강재 | FLOW-3D

Figure 10. Gas metal arc welding operation (Jeffus 2012, p. 235).

초고장력강(UHSS) GMAW 용접 최적화: FEA 예측을 통한 열 영향부(HAZ) 제어 전략

이 기술 요약은 Alnecino Alves Netto가 2019년 라펜란타-라티 기술대학교(Lappeenranta-Lahti University of Technology)에 제출한 석사 학위 논문 “Optimization of Gas Metal Arc Welding Process Parameters in Ultra-High Strength Steels Based on Prediction”을 바탕으로 STI C&D의 기술 전문가가 분석하고 요약한 내용입니다.

키워드

Primary Keyword: 초고장력강 용접 최적화
Secondary Keywords: GMAW, 유한요소해석(FEA), 열 영향부(HAZ), 용접 시뮬레이션, S960 강재, 열 입력 제어

Executive Summary

도전 과제: 초고장력강(UHSS)은 경량화와 안전성 향상을 위해 필수적이지만, 용접 시 발생하는 열로 인해 열 영향부(HAZ)의 미세구조가 변하고 기계적 특성이 저하되는 문제가 있습니다.
해결 방법: S960 초고장력강 소재의 가스 메탈 아크 용접(GMAW) 공정을 실제 실험과 유한요소해석(FEA) 시뮬레이션으로 비교하여, 용접 변수가 열적, 기계적 거동에 미치는 영향을 분석했습니다.
핵심 성과: FEA 시뮬레이션은 용접 열 입력, 단일/다중 패스 조건에 따른 열 영향부(HAZ)의 범위, 피크 온도, 냉각 속도를 정확하게 예측했으며, 이는 실제 실험에서 측정한 경도 분포 및 미세구조 변화와 높은 상관관계를 보였습니다.
핵심 결론: 용접 시뮬레이션은 물리적 테스트 없이도 UHSS 용접 공정 변수를 최적화하여 원하는 미세구조와 품질을 확보할 수 있는 강력하고 효율적인 예측 도구입니다.

도전 과제: 왜 이 연구가 CFD 전문가에게 중요한가?

자동차 산업을 필두로 많은 분야에서 경량화와 동시에 더 높은 강도를 요구하고 있습니다. 초고장력강(UHSS)은 이러한 요구를 충족시키는 핵심 소재로 각광받고 있지만, 그 우수한 특성을 유지하기 위해서는 용접 공정의 정밀한 제어가 필수적입니다.

UHSS는 다량의 합금 원소를 포함하고 복잡한 열처리를 거치기 때문에 용접 열에 매우 민감합니다. 특히 가스 메탈 아크 용접(GMAW)과 같이 상대적으로 높은 열 입력이 가해지는 공정에서는 다음과 같은 문제가 발생할 수 있습니다.

열 영향부(HAZ) 연화: 모재가 용접 열에 의해 재가열되면서 원래의 강화된 미세구조가 변하여 경도가 낮아지는 현상으로, 구조물의 전체 강도를 저하시킵니다.
취성 파괴 위험: 반대로 너무 빠른 냉각은 HAZ에 취약한 마르텐사이트 조직을 형성하여 용접부의 균열 민감도를 높일 수 있습니다.
변형 및 잔류 응력: 국부적인 가열과 냉각은 예측하기 어려운 변형과 잔류 응력을 유발하여 부품의 치수 정밀도를 떨어뜨리고 피로 수명을 단축시킵니다.

이러한 문제들을 해결하기 위해 수많은 시행착오를 거쳐 최적의 용접 조건을 찾는 것은 막대한 시간과 비용을 초래합니다. 따라서, 실제 용접 전에 그 결과를 정확히 예측할 수 있는 신뢰성 있는 시뮬레이션 기술의 필요성이 절실합니다. 본 연구는 바로 이 지점에서 출발하여, FEA 기반 예측이 UHSS 용접 품질을 어떻게 혁신할 수 있는지 보여줍니다.

접근 방식: 연구 방법론 분석

본 연구는 실제 물리적 실험과 가상 시뮬레이션의 결과를 비교 검증하는 방식으로 진행되었습니다. 이를 통해 시뮬레이션 모델의 신뢰도를 확보하고, 다양한 조건에서의 용접 거동을 예측하는 기반을 마련했습니다.

소재: 두께 5mm의 S960 QC(Quenched and Cold formable) UHSS 강판을 모재로, Union X 96(ER120S-G) 솔리드 와이어를 용가재로 사용했습니다.
용접 공정: ABB 용접 로봇을 이용하여 GMAW 공정으로 맞대기 용접(butt joint)을 수행했습니다. 용접 속도, 전압, 전류 등 주요 변수를 정밀하게 제어했습니다.
데이터 수집: 용접부 근처에 5개의 열전대(thermocouple)를 설치하여 용접 중 실시간 열 이력(thermal cycle)을 측정했습니다. 용접 후에는 단면을 채취하여 매크로 조직 관찰, 비커스 경도 측정을 통해 HAZ의 특성을 분석했습니다.
시뮬레이션: 상용 FEA 소프트웨어인 ANSYS R15.0을 사용하여 3차원 용접 모델을 구축했습니다. 가우시안 열원 모델(Gaussian heat source)을 적용하여 실제 GMAW 공정의 열 분포를 모사했으며, 과도 열 해석(transient thermal analysis)과 열-구조 연성 해석(thermo-mechanical analysis)을 통해 온도 분포, HAZ 범위, 변형 및 응력을 예측했습니다.

핵심 성과: 주요 발견 및 데이터

시뮬레이션 결과는 실제 실험 데이터와 놀라울 정도로 일치했으며, 용접 변수 제어의 중요성을 명확히 보여주었습니다.

성과 1: 열 이력 및 HAZ 범위의 정확한 예측

시뮬레이션은 용접부의 열적 거동을 매우 정확하게 예측했습니다. 0.49 kJ/mm의 열 입력 조건에서 수행된 단일 패스 용접 시뮬레이션 결과, 용접 중심선에서 가장 가까운 프로브(probe 1)의 피크 온도는 약 550°C, 냉각 속도는 약 47°C/s로 예측되었습니다. 이는 실제 실험에서 측정된 피크 온도 및 냉각 속도(42°C/s)와 매우 근사한 값입니다. 또한, 시뮬레이션을 통해 예측된 용융부(fusion zone)와 HAZ의 형상 및 크기는 실제 용접 단면의 매크로 사진(그림 32)과 시각적으로 거의 동일한 ‘V’자 형태를 보이며 모델의 높은 정확도를 입증했습니다.

성과 2: 열 입력량과 다중 패스가 미세구조 및 기계적 특성에 미치는 영향

본 연구는 열 입력량과 용접 패스 수가 최종 품질에 결정적인 영향을 미친다는 것을 정량적으로 보여주었습니다.

열 입력량 증가 효과: 열 입력을 0.84 kJ/mm로 높여 시뮬레이션한 결과, 피크 온도는 약 900°C로 급격히 상승했지만 냉각 속도는 19°C/s로 현저히 느려졌습니다. CCT 선도(그림 25)에 따르면, 이러한 느린 냉각 속도는 경도가 상대적으로 낮은 베이나이트(bainite) 조직의 생성을 촉진합니다. 이는 시뮬레이션으로 예측된 경도 값이 약 325 HV로, 0.49 kJ/mm 조건보다 낮게 나타난 결과와 일치합니다.
다중 패스 효과: 동일한 0.49 kJ/mm 열 입력 조건이라도 3회의 다중 패스로 용접할 경우, 열이 누적되어 HAZ의 범위가 단일 패스에 비해 거의 두 배 가까이 넓어지는 것을 확인했습니다(그림 31). 이는 후속 패스가 이전 용접부를 재가열하여 미세구조에 더 복잡한 변화를 일으킴을 의미하며, 다중 패스 용접 시에는 중간층 온도(interpass temperature) 관리가 매우 중요함을 시사합니다.

R&D 및 운영을 위한 실질적 시사점

본 연구 결과는 다양한 분야의 엔지니어들에게 실질적인 가이드를 제공합니다.

