, 전압 등) 최적화나 용접 순서 최적화에 개별적으로 초점을 맞추었습니다. 특히 용접 순서 최적화는 경우의 수가 방대하여 유전 알고리즘(GA)이나 대리 모델(Surrogate Model)을 사용하는 접근법이 있었지만, ANN과 GA를 통합하여 이종 금속 용접 변형 최소화에 적용한 연구는 드물었습니다.

연구 목적:

본 연구의 핵심 목적은 다음과 같습니다. 1. 이종 금속 용접의 용접성을 향상시킨다. 2. 다구치 기법 및 그레이 관계 분석을 통해 인장 강도, 경도, 비드 형상 등 기계적 특성을 극대화하는 최적의 용접 공정 파라미터를 도출한다. 3. 유한요소해석(FEA) 데이터를 기반으로 높은 예측 성능을 가진 인공신경망(ANN) 모델을 개발하고 검증한다. 4. ANN과 유전 알고리즘(GA)을 통합한 GANN 모델을 사용하여 용접 변형을 최소화하는 최적의 용접 순서를 찾는다.

핵심 연구:

연구의 핵심은 두 단계로 구성됩니다. 첫째, 통계적 기법(다구치, GRA)을 사용하여 GMAW 공정 자체의 품질을 보장하는 최적의 파라미터를 결정합니다. 둘째, 이 최적의 파라미터 조건 하에서, 복잡한 ‘용접 순서’ 문제를 해결하기 위해 FEA, ANN, GA를 결합한 AI 기반 최적화 프레임워크를 구축하고 그 효과를 검증합니다. 특히, ANN이 FEA 시뮬레이션을 대체하는 빠른 대리 모델 역할을 하고 GA가 광범위한 해결책 공간을 효율적으로 탐색하는 통합 모델(GANN)의 개발 및 적용이 본 연구의 핵심입니다.

5. 연구 방법론

연구 설계:

본 연구는 실험적 설계, 수치 시뮬레이션, 인공지능 모델링을 결합한 통합적 연구 설계를 따릅니다. 1. 실험 설계: 1.5mm 두께의 SS304와 AISI 1008 강판을 맞대기 용접하기 위해 L9 직교 배열을 사용한 다구치 실험 설계를 적용했습니다. 제어 변수는 용접 전류, 와이어 공급 속도, 용접 속도였습니다. 2. 수치 시뮬레이션: 3D CAD 모델을 생성하고 MSC Apex를 사용하여 헥사헤드럴 메시로 분할했습니다. 이후 MSC Simufact 용접 전문 소프트웨어를 사용하여 열-기계 연성 해석을 수행했습니다. 열원 모델로는 Goldak의 이중 타원체 모델을 사용했습니다. 3. AI 모델링: FEA로부터 얻은 용접 순서와 변형 데이터를 사용하여 다층 순방향 역전파 신경망(BPNN)을 구축했습니다. 입력 데이터는 원-핫 인코딩으로 처리되었고, MATLAB R2020 환경에서 Levenberg-Marquardt 알고리즘으로 네트워크를 훈련시켰습니다. 훈련된 ANN은 유전 알고리즘(GA)과 통합되어 최적화(GANN)에 사용되었습니다.

데이터 수집 및 분석 방법:

기계적 특성 측정: 용접된 시편에 대해 만능시험기(UTM)를 사용하여 인장 강도(ASTM E8/E8M)를, 비커스 경도 시험기(ASTM A370)를 사용하여 경도를 측정했습니다.
형상 및 결함 분석: 용접 비드의 형상(폭, 높이, 용입 깊이)을 측정하고, 육안 검사 및 염료 침투 탐상 시험(Dye Penetrant Test)을 통해 표면 결함을 확인했습니다. 주사전자현미경(SEM)을 사용하여 미세조직 및 파단면을 분석했습니다.
변형 측정: 용접 후 평평한 표면에 시편을 놓고 다이얼 게이지를 사용하여 Z축 방향의 변형을 여러 지점에서 측정했습니다.
데이터 분석: 다구치 기법의 신호 대 잡음비(S/N ratio)와 분산 분석(ANOVA)을 사용하여 공정 파라미터의 영향을 분석했습니다. 다중 목표 최적화를 위해 그레이 관계 분석(GRA)을 적용했습니다. ANN 모델의 성능은 평균 상대 오차(MRE)와 상관계수(R-value)로 평가했습니다.

연구 주제 및 범위:

본 연구는 1.5mm 두께의 SS304와 AISI 1008 강판의 GMAW 맞대기 용접에 국한됩니다. 주요 연구 주제는 용접 공정 파라미터 최적화를 통한 기계적 특성 향상과, AI 기반 용접 순서 최적화를 통한 Z축 방향의 변형 최소화입니다. 5개, 7개, 8개의 용접 세그먼트로 구성된 세 가지 다른 복잡도의 용접 설계에 대해 최적화 모델을 개발하고 검증했습니다.

6. 주요 결과:

주요 결과:

그레이 관계 분석을 통한 다중 목표 최적화 결과, 최적의 공정 파라미터 조합은 전류 90A, 와이어 공급 속도 3.1 m/min, 용접 속도 380 mm/min (I3F1S2)으로 도출되었습니다. 이 조건으로 제작된 시편(C1)은 초기 설계(DM5) 대비 인장 강도 15.7%, 경도 12.7%, 용입 깊이 5.9%가 향상되었고, 질량 증착은 21.4% 감소했습니다.
개발된 ANN 예측 모델은 5, 7, 8개 용접 순서 모델에 대해 각각 10.5%, 7.3%, 13.95%의 낮은 평균 상대 오차(MRE)를 보여 높은 예측 정확도를 입증했습니다.
ANN과 GA를 통합한 GANN 최적화 모델은 각 용접 설계에서 변형을 최소화하는 최적의 순서를 성공적으로 찾아냈습니다.
5개 용접부 설계의 경우, 최적 순서(34251) 적용 시 변형이 9.48mm에서 2.45mm로 74.7% 감소했습니다.
7개 용접부 설계의 경우, 최적 순서(5231467) 적용 시 변형이 16.25mm에서 8.31mm로 45.7% 감소했습니다.
8개 용접부 설계의 경우, 최적 순서(65237148) 적용 시 변형이 15.67mm에서 4.2mm로 73.8% 감소했습니다.
미세구조 분석 결과, 최적화된 파라미터로 용접된 시편(C1)은 초기 설계 시편(DM9)에 비해 더 미세한 등축 페라이트 조직을 가졌으며, 이는 기계적 특성 향상과 일치하는 결과입니다.

Figure 목록:

Figure 1: Structure of the thesis
Figure 2: Wire extension, CTWD and arc length diagram
Figure 3: Crossover process
Figure 4: Mutation of a chromosome
Figure 5: Anatomy of experimental setup
Figure 6: Top view of table CNC and fixture of weld sample
Figure 7: Welding apparatus – self-build table CNC coupled with weld machine
Figure 8: Schematic diagram of weld sample
Figure 9: Bead geometry configuration
Figure 10: Schematic representation of tensile strength, yield point and respective deformation phase in stress-strain curve
Figure 11: Tensile test specimen of standard ASTM E8/E8M
Figure 12: Schematic representation of hardness testing
Figure 13: Layout of grey relational analysis
Figure 14: FE model for the weld design used in the present investigation
Figure 15: Layout of numerical simulation
Figure 16: Meshing with hexagonal elements for the welded plates
Figure 17: Double ellipsoidal heat source model. Where, af -front length of molten pool; ar – rear length of molten pool; b- half width; d- depth of penetration
Figure 18: Boundary conditions for FEM provided by clamping on the weld design.
Figure 19: Model of a classical artificial neural network
Figure 20: Proposed optimization model –GANN
Figure 21: Dye penetrant testing
Figure 22: SN ratio plots of parametric effect on MD and bead geometry
Figure 23: Stress-strain curve for sample DM-9
Figure 24: Load vs strain curve for sample DM-9
Figure 25: SN ratio and mean effect plots for larger the better.
Figure 26: Optimization and experimental results for hardness.
Figure 27: The dissimilar weld in cross – sectional area (38 μm – magnification of ×200). Optical microscopy images after double etching (A-austenite, D- columnar structure, P- pearlite, F- ferrite)
Figure 28: SEM microstructure images MS-FZ region at ×500 (C1 sample)
Figure 29: Comparison of SEM microstructure images
Figure 30: Dimpled structure observed in the fracture zone
Figure 31: Distortion measurement
Figure 32: 3D model of work piece nomenclature
Figure 33: Displacement results of continuous weld bead from FEM analysis
Figure 34: Distortion for the weld sequence 1357246
Figure 35: Distortion for the weld sequence 1427365
Figure 36: Distortion for the weld sequence 5673214
Figure 37: Distortion for the weld sequence 7162354
Figure 38: Performance of BPNN
Figure 39: Performance of BPNN for 8 sequence model
Figure 40: Macroscopic image of the weld bead
Figure 41: Performance of BPNN for 7 sequence model
Figure 42: Optimal distortion after 200 iteration runs
Figure 43: Best solution history from GANN
Figure 44: Minimum distortion obtained after 200 iterations in 5 sequences weld design.
Figure 45: Minimum distortion obtained after 200 iterations for 8 sequences weld design
Figure 46: Best solution history from GANN for 8 sequence weld design
Figure 47: Fixture and clamping design used during welding process.
Figure 48: Assembly of Z-axis of CNC
Figure 49: Assembly of X, Y, and Z-axis of CNC
Figure 50: Assembly of complete CNC
Figure 51: Experimental setup used in the current investigation
Figure 52: Top-view of the weld torch mounted with CNC
Figure 53: Top-view of the weld torch mounted with CNC
Figure 54: Varying speed at current- 140 A and WFR- 4.5 m/min
Figure 55: Varying speed at current- 140 A and WFR- 5 m/min

