1. 서 론
레이저 용접공정의 산업 적용은 빠른 공정속도, 좁은 용접부와 열영향부와 같은 장점으로 인해 점차 확대되고 있다. 그러나 알루미늄(Al)-저탄소강(Fe)과 같은 이종소재 접합에는 레이저 용접이 적합하지 않은 것으로 알려져 있다. 소재의 녹는점, 열전도도, 전기 저항과 같은 특성의 차이로 인해 용융 용접1-3)보다는 마찰교반용접4), 전자기 펄스 용접5,6) 및 플로우 드릴 스크류7)와 같은 기계적 체결이 유리하기 때문이다.
Al-Fe를 용융 용접으로 접합하는 경우, FeAl2, Fe2Al5, FeAl3과 같은 취성이 높은 금속간화합물(Intermetallic compound, IMC)의 형성이 필연적이다8,9). Mathieu et al.은 IMC의 두께가 10 ㎛ 보다 얇으면 용접부의 강도와 연성에 미치는 IMC의 영향이 적게 미친다고 하였으나, IMC가 계면 또는 용접부에 혼재하면 일반적으로 접합부의 연성이 감소되고 부식4) 및 피로 특성이 저하된다고 보고되고 있다. IMC의 두께를 10 ㎛ 이하로 제어하기 위해 레이저 빔의 형상 변경, 용가재(또는 플럭스)의 적용, 삽입금속의 적용 등이 시도된 바 있다. Jabar et al.10)은 듀얼빔레이저를 이용하여 저탄소강과 Al1050을 이종 접합하고, 레이저 빔 형상에 따른 IMC의 두께 및 이음부의 전단 강도 변화를 분석하였다. 링(ring) 빔을 활용한 경우, core빔을 활용한 경우보다 높은 97.6 N/mm2의 강도가 측정되었다. 저자들은 접합 계면의 IMC 두께가 ring빔을 적용한 경우에서 7 ㎛ 이내로 얇기 때문이라고 하였다. Liu et al.11)은 Al 분말을 활용하여 Al5052와 용융아연도금강(Hot-dip galvanized steel, GI)을 레이저 브레이징 하였다. 전단 강도는 174 N/mm로 측정되었으며, 계면에서 형성된 IMC 층의 두께는 6-7 ㎛로 보고하였다. Mathieu et al.12)은 Al과 Fe의 이종 접합을 위해 Al이 15% 포함되어있는 Zn 용가재를 적용하여 접합 계면을 형성하였으며, 230 N/mm의 우수한 강도를 확보하였다. Ogura et al.13)은 50 ㎛ 두께의 Ti 삽입금속을 GI와 Al5052 사이에 삽입하고 레이저 용접을 수행하였다. 185 N/mm의 파단 강도를 확보할 수 있었으나 계면의 IMC는 약 30 ㎛으로 두껍게 형성되었다. Liu et al.14)은 STS304와 Al6061 알루미늄 이종 접합에서 IMC의 형성과 성장을 억제하기 위해 고엔트로피 분말을 적용하는 방법을 제안하였다. 삽입 금속이 핵 생성을 지연시켜 취성이 높은 IMC 대신 고용체 또는 비정질 구조가 형성되어 접합 강도 확보에 유리하다고 설명하였다.
본 연구에서는 계면의 IMC 형성을 억제하고 이종 소재 간의 열팽창 계수 차이를 완화하기 위하여, Fe 분말을 이용한 저온 용사를 적용하여 중간층을 형성하고, 이를 활용하여 이종 소재 접합을 수행하고자 하였다. 저온 용사는 고압으로 가속된 분말이 모재에 충돌하며 생기는 기계적 결합을 주요 결합 메커니즘으로 활용하며, 이를 통해 계면의 IMC 형성을 최소화할 수 있다. Zhang et al.15)은 Al과 Cu를 저온 용사로서 적층 제조하고자 하였으며 저온 용사 직후에 IMC 형성은 관찰되지 않았다고 하였다. Maeda et al.16)은 Al7204/강재 겹치기 이음을 레이저 용접하기 위하여 저온 용사를 활용하였다. 전단 강도 및 십자 인장 강도가 각 230%, 580% 증가하였다고 발표하였다. 그러나 용입 깊이에 따른 강도 변화에만 초점을 맞추었으며, 조직적 분석 및 신뢰성 평가가 포함되지 않았다.
