플럭스코어드와이어의 용접특성 예측을 위한 탄력적 오류역전파 신경망 모델에 관한 연구
A study on resilient back-propagation neural network model for estimation of welding properties of flux cored wire
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
플럭스코어드와이어(FCW)의 용접특성 예측은 매우 어려운 과제이다. FCW는 다양한 화학구성물로 구성되어 있는 많은 종류의 플럭스재료를 포함하고 있다. FCW의 용접특성은 용접과정 중의 화학적 및 야금학적 반응에 의해 결정된다. 이 과정은 대단히 복잡하여 이를 정량적으로 분석한다는 것은 불가능에 가깝다. 따라서 지금까지 FCW 설계는 전문가의 많은 야금학적 지식과 경험을 가진 전문가에 의해 수행되어왔다. FCW 설계는 요구되는 용접특성치가 나올 때까지 시제품을 제작하여 용접 후의 시험검사를 통해 확인하는 과정을 반복한다. 이 연구의 목표는 FCW의 용접특성치를 예측하는 인공신경망 모델을 개발하여 이를 설계에 적용하여 시제품 제작 및 이의 시험검사 횟수를 줄이는 데에 있다. 인공신경망은 고도로 복잡한 비선형 문제의 해결에 사용될 수 있는 도구이다. 본 연구에서는 인공신경망의 대표적 학습알고리즘인 일반화된 델타규칙(GDR)과 탄력적 오류역전파(Rprop)의 적용성을 검토하고 적용분야가 서로 다른 5개의 신경망 모델을 제안하고 여러 가지의 학습조건에 대해 유효성을 조사하였다. 조사 결과 GDR은 학습시간이 매우 길고 학습오차가 커 FCW 설계에 적용이 적절하지 않음이 밝혀졌다. 제안된 신경망모델은 데이터의 유사성이 높고 0.0001이하의 매우 낮은 학습율을 적용한 경우에 좋은 예측결과를 얻을 수 있었다. 결론적으로 본 연구를 통해 고도의 복잡성을 갖는 FCW 데이터용 인공신경망모델은 Rprop 학습알고리즘을 적용하고 데이터의 유사성이 높아야 하며 매우 낮은 학습율을 적용하는 것이 바람직하다는 것을 알 수 있었다.
Abstract
The estimation of welding properties of FCW(Flux Cored Wire) is a very complicated work. FCW contains many kinds of flux materials which consist of various chemical components. The welding properties of FCW are determined by the chemical and metallurgical reaction of these chemical components during welding. It is nearly impossible to quantitatively analyze this process due to their highly complex interactions. Therefore the design of FCW has been carried out up to now on the basis of metallurgical knowledge and experiences of experts. The development of a new FCW usually requires many pilot samples with a lot of tests and inspections. This research aims to develop the suitable artificial neural network(ANN) for estimation of the properties of FCW and reduce the number of pilot samples. The neural network system is a very powerful tool to solve the highly complex and nonlinear problems. In this study, 2 different learning algorithms, conventional GDR(general delta rule) and Rprop(resilient back-propagation) were investigated. 5 ANN models for FCW data having different application field were suggested and tested under different learning conditions. As a result of the investigation, it was nearly impossible to use GDR because it required too long learning time and had too high learning error. The ANN model having similar data group and very low learning rate than 0.0001 came to the good estimation result. Conclusionally, use of Rprop instead of GDR algorithm, high similarity of learning data group and very low learning rate are recommended for the suitable ANN model for FCW data having highly complexity.
참고문헌 (11)
- 임희대, "Flux Cored Wire의 최신 기술 개발 동향", 대한용접접합학회지, 34(6), pp.1~10 (2016), 대한용접접합학회
- 한일욱, "압력용기용 강재 및 용접재료 현황 및 동향", 대한용접접합학회지, 28(2), pp.5~12 (2010), 대한용접접합학회
- 박순철, "인공신경망을 이용한 머플러의 피로 수명 예측", 한국마린엔지니어링학회지, 37(8), pp.869~876 (2013), 한국마린엔지니어링학회[DOI]
- 이준희, "객체 검출 기반 이미지 캡션 알고리즘 연구", 한국마린엔지니어링학회지, 41(7), pp.683~689 (2017), 한국마린엔지니어링학회[DOI]
- 박주용, "선박 곡블록의 경사 필렛 이음부의 적정 용접조건(Ⅰ)", 한국해양공학회지, 18(6), pp.79~83 (2004), 한국해양공학회
- 김민석, "딥러닝(Deep Learning)을 이용한 GMA 용접에서 이면비드 생성 유무 판단 알고리즘에 관한 연구", 대한용접접합학회지, 36(2), pp.74~81 (2018), 대한용접접합학회[DOI]
- 조정호, "신경망 알고리즘을 이용한 아크 용접부 품질 예측", 대한용접접합학회지, 31(3), pp.44~48 (2013), 대한용접접합학회
- M. Riedmiller, "A direct adaptive method for faster backpropagation learning: The RPROP algorithm", Proceedings of the IEEE International Conference on Neural Networks, pp.586~591 (1993)
- Z. Xiong, "Two-phases parallel neural network algorithm based on RPROP", 2005 IEEE Region 10 Conference, pp.1~6 (2005)
- C. Igel, "Improving the Rprop learning algorithm", Proceedings of the Second International Symposium on Neural Computation, NC'2000, pp.115~121 (2000)
- D. M. Hawkins, "The problem of overfitting", Journal of Chemical Information and Computer Sciences, 44(1), pp.1~12 (2004)[DOI]