7. 결론:

본 연구는 다구치 기반 그레이 관계 분석을 통해 이종 금속 GMAW 공정의 기계적 특성을 최적화했으며, 나아가 AI(ANN+GA)를 활용하여 용접 순서 최적화를 통한 변형 최소화 문제를 성공적으로 해결했습니다. 개발된 GANN 모델은 5, 7, 8개 용접 순서를 갖는 다양한 설계에서 최대 74.7%의 변형 감소 효과를 보이며 그 우수성을 입증했습니다. ANN 예측 모델은 실험 데이터와 높은 일치도를 보여, 시간과 비용이 많이 드는 시뮬레이션 및 실험을 대체할 수 있는 가능성을 제시했습니다. 이 연구에서 제안된 독창적인 최적화 접근법은 제한된 수의 순서뿐만 아니라 모든 정의된 순서 및 모든 종류의 조인트 구조에 적용될 수 있습니다. 결론적으로, 본 연구는 용접 변형 예측 및 최소화를 위한 강력한 AI 기반 프레임워크를 제공하며, 이는 자동차, 조선, 철강 구조물 등 다양한 산업 분야의 생산성과 품질 향상에 크게 기여할 수 있습니다.

8. 참고 문헌:

B. D. Smith, Welding practice. 2016. Accessed: Sep. 07, 2020. [Online]. Available: https://www.routledge.com/Welding-Practice/Smith/p/book/ 9780415503099
R. W. Messler, Principles of Welding: Processes, Physics, Chemistry, and Metallurgy, 1st ed. Wiley, 1999. doi: 10.1002/9783527617487.
N. Ghosh, P. K. Pal, and G. Nandi, “Parametric Optimization of MIG Welding on 316L Austenitic Stainless Steel by Grey-based Taguchi Method,” Procedia Technology, vol. 25, pp. 1038–1048, 2016, doi: 10.1016/j.protcy.2016.08.204.
G. Taguchi, Introduction to Quality Engineering : Designing Quality Into Products and Processes., 7th Reprint. Tokyo: Asian productivity organization, 1990.
N. Ghosh, P. K. Pal, and G. Nandi, “GMAW dissimilar welding of AISI 409 ferritic stainless steel to AISI 316L austenitic stainless steel by using AISI 308 filler wire,” Engineering Science and Technology, an International Journal, vol. 20, no. 4, pp. 1334–1341, Aug. 2017, doi: 10.1016/j.jestch.2017.08.002.
M. Ramarao, M. F. L. King, A. Sivakumar, V. Manikandan, M. Vijayakumar, and R. Subbiah, “Optimizing GMAW parameters to achieve high impact strength of the dissimilar weld joints using Taguchi approach,” Materials Today: Proceedings, p. S2214785321044928, Jun. 2021, doi: 10.1016/j.matpr.2021.06.137.
E. Taban, E. Deleu, A. Dhooge, and E. Kaluc, “Evaluation of Dissimilar Welds between Ferritic Stainless Steel Modified 12% Cr and Carbon Steel S355,” p. 7, Dec. 2008.
P. Michaleris, Ed., Minimization of welding distortion and buckling: modelling and implementation. Cambridge: Woodhead Publ, 2011.
H.-T. Kim and S.-C. Kil, “Research Trend of Dissimilar Metal Welding Technology,” in Computer Applications for Modeling, Simulation, and Automobile, vol. 341, T. Kim, C. Ramos, J. Abawajy, B.-H. Kang, D. Ślęzak, and H. Adeli, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012, pp. 199–204. doi: 10.1007/978-3-642-35248-5_28.
Yu. V. Budkin, “Welding joints in dissimilar metals,” Welding International, vol. 25, no. 7, pp. 523–525, Jul. 2011, doi: 10.1080/09507116.2011.554254.
M. I. Qazi, R. Akhtar, M. Abas, Q. S. Khalid, A. R. Babar, and C. I. Pruncu, “An Integrated Approach of GRA Coupled with Principal Component Analysis for Multi-Optimization of Shielded Metal Arc Welding (SMAW) Process,” Materials, vol. 13, no. 16, p. 3457, Aug. 2020, doi: 10.3390/ma13163457.
R. S. Tabar, K. Wärmefjord, and R. Söderberg, “Evaluating evolutionary algorithms on spot welding sequence optimization with respect to geometrical variation,” Procedia CIRP, vol. 75, pp. 421–426, 2018, doi: 10.1016/j.procir.2018.04.061.
S. M. Darwish, “Analysis of weld-bonded dissimilar materials,” International Journal of Adhesion and Adhesives, vol. 24, no. 4, pp. 347–354, Aug. 2004, doi: 10.1016/j.ijadhadh.2003.11.007.
S. Kim, H. Kim, and N. J. Kim, “Brittle intermetallic compound makes ultrastrong low-density steel with large ductility,” Nature, vol. 518, no. 7537, pp. 77–79, Feb. 2015, doi: 10.1038/nature14144.
K. Abbasi, S. Alam, and D. M. I. Khan, “An Experimental Study on the Effect of MIG Welding parameters on the Weld-Bead Shape Characteristics,” no. 4, p. 5, 2012.
British Standards Institute Staff, “Welding. Recommendations for welding of metallic materials. Arc welding of ferritic steels,” in Manufacturing engineering, BSI, 2001, p. 62. [Online]. Available: https://www.en-standard.eu/bs-en-1011-2-2001-welding-recommendations-for-welding-of-metallic-materials-arc-welding-of-ferritic-steels/
R. Scherer, G. Riedrich, and G. Hoch, “Einfluß eines Gehaltes an Ferrit in austenitischen Chrom-Nickel-Stählen auf den Kornzerfall,” Archiv für das Eisenhüttenwesen, vol. 13, no. 1, pp. 53–57, Jul. 1939, doi: 10.1002/srin.193900857.
P. Sabharwall, D. E. Clark, R. E. Mizia, M. V. Glazoff, and M. G. McKellar, “Diffusion-Welded Microchannel Heat Exchanger for Industrial Processes,” Journal of Thermal Science and Engineering Applications, vol. 5, no. 1, p. 011009, Mar. 2013, doi: 10.1115/1.4007578.
M. Ali, A. Ul-Hamid, L. M. Alhems, and A. Saeed, “Review of common failures in heat exchangers – Part I: Mechanical and elevated temperature failures,” Engineering Failure Analysis, vol. 109, p. 104396, Jan. 2020, doi: 10.1016/j.engfailanal.2020.104396.
L. Liu, N. Ding, J. Shi, N. Xu, W. Guo, and C.-M. L. Wu, “Failure analysis of tube-to-tubesheet welded joints in a shell-tube heat exchanger,” Case Studies in Engineering Failure Analysis, vol. 7, pp. 32–40, Oct. 2016, doi: 10.1016/j.csefa.2016.06.002.
C. J. Long and W. T. DeLong, “The Ferrite Content of Austenitic Stainless Steel Weld Metal- The effect of nitrogen pickup in GTAW and GMA W and the need for better correlation between calculated and measured ferrite content leads to a revised constitution diagram and an evaluation of experimental and statistical error.,” Supplement to the Welding Journal, Jul. 1979, Accessed: Jan. 02, 2021. [Online]. Available: https://app.aws.org/wj/supplement/WJ_1973_07_s281.pdf
W. Rui, R. Sherif, S. Hisashi, M. Hidekazu, and J. Zhang, “Numerical And Experimental Investigationon Welding Deformation,” Transaction of Joining and Welding Research Institute, vol. 37, pp. 79–90, 2008.
D. Kim and S. Rhee, “Design of a robust fuzzy controller for the arc stability of CO/sub 2/ welding process using the Taguchi method,” IEEE Trans. Syst., Man, Cybern. B, vol. 32, no. 2, pp. 157–162, Apr. 2002, doi: 10.1109/3477.990872.
V. V. Murugan and V. Gunaraj, “Effects of Process Parameters on Angular Distortion of Gas Metal Arc Welded Structural Steel Plates,” Supplement to the Welding Journal, pp. 165–171, Nov. 2005.
D. Bahar, N. Sharif, K. S. Kumar, and D. Reddy, “Optimization of MIG welding process parameters for hardness and strength of welding joint using Grey relational analysis,” p. 7, 2018.
Center for Automotive Research, “Automotive Technology: Greener Products, Changing Skills Lightweight Materials & Forming Report,” Center for Automotive Research, United States, May 2011. Accessed: Sep. 09, 2019. [Online]. Available: http://www.levkov.com/files/files/lightweightMaterials.pdf
P. K. Palani, N. Murugan, and B. Karthikeyan, “Process parameter selection for optimising weld bead geometry in stainless steel cladding using Taguchi’s approach,” Materials Science and Technology, vol. 22, no. 10, pp. 1193– 1200, Oct. 2006, doi: 10.1179/174328406X118294.
K. Kellens, W. Dewulf, M. Overcash, M. Z. Hauschild, and J. R. Duflou, “Methodology for systematic analysis and improvement of manufacturing unit process life-cycle inventory (UPLCI)—CO2PE! initiative (cooperative effort on process emissions in manufacturing). Part 1: Methodology description,” Int J Life Cycle Assess, vol. 17, no. 1, pp. 69–78, Jan. 2012, doi: 10.1007/s11367-011-0340-4.