위의 연구들을 종합하면, 적절한 삽입금속의 선정이 이종 접합 강도 확보에 기여할 수 있음을 확인할 수 있다. 본 연구에서는 계면의 IMC 형성을 억제하고 이종 소재 간의 열팽창 계수 차이를 완화하기 위하여, 저온 용사층을 형성한 후 레이저 용접에 활용하였다. 레이저 용접 변수가 이종소재 접합부의 기계적, 조직적 특성에 미치는 영향을 분석하고, 부식환경에 노출시키어 용접부의 신뢰성을 평가하였다. 또한, 이종소재간 용융용접에서는 용입 깊이가 IMC 거동과 밀접한 상관관계를 가지므로 관리가 요구된다. 용입이 깊어질수록 희석량이 증가하고 IMC 형성이 촉진될 수 있기 때문이다. 이에 따라, 본 연구에서는 레이저 용접 공정 중 용융풀과 그 주변의 온도이력 데이터를 기반으로 용입 상태를 인지하고 판단할 수 있도록 CNN 기반 분류 모델을 제안하고자 하였다.
2. 실험 방법
레이저 용접부는 Fig. 1(a)와 같이 1.4 mm 두께의 STS304 판(이하 STS), 2.1 mm 두께의 순수 Fe 분말 저온 용사, 3 mm 두께의 AA6061-T6 판(이하 Al)으로 구성되었으며 겹치기 이음 형태로 설계되었다. 각 판재의 기계적 물성 및 구성성분은 Table 1, 2에 나타내었다. 저온 용사는 Al 끝단으로부터 150 mm × 30 mm 영역에 수행하였으며, Fig. 1(b)에서 볼 수 있듯 작은 기공을 포함하고 있다. 용사층과 STS의 계면(Fig. 1(c))에서는 중첩된 용사로 인해 Fig. 1(b) 영역 대비 기공 비중이 감소하였으며, 용사 계면에서 IMC는 관찰되지 않았다.
Fig. 1
(a) Laser welds configuration and dimensions, (b) SEM image of the cold-sprayed layer at the upper interface, and (c) at the lower interface. (Observed regions were marked in Fig. 1(a))
Table 1
Mechanical properties of material
| Yield strength (MPa) | Tensile strength (MPa) | Elongation (%) | |
|---|---|---|---|
| STS304 | 215 | 505 | 70 |
| AA6061-T6 | 276 | 310 | 17 |
Table 2
Chemical compositions of material
| Chemical composition (%) | ||||||||
|---|---|---|---|---|---|---|---|---|
| Fe | Al | Ni | Cr | Si | Cu | Mn | Other, total | |
| STS | 66.345 -74 | - | 8.0 -10.5 | 18 -20 | <1.0 | - | <2.0 | <0.2 |
| Al | <0.70 | 95.8 -98.6 | - | 0.04 -0.35 | 0.4 -0.8 | 0.15 -0.40 | <0.15 | <0.55 |
| CS | 100 | - | - | - | - | - | - | - |
디스크 레이저(TruDisk 3002, Trumpf Laser GmbH, Schramberg, Germany)를 활용하여 용접을 수행하였다. 빔은 200 ㎛ 직경의 광파이버로 전달시키어, 초점거리 304 mm의 광학계(BEO D70, Trumpf Laser GmbH, Schramberg, Germany)를 통해 시료의 표면에 조사시켰다. 초점위치에서 측정된 빔 직경은 0.29 mm이었다. 보호 가스는 사용하지 않았으며, 레이저는 시료표면에 수직으로 조사되었다. 입열량에 따른 용접부 특성 변화를 평가할 수 있도록 출력 및 속도를 변수로 선택하였으며, 선정된 용접 조건을 Table 3에 나타내었다. 이러한 조건을 기반으로 입열량(heat input)은 Eq. (1)과 같이 계산되었으며, 단위는 kJ/m이다. 레이저 출력은 kW(=kJ/s), 용접 속도는 m/min 단위로 표현되며, 시간 단위를 통일하기 위해 속도를 m/(60·s)로 변환하였다.
Table 3
Welding parameters selected in the experiment
| No. | Laser power (kW) | Welding speed (m/min) | Heat input (kJ/m) |
|---|---|---|---|
| 1 | 3 | 3 | 60 |
| 2 | 4 | 45 | |
| 3 | 5 | 36 | |
| 4 | 2.7 | 5 | 32.4 |
| 5 | 2.5 | 30 | |
| 6 | 2.1 | 25.2 | |
| 7 | 1.9 | 22.8 |
결과적으로 시간 단위인 초(s)는 소거되어 heat input은 kJ/m 단위를 갖는다.
