AA6063 알루미늄 합금의 TIG 용접 부식 저항성 최적화: 유전 알고리즘을 통한 공정 혁신

이 기술 요약은 S. Om Prakash, P. Karuppuswamy, N. Nirmal이 작성하여 2019년 METALURGIJA에 발표한 논문 “OPTIMAL CORROSIVE BEHAVIOUR ON THE WELDMENT OF AA6063 ALUMINUM ALLOY BY TUNGSTEN INERT GAS (TIG) WELDING PROCESS WITH BACKING PLATES”를 기반으로 합니다. 이 자료는 STI C&D의 기술 전문가를 위해 분석 및 요약되었습니다.

키워드

• Primary Keyword: TIG 용접 부식 저항성
• Secondary Keywords: AA6063 알루미늄 합금, 용접 공정 최적화, 백킹 플레이트, 다구치 기법, 유전 알고리즘(GA)

Executive Summary

• 도전 과제: 항공우주, 자동차 등 첨단 산업에서 널리 사용되는 AA6063 알루미늄 합금의 TIG 용접 시, 복잡한 공정 변수로 인해 높은 내식성을 가진 고품질 용접부를 안정적으로 확보하는 것이 어렵습니다.
• 해결 방법: 본 연구에서는 전류, 가스 유량, 백킹 플레이트 재질 및 두께 등 TIG 용접의 핵심 변수들을 다구치 기법(Taguchi method) L16 직교 배열을 이용해 실험하고, 유전 알고리즘(Genetic Algorithm, GA)을 통해 부식 저항성을 최적화했습니다.
• 핵심 발견: 유전 알고리즘 분석 결과, 전류 155A, 가스 유량 5 l/min, 백킹 플레이트 재질 구리(copper), 두께 6mm 조건에서 연간 0.0408mm라는 가장 우수한 부식 저항성을 달성할 수 있음을 확인했습니다.
• 핵심 결론: 전통적인 시행착오 방식 대신 유전 알고리즘 기반의 최적화 기법을 적용하면 TIG 용접된 AA6063 합금의 부식 저항성을 과학적이고 효과적으로 극대화할 수 있습니다.

도전 과제: 왜 이 연구가 CFD 전문가에게 중요한가

국방, 자동차, 항공우주 산업에서는 경량화와 고강도를 동시에 만족시키는 부품 접합 기술이 필수적입니다. AA6063과 같은 알루미늄 합금은 이러한 요구를 충족시키는 핵심 소재이지만, 용접이 까다롭기로 유명합니다. 특히 텅스텐 불활성 가스(TIG) 용접은 널리 사용되는 방식임에도 불구하고, 높은 입열량으로 인한 변형, 오염 위험, 그리고 복잡한 공정 변수 제어의 어려움이라는 고질적인 문제를 안고 있습니다.

제조 현장에서는 숙련된 엔지니어의 경험에 의존해 용접 조건을 설정하는 경우가 많지만, 이는 시간 소모가 크고 일관된 품질을 보장하기 어렵습니다. 특히 용접부의 ‘부식 저항성’은 제품의 수명과 신뢰성에 직결되는 중요한 품질 지표임에도 불구하고, 최적의 조건을 찾아내기 위한 체계적인 접근법이 부족했습니다. 이 연구는 바로 이 지점에서 출발하여, 실험계획법과 진화 알고리즘을 통해 TIG 용접 공정을 최적화하고 AA6063 합금의 내식성을 극대화하는 방안을 제시합니다.

접근 방식: 연구 방법론 분석

본 연구는 AA6063 알루미늄 합금의 TIG 용접 부식 저항성을 최적화하기 위해 체계적인 실험 및 분석 절차를 따랐습니다.