S. C. Feng, K. Senthilkumaran, C. U. Brown, and B. Kulvatunyou, “Energy metrics for product assembly equipment and processes,” Journal of Cleaner Production, vol. 65, pp. 142–151, Feb. 2014, doi: 10.1016/j.jclepro.2013.09.049.
P. Kah, H. Latifi, R. Suoranta, J. Martikainen, and M. Pirinen, “Usability of arc types in industrial welding,” Int J Mech Mater Eng, vol. 9, no. 1, Art. no. 1, Dec. 2014, doi: 10.1186/s40712-014-0015-6.
Y. T. İÇ, F. Elaldi, F. Pakdil, and N. E. İPek, “Design of Experiment and Goal Programming Application for the GMAW Process,” p. 7.
R. W. Messler, Principles of Welding: Processes, Physics, Chemistry, and Metallurgy, 1st ed. Wiley, 1999. doi: 10.1002/9783527617487.
B. Chen, H. Xiong, B. Sun, S. Tang, B. Du, and N. Li, “Microstructures and mechanical properties of Ti3Al/Ni-based superalloy joints arc welded with Ti–Nb and Ti–Ni–Nb filler alloys,” Progress in Natural Science: Materials International, vol. 24, no. 4, pp. 313–320, Aug. 2014, doi: 10.1016/j.pnsc.2014.06.003.
F. O. Olsen, Ed., Hybrid laser-arc welding. Boca Raton, Fla.: Woodhead Publishing, 2009.
P. Zhai et al., “Comparative Study of Droplet Transfer Modes on Appearance, Microstructure, and Mechanical Properties of Weld during Pulsed GMAW,” Metals, vol. 10, no. 5, p. 611, May 2020, doi: 10.3390/met10050611.
R. Ribeiro, P. Assunção, E. Dos Santos, A. Filho, E. Braga, and A. Gerlich, “Application of Cold Wire Gas Metal Arc Welding for Narrow Gap Welding (NGW) of High Strength Low Alloy Steel,” Materials, vol. 12, no. 3, p. 335, Jan. 2019, doi: 10.3390/ma12030335.
D. Sterling, T. Sterling, Y. Zhang, and H. Chen, “Welding parameter optimization based on Gaussian process regression Bayesian optimization algorithm,” in 2015 IEEE International Conference on Automation Science and Engineering (CASE), Gothenburg, Sweden, Aug. 2015, pp. 1490–1496. doi: 10.1109/CoASE.2015.7294310.
J. E. R. Dhas and S. J. H. Dhas, “A Review on Optimization of Welding Process,” Procedia Engineering, vol. 38, pp. 544–554, 2012, doi: 10.1016/j.proeng.2012.06.068.
I. S. Kim, K. J. Son, Y. S. Yang, and P. K. D. V. Yaragada, “Sensitivity analysis for process parameters in GMA welding processes using a factorial design method,” International Journal of Machine Tools and Manufacture, vol. 43, no. 8, pp. 763–769, Jun. 2003, doi: 10.1016/S0890-6955(03)00054-3.
T. Kannan and N. Murugan, “Effect of flux cored arc welding process parameters on duplex stainless steel clad quality,” Journal of Materials Processing Technology, vol. 176, no. 1–3, pp. 230–239, Jun. 2006, doi: 10.1016/j.jmatprotec.2006.03.157.
M. Vasudevan, A. K. Bhaduri, B. Raj, and K. P. Rao, “Genetic-Algorithm-Based Computational Models for Optimizing the Process Parameters of A- TIG Welding to Achieve Target Bead Geometry in Type 304 L(N) and 316 L(N) Stainless Steels,” Materials and Manufacturing Processes, vol. 22, no. 5, Art. no. 5, Jun. 2007, doi: 10.1080/10426910701323342.
J. Yoganandh, T. Kannan, S. P. Kumaresh Babu, and S. Natarajan, “Optimization of GMAW Process Parameters in Austenitic Stainless Steel Cladding Using Genetic Algorithm Based Computational Models,” Experimental Techniques, vol. 37, no. 5, pp. 48–58, Sep. 2013, doi: 10.1111/j.1747-1567.2011.00803.x.
A. Narwadkar and S. Bhosle, “Optimization of MIG Welding Parameters to Control the Angular Distortion in Fe410WA Steel,” Materials and Manufacturing Processes, vol. 31, no. 16, Art. no. 16, Dec. 2016, doi: 10.1080/10426914.2015.1127939.
I. A. Daniyan, K. Mpofu, and A. O. Adeodu, “Optimization of welding parameters using Taguchi and response surface methodology for rail car bracket assembly,” Int J Adv Manuf Technol, vol. 100, no. 9–12, pp. 2221– 2228, Feb. 2019, doi: 10.1007/s00170-018-2878-9.
R. Kumar and M. Balasubramanian, “Application of response surface methodology to optimize process parameters in friction welding of Ti–6Al– 4V and SS304L rods,” Transactions of Nonferrous Metals Society of China, vol. 25, no. 11, pp. 3625–3633, Nov. 2015, doi: 10.1016/S1003- 6326(15)63959-0.
D. S. Correia, C. V. Gonçalves, S. S. da Cunha, and V. A. Ferraresi, “Comparison between genetic algorithms and response surface methodology in GMAW welding optimization,” Journal of Materials Processing Technology, vol. 160, no. 1, pp. 70–76, Mar. 2005, doi: 10.1016/j.jmatprotec.2004.04.243.
K. Y. Benyounis and A. G. Olabi, “Optimization of different welding processes using statistical and numerical approaches – A reference guide,” Advances in Engineering Software, vol. 39, no. 6, pp. 483–496, Jun. 2008, doi: 10.1016/j.advengsoft.2007.03.012.
K. Kimapong and S. Triwanapong, “Effect of GMAW Shielding Gas on Tensile Strength of Dissimilar SS400 Carbon Steel and SUS304 Stainless Steel Butt Joint,” MSF, vol. 950, pp. 70–74, Apr. 2019, doi: 10.4028/www.scientific.net/MSF.950.70.
G. Taguchi, Introduction to Quality Engineering : Designing Quality Into Products and Processes., 7th Reprint. Tokyo: Asian productivity organization, 1990.
S. H. Park, Robust design and analysis for quality engineering, 1. ed. London: Chapman & Hall, 1996.
B. Chandrakanth, S. V. Abinesh Kumar, S. A. Kumar, and R. Sathish, “Optimization and non-destructive test analysis of SS316L weldments using GTAW,” Mat. Res., vol. 17, no. 1, pp. 190–195, Nov. 2013, doi: 10.1590/S1516-14392013005000188.
Z. Khan, A. N. Siddiquee, N. Z. Khan, U. Khan, and G. A. Quadir, “Multi Response Optimization of Wire Electrical Discharge Machining Process Parameters Using Taguchi based Grey Relational Analysis,” Procedia Materials Science, vol. 6, pp. 1683–1695, 2014, doi: 10.1016/j.mspro.2014.07.154.
J. Disney and T. Bendell, “The Taguchi Approach to Designing for Reliability,” in 10th Advances in Reliability Technology Symposium, G. P. Libberton, Ed. Dordrecht: Springer Netherlands, 1988, pp. 328–334. doi: 10.1007/978-94-009-1355-4_30.
F. Shahid, A. A. Khan, and M. S. Hameed, “Mechanical and Microstructural Analysis of Dissimilar Metal Welds,” p. 10, 2015, doi: 10.22541/au.159309962.24729397.
T. Zhang, W. Wang, J. Zhou, Z. Yan, and J. Zhang, “Interfacial characteristics and nano-mechanical properties of dissimilar 304 austenitic stainless steel/AZ31B Mg alloy welding joint,” Journal of Manufacturing Processes, vol. 42, pp. 257–265, Jun. 2019, doi: 10.1016/j.jmapro.2019.04.031.
T. Kannan and J. Yoganandh, “Effect of process parameters on clad bead geometry and its shape relationships of stainless steel claddings deposited by GMAW,” Int J Adv Manuf Technol, vol. 47, no. 9–12, pp. 1083–1095, Apr. 2010, doi: 10.1007/s00170-009-2226-1.
K. Sabiruddin, S. Bhattacharya, and S. Das, “Selection of Appropriate Process Parameters for Gas Metal Arc Welding of Medium Carbon Steel Specimens,” IJAHP, vol. 5, no. 2, Jan. 2014, doi: 10.13033/ijahp.v5i2.184.
Q. Dong, L. Shen, F. Cao, Y. Jia, K. Liao, and M. Wang, “Effect of Thermomechanical Processing on the Microstructure and Properties of a Cu- Fe-P Alloy,” J. of Materi Eng and Perform, vol. 24, no. 4, pp. 1531–1539, Apr. 2015, doi: 10.1007/s11665-014-1352-6.