공정 엔지니어: 이 연구는 열 입력이 S960 강재 용접의 핵심 제어 변수임을 명확히 보여줍니다. 5mm 두께 강판에 대해 0.49 kJ/mm의 열 입력이 적절한 결과를 보였으며, 시뮬레이션을 통해 전압, 전류, 용접 속도를 조절하여 목표로 하는 HAZ 특성(예: 연화 방지)을 달성할 수 있습니다.
품질 관리팀: 논문의 경도 분포 데이터(그림 24)와 CCT 선도(그림 25)는 용접부 품질 검사 기준을 수립하는 데 직접 활용될 수 있습니다. 용융부(FZ)에서는 경도가 400 HV 이상으로 높아지고 특정 HAZ 구간에서는 모재보다 연화될 수 있다는 예측은 잠재적인 결함 부위를 특정하고 집중적으로 검사하는 데 도움을 줍니다.
설계 엔지니어: 시뮬레이션으로 예측된 총 변형량(그림 33, 1.277 mm)과 잔류 응력 분포는 용접 변형을 최소화하기 위한 지그 및 고정구 설계에 중요한 정보를 제공합니다. 또한, 다중 패스 용접이 HAZ를 크게 확장시킨다는 결과는, 가능하면 단일 패스 용접이 가능하도록 맞대기 형상이나 부품 설계를 최적화해야 한다는 점을 시사합니다.

논문 정보

**Optimization of Gas Metal Arc Welding Process Parameters in Ultra-High Strength Steels Based on Prediction

1. 개요:

제목: Optimization of Gas Metal Arc Welding Process Parameters in Ultra-High Strength Steels Based on Prediction
저자: Alnecino Alves Netto
발표 연도: 2019
발표 학회/기관: Lappeenranta-Lahti University of Technology LUT
키워드: Ultra-high strength steels, gas metal arc welding, heat input, welding simulation.

2. 초록:

경량화와 고강도화를 목표로 하는 제품 제조를 위한 재료 탐색은 여러 기업에서 수년간 수행되어 왔습니다. 초고장력강(UHSS)은 재료의 특성 덕분에 강도를 높이면서 무게를 줄일 수 있는 제품 개발을 가능하게 한 복잡하고 정교한 재료로, 예를 들어 자동차 산업에서 차량의 연료를 절약하고 배출가스를 줄이는 데 기여합니다. 가스 메탈 아크 용접(GMAW)은 UHSS 기반의 여러 응용 분야에서 사용되어 왔으며, 잘 정립된 용접 공정으로 간주될 수 있습니다. UHSS 용접은 주로 합금의 양이 많고 재료에 적용된 열처리로 인해 미세구조가 용접에 더 높은 민감도를 갖게 되어 복잡성이 높습니다. 본 논문의 주요 목적은 예측 방법을 기반으로 S960 재료를 용접하기 위한 최적의 GMAW 매개변수를 선택하는 것입니다. 예상 결과를 달성하기 위해 유한요소해석(FEA)을 사용하여 맞대기 용접 조인트 실험 결과와 비교하여 결과를 시뮬레이션하고 평가했습니다. 계산 방법을 사용하는 목적은 실제 조건에 근접하게 하고 다양한 구조적 및 열적 거동을 평가하는 것입니다. 결과적으로, 용접 매개변수와 그로부터 파생된 열 입력이 UHSS 미세구조에 큰 영향을 미친다는 것을 발견했습니다. GMAW 용접 공정은 분석된 재료와 두께를 용접하는 데 만족스러운 결과를 얻었지만, 열 입력의 영향을 최소화하기 위해 펄스 및 레이저 용접과 같은 일부 기능과 특정 조인트 형상을 고려해야 함을 관찰했습니다. FEA를 사용하여 열 영향부(HAZ)의 범위, 피크 온도, 심지어 변형 및 수축의 영향을 추정할 수 있었습니다. 이러한 결과는 용접 매개변수의 변경만으로 바람직한 거동이나 미세구조를 예측하는 데 유용합니다. 마지막으로, 신세대 UHSS가 용접 구조물에서 우수한 결과를 달성했음을 관찰할 수 있었지만, 등급의 수는 여전히 실제 조건에 더 가까운 예측을 얻기 위해 조기 분석이 필요한 과제입니다.

3. 서론:

초고장력강(UHSS) 및 고장력강(AHSS)의 활용은 이러한 재료가 가져오는 장점 덕분에 광범위한 응용 분야에서 증가하고 확산되었습니다. 본 장에서는 이러한 재료의 분류와 관련된 맥락적 정보와 용접에서의 활용에 필요한 사항들을 제시할 것입니다. 또한, 본 연구의 연구 문제, 연구 질문, 목표 및 방법이 명확히 설명될 것입니다.

4. 연구 요약:

연구 주제의 배경:

경량화 및 연비 향상에 대한 요구로 자동차 산업 등에서 UHSS의 사용이 급증하고 있습니다. UHSS는 기존 강재보다 높은 강도를 제공하여 더 얇은 두께로 동일한 성능을 구현함으로써 구조물의 무게를 줄일 수 있습니다. 그러나 UHSS의 복잡한 미세구조와 합금 성분은 용접 공정을 매우 까다롭게 만들며, 특히 용접 열 입력(heat input)이 최종 제품의 품질에 미치는 영향을 정밀하게 제어하는 것이 중요합니다.

이전 연구 현황:

다양한 UHSS 등급에 대한 용접성 연구가 진행되어 왔습니다. 특히 HAZ에서의 연화 현상, 용접 금속의 기계적 특성 변화 등이 주요 연구 주제였습니다. 많은 연구가 실험적 접근에 의존해왔으나, 최근에는 유한요소해석(FEA)과 같은 수치 해석 기법을 통해 용접 현상을 예측하려는 시도가 증가하고 있습니다. 하지만 특정 강재 등급(S960)에 대한 GMAW 공정의 열적-기계적 거동을 실험과 시뮬레이션으로 종합적으로 비교 분석한 연구는 제한적이었습니다.

연구 목적:

본 연구의 목적은 예측 기법을 활용하여 S960 UHSS 강재의 GMAW 용접 공정 변수를 최적화하는 것입니다. 이를 위해 유한요소 시뮬레이션을 통해 용접 열 입력, 단일/다중 패스 용접 등의 변수가 용접부의 열 이력, 미세구조, 기계적 특성(경도, 변형, 응력)에 미치는 영향을 분석하고, 실제 실험 결과와 비교하여 시뮬레이션 모델의 신뢰성을 검증하고자 합니다. 최종적으로는 시뮬레이션을 통해 고품질의 신뢰성 있는 UHSS 용접 구조물을 제작하기 위한 공학적 기반을 제공하는 것을 목표로 합니다.

핵심 연구:

본 연구는 5mm 두께의 S960 UHSS 강판에 대한 GMAW 맞대기 용접을 핵심 연구 대상으로 합니다. 연구는 크게 두 부분으로 구성됩니다. 첫째, 실제 용접 실험을 통해 열전대로 온도 변화를 측정하고, 용접 후 시편의 단면 분석을 통해 매크로 조직과 경도 분포를 파악합니다. 둘째, ANSYS를 이용한 3차원 유한요소 모델을 구축하여 동일한 용접 조건 및 다양한 가상 조건(다른 열 입력, 다중 패스)에 대한 과도 열 해석과 열-구조 연성 해석을 수행합니다. 이 두 결과를 비교 분석하여 시뮬레이션의 예측 정확도를 평가하고, 열 입력이 UHSS 용접부의 품질에 미치는 영향을 정량적으로 규명합니다.

5. 연구 방법론

연구 설계:

본 연구는 실제 실험(Experimental Test)과 유한요소해석(FEA Simulation)을 병행하고 그 결과를 비교 검증하는 방식으로 설계되었습니다. 실험을 통해 얻은 데이터를 시뮬레이션 모델의 입력값 및 검증 자료로 활용하여 예측 모델의 신뢰도를 높이는 삼각측량법(triangulation method)을 채택했습니다.

