Prediction of Weld Tensile-Shear Strength using ANN Based on the Weld Shape in Aluminum Alloy GMAW

동윤 김; 준형 황; 광국 김; 영민 김; 지영 유; 준홍 박

doi:10.5781/JWJ.2023.41.1.2

Abstract

Weld shape and size generally determine the quality of gas metal arc welding. Auto parts manufacturers prescribe the size and shape of the weld because they can indicate the mechanical properties of the weld. It is impossible to evaluate the quality of all welds through destruction inspection. Therefore, research on welding quality inspection using laser vision sensors as a non-destructive inspection method is underway. Although the external profile of the weld can be measured using a laser vision sensor, studies to predict the weld strength are insufficient. In this study, an artificial neural network (ANN) model was developed to predict the welding strength of the lap-fillet weld of an aluminum alloy. Input date for weld size was obtained in two ways. In the first method, a bead profile was acquired using a laser vision sensor, whereas the size of the weld was obtained through the acquired bead profile. In the second method, the size of the weld was obtained directly from cross-section analysis. The output data on the strength of the weld was obtained through a tensile shear test. Two models for predicting the tensile shear strength based on ANN were developed. By predicting the tensile strength of both models, the average error rate was within 10%, but the prediction accuracy using the laser vision sensor was better than that of the cross-sectional method.

Key words: Aluminum alloys, GMAW, ANN, Tensile-shear strength prediction, Weld shape

1. 서 론

최근 연비 규제 등의 이유로 친환경 자동차 대두되고 있으며, 배터리를 동력원으로 사용하는 전기자동차의 수요가 증가하고 있다. 배터리 모듈의 장착은 전기자동차의 중량을 늘리는 문제가 발생하여 이를 극복하고자 경량소재를 적용한 경량화가 필요하다. 차량 경량화를 위해서 자동차 부품에 경량소재인 알루미늄 합금을 적용하고 있는 추세이며¹^-³⁾, 알루미늄 합금을 자동차에 적용하기 위하여 용접 기술의 중요성이 한층 더 높아지고 있다⁴⁾. 이 중 알루미늄 합금 용접에 널리 쓰이는 GMAW의 경우 타 공정들과 마찬가지로 품질 확보를 위하여 기계적 특성을 반영한 용접부 크기를 측정하며⁵⁾, 용접부 강도를 확인하기 위하여 파괴 검사를 실시한다⁶^-⁹⁾. 하지만 파괴 검사는 용접이 완료된 후에 이루어지기 때문에 많은 시간 및 추가 비용으로 인하여 현장 적용이 어렵고, 전 용접 부품에 대하여 전수 검사가 불가하다는 한계가 발생한다. 이러한 문제를 해결하기 위하여 GMAW 공정에서 용접부 품질 예측을 위하여 연구가 진행되고 있다. Cho 등은 소재 종류, 용접 전류, 용접 전압 등 용접 변수에 대하여 신경망 알고리즘을 통해 퍼셉트론 네트워크를 구성하였고, 용접부 기계적 특성이 반영된 아크 용접 품질을 예측하였다¹⁰⁾. Wu 등은 용접 전류와 용접 전압을 변수로 퍼지 이론을 GMAW 공정에 적용하여 용접 중 모니터링과 용접 품질을 확인하는 연구를 수행하였다¹¹⁾. Kim 등은 GMAW에서 용접 전류, 용접 전압, 용접 속도를 입력 변수로 하여 실험 계획법 중 하나인 반응 표면법을 통해 비드 폭 예측 모델을 개발하였으며, 2차 회귀 모델과 유전자 알고리즘 개발을 통해 입력 변수와 비드 폭의 상관관계를 분석하였다¹²⁾. Jung 등은 알루미늄의 가스 텅스텐 아크 용접(gas tungsten arc welding(GTAW))에서 실험계획법을 활용하여 용접 전류, 용접속도, 아크 길이의 입력 변수와 용접부 형상과의 관계를 도출할 수 있는 회귀 모델을 개발하였다¹³^,¹⁴⁾.

