Flow Behavior Modeling of Al-Mg-Si Alloy Based on Machine Learning Strategies

Abstract

알루미늄과 관련된 두랄루민은 여러 가지 응용 상황에서 가장 중요한 역할을 하고 있으며 현재의 공업 생산과 제조 작업에서 아주 큰 공간을 차지하고 있다. AA6061 두랄루민을 대표로 된 Al-Mg-Si 6xxx 시리즈의 두랄루민은 항공용 두랄루민으로 훌륭한 기계적 성능을 가지고 있으므로 많은 고강도 응용 분야에 사용되었다. 제조와 응용 과정에서 AA6061 두랄루민의 안전성을 확보하기 위해서 반드시 두랄루민 역학 성능을 미리 연구해 봐야 한다. 유동적 행위는 재료 역학 성능을 설명할 때의 기본적인 개념으로 볼 수 있으며 재료의 강도, 성형성, 파손, 그리고 사용 수명 등을 평가하는 데 사용할 수 있다. 기본 구조 모델은 항상 얼로이의 유동적 행위를 정기적으로 연구하는 데 사용된다. 현상 모델과 물리 모델과 같은 전통적인 모델링 방법은 방정식 구축을 통해서 유동적인 행위를 설명하고 이를 통해 재료 변형 조건을 기반으로 된 호응을 구축하겠다. 그러나 이러한 방법들은 보통 정확성이 낮고 복잡하다. 항상 인공 지능(AI)으로도 불리는 기계 학습(ML)은 아주 강한 회귀 능력으로 인해 유동적 행위 모델링에 새로운 가능성을 가져온다. 충분한 특징을 가지고 있는 실험 샘플 데이터를 ML에 많이 입력하여 훈련 및 학습을 통해 고정밀 모델을 구축하여 재료의 기본구조 행위를 예측하려고 한다. 본 연구는 AA6061-T6 얼로이를 대상으로 전개하였으며 다양한 ML 전략이 서로 다른 디자인 변형 조건에서의 설명 성능을 비교 및 분석하였다. Gleeble-3800 열 시뮬레이터에서 각각 300 ℃, 370 ℃, 440 ℃, 510 ℃ 및 0.001 s-1, 0.01 s-1, 0.1 s-1, 1 s-1 응변속율에서의 압축 실험을 실시했다. 열가공 그래프를 구축하고 이상적인 가공 구역을 300 ℃ 및 0.001 s-1, 300℃ 및 1 s-1, 그리고 440~510 ℃ 및 0.1~1 s-1로 확정하였다. 본 연구에서는 다원적 선성(MLL), 전통적인 비선형 회귀 방법 광의 가성모델(GAM), 회귀 트리(RT), 랜덤 포레스트( RF), 서포트 벡터 회귀(SVR), 그리고 다층적 퍼셉트론 (MLP) 등과 같은 ML 전략을 이용하여 얻는 유동적인 응력 데이터에 대해 모델링을 하였다. 다음으로 상관 계수(R), 상대 오차(δ), 평균 절대 상대 오차(AARE), 그리고 잔차(RE) 등의 통계 방법을 사용하여 구축한 회귀 모델의 성능에 대해 평가하였다. 결국, 분석 결과에 따라 RT모델이 드러난 가장 높은 상관 계수(R, 0.99995), 가장 낮은 AARE, 가장 좁은 δ의 분포 그리고 RE구간은 최상의 설명과 예측 성능임을 알 수 있다. 또한, 또한, MLP 모델의 성능은 RT 모델보다 약간 떨어지지만, 모델 구조는 더 간단하다. 본 연구는 서로 다른 ML산법이 AA6061-T6얼로이에 대한 기본 구조 능력을 검즈하였다. 이 외에 열가공 그래프와 유동적 응력 곡선을 통해 알루미늄 마그네슘 실리콘 얼로이의 변형 메커니즘을 분석하였으며 이를 통해 알루미늄 마그네슘 얼로이의 공업화 생산에 대해 지도적인 방안을 제공하다. |Aluminum (Al) and its alloys play an essential role in various application scenarios and occupy a large part of current industrial production and manufacturing. As an aviation alloy, the Al-Mg-Si 6xxx series alloys represented by AA6061 alloy are designed with excellent mechanical properties, which have been used in many high-strength applications. To guarantee the safety of the AA6061 alloy in manufacturing and application processes, the alloy's mechanical properties must be studied first. Flow behavior is a fundamental concept to describe the mechanical properties of materials, which can evaluate the strength, formability, fracture, service life, etc. In order to study the flow behavior of alloys quantitatively, constitutive modeling is a way generally adopted. Traditional modeling methods, such as phenomenological and physical models, describe flow behavior by establishing equations to build the response based on materials' deformation conditions. However, these strategies are used to be inaccurate and complex. Machine learning (ML), usually known as artificial intelligence (AI), shads a new light on flow behavior modeling as its strong regression ability. By importing the number of experimental sample data with enough features to ML for training and learning, the models with high accuracy can be established to predict material constitutive behavior. In the present work, taking AA6061-T6 alloy as a subject, the description performance under different designed deformation conditions of different ML strategies was studied and compared. Compression tests under temperatures 300 ℃, 370 ℃, 440 ℃, 510 ℃ and strain rates 0.001 s-1, 0.01 s-1, 0.1 s-1, 1 s-1 were conducted on Gleeble-3800 thermal simulator respectively. Thermal processing maps were established, and the desired processing regions were determined as 300 ℃ and 0.001 s-1, 300 ℃ and 1 s-1, 440~510 ℃, and 0.1~1 s-1. ML strategies like multiple linear (MLL), traditional ML nonlinear regression methods generalized additive model (GAM), regression tree (RT), random forest (RF), support vector regression (SVR), and multilayer perceptron (MLP) were selected to model the received flow stress data. After that, the performances of the established regression models were evaluated by statistical methods such as correlation coefficient (R), relative error (δ), average absolute relative error (AARE), and residual error (RE). Ultimately, the analysis reveals that the RT model shows the highest R (0.99995), lowest AARE (0.00708), most minor δ distribution, and RE range, namely, the best description and prediction performance. Moreover, the performance of the MLP model is slightly worse than the RT model, but the model structure is simpler. This work checks the AA6061-T6 alloy constitutive modeling abilities of different ML algorithms, which provides a reference for other materials' modeling works that need ML algorithms selection. Moreover, the deformation mechanism was analyzed by thermal process map and flow stress curves, providing instruction for Al-Mg-Si alloy industrial process.