• 기본 재료: 상용 AA6063 알루미늄 합금 판재(100mm x 50mm x 6mm)를 사용했습니다.
• 백킹 플레이트: 용접 품질에 영향을 미치는 백킹 플레이트로는 구리(Copper), 스테인리스강(Stainless Steel), 대리석(Marble), 황동(Brass) 네 가지 재질을 사용했으며, 두께는 3mm, 6mm, 9mm로 변화를 주었습니다.
• 핵심 공정 변수: 부식 저항성에 영향을 미치는 4가지 핵심 인자를 선정했습니다.
  • A: 전류 (Current, 125-155 A)
  • B: 가스 유량 (Gas flow rate, 5-11 l/min)
  • C: 백킹 플레이트 재질 (Backing material)
  • D: 백킹 플레이트 두께 (Backing thickness, 3-9 mm)
• 실험 설계 및 분석:
  1. 다구치 기법(Taguchi Method): L16 직교 배열을 사용하여 최소한의 실험 횟수(16회)로 각 변수가 결과에 미치는 영향을 효율적으로 평가했습니다.
  2. 부식 저항성 측정: 전기화학적 기법인 선형 분극 저항(Linear Polarization Resistance, LPR)을 사용하여 각 시편의 부식 속도(mm/year)를 정량적으로 측정했습니다.
  3. 분산 분석(ANOVA): 각 공정 변수가 부식 속도에 미치는 기여도를 통계적으로 분석했습니다.
  4. 유전 알고리즘(Genetic Algorithm, GA): 실험 데이터를 기반으로 회귀 모델을 생성하고, 이를 MATLAB의 GA 툴박스를 이용해 최적의 공정 변수 조합을 도출했습니다.

핵심 발견: 주요 결과 및 데이터

결과 1: 부식 저항성에 가장 큰 영향을 미치는 인자는 ‘백킹 플레이트 두께’

분산 분석(ANOVA) 결과, 각 공정 변수가 부식 저항성에 미치는 기여도는 명확한 차이를 보였습니다. Figure 3에서 볼 수 있듯이, 백킹 플레이트 두께(D)가 46%로 가장 압도적인 영향을 미쳤습니다. 이는 용접 시 열의 방출 및 냉각 속도를 제어하는 백킹 플레이트의 역할이 용접부의 미세조직과 내식성에 결정적임을 시사합니다. 그 뒤를 이어 백킹 플레이트 재질(C)이 20%, 가스 유량(B)이 19%, 전류(A)가 12% 순으로 나타났습니다. 이 결과는 내식성 향상을 위해 어떤 변수에 집중해야 하는지에 대한 명확한 가이드를 제공합니다.

결과 2: 유전 알고리즘(GA)을 통한 최적 조건 도출 및 부식 속도 0.0408 mm/year 달성

다구치 기법으로 얻은 실험 데이터를 기반으로 회귀 모델을 구축하고, 유전 알고리즘을 통해 최적의 해를 탐색했습니다. 그 결과, AA6063 합금의 부식 저항성을 극대화하는 최적의 공정 조건 조합을 발견했습니다.

• 최적 공정 조건:
  • 전류: 155 amp
  • 가스 유량: 5 l/min
  • 백킹 플레이트 재질: 구리(Copper)
  • 백킹 플레이트 두께: 6 mm
• 예측된 최저 부식 속도: 0.0408 mm/year

Figure 8은 유전 알고리즘이 세대를 거듭하며 최적의 해(가장 낮은 부식 속도)를 찾아가는 과정을 보여줍니다. 이는 다구치 기법이 제시한 조건(전류 125A, 가스 유량 7 l/min, 스테인리스강, 3mm)보다 더 우수한 결과를 예측한 것으로, GA가 복잡한 비선형 관계 속에서 전역 최적점(global optimum)을 찾는 데 매우 효과적임을 입증합니다.

R&D 및 운영을 위한 실질적 시사점

• 공정 엔지니어: 이 연구는 부식 저항성을 개선하기 위해 전류나 가스 유량보다 백킹 플레이트의 두께와 재질을 우선적으로 관리해야 함을 시사합니다. 특히 GA가 도출한 ‘전류 155A, 가스 유량 5 l/min, 구리 백킹, 6mm 두께’ 조합은 새로운 용접 공정 개발 시 매우 유용한 출발점이 될 수 있습니다.
• 품질 관리팀: 연간 0.0408mm라는 최적 부식 속도는 TIG 용접부의 품질 관리 기준으로 활용될 수 있습니다. 또한, 선형 분극 저항(LPR) 측정법은 개발된 공정의 유효성을 검증하는 효과적인 비파괴 검사 기법이 될 수 있습니다.
• 설계 엔지니어: 백킹 플레이트가 용접 품질에 미치는 지대한 영향은 제품 설계 단계에서부터 용접 치구(fixture) 및 툴링 설계를 함께 고려해야 함을 의미합니다. 특히 구리와 같이 열확산율이 높은 재료를 사용하면 용접부의 냉각 속도를 제어하여 최종 기계적 특성을 향상시킬 수 있습니다.

