CFD 최적화 문제를 위한 다중 부중심 해 탐색 알고리즘 및 다이캐스팅 공정 적용

Multi-Subcenters Solution Search Algorithm for CFD Optimization Problems and Its Application to Die Casting

본 보고서는 전산유체역학(CFD) 시뮬레이션을 활용한 최적화 과정에서 발생하는 국부해 수렴 문제를 해결하기 위해 제안된 다중 부중심 해 탐색 알고리즘의 기술적 구조와 다이캐스팅 공정에서의 실증적 유효성을 분석합니다. 본 연구는 시뮬레이션 오차와 실험 결과 간의 간극을 줄이고 전역 최적해를 효율적으로 도출하는 데 중점을 둡니다.

Paper Metadata

Industry: 주조 및 제조 (Casting and Manufacturing)
Material: 알루미늄 합금 (ADC12)
Process: 다이캐스팅 (Die-casting)

Keywords

aluminum alloy
die-casting
optimization
computational fluid dynamics simulation
distributed control
cluster analysis

Executive Summary

Research Architecture

본 연구는 적은 수의 탐색 점으로도 전역 최적해를 도출할 수 있는 다중 부중심 해 탐색 알고리즘을 설계하였습니다. 이 시스템은 탐색 점의 균일한 배치를 관리하는 분포 제어, 유망 영역으로의 밀도를 조절하는 수렴 제어, 그리고 다중 분류 분석을 수행하는 클러스터 분석 기능을 통합한 구조를 가집니다. 실험 프레임워크는 VOF(Volume Of Fluid) 및 FAVOR(Fractional Area Volume Obstacle Representation) 기법을 적용한 3D 유체 해석 소프트웨어를 기반으로 구성되었으며, 시뮬레이션과 실제 실험 간의 오차를 보정하기 위해 GSSA(Globally Stable Space Searching Algorithm)를 도입하였습니다.

Fig. 1 Setting location of search points by using random generation.

Key Findings

제안된 알고리즘은 기존 유전자 알고리즘(GA)과 비교하여 수렴 성능이 월등히 우수함을 정량적으로 입증하였습니다. GA가 평균 39세대에 걸쳐 수렴하고 일부 시행에서 국부해에 갇혀 1000세대까지 해를 찾지 못한 반면, 제안된 방법은 모든 시행에서 평균 8세대 만에 전역 최적해에 도출하였습니다. 최적화된 플런저 속도 조건(0.58 m/s, 0.22 m)에서 실험을 수행한 결과, 기포 발생 면적이 $0.779 \times 10^{-6} m^2$로 측정되어 기존 방식($2.496 \times 10^{-6} m^2$) 대비 공기 혼입량이 현저히 감소하는 결과를 얻었습니다.

Industrial Applications

본 기술은 고속 사출 성형이 요구되는 다이캐스팅 공정에서 플런저의 다단계 속도 제어 최적화에 직접적으로 적용될 수 있습니다. 특히 수축공(shrinkage cavities) 형성을 방지하기 위한 정밀한 속도 프로파일 설정이 가능해져, 숙련된 작업자의 경험에 의존하던 기존 방식에서 벗어나 데이터 기반의 과학적 공정 설계가 가능합니다. 또한, 복잡한 해 공간을 가진 다양한 제조 공정의 CFD 기반 최적화 설계 도구로 확장 적용하여 생산 수율과 제품 품질을 동시에 향상시킬 수 있습니다.

Theoretical Background

분포 알고리즘 (Distribution Algorithm)

분포 알고리즘은 탐색 공간 내에서 탐색 점들이 서로 겹치지 않고 균일하게 배치되도록 보장하는 역할을 수행합니다. 각 탐색 점은 계산이 진행됨에 따라 확장되는 고유한 원으로 표현되며, 원들이 서로 닿거나 경계면에 도달할 때 발생하는 척력(repulsive forces)을 이용하여 점들을 이동시킵니다. 이 메커니즘은 탐색 점이 특정 영역에 편중되는 것을 방지하여 전역 최적해를 찾기 위한 기초적인 탐색 범위를 확보합니다. 수식적으로는 원의 반지름 $R$이 매 주기마다 $R_{add}$만큼 증가하며, 점들 사이의 거리와 경계 조건을 고려한 이동 벡터 $m_q$를 통해 위치가 조정됩니다.

