Mathematical modeling and optimization in tandem gas metal arc welding with an opposite-polarity electrode

Abstract

조선산업에서 선박 건조에 사용되는 용접 작업의 70% 이상은 수평 필렛 용접 작업이 차지하기 때문에 수평 필렛 용접의 생산성 및 용접 품질의 개선은 조선산업에서 중요한 문제이다. 수평 필렛 용접의 생산성을 향상시키기 위해 기존에 주로 사용되던 tandem GMAW (T-GMAW)의 용접속도 증가와 용착량 증가를 위한 높은 전류가 요구된다. 하지만, 높은 전류의 T-GMAW에서는 전극간 전자기력의 상호작용에 의해 용접 아크의 편향이 나타난다. 이러한 아크 편향은 용접 중 과도한 스패터를 발생시키거나 언더컷 용입뷸량, 기공 등과 같은 용접 품질 저하를 야기한다. 이를 방지하기 위한 방법 중 하나로 T-GMAW의 두 DC-EP 전극 사이에 DC-EN 전극을 이용하여 전자기력에 의한 아크 편향을 방지하는 Hybrid tandem gas metal arc welding (HT-GMAW)가 있다. HT-GMAW에 대한 연구가 일부 보고되었지만 DC-EN 전극에 의한 용융풀 거동 변화에 대한 분석은 아직까지 명확하기 보고되지 않았다. 본 연구에서는 HT-GMAW 공정에서 용접 아크와 용융풀 거동의 상호작용을 분석하기 위해 자기유체역학(magnetohydrodynamics, MHD)과 level set을 이용한 자유표면추적 방식이 결합된 수학적 모델을 개발하였다. MHD 해석에 의해 HT-GMAW 공정에서 추가 전극에 의한 아크 거동의 변화와 그에 따른 용융풀에 작용하는 힘이 계산된다. 그리고 level set 방법에 의해 정확하게 추적된 용융풀의 자유표면에는 MHD 해석에서 계산된 아크에 의한 힘이 경계조건으로 적용된다. 수학적 모델을 이용한 분석 결과에서는 HT-GMAW에서는 용융풀 표면에 작용하는 압력과 표면전단력이 강하게 나타나고, DC-EN 전극 하단 용융풀에서는 깊이 방향의 유동이 발생하여 T-GMAW보다 더 깊은 용입과 더 넓은 비드 형상을 나타내었다. 이러한 결과는 동일 조건의 HT-GMAW 실험을 통해 검증되었다. 실험적 분석에서는 DC-EN 전극에 의한 용적이행의 특성 변화도 분석되었다. HT-GMAW에서는 DC-EN 전극에 의해 선행 및 후행 전극 측면의 전자기력이 균형을 이루어 용적이행 횟수가 증가하고, 용적의 형상이 원형으로 나타났다. 반면, T-GMAW에서는 타원형으로 나타났다. 용적이행의 횟수 변화는 선행은 용입 깊이에, 후행은 비드 볼록도에 각각 큰 영향을 미친다. 상기 분석내용을 바탕으로 고속, 고전류 수평 필렛 용접의 최적의 공정조건을 찾기 위해 머신러닝 기반의 GPR방법이 도입되었다. 이를 통해 용접 품질에 영향을 주는 주요 공정변수에 대해, 많은 실험을 반복하지 않고 효율적인 대리 모델(surrogate model)이 구축되었다. 결과적으로 GPR을 이용한 공정변수 최적화를 통해 수평 필렛 용접에서 기존 T-GMAW에 비해 HT-GMAW가 30% 이상 향상된 속도에서도 기계적 강도를 만족하기 위한 용접 비드 형상을 도출할 수 있다. |In the shipbuilding industry, because the horizontal fillet welding process is predominantly employed, enhancing the productivity and weld quality of horizontal fillet welding is a major issue. Tandem gas metal arc welding (T-GMAW) was originally used to enhance the productivity of horizontal fillet welding, and requires high current to increase the welding speed and the amount of deposition. However, an arc deflection occurs because of the electromagnetic force interaction between the electrodes at high-current T-GMAW. This arc deflection causes excessive spatters during the welding process or factors that contribute to deterioration of weld quality such as undercut, incomplete fusion, and porosity. To prevent this, hybrid T-GMAW (HT-GMAW) was employed, which includes direct current electrode negative (DC-EN) and prevents arc deflection by electromagnetic force. There are several studies on HT-GMAW but insufficient analysis of the change in molten pool behavior caused by the DC-EN. In this study, to analyze the interaction between the weld arc and weld pool behavior during the HT-GMAW process, magnetohydrodynamics (MHD) and a free surface detection method that uses level set was combined to develop a mathematical model. Based on MHD analysis, the change in arc behavior by the additional electrode during HT-GMAW and the corresponding force that acts on the molten pool was calculated. In addition, the force calculated through MHD analysis was applied as a boundary condition to the molten pool’s free surface, which was accurately tracked using the level set method. The analysis results of the mathematical model show that during the HT-GMAW process, the pressure and the surface shear stress are dominant at the molten pool surface. Further, a flow in the depth direction was generated inside the molten pool under the DC-EN, causing a deeper penetration depth and wider bead geometry than T-GMAW. These results were verified by performing HT-GMAW under the same conditions. In the experimental analysis, the effect of the DC-EN on the droplet transfer characteristics was investigated. In the HT-GMAW process, the number of droplet transfers increased, and the droplet had a circular shape because the electromagnetic force between the leading and trailing electrode was balanced due to the DC-EN. However, in the T-GMAW process, a spherical shape appeared. A change in the number of droplet transfers affects the penetration depth for the leading and bead convexity for the trailing electrode. Based on the investigated information, a machine learning-based Gaussian process regression (GPR) method was implemented to find the optimal process parameters for high-speed, high-current horizontal fillet welding. Therefore, based on the main process parameter that has the biggest effect on the weld quality, an effective surrogate model was generated by not repeating numerous numbers of experiments. As a result, using the GPR method in optimizing the process parameters, a weld bead geometry that satisfies the mechanical strength was deduced, even under 30% increased speed in HT-GMAW compared with the standard T-GMAW process during the horizontal fillet welding.