Y.-W. Park, S.-H. Rhee, and C.-H. Kim, “Development of Coaxial Monitoring System in Laser Arc Hybrid Welding for Automotive Body Application,” Journal of the Korean Welding and Joining Society, vol. 27, no. 6, pp. 9–16, Dec. 2009, doi: 10.5781/KWJS.2009.27.6.009.
R. W. Richardson, D. A. Gutow, R. A. Anderson, and D. F. Farson, “Coaxial arc weld pool viewing for process monitoring and control,” Welding journal., vol. 63, no. Num 3, pp. 43–50, 1984.
M. Khan, M. W. Dewan, and Md. Z. Sarkar, “Effects of welding technique, filler metal and post-weld heat treatment on stainless steel and mild steel dissimilar welding joint,” Journal of Manufacturing Processes, vol. 64, pp. 1307–1321, Apr. 2021, doi: 10.1016/j.jmapro.2021.02.058.
D. Ananthapadmanaban, V. Seshagiri Rao, N. Abraham, and K. Prasad Rao, “A study of mechanical properties of friction welded mild steel to stainless steel joints,” Materials & Design, vol. 30, no. 7, pp. 2642–2646, Aug. 2009, doi: 10.1016/j.matdes.2008.10.030.
P. Ravichandran, M. B, R. Parameshwaran, C. Maheswari, E. B. Priyanka, and P. Sivapathasekaran, “Parameter Optimization of Gas Metal Arc Welding Process on AISI: 430 Stainless Steel Using Meta Heuristic Optimization Techniques,” In Review, preprint, Aug. 2020. doi: 10.21203/rs.3.rs-53362/v1.
Y. Koli, N. Yuvaraj, Vipin, and S. Aravindan, “Enhancement of Mechanical Properties for Dissimilar Welded Joint of AISI 304L and AISI 202 Austenitic Stainless Steel,” in Advances in Manufacturing and Industrial Engineering, R. M. Singari, K. Mathiyazhagan, and H. Kumar, Eds. Singapore: Springer Singapore, 2021, pp. 145–155. doi: 10.1007/978-981-15-8542-5_13.
K. R. Madavi, B. F. Jogi, and G. S. Lohar, “Investigational study and microstructural comparison of MIG welding process for with and without activated flux,” Materials Today: Proceedings, p. S2214785321038311, May 2021, doi: 10.1016/j.matpr.2021.05.240.
B. Shanmugarajan, R. Shrivastava, S. P., and B. G., “Optimisation of laser welding parameters for welding of P92 material using Taguchi based grey relational analysis,” Defence Technology, vol. 12, no. 4, pp. 343–350, Aug. 2016, doi: 10.1016/j.dt.2016.04.001.
H.-K. Lee, H.-S. Han, K.-J. Son, and S.-B. Hong, “Optimization of Nd:YAG laser welding parameters for sealing small titanium tube ends,” Materials Science and Engineering: A, vol. 415, no. 1–2, pp. 149–155, Jan. 2006, doi: 10.1016/j.msea.2005.09.059.
K. Martinsen, S. J. Hu, and B. E. Carlson, “Joining of dissimilar materials,” CIRP Annals, vol. 64, no. 2, pp. 679–699, 2015, doi: 10.1016/j.cirp.2015.05.006.
J. Zhang et al., “Microstructure and performances of dissimilar joints between 12Cr2Mo1R steel and 06Cr18Ni11Ti austenitic stainless steel joined by AA-TIG welding,” Journal of Manufacturing Processes, vol. 60, pp. 96–106, Dec. 2020, doi: 10.1016/j.jmapro.2020.10.048.
A. Dttmann and J. de O. Gomes, “Evaluation of Additive Manufacturing Parts Machinability using Automated GMAW ER70S-6 with Nodular Cast Iron,” UPjeng, vol. 7, no. 2, pp. 88–97, Mar. 2021, doi: 10.24840/2183- 6493_007.002_0011.
W. Chuaiphan, C. A. Somrerk, S. Niltawach, and B. Sornil, “Dissimilar Welding between AISI 304 Stainless Steel and AISI 1020 Carbon Steel Plates,” AMM, vol. 268–270, pp. 283–290, Dec. 2012, doi: 10.4028/www.scientific.net/AMM.268-270.283.
W. Winarto, M. Anis, R. Riastuti, and I. N. Suarjana, “Study the Effect of Welding Position and Plate Thickness to the Mechanical and Microstructural Properties of the TIG Dissimilar Metal Welded between Carbon Steel ASTM A36 and Stainless Steel 304 Plates,” MSF, vol. 1000, pp. 364–372, Jul. 2020, doi: 10.4028/www.scientific.net/MSF.1000.364.
P. Rop, “Drum Plus: A drum type HRSG with Benson benefits,” Modern Power Systems, vol. 30, pp. 35–40, 2010.
P. Dzierwa, “Optimum heating of pressure components of steam boilers with regard to thermal stresses,” Journal of Thermal Stresses, vol. 39, no. 7, pp. 874–886, Jul. 2016, doi: 10.1080/01495739.2016.1189773.
ASME, “Boiler and Pressure Vessel Code (BPVC) 2021 Complete Set,” ASME, New York, NY, Codes & standards, 2021.
P. Carlone and A. Astarita, “Dissimilar Metal Welding,” Metals, vol. 9, no. 11, p. 1206, Nov. 2019, doi: 10.3390/met9111206.
M. Milititsky, M. F. Gittos, S. E. Smith, and V. Marques, “Assessment of Dissimilar Metal Interfaces for Sub-Sea Application under Cathodic Protection,” Houston, Texas, USA, Oct. 17, 2010. [Online]. Available: https://www.twi-global.com/technical-knowledge/published-papers/assessment-of-dissimilar-metal-interfaces-for-sub-sea-application-under-cathodic-protection
P. Kah, M. Shrestha, and J. Martikainen, “Trends in Joining Dissimilar Metals by Welding,” AMM, vol. 440, pp. 269–276, Oct. 2013, doi: 10.4028/www.scientific.net/AMM.440.269.
P. Carlone and A. Astarita, Dissimilar Metal Welding. Metals, MDPI, 2019. doi: 10.3390/books978-3-03921-955-1.
K. Martinsen, S. J. Hu, and B. E. Carlson, “Joining of dissimilar materials,” CIRP Annals, vol. 64, no. 2, pp. 679–699, 2015, doi: 10.1016/j.cirp.2015.05.006.
J. Zhang et al., “Microstructure and performances of dissimilar joints between 12Cr2Mo1R steel and 06Cr18Ni11Ti austenitic stainless steel joined by AA-TIG welding,” Journal of Manufacturing Processes, vol. 60, pp. 96–106, Dec. 2020, doi: 10.1016/j.jmapro.2020.10.048.
J. H. Forsmark et al., “The USAMP Magnesium Front End Research and Development Project — Results of the Magnesium ‘Demonstration’ Structure,” in Magnesium Technology 2014, M. Alderman, M. V. Manuel, N. Hort, and N. R. Neelameggham, Eds. Cham: Springer International Publishing, 2014, pp. 517–524. doi: 10.1007/978-3-319-48231-6_93.
P. Kah, H. Latifi, R. Suoranta, J. Martikainen, and M. Pirinen, “Usability of arc types in industrial welding,” Int J Mech Mater Eng, vol. 9, no. 1, p. 15, Dec. 2014, doi: 10.1186/s40712-014-0015-6.
P. Praveen and P. K. D. V. Yarlagadda, “Meeting challenges in welding of aluminum alloys through pulse gas metal arc welding,” Journal of Materials Processing Technology, vol. 164–165, pp. 1106–1112, May 2005, doi: 10.1016/j.jmatprotec.2005.02.224.
H. Naffakh, M. Shamanian, and F. Ashrafizadeh, “Dissimilar welding of AISI 310 austenitic stainless steel to nickel-based alloy Inconel 657,” Journal of Materials Processing Technology, vol. 209, no. 7, pp. 3628–3639, Apr. 2009, doi: 10.1016/j.jmatprotec.2008.08.019.
M. K. Samal, M. Seidenfuss, E. Roos, and K. Balani, “Investigation of failure behavior of ferritic–austenitic type of dissimilar steel welded joints,” Engineering Failure Analysis, vol. 18, no. 3, pp. 999–1008, Apr. 2011, doi: 10.1016/j.engfailanal.2010.12.011.
D. S. Correia, C. V. Gonçalves, S. S. C. Junior, and V. A. Ferraresi, “GMAW welding optimization using genetic algorithms,” J. Braz. Soc. Mech. Sci. & Eng., vol. 26, no. 1, pp. 28–32, Mar. 2004, doi: 10.1590/S1678- 58782004000100005.
U. Esme, M. Bayramoglu, Y. Kazancoglu, and S. Ozgun, “Optimization of Weld Bead Geometry in TIG Welding Process Using Grey Relation Analysis and Taguchi Method,” Materiali in tehnologije, p. 7, 2009.
A. Sivanantham, S. Manivannan, and S. P. K. Babu, “Parametric Optimization of Dissimilar TIG Welding of AISI 304L and 430 Steel Using Taguchi Analysis,” MSF, vol. 969, pp. 625–630, Aug. 2019, doi: 10.4028/www.scientific.net/MSF.969.625.