수렴 알고리즘 (Convergence Algorithm)

수렴 알고리즘은 분포 알고리즘 이후에 실행되며, 이미 평가된 인접 점들의 정보를 활용하여 탐색 점들을 최적해 가능성이 높은 방향으로 수렴시킵니다. 탐색 점 $q$의 유효 범위 $R_{max}$ 내에 있는 평가된 점들의 무게 중심 $g$와 각 점의 비용 함수값을 하중으로 고려한 무게 중심 $g_u$를 계산합니다. 이를 통해 이동 벡터 $u_j$를 산출하고 탐색 점을 유망한 영역으로 이동시킴으로써 최적화 연산의 효율성을 극대화합니다. 이 과정은 탐색 점의 이동이 멈출 때까지 반복되며, 다음 세대의 분석 점을 결정하는 핵심적인 단계입니다.

전역 안정 공간 탐색 알고리즘 (GSSA)

GSSA는 CFD 시뮬레이션 결과가 수치적 오류나 계산 오차로 인해 실제 실험과 일치하지 않을 수 있는 불안정성을 극복하기 위해 설계되었습니다. 타구치 방법(Taguchi method)의 기본 개념을 응용하여, 단순히 비용 함수가 낮은 지점을 찾는 것이 아니라 오차 범위 내에서 전역적으로 안정한 해 공간을 탐색합니다. 클러스터 분석을 통해 평가된 탐색 점들을 여러 극(poles)으로 수렴시킨 후, 각 극의 무게 중심과 비용 함수의 평균을 계산하여 가장 안정적인 최적해 영역 $g_c$를 식별합니다. 이는 시뮬레이션상의 최적값이 실제 고품질 제품 생산으로 이어지도록 보장하는 장치입니다.

Results and Analysis

Experimental Setup

실험은 SKD61 금형 강재와 ADC12 알루미늄 합금을 사용하여 수행되었습니다. 용탕의 밀도는 2700 $kg/m^3$, 점도는 0.0030 $Pa \cdot s$로 설정되었으며, 초기 온도는 653.15 K입니다. CFD 해석을 위해 총 76,500개의 격자로 구성된 3D 모델을 구축하였으며, 슬리브의 대칭성을 고려하여 단면 모델을 적용함으로써 계산 효율을 높였습니다. 플런저 속도는 5단계 패턴을 따르며, 속도 $v_a$와 가속 거리 $x_a$를 주요 최적화 변수로 설정하여 공기 혼입량과 충전 시간을 최소화하는 비용 함수를 정의하였습니다.

Fig. 3 Basic concept of distribution algorithm.

Visual Data Summary

Fig 11의 비용 함수 분포도는 다봉성(multimodal) 특성을 뚜렷하게 보여주며, 전역 최적해 주변에 다수의 국부해가 존재함을 나타냅니다. 제안된 알고리즘은 이러한 복잡한 해 공간에서도 Fig 12와 같이 GA보다 훨씬 적은 세대 내에 안정적으로 수렴하는 모습을 보였습니다. Fig 14의 블리스터 테스트 결과 사진에서는 제안된 방법으로 도출된 조건이 GA보다 표면 기포 형성을 억제하여 주조 품질이 시각적으로도 우수함을 확인할 수 있습니다.

Variable Correlation Analysis

플런저 속도 $v_a$와 가속 거리 $x_a$ 사이의 상관관계 분석 결과, 특정 속도 영역에서 공기 혼입량이 급격히 변화하는 비선형적 특성이 관찰되었습니다. 특히 저속에서 고속으로 전환되는 시점의 공기 차단 부피 $A_{shut}$이 전체 비용 함수에 결정적인 영향을 미치는 것으로 나타났습니다. 제안된 알고리즘은 이러한 변수 간의 복잡한 상호작용을 효과적으로 분석하여, 충전 시간을 최소화하면서도 공기 혼입을 억제할 수 있는 최적의 변수 조합을 성공적으로 도출하였습니다.