용접 공정 변수를 활용한 용접 품질 예측 연구는 외관 결함과 같은 용접 품질을 판단과 예측하기가 어려운 단점이 있다. 용접부 결함 등의 용접 품질을 예측하기 위하여 각종 센서를 활용한 연구도 수행되었다. Park 등은 적외선 카메라를 사용하여 용융부의 영화상 및 열강도 분포 특성에 따라 비드 형상과 용접 결함 같은 용접 품질을 추정하는 연구가 수행되었다¹⁵⁾. Mirapeix 등은 GTAW 중 발생하는 플라즈마의 스펙트럼을 통해 인공 신경망 모델을 적용하여 실시간으로 용접 결함을 검출하였다¹⁶⁾. 센서 중 레이저 비전 센서를 적용한 용접부 치수 및 검사에 대한 연구도 수행되었다. Ye 등은 2D 레이저 비전 센서를 활용하여 용접부 비드를 스캐닝하였고, 비드 높이와 비드 폭을 검출하는 연구를 수행하였다¹⁷⁾. Lee 등은 레이저 비전 센서를 활용하여 실시간으로 용접부 결함을 검출하는 연구를 수행하였으며, 현장 적용을 고려하여 GUI 환경 프로그램을 개발하였다¹⁸⁾. 그리고 맞대기 조인트에서 아크 용접부에 대한 레이저 비전을 적용하여 비드 외관 프로파일을 획득하였으며 비드 폭을 측정하였다¹⁹^,²⁰⁾.

레이저 비전을 활용한 선행 연구에서는 용접부 외관 프로파일을 통해 용접부 크기와 외부 결함에 대한 유무 판정만의 품질 검사가 이루어졌으며, 기계적 특성인 용접부 인장 전단 강도를 예측하지는 못하였다.

본, 연구에서는 알루미늄 GMAW에서 용접부 전단 강도를 예측하는 모델을 개발하였다. 다양한 용접 조합에 대하여 용접 공정 변수를 변화시켜 다양한 용접부 형상의 시험편을 제작하였다. 레이저 비전 센서를 통해 용접부 외관 형상에 대한 정보를 확보하였고, 단면 분석을 통한 용접부 크기와 형상에 대한 입력 정보를 확보하였다. 그리고 용접부 인장 시험을 통해 출력 데이터인 인장 전단 강도 데이터를 확보하였다. 용접부 형상과 인장 전단 강도의 관계를 분석하였으며, 인공 신경망을 활용하여 용접부 인장 전단 강도를 예측할 수 있는 모델을 개발하였다.

2. 실험 방법 및 절차

2.1 용접 소재 및 와이어

용접 소재는 Al5083-0의 두께 1.5, 2.0 mm 와 Al6061-T5의 두께 1.3 mm, 1.5 mm를 사용하였다. 각 소재의 화학적 조성 및 기계적 특성은 Table 1에 나타내었다. 용접 소재는 150 × 150 mm로 소재를 절단하여 알콜로 세척한 후 용접 실험을 수행하였다. 용접 와이어는 AWS A5.10 ER5356의 직경이 1.2 mm를 사용하였으며, 화학적 조성과 기계적 특성은 Table 2와 같다.

Table 1

Chemical composition and mechanical properties of base materials

Base materials	Chemical composition (wt.%)							Mechanical properties
Base materials	Si	Cu	Mn	Mg	Cr	Zn	Al	T.S (MPa)	Y.S (MPa)
Al5083-O	0.40	0.10	0.40-1.0	4.0-4.9	0.25	0.05-0.25	Bal.	289	147
Al6061-T5	0.40-0.8	0.15-0.40	0.15	0.8-1.2	0.25	0.04-0.35	Bal.	186	147

Table 2

Chemical composition of filler wire

Filler wire	Chemical composition (wt.%)
Filler wire	Si	Cu	Mn	Zn	Cr	Zn	Ti	Al
AWS A5.10 ER5356	0.10	0.03	0.08	4.80	0.08	0.01	0.07	Bal.