A. Casarini, J. P. Coelho, É. T. Olívio, M. Braz-César, and J. Ribeiro, “Optimization and Influence of GMAW Parameters for Weld Geometrical and Mechanical Properties Using the Taguchi Method and Variance Analysis,” KEG, Jun. 2020, doi: 10.18502/keg.v5i6.7097.
M. Aonuma and K. Nakata, “Effect of calcium on intermetallic compound layer at interface of calcium added magnesium–aluminum alloy and titanium joint by friction stir welding,” Materials Science and Engineering: B, vol. 173, no. 1–3, pp. 135–138, Oct. 2010, doi: 10.1016/j.mseb.2009.12.015.
R. Borrisutthekul, T. Yachi, Y. Miyashita, and Y. Mutoh, “Suppression of intermetallic reaction layer formation by controlling heat flow in dissimilar joining of steel and aluminum alloy,” Materials Science and Engineering: A, vol. 467, no. 1–2, pp. 108–113, Oct. 2007, doi: 10.1016/j.msea.2007.03.049.
Y. Shao, Z. Wang, and Y. Zhang, “Monitoring of liquid droplets in laser- enhanced GMAW,” Int J Adv Manuf Technol, vol. 57, no. 1–4, pp. 203–214, Nov. 2011, doi: 10.1007/s00170-011-3266-x.
T. Kannan, and N. Murugan, “Optimization of Flux Cored Arc Welding Process Parameters Using Particle Swarm Optimization Technique,” Journal for Manufacturing Science and Production, vol. 9, no. 3–4, pp. 229–236, Dec. 2008, doi: 10.1515/IJMSP.2008.9.3-4.229.
M. M. da Silva, V. R. Batista, T. M. Maciel, M. A. dos Santos, and T. L. Brasileiro, “Optimization of submerged arc welding process parameters for overlay welding,” Welding International, vol. 32, no. 2, pp. 122–129, Feb. 2018, doi: 10.1080/09507116.2017.1347325.
F. Kolahan and M. Heidari, “A New Approach for Predicting and Optimizing Weld Bead Geometry in GMAW,” International Journal of Mechanical Systems Science and Engineering, p. 6, 2010.
J. E. R. Dhas and S. Kumanan, “National Conference on Factory Automation, Robotics and Soft Computing 2007,” p. 5, 2007.
R. Addamani, H. V. Ravindra, and C. S. Darshan, “Optimization of P- GMAW Welding Parameters Using Taguchi Technique for SS304L Pipes,” in Techno-Societal 2016, Jun. 2017, pp. 787–797. doi: https://doi.org/10.1007/978-3-319-53556-2_81.
A. Narwadkar and S. Bhosle, “Optimization of MIG Welding Parameters to Control the Angular Distortion in Fe410WA Steel,” Materials and Manufacturing Processes, vol. 31, no. 16, pp. 2158–2164, Dec. 2016, doi: 10.1080/10426914.2015.1127939.
W. Jiang and K. Yahiaoui, “Effect of welding sequence on residual stress distribution in a multipass welded piping branch junction,” International Journal of Pressure Vessels and Piping, vol. 95, pp. 39–47, Jul. 2012, doi: 10.1016/j.ijpvp.2012.05.006.
A. M. A. Pazooki, M. J. M. Hermans, and I. M. Richardson, “Finite element simulation and experimental investigation of thermal tensioning during welding of DP600 steel,” Science and Technology of Welding and Joining, vol. 22, no. 1, pp. 7–21, Jan. 2017, doi: 10.1080/13621718.2016.1180861.
W. Xue-Wu, M. Yong, and G. Xing-sheng, “Multi-objective path optimization for arc welding robot based on discrete DN multi-objective particle swarm optimization,” International Journal of Advanced Robotic Systems, vol. 16, no. 6, p. 172988141987982, Nov. 2019, doi: 10.1177/1729881419879827.
J. Segeborn, J. S. Carlson, K. Wa¨rmefjord, and R. So¨derberg, “Evaluating Genetic Algorithms on Welding Sequence Optimization With Respect to Dimensional Variation and Cycle Time,” in Volume 5: 37th Design Automation Conference, Parts A and B, Washington, DC, USA, Jan. 2011, pp. 697–704. doi: 10.1115/DETC2011-48393.
M. Vasudevan, A. K. Bhaduri, B. Raj, and K. P. Rao, “Genetic-Algorithm-Based Computational Models for Optimizing the Process Parameters of A- TIG Welding to Achieve Target Bead Geometry in Type 304 L(N) and 316 L(N) Stainless Steels,” Materials and Manufacturing Processes, vol. 22, no. 5, pp. 641–649, Jun. 2007, doi: 10.1080/10426910701323342.
M. Asadi and J. A. Goldak, “Combinatorial optimization of weld sequence by using a surrogate model to mitigate a weld distortion,” Int J Mech Mater Des, vol. 7, no. 2, pp. 123–139, Jun. 2011, doi: 10.1007/s10999-011-9154-6.
I. Voutchkov, A. J. Keane, A. Bhaskar, and T. M. Olsen, “Weld sequence optimization: The use of surrogate models for solving sequential combinatorial problems,” Computer Methods in Applied Mechanics and Engineering, vol. 194, no. 30–33, pp. 3535–3551, Aug. 2005, doi: 10.1016/j.cma.2005.02.003.
M. Mochizuki, M. Hayashi, and T. Hattori, “Residual Stress Distribution Depending on Welding Sequence in Multi-Pass Welded Joints With X- Shaped Groove,” Journal of Pressure Vessel Technology, vol. 122, no. 1, pp. 27–32, Feb. 2000, doi: 10.1115/1.556142.
I. Sattari-Far and Y. Javadi, “Influence of welding sequence on welding distortions in pipes,” International Journal of Pressure Vessels and Piping, vol. 85, no. 4, pp. 265–274, Apr. 2008, doi: 10.1016/j.ijpvp.2007.07.003.
V. K. Yalamanchili, D. A. Galindo, and J. C. Mach, “Robust Virtual Welding Process Optimization,” Procedia Computer Science, vol. 140, pp. 342–350, 2018, doi: 10.1016/j.procs.2018.10.305.
I. Voutchkov, A. J. Keane, A. Bhaskar, and T. M. Olsen, “Weld sequence optimization: The use of surrogate models for solving sequential combinatorial problems,” Computer Methods in Applied Mechanics and Engineering, vol. 194, no. 30–33, pp. 3535–3551, Aug. 2005, doi: 10.1016/j.cma.2005.02.003.
V. Gerhard, “Review of Optimization Techniques,” System Engineering Optimization Techniques and Applications, Dec. 2010, doi: https://doi.org/10.1002/9780470686652.eae495.
R. S. Tabar, K. Wärmefjord, and R. Söderberg, “Evaluating evolutionary algorithms on spot welding sequence optimization with respect to geometrical variation,” Procedia CIRP, vol. 75, pp. 421–426, 2018, doi: 10.1016/j.procir.2018.04.061.
J. Goldak, A. Chakravarti, and M. Bibby, “A new finite element model for welding heat sources,” MTB, vol. 15, no. 2, pp. 299–305, Jun. 1984, doi: 10.1007/BF02667333.
J. Romero-Hdz, S. Aranda, G. Toledo-Ramirez, J. Segura, and B. Saha, “An Elitism Based Genetic Algorithm for Welding Sequence Optimization to Reduce Deformation,” RCS, vol. 121, no. 1, pp. 17–36, Dec. 2016, doi: 10.13053/rcs-121-1-2.
C. Kumar and S. Deb, “Generation Of Optimal Sequence Of Machining Operations In Setup Planning By Genetic Algorithms,” J. Adv. Manuf. Syst., vol. 11, no. 01, pp. 67–80, Jun. 2012, doi: 10.1142/S0219686712500059.
E. Bonnaud, “Mitigation of weld residual deformations by weld sequence optimization: limitations and enhancements of surrogate models,” Procedia Structural Integrity, vol. 5, pp. 310–317, 2017, doi: 10.1016/j.prostr.2017.07.176.
J. J. Lowke, “Globula and Spray Transfer in Mig Welding,” Weld World, vol. 55, no. 3–4, pp. 19–23, Mar. 2011, doi: 10.1007/BF03321282.
D. Iordachescu and L. Quintino, “Steps toward a new classification of metal transfer in gas metal arc welding,” Journal of Materials Processing Technology, vol. 202, no. 1–3, pp. 391–397, Jun. 2008, doi: 10.1016/j.jmatprotec.2007.08.081.
A. Scotti, V. Ponomarev, and W. Lucas, “Interchangeable metal transfer phenomenon in GMA welding: Features, mechanisms, classification,” Journal of Materials Processing Technology, vol. 214, no. 11, pp. 2488– 2496, Nov. 2014, doi: 10.1016/j.jmatprotec.2014.05.022.