논문 상세 정보

OPTIMAL CORROSIVE BEHAVIOUR ON THE WELDMENT OF AA6063 ALUMINUM ALLOY BY TUNGSTEN INERT GAS (TIG) WELDING PROCESS WITH BACKING PLATES

1. 개요:

• 제목: OPTIMAL CORROSIVE BEHAVIOUR ON THE WELDMENT OF AA6063 ALUMINUM ALLOY BY TUNGSTEN INERT GAS (TIG) WELDING PROCESS WITH BACKING PLATES
• 저자: S. OM PRAKASH, P. KARUPPUSWAMY, N. NIRMAL
• 발행 연도: 2019
• 학술지/학회: METALURGIJA 58 (2019) 1-2, 91-94
• 키워드: corrosive, AA 6063 alloy, welding, backing plates, Taguchi method

2. 초록:

본 연구는 스테인리스강, 구리, 대리석, 황동과 같은 다양한 백킹 플레이트 재료를 사용하여 TIG 용접 공정으로 AA 6063 알루미늄 합금의 부식 저항성을 개선하는 데 중점을 둔다. L16 직교 배열을 활용하여 실험을 수행했다. 전류(A), 가스 유량(B), 백킹 재료(C), 백킹 두께(D)와 같은 펄스 TIG 용접 공정 변수를 유전 알고리즘(GA)을 사용하여 최적화함으로써 부식 저항성을 향상시켰다. 결과적으로 GA는 구리를 백킹 재료로 사용했을 때 약 0.0408 mm/year의 더 나은 부식 저항률을 보임을 입증했다.

3. 서론:

최근 국방, 자동차, 항공우주와 같은 분야에서는 접합 공정에서 높은 강도 대 중량비가 요구된다. 티타늄 합금의 전통적인 용접 방법에는 텅스텐 불활성 가스(TIG) 용접, 마찰 용접, 전자빔 용접, 레이저 용접 등이 있다. 이 중 티타늄은 판재 형태의 합금에 흔히 사용되는 TIG 용접에 적합하다. TIG 용접의 주요 단점 중 하나는 높은 입열량, 높은 오염 위험 및 심각한 변형이다. 알루미늄의 융합 용접은 큰 어려움을 야기하지만, 텅스텐 불활성 가스는 수년 동안 사용되어 왔다. 두꺼운 알루미늄 합금 판은 양면 TIG 용접 공정을 사용하여 접합되었다. 교반 영역의 결함 형성의 주된 원인은 작은 총 직경으로 인해 불충분한 열 발생과 작은 접촉 면적의 가소화된 재료 흐름 때문이다. 이러한 매개변수는 적절한 백 플레이트의 도움으로 수정 및 제어될 수 있다. 연속적인 용접의 완성은 백 플레이트 재료의 확산성에 달려 있다. 입력 공정 매개변수는 용접 조인트의 품질에 따라 달라진다. 제조업체에게는 원하는 품질의 용접 조인트를 얻기 위해 입력 공정 매개변수를 제어하는 것이 문제였다. 숙련된 작업자와 엔지니어는 시행착오와 같은 더 많은 시간을 소비하는 매개변수를 선택했으며, 이는 새로운 제품마다 기대에 맞는 용접 조인트를 얻기 위해 시간이 걸렸다. 그런 다음 용접이 요구 사양을 충족하는지 여부를 검사한다. 용접 중 형성된 다양한 영역의 용접 저항성 부식은 동일한 결과를 낳지 않는다. 이전 관련 연구에 따르면 대부분의 지점의 용접 영역은 부식에 취약하다. 부식 저항성의 원인과 관련된 사례는 가장자리의 부정확한 설계, 필러의 잘못된 선택, 잔류 응력, 균열 및 다공성이다. 요즘에는 실험설계법(DOE)의 적용이 이루어진다. 계산 네트워크 및 진화 알고리즘은 용접 공정의 입력 매개변수와 용접 조인트의 출력 변수를 관련시키는 수학적 관계를 도출하는 데 사용되어, 용접 입력 매개변수의 결정이 원하는 용접 품질로 이어진다. 수학적 모델은 용접 품질, 생산, 용접 공정의 용접 특성 및 미세 구조를 제어하기 위해 여러 가지 방법으로 개발된다. 유전 알고리즘은 최근 몇 년 동안 인기를 얻었으며, 복잡한 시스템의 입력과 출력 사이의 상호 관계를 표현하는 모델을 개발하는 데 유용한 도구로 도움이 된다.