데이터 수집 및 분석 방법:

실험 데이터 수집: S960 UHSS 강판(5mm)을 GMAW 로봇 용접 시스템을 이용하여 맞대기 용접했습니다. 용접선 인근에 설치된 5개의 K-타입 열전대를 통해 실시간 온도 데이터를 수집했습니다. 용접 후, 시편을 절단하고 에칭하여 매크로 조직을 관찰했으며, 비커스 경도 시험기를 사용하여 용융부(FZ), 열 영향부(HAZ), 모재(BM)에 걸친 경도 프로파일을 측정했습니다.
시뮬레이션 데이터 분석: ANSYS R15.0 소프트웨어를 사용하여 3차원 모델을 생성하고 메쉬를 구성했습니다. 가우시안 열원 모델을 적용하여 이동 열원을 모사하는 과도 열 해석을 수행하여 시간에 따른 온도 분포를 계산했습니다. 이 열 해석 결과를 하중 조건으로 입력하여 열-구조 연성 해석을 수행, 용접으로 인한 등가 응력(von-Mises stress)과 총 변형량을 분석했습니다.

연구 주제 및 범위:

본 연구는 S960 UHSS 강재의 GMAW 용접 공정에서 용접 변수, 특히 열 입력(heat input)이 용접부의 열적-기계적 특성에 미치는 영향에 초점을 맞춥니다. 연구 범위는 다음과 같이 제한됩니다. – 재료 및 공정: S960 QC 강재(5mm)와 GMAW 공정. – 평가 변수: 열 입력(0.49 kJ/mm, 0.84 kJ/mm), 용접 패스 수(단일, 다중). – 분석 대상: 열 이력(thermal cycle), HAZ 범위, 경도 분포, 등가 응력, 총 변형량. – 제한 사항: 보호 가스, 용접 자세, 와이어 직경 등 다른 변수들은 고정하여 열 입력의 영향을 집중적으로 분석했습니다.

Figure 15. Thermocouples and base metal positioning.

6. 주요 결과:

주요 결과:

GMAW 공정은 5mm 두께의 S960 UHSS 용접에 적합했으나, 열 입력 제어가 품질에 결정적인 영향을 미쳤습니다.
0.49 kJ/mm의 열 입력 조건에서 얻은 실험 결과(HAZ 경도, 열 이력)는 FEA 시뮬레이션 결과와 높은 일치도를 보여, 시뮬레이션의 예측 신뢰성을 확인했습니다.
용접부 경도 분석 결과, 용융부(FZ)는 약 400 HV로 가장 높았고, 열 영향부(HAZ) 일부 구간에서는 모재(약 350 HV)보다 낮은 250-300 HV의 연화 현상이 관찰되었습니다.
열 입력을 0.84 kJ/mm로 증가시키자 시뮬레이션 상에서 냉각 속도가 현저히 느려져(47°C/s → 19°C/s) 더 낮은 경도(약 325 HV)가 예측되었습니다.
다중 패스 용접은 단일 패스 용접에 비해 열이 누적되어 HAZ가 약 2배 더 넓게 형성되었으며, 이는 미세구조에 더 복잡한 영향을 줄 수 있음을 시사합니다.
시뮬레이션을 통해 용접으로 인한 최대 변형량(1.277 mm)과 최대 등가 응력(2256.8 MPa)을 예측하여 구조물의 설계 및 제작 단계에서 변형 제어에 활용할 수 있는 데이터를 확보했습니다.

Figure 목록:

Figure 1. AHSS and UHSS utilization forecast in North American light vehicle (Abraham 2015, р. 18).
Figure 2. Flowchart of the research methodology.
Figure 3. GHG emissions by material, in kg CO2e/kg material (World Auto Steel, 2017, p. 1-7).
Figure 4. Relation between elongation versus tensile strength of the conventional HSS, first generation and second generation of AHSS (Demeri 2013, p. 18).
Figure 5. Relation between elongation versus tensile strength (formability) of the conventional steels, AHSS grades and the third generation of AHSS (World Auto Steel 2017, p. 2-1).
Figure 6. Schematic microstructure of DP steels (Mod. World Auto Steel 2014, p. 2-2).
Figure 7. Schematic microstructure of TRIP steels, showing the ferrite, martensite, bainite and the retained austenite (Mod. World Auto Steels, 2014, p. 2-5).
Figure 8. Schematic microstructure of a 950/1200 martensitic steels microstructure (World Auto Steel 2017, p. 2-10).
Figure 9. UHHS applied in a body in white structure of a European Ford Fiesta (Ford Motor Company 2011).
Figure 10. Gas metal arc welding operation (Jeffus 2012, p. 235).
Figure 11. Transformations regions representation in a thermal cycle (Goldak & Akhlaghi 2005, р. 121).
Figure 12. Welding carbon steel: (a) HAZ and (b) phase diagram (Kou 2003, p. 395).
Figure 13. Rosenthal’s three-dimensional model of welding heat flow (Kou 2003, p. 51).
Figure 14. Flowchart of the experimental part.
Figure 15. Thermocouples and base metal positioning.
Figure 16. Location of the five (5) thermocouples probes in the experimental piece.
Figure 17. ABB welding robot utilized during the experiment.
Figure 18. Geometric dimensions of the weld plate used in the welding simulation.
Figure 19. Geometric dimensions of the square groove weld used in the welding simulation.
Figure 20. Mesh created on the finite element model.
Figure 21. Location of the five (5) thermocouple probes in the finite element model.
Figure 22. Description of the Gaussian heat flux source (ANSYS 2016, p. 9).
Figure 23. Macro etch cross section of a sample showing the fusion zone (FZ), coarse grain heat affected zone (CGHAZ), fine grain heat affected zone (FGHAZ) and base material (BM).
Figure 24. Hardness results (HV5) of the experimental test.
Figure 25. CCT diagram for an unprocessed Optim® 960 QC material.
Figure 26. Thermal cycle obtained by the physical sample experiment.
Figure 27. Thermal cycle of a single pass welding at Q=0.49 kJ/mm, v=5 mm/s.
Figure 28. Thermal cycle of a single pass welding at Q=0.84 kJ/mm, v=5 mm/s.
Figure 29. Thermal cycle of a multi-pass welding at Q=0.49 kJ/mm, v=5 mm/s.
Figure 30. Temperature distribution on a welding at (a) Q=0.49 kJ/mm, v=5 mm/s, single pass and (b) Q=0.49 kJ/mm, v=5 mm/s, multi-pass.
Figure 31. Temperature distribution on a cross section welding at (a) Q=0.49 kJ/mm, v=5 mm/s, single pass and (b) Q=0.49 kJ/mm, v=5 mm/s, multi-pass.
Figure 32. Comparison of the fusion zone between the physical (a) and the virtual (b) experiment.
Figure 33. Equivalent stress (a) and total deformation (b) on a welding at Q=0.49 kJ/mm, v=5 mm/s, single pass.

7. 결론:

본 논문의 가장 중요한 결론은 열 입력이 UHSS의 특성에 미치는 지대한 영향과 이를 예측할 수 있는 다양한 방법들입니다. 물리적 실험과 컴퓨터 시뮬레이션을 통해 용접 변수(전류, 전압, 용접 속도 등)가 열 입력에 직접적인 영향을 미친다는 것을 입증했습니다. GMAW 공정은 UHSS 용접에 적합했지만, 이 공정의 높은 열 입력을 고려할 때 레이저 또는 펄스 용접과 같이 더 낮은 열 입력을 제어하거나 제공할 수 있는 용접 기능을 고려하는 것이 중요합니다.

FEA를 사용함으로써 HAZ의 범위를 추정하고, 용접 결과와 미세구조에 미치는 영향을 예측할 수 있었습니다. 냉각 시간은 예측 가능한 변수이며, UHSS 재료에서는 최대 15초 범위까지 고려하는 것이 이점이 있음을 알 수 있었습니다. 또한, 고품질의 신뢰성 있는 용접을 얻기 위해서는 용접 풀의 크기와 모양이 만족스러운 결과를 얻는 데 상당한 영향을 미치므로, 조인트 역시 특별한 고려가 필요합니다.

다중 패스 용접을 통한 조인트의 누적 열 입력 영향도 중요한 결과였습니다. 이는 단일 패스 용접 조인트와 비교할 때 UHSS의 미세구조에 더 큰 영향을 미칩니다. 따라서 결과를 예측하기 전에 다중 패스를 피하기 위해 구조 설계를 변경하는 것이 대안이 될 수 있습니다.