Yamamoto H., “Recent Advances in Welding Power Systems for Automated Welding.,” Journal of the Japan Welding Society, vol. 64, no. 6, pp. 457–462, 1995, doi: 10.2207/qjjws1943.64.457.
R. Gadallah, R. Fahmy, T. Khalifa, and A. Sadek, “Influence of Shielding Gas Composition on the Properties of Flux-Cored Arc Welds of Plain Carbon Steel,” vol. 2, no. 1, p. 12, 2012.
ES, “BS EN ISO 14175:2008: Welding consumables. Gases and gas mixtures for fusion welding and allied processes,” in MANUFACTURING ENGINEERING, 2008, p. 16. [Online]. Available: https://www.en-standard.eu/bs-en-iso-14175-2008-welding-consumables-gases-and-gas-mixtures-for-fusion-welding-and-allied-processes/
I. Pires, L. Quintino, and R. M. Miranda, “Analysis of the influence of shielding gas mixtures on the gas metal arc welding metal transfer modes and fume formation rate,” Materials & Design, vol. 28, no. 5, pp. 1623–1631, Jan. 2007, doi: 10.1016/j.matdes.2006.02.012.
O. Liskevych and A. Scotti, “Influence of the CO2 content on operational performance of short-circuit GMAW,” Weld World, vol. 59, no. 2, pp. 217– 224, Mar. 2015, doi: 10.1007/s40194-014-0196-x.
X. Cai, C. Fan, S. Lin, C. Yang, L. Hu, and X. Ji, “Effects of shielding gas composition on arc behaviors and weld formation in narrow gap tandem GMAW,” Int J Adv Manuf Technol, vol. 91, no. 9–12, pp. 3449–3456, Aug. 2017, doi: 10.1007/s00170-017-9990-0.
V. A. de Meneses, J. F. P. Gomes, and A. Scotti, “The effect of metal transfer stability (spattering) on fume generation, morphology and composition in short-circuit MAG welding,” Journal of Materials Processing Technology, vol. 214, no. 7, pp. 1388–1397, Jul. 2014, doi: 10.1016/j.jmatprotec.2014.02.012.
I. A. Ibrahim, S. A. Mohamat, A. Amir, and A. Ghalib, “The Effect of Gas Metal Arc Welding (GMAW) Processes on Different Welding Parameters,” Procedia Engineering, vol. 41, pp. 1502–1506, 2012, doi: 10.1016/j.proeng.2012.07.342.
J. A. Street, “How Pulsing is of Benefit,” in Pulsed Arc Welding, Elsevier, 1990, pp. 10–45. doi: 10.1016/B978-1-85573-027-4.50006-2.
M. Mariappan, N. L. Parthasarathi, R. Ravindran, K. Lenin, and A. Raja, “Effect of alternating shielding gases in gas metal arc welding of SA515 Gr 70 carbon steel,” Mater. Res. Express, vol. 8, no. 9, p. 095601, Sep. 2021, doi: 10.1088/2053-1591/ac21e9.
Y. Purwaningrum, Triyono, M. Wirawan Pu, and F. Alfarizi, “Effect of Shielding Gas Mixture on Gas Metal Arc Welding (GMAW) of Low Carbon Steel (LR Grade A),” KEM, vol. 705, pp. 250–254, Aug. 2016, doi: 10.4028/www.scientific.net/KEM.705.250.
K. A. Lyttle, “Metal-cored wires: where do the fit in your future,” Materials Science, vol. 75, pp. 35–40, 1996.
M. Stewart, “Fabrication, welding, and in-shop inspection,” in Surface Production Operations, Elsevier, 2021, pp. 197–284. doi: 10.1016/B978-0- 12-803722-5.00006-9.
T. Piątkowski and A. Marmołowski, “Significance of electrode stick-out when welding with flux-cored wires,” Welding International, vol. 26, no. 9, pp. 703–706, Sep. 2012, doi: 10.1080/09507116.2011.592683.
H. R. Ghazvinloo, “Effect of the electrode to work angle, filler diameter and shielding gas type on weld geometry of HQ130 steel joints produced by robotic GMAW,” IJST, vol. 3, no. 1, pp. 26–30, Jan. 2010, doi: 10.17485/ijst/2010/v3i1.19.
I. S. Kim, J. S. Son, I. G. Kim, J. Y. Kim, and O. S. Kim, “A study on relationship between process variables and bead penetration for robotic CO2 arc welding,” Journal of Materials Processing Technology, vol. 136, no. 1–3, pp. 139–145, May 2003, doi: 10.1016/S0924-0136(02)01126-3.
I. S. Kim et al., “Sensitivity analysis for process parameters influencing weld quality in robotic GMA welding process,” Journal of Materials Processing Technology, vol. 140, no. 1–3, pp. 676–681, Sep. 2003, doi: 10.1016/S0924- 0136(03)00725-8.
C. A. Somani and D. I. Lalwani, “Experimental Investigation of Gas Metal Arc Welding (GMAW) Process Using Developed Articulator,” IOP Conf. Ser.: Mater. Sci. Eng., vol. 455, p. 012073, Dec. 2018, doi: 10.1088/1757- 899X/455/1/012073.
G. Sproesser, A. Pittner, and M. Rethmeier, “Increasing Performance and Energy Efficiency of Gas Metal Arc Welding by a High Power Tandem Process,” Procedia CIRP, vol. 40, pp. 642–647, 2016, doi: 10.1016/j.procir.2016.01.148.
I. Hwang, D.-Y. Kim, G. Jeong, M. Kang, D. Kim, and Y.-M. Kim, “Effect of Weld Bead Shape on the Fatigue Behavior of GMAW Lap Fillet Joint in GA 590 MPa Steel Sheets,” Metals, vol. 7, no. 10, p. 399, Sep. 2017, doi: 10.3390/met7100399.
Z. Zhang and J. Xue, “Profile Map of Weld Beads and Its Formation Mechanism in Gas Metal Arc Welding,” Metals, vol. 9, no. 2, p. 146, Jan. 2019, doi: 10.3390/met9020146.
H. Guo, X. Zhuang, and T. Rabczuk, “A Deep Collocation Method for the Bending Analysis of Kirchhoff Plate,” Computers, Materials & Continua, vol. 59, no. 2, pp. 433–456, 2019, doi: 10.32604/cmc.2019.06660.
S. Chaki, “Neural networks based prediction modelling of hybrid laser beam welding process parameters with sensitivity analysis,” SN Appl. Sci., vol. 1, no. 10, p. 1285, Oct. 2019, doi: 10.1007/s42452-019-1264-z.
B. Choudhury, M. Chandrasekaran, and D. Devarasiddappa, “Development of ANN modelling for estimation of weld strength and integrated optimization for GTAW of Inconel 825 sheets used in aero engine components,” J Braz. Soc. Mech. Sci. Eng., vol. 42, no. 6, p. 308, Jun. 2020, doi: 10.1007/s40430-020-02390-7.
J. H. Holland, “Adaptation in Natural and Artificial System,” Ann Arbor, p. 404, 1975.
D. S. Nagesh and G. L. Datta, “Genetic algorithm for optimization of welding variables for height to width ratio and application of ANN for prediction of bead geometry for TIG welding process,” Applied Soft Computing, vol. 10, no. 3, pp. 897–907, Jun. 2010, doi: 10.1016/j.asoc.2009.10.007.
B. Tomoiagă, M. Chindriş, A. Sumper, A. Sudria-Andreu, and R. Villafafila- Robles, “Pareto Optimal Reconfiguration of Power Distribution Systems Using a Genetic Algorithm Based on NSGA-II,” Energies, vol. 6, no. 3, pp. 1439–1455, Mar. 2013, doi: 10.3390/en6031439.
Z. Jandric and R. Kovacevic, “Heat management in solid free-form fabrication based on deposition by welding,” Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, vol. 218, no. 11, pp. 1525–1540, Nov. 2004, doi: 10.1243/0954405042418545.
U. Esme, M. Bayramoglu, Y. Kazancoglu, and S. Ozgun, “Optimization Of Weld Bead Geometry In Tig Welding Process Using Grey Relation Analysis And Taguchi Method,” Materiali in tehnologije, p. 7, 2009.
A01 Committee, “ASTM A370-16, Standard Test Methods and Definitions for Mechanical Testing of Steel Products,” ASTM International, West Conshohocken, PA, 2016. doi: 10.1520/A0370-16.
J. Kuo and T.-L. Su, “Optimization of multiple quality characteristics for polyether ether ketone injection molding process,” Fibers Polym, vol. 7, no. 4, pp. 404–413, Dec. 2006, doi: 10.1007/BF02875773.
K. S. Prasad, C. S. Rao, and D. N. Rao, “Application of Grey Relational Analysis for Optimizing Weld Bead Geometry Parameters of Pulsed Current Micro Plasma Arc Welded AISI 304L Stainless Steel Sheets,” vol. 6, no. 1, p. 9, 2013.