4. 연구 요약:

연구 주제의 배경:

AA6063 알루미늄 합금은 우수한 기계적 특성으로 인해 여러 산업 분야에서 널리 사용되지만, TIG 용접 시 발생하는 부식 문제는 제품의 내구성과 신뢰성을 저해하는 주요 요인이다. 특히 용접 공정 변수들이 부식 저항성에 미치는 복합적인 영향을 규명하고 최적화하는 것이 중요하다.

이전 연구 현황:

이전 연구들은 용접부의 부식이 가장자리 설계, 필러 재료 선택, 잔류 응력 등 다양한 요인에 의해 발생한다고 밝혔으나, 공정 변수(전류, 가스 유량, 백킹 플레이트 등)와 부식 저항성 간의 정량적 관계를 모델링하고 최적화하는 연구는 부족했다.

연구 목적:

본 연구의 목적은 TIG 용접 공정에서 전류, 가스 유량, 백킹 플레이트 재질 및 두께가 AA6063 알루미늄 합금 용접부의 부식 저항성에 미치는 영향을 분석하고, 유전 알고리즘을 사용하여 최적의 공정 조건을 도출함으로써 내식성을 극대화하는 것이다.

핵심 연구:

다구치 기법을 이용한 실험 설계, LPR을 통한 부식 속도 측정, ANOVA를 통한 각 변수의 기여도 분석, 그리고 실험 데이터 기반 회귀 모델을 생성하여 유전 알고리즘으로 최적의 공정 변수 조합을 찾는 것을 핵심 연구 내용으로 한다.

5. 연구 방법론

연구 설계:

4개의 공정 변수(전류, 가스 유량, 백킹 재질, 백킹 두께)를 4수준으로 설정하고, 다구치 L16 직교 배열표에 따라 총 16개의 실험을 수행하는 방식으로 설계되었다.

데이터 수집 및 분석 방법:

각 실험 조건에서 제작된 용접 시편의 부식 속도를 LPR 장비를 이용해 측정하여 데이터를 수집했다. 수집된 데이터는 MINITAB 소프트웨어를 사용하여 신호 대 잡음비(S/N ratio) 분석 및 분산 분석(ANOVA)을 수행했으며, MATLAB의 GA 툴박스를 사용하여 최적화 분석을 진행했다.

연구 주제 및 범위:

연구는 AA6063 알루미늄 합금의 TIG 용접에 국한되며, 주요 공정 변수 4가지가 부식 저항성에 미치는 영향을 중심으로 다룬다. 기계적 특성이나 다른 유형의 결함은 본 연구의 범위에 포함되지 않는다.

6. 주요 결과:

주요 결과:

• 분산 분석(ANOVA) 결과, 부식 저항성에 가장 큰 영향을 미치는 인자는 백킹 플레이트 두께(46%)였으며, 그 다음으로 백킹 재료(20%), 가스 유량(19%), 전류(12%) 순이었다.
• 다구치 분석을 통해 도출된 최적 조건은 전류 125A, 가스 유량 7 l/min, 스테인리스강 백킹, 3mm 두께였다.
• 유전 알고리즘(GA)을 통해 예측된 전역 최적 조건은 전류 155A, 가스 유량 5 l/min, 구리 백킹, 6mm 두께였으며, 이때 예측된 부식 속도는 0.0408 mm/year로 더 우수했다.
• 개발된 회귀 모델과 실제 실험값 간의 오차율은 다구치 결과의 경우 ±5.95%, 유전 알고리즘 결과의 경우 ±4.68%로 높은 신뢰도를 보였다.

