기계학습 기반 합금 설계와 열처리 제어를 통한 Al-Si-Cu-La 합금의 기계적 성질 및 내식성 향상 연구 = Machine Learning Based Alloy Design and Heat-Treatment Optimization for Enhancing the Mechanical Properties and Corrosion Resistance of Al-Si-Cu-La Alloys

국문 초록 (Abstract)

본 연구에서는 Al-Si-Cu-La 합금의 기계적 성질 및 내식성 최적화를 위하여 기계학습 기반 합금 설계, La 첨가 효과에 따른 부식 거동 분석, 그리고 열처리 조건에 따른 물성 최적화를 단계적으로 수행하였다.
첫째, 기계학습 및 실험적 검증을 활용한 La 함량별 AI 합금 설계에서는 총 1,210개의 실험 데이터를 기반으로 ADA, GBR, RF, ET 모델을 적용하여 경도를 예측하고 실험 결과와 비교하였다. 이 중 ET 모델이 가장 높은 예측 정확도(R2 = 0.99, RMSE = 0.45)를 나타냈으며, 0.5 wt.% La 첨가 시 가장 높은 경도 값(약 106 HV)이 관찰되었다. 이를 통해 기계학습 기반 설계가 AI 합금의 특정 최적화에 유효함을 확인하였다.
둘째, Al-Si-Cu 합금 내 La 첨가에 따른 부식 특성 향상에서는 3.5 wt.% NaCl 용액에서 Tafel 분극 시험을 수행하였다. 0.5 wt.% La 첨가 합금은 분극 저항 6.42 104 Ω·cm2, 부식 전류 밀도 2.20 10-7 A/cm2를 기록하여 가장 우수한 내식성을 보였다. 이는 LaCu2Al4Si 상의 형성과 균일한 미세조직 분포에 기인하며, 조밀한 산화막 형성을 통해 갈바닉 부식을 효과적으로 억제하였다.
셋째, 열처리 조건이 다이캐스팅 Al-Si-Cu-xLa 합금의 기계적 특성에 미치는 영향을 고찰한 결과, 500℃ 이상의 용체화 처리와 2시간 시효 조건에서 공정 Si 구상화와 α-Al 결정립 미세화가 촉진되어 최대 경도 값이 달성되었다. 반면 6시간 이상의 장시간 시효 시에는 Ostwald ripening 현상으로 인한 결정립 조대화가 발생하였다. 특히 0.5 wt.% La 첨가와 최적 열처리 조건의 병행 시 기계적 특성과 내식성이 동시에 향상됨을 확인하였다.
이와 같은 결과는 La 첨가와 열처리 제어, 그리고 기계학습 기반 예측의 병행 적용이 Al-Si-Cu 합금의 특성 향상에 효과적인 전략임을 입증하였으며, 향후 고성능 알루미늄 합금 설계 및 산업적 응용을 위한 기초자료로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study systematically investigated the optimization of mechanical and corrosion properties of Al–Si–Cu–La alloys through machine learning-based alloy design, evaluation of corrosion behavior with La addition, and characterization of mechanical properties under various heat treatment conditions.
First, alloy design incorporating La content was performed using machine learning and experimental validation. Based on 1,210 experimental data points, predictive models including ADA, GBR, RF, and ET were applied to estimate hardness and compared with experimental results. Among these, the ET model exhibited the highest predictive accuracy (R² = 0.99, RMSE = 0.45). The maximum hardness (~106 HV) was obtained with the addition of 0.5 wt.% La, demonstrating the effectiveness of machine learning-based design in optimizing specific properties of Al alloys.
Second, the enhancement of corrosion resistance by La addition in Al–10%Si–2%Cu alloys was examined through Tafel polarization tests in a 3.5 wt.% NaCl solution. The alloy containing 0.5 wt.% La exhibited superior corrosion resistance, with a polarization resistance of 6.42 × 10⁴ Ω·cm² and a corrosion current density of 2.20 × 10⁻⁷ A/cm². This improvement was attributed to the formation of the LaCu₂Al₄Si phase and the homogeneous distribution of microstructures, which facilitated the development of a dense oxide film and effectively suppressed galvanic corrosion.
