• 목록

연구기간: 2023.08 - 2024.07

1. 연구 배경

  - H형강(H-beam)은 구조물에 널리 사용되는 강재 제품으로, 중량 대비 강도가 우수하다는 특징이 있다. 이러한 구조적 성능은 단면 형상에 크게 의존하므로, 생산 공정에서 단면 형상의 정밀 제어가 매우 중요하다. H형강은 수십 회에 걸친 연속적인 압연 공정을 통해 형상이 점진적으로 형성되며, 각 압연 단계에서의 정밀도 누적이 최종 형상에 큰 영향을 미친다. 현재는 FEM(Finite Element Method)을 활용한 구조 해석 기반의 시뮬레이션으로 롤 패스 설계가 수행되고 있으며, 1회 설계 조합에 대해 수십 시간이 소요되는 등 시간·자원 소모가 막대하다는 단점이 존재한다. 이러한 한계를 극복하고, 산업 현장에서 실시간으로 공정을 최적화할 수 있는 대리 모델이 요구되고 있다. 본 산학 프로젝트는 FEM 기반 해석 결과를 빠르게 예측할 수 있는 CNN 기반 대리모델(surrogate model)을 개발하여 H형강 압연 공정의 형상, 온도, 등가변형률 예측을 실시간으로 가능하게 하는 것을 목표로 한다.

 

그림1. H-beam rolling process

 

2. 연구 내용

  - FEM 대리모델을 구축하기 위해 세 가지 주요 단계를 거쳤다.

    첫번째로, 다양한 공정 조건을 반영한 FEM 데이터를 생성하였다. H형강 압연 공정 중 중간압연(IM) 및 마무리압연(UF) 단계의 롤패스 조건을 변수로 설정하고, 실험계획법(DOE)을 통해 시뮬레이션 조합을 구성하였다. 각 시뮬레이션 케이스는 수천 개 이상의 노드로 구성되어 있으며, 각 노드는 좌표, 온도, 등가변형률 등의 정보를 포함한다.

    두번째로, 수치 데이터 기반의 FEM 결과를 CNN이 학습 가능한 형태로 변환하기 위해 이미지를 생성하였다. 이를 위해 Delaunay 삼각분할 기법을 활용하여 노드 기반 데이터를 2차원 이미지로 변환하였으며, 롤패스 정보는 마스크 레이어로 추가하였다. 최종 입력 이미지는 350x350 해상도의 4채널 이미지(형상, 온도, 등가변형률, 마스크)로 구성하였고, 출력은 3채널(형상, 온도, 등가변형률) 이미지로 구성하였다.

    세번째로, 변환된 데이터를 활용하여 U-Net 기반의 CNN 모델을 학습하였다. UR, Edger 압연 단계는 공정 조건이 상이하기 때문에 개별적으로 모델을 구축하였으며, UF 단계는 UR 모델에 통합하여 학습시켰다. U-Net은 다운샘플링과 업샘플링 구조를 통해 지역적 특성과 전체적인 맥락을 동시에 학습할 수 있어, 반복 예측(iterative prediction)에서 발생할 수 있는 누적 오차 문제를 효과적으로 완화하였다.

 

그림2. Training image generation process and results (a) roll pass mask (b) material (c) EQ-strain

3. 연구 결과

  - 개발된 CNN 기반 FEM 대리모델은 단일 패스 예측과 반복 패스 예측 모두에서 우수한 성능을 보였다. 단일 패스 예측 실험에서 형상 예측은 평균 F1-score 0.9794를 기록하였고, 온도 및 등가변형률 예측에서 평균 MAPE는 각각 1.57%, 16.9%로 나타났다. 특히 반복 예측 실험에서는 16회에 걸친 연속 예측에도 불구하고 형상 예측의 F1-score는 0.9801로 단일 예측보다 오히려 향상되었으며, 이는 롤패스 마스크 레이어의 보정 효과 때문으로 해석된다. 온도와 등가변형률 예측에서도 이론적으로 예상된 오차 누적보다 훨씬 낮은 수준인 MAPE 3.66%, 34.13%를 유지하였다. 또한 기존 FEM 시뮬레이션에 32시간이 소요되던 예측이 대리모델을 통해 단 0.85초 만에 완료되어, 예측 속도 면에서도 큰 개선을 보였다.

  - 본 연구는 CNN 기반 대리모델을 다단계 연속 공정에 반복 적용하여 형상을 예측한 첫 사례로서, 공정 설계와 품질 관리 측면에서 실시간 적용 가능성을 입증하였다. 향후에는 모델의 일반화 성능을 강화하고, 다른 복잡 제조 공정에도 적용하는 방향으로 확장될 수 있다.

 

그림3. Iterative prediction performances by pass (a) material F1-score (b) temperature MAPE (c) EQ-strain MAPE