Figure 목록:

• Figure 1 Welded samples
• Figure 2 Linear polarization and impedance
• Figure 3 Percentage contribution
• Figure 4 Mean of S/N ratios for current
• Figure 5 Mean of S/N ratios for gas flow rate
• Figure 6 Mean of S/N ratios for backing material
• Figure 7 Mean of S/N ratios for backing thickness
• Figure 8 GA predicted result

7. 결론:

본 연구의 결론은 다구치 분석과 GA 예측을 통해 용접 매개변수를 최적화하여 부식률을 예측하는 것이다. – 계산 결과 가장 중요한 공정 매개변수는 백킹 두께(mm)가 60%, 백킹 재료가 약 20%, 전류(amp)가 12%, 마지막으로 가스 유량(l/min)이 약 19%임을 보여준다. – 다구치 분석 결과에 따르면, 용접 전류 125A, 가스 유량 7 l/min, 백킹 재료 스테인리스강, 두께 3mm의 공정 매개변수에서 부식률이 최소화된다. – GA 결과에 따르면, 전류 155A, 가스 유량 5 l/min, 백킹 재료 구리, 백킹 두께 6mm와 같은 최적 공정 매개변수에서 0.0408 mm/year의 더 나은 부식률을 얻을 수 있었다. – 개발된 모델에 검증된 다구치 및 GA 결과는 공정 매개변수와 응답을 관련시킬 때 긍정적인 일치를 보인다.

8. 참고 문헌:

1. K. Nandagopal, C. Kailasanathan, Analysis of mechanical properties and optimization of gas tungsten Arc welding (GTAW) parameters on dissimilar metal titanium (6Al-4V) and aluminium 7075 by Taguchi and ANOVA techniques 682 (2013) 1, 503-516.
2. Gope, Uday Kumar, Somnath Chattopadhyaya and Sanjoy Mandal, Experimental investigation of pug cutter embedded TIG welding of Ti-6Al-4V titanium alloy, Journal of Mechanical Science and Technology 32 (2018) 6, 2715-2721
3. S.Sinhmar, D.K Dwivedi, A study on corrosion behavior of friction stir welded and tungsten inert gas welded AA2014 aluminium alloy, Corrosion Science 133 (2018) 1, 25-35.
4. B.S.Kulkarni, S.B.Pankade, S.R.Andhale and C.L.Gogte, Effect of backing plate material diffusivity on microstructure, mechanical properties of friction sstir welded joints: A review, Procedia Manufacturing 20 (2018) 1, 59-64.
5. K Srirangan, S. Paulraj, Multi-response optimization of process parameters for TIG welding of Incoloy 800HT by Taguchi grey relational analysis, Engineering science and technology, an international journal 19 (2016) 2, 811-817.
6. V. Fahimpour, S. K. Sadrnezhaad, F.Karimzadeh, Corrosion behavior of aluminum 6061 alloy joined by friction stir welding and gas tungsten arc welding methods, Materials & Design 39 (2012) 1, 329-333.
7. B.Senthilkumar, T.Kannan, R. Madesh, Optimization of flux-cored arc welding process parameters by using genetic algorithm, The International Journal of Advanced Manufacturing Technology 93 (2017) 1-4, 35-41.
8. D. S.Nagesh, G. L. Datta, Genetic algorithm for optimization of welding variables for height to width ratio and application of ANN for prediction of bead geometry for TIG welding process, Applied soft computing 10 (2010) 3, 897-907.
9. P.Sathiya,K.Panneerselvam, R.Soundararaja, Optimal design for laser beam butt welding process parameter using artificial neural networks and genetic algorithm for super austenitic stainless steel, Optics & Laser Technology 44 (2012) 6, 1905-1914.

Expert Q&A: 귀하의 궁금증에 답해드립니다

Q1: 다구치 기법 외에 유전 알고리즘(GA)을 추가로 사용한 이유는 무엇인가요?

A1: 다구치 기법은 정해진 수준(level) 내에서 최적의 조합을 찾는 데 매우 효율적입니다. 하지만 이 방법은 실험에서 설정된 불연속적인 값들 사이의 최적점을 찾지는 못합니다. 반면, 유전 알고리즘은 실험 데이터로 만든 회귀 모델을 기반으로 전체 매개변수 공간을 탐색하여 진정한 전역 최적점(global optimum)을 찾을 수 있습니다. 본 연구에서 GA가 다구치 기법보다 더 우수한 부식 저항성(0.0408 mm/year)을 예측한 것이 바로 그 증거입니다.

Q2: Figure 3에서 백킹 플레이트 두께가 부식 저항성에 가장 큰 영향을 미치는(기여도 46%) 이유는 무엇인가요?

A2: 논문은 백킹 플레이트의 열확산율과 열 제어 능력이 핵심이라고 암시합니다. 백킹 플레이트의 두께는 용접부의 열을 흡수하고 방출하는 ‘히트 싱크(heat sink)’ 용량에 직접적인 영향을 줍니다. 적절한 두께는 용접부의 냉각 속도를 최적화하여 부식에 강한 미세조직을 형성하는 데 결정적인 역할을 합니다. 너무 얇으면 냉각이 느려져 결정립이 조대해지고, 너무 두꺼우면 급랭으로 인해 불리한 상이 형성될 수 있습니다.

