고강도·고방열 경량금속소재 부품화 실증 기반구축 사업단
전문가 기고
정영길, 김세훈 한국자동차연구원
경량금속 소재 열간성형 공정 데이터 확보 방안
최근 미래 모빌리티 산업에서는 전동화, 고효율화 및 탄소중립 대응을 위해 소재 경량화의 중요성이 지속적으로 강조되고 있다. 특히 알루미늄 합금은 낮은 밀도와 우수한 비강도, 성형성 및 재활용성을 바탕으로 차체, 섀시, 배터리 하우징, 열관리 부품 등 다양한 분야에서 적용 범위가 확대되고 있다. 이와 함께 부품의 기능 통합 및 성능 고도화가 요구되면서 단순한 강도 향상을 넘어 고강도, 고연성, 고방열, 고내식, 고내열 등 복합적인 특성을 동시에 만족시키기 위한 소재 및 공정 개발이 활발히 진행되고 있다.
알루미늄 전신재는 합금계, 가공공정 및 후처리 조건에 따라 최종 물성이 크게 달라진다. 일반적으로 Al-Mn, Al-Mg, Al-Cu, Al-Mg-Si, Al-Zn-Mg-Cu계 합금은 압출, 압연, 단조, 인발 등의 열간성형 공정을 거쳐 부품 형상으로 제조되며, 이후 소둔, 냉간가공, 용체화, 시효처리 등 다양한 후처리를 통해 목적 물성을 확보하게 된다. 이러한 공정 조건은 변형 중 발생하는 동적 회복, 동적 재결정, 석출 및 전위 축적과 같은 미세조직 변화에 직접적인 영향을 미치며, 결과적으로 소재의 기계적 물성과 성형 안정성을 결정하는 핵심 인자로 작용한다.
그러나 현재 합금별·공정별 열간성형 공정 데이터를 단순 실험과 실증만으로 확보하는 데에는 많은 시간과 비용이 소요된다. 기존 산업 현장에는 경험적으로 축적된 공정 레시피가 존재하지만, 인공지능 기반 소재·공정 설계에 활용하기 위해서는 보다 다양한 온도, 변형률, 변형속도 및 조성 조건에서의 정량적 데이터가 필요하다. 따라서 본 기고문에서는 알루미늄 전신재 열간성형 공정 데이터 확보의 필요성을 살펴보고, 열역학적 모사 및 물리적·기계적 시험 기반 모델링을 통한 데이터 확보 결과와 향후 활용 방향에 대해 고찰하고자 한다.
￭ 알루미늄 전신재 열간성형 공정 데이터 확보의 필요성
알루미늄 전신재의 열간성형 공정은 단순히 소재를 원하는 형상으로 가공하는 공정이 아니라, 최종 부품의 성형성 및 기계적 특성을 결정하는 중요한 공정이다. 압출 또는 단조 공정에서 온도와 변형속도가 적절히 제어되지 않을 경우 국부적인 유동불안정, 균열, 과도한 변형 집중 등이 발생할 수 있으며, 이는 최종 제품의 품질 저하로 이어질 수 있다. 반대로 적절한 공정 조건에서는 안정적인 소재 유동과 균일한 변형이 가능하므로, 공정 조건에 따른 소재 거동을 정량적으로 파악하는 것이 필요하다.
이러한 열간변형 거동을 해석하기 위해 동적 재료 모델(Dynamic Material Model, DMM)을 기반으로 한 공정지도(processing map)가 활용되고 있다. 동적 재료 모델에 따르면 특정 순간 재료가 받는 총 에너지는 응력과 변형속도의 곱으로 표현되며, 이 중 일부는 소성변형 및 온도 상승에 사용되고, 일부는 재료 내부 변화에 소비된다. 이를 바탕으로 파워분산효율(power dissipation efficiency)과 유동불안정(flow instability) 영역을 도출할 수 있으며, 각 온도 및 변형속도 조건에서 안정적인 열간성형 가능 영역을 예측할 수 있다.
그림1. 알루미늄 전신재 열간성형 공정 데이터 확보 방안
공정지도는 열간성형 공정 조건을 설정하기 위한 유용한 도구이지만, 입력 데이터와 해석 방법에 따라 결과가 달라질 수 있다. 열역학적 모사는 합금의 상변화, 석출 경향 및 온도 의존성을 빠르게 검토할 수 있다는 장점이 있으나, 실제 변형 중 발생하는 복합적인 공정 변수까지 모두 반영하기에는 한계가 있다. 반면 물리적·기계적 시험 기반 모델링은 실제 변형 조건에 보다 가까운 데이터를 제공할 수 있지만, 합금별·조건별 시험이 필요하므로 데이터 확보에 많은 노력이 요구된다. 따라서 신뢰성 있는 공정 데이터 구축을 위해서는 열역학적 계산과 실험 기반 데이터를 상호 비교하고 보완하는 접근이 필요하다.
