Figure 6 : Image showing gun angle and stand-off measurement

이 기술 요약은 J.W.P.Cairns, N.A.McPherson, A.M.Galloway가 2015년 18th International Conference on Joining Materials, JOM-18에 발표한 논문 “Using artificial neural networks to identify and optimise the key parameters affecting geometry of a GMAW fillet weld”를 기반으로 하며, STI C&D의 기술 전문가를 위해 분석 및 요약되었습니다.

키워드

  • Primary Keyword: GMAW 필렛 용접
  • Secondary Keywords: 인공신경망(ANN), 용접 파라미터 최적화, 용입 깊이 예측, 용접 품질 관리, CFD

Executive Summary

  • The Challenge: GMAW 필렛 용접에서 구조적 무결성을 결정하는 내부 용입 깊이를 파괴 검사 없이 일관되게 보장하는 것은 매우 어렵습니다.
  • The Method: 주요 용접 파라미터(전류, 전압, 이동 속도, 건 각도, 진행 각도)가 용접 형상에 미치는 영향을 분석하기 위해 인공신경망(ANN) 모델을 개발하고 검증했습니다.
  • The Key Breakthrough: 전류가 용입 깊이에 가장 큰 영향을 미치며, 개별적으로는 영향이 적어 보였던 건 각도와 진행 각도가 전류와 상호작용할 때 용입 깊이를 결정하는 매우 중요한 변수가 됨을 발견했습니다.
  • The Bottom Line: ANN 모델을 활용하면 GMAW 공정의 핵심 파라미터와 그 복잡한 상호작용을 정량적으로 분석하여, 비파괴적으로 용접 품질을 예측하고 최적화할 수 있습니다.
Figure 1: Fillet Weld Inputs and Outputs
Figure 1: Fillet Weld Inputs and Outputs

The Challenge: Why This Research Matters for CFD Professionals

조선과 같은 산업에서 필렛 용접은 전체 용접 길이의 상당 부분을 차지하며, 공정 개선은 곧바로 상당한 비용 절감으로 이어집니다. 필렛 용접의 품질, 특히 구조적 무결성을 좌우하는 내부 용입(penetration) 깊이는 외부에서 쉽게 측정할 수 없습니다. 따라서 대부분의 경우 파괴 검사를 통해 품질을 확인해야 하며, 이는 시간과 비용을 증가시키는 요인입니다.

가장 비용 효율적인 품질 확보 방법은 용접 입력 파라미터를 정밀하게 제어하는 것입니다. 하지만 GMAW 공정에는 전류, 전압, 이동 속도, 가스 유량, 건 각도, 진행 각도 등 수많은 변수가 존재하며, 이들 변수가 최종 용접 형상에 미치는 영향은 매우 복잡합니다. 더욱이, 최적의 파라미터에 대한 업계 및 공급업체의 가이드라인은 매우 다양하고 때로는 서로 모순되어 현장 엔지니어들에게 혼란을 주기도 합니다. 본 연구는 이러한 문제를 해결하기 위해 인공신경망(ANN)이라는 강력한 도구를 사용하여 핵심 파라미터와 그 상호작용을 식별하고 최적화하는 것을 목표로 합니다.

The Approach: Unpacking the Methodology

본 연구는 스트래스클라이드 대학교의 용접 리그와 맞춤형 지그를 사용하여 실험을 수행했습니다. 이 지그는 건 각도(35°, 40°, 45°, 50°)와 진행 각도(-30° ~ +30°)를 정밀하게 제어할 수 있도록 설계되었습니다.