Q3: GA가 최적의 백킹 재질로 ‘구리’를, 다구치 기법은 ‘스테인리스강’을 제시했습니다. 왜 이런 차이가 발생했나요?

A3: 다구치 기법은 실험한 조건 조합 중에서 가장 좋은 신호 대 잡음비(S/N ratio)를 보인 수준을 선택합니다. 특정 조건(125A, 3mm 두께)에서는 스테인리스강이 좋은 성능을 보였을 수 있습니다. 하지만 GA는 전체 시스템의 상호작용을 고려하는 회귀 모델을 기반으로 최적화를 수행합니다. GA는 구리의 높은 열전도율이 특정 전류(155A) 및 두께(6mm)와 결합했을 때, 다른 어떤 조합보다 전역적으로 가장 우수한 부식 저항성을 나타낸다는 것을 발견한 것입니다. 이는 각 변수들의 복합적인 상호작용을 고려한 결과입니다.

Q4: 논문에 제시된 회귀 방정식의 실질적인 활용 가치는 무엇인가요?

A4: 제공된 회귀 방정식(Corrosion rate = -1.66212 + …)은 엔지니어가 실제 용접 실험을 수행하지 않고도 연구된 범위 내의 다양한 입력 변수 조합에 대한 부식 속도를 예측할 수 있게 해주는 강력한 도구입니다. 이를 통해 공정 시뮬레이션, ‘what-if’ 분석 등을 수행하여 용접 절차를 미세 조정하고 개발 비용과 시간을 크게 단축할 수 있습니다.

Q5: 유전 알고리즘(GA)의 예측 결과는 얼마나 신뢰할 수 있나요?

A5: 논문에 따르면, GA 예측 결과에 대한 검증 실험에서 오차율이 ±4.68% 이내로 나타났습니다. 이는 개발된 모델이 실제 현상을 매우 정확하게 예측하고 있음을 의미합니다. 이 정도의 정확도는 실제 산업 현장에서 해당 모델을 공정 최적화에 자신 있게 적용할 수 있는 근거가 됩니다.

결론: 더 높은 품질과 생산성을 향한 길

본 연구는 AA6063 알루미늄 합금의 TIG 용접 부식 저항성을 향상시키기 위해 유전 알고리즘(GA)과 같은 계산 최적화 기법이 얼마나 강력한 도구가 될 수 있는지를 명확히 보여주었습니다. 특히 용접 품질에 가장 큰 영향을 미치는 인자가 백킹 플레이트의 두께와 재질임을 규명하고, GA를 통해 연간 0.0408mm라는 탁월한 부식 저항성을 달성할 수 있는 최적의 공정 조건을 제시한 것은 매우 중요한 성과입니다.

이는 더 이상 경험에 의존하는 방식이 아닌, 데이터와 모델링에 기반한 과학적 접근이 고품질 용접을 위한 핵심임을 시사합니다.

(주)에스티아이씨앤디에서는 고객이 수치해석을 직접 수행하고 싶지만 경험이 없거나, 시간이 없어서 용역을 통해 수치해석 결과를 얻고자 하는 경우 전문 엔지니어를 통해 CFD consulting services를 제공합니다. 귀하께서 당면하고 있는 연구프로젝트를 최소의 비용으로, 최적의 해결방안을 찾을 수 있도록 지원합니다.

• 연락처 : 02-2026-0442
• 이메일 : flow3d@stikorea.co.kr

저작권 정보

• 이 콘텐츠는 “S. Om Prakash, P. Karuppuswamy, N. Nirmal”의 논문 “OPTIMAL CORROSIVE BEHAVIOUR ON THE WELDMENT OF AA6063 ALUMINUM ALLOY BY TUNGSTEN INERT GAS (TIG) WELDING PROCESS WITH BACKING PLATES”를 기반으로 한 요약 및 분석 자료입니다.
• 출처: UDC – UDK 620.193:669.715:621.791.052:621-41:517.1=111

이 자료는 정보 제공 목적으로만 사용됩니다. 무단 상업적 사용을 금합니다. Copyright © 2025 STI C&D. All rights reserved.