Fig. 1 Reliability Plots of RSM Predicted Versus Observed Values of (a) Brinell Hardness Number, (b) Heat Input, (c) Cooling Rate, (d) Preheat Temperature, and (e) Amount of Diffusible Hydrogen.

반응 표면 분석법을 이용한 텅스텐 불활성 가스 용접 공정 변수의 최적화

반응 표면 분석법을 이용한 텅스텐 불활성 가스 용접 공정 변수의 최적화

Optimization of the Tungsten Inert Gas Process Parameters using Response Surface Methodology

본 연구는 연강 용접부의 품질 향상을 위해 텅스텐 불활성 가스(TIG) 용접 공정의 핵심 변수를 최적화하는 수치적 접근 방식을 제시합니다. 반응 표면 분석법(RSM)을 활용하여 용접 후 균열 형성을 억제하고 열 입력을 안정화함으로써 제조 현장에서의 구조적 건전성을 확보하는 데 중점을 둡니다.

Paper Metadata

  • Industry: 제조업 (Manufacturing)
  • Material: 연강 (Mild Steel)
  • Process: TIG 용접 (Tungsten Inert Gas Welding)

Keywords

  • 냉각 속도 (Cooling rate)
  • 열 입력 (Heat input)
  • 예열 온도 (Preheat temperature)
  • 반응 표면 분석법 (Response surface methodology)
  • TIG 공정 변수 (TIG process parameters)
  • 브리넬 경도 (Brinell hardness number)

Executive Summary

Research Architecture

본 연구의 실험 설계는 중심 합성 계획법(Central Composite Design, CCD)을 기반으로 구성되었습니다. 독립 변수로는 용접 전압, 전류, 용접 속도의 세 가지 핵심 요소를 설정하였으며, 각 변수의 상호작용과 2차 효과를 분석하기 위해 총 20회의 실험적 실행을 수행하였습니다. 각 실험 단계마다 5개의 시편을 사용하여 데이터의 신뢰성을 확보하였습니다.

실험 장치로는 TIG 용접 시스템이 사용되었으며, 수집된 데이터는 Design Expert 통계 소프트웨어(버전 7.01)를 통해 분석되었습니다. 연구 프레임워크는 입력 변수와 반응 변수(브리넬 경도, 열 입력, 냉각 속도, 예열 온도, 확산성 수소량) 간의 상관관계를 정의하는 2차 다항식 모델을 구축하는 데 집중하였습니다.

Key Findings

분석 결과, 최적의 용접 품질을 위한 공정 조건은 전압 21.95 V, 전류 190.0 A, 용접 속도 5.00 mm/s로 도출되었습니다. 이 조건에서 예측된 반응값은 브리넬 경도(BHN) 200.959, 열 입력 1.69076 kJ/mm, 냉각 속도 72.07 ℃/s, 예열 온도 150.68 ℃, 확산성 수소량 12.36 mL/100g으로 나타났습니다. 이는 모델의 예측치와 실제 측정치가 매우 높은 일치성을 보임을 입증합니다.

통계적 검증 결과, 모든 반응 변수에 대한 결정 계수(R-squared) 값이 0.9799에서 0.9940 사이로 나타나 모델의 높은 설명력을 확인하였습니다. 특히 만족도(Desirability) 값은 95.40%를 기록하여, 제안된 최적화 솔루션이 다중 반응 변수를 동시에 만족시키는 데 매우 효과적임을 정량적으로 증명하였습니다.

Industrial Applications

본 연구에서 도출된 최적 공정 매개변수는 연강 구조물의 용접 공정에서 균열, 언더컷, 변형 및 기공과 같은 결함을 최소화하는 데 직접적으로 적용될 수 있습니다. 정밀한 열 입력 제어와 냉각 속도 최적화를 통해 용접부의 기계적 강도를 극대화하고 구조적 실패 위험을 낮출 수 있습니다.