Paper Details

Multi-Subcenters Solution Search Algorithm for CFD Optimization Problems and Its Application to Die Casting

1. Overview

Title: Multi-Subcenters Solution Search Algorithm for CFD Optimization Problems and Its Application to Die Casting
Author: Yoshifumi Kuriyama, Ken’ichi Yano
Year: 2012
Journal: Materials Transactions, Vol. 53, No. 2

2. Abstract

다이캐스팅의 경우, CFD 시뮬레이터를 사용하여 최적의 제어 설정과 최적의 금형을 찾는 다양한 접근 방식이 최근 연구되고 적용되었습니다. 그러나 기존 CFD 시뮬레이터를 사용하여 얻은 최적값은 계산 오차로 인해 실험과 일관되게 일치하지 않습니다. 이에 따라, 적절한 결과를 일관되게 생성할 수 있는 최적화 방법을 개발하기 위해 CFD 시뮬레이터를 이용한 최적화 문제를 분석합니다. 제안된 방법의 효과를 평가하기 위해 다이캐스팅의 플런저 속도 최적화에 적용되었습니다.

3. Methodology

3.1. 매개변수 초기화: 플런저 속도, 가속 거리 등 최적화에 필요한 공정 변수와 알고리즘 파라미터를 설정합니다.
3.2. 분포 알고리즘 실행: 탐색 점들 사이의 척력을 이용하여 탐색 공간 내에 점들을 균일하게 분산 배치합니다.
3.3. 수렴 알고리즘 적용: 이미 평가된 인접 점들의 비용 함수 정보를 바탕으로 탐색 점들을 유망 영역으로 이동시킵니다.
3.4. CFD 시뮬레이션 수행: VOF 및 FAVOR법을 사용하여 각 조건에서의 공기 혼입량과 충전 시간을 계산합니다.
3.5. GSSA를 통한 최적해 도출: 클러스터 분석을 적용하여 시뮬레이션 오차에 강건한 전역 안정 최적해를 최종 결정합니다.

4. Key Results

제안된 다중 부중심 해 탐색 알고리즘은 유전자 알고리즘(GA) 대비 수렴 속도가 약 5배 빠르며, 전역 최적해 도출의 안정성이 매우 높음을 확인하였습니다. 수치적으로 제안 방법은 8세대 만에 수렴한 반면 GA는 39세대가 소요되었고, 일부 GA 시행은 국부해에 고착되었습니다. 실제 다이캐스팅 실험 결과, 제안된 최적 조건을 적용했을 때 기포 발생 면적이 기존 대비 약 68% 감소하는 성과를 거두었습니다. 이는 시뮬레이션 기반 최적화가 실제 생산 현장의 품질 향상으로 직결될 수 있음을 보여주는 결과입니다.

Fig. 13 Experimental result by using conventional input.

5. Mathematical Models

탐색 점의 반지름 확장 모델:
$$R(\lambda + 1) = \begin{cases} R(\lambda) + R_{add}, & \text{if } \forall m_q = 0 \\ R(\lambda), & \text{otherwise} \end{cases}$$
탐색 점 이동 벡터 계산:
$$m_q = \begin{cases} \frac{(q – p)}{F_{rep}^2}, & \text{if } \|q – p\| \le 2R \\ 0, & \text{otherwise} \end{cases}$$
척력 정의:
$$F_{rep} = \frac{1}{\|q – p\|}, (q \neq p)$$
전역 안정 공간의 무게 중심 정의:
$$g_c = \min E \left\{ \sum_{\|g_c – p_h\| \le R_g} C_e(p_h) \right\}, \forall p_h \in S$$
최적화 비용 함수:
$$J = w_{air}A(v_a, x_a) + w_t t_3 + K_p$$

Figure List

무작위 생성을 이용한 탐색 점의 설정 위치
제안된 방법의 순서도
분포 알고리즘의 기본 개념
분포 알고리즘을 이용한 탐색 점의 설정 위치
수렴 알고리즘의 기본 개념
이동의 기본 개념
다이캐스팅 시뮬레이션 모델
CFD 시뮬레이션을 위한 격자 설정
슬리브 내 공기 차단 구분
다이캐스팅 시뮬레이션 모델 (변수 설정)
CFD 시뮬레이터를 이용한 플런저 속도 및 전환 위치에 따른 공기 혼입 관계
GA와 제안된 방법의 수렴 세대 비교
기존 입력을 이용한 실험 결과
최적화 실험 결과 비교

References

P. Stefano, P. Carlo and M. Martin: JSME Int. J. Ser. B Fluids Therm. Eng. 48 (2005) 224-228.
Z. Sun, H. Hu and Z. Shen: J. Mater. Process. Technol. 199 (2008) 256-264.
P. Moscato: Gentle Introduction to Memetic Algorithm, (Handbook of Metaheuristics, 2003) pp. 105-144.
T. Back and H. P. Schwefel: Evol. Comput. 1 (1993) 1-23.
S. Martinez, J. Cortes and F. Bullo: IEEE Contr. Syst. Mag. 27 (2007) 75-87.