딥러닝 모델을 위한 입력 데이터를 수집하기 위해 CMOS 센서 기반 머신비전 카메라 (UI-3140CP Rev. 2, iDS, Obersulm, Germany, 이하 CMOS 카메라)와 열화상 카메라(TACHYON 16k+, NIT, Madrid, Spain, 이하 IR 카메라)를 사용하였다. 머신비전 카메라는 용융풀 이미지를 동축으로 획득할 수 있도록 장착되었으며, IR 카메라는 광학계의 영향(필터) 없이 용접부 주변 온도 분포 이미지를 얻기 위해 비동축으로 설치되었다. CMOS 카메라의 해상도, 샘플링 속도는 454 × 880 pixel(이하 px), 250 frames/second(이하 fps)이며, 808 ± 10 nm band-pass 필터를 장착하였다. IR 카메라의 해상도, 샘플링 속도는 128 × 128 px, 250 fps이다. 용융풀의 이미지를 명료하게 하고자 808 nm 파장의 레이저를 보조 광원으로 사용하였다. Fig. 2에 사용한 실험 장비를 나타내었다.
용접된 시편은 절단 및 가공하여 분석에 활용하였다. 인장 시편은 Fig. 3과 같이 KS B ISO 4136 규격에 따라 가공되었으며, 측정값은 3회 평균값으로 제시하였다. 단면 분석은 연마 후 질산과 에탄올의 혼합액으로 에칭한 후, 광학현미경 및 주사전자현미경(Scanning Electron Microscope, SEM)을 활용하여 관찰하였다. 부재간 혼입에 대한 영향을 확인하고자 0.2 kg 하중으로 10초간 가압하여 0.2 mm 간격으로 용접부 경도를 확인하였다.
부식 시험은 ISO 9227에 따라 염수분무기(606-400L, Erichsen GmbH, Hemer, Germany)를 활용하여 2000 h 동안 진행하였다. 염수환경에 노출된 시료를 대상으로 인장 시험 및 단면 분석을 수행하고, 용접 변수가 용접부의 부식 거동에 미치는 영향을 비교 분석하고자 하였다.
3. 딥러닝 모델과 데이터 준비
250 fps로 촬영된 용융풀과 열화상 이미지는 동기화된 후, 겹치기 용접부의 용입 상태를 분류하기 위한 싱글 센서 CNN 모델 2개와 멀티 센서 CNN 모델 학습에 사용되었다. 싱글 센서 모델1(Fig. 4(a))은 CMOS 카메라를 통해 획득한 이미지(이하 CMOS 이미지)를, 싱글 센서 모델2(Fig. 4(b))은 IR 카메라를 통해 획득한 이미지(이하 IR 이미지)를 활용하여 학습되었으며, 멀티 센서 모델(Fig. 4(c))은 CMOS와 IR 이미지를 동시에 활용하여 학습되었다. 활용한 데이터는 CMOS 이미지 2100개, IR 이미지 2100개이며, train, validation, test를 위해 각각 70% (1470개), 15% (315개), 15% (315개)의 비율로 임의 분할되었다.
Fig. 4
CNN model structures of the single-sensor models for (a) CMOS, (b) IR image, and (c) the multi-sensor model
CMOS 이미지 채널과 IR 이미지 채널은 개별적인 입력으로 처리되었으며, 두 경로 모두 convolution layer와 max pooling layer를 각각 2개 포함하도록 설정되었다. CMOS 이미지 경로의 convolution layer에는 batch normalization을 적용하여 훈련 안정성을 확보하였다. 모든 계층에는 ReLU 활성화 함수가 사용되었으며, 각 경로에서 추출된 특징은 평탄화(flatte- ning)된 후 병합되어 최종 출력으로 전달되었다. CNN 모델은 배치 크기 16으로 설정하여 총 500 epoch 동안 학습되었으며, 최적화 함수로 Adam17)을 사용하였다. 학습률은 0.001로 설정되었으며, Adam의 하이퍼파라미터는 β1=0.9, β2=0.999, ε=1×10-8로 설정되었다. 손실 함수로 Sparse cross-entropy가 사용되었다. 일반적 분류 모델에 적용되는 손실 함수인 Binary cross-entropy는 0과 1로 구성된 범주를 가진 이진 분류 문제에 적합하기 때문에 3중 분류에 효과적인 Sparse cross-entropy를 사용하였다.