  • 재료 및 공정: 6mm 두께의 DH36 강판을 T-Joint 형태로 배치하고, 1mm 직경의 메탈 코어드 와이어(NST MC-1)를 사용한 GMAW 공정으로 용접을 수행했습니다.
  • 핵심 변수: 건 각도, 진행 각도, 이동 속도(300, 400, 500 mm/min), 전압(21, 24, 26 V), 전류(170, 220, 270 A)를 주요 변수로 설정했습니다. 보호 가스(20% CO2 / 80% Ar), 스탠드오프 등 다른 변수들은 일정하게 유지되었습니다.
  • 데이터 수집 및 분석: 휴대용 아크 모니터링 시스템(PAMS)으로 전류와 전압을 정밀하게 측정했으며, 용접 후 시편을 절단하고 매크로그래프 촬영을 통해 ImageJ 소프트웨어로 레그 길이와 용입 깊이를 측정했습니다.
  • ANN 모델 개발: 총 97개의 실험 데이터를 사용하여 Neurosolutions for Excel 소프트웨어로 인공신경망 모델을 개발했습니다. 5개의 입력(전류, 전압, 이동 속도, 건 각도, 진행 각도)과 3개의 출력(용입 깊이, 수직/수평 레그 길이)을 갖는 다층 퍼셉트론(Multi-Layer Perceptron, MLP) 모델이 가장 높은 정확도를 보여 최종 모델로 선정되었습니다.

The Breakthrough: Key Findings & Data

ANN 모델 분석을 통해 GMAW 필렛 용접의 품질을 좌우하는 핵심 요인과 그들의 복잡한 상호작용에 대한 중요한 통찰을 얻었습니다.

Finding 1: 전류와 이동 속도가 용접 형상을 결정하는 핵심 요소

민감도 분석 결과, 각 파라미터가 용접 형상에 미치는 개별적인 영향력을 명확히 확인할 수 있었습니다. 그림 12에서 볼 수 있듯이, 전류(CUR)는 용입 깊이(PEN)에 가장 큰 영향을 미치는 압도적인 파라미터였습니다. 반면, 이동 속도(TSP)는 수직 및 수평 레그 길이(VLEG, HLEG)를 결정하는 가장 중요한 요인으로 나타났으며, 전류와 전압이 그 뒤를 이었습니다.

Finding 2: 숨겨진 상호작용 효과의 발견: 건 각도와 진행 각도의 중요성

단일 변수 분석만으로는 파악할 수 없는 복잡한 상호작용 효과가 발견되었습니다. 개별적으로는 영향력이 낮아 보였던 건 각도(GA)와 진행 각도(TA)가 다른 변수와 결합될 때 매우 중요한 역할을 했습니다. 그림 13에 따르면, 건 각도, 진행 각도, 전류의 3방향 상호작용(TA x GA x Cur)은 용입 깊이에 두 번째로 큰 영향을 미치는 요인으로 나타났습니다. 이는 건 각도와 진행 각도를 전류와 함께 고려해야만 용입 깊이를 정밀하게 제어할 수 있음을 의미합니다. 또한, 그림 14는 레그 길이에 가장 큰 영향을 미치는 것이 이동 속도(TS)와 진행 각도(TA)의 2방향 상호작용(TA x TS)임을 보여줍니다.

Finding 3: ‘Pushing’ 방식이 용접 안정성을 높인다

진행 각도(Travel Angle)의 방향에 따른 영향을 분석한 결과, ‘Pushing'(+ve, 전진법) 방식이 용접 품질의 일관성을 높이는 데 유리하다는 점이 확인되었습니다. 그림 15와 16은 ‘Pushing’ 각도를 사용했을 때, 열 입력(Heat Input)이 변하더라도 용입 깊이와 레그 길이의 변동 폭이 ‘Pulling'(-ve, 후진법)이나 중립(0 deg) 방식보다 현저히 감소함을 보여줍니다. 특히, ‘Pushing’ 방식에서는 레그 길이가 열 입력 변화에 덜 민감해져 더욱 안정적이고 예측 가능한 용접 결과를 얻을 수 있었습니다.

Practical Implications for R&D and Operations

  • For Process Engineers: 이 연구는 용접 절차 사양서(WPS) 수립 시 ‘Pushing’ 진행 각도를 우선적으로 고려하고, 전류와 이동 속도를 목표 품질에 맞게 정밀하게 제어하는 것이 용입 깊이와 레그 길이의 일관성을 확보하는 데 기여할 수 있음을 시사합니다.
  • For Quality Control Teams: 논문의 그림 12와 13 데이터는 전류가 용입 깊이에 미치는 지배적인 영향을 명확히 보여줍니다. 따라서 실시간 전류 모니터링을 강화하고, 그 변동성을 관리하는 것을 새로운 품질 검사 기준으로 도입하여 용접 품질을 간접적으로 평가할 수 있습니다.
  • For Design Engineers: 공정 설계 시, 건 각도와 진행 각도가 다른 파라미터와 복합적으로 작용하여 최종 품질에 큰 영향을 미칠 수 있다는 점을 고려해야 합니다. 따라서 용접 절차를 개발할 때 이들의 상호작용을 명시하고, 용접 자동화 시스템에 이를 반영하는 것이 중요합니다.