Technical Q&A

Q: 기존 유전자 알고리즘(GA)과 비교했을 때 제안된 알고리즘의 가장 큰 장점은 무엇입니까?

제안된 알고리즘은 분포 제어와 수렴 제어를 통해 탐색 점을 효율적으로 관리함으로써 GA보다 훨씬 적은 개체군과 세대 수로 전역 최적해를 찾을 수 있습니다. 특히 해 공간에 국부해가 많은 다봉성 문제에서 GA가 국부해에 갇히는 현상을 극복하고 안정적으로 전역 최적해에 도달하는 능력이 탁월합니다.

Q: GSSA(전역 안정 공간 탐색 알고리즘)가 시뮬레이션 오차 문제를 어떻게 해결합니까?

GSSA는 단순히 비용 함수가 가장 낮은 단일 지점을 찾는 대신, 클러스터 분석을 통해 평가된 점들의 수렴 영역을 분석합니다. 이를 통해 특정 오차 범위 내에서 비용 함수의 평균값이 낮고 안정적인 영역을 식별함으로써, 시뮬레이션상의 수치적 불안정성이 실제 실험 결과에 미치는 부정적 영향을 최소화합니다.

Q: 다이캐스팅 시뮬레이션에서 비용 함수는 어떻게 구성되었습니까?

비용 함수 $J$는 공기 혼입량($A$)과 충전 시간($t_3$)에 각각의 가중치($w_{air}=1.5, w_t=1.0$)를 곱한 값의 합으로 정의됩니다. 여기에 제약 조건을 위반할 경우 부여되는 매우 큰 값의 패널티 항($K_p = 10^8$)을 추가하여 최적화 과정에서 부적절한 해를 배제하도록 설계되었습니다.

Q: 실험에서 공기 혼입량을 정량적으로 측정하기 위해 어떤 방법을 사용하였습니까?

주조된 시편을 가열로에서 가열하여 내부의 갇힌 공기를 팽창시키는 블리스터 테스트(Blister test)를 수행하였습니다. 가열 후 표면에 형성된 기포의 개수와 직경을 측정하고, 이를 바탕으로 전체 기포 면적을 계산하여 공기 혼입량을 정량적으로 비교 분석하였습니다.

Q: 본 연구에서 제안된 알고리즘의 계산 시간은 어느 정도입니까?

인텔 Core2 Quad 2.83 GHz 프로세서 기준, 분포 및 수렴 제어를 포함한 세대당 계산 시간은 약 2분 내외입니다. 이는 시뮬레이션 기반 최적화 공정에서 실무적으로 수용 가능한 수준이며, GA 대비 전체 수렴 세대 수가 적어 총 연산 시간을 크게 단축할 수 있습니다.

Conclusion

본 연구는 CFD 시뮬레이션을 활용한 다이캐스팅 공정 최적화에서 발생하는 국부해 수렴 및 시뮬레이션 오차 문제를 해결하기 위해 다중 부중심 해 탐색 알고리즘을 제안하였습니다. 분포 및 수렴 제어 메커니즘을 통해 탐색 효율을 극대화하였으며, GSSA를 도입하여 실제 생산 환경에서도 유효한 전역 안정 해를 도출할 수 있음을 입증하였습니다.

실증 실험을 통해 제안된 알고리즘이 기존 GA보다 빠르게 최적해에 도달하며, 실제 주조 품질을 현저히 향상시킴을 확인하였습니다. 향후 이 알고리즘은 다이캐스팅뿐만 아니라 복잡한 유체 거동 분석이 필요한 다양한 제조 공정의 최적화 설계에 기여할 것으로 기대되며, 공정 지능화를 위한 핵심 기술로 활용될 가치가 높습니다.

Source Information

Citation: Yoshifumi Kuriyama, Ken’ichi Yano (2012). Multi-Subcenters Solution Search Algorithm for CFD Optimization Problems and Its Application to Die Casting. Materials Transactions, Vol. 53, No. 2.

DOI/Link: 10.2320/matertrans.F-M2011831

Technical Review Resources for Engineers:

▶ Access the original research paper (PDF)

▶ FLOW-3D 솔루션 팀과 협의하여 기술적 타당성을 검토하시려면..