레이저 적층 제조용 고성능 합금 설계에 있어 기계 학습은 유망하지만, 기존 방식은 대규모 고품질 데이터셋 의존으로 과적합 및 비합리적인 설계 결과를 초래하는 한계가 있었습니다. 본 연구는 이러한 한계를 극복하고자, 지식 기반 그래프 모델링과 데이터 불확실성 정량화를 통합하여 소규모 실험 데이터셋으로도 작동 가능한 범용 프레임워크를 제안합니다.
제안된 프레임워크는 물리 야금학적 지식과 생산된 재료의 실험적 결함 분포에서 발생하는 확률론적 특성을 합리적으로 균형 있게 고려합니다. 이를 통해 데이터셋의 크기나 품질에 대한 의존도를 낮추면서도 신뢰성 높은 합금 설계가 가능합니다.
접근 방식의 유효성을 검증하기 위해, 우수한 레이저 프린팅 가능성, 열 안정성 및 높은 기계적 강도를 지닌 새로운 무결함 Ni 초합금을 개발했습니다. 메커니즘 분석을 통해 성능의 잠재적 원인을 규명했으며, 이는 원자 탐침 단층 촬영으로 확인되었습니다. 나아가 동일한 접근법으로 새로운 레이저 프린팅 가능 알루미늄 합금도 개발했습니다.
본 연구에서 개발된 프레임워크는 적층 제조를 위한 차세대 합금 설계를 가속화할 잠재력을 보여줍니다. 소규모 데이터셋으로도 고성능 무결함 합금 개발을 가능하게 함으로써, 재료 과학 및 공학 분야에서 혁신적인 설계 패러다임을 제시합니다.
고온 Nb-Si 기반 합금은 가공성을 위한 상온 파괴 인성(>18 MPa·m1/2)과 고온 강도 확보라는 상충하는 특성 사이에서 균형을 맞추는 데 어려움을 겪습니다. 본 연구는 이러한 고유한 한계를 극복하기 위해 기계 학습 기반 합금 설계를 도입했습니다.
200개의 초기 특성 중 3단계 특성 선별 전략을 통해 6개의 핵심 설명 변수를 식별했습니다. SHAP 분석으로 용융 엔탈피와 원자 반경 불일치가 특성 결과에 미치는 영향을 규명했으며, 이를 바탕으로 NSGA-II 알고리즘을 활용한 다목적 최적화를 수행했습니다.
최적화된 Nb-12.26Si-21.35Ti-1.98Al-1.96Cr-0.51Hf-4.34Zr-4.35V 합금은 18.92 MPa·m1/2의 주조 상태 파괴 인성을 달성하면서 1250 °C에서 322 MPa의 강도를 유지했습니다. 이는 기존에 보고된 모든 주조 Nb-Si 합금을 능가하는 결과입니다. 미세 구조 분석 결과, 나노 스케일 γ′-Nb5Si3 상의 분산 분포와 67.6%의 격자 불일치를 가진 상 경계에서의 균열 편향이 우수한 특성의 원인으로 밝혀졌습니다.
본 연구는 기계 학습 기술과 기계적 이해를 결합함으로써 고온 재료 발견을 가속화할 수 있음을 입증했습니다. 이는 차세대 고온 합금 개발에 중요한 방법론적 토대를 제공합니다.
항공우주 소재 분야에서 고온 작동 및 저밀도 특성을 갖춘 합금 개발은 항공기 엔진 효율 증대와 배출가스 저감에 필수적입니다. Nb-Si 합금은 기존 Ni 기반 초합금보다 고온에서 작동 가능하며 밀도가 낮아 유망한 대안으로 주목받고 있습니다.
본 연구에서는 Nb-Si 기반 초고온 합금 설계를 위해 기계 학습 기반 프레임워크를 개발했습니다. 3단계 특징 선별 전략을 통해 20 MPa·m1/2의 파괴인성 장벽을 극복하고자 했습니다. 개발된 모델은 파괴인성(KQ)을 7% 미만의 오차로 예측하며, SHAP 및 PDP 분석을 통해 모델을 해석하여 합금 설계 방향을 제시했습니다.
모델 예측 검증을 위해 Si 함량 3~15 at.% 범위의 합금 5종을 합성했습니다. 특히 Sample #5 (Nb38.5Ti38.5Si3Zr18V2)는 주조 Nb-Si 합금의 일반적인 범위(20 MPa·m1/2 미만)를 뛰어넘는 22.791 MPa·m1/2의 KQ 값을 달성했습니다. 미세구조 분석 결과, 취성 규화물 상이 연성 Nbss 상으로 변태하고 균열 가교 강화가 발생하여 성능이 향상되었음을 확인했습니다.
강화 기구 분석에서는 고용 강화가 68%~84%로 지배적이었으며, 우수한 강도-인성 균형을 보였습니다. 이 연구는 해석 가능한 기계 학습을 활용하여 고성능 Nb-Si 합금 설계의 새로운 방향을 제시하며, 항공우주 분야의 차세대 소재 개발에 기여할 것으로 기대됩니다.
