선박이나 해양플랜트 건조 시에 널리 활용되는 용접재료인 플럭스 코어드 와이어(Flux Cored Wire, 이하 FCW)는 플럭스 코어드 아크 용접(Flux-Cored Arc Welding, 이하 FCAW)용 용접재료로서 튜브형의 와이어에 플럭스가 채워진 형태를 취하고 있다. FCW는 모재의 종류에 따라 다양하게 분류되며 사용 모재나 용접 시 요구되는 성능에 적합한 특성을 지닌 종류가 사용된다. FCW의 요구특성은 작업성과 용착금속성분, 기계적 성질 및 기타특성 등으로 60항목 이상이지만 통상 그 중 중요한 10~30항목의 특성으로 이루어진다. FCW의 특성은 와이어 성분보다는 주로 와이어에 채워진 플럭스의 구성성분에 의해 좌우된다. 즉, FCW의 설계의 핵심은 플럭스 원재료의 종류와 배합량을 결정하는 데에 있다. 현재 사용되는 플럭스의 원재료는 150가지 내외인데 한 FCW는 20~40가지의 플럭스 원재료를 적절한 비율로 함유한다. 따라서 특정한 한 FCW를 개발하는 것은 150종의 원재료 중 20~40종의 원재료를 선택하고 각각의 배합량을 결정하는 문제로 귀결되며 이 경우 가능한 조합은 수만 가지에 이르게 된다. 이 문제는 수십 종의 플럭스 성분과 각각의 배합량에 의해 10~30항목의 요구특성이 정해지는 고도의 비선형문제에 해당된다. 각각의 플럭스 원재료가 용접특성에 미치는 영향은 대략적인 정성적 상관관계만 알려져 있을 뿐, 정량적으로 명확히 밝혀진 바가 없다. 현재까지 특정 요구특성을 갖는 FCW의 개발은 용접재료 설계자들의 지식과 경험에 전적으로 의존해 많은 시행착오를 거쳐 수행되어 왔다[1][2].

인공신경망(Artificial Neural Network, 이하 ANN)은 상호 영향을 미치는 인자가 많고 복잡한 상관관계를 갖는 문제를 해결하는데 우수한 기능을 갖고 있는 기법이다. 특히 실험적인 데이터가 충분히 확보되어 있음에도 고도의 비선형성으로 인해 수학적인 규명이 어렵고 통계적인 분석도 난해한 문제의 경우 ANN은 특유의 학습능력을 통해 이를 해결하는 탁월한 성능을 보여 다양한 분야에서 적용을 확대하고 있다[3][4]. ANN은 난해한 문제 해결에 강점을 가지고 있지만 다량의 데이터가 확보되어야 한다는 점과 학습과정에서 긴 계산 시간을 필요로 하는 점이 제한요소가 되어왔다. 이 중 긴 학습 시간이 소요되는 문제는 탄력적 오류역전파 학습 알고리즘이나 확률통계기법을 접목한 딥러닝 알고리즘을 통해 획기적으로 개선되어 적용 범위를 넓히고 있다. ANN은 용접분야에서도 용접조건 최적화와 용접신호처리 분야 등에서 많이 활용되어 왔다[5]-[7]. 본 연구에서는 ANN을 적용하여 다양한 플럭스 원재료의 조합에 대한 용접특성을 예측하여 요구되는 용접특성을 만족할 수 있는 플럭스의 적절한 조합을 구하고, 이에 대해 시제품을 만들고 성능시험을 수행함으로써 FCW의 개발에 소요되는 시간과 비용을 줄이는 것을 목표로 하였다. 이를 위해 본 연구에서는 기존의 ANN보다 학습효과가 뛰어나고 병렬처리계산에 의해 학습시간을 현저히 줄인 탄력적 오류역전파 신경망을 FCW 설계에 적용하여 다양한 플럭스 성분 조합에 대한 용접특성을 예측하는 ANN 모델을 구축하였고 검증데이터를 이용하여 이 모델에 대한 검증을 수행하였다.