4. 실험결과 및 논의
4.1 용사 적용 이종소재 레이저 용접부의 기계적/조직적 특성
적용된 용접변수에 따라 용입 깊이 및 부재간 혼입이 변화하였다. 실험에서 선정된 용접 조건 중, 용입 깊이가 다른 3개 시료의 단면사진을 Fig. 5에 나타내었다. Fig. 5(a)와 (b) 모두 용사층(CS)까지 용입이 발생하였으나, 용사층의 50% 용입을 기준으로 구분하였다. Al층 혼입이 형성되지 않았으나 용사층의 희석률이 달라져 용융부 내부 혼입이 다르게 나타난다. Fig. 5(c)는 Al까지 용입이 이루어진 경우이다. Al 부재에 열영향부가 형성되었음을 확인할 수 있다. 60 kJ/m 조건을 제외한 나머지 6개 조건에서, 입열량이 증가할수록 파단 강도가 감소하는 경향이 관찰되었다(Fig. 6). 60 kJ/m 조건에서 가장 높은 파단 강도가 기록되었는데 이는 IMC 형성으로 인해 기계적 물성이 저하될 것이라는 예상과 상반된 결과이다.
Fig. 5
Macro cross-sections of laser welds with different heat inputs, (a) 22.8 kJ/m, (b) 36 kJ/m, and (c) 60 kJ/m
파단은 Fig. 7에 나타낸 바와 같이, 모든 시료에서 용융부를 관통하지 않고 인접 영역을 따라 전파되었다. 파단 경로는 용입 깊이에 따라 변화하였는데, 3가지 유형으로 구분할 수 있다. 파단 모드 1은 얕은 용입이 형성된 경우에 주로 관찰되었다. Fig. 7(a)에서 관찰할 수 있듯이, 파단은 용사층을 통과하여 전파하며, 인장 시험 결과에서도 연속적인 강도-변위(Displacement) 곡선을 보인다(Fig. 7(d)). 파단 모드 2는 용사층 내 깊은 용입으로 인하여, 용융부의 첨단이 용사층/Al 경계에 근접한 경우에 주로 관찰된다(Fig. 7(b)). 파단 경로는 용사층 내부에서 시작되어 용사층/Al 경계로 전환된다. 이런 파단 경로의 변화는 강도-변위 그래프에도 영향을 미치어, 이로 인해 Fig. 7(d)에서 불연속적인 강도-변위 응답이 나타난다. 파단 모드 3은 Al 부재까지 용입이 발생한 경우로서(Fig. 7(c)), 다른 파단모드에 비하여 낮은 변위에서 빠르게 최대 강도에 도달하나, 이후 큰 폭의 강도 저하가 발생하였다. 파단 과정에서 Al 부재의 혼입이 유의미한 영향을 미쳤을 것으로 판단된다.
Fig. 7
Representative sectional images of fracture modes, (a) fracture mode 1, (b) fracture mode 2, (c) fracture mode 3, and (d) load-displacement curves for different fracture modes
이종소재 혼합에 의한 경도 분포 변화를 고찰하기 위해 비커스 경도를 측정하여 Fig. 8에 나타내었다. 용융부 중심을 따라 경도를 측정한 결과 (Fig. 8(a)), 용사층에서의 경도 산포가 큰 반면, STS와 Al 층의 경도 산포는 미미하였다. Al 혼입이 있는 60 kJ/mm 시편에서 오히려 경도 편차가 적게 측정되었기 때문에, 용사층 내부의 잔존 기공에 기인한 것으로 판단된다. 용입이 Al까지 도달하는 60 kJ/mm 조건의 경우, 열연화로 인한 Al 열영향부의 경도 하락이 관찰되었다. STS 층을 따라 경도를 측정한 결과(Fig. 8(b)), 용융부의 경도가 모재보다 높게 측정되었으며 입열 및 Al 혼입과 무관하게 유사한 수준을 유지하는 것을 확인하였다. 용사층을 따라 경도를 측정한 결과(Fig. 8(c)), 모든 조건에서 경도 산포가 크게 나타났다. 저온 용사 품질과 관련된 입도, 용융 정도, 용사층의 밀도 등의 영향으로 판단된다. Al 층을 따라 경도를 측정한 결과, 앞선 결과와 마찬가지로 60 kJ/m 조건에서 경도 하락이 관찰되었다. 그러나 파단이 용사층을 따라 진행되거나 용사층-Al 계면으로 전파되기 때문에, Al의 열화가 파단 강도에 미치는 영향은 매우 제한적일 것으로 판단된다.