또한, RSM 기반의 최적화 모델은 용접 엔지니어가 복잡한 시행착오 없이 최적의 공정 조건을 신속하게 결정할 수 있는 가이드라인을 제공합니다. 이는 생산 효율성을 높이고 원자재 낭비를 줄이며, 최종 제품의 품질 일관성을 유지하는 데 기여하는 실무적 가치를 지닙니다.

Theoretical Background

Response Surface Methodology (RSM)

반응 표면 분석법(RSM)은 여러 독립 변수가 반응 변수에 미치는 영향을 분석하고 이를 최적화하기 위한 수학적 및 통계적 기술의 결합입니다. 이 방법은 특히 변수 간의 비선형 관계를 설명하기 위해 2차 효과를 모델에 통합하는 것이 특징입니다. 실험 설계를 통해 얻은 데이터를 바탕으로 최적의 반응을 도출할 수 있는 수치적 모델을 생성하며, 공정 산업에서 다중 변수 간의 복잡한 상관관계를 탐색하는 데 널리 사용됩니다. 본 연구에서는 중심 합성 계획법을 통해 실험 횟수를 효율적으로 관리하면서도 높은 정확도의 예측 모델을 구축하였습니다.

TIG Welding Process Parameters

텅스텐 불활성 가스(TIG) 용접은 비소모성 텅스텐 전극을 사용하여 아크를 발생시키는 정밀 용접 방식입니다. 용접 품질은 전압, 전류, 용접 속도 및 가스 유량과 같은 공정 변수의 조합에 의해 결정됩니다. 부적절한 변수 설정은 용접부의 경도 저하, 과도한 열 입력으로 인한 변형, 또는 확산성 수소에 의한 저온 균열을 유발할 수 있습니다. 따라서 각 변수가 냉각 속도와 미세 조직 변화에 미치는 영향을 이해하고, 이를 정밀하게 제어하는 것이 고품질 용접부를 얻기 위한 필수적인 이론적 토대가 됩니다.

Results and Analysis

Experimental Setup

실험은 연강 시편을 대상으로 수행되었으며, 독립 변수의 범위는 전압 21-25 V, 전류 170-190 A, 용접 속도 2-5 mm/s로 설정되었습니다. 중심 합성 계획법(CCD)에 따라 총 20회의 실험 조합이 생성되었으며, 여기에는 중심점(Center points), 팩토리얼 지점(Factorial points), 축 지점(Axial points)이 포함되어 설계 공간 전체를 포괄하였습니다.

각 실험 조건에서 용접을 실시한 후, 브리넬 경도 시험기를 사용하여 열영향부(HAZ)의 경도를 측정하였습니다. 열 입력(HI)은 전압, 전류, 속도의 함수로 계산되었으며, 냉각 속도(CR)와 예열 온도(PT)는 표준 수식을 통해 도출되었습니다. 확산성 수소량은 용접부의 건전성을 평가하는 핵심 지표로 기록되었습니다.

모든 측정 데이터는 통계적 유의성을 검토하기 위해 분산 분석(ANOVA)을 거쳤습니다. 이를 통해 각 공정 변수가 개별적으로 또는 상호작용을 통해 반응 변수에 미치는 영향력을 정량적으로 평가하였으며, 모델의 적합성 결여(Lack-of-fit) 테스트를 통해 구축된 2차 모델의 타당성을 검증하였습니다.

Table 3 Computed Goodness of Fit Statistics for Validating Model Significance.
Table 3 Computed Goodness of Fit Statistics for Validating Model Significance.

Visual Data Summary

신뢰성 도표(Reliability Plots) 분석 결과, 모든 반응 변수(BHN, HI, CR, PT, HIIW)에서 실제 관찰값과 RSM 모델에 의한 예측값이 선형적인 관계를 보이며 밀접하게 분포함을 확인하였습니다. 결정 계수(R2) 값이 0.99에 근접하는 결과는 모델이 실험 데이터의 변동성을 거의 완벽하게 설명하고 있음을 나타냅니다. 특히 브리넬 경도와 열 입력의 경우, 예측 모델의 정확도가 매우 높아 공정 제어의 신뢰성을 뒷받침합니다.