궁극적으로, UHSS의 활용과 그 이점은 다양한 응용 분야에서 사용되는 훌륭한 선택임이 입증되었습니다. 그러나 UHSS 용접의 과제는 다양한 열처리 및 합금을 가진 여러 재료 및 등급에 있으며, 용접 공정에서는 조기 분석 없이는 정확하게 예측하기 어려울 수 있습니다. 컴퓨터 용접 시뮬레이션은 실제 조건을 근사화하며, 현실을 결코 대체할 수는 없지만 의사 결정을 지원하는 도구로 활용되어야 합니다.

Figure 24. Hardness results (HV5) of the experimental test.

8. 참고 문헌:

3rd-generation Advanced High-strength Steel. 2013. Tribology & Lubrication Technology, vol. 69, no. 2. pp. 10-11.
Abraham, A. 2015. Metallic Material Trends in the North American Light Vehicle [web document]. May 2015 [Referred 10.11.2016]. Ducker Worldwide & Auto Steel Presentation. Great Designs in Steel Seminar. 21 p. Available in PDF File: http://www.autosteel.org/~/media/Files/Autosteel/Great%20Designs%20in%20Steel/GDIS%202015/Track%202%20-%20Abraham.pdf.
Alriksson, S. & Henningsson, M. 2015. Why Aren’t Advanced High-Strength Steels More Widely Used?: Stakeholder Preferences and Perceived Barriers to New Materials. Journal of Industrial Ecology, vol. 19, no. 4. pp. 645–655.
ANSYS. 2016. Moving Heat Source. [ANSYS Customer Portal]. Updated February 26, 2016 [Referred 10.10.2017] Available: https://appstore.ansys.com/download?prodid=APC-ACTAPP-105
Aydin, H., Essadiqi, E., Jung, I. & Yue, S. 2013. Development of 3rd generation AHSS with medium Mn content alloying compositions. Materials Science and Engineering: A, vol. 564, 1 March. pp. 501-508.
Bhatti, A., Barsoum, Z., Murakawa, H. & Barsoum, I. 2015. Influence of thermo-mechanical material properties of different steel grades on welding residual stresses and angular distortion. Materials & Design, vol. 65. pp. 878–889.
Böhler Welding. 2014. Böhler Welding Products. [Voestalpine webpage]. Updated December 2014 [Referred 28.03.2017] Available: http://www.vabw-service.com/documents/boehler/datenblaetter/en/T_Union%20X%2096_de_en_5.pdf?cache=1505664871
Bozickovic, Z., Maric, B., Dobras, D., Lakic-Globocki, G. & Cica, D. 2015. Virtual Modeling of Assembly and Working Elements of Horizontal Hydraulic Press. Annals of the Faculty of Engineering Hunedoara, vol. 13, no. 3. pp. 165-168.
Demeri, M. Y. 2013, Advanced High-Strength Steels: Science, Technology, and Applications. Ohio: ASM International. 301 р.
Fonstein, N. 2015. Advanced High Strength Sheet Steels: Physical Metallurgy, Design, Processing and Properties. Switzerland: Springer International. 396 p.
Ford Motor Company. 2011. Ultra-High Strength Steels: Enhancing vehicle safety and improving fuel efficiency [Ford Motor Company webpage]. Updated July 2011 [Referred 23.01.2017]. Available: https://media.ford.com/content/fordmedia/fna/us/en/asset.download.document.pdf.html/content/dam/fordmedia/North%20America/US/2013/07/19/Safe/Boron.pdf.
Goldak, J. & Akhlaghi, M. 2005. Computational Welding Mechanics. New York: Springer. 321 р.
Guo, W., Crowther, D., Francis, J., Thompson, A., Liu, Z. & Li, L. 2015. Microstructure and mechanical properties of laser welded S960 high strength steel. Materials & Design, vol. 85. pp. 534-548.
Guo, W., Li, L., Dong, S., Crowther, D. & Thompson, A. 2017. Comparison of microstructure and mechanical properties of ultra-narrow gap laser and gas-metal-arc welded S960 high strength steel. Optics and Lasers in Engineering, vol. 91. pp. 1–15.
Jeffus, L. 2012. Welding: Principles and Applications. Seventh edition. New York: Delmar Cengage Learning. 947 p.
Jenney, C. & O’Brien, A. 2001. Welding Handbook: Welding Science and Technology. Ninth edition. Volume I. Miami: American Welding Society. 872 p.
Kou, S. 2003. Welding Metallurgy. Second edition. New Jersey: John Wiley & Sons Inc. 461 р.
Krasovskyy, A. & Virta, A. 2015. Fatigue life assessment of welded structures based on fracture mechanics. International Journal of Structural Integrity, vol. 6, no. 1. pp. 2-25.
Laitinen, R., Valkonen, I. & Kömi, J. 2013, Influence of the base Material Strength and Edge Preparation on the Fatigue Strength of the Structures Made by High and Ultra-high Strength Steels. Procedia Engineering, vol. 66, pp. 282–291.
Májlinger, K., Kalácska, E. & Spena, P. 2016. Gas metal arc welding of dissimilar AHSS sheets. Materials & Design, vol. 109. pp. 615-621.
Martis, C. J., Putatunda S. K. & Boileau J. 2013. Processing of a new high strength high toughness steel with duplex microstructure (Ferrite + Austenite). Materials & Design, vol. 46, April. pp. 168-174.
McCallion, R. 2012. Manufacturing with UHSS [Automotive Manufacturing Solutions webpage]. Updated July 1, 2012 [Referred 05.07.2016]. Available: http://www.automotivemanufacturingsolutions.com/process-materials/manufacturing-with-uhss.
Mohrbacher, H., Spöttl, M. & Paegle, J. 2015. Innovative manufacturing technology enabling light weighting with steel in commercial vehicles. Advances in Manufacturing, vol. 3, no. 1. pp. 3-18.
Neimitz, A., Dzioba, I. & Limnell, T. 2012. Modified master curve of ultra-high strength steel. International Journal of Pressure Vessels and Piping, vol. 92, pp. 19–26.
Nowacki, J., Sajek, A. & Matkowski, P. 2016. The influence of welding heat input on the microstructure of joints of S1100QL steel in one-pass welding. Archives of Civil and Mechanical Engineering, vol. 16, no. 4, pp. 777–783.
O’Brien, A. 2004. Welding Handbook: Welding Processes, Part 1. Ninth edition. Volume II. Miami: American Welding Society. 720 p.
O’Brien, A. 2011. Welding Handbook: Materials and Applications, Part 1. Ninth edition. Volume IV. Miami: American Welding Society. 695 p.
Perret, W., Thater, R., Alber, U., Schwenk, C. & Rethmeier, M. 2011. Approach to assess a fast welding simulation in an industrial environment – Application for an automotive welded part. International Journal of Automotive Technology, vol. 12, no. 6. pp. 895-901.
Poorhaydari, K., Patchett, B. & Ivey, D. 2005. Estimation of cooling rate in the welding of plates with intermediate thickness. Welding Journal, 84. pp. 149-s.
Qiang, X., Jiang, X., Bijlaard, F. & Kolstein, H. 2016. Mechanical properties and design recommendations of very high strength steel S960 in fire. Engineering Structures, vol. 112, pp. 60-70.
Ramazani, A. et al. 2014. Micro-macro-characterisation and modelling of mechanical properties of gas metal arc welded (GMAW) DP600 steel. Materials Science and Engineering: A, vol. 589. pp. 1–14.
Ruuki. 2010. Technological Properties of Direct-quenched Structural Steels with Yield Strengths 900-960 MPa as Cut Lengths and Hollow Sections. [Oxycoupage webpage]. Updated 2010 [Referred 30.03.2017]. Available: http://oxycoupage.com/FichiersPDF/Ruukki_Pdf/English/Ruukki-Technical-article-Technological-properties-of-direct-quenched-structural-steels.pdf
Shome, M. & Tumuluru, M. 2015. Welding and Joining of Advance High Strength Steels (AHSS). Cambridge, UK: Woodhead Publishing. 204 p.
Van Rensselar, J. 2011. The riddle of steel: A-UHSS. Tribology & Lubrication Technology, vol. 67, no. 7. pp. 38-40, 42-46.
World Auto Steel. 2014. Advanced High-strength steels application guidelines version 5.0. [World Auto Steel webpage]. Updated May 2014 [Referred 01.11.2016]. Available: http://www.worldautosteel.org/downloads/advanced-high-strength-steels-application-guidelines-v5/
World Auto Steel. 2017. Advanced High-strength steels application guidelines version 6.0. [World Auto Steel webpage]. Updated April 2017 [Referred 03.08.2017]. Available: http://www.worldautosteel.org/projects/advanced-high-strength-steel-application-guidelines/

전문가 Q&A: 궁금증 해소

Q1: 시뮬레이션에서 왜 가우시안 열원 모델(Gaussian heat source)을 사용했나요?