￭ 열역학적 모사 및 물리적‧기계적 시험 기반 열간성형 데이터 고찰
본 기고문에서는 용질량이 유사한 고용질 알루미늄 합금(A7xxx, H14)을 대상으로 열역학적 및 물리적‧기계적 시험 기반 열간성형 공정 데이터 확보 가능성을 검토하였다. 먼저 JMatPro 기반 열역학적 열간성형 공정 모사 결과, A7150, A7175 및 H14 합금의 파워분산효율은 최대 32% 범위에 분포하였으며, 합금 간 큰 차이는 나타나지 않았다. 반면 유동불안정 영역은 비교적 넓은 범위로 도출되었으며, 일부 조건에서는 실제 7xxx계 알루미늄 합금의 일반적인 열간가공 조업 범위와 상이한 경향을 보였다. 예를 들어 실제 산업 공정에서는 7xxx계 합금의 압출 또는 열간가공이 대체로 420~450 ℃, 10⁻²~1 s⁻¹ 내외의 조건에서 수행되는 경우가 많으나, 열역학적 모사 결과는 이러한 경험적 공정 조건과 완전히 일치하지 않는 경향을 나타냈다.
이는 열역학적 계산이 공정 데이터 탐색의 초기 방향성을 제시하는 데에는 유용하지만, 실제 변형 중 발생하는 미세조직 변화와 소성불안정을 직접 반영하기에는 제한적일 수 있음을 의미한다. 물리적·기계적 시험 기반 모델링 결과에서는 합금별 열간변형 거동의 차이가 보다 명확하게 확인되었으며, 공정지도상에서 H14 합금은 상대적으로 높은 약 40~55% 파워분산효율 범위를 보였다. 특히 동일 변형률 조건에서 열역학적 모사 결과와 시험 기반 공정지도를 비교하면, 유동불안정 영역과 안정 가공 영역의 분포가 서로 다르게 나타났다. 이는 계산 기반 데이터와 실험 기반 데이터가 반드시 동일한 결과를 제공하는 것은 아니며, 실제 공정 적용을 위해서는 두 데이터 간 차이를 이해하고 보정하는 과정이 필요함을 보여준다.
그림2. 동일 변형율에서 열역학적 모사 및 물리적‧기계적 시험 기반 공정지도 비교
또한 합금별 파워분산효율과 유동불안정 영역은 실제 공정 조건 설정에 중요한 판단 기준으로 활용될 수 있다. 예를 들어 파워분산효율이 높은 영역은 안정적인 변형 가능성이 상대적으로 높은 조건으로 해석할 수 있으며, 유동불안정 영역은 균열, 국부 변형 또는 성형 결함이 발생할 가능성이 있는 조건으로 판단할 수 있다. 따라서 단일 공정점만을 기준으로 열간성형 조건을 선정하기보다는, 공정지도 인근 영역을 함께 탐색하여 안정성과 생산성을 동시에 고려한 공정 범위를 설정할 필요가 있다.
￭ 열간성형 데이터의 활용 방향과 인공지능 연계 필요성
고온 압축시험을 통해 확보된 열간성형 데이터는 단순히 특정 조건에서의 유동응력 값을 제공하는 데 그치지 않는다. 진응력-진변형률 곡선, 파워분산효율, 유동불안정 조건, 재결정 분율, 변형거동 예측 및 유동응력 변화와 같은 다양한 정보를 추출할 수 있으며, 이는 실제 압출, 압연, 단조, 인발 공정의 조건 설계에 활용될 수 있다. 또한 이러한 데이터는 유한요소해석(FEM)에 필요한 구성방정식 및 재료모델 구축의 기반이 된다.
구성방정식은 일반적으로 응력을 변형률, 변형속도, 온도 및 조성의 함수로 표현하며, Arrhenius 또는 Zener-Hollomon parameter 기반 모델, Hensel-Spittel 모델, Hill48, Swift 모델 등에 목적에 맞는 다양한 형태로 변형 활용이 가능하다. 이러한 모델은 실측 데이터와 계산 데이터 사이의 차이를 줄이고 실제 성형공정의 변형거동을 예측하기 위한 중요한 도구이다. 그러나 구성방정식만으로는 실제 공정 중 발생하는 복합적인 변수, 예를 들어 장비 조건, 마찰, 국부 온도 편차, 소재 초기조직, 금형 형상 및 냉각 조건 등을 완전히 반영하기 어렵다. 이로 인해 실험실 규모의 압축시험 데이터와 실제 양산 공정 데이터 사이에는 여전히 정합성 차이가 발생할 수 있다.