Variable Correlation Analysis

ANOVA 분석을 통해 전류(A), 전압(B), 용접 속도(C)가 브리넬 경도에 미치는 영향이 매우 유의미함(p < 0.0001)이 밝혀졌습니다. 특히 전압과 용접 속도의 상호작용(BC) 및 각 변수의 제곱항(A2, B2, C2)이 경도 변화에 중요한 역할을 하는 것으로 나타났습니다. 이는 공정 변수 간의 관계가 단순 선형이 아닌 복잡한 곡선 형태를 띠고 있음을 의미합니다.

열 입력 분석에서는 전류와 전압의 증가가 열 입력을 높이는 반면, 용접 속도의 증가는 이를 감소시키는 상관관계가 뚜렷하게 관찰되었습니다. 냉각 속도는 용접 속도와 밀접한 관련이 있으며, 이는 용접부의 미세 조직과 최종 경도에 직접적인 영향을 미치는 것으로 분석되었습니다.

확산성 수소량의 경우, 전류와 전압의 상호작용이 수소 함량에 유의미한 영향을 미치는 것으로 나타났습니다. 이러한 변수 간의 상관관계 분석을 통해, 특정 반응을 최적화하기 위해 어떤 변수를 우선적으로 제어해야 하는지에 대한 공학적 판단 근거를 마련하였습니다.

Paper Details

Optimization of the Tungsten Inert Gas Process Parameters using Response Surface Methodology

1. Overview

  • Title: Optimization of the Tungsten Inert Gas Process Parameters using Response Surface Methodology
  • Author: P. Pondi, J. Achebo, A. Ozigagun
  • Year: 2021
  • Journal: International Journal of Emerging Scientific Research (IJESR)

2. Abstract

최적화는 수학적 및 인공지능 방법을 활용하는 제조업에서 적용되는 매우 중요한 기술입니다. 대부분의 최적화 기술과 관련된 복잡성으로 인해 새로운 기술에 대한 탐색이 이루어졌습니다. 이러한 탐색은 반응 표면 분석법(RSM)의 등장으로 이어졌습니다. 본 논문은 RSM을 사용하여 연강 용접부의 용접 후 균열 형성을 제거하고 열 입력을 안정화하는 데 필요한 텅스텐 불활성 가스 공정 변수를 최적화하는 것을 목표로 합니다. 고려된 주요 입력 변수는 전압, 전류 및 속도이며, 반응 매개변수는 브리넬 경도 번호(BHN)입니다. 실험의 통계적 설계는 중심 합성 계획법 기술을 사용하여 수행되었습니다. 실험은 실험당 5개의 시편으로 총 20회 실시되었습니다. 반응값들을 측정, 기록하고 RSM을 사용하여 최적화하였습니다. 결과적으로 21.95 V의 전압, 190.0 A의 전류 및 5.00 mm/s의 용접 속도가 다음과 같은 최적의 특성을 갖는 용접 재료를 생성하는 것으로 관찰되었습니다: BHN (200.959 HAZ), 열 입력 (1.69076 kJ/mm), 냉각 속도 (72.07 ℃/s), 예열 온도 (150.68 ℃) 및 확산성 수소량 (12.36 mL/100g). 최적의 솔루션은 95.40%의 만족도 값으로 Design Expert에 의해 선택되었습니다.

3. Methodology

3.1. 실험 설계 및 변수 설정: 중심 합성 계획법(CCD)을 사용하여 전압(21-25V), 전류(170-190A), 용접 속도(2-5mm/s)를 독립 변수로 설정하고 총 20회의 실험 조합을 구성함.
3.2. 시편 준비 및 용접 실시: 연강 시편을 준비하여 설정된 조건에 따라 TIG 용접을 수행하고, 각 실험당 5개의 샘플을 제작하여 데이터의 일관성을 유지함.
3.3. 반응값 측정 및 통계 분석: 용접부의 브리넬 경도, 열 입력, 냉각 속도 등을 측정하고 Design Expert 소프트웨어를 활용하여 2차 다항식 모델 구축 및 ANOVA 검증을 수행함.

