금속 적층제조(3D 프린트) 산업과 관련하여 상용화가 기대되는 산업분야로는 의료·바이오 인공관절 및 대치물, 우주항공산업용 부품, 에너지 플랜트 부품, 그리고 냉각채널이 탑재된 금형 등이 대두되고 있다. 이들 부품의 경우 대부분 Grade 2의 순Ti, Grade 5의 Ti-6Al-4V, Grade 23의 Ti-6Al-4V ELI, Ti-6Al-7Nb 등과 같은 Ti 및 Ti합금의 분말 및 선재에 의해 제조되고 있어, 경제적이고 고품위 Ti 및 Ti합금 분말을 제조할 수 있는 공정기술이 우선적으로 확립되어야 한다.
금속 적층제조용 Ti 및 Ti합금 분말의 경우, 불순물 함량 0.64wt.% 이하의 고품위 요구특성 이외에도 형상이 구형이어야 하고, 분말의 크기도 레이저를 열원으로 하는 SLM 적층성형의 경우 30 ~ 50 μm의 입도분포, 전자선을 열원으로 하는 EBM 적층성형의 경우 50 ~ 100 μm의 입도분포로 특정되어야 하는데, Ti분말 제조공정의 변수에 따라 순도, 형상, 크기, 흐름성(Flowability), 겉보기밀도(Apparent Density), 충진밀도(Tap Density) 등이 다양하게 변하기 때문에, 분말제조 공정변수들의 영향 및 최적화에 대한 세심한 고려와 체계적인 연구가 요구된다.
본 연구에서는 Ti-6Al-4V(Gr.5) 합금 분말의 특성에 미치는 제조공정 변수인 분무온도, 분무가스 압력 및 분무가스 유량 등의 평균값 및 표준편차의 영향을 예측하고 최적화하기 위해 기계적 학습 및 인공지능(ANN) 모델을 적용하였으며, 기존의 실험설계 해석기법인 선형회귀분석(LRA) 및 반응표면분석법(RSM)을 적용하여 얻은 예측 및 최적화 결과와 비교하였다.
이를 위해, EIGA(Electrode Induction Melt Gas Atomization)공정에 의해 총 6회에 걸쳐 Ti-6Al-4V(Gr.5) 합금 분말을 제조하였으며 분무온도, 분무가스 압력 및 분무가스 유량을 일정한 범위내에서 서로 다른 조건으로 조합하여 설정하였다. 각 회차당 10회의 분말 회수 공정 step으로 세분하여 제조를 진행하였으며 각 step 당 분무 시간은 최소 18초에서 최대 20초로 조절하였다. 따라서 전체 분무시간은 180초에서 200초 범위에서 제조 공정이 진행되었다. 장비에서 초당 1000개의 데이터가 측정되었다. 즉, 1/1000초마다 분무가스 압력(gas pressure), 분무온도(melt temperature), 분무가스 유량(gas flow rate)의 미세한 변화들을 수집했는데, 각 분무 step별 공정 시간은 19초이며 이때 시간에 따른 19,000개의 데이터 세트를 얻은 다음 개별 공정 데이터를 정규분포로 변환하였다.
동일 설정 조건 하에서도 각 step에 따라 상이한 시간-공정데이터 변화를 얻을 수 있었는데, 측정된 공정 데이터를 정규분포화 시켜서 표현하여 조금 더 일정한 기준의 공정 데이터로 정리한 다음 각 step에서 얻은 공정 데이터들의 정규분포 상태에서 계산된 평균값과 표준편차 값을 분석에 사용하였다. 총 6차례에 걸쳐서 각 10회씩 시간별로 분급한 분말들에 대해 각각 측정된 분말 특성은 총 60개의 데이터 세트로 정리했는데, 이에 대응하여 공정 데이터도 시간에 따른 데이터 산포를 정규분포된 데이터로 변환하여 대표적인 평균값과 표준편차 값으로 나타냈다. 따라서 분석에는 총 6개의 공정 인자인 분무가스 압력 평균, 분무가스 압력 표준편차, 분무온도 평균, 분무온도 표준편차, 분무가스 유량 평균, 분무가스 유량 표준편차가 입력 변수로 사용되었다. 분석에 사용된 출력 변수는 분말 특성과 관련된 분말의 입도분포(D10, D50, D90), 분말의 흐름성(Flowability), 겉보기 밀도(Apparent density), 그리고 분말의 구형도(Aspect ratio) 등의 총 6개 항목으로 결정했다.
서로 다른 EIGA 공정 조건으로 제조된 Ti-6Al-4V합금 분말의 6가지 특성과 공정 변수와의 관계를 파악하기 위해 피어슨 상관 계수(Pearson correlation coefficient)를 이용하여 개별 분말 특성의 공정변수 민감도를 분석하였다. 분말의 입도분포(D10)에는 분무온도 평균값이 -0.361로 미세한 분말을 만드는데 가장 높은 영향을 미쳤으며, 분무온도 표준편차 값이 커지면 0.313으로 분말크기를 조대화시키는 것으로 분석되었다. 분말의 흐름성 및 겉보기밀도에는 각각 분무가스 유량 평균값 및 분무가스 압력 표준편차 값이 가장 큰 영향을 미쳤으며, 분말의 구형도에는 분무온도 평균값이 가장 큰 영향을 미친 것으로 분석되었다. 이들 관계를 이용하면 원하는 특성의 분말을 제조하기 위한 공정 변수 결정에 참고 자료로 활용이 가능할 것으로 기대된다.
제조된 Ti-6Al-4V합금 분말의 6가지 특성을 선형회귀분석, 반응표면분석법 및 인공신경망 모델 등과 같은 세 가지 모델을 사용하여 예측한 결과를 비교했다. 공통적으로 단순한 선형 회귀모델의 경우 결정계수(R²)가 0.1233 ~ 0.4297로 예측 정확도가 높지 않다. 통계학에서 널리 사용되는 반응표면분석법을 사용한 경우 결정계수(R²)가 0.5394 ~ 0.8645로 상당히 신뢰성 높은 예측 정확도를 보인다. 최근 여러 분야에서 사용되는 인공신경망 모델을 적용한 경우 결정계수(R²)가 0.7305 ~ 0.9629로 가장 높은 정확성을 가지는 예측 결과를 보여주었다. 이와 같이 인공신경망 모델을 이용하면 향후 효율적인 EIGA 공정 최적화 연구 수행이 가능할 것으로 사료된다.
인공신경망 모델의 경우 회귀법으로 접근하였기 때문에 프로그램상에서 학습의 정확도(Accuracy)가 바로 산출되지 않아, 실험값과 예측값의 오차 절대값(RMS, Root Mean Square)을 구하여 사용하였다. D10, D50, D90의 실험 결과값을 Target 값으로 하여 학습된 ANN 모델의 예측값과 비교하여 정확도를 구한 결과 예측 정확도는 평균 94.1%를 얻었다.
결국, 최근 모든 연구개발 분야와 산업에 빠르게 도입되고 있는 빅데이터와 인공지능(artificial intelligence, AI) 기술을 다양한 적층제조용 금속분말 제조공정에 적용하여 최적의 공정 제어조건을 예측하고 검증하는 모델로 활용함으로써 분말 특성 및 생산성을 극대화할 수 있을 것으로 기대된다.