Third, the influence of heat treatment conditions on the mechanical properties of die-cast Al–Si–Cu–xLa alloys was investigated. Solution treatment above 500°C followed by 2 h of aging promoted the spheroidization of eutectic Si and the refinement of α-Al grains, resulting in maximum hardness. In contrast, prolonged aging beyond 6 h induced grain coarsening due to Ostwald ripening. Notably, the combination of 0.5 wt.% La addition with optimized heat treatment conditions simultaneously enhanced both mechanical properties and corrosion resistance.
These findings demonstrate that the combined application of La addition, heat treatment control, and machine learning-based predictions provides an effective strategy for improving the properties of Al–Si–Cu alloys. The results are expected to serve as fundamental data for the future design of high-performance aluminum alloys and their industrial applications.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구배경 1
• 1.2. 연구목적 5
• 2. 이론적 배경 6
• 2.1. 알루미늄(Al) 합금의 분류 6
• 2.2. Al 합금의 강화기구 10
• 2.2.1. 고용체 강화 10
• 2.2.2. 결정립 미세화 11
• 2.2.3. 석출 경화 12
• 2.3. Al 합금의 주조 방법 15
• 2.4. Al-Si-Cu계 합금 특성 23
• 2.4.1. Al-Si-Cu계 합금의 Si 첨가에 따른 영향 24
• 2.4.2. Al-Si-Cu계 합금의 Cu 첨가에 따른 영향 26
• 2.5. Al-Si-Cu 합금의 부식 특성 28
• 2.5.1. Al 합금의 부식 특성 28
• 2.5.2. 석출상이 부식 특성에 미치는 영향 33
• 2.6. Al 합금 내 희토류 원소 첨가에 따른 영향 37
• 2.6.1. Al 합금 내 희토류 원소의 역할 및 특징 37
• 2.6.2. Si 개량화 이론 39
• 2.6.3. Al 합금 내 La 첨가에 따른 영향 42
• 2.7. 기계 학습을 활용한 Al 합금 설계 44
• 2.7.1. 기계 학습 모텔의 적용 44
• 2.7.2. 기계 학습 알고리즘 48
• 2.7.3. 알고리즘 모델 검증 방법 50
• 3. Al-10%Si-2%Cu 합금 내 La 첨가에 따른 부식 특성 향상 51
• 3.1. 실험 방법 51
• 3.2. 결과 및 토의 55
• 3.2.1. La 첨가에 따른 미세조직 변화 55
• 3.2.2. 조성적 과냉과 핵생성 거동 60
• 3.2.3. 석출상 거동 및 상분석 65
• 3.2.4. 부식 특성 평가 70
• 3.3. 결론 79
• 4. 기계학습 및 실험적 검증을 활용한 La함량별 Al 합금 설계 80
• 4.1. 실험 방법 80
• 4.1.1. 데이터 준비 및 전처리 80
• 4.1.2. 모델 학습 및 검증 84
• 4.1.3. 시편 제작 및 실험 조건 86
• 4.2. 결과 및 토의 87
• 4.2.1. 기계 학습 모델 평가 결과 87
• 4.2.2. 실험적 검증 96
• 4.3. 결론 102
• 5. 열처리 조건이 다이캐스팅 Al-Si-Cu-La 합금의 기계적 성질에 미치는 영향 103
• 5.1. 실험방법 103
• 5.2. 결과 및 토의 106
• 5.2.1. 열처리 및 La 첨가에 따른 미세조직 분석 결과 108
• 5.2.2. 열처리 및 La 첨가에 따른 기계적 특성 분석 117
• 5.2.3. 열처리 및 La 첨가에 따른 부석 저항 특성 분석 122
• 5.3. 결론 134
• 6. 결론 135
• 7. 참고문헌 137
• 영문초록 145