4. Key Results

연구 결과, 구축된 모든 반응 표면 모델은 통계적으로 매우 유의미한 것으로 나타났습니다(p < 0.0001). 최적화된 공정 조건(21.95 V, 190.0 A, 5.00 mm/s)에서 브리넬 경도는 200.959로 극대화되었으며, 열 입력은 1.69076 kJ/mm로 안정화되었습니다. 또한 냉각 속도와 확산성 수소량 역시 용접 결함을 최소화할 수 있는 범위 내에서 최적화되었습니다. 결정 계수(R2) 분석을 통해 모델의 예측 정확도가 97% 이상임을 확인하였으며, 이는 실제 산업 현장에서의 적용 가능성을 강력하게 시사합니다.

Fig. 1 Reliability Plots of RSM Predicted Versus Observed Values of (a) Brinell Hardness Number, (b) Heat Input, (c) Cooling Rate, (d) Preheat Temperature, and (e) Amount of Diffusible Hydrogen.
Fig. 1 Reliability Plots of RSM Predicted Versus Observed Values of (a) Brinell Hardness Number, (b) Heat Input, (c) Cooling Rate, (d) Preheat Temperature, and (e) Amount of Diffusible Hydrogen.

5. Mathematical Models

$$Y = \beta_0 + \sum_{i=1}^q \beta_i x_i + \sum_{i=1}^q \beta_{ii} x_i^2 + \sum_{i=1}^{q-1} \sum_{j=i+1}^q \beta_{ij} x_i x_j + \epsilon$$ $$BHN = -2476.97511 + 24.47372 X_1 + 48.86565 X_2 – 56.67801 X_3 – 0.043750 X_1X_2 + 0.55833 X_1X_3 – 1.20833 X_2X_3 – 0.069356 X_1^2 – 0.85003 X_2^2 – 2.53254 X_3^2$$ $$HI = -94.50168 + 0.84575 X_1 + 2.19053 X_2 – 3.93715 X_3 + 0.00126875 X_1X_2 + 0.016058 X_1X_3 + 0.057208 X_2X_3 – 0.00256372 X_1^2 – 0.055977 X_2^2 – 0.022518 X_3^2$$ $$CR = -6657.12941 + 65.26818 X_1 + 61.83169 X_2 + 73.07664 X_3 – 0.36025 X_1X_2 – 0.52000 X_1X_3 + 0.80667 X_2X_3 – 0.15235 X_1^2 + 0.028309 X_2^2 – 0.017240 X_3^2$$ $$PT = 1908.41615 – 6.47345 X_1 – 119.91417 X_2 + 72.05994 X_3 – 0.012500 X_1X_2 – 0.68333 X_1X_3 + 3.41667 X_2X_3 + 0.027133 X_1^2 + 2.44610 X_2^2 – 3.50812 X_3^2$$ $$H_{IIW} = -20.00473 – 0.45246 X_1 + 4.45946 X_2 + 15.94529 X_3 + 0.058813 X_1X_2 – 0.094250 X_1X_3 – 0.049583 X_2X_3 – 0.00166784 X_1^2 – 0.32807 X_2^2 – 0.34778 X_3^2$$

Figure List

  1. Fig. 1 Reliability Plots of RSM Predicted Versus Observed Values of (a) Brinell Hardness Number, (b) Heat Input, (c) Cooling Rate, (d) Preheat Temperature, and (e) Amount of Diffusible Hydrogen.

References

  1. M. Kimchi, X. Sun, E. V. Stephens, M. A. Khaleel, and H. Shao, “Resistance spot welding of aluminum alloy to steel with transition material from process to performance part I: Experimental study” Welding Journal, vol. 2, pp. 188-195, 2002.
  2. K. J. Tarun, B. Bhuvnesh, B. Kulbhushan, and S. Varun, “Prediction and optimization of weld bead geometry in gas metal arc welding process using RSM” International Journal of Science, Engineering and Technology, vol. 2, no. 7, pp. 34-42, 2019.
  3. P. Sreeraj, T. Kannan, and M. Subhasis, “Optimization of weld bead geometry for stainless steel cladding deposited by GMAW,” American Journal of Engineering Research, vol. 2, no. 5, pp. 178-187, 2018.

