[논문 리뷰] Process parameter optimization of Friction Stir Welding on 6061AA using Supervised Machine Learning Regression-based Algorithms

Akshansh Mishra, Eyob Messele Sefene외 1명|arXiv (Cornell University)|2021. 08. 12.

Advanced Welding Techniques Analysis참고 문헌 17인용 수 4

한 줄 요약

이 연구는 6061 알루미늄 합금의 마찰攪拌-welding(FSW) 공정 조건을 최적화하기 위해 지도 학습 회귀 모델을 사용한다. Random Forest 회귀 모델이 가장 높은 R² 값인 0.926을 기록하여 최적의 설정을 예측하였으며, 이로 인해 접합 강도 효율이 94.2%에 도달하였다.

ABSTRACT

The highest strength-to-weight ratio criterion has fascinated curiosity increasingly in virtually all areas where heft reduction is indispensable. Lightweight materials and their joining processes are also a recent point of research demands in the manufacturing industries. Friction Stir Welding (FSW) is one of the recent advancements for joining materials without adding any third material (filler rod) and joining below the melting point of the parent material. The process is widely used for joining similar and dissimilar metals, especially lightweight non-ferrous materials like aluminum, copper, and magnesium alloys. This paper presents verdicts of optimum process parameters on attaining enhanced mechanical properties of the weld joint. The experiment was conducted on a 5 mm 6061 aluminum alloy sheet. Process parameters; tool material, rotational speed, traverse speed, and axial forces were utilized. Mechanical properties of the weld joint are examined employing a tensile test, and the maximum joint strength efficiency was reached 94.2%. Supervised Machine Learning based Regression algorithms such as Decision Trees, Random Forest, and Gradient Boosting Algorithm were used. The results showed that the Random Forest algorithm yielded highest coefficient of determination value of 0.926 which means it gives a best fit in comparison to other algorithms.

연구 동기 및 목표

• 6061 알루미늄 합금의 마찰攪拌-welding(FSW) 공정 조건을 최적화하여 접합 강도를 극대화하기 위해.
• 지도 학습 회귀 알고리즘의 효과성을 평가하여 FSW 공정 조건을 예측하는 데에 유용한지 확인하기 위해.
• 결정 트리, Random Forest, 기울기 부스팅 중에서 가장 우수한 성능을 보이는 ML 모델을 규명하기 위해.
• 보조 재료 없이 데이터 기반의 공정 조건 최적화를 통해 최대 접합 강도 효율을 달성하기 위해.
• 최소한의 실험 데이터로 산업 현장의 FSW 공정 설계를 위한 예측 프레임워크를 제공하기 위해.

제안 방법

• 도구 재질, 회전 속도, 이송 속도, 축방향 하중를 제어한 FSW 공정 조건을 사용하여 5 mm 두께의 6061AA 알루미늄 합금 시트에서 실험을 수행하였다.
• 인장 시험을 통해 기계적 성능 데이터를 수집하여 접합 강도 효율을 평가하였다.
• 실험 데이터를 기반으로 결정 트리, Random Forest, 기울기 부스팅의 세 가지 지도 학습 회귀 모델을 훈련시켰다.
• 모델 성능 평가를 위해 결정 계수(R²)를 사용하여 최적의 피팅 알고리즘을 식별하였다.
• 회전 속도, 이송 속도, 축방향 하중의 조합을 예측하여 접합 강도를 극대화하는 공정 조건을 최적화하였다.
• 예측 결과를 실험적 인장 시험 결과와 비교하여 접합 효율성을 확인하였다.

실험 결과

연구 질문

• RQ1 6061AA의 최적 FSW 공정 조건을 예측하는 데 있어 어떤 지도 학습 회귀 알고리즘이 가장 우수한 성능을 보이는가?
• RQ2 회전 속도, 이송 속도, 축방향 하중, 도구 재질의 조합 중 어떤 것이 가장 높은 접합 강도 효율을 제공하는가?
• RQ3 제한된 실험 데이터로도 기계 학습 모델이 FSW 접합 성능을 정확하게 예측할 수 있는가?
• RQ4 6061AA에 최적화된 FSW 공정 조건을 적용할 때 도달 가능한 최대 접합 강도 효율은 얼마인가?
• RQ5 다양한 ML 모델은 FSW 공정 최적화의 예측 정확도 측면에서 어떻게 상호 비교되는가?

주요 결과

• Random Forest 회귀 모델이 가장 높은 결정 계수(R²) 값인 0.926을 기록하여 테스트된 알고리즘 중에서 가장 우수한 예측 적합도를 보였다.
• 최적화된 FSW 공정은 인장 시험을 통해 측정된 최대 접합 강도 효율 94.2%를 달성하였다.
• 기울기 부스팅 알고리즘이 강력한 성능을 보였지만, 예측 정확도 측면에서 Random Forest에 뒤지지 않았다.
• 결정 트리는 가장 낮은 R² 값을 보이며 앙상블 모델에 비해 일반화 및 예측 능력이 떨어지는 것으로 나타났다.
• 이 연구는 기계 학습 회귀 모델이 경량 알루미늄 합금의 FSW 공정을 효과적으로 모델링하고 최적화하는 데 유용하다는 것을 확인하였다.
• 결과적으로 데이터 기반의 공정 조건 최적화가 보조 재료 없이도 접합 기계적 성질을 크게 향상시킬 수 있음을 입증하였다.