열처리 조건별 동복 알루미늄 선재의 딥러닝 기반 전기전도도 예측 모델 개발 = Deep Learning model for predicting electrical conductivity in copper-clad aluminum wires

국문 초록 (Abstract)

동복 알루미늄 선재(Copper-Clad Aluminum wires, CCAWs)는 알루미늄 봉재(Rod)에 구리로 클래딩(Cladding)한 복합 도체이다. 열처리 과정에서 Cu-Al 계면을 따라 금속간화합물(Intermetallic Compounds, IMCs)이 형성되며, 이러한 상들은 복합재의 전기전도도를 결정하는데 핵심적인 역할을 한다. 본 연구에서는 딥러닝 기반 접근을 통해 다양한 열처리 조건에서 동복 알루미늄 선재의 전기전도도를 예측하고자 한다. 이를 위해, 열처리 조건을 입력으로 IMC 이미지를 생성하는 조건부 이미지 생성 모델과, 생성된 이미지를 입력으로 전기전도도를 예측하는 모델을 결합하여, 열처리 조건이 IMC 형성에 미치는 영향과 그에 따른 전기전도도 변화를 연계적으로 학습하였다.
동복 알루미늄 선재는 다섯 가지 열처리 온도와 다섯 가지 유지 시간 조건에서 열처리하였으며, 각 조건별로 선재의 단면을 주사전자현미경(SEM, Scanning Electron Microscope)으로 관찰하고, 4단자법(four-point probe)을 이용하여 전기전도도를 측정하였다. 열처리 조건에 따른 금속간화합물과 전기전도도 사이의 상관관계를 정량적으로 분석하였으며, 얻어진 SEM 이미지는 열처리 조건과 함께 조건부(conditional) StyleGAN2-ADA 모델 학습에 사용 하였다. 또한, IMC 이미지와 대응하는 전기전도도 값을 함께 활용하여 ResNet-50 기반 합성곱 신경망 회귀 모델을 학습하고, 전기전도도 예측에 사용하였다. 그 결과, StyleGAN2-ADA는 열처리 온도 및 시간이 증가함에 따라 IMC가 두꺼워지는 경향을 재현하였다. 또한 테스트 데이터셋의 SEM 이미지와의 정량 비교에서 높은 유사도를 보였으며(R^2= 92.92%, SSIM = 71.17%), IMC 면적분율은 2.71% 오차로 재현하였다. ResNet-50 회귀 모델은 높은 예측 정확도를 달성했으며(test R^2= 96.10%), 열처리 조건 변화에 따른 전기전도도 변화를 정량적으로 예측할 수 있음을 확인하였다. Grad-CAM 시각화 결과, 예측에 기여하는 활성화는 IMC 층 자체보다 외부 영역인 Cu와 Al 모재 영역에 강하게 집중되었다. 이는 전류가 고전도 경로인 Cu와 Al을 통해 흐르고, IMC가 성장함에 따라 전류가 흐르는 면적이 감소하고 전체 저항이 증가하는 결과와 일치한다.

다국어 초록 (Multilingual Abstract)

Copper-clad aluminum wires (CCAWs) are composite conductors in which copper is clad onto an aluminum rod. During heat treatment, intermetallic compounds (IMCs) form along the Cu–Al interface, and these phases play a critical role in determining the electrical conductivity of the composite. In this study, we aim to predict the electrical conductivity of CCAWs under various heat-treatment conditions using a deep learning-based approach. To this end, we jointly trained a conditional image generation model that synthesizes IMC images from heat-treatment conditions and a prediction model that estimates electrical conductivity from the generated images, thereby learning the coupled relationship between heat-treatment conditions, IMC evolution, and conductivity changes.
CCAW were heat-treated at five temperatures and five holding times. For each condition, cross-sectional surfaces were observed using scanning electron microscopy (SEM), and electrical conductivity was measured using the four-point probe method. The correlation between IMC formation and electrical conductivity as a function of heat-treatment conditions was quantitatively analyzed, and the acquired SEM images were used to train a conditional StyleGAN2-ADA model together with the corresponding heat-treatment conditions. In addition, a ResNet-50-based convolutional neural network regressor was trained using the IMC images and their paired electrical conductivity values, and then used for conductivity prediction. As a result, StyleGAN2-ADA reproduced the tendency of IMC thickening with increasing heat-treatment temperature and holding time. Quantitative comparisons with SEM images in the test dataset demonstrated high similarity (92.92% and 71.17%), and the IMC area fraction was reproduced with an error of 2.71%. The ResNet-50 regressor achieved high predictive accuracy (test R² = 0.9610), confirming that it can quantitatively predict conductivity variations induced by changes in heat-treatment conditions. Grad-CAM visualization further indicated that the most influential activations for prediction were concentrated more strongly in the surrounding Cu and Al matrix regions than within the IMC layer itself. This observation is consistent with the notion that electrical current preferentially flows through the highly conductive Cu and Al regions, while IMC growth effectively reduces the current-carrying cross-sectional area and increases the overall resistance.

목차 (Table of Contents)

• 1. 서론 1
• 가. 연구 배경 1
• 나. 문헌 조사 1
• 1) 금속간화합물 1
• 2) 인공지능 활용 사례 3
• (a) 이미지 기반 물성 예측 4
• (b) 인공지능 기반 이미지 생성 사례 5
• 다. 연구 목적 및 내용 7
• 2. 이론적 배경 10
• 가) 적대적 생성 신경망 10
• 1) 적대적 생성 신경망 개념 10
• 2) 조건부 적대적 생성 신경망 12
• 3) StyleGAN2-ADA 13
• 나) 잔차 신경망 16
• 1) 합성곱 신경망 16
• 2) 잔차 신경망 18
• 다) 그래디언트 가중 클래스 활성화 맵핑 20
• 라) 딥러닝 평가 방법 21
• 1) 회귀(Regression) 성능 지표 21
• 2) 이미지 품질 및 유사도 지표 23
• 3) 생성 모델 특화 지표 24
• 3. 실험 방법 및 결과
• 가. CCA 선재 제작 28
• 나. 열처리 28
• 다. 금속간화합물 이미지 29
• 라. 열처리 조건별 전기전도도 30
• 4. 딥러닝
• 가. 데이터 전처리 33
• 나. 이미지 생성 모델 33
• 1) 이미지 생성 모델 데이터 셋 33
• 2) 이미지 생성 모델 평가 방법 35
• 다. 전기전도도 예측 모델 36
• 1) 전기전도도 예측 모델 데이터 셋 36
• 2) 전기전도도 예측 모델 평가 방법 37
• 라. 하이퍼파라미터 최적화 37
• 5. 딥러닝 결과
• 가. 이미지 생성 모델 학습 평가 39
• 나. 전기전도도 예측 모델 학습 평가 42
• 다. Grad-CAM 결과 44
• 6. 결론 및 향후 계획 46
• 가. 결론 46
• 1) 이미지 생성 결과 46
• 2) 전기전도도 예측 결과 47
• 나. 향후 계획 47
• 참고문헌 48
• Abstract 83