2.2 용접 실험 방법

용접부 인장 전단 강도를 예측하기 위하여 많은 데이터베이스의 구축이 필요하며, Table 3와 같이 4가지 소재 조합으로 용접을 수행하였다. 용접 실험에 사용된 용접 전원은 Daihen Welbee W350이었으며, alternating current(AC) 펄스 전류 파형을 사용하였다. Fig. 1에 전류 파형의 모식도 및 용적이행 현상을 나타내었다. AC 펄스는 직류 정극성(direct current electrode negative, DCEN)과 직류 역극성(direct current electrode positive, DCEP)이 주기적으로 반복하여 발생하는 용접법이다. 직류 정극성 구간에서는 돌출된 와이어를 용융시키며, 직류 역극성 구간에서는 용융된 와이어를 모재로 이행시키는 역할을 한다. 직류 정극성과 직류 역극성 구간을 조절하여 순간적으로 와이어의 용융량을 변화시킬 수 있으며, 식(1)과 같이 직류 정극성과 직류 역극성 구간의 총 면적 대비 직류 정극성 면적이 차지하는 구간의 양을 electrode negative ratio (EN ratio, %)라 정의한다. AC 펄스는 모재의 입열량을 줄일 수 있어 두께가 얇은 박판이나 모재 사이에 간극(gap)이 존재할 때 다른 공정에 비해 비교적 낮은 전류에서 높은 용착량의 확보가 가능하다는 장점이 있다²¹⁾.

Table 3

Welding material combination

No.	Upper plate	Lower plate
1	Al5083-O, 1.5 mm	Al5083-O, 1.5 mm
2	Al5083-O, 1.5 mm	Al5083-O 2.0 mm
3	Al5083-O, 1.5 mm	Al6061-T5, 1.3 mm
4	Al5083-O, 1.5 mm	Al6061-T5, 1.5 mm

Fig. 1

Schematic AC pulse current waveform and droplet transfer phenomenon

다양한 용접부 형상을 획득하기 위하여 Fig. 2와 같이 lap-fillet joint의 용접 실험을 준비하여 용접 실험을 수행하였다. 용접 조건으로는 냉접 (cold weld)이 발생하는 지점부터 용락(Burn through)이 발생하는 지점 전까지 와어어 송급 속도(Wire feed rate)를 1.0 m/min 증가시켜 용접을 수행하였으며, 용접 전압은 용접 전원에서 제안하는 전압을 적용하였다. EN ratio는 0 - 40 %로 20 %씩 증가하여 3수준으로 하였다. EN ratio가 0 %인 경우, 전류 제어 파형에서 EN 구간이 없는 DC 펄스 용접이 이루어진다. 그 외 용접 속도는 80 cm/min, contact tip to workpiece distance(CTWD)는 15 mm, 진행각은 전진각 15˚, 보호가스는 100 % 아르곤의 유량 15 L/min로 고정하였다.

(1)

ENratio(%)=DCENDCEP+DCEN

Fig. 2

Schematic design of welding joint preparation

2.3 용접부 인장전단 강도 예측 방법

소재 조합에 따른 와이어 송급 속도 및 EN ratio를 변화시켜 적정 구간을 확보하였으며, 총 120개의 데이터를 통해 용접부의 인장 전단 강도를 예측하였다.