FCW는 튜브형 와이어 내부에 플럭스가 채워진 형태로 내부 플럭스의 조합이 FCW의 특성을 결정하며 용접 결과에 중대한 영향을 준다. 튜브형 와이어는 스트립(strip)을 둥글게 말아서 만드는데 스트립의 종류와 성분에 따라 용접특성에 영향을 주지만 제선과정을 통해 대량으로 생산되는 제조특성 상 다양한 종류로 만들어지지 않기 때문에 플럭스 조합이나 배합율과 같이 임의로 조정될 수 없으므로 용접특성에 변화를 주는 요인이 제한적이다. 따라서 FCW의 설계 과정은 FCW가 요구되는 특성을 가질 수 있도록 우선 스트립을 선택하고 튜브형 와이어 속에 채워질 다양한 플럭스의 종류와 배합율을 결정하는 과정이라고 볼 수 있으며 이 때 플럭스 종류 및 배합율의 결정을 플럭스 설계(Flux design)라고 한다. 스트립과 플럭스 설계의 초안이 정해지면 초안대로 시험용 FCW를 제작하고 제작된 FCW로 용접을 시행한 후 용접과정 및 용접결과에 대한 시험∙검사를 통해 설계 목표, 즉 설정된 용접 특성치를 만족하는지 확인을 한다. 이 과정에서 설계 목표에서 미달하는 경우 다시 플럭스 설계 과정을 거쳐 새로운 시험용 FCW의 제작과 시험∙검사를 시행하며 이 과정은 설계 목표와 부합하는 결과가 나올 때까지 반복된다. Figure 1은 이 과정을 보여주는 흐름도이며 이 일련의 과정에 많은 시간과 비용이 소요된다.

Figure 1: 
Flow chart of FCW Design

FCW 용접특성치는 육안검사가 주된 검사인 대략 10개 항목의 작업성과 용착금속의 화학성분 25항목, 인장강도, 충격치 등의 기계적 특성치 25항목 등 60항목 내외인데 FCW의 용도에 따라 이 중 20~30항목이 조사된다. 이 특성치들은 육안에 의존하거나 검사장비에 따라 검사값에 상당한 차이가 존재한다. 아크용접은 재현성이 좋지 않은 용접공정으로 동일한 조건의 용접에서도 일정범위 이내이긴 하나 용접결과는 상이한 경우가 많다. 따라서 FCW의 설계 및 용접특성치 관련 문제를 다루는 경우 이러한 오차를 감안하여 해결책을 마련하여야 한다.

학습은 ANN의 핵심 기능으로 주어진 입력데이터와 출력데이터에 학습알고리즘을 적용시켜 그들 간의 상관관계를 수립하는 과정이다. 학습데이터가 유사한 특성을 가진다면 학습데이터의 입력데이터와 출력데이터의 상관관계가 수백차원의 비선형 관계를 갖는 복잡성을 가지더라도 ANN은 입력항목과 출력항목 사이의 상관관계를 수립할 수 있다.

FCW 설계과정은 30여종의 플럭스 화학구성물과 10~20여종의 용접특성항목과의 상관관계를 파악해야하는 고도의 비선형 문제로서 이 문제의 해를 구할 수 있는 법칙이나 방정식이 존재하지 않는다. 따라서 많은 경험과 용접야금학적인 지식을 갖추고 있는 설계자라 하더라도 Figure 1의 새로운 플럭스 배합→시제품 제작→시험검사의 과정을 상당 수 반복할 수밖에 없으며 이 반복횟수의 다소에 따라 소요되는 경비와 시간이 결정된다. ANN을 통해 FCW 설계의 이 반복과정에서 시제품 제작 전에 다양한 플럭스 배합에 대한 용접특성의 유효한 예측치를 얻을 수 있다면 이 반복횟수를 줄일 수 있다.