Paper Details

Using artificial neural networks to identify and optimise the key parameters affecting geometry of a GMAW fillet weld

1. Overview:

  • Title: Using artificial neural networks to identify and optimise the key parameters affecting geometry of a GMAW fillet weld
  • Author: Cairns, Jonathan and McPherson, Norman and Galloway, Alexander
  • Year of publication: 2015
  • Journal/academic society of publication: 18th International Conference on Joining Materials, JOM-18
  • Keywords: Artificial Neural Networks (ANN), Fillet Welding, GMAW, Travel Angle, Gun Angle, Penetration, Leg Length

2. Abstract:

가스 메탈 아크 용접(GMAW) 파라미터 제어는 우수한 품질과 일관된 필렛 용접 형상을 유지하는 데 핵심적이다. 필렛 용접의 외부 형상은 쉽게 측정할 수 있지만, 접합부의 구조적 무결성을 결정하는 데 중요한 내부 형상(즉, 용입)은 공작물을 파괴적으로 테스트하지 않고는 측정하기 어렵다. 결과적으로, 적절한 용입을 보장하는 가장 비용 효율적인 방법은 입력 파라미터를 긴밀하게 제어하는 것이다. 나아가, 접합부 용입에 영향을 미치는 파라미터와 상호작용에 대한 엄격한 제어를 입증할 수 있다면, 충분한 용입이 달성되고 있다는 신뢰도를 높일 수 있다. 본 논문은 인공신경망(ANN)을 사용하여 결과적인 필렛 용접 형상에 영향을 미치는 파라미터와 특정 상호작용을 식별하는 연구 프로그램을 문서화한다. 본 논문에서 평가될 변수에는 전류, 전압, 이동 속도, 건 각도, 진행 각도가 포함된다.

Figure 6 : Image showing gun angle and stand-off measurement
Figure 6 : Image showing gun angle and stand-off measurement
Figure 7 : Image showing travel angle measurement
Figure 7 : Image showing travel angle measurement

3. Introduction:

조선업에서 하향 필렛 용접은 선박의 전체 용접 길이에서 상당한 부분을 차지하며, 따라서 집중적인 공정 개선이 상당한 비용 절감을 제공할 수 있는 영역을 대표한다. 접합부의 구조적 무결성을 결정하는 데 중요한 내부 형상(즉, 용입)은 공작물을 파괴적으로 테스트하지 않고는 측정하기 어렵기 때문에, 적절한 용입을 보장하는 가장 비용 효율적인 방법은 입력 파라미터를 긴밀하게 제어하는 것이다. 본 논문은 전류, 전압, 이동 속도, 진행 각도, 건 각도 파라미터와 그 상호작용이 결과적인 필렛 용접 형상(레그 길이 및 용입)에 미치는 영향을 구체적으로 다룬다.

4. Summary of the study:

Background of the research topic:

GMAW 필렛 용접은 주요 산업에서 널리 사용되지만, 수많은 입력 변수와 그들의 복잡한 상호작용으로 인해 일관된 품질, 특히 내부 용입 깊이를 확보하기 어렵다. 기존의 가이드라인은 종종 모순되어 최적의 파라미터 설정에 어려움이 있다.

Status of previous research:

이전에도 ANN을 사용하여 GMAW 용접 형상을 예측하려는 여러 연구가 있었지만, 건 각도와 진행 각도, 그리고 이들의 상호작용이 용접 형상에 미치는 영향을 종합적으로 조사한 연구는 없었다.

Purpose of the study:

인공신경망(ANN)을 사용하여 GMAW 필렛 용접의 핵심 입력 파라미터(전류, 전압, 이동 속도, 건 각도, 진행 각도)와 그 상호작용이 최종 용접 형상(레그 길이, 용입 깊이)에 미치는 영향을 식별하고 정량화하는 것을 목표로 한다.