2.3.1 입력층 데이터 확보를 위한 용접부 형상 정보 추출 방법

본 연구에서는 입력 노드를 확보하기 위하여 두 가지 방법을 사용하였다. 첫 번째 방법으로는 Fig. 3와 같은 위치에서 용접 단면을 채취한 후 파괴 검사를 통해 용접부 단면 분석을 수행하였다. 용접부 인장 전단 시험을 통해 용접부의 강도를 측정하면 동일한 위치에서 용접 단면 형상 정보를 취득하기는 불가능하여 인장 전단 시험편과 가장 가까운 위치에서 용접부 단면을 채취하였다. 채취한 용접부 단면에 SiC 연마지를 사용하여 연마하였고, alumina - suspension을 사용하여 미세 연마하였다. 그 후, 수산화나트륨 수용액 97 %을 사용하여 완전 포화까지 용해한 후 2 분간 용접부 단면을 에칭하였다. 에칭이 완료된 시편을 광학 현미경으로 관찰한 후 용접부 단면 형상 정보를 획득하였다. 두 번째 방법으로는 용접이 완료된 시편에서 Table 4와 같은 사양을 가지는 레이저 비전 센서를 활용하여 용접부 비드 형상을 측정하였으며(Fig. 4(a)), 2개의 특징점(Fig. 4(b))을 통해 용접부 내부 형상 정보를 도출하여 입력 노드로 활용하였다.

Fig. 3

The configuration of test specimen

Table 4

Laser vision sensor spec

	Value
Resolution	0.02 mm (Total 2851)
Gage distance	160 mm
Measurement interval	4 mm (Total 150 mm)
Measuring speed	100 profile/sec

Fig. 4

The (a) appearance of weld bead scanning and (b) feature points of lap-fillet weld

2.3.2 출력층 데이터 확보를 위한 용접부 인장 전단 시험

출력 노드를 확보하기 위하여 용접부 인장 시험을 수행하였다. 시편의 채취 위치와 인장 전단 시험편의 모식도는 Fig. 3에 나타내었다. ASTM E-8M 규격에 의거하여 용접부 인장 전단 시험편 3개를 가공하였다. 가공된 인장 전단 시험편에서 회전 모멘트를 최소화 하기 위하여 시편의 크기와 동일한 심을 덧대었고, 인장 속도 5.0 mm/min로 인장 시험을 실시하였다.

2.3.3 용접부 인장 전단 강도 예측 모델 개발 방법

용접부 인장 전단 강도를 예측하기 위하여 인공 신경망 모델(artificial neural network model)을 활용하였다. 신경망 모델의 입력층(input layer)과 출력층(output layer) 사이에 2개 이상의 은닉층(hidden layer)로 이루어져 있으며, 각 각의 층은 이전의 층과 가중치로 이어지고 뉴런이 활성화되어 결과값을 도출한다.

본 연구에서 용접부 인장 전단 강도를 예측하는 데 입력층의 노드를 소재의 정보 및 두께를 공통으로 구성하고, 두 가지의 방법으로 획득한 용접부 형상 정보를 입력 노드로 활용하였다. 용접부 단면 형상을 통해 측정한 용접부의 형상 정보와 레이저 비전 센서를 통해 획득한 용접부 정보를 적용하였다. 두 가지 형태의 입력 노드에 대한 용접부 인장 전단 강도 예측 결과를 비교하였다.

신경망 모델의 입력 노드를 구성하고, 은닉층을 3 개, 각 층의 노드 개수를 100 개로 설정하였으며, 출력층의 노드는 용접부 인장 전단 강도로 설정하였다. 총 120 개의 데이터에서 60 %(72 개)를 학습 데이터로 사용하였고, 검증 데이터 20 %(24 개), 예측 데이터를 20 %(24 개)로 구성하였다.

3. 실험 결과 및 고찰

3.1 와이어 송급 속도 및 EN ratio의 변화에 따른 용접특성 평가

Fig. 6은 상판 Al5083-O 1.5 mm와 하판 A15083- O 1.5 mm에서 와이어 송급 속도 및 EN ratio 변화에 따른 용접부 단면 형상이다. 와이어 송급 속도가 증가할수록 모재의 가해지는 열이 증가하여 완만한 현상을 보였으며, 각장과 용입 깊이가 증가하는 경향을 보였다. 동일 와이어 송급 속도에서 EN ratio가 증가할수록 용입 깊이가 감소하며 솟는 현상의 용접부를 확인할 수 있었다. 냉접 또는 용락이 발생하지 않는 송급 속도 범위의 경우 EN ratio가 0 % 일 때는 3.0 - 6.0 m/min 수준이었지만, EN ratio가 40 %로 증가하였을 경우 4.0 - 8.0 m/min까지 그 범위가 확장되었다. 용접 입열량이 증가로 용락(burn through)이 발생한다. 동일 와이어 송급 속도에서 EN ratio가 증가할수록 용접 전류 및 전압은 감소하였고, 이에 따라 용접 입열량도 감소한다.