Fig. 8
Measured vickers hardness profile at (a) center of weld, (b) stainless, (c) cold sprayed, and (d) aluminum layers
60 kJ/m 조건의 용접 시료를 대상으로 용접부 미세조직 및 에너지 분산형 X선 분광분석(Energy Dispersive X-ray Spectroscopy, EDX)을 수행하였다. Fig. 9 (b)와 (c)에 용융부/용사층 계면에서 촬영한 SEM 이미지를 나타내었다. 용융부 내부에 기공 및 균열은 발견되지 않았으며, 상판인 STS의 영향으로 인해 용융부 내부에 Cr의 유동이 확인되었다(Fig. 9(d)). Al 부재까지 용입이 형성되었음에도, Al 원소가 유의미한 수준으로 검출되지 않았다. IMC는 용융부 하단(Fig. 9 (e))에서 관찰되었으며, 두께는 위치별로 다르게 측정되었다. Fig. 9(g)에 나타낸 것과 같이 Al과 Fe 원소는 검출되었으나 Cr과 Si는 검출되지 않아, Al-Fe 결합에 의한 FeAl3(침상형) Fe2Al5(판형)가 형성되어 있음을 알 수 있었다.
4.2 용사 적용 이종소재 레이저 용접부의 부식 특성
용입 깊이 및 부재간 혼입 차이가 부식특성에 미치는 영향을 고찰하고자 염수분무 시험을 수행하고, 인장시험을 실시하였다(Fig. 10). 용입 깊이가 다른 입열량 60 kJ/m(Al층 용입)과 30 kJ/m(용사층 용입) 조건을 선정하여 시료를 제작하였다.
용입 깊이 및 부재간 희석률 차이와 무관하게, 모든 조건에서 부식 시간이 증가할수록 파단 강도는 감소하였다. 그러나 2000 h 부식환경에 노출된 시료에서 파단 강도가 소폭 증가한 결과가 도출되었다.
부식 환경 노출 시간에 따른 염수분무시험 시편들의 파단 단면을 Fig. 11에 나타내었다. 부식 시간이 증가함에 따라 부식 흔적이 증가하였으며, 모든 조건에서 용사부보다 Al의 부식이 더 많이 진행되었다. 이는 Al과 Fe 간의 전기화학적 전위 차이로 인해 Al이 희생양극으로 작용하여 먼저 부식된 결과로 해석된다. 부식은 주로 용사부와 Al 경계에서 시작되었으며, 시간이 지남에 따라 Al 전체로 확장되었다.
4.3 CNN 기반의 용입 깊이 분류 모델
레이저 용접 중 촬영된 CMOS 이미지와 IR 이미지를 학습 데이터로 활용하여, 용입 상태를 분류(0-under- weld: < 2 mm, 1-sound-weld: 2-3 mm, 2-over- weld: > 3 mm)하는 CNN 모델을 개발하였다. 서로 다른 파단모드에 대해, 용융풀이 준정상 상태에 도달한 시점에서 추출한 대표 CMOS 및 IR 이미지를 비교하여 Fig. 12를 나타내었다. 용입 깊이가 증가할수록 더 많은 재료가 용융에 기여하며, 이에 따라 플라즈마 방출량이 증가하게 된다. 이러한 변화는 CMOS 및 IR 카메라에 의해 감지되는 광학 신호의 세기에 영향을 주며, 결과적으로 용융풀의 시각적 크기(너비 및 꼬리 길이) 증가로 나타난다. 딥러닝 모델이 학습하는 주요 시각적 특징들이 실질적인 용입 상태 변화와 연관성을 갖고 있음을 뒷받침하는 근거로 해석될 수 있다. CMOS 이미지와 IR 이미지를 학습시킨 싱글 센서 모델과, 두 데이터를 통합 학습한 멀티 센서 모델의 loss 및 accuracy 그래프를 Fig. 13에 나타내었다. CMOS 이미지 기반 싱글 센서 모델은 낮은 안정성을 보이며, 500번째 epoch까지 loss가 0으로 수렴하지 않았다. 반면 IR 이미지 기반 싱글 센서 모델은 높은 안정성을 보이며 100번째 epoch 이내에 loss가 0으로 수렴하였다. 멀티 센서 모델은 보다 많은 데이터를 사용하였음에도 안정성이 부족했는데, CMOS 이미지의 유효성이 멀티 센서 모델에도 영향을 준 것으로 판단된다. 각 모델의 혼동 행렬과 F1-score를 Fig. 14에 나타내었다. F1- score는 분류 모델의 정밀도(Precision)와 재현율(Recall)의 조화 평균으로 정의되며 분류 모델의 균형 잡힌 성능을 평가하는데 적합하다. F1-score는 Eq. (2), 정밀도는 Eq. (3), 재현율은 Eq. (4)와 같이 정의된다.