Core study:

실험적으로 제어된 조건에서 97개의 용접 시편을 제작하고, 측정된 데이터를 기반으로 ANN 모델을 훈련 및 검증했다. 개발된 모델을 사용하여 민감도 분석과 상호작용 분석을 수행하여 각 파라미터의 중요도와 숨겨진 관계를 규명했다.

5. Research Methodology

Research Design:

실험적 연구 설계를 채택하여, 5개의 주요 입력 변수(건 각도, 진행 각도, 이동 속도, 전압, 전류)를 체계적으로 변경하며 용접을 수행하고, 3개의 출력 변수(용입 깊이, 수직/수평 레그 길이)를 측정했다.

Data Collection and Analysis Methods:

  • 데이터 수집: PAMS를 사용하여 전기적 신호를, 맞춤형 지그로 기계적 각도를 제어 및 측정했다. 용접 후 시편을 절단하고 매크로그래프를 촬영하여 ImageJ 소프트웨어로 형상 치수를 측정했다.
  • 데이터 분석: 수집된 데이터를 사용하여 Neurosolutions for Excel에서 ANN 모델을 개발했다. 모델의 예측 성능을 검증한 후, 민감도 분석과 분산 분석(ANOVA)을 통해 주요 효과와 상호작용 효과를 분석했다.

Research Topics and Scope:

본 연구는 6mm 두께의 DH36 강판을 사용한 GMAW T-Joint 필렛 용접에 국한된다. 연구 범위는 5개의 특정 입력 파라미터가 용접 형상에 미치는 영향을 분석하는 것으로, 갭(Gap), 가스 유량, 노즐 직경과 같은 다른 변수들의 영향은 향후 연구 과제로 남겨두었다.

6. Key Results:

Key Results:

  • ANN 모델은 주어진 입력 파라미터에 대해 필렛 용접 형상을 정확하게 예측할 수 있었다.
  • 민감도 분석 결과, 전류는 용입 깊이에, 이동 속도는 레그 길이에 가장 큰 영향을 미치는 단일 변수임이 확인되었다.
  • 상호작용 분석 결과, 건 각도와 진행 각도는 단독으로는 영향이 적지만 전류와 상호작용할 때 용입 깊이에 매우 중요한 영향을 미치는 것으로 나타났다.
  • ‘Pushing'(+ve) 진행 각도는 ‘Pulling'(-ve) 방식보다 열 입력 변화에 대해 더 일관되고 안정적인 용접 형상을 제공했다.
  • 50°의 건 각도는 40°나 45°에 비해 약간 더 안정적인 용입 깊이를 보이는 경향이 있었다.

Figure List:

  • Figure 1: Fillet Weld Inputs and Outputs
  • Figure 2: Typical Example of ANN Architecture
  • Figure 3: Image of Welding Rig
  • Figure 4: Jig for setting Travel and Gun Angle
  • Figure 5: Example of DH36 Mild Steel ‘T’ test piece
  • Figure 6: Image showing gun angle and stand-off measurement
  • Figure 7: Image showing travel angle measurement
  • Figure 8: Sample Macrographed Fillet Weld
  • Figure 9: Key Fillet Weld Geometry
  • Figure 10: Visual Representation of selected ANN architecture
  • Figure 11: ANN Model Results (Actual vs Predicted)
  • Figure 12: Results of ANN Sensitivity Analysis
  • Figure 13: Analysis of key parameters and interactions affecting penetration
  • Figure 14: Analysis of key parameters and interactions affecting leg length
  • Figure 15: Graph showing impact of varying travel angle has on penetration
  • Figure 16: Graph showing impact of varying travel angle has on average leg length
  • Figure 17: Graph showing impact of varying gun angle has on penetration and average leg length

7. Conclusion:

본 논문에 상세히 기술된 결과는 ANN 소프트웨어를 사용하여 주어진 입력 파라미터 세트에 대해 필렛 용접 형상을 정확하게 예측할 수 있는 모델을 생성할 수 있음을 보여준다. 민감도 분석과 상호작용 평가 결과 또한 대체로 일치했다. 전류는 용입을 결정하는 데 가장 영향력 있는 요소이며, 이동 속도와 전류는 모두 레그 길이를 결정하는 데 영향력 있는 요소이다. 효과 및 상호작용 분석은 또한 입력 파라미터 간에 필렛 용접의 용입과 레그 길이를 결정하는 데 중요한 다수의 상호작용이 있음을 확인했다. 분석 결과는 또한 ‘Pushing’ 진행 각도가 선호된다는 대다수의 지침과도 일치한다. 이는 결과적인 레그 길이가 열 입력 변화에 덜 민감하고 용입의 변동이 적기 때문이다.