A1: 가우시안 열원 모델은 GMAW와 같은 아크 용접 공정의 에너지 분포를 모사하는 데 표준적이고 효과적인 방법이기 때문입니다. 이 모델은 아크 중심에서 에너지가 가장 높고 주변으로 갈수록 감소하는 실제 물리 현상을 수학적으로 잘 표현합니다. 본 연구에서 시뮬레이션으로 예측된 용융부 형상이 실제 실험 결과(그림 32)와 매우 유사하게 나타난 것은 이 모델 선택이 적절했음을 보여주며, 이를 통해 신뢰성 있는 온도장 예측이 가능했습니다.

Q2: 실험 결과(그림 24)에서 HAZ의 경도가 모재(BM)보다 낮아지는 이유는 무엇인가요?

A2: 이는 ‘HAZ 연화(softening)’ 현상 때문입니다. 본 연구에 사용된 S960 QC 강재는 퀜칭 및 템퍼링(Quenching and Tempering) 열처리를 통해 높은 강도를 확보한 소재입니다. 용접 시 발생하는 열은 HAZ의 특정 영역을 재가열하는 효과를 가져오는데, 이 온도가 템퍼링 온도 범위에 해당하면 기존의 강화된 미세구조(마르텐사이트/베이나이트)가 더 연한 조직으로 변하게 됩니다. 결과적으로 이 영역의 경도가 원래의 모재보다 낮아지게 됩니다.

Q3: 다중 패스 용접 시뮬레이션에서 중간층 온도(interpass temperature)가 중요한 이유는 무엇인가요?

A3: 시뮬레이션 결과(그림 29)에서 볼 수 있듯이, 다중 패스 용접 시에는 이전 패스의 열이 채 식기 전에 다음 패스가 진행되면서 열이 축적됩니다. 중간층 온도를 제어하지 않으면 전체적인 열 입력이 과도하게 증가하여 HAZ가 비정상적으로 넓어지고 연화 현상이 심화될 수 있습니다. 논문에서도 언급되었듯이, 중간층 온도를 특정 온도(예: 121°C) 이하로 유지하는 것은 입계 부식과 같은 결함을 방지하고 각 용접층의 미세구조를 제어하여 최종 용접부의 품질을 확보하는 데 매우 중요합니다.

Q4: 이 연구에서 계산된 탄소 등가물(CE) 값은 어떤 의미를 가지나요?

A4: 탄소 등가물(CE)은 강재의 용접성을 판단하는 중요한 지표입니다. 모재(S960)의 CE는 0.47, 용가재(Union X 96)의 CE는 0.79로 계산되었습니다. 모재의 CE 0.47은 해당 두께(5mm)에서 예열 없이도 양호한 용접성을 가질 수 있음을 시사하며, 이는 실제 실험 조건과 부합합니다. 용가재의 CE가 모재보다 높은 것은 용접 금속이 희석 효과에도 불구하고 모재와 동등하거나 그 이상의 강도를 확보하여 용접부 전체의 기계적 성능을 보장하기 위함입니다.

Q5: 시뮬레이션으로 예측된 총 변형량(1.277mm)은 실제 산업 현장에서 어떻게 활용될 수 있나요?

A5: 이 예측값(그림 33b)은 용접 구조물 제작 시 변형을 제어하는 데 결정적인 정보를 제공합니다. 첫째, 제품 조립 시 변형을 억제하기 위한 지그(jig)나 고정구(fixture)의 강도 및 배치 설계에 활용할 수 있습니다. 둘째, 최종 제품의 치수 변화를 미리 예측하여 설계 단계에서 허용 오차를 설정하거나 변형을 상쇄하기 위한 역변형(pre-compensation)을 적용함으로써 후공정에서의 수정 작업을 줄이고 생산성을 크게 향상시킬 수 있습니다.

결론: 더 높은 품질과 생산성을 향한 길

초고장력강(UHSS)의 성공적인 적용은 결국 용접 품질에 달려있습니다. 본 연구는 GMAW 공정에서 열 입력이 S960 강재의 미세구조와 기계적 특성에 미치는 복잡한 영향을 실험과 시뮬레이션을 통해 명확히 규명했습니다. 핵심은 FEA 기반의 예측 기술이 더 이상 가능성이 아닌, 실제 현장에서 품질과 생산성을 동시에 높일 수 있는 검증된 도구라는 점입니다.

정확한 초고장력강 용접 최적화를 통해 R&D 엔지니어는 값비싼 물리적 테스트를 최소화하고 개발 기간을 단축할 수 있으며, 공정 엔지니어는 HAZ 연화나 균열과 같은 잠재적 문제를 사전에 방지하여 안정적인 양산 품질을 확보할 수 있습니다.

(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 Alnecino Alves Netto의 논문 “Optimization of Gas Metal Arc Welding Process Parameters in Ultra-High Strength Steels Based on Prediction”을 기반으로 한 요약 및 분석 자료입니다.
출처: Lappeenranta-Lahti University of Technology LUT, Master’s thesis, 2019.

PDF View

G-BOP 테스트를 이용한 다양한 상대 습도 조건에서의 수소 유기 균열 완화를 위한 용접 매개변수 최적화

Optimizing Welding Parameters to Mitigate Hydrogen-Induced Cracking Under Varying Relative Humidity Conditions Using the G-BOP Test

고장력 저합금(HSLA) 강의 용접 과정에서 수소 유기 균열(HIC)은 구조적 결함을 야기하는 치명적인 문제이며, 특히 습도가 높은 해양 및 연안 환경에서 그 위험성이 더욱 증폭됩니다. 본 연구는 E11018-H4 저수소 전극을 사용하여 대기 중의 상대 습도 변화가 용접부의 확산성 수소 함량 및 저온 균열 발생에 미치는 영향을 정량적으로 분석하였습니다. 연구팀은 습도 조절 챔버를 구축하여 35%, 65%, 95%의 상대 습도 조건을 정밀하게 모사하고, G-BOP 테스트와 수은법을 통해 균열 민감도를 평가했습니다. 다구치(Taguchi) 기법의 L18 직교 배열을 적용하여 예열 온도, 용접 속도, 전류 강도 등 주요 공정 변수가 균열 억제에 미치는 기여도를 체계적으로 도출하였습니다. 실험 결과, 습도 증가에 따라 확산성 수소 농도가 급격히 상승하며 특정 조건에서는 저수소 전극의 표준 규격을 벗어나는 현상이 확인되었습니다. 특히 100°C의 예열 온도가 모든 습도 조건에서 균열을 완벽히 억제하는 최적의 임계점으로 밝혀졌으나, 그 이상의 온도에서는 오히려 균열이 재발하는 역설적인 거동이 관찰되었습니다. 이러한 발견은 해양 구조물 용접 시 단순한 고온 예열이 아닌, 환경 습도와 수소 트래핑 역학을 고려한 정밀한 공정 설계가 필수적임을 시사합니다. 본 보고서는 산업 현장에서 수소 유기 균열을 방지하기 위한 실질적인 가이드라인과 최적화된 매개변수 조합을 제공합니다.

메타데이터 및 키워드

Fig. 1 Schematic illustration of the humidity-controlled chamber used for welding at th

논문 메타데이터

Industry: 용접, 조선, 해양 플랜트, 오프쇼어
Material: HSLA(고장력 저합금) 강, E11018-H4 전극, ASTM A36 강
Process: G-BOP(Gapped Bead on-plate) 테스트, 수은법(ISO 3690), 다구치 기법(L18 배열)
System: 증기 발생기가 포함된 습도 조절 챔버
Objective: 다양한 상대 습도 조건에서 수소 유기 균열을 완화하기 위한 용접 매개변수(예열 온도, 용접 속도, 전류)의 최적화

핵심 키워드

수소 유기 저온 균열
G-BOP 테스트
수은법
수소 트래핑
E11018-H4 전극
최적화 프로세스
다구치 기법

핵심 요약

연구 구조

본 연구는 환경 습도와 용접 공정 변수가 HSLA 강의 수소 유기 균열(HIC)에 미치는 복합적인 영향을 평가하기 위해 설계되었습니다. 습도 조절 시스템과 표준화된 수소 측정법 및 용접성 테스트를 결합하여 데이터의 신뢰성을 확보했습니다.