ANN을 통한 용접특성의 예측의 정확성을 높이기 위해서는 시험검사 등을 통해 얻어지는 데이터 자체의 정확성이 무엇보다 중요하지만 모델의 적절성과 학습방법도 중요하다. 본 연구에서 적용된 FCW 설계데이터는 와이어제조사가 제공하였으며 다년간의 시험검사를 통해 획득된 데이터이므로 일정 수준 이상의 정확성을 확보한 데이터로 간주하고 본 연구에서는 GDR과 Rprop 알고리즘의 2개의 학습방법과 은닉층의 노드수와 학습율의 변화에 따른 예측의 정확도를 조사하여 적절한 모델 설계의 기준을 제시하고자 하였다. 학습율은 0~1 사이의 값을 적용하는 데 일반적으로학습율이 클수록 오차의 수렴속도는 빠르나 수렴오차가 커지는 경향이 나타난다. GDR 모델에서는 통상 0.1~0.5 사이의 값을 적용하지만 데이터 관련성이 복잡한 경우에는 0.01 이하의 값도 적용하기도 한다. Rprop 모델은 수렴속도가 빨라 0.001 이하의 학습율에서도 잘 수렴하고 수렴오차도 매우 적다. 본 연구에서는 GDR의 경우 0.03과 0.001, Rprop의 경우 0.03~0.00001의 학습율을 적용하였다.

Table 2, Table 3은 5개의 모델에 대해서 2개의 학습알고리즘, 2종류의 은닉층 개수와 5가지의 서로 다른 학습율을 적용했을 때의 학습결과를 보여주고 있다. 여기에서 평균오차율은 각 학습데이터에 대해 신경망모델로 예측한 결과와 실제 결과치의 차이의 평균을 의미하며 1~2%내외의 오차율은 학습이 양호하게 이루어졌음을 의미한다. GDR의 경우는 2모델의 2종류의 학습율의 4가지 경우에 대해서 조사해 본 결과 계산횟수가 Rprop에 비해 20배정도 많았음에도 평균오차율이 100%를 상회하여 학습이 잘 되지 않음을 알 수 있었다. 이는 GDR 모델이 FCW 데이터에 대한 용접특성치 예측에 적용하기 어려움을 의미하므로 4가지외의 경우에 대해서는 Rprop 모델에 대해서만 조사하였다. 전반적인 경향은 은닉층의 노드수가 입력층과 비슷한 경우, 그리고 데이터의 유사성이 높고 학습율이 낮을수록 평균오차율이 감소하는 경향을 보여 학습이 잘 이루어짐을 알 수 있었다.

ANN 모델의 유효성은 그 모델을 적용했을 때의 학습데이터와 검증데이터에 대한 예측치의 오차상태에 의해 정해진다. 학습데이터에 대한 오차가 적은 것은 학습이 잘 이루어졌음을 의미할 뿐 보다 중요한 것은 학습에 사용되지 않은 검증데이터에 대한 오차이다. 이 오차가 적을수록 예측치의 정확도가 높으므로 ANN모델의 유효성은 검증데이터에 대한 오차에 의해 결정된다. 본 논문에서는 예측치의 오차를 1%이하, 1~10%, 10~30%, 30~60%, 60%이상의 5 레벨로 구분하였다. 여기에서 FCW의 용접특성치에 대해 고찰해보면 동일 성분을 갖는 여러 개의 FCW로 동일 조건으로 용접하여 용접특성치를 조사해볼 때 특성치의 차이가 20% 이상으로 나타나는 경우가 적지 않다. 따라서 예측치의 오차가 30%이내는 만족스러운 수준이며 30~60%의 범위도 특성치 변화의 경향 파악에 유용하므로 본 논문에서는 error level 1~3에 속하는 60%이내의 오차를 유효오차로 간주하였다.

Table 4, Table 5는 여러 학습조건으로 학습한 5개의 모델의 예측치 오차의 분포를 나타낸 것이다. 이 테이블에서 각 오차레벨의 No와 %는 그 오차레벨에 속한 검증데이터세트 수와 전체 검증데이터세트 수에 대한 백분율을 의미한다. 여기에서 유효오차 내에 속하는 검증데이터세트의 비율을 유효예측율로 정하여 ANN 모델의 유효성 평가의 기준으로 하였다. Figure 4는 각 모델의 여러 학습조건에 대한 유효예측율을 그래프로 나타낸 것이다.