Fig. 7은 인공 신경망 모델의 출력 노드로 활용하기 위한 용접부 인장 전단 강도의 결과이다. 4가지의 용접 소재 조합에서 와이어 송급 속도(용접 전류, 전압) 및 EN ratio에 따른 용접부 인장 전단 강도와 비교하였다. 와이어 송급 속도가 증가할수록 용접부 인장 전단 강도는 증가하는 경향을 보였으며, 일정 수준 이상의 와이어 송급 속도에서 용접부 인장 전단 강도는 수렴하였다.(Fig. 7(a)) 알루미늄 아크 용접부에서는 입열량이 증가할수록 용접부의 결정립이 조대화되어 용접부 강도를 저하시킨다⁶⁾. 본 연구에서는 동일 와이어 송급 속도에서 EN ratio가 증가할수록 입열량은 감소하지만 용접부 인장 전단 강도의 향상은 미비하였다.(Fig. 7(b)) 이러한 이유로 lap-fillet joint의 용접부에서는 입열량으로 인한 결정립의 크기보다 용접부 형상이 용접부 인장 전단 강도에 더 많은 영향을 주는 것으로 판단된다.

Fig. 5

Model structure for predicting tensile-shear strength

Fig. 6

Cross-section images of GMA welds depending on wire feed rate and EN ratio (Upper plate: Al5083 1.5 mm, Lower plate: Al5083 1.5 mm)

Fig. 7

Tensile-shear strength according to (a) Wire feed rate and (b) heat input

Fig. 8은 용접부 형상과 용접부 인장 전단 강도를 비교 분석하였다. 용접부 형상에서 각장, 목두께, 용입은 용접부 인장 전단 강도에 영향을 미친다²²^-²⁴⁾. 각장(Fig. 8(a))과 목두께(Fig. 8(b))의 경우, 크기가 증가할수록 용접부 인장 전단 강도는 증가하였으며 일정 수준 이상의 크기에서 용접부 인장 전단 강도는 수렴하는 것을 확인할 수 있었다. 각장의 결정 계수(R²)는 0.76 수준이었으며, 목두께의 결정 계수(R²)는 0.65 수준이었다. 용입이 발생하여 하판을 관통하여 이면 비드가 발생하는 경우의 용접 조건들이 존재하였다. 본 연구에서는 용입 깊이와 이면 비드 높이를 합쳐 관통 깊이(depth)라 정의하였다. Fig. 8(c)는 관통 깊이와 용접부 인장 전단 강도를 비교하였으며, 관통 깊이와 용접부 인장 전단 강도의 상관성은 없는 것으로 보였다.

Fig. 8

Relationship between weld shape and Tensile-shear strength (Weld shape (a) leg length, (b) Throat thickness, (c) Depth)

3.2 용접부 형상 정보를 이용한 용접부 인장 전단 강도 예측

본 연구에서 용접부 인장 전단 강도를 예측하기 위하여 두 가지 방법을 제안하였다. 첫 번째로는 파괴 검사인 단면 검사를 통해 획득한 데이터를 활용하여 용접부 인장 전단 강도를 예측하였으며, 두 번째로는 레이저 비전 센서를 활용하여 용접부 형상 정보를 취득하고 취득된 데이터를 통해 용접부 인장 전단 강도를 예측하였다. 용접부 인장 전단 강도를 예측하기 위하여 인공 신경망 모델을 활용하였다.