방법 개요

35%~95% 범위의 상대 습도 조건에서 ISO 3690에 따른 수은법으로 확산성 수소를 측정하고, G-BOP 테스트를 통해 18가지 실험 조합(Taguchi L18)에 대한 저온 균열 발생률을 분석했습니다.

주요 결과

상대 습도가 35%에서 95%로 증가함에 따라 확산성 수소 함량은 3.04 mL/100g에서 4.47 mL/100g으로 약 47% 증가했습니다. 100°C 예열 시 모든 조건에서 균열 발생률 0%를 달성했으나, 65% 이상의 습도에서 예열 온도를 125-150°C로 높일 경우 가역적 트랩에서의 수소 방출로 인해 균열 발생률이 최대 87%까지 다시 상승하는 현상이 발견되었습니다.

산업적 활용 가능성

해양 구조물 및 파이프라인 건설 시 실시간 대기 습도에 따른 최적 예열 온도 설정 및 용접 절차 사양서(WPS) 최적화에 직접 활용 가능합니다.

한계와 유의점

본 연구 결과는 E11018-H4 전극과 HSLA 강 조합에 국한되며, 다른 용접 재료 사용 시 수소 방출 온도 범위가 달라질 수 있습니다. 또한 수은법은 실시간 모니터링에는 한계가 있으므로 공정 설계 단계에서의 사전 검증 도구로 권장됩니다.

논문 상세 정보

1. 개요

Title: Optimizing Welding Parameters to Mitigate Hydrogen-Induced Cracking Under Varying Relative Humidity Conditions Using the G-BOP Test
Author: Arash Dehghan, Alireza Ebrahimi, Eslam RanjbarNoodeh, Ashkan Dadrasi
Year: 2025
Journal: Journal of Welding and Joining
DOI/Link: 논문에 명시되지 않음

2. 초록

수소 유기 균열은 고장력 저합금(HSLA) 강의 용접에서 특히 다양한 습도 조건 하에 발생할 수 있는 치명적인 문제입니다.
본 연구는 G-BOP 테스트와 수은법을 사용하여 E11018-H4 전극 용접부의 수소 유기 균열을 완화하기 위한 용접 매개변수 최적화를 조사합니다.
상대 습도 35%, 65%, 95% 수준을 모사하기 위해 습도 조절 챔버가 활용되었습니다.
예열 온도, 용접 속도 및 전류 강도의 영향을 평가하기 위해 다구치 기법과 L18 배열이 채택되었습니다.
결과에 따르면 용접 금속 내 확산성 수소의 양은 습도와 함께 증가하며, 해당 전극은 35% 상대 습도에서만 H4 저수소 등급을 충족하는 것으로 나타났습니다.
최대 100°C까지의 예열 온도는 저온 균열을 유의미하게 감소시켰습니다.
그러나 상대 습도 65% 및 95%의 고습도 조건에서 예열 온도를 125°C 및 150°C로 높였을 때, 추가적인 시간과 에너지가 가역적 트랩에서 더 많은 수소를 탈출하게 함으로써 저온 균열이 재발하였습니다.

3. 방법론

환경 조건 모사: 700와트 증기 발생기와 습도 조절 챔버를 사용하여 실내(35% RH), 해안(65% RH), 극한 해양(95% RH) 환경을 안정적으로 유지하며 실험을 진행했습니다.

확산성 수소 측정: ISO 3690:2000 표준에 따라 ASTM A36 강판 시편을 사용하여 수은법으로 수소 함량을 측정했습니다. 655 mmHg의 대기압 조건에서 Y-튜브 내 72시간 진공 배양 과정을 거쳤습니다.

G-BOP 용접성 테스트: 용접 금속의 저온 균열 가능성을 평가하기 위해 125x125x50 mm 크기의 ASTM A36 블록에 0.75 mm 노치를 가공하여 G-BOP 테스트를 수행했습니다. 예열 온도는 25°C에서 150°C까지 25°C 간격으로 설정되었습니다.

다구치 최적화: 예열 온도, 전류, 용접 속도, 습도를 제어 인자로 설정하여 저온 균열을 최소화하기 위한 L18 직교 배열 실험을 설계했습니다. 재현성 확보를 위해 각 실험은 2회 반복(N=2)되었습니다.

4. 결과 및 분석

습도에 따른 수소 함량 변화: 상대 습도가 높아질수록 확산성 수소 함량이 3.04(35% RH)에서 4.47 mL/100g(95% RH)으로 뚜렷하게 증가했습니다. 이는 고습도 환경에서 전극의 저수소 특성이 상실될 수 있음을 보여줍니다.

예열 온도의 임계 효과: 100°C 예열은 모든 습도 수준에서 균열을 0%로 억제하는 탁월한 효과를 보였습니다. 그러나 125-150°C 범위에서는 고습도 시 수소 방출 메커니즘으로 인해 균열이 다시 발생하는 역효과가 확인되었습니다.

매개변수 유의성 분석: 다구치 S/N비 분석 결과, 예열 온도의 델타(Delta) 값이 20.92로 가장 높게 나타나 균열 발생에 가장 지배적인 영향을 미치는 인자로 확인되었습니다. 이는 용접 속도(5.13)보다 약 4배 더 큰 영향력입니다.

파단면 미세구조 분석: SEM 분석을 통해 100°C 예열 시에는 취성 성향의 준벽개(Quasi-cleavage) 면이 관찰된 반면, 150°C 예열 시에는 연성 파괴 모드인 미세공동 합체(MVC) 현상이 나타나 열 이력에 따른 파괴 모드 전이를 확인했습니다.

Fig. 3 Welding fixture setup configured in accordance with ISO 3690 for measuring diffu

Fig. 4 Experimental setup for diffusible hydrogen measurement according to ISO 3690 sta

Fig. 9 The fracture surfaces of G-BOP test samples at RH 65% under preheat temperatures

5. 그림 및 표 목록 (Figure and Table List)

Table 1: E11018-H4 전극의 화학 성분 및 기계적 성질. 연구에 사용된 저수소 전극의 기본 특성을 정의합니다.
Table 3: 다구치 설계법에 따른 실험 조건 및 결과. 18가지 매개변수 조합에 대한 저온 균열 발생률 데이터를 제공합니다.
Figure 6: 세 가지 상대 습도 수준(35%, 65%, 95%)에서 측정된 확산성 수소 함량. 환경 습도와 수소 흡수량 사이의 직접적인 상관관계를 시각화합니다.
Figure 7: 다양한 상대 습도 조건에서 평균 예열 온도가 저온 균열 민감도에 미치는 영향. 최적 예열 구간(100°C)과 고습도 시 과도한 예열의 유해성을 강조합니다.
Figure 8: (a) 온도에 따른 마르텐사이트 강의 수소 탈착률 및 (b) 100°C까지의 냉각 속도에 미치는 예열 온도의 영향. 110-150°C 범위에서 가역적 트랩의 수소 방출 메커니즘을 설명합니다.

6. 참고문헌

A. J. Kinsey. (2016). The welding of structural steels without preheat. Weld. J. 79(4), 79-S-88-S.
A. Gupta, V. Sharma, P. Kumar, and A. Thakur. (2020). Investigating the effect of ferritic filler materials on the mechanical and metallurgical properties of Hardox 400 steel welded joints. Mater. Today. 39(4), 1640-1646. https://doi.org/10.1016/j.matpr.2020.05.788
T. Kannengiesser and T. Lausch. (2012). Diffusible hydrogen content depending on welding and cooling parameters. Weld. World. 56, 26-33. https://doi.org/10.1007/BF03321392

기술 Q&A (Technical Q&A)

Q: 상대 습도가 E11018-H4 전극의 등급 분류에 어떤 구체적인 영향을 미칩니까?