8. References:

  1. Beckett, S., MacPherson, M.J., McPherson, N.A. 2011. Improved Welding Control of Automated Fillet Welding for Ship Structures Using Artificial Neural Networks (ANN). Presented at JOM 16 Conference, May 2011, Helsingør.
  2. Lightfoot, M.P., Bruce, G.J., McPherson, N.A., Woods, K. 2005. The Application of Artificial Neural Networks to Weld-Induced Deformation in Ship Plate. Supplement to the Welding Journal, pp23-26.
  3. MIG Welding Guidelines [online] Available at: < www.millerwelds.com>
  4. Welding Lesson [online] Available at: < www.sweethaven.com>
  5. BOC, Fundamentals of flux and Metal Cored Arc Welding, Section 8: Consumables (2007), pp322-325.
  6. Harwig, D. 2000. Arc Wise – Optimisation, Productivity and Quality in Arc Welding, Materials Joining Technology Newsletter, VI 13, No 2.
  7. Pal, K., Bhattacharya, S., Pal, S.K. 2010, Multisensor-based monitoring of weld deposition and plate distortion for various torch angles in pulsed MIG welding, Int J Adv Manuf Technol (2010) 50:543-556
  8. Tham, G., Yaakub, M.Y., Abas, S.K., Manurung, Y., Jalil, B.A., 2012. Predicting the GMAW 3F T-Fillet Geometry and its Welding Patameter. Procedia Engineering 41 (2012), pp1794-1799
  9. MIG (GMAW) Welding Techniques [online] Available at: < www.weldingspark.com>
  10. LR058 BOC, Fundamentals of flux and Metal Cored Arc Welding, Section 8: Consumables (2007), pp322-325.
  11. Campbell, S.W., Galloway, A.M., McPherson, N.A. 2012. Artificial Neural Network Prediction of Weld Geometry performed using GMAW with Alternating Shielding Gases.
  12. Dadgar Asl, Y.,Mostafa, N.B., Panahizadeh, V., Seyedkashi, S.M.H. 2011. Prediction of Weld Penetration in FCAW of HSLA Steel using Artificial Neural Networks.
  13. Moon, H., Na, S. 1997. Optimum Design Based on Mathematical Model and Neural Network to Predict Weld Parameters for Fillet Joints.
  14. Andersen, K., Cook, G., Karsai, G., Ramaswamy, K. 1990. Artificial Neural Networks Applied to Arc Welding Process Modeling and Control
  15. Nagesh, D.S., Datta, G.L.2002. Prediction of Weld Bead Geometry and Penetration in shielded metal-arc welding using artificial neural networks.
  16. Nagesh, D.S., Datta, G.L.2008.Modeling of fillet welded joint of GMAW process: integratedapproach using DOE, ANN and GA.
  17. Kumar, A., Debroy, T. Tailoring Fillet Weld Geometry Using a Genetic Algorithm and a Neural Network Trained with Convective Heat Flow Calculations.
  18. Chan, B., Pacey, J., Bibby, M. 1998. Modelling Gas Metal Arc Weld Geometry Using Artificial Neural Network Technology.
  19. Nagesh, D.S., Datta, G.L.Genetic Algorithm and Artificial Neural Networks Application for Modeling of Fillet Welded Joint of GMAW Process.
  20. Bhadeshia, H.K.D.H. 1999. Neural Networks in Materials Science
  21. Kim, I.S., Son, J.S., Park, C.E., Kim, I.J., Kim, H.H.2005. An investigation into an intelligent system for predicting bead geometry in GMA Welding process.
  22. Cairns, J., McPherson, N.A., Galloway, A.M., MacPherson, M., McKechnie, C. 2013. Optimised Penetration for Fillet Welding. Presented at JOM 17 Conference, May 2013, Helsingør.

Expert Q&A: Your Top Questions Answered

Q1: 왜 이 연구에서는 다양한 용접 파라미터 중 특히 건 각도와 진행 각도에 주목했습니까?