Technical Q&A

Q: TIG 용접 공정에서 최적의 매개변수 조합을 찾는 것이 왜 중요한가요?

부적절한 용접 공정 요소의 조합은 균열, 언더컷, 변형 및 기공과 같은 용접 결함을 유발하여 구조적 실패의 원인이 되기 때문입니다. 최적의 조합을 통해 용접부의 강도와 품질을 극대화하고 결함을 제거하는 것이 엔지니어링 측면에서 필수적입니다.

Q: 본 연구에서 사용된 반응 표면 분석법(RSM)의 주요 역할은 무엇인가요?

RSM은 여러 독립 변수(전압, 전류, 속도)와 반응 변수 간의 상관관계를 탐색하고, 비선형 관계의 2차 효과를 통합하여 최적의 반응을 도출하는 수치적 모델을 구축하는 역할을 합니다. 이를 통해 복잡한 실험 데이터를 체계적으로 최적화할 수 있습니다.

Q: ANOVA 분석 결과에서 모델의 유의성을 어떻게 확인하였나요?

계산된 F-값과 p-값을 통해 확인하였습니다. 예를 들어, 브리넬 경도 모델의 F-값은 163.54로 나타났으며, p-값이 0.0001 미만으로 매우 낮아 모델이 통계적으로 유의미함을 입증하였습니다. 또한 적합성 결여(Lack-of-fit) 값이 유의미하지 않게 나타나 모델의 적합성을 뒷받침하였습니다.

Q: 최적화된 공정 조건에서 얻은 구체적인 수치는 무엇인가요?

전압 21.95 V, 전류 190.0 A, 용접 속도 5.00 mm/s 조건에서 브리넬 경도 200.959, 열 입력 1.69076 kJ/mm, 냉각 속도 72.07 ℃/s, 예열 온도 150.68 ℃, 확산성 수소량 12.36 mL/100g의 최적 결과를 얻었습니다.

Q: 확산성 수소량(HIIW)을 반응 변수로 고려한 이유는 무엇인가요?

확산성 수소는 용접부에서 저온 균열을 유발하는 주요 요인 중 하나이기 때문입니다. 용접부의 건전성을 확보하기 위해서는 수소 함량을 적절히 제어하고 최소화하는 것이 중요하며, 이를 통해 용접 품질의 신뢰성을 높일 수 있습니다.

Conclusion

본 연구는 반응 표면 분석법(RSM)을 성공적으로 적용하여 연강의 TIG 용접 공정 변수를 최적화하였습니다. 구축된 2차 다항식 모델은 높은 결정 계수와 통계적 유의성을 보여주었으며, 이를 통해 전압, 전류, 용접 속도가 용접부의 기계적 성질과 결함 형성에 미치는 복잡한 영향을 정밀하게 분석할 수 있었습니다.

결론적으로, 도출된 최적 공정 조건은 제조 현장에서 용접 품질을 개선하고 구조적 실패를 방지하기 위한 실질적인 지침을 제공합니다. 이러한 수치적 최적화 접근 방식은 전통적인 시행착오법의 한계를 극복하고, 효율적이고 과학적인 용접 공정 설계를 가능하게 함으로써 산업 전반의 기술 경쟁력을 강화하는 데 기여할 것입니다.

Source Information

Citation: P. Pondi, J. Achebo, A. Ozigagun (2021). Optimization of the Tungsten Inert Gas Process Parameters using Response Surface Methodology. International Journal of Emerging Scientific Research.

DOI/Link: https://doi.org/10.37121/ijesr.v2.150

Technical Review Resources for Engineers:

▶ Access the original research paper (PDF)
▶ FLOW-3D 솔루션 팀과 협의하여 기술적 타당성을 검토하시려면..

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