딥러닝 모델을 이용한 Al-Si 주조합금의 미세조직 생성과 분석

Abstract

본 연구에서는 생성모델인 DCGAN을 이용해 제한된 데이터 셋을 확장하고 분석하였다. 데이터는 Al-Si 합금의 미세조직으로 Al-Si6%, Al-Si9%, Al-Si12%, Al-Si15%를 사용하였다. 데이터 개수는 조성당 70장, 80장, 90장, 100장으로 나누어 실험을 진행하였다. 또한 각 4가지 조건에서 학습횟수에 따른 차이점도 비교해 보기 위해 1000Epoch로 고정하여 학습을 반복하였다. 이후 생성된 모조데이터를 분류기 모델인 Inception V3를 이용해 유사도를 평가하였다. 학습 데이터가 많고 학습횟수가 증가할수록 실제 데이터와 유사한 품질의 모조 데이터를 얻을 수 있었으며 확보할 수 있는 개수도 증가하였다. 또한 Inception V3를 이용해 유사도를 평가한 결과는 입력 데이터의 조성에 해당하는 피크가 가장 높게 나타났다. 이 외에도, Al-Si6%와 Al-Si12%의 데이터 세트와 Al-Si9%, Al-Si15%의 데이터 세트를 이용해 Al-Si9%와 Al-Si12%의 모조 데이터를 생성해 보았으나, 각 조성에 해당하는 합금의 미세조직은 잘 그려내지 못했고 정확도 또한 신뢰성이 부족하였다. 새로운 데이터 합성에 관한 연구는 다른 생성 모델 알고리즘을 이용하거나 방대한 양의 데이터가 필요한 것으로 보인다. |In this study, we conducted an experiment to extend the data set using the DCGAN algorithm, which is a generative model. The data used in the experiment are microstructure images of Al-6wt%Si, Al-9wt%Si, Al-12wt%Si, and Al-15wt%Si alloys. In all compositions, a fake image was generated using 70 training data and 1000 Epoch learning frequency, and then similarity was measured using Inception V3 algorithm. As a result, the similarity of the alloy composition was highest, and the generated fake image showed the structural characteristics of the real data well. However, in the case of the hypo-eutectic composition, a continuous pattern such as a dendritic phase did not appear, and in the case of the hyper-eutectic composition, Si primary crystals and acicular structures were generated collapsesed. This result appeared to be an insufficient amount of training data, and as a result of generating a fake image using 400 pieces of training data, relatively similar patterns and structures could be generated. As an additional experiment, microstructure image data of different alloy compositions were mixed to generated intermediate composition data, but the similarity of the composition corresponding to the alloy was remarkably low. Therefore, it appears that the creation of new synthetic data requires a different approach.