A. K. Srirangan and S. Paulraj, “Multi-response optimization of process parameters for TIG welding of Incoloy 800HT by Taguchi grey relational analysis,” Engineering Science and Technology, an International Journal, vol. 19, no. 2, pp. 811–817, Jun. 2016, doi: 10.1016/j.jestch.2015.10.003.
Y. Rong, J. Xu, Y. Huang, and G. Zhang, “Review on finite element analysis of welding deformation and residual stress,” Science and Technology of Welding and Joining, vol. 23, no. 3, pp. 198–208, Apr. 2018, doi: 10.1080/13621718.2017.1361673.
D. Venkatkumar and D. Ravindran, “3D finite element simulation of temperature distribution, residual stress and distortion on 304 stainless steel plates using GTA welding,” J Mech Sci Technol, vol. 30, no. 1, pp. 67–76, Jan. 2016, doi: 10.1007/s12206-015-1208-5.
G. Lo Bosco and M. A. Di Gangi, “Deep Learning Architectures for DNA Sequence Classification,” in Fuzzy Logic and Soft Computing Applications, vol. 10147, A. Petrosino, V. Loia, and W. Pedrycz, Eds. Cham: Springer International Publishing, 2017, pp. 162–171. doi: 10.1007/978-3-319-52962- 2_14.
N. Bhandari, S. Khare, R. Walambe, and K. Kotecha, “Comparison of machine learning and deep learning techniques in promoter prediction across diverse species,” PeerJ Computer Science, vol. 7, p. e365, Feb. 2021, doi: 10.7717/peerj-cs.365.
P. Zheng et al., “Smart manufacturing systems for Industry 4.0: Conceptual framework, scenarios, and future perspectives,” Front. Mech. Eng., vol. 13, no. 2, pp. 137–150, Jun. 2018, doi: 10.1007/s11465-018-0499-5.
M. Abubakr, A. T. Abbas, I. Tomaz, M. S. Soliman, M. Luqman, and H. Hegab, “Sustainable and Smart Manufacturing: An Integrated Approach,” Sustainability, vol. 12, no. 6, p. 2280, Mar. 2020, doi: 10.3390/su12062280.
V. L. Jorge, F. M. Scotti, R. P. Reis, and A. Scotti, “Wire feed pulsation as a means of inducing surface tension metal transfer in Gas Metal Arc Welding,” Journal of Manufacturing Processes, vol. 62, pp. 655–669, Feb. 2021, doi: 10.1016/j.jmapro.2020.12.072.
N. Ghosh, P. K. Pal, and G. Nandi, “Parametric Optimization of MIG Welding on 316L Austenitic Stainless Steel by Grey-based Taguchi Method,” Procedia Technology, vol. 25, pp. 1038–1048, 2016, doi: 10.1016/j.protcy.2016.08.204.
M. Uchihara and Y. Ikegami, “A survey of possible welding defects in steel sheets caused by shielding gases in GMAW and laser welding,” Welding International, vol. 20, no. 7, pp. 521–524, Jul. 2006, doi: 10.1533/wint.2006.3623.
N. Ghosh, P. K. Pal, and G. Nandi, “GMAW dissimilar welding of AISI 409 ferritic stainless steel to AISI 316L austenitic stainless steel by using AISI 308 filler wire,” Engineering Science and Technology, an International Journal, vol. 20, no. 4, pp. 1334–1341, Aug. 2017, doi: 10.1016/j.jestch.2017.08.002.
M. Huang, C. C. Hsieh, and J. S. Arora, “A genetic algorithm for sequencing type problems in engineering design,” International journal of Numerical Methods in Engineering, vol. 40, no. 17, pp. 3105–3115, Sep. 1997, doi: https://doi.org/10.1002/(SICI)1097-0207(19970915)40:17<3105::AID- NME200>3.0.CO;2-F.
R. K. Roy, Design of experiments using the Taguchi approach: 16 steps to product and process improvement. New York: Wiley, 2001.
K. Songsorn, K. Sriprateep, and S. Rittidech, “Grey–Taguchi method to optimize the percent zinc coating balances edge joints for galvanized steel sheets using metal inert gas pulse brazing process,” Advances in Mechanical Engineering, vol. 8, no. 6, p. 168781401665119, Jun. 2016, doi: 10.1177/1687814016651194.
D. C. Saha, D. Westerbaan, S. S. Nayak, E. Biro, A. P. Gerlich, and Y. Zhou, “Microstructure-properties correlation in fiber laser welding of dual-phase and HSLA steels,” Materials Science and Engineering: A, vol. 607, pp. 445– 453, Jun. 2014, doi: 10.1016/j.msea.2014.04.034.
Y. Kuo, T. Yang, and G.-W. Huang, “The use of a grey-based Taguchi method for optimizing multi-response simulation problems,” Engineering Optimization, vol. 40, no. 6, pp. 517–528, Jun. 2008, doi: 10.1080/03052150701857645.
H.-T. Liu and H. Sheng Cheng, “An Improved Grey Quality Function Deployment Approach Using the Grey TRIZ Technique,” p. 59, 2016, doi: https://doi.org/10.1016/j.cie.2015.11.003.
T. E. Abioye, C. O. Kanu, T. I. Ogedengbe, and D. I. Adebiyi, “Parametric optimisation of gas metal arc dissimilar welding on AISI 304 stainless steel and low carbon steel,” IJMMP, vol. 14, no. 2, p. 155, 2019, doi: 10.1504/IJMMP.2019.099225.
J. Masters and J. Au, Eds., Fractography of Modern Engineering Materials: Composites and Metals. 100 Barr Harbor Drive, PO Box C700, West Conshohocken, PA 19428-2959: ASTM International, 1987. doi: 10.1520/STP948-EB.
A. K. Srirangan and S. Paulraj, “Multi-response optimization of process parameters for TIG welding of Incoloy 800HT by Taguchi grey relational analysis,” Engineering Science and Technology, an International Journal, vol. 19, no. 2, pp. 811–817, Jun. 2016, doi: 10.1016/j.jestch.2015.10.003.
Y. G. Liao, “Optimal design of weld pattern in sheet metal assembly based on a genetic algorithm,” Int J Adv Manuf Technol, vol. 26, no. 5–6, pp. 512–516, Sep. 2005, doi: 10.1007/s00170-003-2003-5.
M. Gohari and A. M. Eydi, “Modelling of shaft unbalance: Modelling a multi discs rotor using K-Nearest Neighbor and Decision Tree Algorithms,” Measurement, vol. 151, p. 107253, Feb. 2020, doi: 10.1016/j.measurement.2019.107253.
V. V. K. Pajjuri, “Penetration Resistance of 4340 Steel/Polyurea Laminate,” The University of North Carolina at Charlotte, 2017. Accessed: Dec. 20, 2019. Available: https://www.proquest.com/docview/1899931319?pq-origsite=gscholar&fromopenview=true
C. U. Atuanya, M. R. Government, C. C. Nwobi-Okoye, and O. D. Onukwuli, “Predicting the mechanical properties of date palm wood fibre-recycled low density polyethylene composite using artificial neural network,” Int J Mech Mater Eng, vol. 9, no. 1, p. 7, Dec. 2014, doi: 10.1186/s40712-014-0007-6.
S. Reddy Vempati, K. Brahma Raju, and K. Venkata Subbaiah, “Optimization of Welding Parameters of Ti 6al 4v Cruciform shape Weld joint to Improve Weld Strength Based on Taguchi Method,” Materials Today: Proceedings, vol. 5, no. 2, pp. 4948–4957, 2018, doi: 10.1016/j.matpr.2017.12.072.
K. S. Prasad, C. S. Rao, and D. N. Rao, “Application of Grey Relational Analysis for Optimizing Weld Bead Geometry Parameters of Pulsed Current Micro Plasma Arc Welded AISI 304L Stainless Steel Sheets,” vol. 6, no. 1, p. 9, 2013.
S. C. Juang and Y. S. Tarng, “Process parameter selection for optimizing the weld pool geometry in the tungsten inert gas welding of stainless steel,” Journal of Materials Processing Technology, vol. 122, no. 1, pp. 33–37, Mar. 2002, doi: 10.1016/S0924-0136(02)00021-3.
D. Venkatratnam, “Application of Response Surface Method in studying the properties of MIG welded dissimilar joints of AISI 202 and AISI 316 steels,” p. 15, 2020.
R. Addamani, H. V. Ravindra, and C. S. Darshan, “Optimization of P- GMAW Welding Parameters Using Taguchi Technique for SS304L Pipes,” in Techno-Societal 2016, P. M. Pawar, B. P. Ronge, R. Balasubramaniam, and S. Seshabhattar, Eds. Cham: Springer International Publishing, 2018, pp. 787–797. doi: 10.1007/978-3-319-53556-2_81.