그림3. 설계된 합금의 Ti, Zr, Ni 첨가에 따른 기계적 물성 및 열전도도 상관관계
그림3. 열간성형 데이터, 구성방정식, 유한요소해석 및 실제 공정 데이터의 연계 흐름
따라서 향후 열간성형 공정 데이터는 재료공학과 기계공학의 경계를 연결하는 형태로 확장될 필요가 있다. 재료공학적 관점에서는 열역학적 계산, 미세조직 분석, 기계적 물성 평가 및 공정지도를 통해 소재의 변형거동과 미세조직 변화를 이해하고자 한다. 반면 기계공학적 관점에서는 유한요소해석을 활용하여 실제 공정에서의 하중, 변형률 분포, 온도 분포 및 결함 발생 가능성을 예측하고자 한다. 이때 구성방정식 활용을 통해 두 영역의 데이터가 상호 정합성을 갖고 연결될 때, 소재 개발부터 공정 실증까지의 오차를 줄이고 보다 신뢰성 높은 공정 설계가 가능할 것으로 판단된다.
이러한 관점에서 인공지능 활용을 통한 데이터 해석은 중요한 역할을 수행할 수 있다. 인공지능은 열역학적 계산 데이터, 고온 압축시험 데이터, 미세조직 이미지, 기계적 물성 데이터, 유한요소해석 결과 및 실제 공정 데이터를 통합적으로 학습함으로써 기존 경험 기반 접근으로 확인하기 어려웠던 비선형 상관관계를 도출할 수 있다. 특히 합금 조성, 열처리 조건, 변형 온도, 변형속도, 누적 변형률, 초기 미세조직 등 다양한 입력 변수가 복합적으로 작용하는 열간성형 공정에서는 데이터 기반 예측 모델의 활용 가치가 높다. 다만 인공지능 모델의 예측 신뢰도는 입력 데이터의 품질과 균질성에 크게 의존하므로, 신뢰성 있는 데이터 생산·표준화·검증 체계가 함께 구축되어야 한다.
결국 열간성형 공정 데이터 플랫폼의 핵심은 단순히 많은 데이터를 수집하는 것이 아니라, 계산-실험-해석-실증 데이터를 서로 연결 가능한 형태로 정리하는 데 있다. 각 데이터에는 합금 조성, 시편 이력, 시험 온도, 변형속도, 변형률, 보정 방법, 미세조직 분석 조건, 열처리 조건 및 물성 평가 방법 등의 메타데이터가 함께 포함되어야 한다. 이러한 체계적 데이터가 축적될 때 인공지능 모델은 공정 조건에 따른 미세조직 및 물성 변화를 보다 정확하게 예측할 수 있으며, 나아가 실제 공정 적용 가능성이 높은 후보 조건을 빠르게 제안할 수 있을 것이다.
￭ 맺음말
알루미늄 전신재의 열간성형 공정은 미래 모빌리티용 경량금속 소재 개발에서 매우 중요한 단계이며, 합금별·공정별·조건별 데이터 확보는 성형 안정성과 최종 물성 예측을 위해 필수적이다. 그러나 모든 조건을 실험과 실증만으로 확보하기에는 많은 시간과 비용이 소요되므로, 열역학적 모사와 물리적·기계적 시험 기반 데이터를 상호 연계하여 효율적으로 공정 데이터를 구축할 필요가 있다.
알루미늄 전신재의 열간성형 공정은 미래 모빌리티용 경량금속 소재 개발에서 매우 중요한 단계이며, 합금별·공정별·조건별 데이터 확보는 성형 안정성과 최종 물성 예측을 위해 필수적이다. 그러나 모든 조건을 실험과 실증만으로 확보하기에는 많은 시간과 비용이 소요되므로, 열역학적 모사와 물리적·기계적 시험 기반 데이터를 상호 연계하여 효율적으로 공정 데이터를 구축할 필요가 있다.
앞으로는 계산 데이터, 시험 데이터, 해석 데이터 및 실제 공정 데이터를 상호 연결할 수 있는 데이터 플랫폼 구축이 중요할 것으로 판단된다. 이러한 기반이 마련된다면 알루미늄 합금의 열간성형 조건을 보다 빠르고 정확하게 예측할 수 있을 것이며, 나아가 경량금속 소재 개발과 실제 부품 적용 사이의 간극을 줄이는 데 기여할 것으로 사료된다.