실험 결과에 따르면, 해당 전극은 상대 습도 35% 조건에서만 확산성 수소 함량 3.04 mL/100g을 기록하여 H4 저수소 등급(≤4 mL/100g)을 만족했습니다. 그러나 습도가 65% 및 95%로 상승하면 수소 함량이 각각 4.24 및 4.47 mL/100g으로 증가하여 H4 표준 규격을 초과하게 됩니다. 이는 습한 환경에서는 저수소 전극이라 할지라도 추가적인 수소 관리 대책이 필요함을 의미합니다.

Q: 고습도 환경에서 예열 온도를 125°C 이상으로 높였을 때 균열이 재발하는 이유는 무엇입니까?

이는 수소 트래핑 역학 때문입니다. 110-150°C 사이의 온도는 전위(dislocations)나 결정립계와 같은 가역적 트랩에 갇혀 있던 수소가 방출되는 피크 온도 범위에 해당합니다. 고습도 조건에서는 용접부 외부와의 수소 농도 구배가 낮아 방출된 수소가 외부로 확산되지 못하고 용접 금속 기질 내로 재유입되어 국부적인 수소 농도를 높임으로써 균열 위험을 다시 증가시키게 됩니다.

Q: 다구치 분석을 통해 확인된 저온 균열에 가장 영향력이 큰 변수는 무엇입니까?

다구치 S/N비 분석 결과, 예열 온도가 20.92의 델타 값을 기록하며 가장 영향력이 큰 인자(순위 1위)로 확인되었습니다. 그 뒤를 이어 용접 속도(5.13)와 전류 강도(3.35) 순으로 나타났습니다. 이는 저온 균열을 제어하기 위해 공정 설계 시 예열 온도의 정밀한 관리가 최우선적으로 고려되어야 함을 입증합니다.

Q: G-BOP 테스트 시편의 가공 규격과 실험 조건은 어떻게 설정되었습니까?

테스트에는 ASTM A36 강재 블록이 사용되었으며, 각 블록의 크기는 125x125x50 mm입니다. 두 블록 사이에 0.75 mm의 정밀한 노치(Gap)를 가공하여 균열 발생을 유도하는 구조로 설계되었습니다. 용접 후에는 수소 유기 균열이 충분히 발생할 수 있도록 72시간의 배양 기간을 거친 뒤 균열 유무를 검사했습니다.

Q: 파단면 분석에서 나타난 예열 온도에 따른 파괴 모드의 변화는 무엇입니까?

SEM 분석 결과, 100°C 예열 조건에서는 준벽개(Quasi-cleavage) 파단면이 주를 이루어 상대적으로 취성적인 특성을 보였습니다. 반면, 150°C 예열 조건에서는 미세공동 합체(Microvoid Coalescence, MVC) 현상이 관찰되었는데, 이는 높은 열 입력으로 인해 재료의 연성이 증가했음을 나타냅니다. 하지만 이러한 연성 증가에도 불구하고 고습도 시에는 수소 농도 증가로 인해 균열 발생률 자체는 높아지는 결과가 나타났습니다.

Q: 본 연구의 결과를 실제 해양 용접 현장에 어떻게 적용할 수 있습니까?

현장 엔지니어는 작업 환경의 상대 습도를 실시간으로 측정하여 예열 전략을 수정해야 합니다. 습도가 35% 수준인 일반적인 환경에서는 표준 예열 지침을 따를 수 있으나, 습도가 65%를 초과하는 해상 작업 시에는 예열 온도를 100°C 부근으로 엄격히 제한하여 가역적 트랩에서의 수소 방출을 억제해야 합니다. 또한, 고습도 시에는 전극의 저수소 등급이 유지되지 않을 수 있으므로 전극 건조 및 보관 관리를 더욱 강화해야 합니다.

결론

본 연구는 HSLA 강 용접 시 수소 유기 균열(HIC)을 억제하기 위한 최적의 매개변수를 도출하였으며, 특히 환경 습도와 예열 온도의 복합적인 상호작용을 규명하였습니다. 실험을 통해 100°C의 예열 온도가 모든 습도 조건에서 균열을 완벽하게 차단하는 최적의 지점임을 확인하였으며, 이는 다구치 분석을 통해 통계적으로도 가장 유의미한 변수임이 입증되었습니다.

결론적으로, 고습도 해양 환경에서의 용접은 단순히 온도를 높이는 것보다 수소의 확산 및 트래핑 거동을 고려한 정밀한 온도 제어가 중요합니다. 125°C 이상의 과도한 예열은 오히려 균열을 유발할 수 있다는 본 연구의 발견은 기존의 용접 지침을 보완하는 중요한 근거가 됩니다. 향후 연구에서는 다양한 합금 원소와 전극 종류에 따른 수소 방출 온도 범위를 추가로 조사하여 더욱 범용적인 용접 최적화 모델을 구축할 필요가 있습니다.

출처 정보 (Source Information)

Citation: Arash Dehghan, Alireza Ebrahimi, Eslam RanjbarNoodeh, Ashkan Dadrasi (2025). Optimizing Welding Parameters to Mitigate Hydrogen-Induced Cracking Under Varying Relative Humidity Conditions Using the G-BOP Test. Journal of Welding and Joining.

DOI/Link: 논문에 명시되지 않음

Technical Review Resources for Engineers:

▶ 논문에 명시되지 않음
▶ 기술 검토 및 적용 가능성 문의

This material is for informational purposes only. Unauthorized commercial use is prohibited.

Figure 1. Example experimental image showing examples of the different irradiation-induced defect types characterized in this work. The red, yellow, and blue colors denote 〈111〉 loops, 〈100〉 loops, and black dot defects, respectively.

딥러닝 결함 분석: TEM 이미지에서 인간 수준의 정확도로 다중 결함을 자동으로 정량화하는 방법

이 기술 요약은 Ryan Jacobs 외 저자가 발표한 학술 논문 “Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs”를 기반으로 하며, STI C&D의 기술 전문가를 위해 분석 및 요약되었습니다.

키워드

Primary Keyword: 딥러닝 결함 분석
Secondary Keywords: 투과전자현미경(TEM), 의미론적 분할(Semantic Segmentation), Mask R-CNN, FeCrAl 합금, 방사선 조사 결함, 머신러닝, 컴퓨터 비전

Executive Summary

도전 과제: 재료의 미세 결함을 분석하기 위한 기존의 수동 투과전자현미경(TEM) 이미지 분석은 시간이 많이 소요되고, 오류 발생 가능성이 높으며, 대규모 데이터셋에 적용하기 어렵습니다.
해결 방법: 방사선 조사된 FeCrAl 합금의 TEM 이미지에서 여러 유형의 결함을 자동으로 분할하고 정량화하기 위해 Mask R-CNN(Regional Convolutional Neural Network) 딥러닝 모델을 사용했습니다.
핵심 돌파구: 개발된 모델은 결함의 종류, 크기, 밀도 및 형상을 식별하는 데 있어 인간 전문가와 동등한 수준의 정확도를 달성했으며, 재료의 경화(hardening) 현상을 약 10% 오차 내에서 예측했습니다.
핵심 요약: 이 자동화된 딥러닝 결함 분석 도구는 신소재 개발 및 특성 예측에 필수적인 미세구조 분석을 빠르고 효과적으로 수행하여 연구개발 주기를 단축시킬 수 있는 강력한 솔루션을 제공합니다.

도전 과제: 왜 이 연구가 CFD 전문가에게 중요한가

신소재, 특히 극한 환경에서 사용되는 재료의 성능은 내부의 미세한 결함에 의해 크게 좌우됩니다. 이러한 결함의 종류, 크기, 밀도를 정확히 파악하는 것은 재료의 기계적 특성을 예측하고 성능을 개선하는 데 매우 중요합니다. 현재까지는 투과전자현미경(TEM)으로 촬영한 이미지를 ImageJ와 같은 소프트웨어를 사용해 전문가가 수동으로 분석하는 방식이 일반적이었습니다.

하지만 이 방식은 몇 가지 근본적인 한계를 가집니다. 1. 시간 소모: 수많은 결함을 일일이 식별하고 측정하는 작업은 매우 많은 시간이 소요됩니다. 2. 일관성 부족: 분석가의 주관이나 숙련도에 따라 결과가 달라져 일관성과 재현성이 떨어집니다. 3. 확장성 부재: 최신 TEM 장비는 수만 장의 이미지를 생성할 수 있지만, 이를 수동으로 모두 분석하는 것은 현실적으로 불가능합니다.