Figure 4: 
Structure of ANN model

Figure 4에서 Model 1은 1-4의 학습조건에서 유효예측율이 61.54%, Model 2는 2-4 및 2-8에서 유효예측율이 70.59% 이었으며 Model 3은 3-2에서 64.71의 예측율을 보였다. Model 1~3은 데이터의 유사성이 높아 학습데이터에 대한 예측오차는 매우 적지만 학습데이터가 적어 학습을 통한 일반화된 상관관계 수립에는 미치지 못한 것으로 판단된다. Model 4는 학습율이 다른 4조건에서도 70%를 상회하는 양호한 유효예측율을 보였다. 특히 유효예측율의 내용에서도 정확도가 높은 error level 2이하가 30~40%를 차지하여 예측기능이 우수한 것으로 나타났다. 이는 Model 1~3에 비해 학습데이터가 많으면서도 탄소강용이라는 일정수준의 데이터 유사성을 가지고 있어 비록 학습데이터에 대한 오차가 다소 높아졌지만 학습에 의해서 입력항목과 출력항목 사이의 상관관계가 잘 수립된 점에 기인한 것으로 판단된다. 반면 Model 5는 학습율이 매우 낮은 0.00001에서도 유효예측율이 40%에 미치지 못하였다. 이는 Model 5는 이질적인 탄소강과 스테인리스강용 데이터를 모두 대상으로 하여 데이터의 유사성이 낮아 반복횟수 8,000,000회에 이르는 가장 긴 학습시간을 투입했음에도 평균오차율이 25% 에 이를 정도로 학습이 충분히 되지 않았음에 원인이 있다고 볼 수 있다.

본 연구에서는 학습효율이 뛰어난 탄력적 오류역전파 ANN을 적용한 FCW 설계데이터의 용접특성치 예측에 관한 연구를 수행하였다. 이를 위해 적용대상이 다른 5종류의 FCW 데이터에 대한 5개의 ANN 모델을 만들고 다양한 학습조건으로 학습을 시켜 적절한 학습조건을 조사하고 검증데이터를 이용하여 학습된 ANN 모델의 유효성을 검증하였다. 이를 통해 다음과 같은 결론을 얻을 수 있었다.

• (1) FCW 설계를 위한 ANN 모델은 대상 데이터의 유사성이 있고 데이터의 양이 충분할수록 모델의 유효성이 높다. 본 연구에서는 데이터의 유사성이 있고 데이터 양도 충분한 Model 4의 경우 유효예측율이 높았으며 데이터의 유사성은 높으나 양이 적은 Model 1~3은 제한적인 범위에서 유효성이 있음을 알 수 있었다. 데이터양은 많았지만 데이터의 유사성이 낮은 Model 5의 경우는 유효예측율이 매우 낮았다.
• (2) 널리 활용되고 있는 일반화된 델타 규칙 학습알고리즘은 오차 수렴시간이 길고 수렴 오차값이 커 FCW 용접특성치 예측에 적절하지 않은 것으로 판명되었으며 탄력적 오류역전파 알고리즘은 이러한 문제점 없이 적용이 가능함을 알 수 있었다.
• (3) 은닉층의 노드수는 입력층과 출력층 노드 수 사이의 값이 사용되지만 본 연구에서 비교해본 결과 입력층 노드수와 동일하게 하였을 때 양호한 결과를 보여주었다.
• (4) FCW 용접특성치 예측의 경우 데이터 유사성이 높아도 학습율은 0.0001 이하의 낮은 학습율을 적용하는 것이 바람직하다. 본 연구에서는 Model 1~3에서 0.00005이하의 학습율일 때 유효예측율이 60%이상, Model 4에서는 0.0001이하의 학습율일 때 유효예측율이 70% 이상을 나타내었다.