플럭스 코어드 와이어 설계 지원을 위한 탄력적 오류역전파 인공신경망의 적용성 검토

Abstract

새로운 용접 재료의 개발은 매우 복잡한 작업이 요구된다. 와이어에 충전되는 재료는 다양한 화학 성분을 포함한다. 안정적인 용접을 위해서는 화학 성분의 구성 요소와 야금학적 반응에 의해 결정된다. 매우 복잡한 상호 작용으로 인해 용접의 프로세스를 정량적으로 분석하는 것은 거의 불가능하다. 따라서 용접 재료의 설계는 설계자의 기본적인 용접에 대한 지식과 경험을 토대로 지금까지 수행되어왔다. 용접 재료의 개발은 대개 많은 파일럿 샘플에 대해 많은 테스트와 분석을 필요로 한다. 이 연구는 용접 재료 설계시 이러한 시험 및 분석의 양을 줄이기 위한 용접 재료의 특성을 예측하는 시스템을 목표로 한다. 본 연구에서는 플럭스 코어드 와이어의 작업성 및 용착 금속 조성을 분석하고 예측하기 위해 인공 신경망과 데이터베이스를 이용한 예측 시스템을 개발하였다. 인공 신경망은 복잡하고 비선형적인 문제를 해결하는 매우 강력한 도구이다. 그럼에도 주어진 목적을 위해 최적의 인공신경망 모델을 찾는 방법은 아직 알려지지 않았기 때문에 적절한 인공신경망 모델을 얻는데 어려움이 있다. 따라서 많은 시행착오와 적절한 인공신경망 모델을 얻는데 많은 기간이 필요하다. 본 연구에서는 탄력적 오류역전파 알고리즘과 데이터베이스를 결합하여 프로그램에 적용하였고 데이터베이스와 결합을 통해 인공신경망 모델을 쉽고 빠르게 생성하여 테스트할 수 있다. 탄력적 오류역전파 알고리즘은 매우 빠른 학습 알고리즘이고 기존의 일반화된 델타 규칙과 같은 역전파 알고리즘보다 수백 배 빠른 학습결과를 보여준다. |The development of a new filler material having the required properties is a very complicated work. A filler material contains many kinds of chemical components. The properties of the weld deposited are determined by the chemical and metallurgical reaction of these components. It is nearly impossible to quantitatively analyze this process due to their highly complex interactions. Therefore the design of a filler material has been carried out up to now on the basis of fundamental metallurgical knowledge and experiences of filler material designers. The development of a filler material usually requires a lot of tests and analyses for many pilot samples. This research aims to develop the estimation system of the properties of a filler material for reducing the amount of these tests and analyses in developing a filler material. In this paper, an estimation system using an artificial neural network(ANN) and database was developed to analyze and predict the workability and the deposited metal composition of a flux cored wire.

The neural network system is a very powerful tool to solve the complex and nonlinear problems. Nevertheless, it has a difficulty in obtaining an appropriate ANN model because the method to find optimal ANN model for any given purpose is not known yet. Therefore, it requires many trial and errors and much time to get the suitable ANN model. In this paper, the resilient backpropagation algorithm and database(DB)-coupled ANN system were applied. The resilient backpropagation algorithm is a very fast learning algorithm and shows the learning result several hundred times faster than the conventional backpropagation algorithm. The DB-coupled system can make many different ANN models and test easily and rapidly.