TP (True Positive): 실제 양성을 양성으로 예측
FP (False Positive): 실제 음성을 양성으로 예측
FN (False Negative): 실제 양성을 음성으로 예측
각 모델은 99% 이상의 높은 정확도를 보이며, 극소수의 오분류만 관찰되었다. 멀티 센서 모델은 분류 능력 측면에서 CMOS 이미지 기반 모델과 비슷한 성능을 보였다. 이는 CMOS 이미지의 데이터 특성 개선이 필요함을 시사한다.
Fig. 13
Training and validation loss and accuracy curves for different single-sensor and multi-sensor models
Fig. 14
Confusion matrices of training, validation, and test datasets for different model of single-sensor and multi-sensor models
Grad-CAM(Gradient-weighted Class Activation Mapping)을 활용하여 모델이 주목한 영역을 시각화한 결과를 Fig. 15에 나타내었다. Grad-CAM은 딥러닝 모델의 최종 convolution layer에서 추출된 특징 데이터와, 해당 클래스에 대한 출력값의 기울기를 활용하여 입력 이미지 내에서 분류 결과에 기여한 영역을 시각화하는 기법이다. 이를 통해 모델이 특정 판단을 내릴 때 어느 영역을 중점적으로 인식하였는지 파악할 수 있다. CMOS 이미지에 대해 분석한 결과, 용융풀 이외에 스패터 및 용융풀 주변을 중요한 px로 인식한 것을 알 수 있다. 용융부 주변의 변형, 스패터 등으로 인한 외란으로 학습 성능이 저하된 것으로 예측된다. 반면 IR 이미지에 대해 분석한 결과에서는 용융풀과 그 주변 영역을 효과적으로 포착하여, 용융풀 상태를 잘 반영하고 있음을 확인할 수 있었다.
5. 결 론
본 연구에서는 이종소재(알루미늄-저온 용사부-스테인리스 스틸) 레이저 용접부의 기계적 및 조직적 특성을 분석하고, 용접 조건에 따른 용입 상태 및 기계적 성질 변화를 평가하였다. 또한, 용입 상태를 효과적으로 분류하기 위해 딥러닝 모델을 활용한 용입 예측 시스템을 개발하였다. 실험을 통해 도출된 연구 결과를 아래와 같이 요약하였다.
1) 저온 용사를 적용한 이종 소재 용접에 레이저 용접이 성공적으로 적용되었다. 본 용접부의 기계적 물성은 용접 조건으로 결정되는 용입 깊이와 깊은 연관이 있었다.
2) 금속간화합물은 저온 용사 공정 중 생성되지 않았으나, 알루미늄 하판까지 용입이 발생하였을 때 생성되었다. 금속간화합물은 전단인장시험 시 파단전파에 유효한 영향을 주는 것으로 판단된다.
3) 부식환경 노출시간 증가에 따라 인장 강도가 감소하는 경향을 보였으나, 노출 시간이 길어질수록 점차 수렴하는 경향을 보였다. 2000 h의 장시간 부식환경 노출에도, 0 h 대비 75% 이상의 용접부 전단인장 강도가 확보 가능하였다.
4) 용입 상태 분류 모델을 싱글 센서 모델, 멀티 센서 모델 형태로 개발하였으며, 모든 모델에서 99% 이상의 높은 정확도를 보였다. IR 이미지는 용융풀 상태를 잘 반영하는 데이터로 정확도 확보에 기여했음을 확인하였다.
PDF Links
PubReader
ePub Link
XML Download
Full text via DOI
Download Citation
Print