A1: 기존 업계 및 공급업체의 가이드라인이 건 각도와 진행 각도에 대해 매우 다양하고 때로는 모순된 정보를 제공하기 때문입니다. 이 연구는 이러한 혼란을 해소하고, 이들 각도가 다른 주요 파라미터(전류, 속도 등)와 어떻게 상호작용하여 최종 용접 형상에 영향을 미치는지 정량적으로 규명하고자 했습니다.

Q2: 민감도 분석(그림 12)에서 건 각도와 진행 각도의 영향력이 낮게 나타났는데, 어떻게 이들이 중요하다고 결론 내릴 수 있습니까?

A2: 민감도 분석은 각 변수의 개별적인 영향을 보여주지만, 상호작용 분석(그림 13)에서는 이들 각도가 전류와 결합될 때 용입 깊이에 매우 중요한 영향을 미치는 ‘상호작용 효과’가 발견되었습니다. 이는 단일 변수 분석만으로는 파악할 수 없는 복잡한 공정의 특성을 보여주며, ANN 모델이 이러한 숨겨진 패턴을 찾아내는 데 유용함을 입증합니다.

Q3: ANN 모델의 정확성은 어떻게 검증되었습니까?

A3: 모델은 총 97개의 실험 데이터 중 72개로 훈련되고 25개로 교차 검증 및 테스트되었습니다. 또한, 추가적인 실험 데이터를 사용하여 모델의 예측값과 실제 측정값을 비교했으며, 그림 11에서 볼 수 있듯이 예측값과 실제 출력값 사이에 전반적으로 좋은 일치도를 보여 모델의 신뢰성을 확보했습니다.

Q4: ‘Pushing'(+ve) 진행 각도가 왜 더 안정적인 결과를 보인다고 생각하십니까?

A4: 논문에서는 ‘Pushing’ 각도가 용접 안정성을 높이는 이유에 대해 용접 풀의 동역학(weld pool dynamics)에 대한 추가 분석이 필요하다고 언급합니다. 다만, 결과(그림 15, 16)는 ‘Pushing’ 방식이 열 입력 변화에 대해 레그 길이를 덜 민감하게 만들고 용입 깊이의 변동성을 줄여, 더 일관된 용접 품질을 달성하는 데 유리하다는 것을 명확히 보여줍니다.

Q5: 이 연구 결과를 실제 조선소 현장에 어떻게 적용할 수 있을까요?

A5: 이 연구에서 개발된 ANN 모델과 같은 접근법을 사용하여 특정 조선소의 용접 절차에 맞는 맞춤형 예측 모델을 개발할 수 있습니다. 이를 통해 용접사에게 보다 정밀한 파라미터 가이드를 제공하고, 실시간 모니터링 데이터와 결합하여 용접 품질을 비파괴적으로 예측하고 관리함으로써 재작업 비용을 줄이고 생산성을 높일 수 있습니다.

Conclusion: Paving the Way for Higher Quality and Productivity

본 연구는 인공신경망(ANN)이 GMAW 필렛 용접과 같이 복잡한 다중 변수 공정을 이해하고 최적화하는 데 매우 강력한 도구임을 입증했습니다. 단순히 개별 파라미터의 영향을 넘어, 이들 간의 복잡한 상호작용이 최종 품질에 얼마나 큰 영향을 미치는지 정량적으로 보여주었습니다. 특히, ‘Pushing’ 진행 각도를 채택하는 것이 용접 품질의 일관성을 확보하는 데 유리하다는 실질적인 가이드를 제공합니다. 이러한 데이터 기반 접근 방식은 경험에 의존하던 기존의 용접 공정 관리를 한 단계 발전시켜, 더 높은 품질과 생산성을 달성하는 길을 열어줍니다.

STI C&D는 최신 산업 연구 결과를 적용하여 고객이 더 높은 생산성과 품질을 달성할 수 있도록 지원하기 위해 최선을 다하고 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 “Using artificial neural networks to identify and optimise the key parameters affecting geometry of a GMAW fillet weld” by “Cairns, Jonathan and McPherson, Norman and Galloway, Alexander”.
  • Source: http://strathprints.strath.ac.uk/53412/

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

PDF View