3.2.1 용접부 단면 분석을 통한 용접부 인장 전단 강도 예측

용접부 단면 정보를 이용하여 용접부 인장 전단 강도를 예측하기 위하여 인공 신경망 모델을 개발하기 위하여 입력 노드의 구성이 필요하다. 입력으로 상·하판의 소재의 종류 및 두께, 용접부 단면 형상 인자를 사용하였다. 용접부 단면 형상 인자는 Fig. 9와 Table 5에서와 같이 용접부 길이 6 개, 각도 3 개, 면적 3 개의 형상 정보로 구성하였다. 그리고 출력 노드로는 용접부 인장 전단 강도를 사용하였으며 출력층의 활성화 함수를 선형으로 설정하였다. 인공 신경망 모델의 학습을 위해 용접부 단면 분석과 인장 시험을 통해 총 120 개의 데이터셋을 확보하였다. ANN의 입력 노드 16 개 (상, 하판 소재 종류 2 개, 두께 2 개, 용접부 형상 정보 12 개)이며, 은닉층을 3 개, 각 층의 노드 개수를 100 개로 설정하였으며 최종 출력층은 용접부 인장 전단 강도 값이 1 개로 나오도록 설정하였다. 용접부 인장 전단 강도 예측을 위해 학습 데이터를 60 %, 검증 데이터를 20 %, 예측 데이터를 20 %로 분할하여 적용하였다.

Fig. 9

Configuration of input date through cross-section analysis (Weld shape (a) length, (b) angle, (c) area)

Table 5

Input node at cross-section

No.1	No.2	No.3
Material of upper plate	Thickness of upper plate	Material of lower plate
No.4	No.5	No.6
Thickness of lower plate	L1	L2
No.7	No.8	No.9
L₃	L₄	L₅
No.10	No.11	No.12
L₆	θ₁	θ₂
No.13	No.14	No.15
θ₃	A₁	A₂
No.16
A3

용접부 단면 분석을 통해 인장 전단 강도를 예측한 결과를 Fig. 10에 나타내었다. 실제 용접부 인장 전단 강도와 예측 용접부 인장 전단 강도를 비교한 결과, 오차 평균 9.27 %이었고, 결정계수(R²)은 0.90이었다. 손실함수는 Fig. 11와 같았으며, 학습 횟수는 약 300 - 400일 때 수렴되는 것을 확인할 수 있었다.

Fig. 10

Prediction of tensile-shear strength thorough cross-section

Fig. 11

Loss function of tensile-shear strength thorough cross-section

3.2.2 레이저 비전 센서를 활용한 용접부 인장 전단 강도 예측

선행 실험으로 레이저 비전 센서의 내부 용접부 형상을 대변할 수 있는지를 확인하기 위하여 비드 외관 프로파일과 용접부 내부 형상을 비교하였다. 용접부 단면 분석을 수행한 부위에서 레이저 비전 센서를 통해 스캔하여 Fig. 12(a)와 같이 비드 외관 프로파일을 획득하였다. 용접부 외관 정보 프로파일을 통해 Fig. 12(b)에서 제시한 용접부 길이를 측정하였고, θ₁, θ₂의 용접부 각도(Fig.9(b))와 A₁의 용접부 면적(Fig.9(c))을 측정하여 비교하였다.

Fig. 12

Measured weld sizes through laser vision sensor (a) weld bead profiles, weld shape (b) length)

레이저 비전 센서를 통해 획득한 용접부 내부 형상 정보와 단면 분석을 통해 측정한 용접부 크기를 비교하여 Table 6에 오차율을 나타내었다. 용접부 길이는 2.1 % 이하의 측정 오차율을 보였지만, 각도 및 면적에 대한 레이저 비전의 측정 오차율이 길이에 비해 큰 것을 확인할 수 있었다. Fig. 13와 같이 오버랩(overlap) 결함이 발생한 용접부의 경우 레이저 비전 센서로 정확한 각도 및 면적을 측정하기 어려워 큰 오차율을 보인 것으로 판단된다.