이러한 문제점들은 신소재 개발의 병목 현상을 유발하며, 더 빠르고 정확하며 확장 가능한 분석 방법의 필요성을 절실하게 만듭니다. 본 연구는 바로 이 지점에서 딥러닝을 활용하여 기존의 한계를 극복하고자 시작되었습니다.

접근 방식: 연구 방법론 분석

본 연구에서는 방사선(중성자 또는 이온)에 노출된 FeCrAl 합금의 TEM 이미지 데이터베이스를 사용하여 딥러닝 모델을 훈련하고 평가했습니다. 이 이미지들은 재료 내부에 생성된 세 가지 주요 결함 유형을 포함합니다.

결함 유형:
1. <111> 루프 (loops): 열린 단일 엣지 타원형 루프
2. <100> 루프 (loops): 열린 이중 엣지 또는 닫힌 타원형 루프
3. 블랙닷 (Black dots): 닫힌 원형의 고체 점 형태 결함
모델 아키텍처: 결함의 위치 탐지뿐만 아니라 픽셀 수준의 정밀한 형태 분할까지 가능한 Mask R-CNN 모델을 채택했습니다. 이 모델은 Facebook AI Research(FAIR) 팀이 개발한 Detectron2 패키지를 기반으로 구현되었습니다.
데이터셋 구축: 초기 107개 이미지에 대해 두 그룹의 전문가가 각각 라벨링하여 ‘Dataset1’과 ‘Dataset2’를 생성했으며, 이후 182개 이미지로 확장된 ‘Dataset2 expanded’를 구축하여 총 13,675개의 결함 인스턴스를 확보했습니다. 이 과정을 통해 라벨링 주관성이 모델 성능에 미치는 영향까지 분석할 수 있었습니다.
평가 지표: 모델의 성능은 단순히 결함을 찾아내는 능력(F1 점수)뿐만 아니라, 재료 과학에서 실질적으로 중요한 물리량인 결함 크기, 형상(Heywood 순환도), 면적 밀도의 예측 오차율을 중심으로 심층 분석되었습니다.

돌파구: 주요 연구 결과 및 데이터

연구 결과, Mask R-CNN 모델은 TEM 이미지 내 다중 결함을 분석하는 데 있어 매우 빠르고 효과적인 도구임이 입증되었습니다.

결과 1: 인간 전문가 수준의 높은 결함 식별 정확도 달성

모델의 결함 탐지 성능을 평가한 결과, IoU(Intersection-over-Union) 임계값 0.3에서 전체 F1 점수가 약 0.8에 도달했습니다. 이는 이전 연구나 인간 전문가가 달성하는 수준과 거의 동일한 높은 정확도입니다(그림 2). 또한, 결함 유형별 식별 F1 점수도 블랙닷 0.83, <111> 루프 0.82, <100> 루프 0.67로, 복잡한 형태의 결함까지 효과적으로 분류해냈습니다.

결과 2: 재료 물성 예측에 핵심적인 물리량의 정밀한 정량화

모델은 결함의 크기, 형상, 밀도 분포를 매우 정밀하게 예측했습니다. – 결함 크기 및 형상: 전체 결함에 대한 평균 크기 오차는 7.1%, 평균 형상(Heywood 순환도) 오차는 0%에 가까웠습니다(그림 4). – 결함 밀도: 개별 이미지 단위 분석에서 평균 절대 오차는 약 0.5 ×10⁴ #/nm² 수준이었으며, 전체 테스트셋 평균으로는 실제 값과 거의 일치하는 우수한 예측 성능을 보였습니다(그림 6). 이는 재료의 거동을 예측하는 모델에 정확한 입력 데이터를 제공할 수 있음을 의미합니다.

결과 3: 재료 경화 현상의 정확한 예측

분석된 결함의 크기와 밀도 데이터를 분산 장벽 경화 모델(dispersed barrier hardening model)에 적용하여 재료의 강도 증가(경화)를 예측했습니다. 그 결과, 모델의 예측값은 실제 값(ground truth)과 비교하여 평균 10-20 MPa의 오차를 보였으며, 이는 전체 경화량의 약 10%에 해당하는 수준으로 실험적 오차 범위와 유사합니다. 이는 딥러닝 분석 결과가 실제 재료의 기계적 특성 예측에 직접적으로 활용될 수 있음을 시사하는 중요한 결과입니다.

R&D 및 운영에 대한 실질적 시사점

공정 엔지니어: 이 연구는 특정 공정 변수(예: 방사선 조사 조건, 합금 성분) 조정이 결함의 종류와 분포에 미치는 영향을 신속하게 정량화하여, 특정 결함을 줄이거나 효율성을 개선하는 데 기여할 수 있음을 시사합니다.
품질 관리팀: 논문의 그림 6 데이터는 특정 조건이 핵심 물성에 미치는 영향을 명확히 보여줍니다. 이를 통해 기존의 주관적인 검사 기준을 보완하고, 데이터 기반의 새로운 품질 검사 기준을 수립하는 데 정보를 제공할 수 있습니다.
설계 엔지니어(재료): 연구 결과는 특정 미세구조 특징이 재료의 기계적 특성에 어떻게 영향을 미치는지 보여줍니다. 이는 초기 재료 설계 단계에서 결함 형성을 최소화하고 목표 성능을 달성하기 위한 귀중한 고려사항이 될 수 있습니다.

논문 상세 정보

Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs

1. 개요:

제목: Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs
저자: Ryan Jacobs, Mingren Shen, Yuhan Liu, Wei Hao, Xiaoshan Li, Ruoyu He, Jacob RC Greaves, Donglin Wang, Zeming Xie, Zitong Huang, Chao Wang, Kevin G. Field, Dane Morgan
발행 연도: (논문에 명시되지 않음, 맥락상 2021년 이후로 추정)
발행 학술지/학회: (논문에 명시되지 않음, 사전 인쇄본 형태)
키워드: object detection, semantic segmentation, deep learning, computer vision, machine learning, irradiation, transmission electron microscopy

2. 초록:

본 연구에서는 딥러닝 Mask R-CNN 모델을 사용하여 방사선 조사된 FeCrAl 합금의 전자현미경 이미지에서 여러 결함 유형의 의미론적 분할을 수행합니다. 결함 모양, 크기, 면적 밀도 분포와 같은 예측된 양에 초점을 맞춰 주요 모델 성능 통계를 심층 분석하며, 이는 방사선 조사된 철 기반 재료의 특성을 모델링하고 이해하는 데 중요합니다. 모델의 성능과 현재 한계를 더 잘 이해하기 위해, 무작위 분할, 데이터셋 크기 의존적 및 도메인 타겟 교차 검증 테스트를 포함한 유용한 평가 테스트의 예를 제공합니다. 전반적으로, 현재 모델은 현미경 이미지에서 여러 결함 유형을 자동으로 특성화하고 정량화하는 빠르고 효과적인 도구이며, 인간 도메인 전문가와 동등한 수준의 정확도를 가짐을 발견했습니다.

3. 서론:

재료 내의 확장 결함은 재료의 특성과 성능을 결정하는 데 매우 중요합니다. 특히 극한 환경에서의 재료 성능에서 결함의 역할은 중요하며, 첨단 재료 발견 및 개발의 초석은 결함의 생성과 진화를 이해하는 것입니다. TEM은 재료의 결함을 특성화하고 정량화하는 데 선택되는 방법입니다. 디지털화된 TEM 이미지를 분석하는 것은 일반적으로 ImageJ와 같은 소프트웨어 패키지를 사용하여 수동으로 수행되지만, 이는 시간이 많이 걸리고 오류가 발생하기 쉬우며 일관성이 없고 대규모 데이터셋에 확장할 수 없습니다. 따라서 TEM 이미지에서 결함을 정량화하고 분석하는 자동화된 방법을 개발하는 것이 중요합니다. 2012년 딥러닝 방법의 도입은 컴퓨터 비전 분야에 혁명을 일으켰으며, 이러한 방법의 성숙은 TEM 이미지의 결함을 자동으로 특성화하고 정량화하는 현재 문제에 직접적인 영향을 미칩니다.