전문가 Q&A: 주요 질문과 답변

Q1: 왜 단순한 최적화 기법 대신 GANN(유전 알고리즘 + 인공신경망)이라는 복잡한 모델을 선택했나요?

A1: 용접 순서 최적화 문제는 용접 세그먼트 수가 늘어날수록 가능한 조합의 수가 폭발적으로 증가하는 ‘조합 최적화’ 문제입니다. 예를 들어, 8개의 용접 순서는 4만 가지가 넘는 경우의 수를 가집니다. 이 모든 경우를 FEA로 시뮬레이션하는 것은 현실적으로 불가능합니다. 따라서, 시간이 오래 걸리는 FEA 시뮬레이션을 빠르고 정확하게 모사하는 ANN ‘대리 모델’을 만들고, 방대한 탐색 공간을 효율적으로 탐색하는 GA를 결합하여 현실적인 시간 내에 최적해를 찾기 위해 GANN 모델을 사용했습니다.

Q2: 논문의 Table 33을 보면 5개 용접부에서 74.7%의 변형 감소를 달성했는데, 이는 기존 연구와 비교했을 때 어느 정도 수준의 성과인가요?

A2: 본 논문은 Asadi와 Goldak이 대리 모델을 사용하여 약 35%의 변형 감소를 달성한 선행 연구를 언급하고 있습니다(p.128). 이와 비교할 때, 본 연구에서 제안한 GANN 모델이 달성한 74.7%(5개 용접부) 및 73.8%(8개 용접부)의 변형 감소율은 기존 연구 대비 월등히 높은 성과입니다. 이는 ANN과 GA의 통합이 용접 변형 문제 해결에 매우 효과적임을 보여주는 결과입니다.

Q3: 연구에서 ‘원-핫 인코딩(one-hot encoding)’ 기법이 왜 필요했나요?

A3: 인공신경망(ANN)은 숫자 데이터를 입력으로 받지만, ‘1-2-3-4-5’와 같은 용접 순서는 단순한 크기 관계가 아닌 범주형 데이터입니다. 예를 들어, 순서 ‘2’가 ‘1’보다 두 배의 의미를 갖는 것이 아닙니다. 원-핫 인코딩은 ‘3’이라는 순서를 ‘[0,0,1,0,0…]’과 같은 이진 벡터로 변환하여 각 순서가 독립적인 범주임을 명확히 해줍니다. 이를 통해 ANN이 순서 간의 복잡한 비선형 관계를 효과적으로 학습하고 변형을 정확하게 예측할 수 있게 됩니다.

Q4: 연구 초반에 용접 공정 파라미터(전류, 속도 등)를 최적화한 이유는 무엇이며, 이것이 최종 목표인 순서 최적화와 어떻게 연결되나요?

A4: 최종 목표는 용접 ‘순서’가 변형에 미치는 영향을 분석하고 최적화하는 것입니다. 만약 용접 공정 ‘파라미터’가 최적이 아니라면, 변형의 원인이 순서 때문인지, 아니면 불안정한 용접 공정 자체 때문인지 명확히 구분하기 어렵습니다. 따라서 연구 초반에 다구치 기법 등으로 인장 강도와 경도가 우수한 최적의 공정 파라미터를 먼저 확립함으로써, 이후의 순서 최적화 단계에서는 변형에 대한 ‘순서’의 영향을 순수하게 평가하고 극대화할 수 있었습니다.

Q5: 이 연구 결과는 다른 종류의 재료나 더 두꺼운 판재 용접에도 동일하게 적용될 수 있을까요?

A5: 본 연구에서 개발한 GANN 방법론 자체는 범용성이 있습니다. 즉, 다른 재료(예: 알루미늄-구리)나 다른 두께의 판재에도 동일한 프레임워크(FEA 데이터 생성 → ANN 학습 → GA 최적화)를 적용할 수 있습니다. 다만, 재료의 물성치와 두께가 달라지면 열전달 및 기계적 거동이 변하므로, 해당 조건에 맞는 새로운 FEA 시뮬레이션 데이터를 생성하고 ANN 모델을 다시 훈련시키는 과정이 필요합니다. 도출된 최적 순서는 달라지겠지만, 최적 순서를 찾아가는 과정과 그 효과는 유사할 것으로 기대됩니다.

결론: 더 높은 품질과 생산성을 향한 길

이종 금속 용접에서 발생하는 변형은 오랫동안 제조 현장의 품질과 비용을 저해하는 고질적인 문제였습니다. 본 연구는 인공지능과 유한요소해석을 결합하여 용접 변형 최소화를 위한 강력한 해법을 제시했습니다. ANN과 GA를 통합한 GANN 모델은 수만 가지의 가능성 속에서 최적의 용접 순서를 효율적으로 찾아내고, 변형을 최대 74.7%까지 획기적으로 줄일 수 있음을 입증했습니다.

이러한 접근법은 더 이상 값비싼 시행착오나 숙련공의 감에 의존하지 않고, 데이터 기반의 과학적인 방법으로 용접 공정을 사전에 설계할 수 있음을 의미합니다. 이는 자동차, 항공우주, 조선 등 고정밀 용접이 요구되는 모든 산업 분야에서 품질 향상과 생산성 증대를 위한 중요한 전환점이 될 수 있습니다.

“STI C&D는 최신 산업 연구를 적용하여 고객이 더 높은 생산성과 품질을 달성할 수 있도록 최선을 다하고 있습니다. 이 논문에서 논의된 과제가 귀사의 운영 목표와 일치한다면, 저희 엔지니어링 팀에 연락하여 이러한 원칙을 귀사의 부품에 어떻게 구현할 수 있는지 논의해 보십시오.”

(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

저작권 정보

이 콘텐츠는 “Jeyaganesh Devaraj”의 논문 “MINIMIZATION OF THE WELD DISTORTION BY WELD SEQUENCE OPTIMIZATION USING ARTIFICIAL INTELLIGENCE”를 기반으로 한 요약 및 분석 자료입니다.
출처: https://scholarworks.uaeu.ac.ae/all_theses/1013/

PDF View