Table 6

Comparison of weld shape size (laser vision sensor vs. cross-section)

	Average error rate (%)
L₁	2.1
L₂	1.6
L₃	2.1
L₄	1.9
θ₁	8.6
θ₂	7.8
A₁	6.1

Fig. 13

Bead profile in weld overlap defect

레이저 비전 센서를 활용하여 실제 인장 전단 시험편의 용접부 형상을 측정할 수 있다는 장점을 있다. 레이저 비전 센서를 활용하여 인장 전단 시험편의 중앙부를 스캔하였고, 이를 통해 비드 형상 프로파일을 도출하였다. 도출된 비드프로 파일을 활용하여 용접부 내부 형상 크기를 Fig. 12의 방법으로 측정하였으며, 노드 No.1 - No. 4까지는 Table 5와 동일하게 구성하였으며, No. 5 - No. 8 은 길이 4개, No. 9 - No. 10은 각도 2개, No. 11은 면적 1개로 용접부 인장 전단 강도를 예측하기 위한 입력 노드로 사용하였다. 그 외의 은닉층, 각 측의 노드 개수 등은 단면 분석을 활용하여 용접부 전단 인장 강도를 예측한 방법과 동일하게 구성하였다. 레이저 비전 센서를 통한 용접부 인장 전단 강도의 예측한 결과를 Fig. 14에 나타내었다. 실제 인장 전단 강도 값과 예측을 통한 인장 전단 강도 값을 비교한 결과 오차 평균은 6.44%이었고 결정계수(R²)는 0.93 이었다. 손실함수는 Fig. 15와 같았으며 학습 횟수가 약 200 - 300 일 때 수렴하는 것을 확인할 수 있었다.

Fig. 14

Prediction of tensile-shear strength by laser vision

Fig. 15

Loss function of tensile-shear strength thorough laser vision sensor

4. 요 약

본 연구에서는 AC 펄스를 적용한 Al 5000, Al6000 계열 합금의 GMAW lap-fillet joint의 용접부에 대하여 인공 신경망 모델을 활용하여 인장 전단 강도를 예측하였다.

1) 4 가지의 용접 조합에서 다양한 용접부 형상을 획득하기 위하여 와이어 송급 속도 및 EN ratio를 변경하여 적정 용접 구간을 확보하였다. Lap-fillet joint의 용접부에서는 각장, 목두께의 크기가 증가할수록 용접부 인장 전단 강도는 증가하는 경향을 보였으며, 용입 깊이와는 무관하였다. EN ratio가 증가할수록 모재로의 입열량이 적어져 넓은 용접 구간을 확보하였지만, EN ratio와 용접부 인장 전단 강도의 관계는 직접적으로 확인할 수 없었다.
2) 용접부 크기 및 형상 정보를 얻기 위해서 파괴 검사인 용접부 단면 분석을 진행하였고, 단면 형상 정보 중 용접부 길이 6 개, 각도 3 개, 면적 3 개 데이터를 통해 인공 신경망 모델을 활용하여 용접부 인장 전단 강도를 예측하였다. 예측결과 오차평균은 9.27 %이고 R²는 0.90이었다.
3) 레이저 비전 센서를 활용하여 용접부 비드 프로 파일 정보를 통해 용접부 크기를 측정하였다. 레이저 비전 센서를 통해 얻은 용접부 크기와 실제 단면 분석에서 얻은 용접부 크기를 비교해 본 결과 오차율은 10% 이내임을 확인할 수 있었다. 레이저비전 센서를 활용해 얻은 용접부 단면 형상 정보 중 용접부 길이 4 개, 각도 2 개, 면적 1 개의 데이터로 용접부 인장전단강도를 예측한 결과 오차평균은 6.44%이고 R²는 0.93이었다.

알루미늄 합금 GMAW lap-fillet 조인트의 용접부에서 단면 분석과 직접적인 방법을 통해 용접부 기계적 특성을 예측할 수 있으며, 레이저 비전과 같은 센서를 활용하여 비드 프로파일 정보를 획득할 수 있으면 직접적인 파괴 검사과 아닌 간접적인 방법으로도 용접부 기계적 특성을 예측할 수 있을 것으로 판단된다.