After the discovery of superconductivity in magnesium diboride (MgB2), significant efforts have been made to develop the MgB2 wires for replacing low-temperature superconductors in large-scale applications like magnetic resonance imaging (MRI) because MgB2 can maintain the superconducting state without expensive liquid helium. The powder-in-tube (PIT) method is widely used to fabricate the MgB2 wires due to the inferior formability of the synthesized MgB2 itself. In the PIT process, the raw precursor powders are inserted into a diffusion barrier surrounded by an outer sheath. This composite billet is deformed into a wire by cold working processes including drawing, swaging, and rolling. In the subsequent heat treatment process, the unreacted Mg+2B powder mixture is synthesized into MgB2, in which the volume shrinkage as a result of synthesizing MgB2 induces the formation of voids. It is well known that the formation of voids and nucleation of MgO layers at the grain boundaries can deteriorate the grain connectivity of MgB2. Based on Rowell’s model, most of the commercial PIT-processed wires exhibited 5-15% of full-grain connectivity. In other words, less than 15% of the total cross-sectional superconducting area may play a role in carrying the transport currents. It is known that the enhancement of grain connectivity of MgB2 wire can be achieved by increasing the powder packing density of the wire. Therefore, it is quite essential to predict and control the packing density of the powder mixture during the manufacturing process to improve the superconducting properties of MgB2 wire. For this aim, the powder density prediction model in the drawing process of PIT-processed MgB2 wire was established by machine learning (ML) with a drawing simulation model in the current study. As the first step, a series of PIT-processed mono-filamentary MgB2 wires with different initial filling densities of powder mixture was fabricated. The effect of initial filling density on the deformation behavior of the sheath materials and the powder mixture during the drawing was investigated by means of microstructural analysis. In addition, by estimating the grain connectivity based on the site percolation model, it was found that the increase in the packing density of the Mg+2B powder mixture enhanced the grain connectivity and consequently resulted in improving the critical current properties of the MgB2 wire. For the next step, the FE simulation model for the multi-pass drawing process of MgB2 wire was built by the modified Drucker-Prager Cap model. To capture the anisotropic hardening behavior of the powder mixture, a number of uniaxial die compaction and cold isostatic pressing tests were conducted with different powder densities of the powder mixture. The drawing simulation model was verified by comparing the density obtained by simulation with experimental values. Finally, the drawing simulations were conducted by changing the design parameters of the MgB2 wire drawing to establish ML models for predicting powder density. Of the output features, the rarely observed data was resampled by a distance-based linear interpolating method and introducing Gaussian noise. The prediction results by the artificial neural network algorithm showed good consistency with the simulation results. By using the model interpretation method, the effect of design parameters on model output representing superconducting performances of MgB2 wire was investigated in terms of the powder density. In addition, the underlying mechanism of the initiation and development of wavy shape non-uniform deformation, namely sausaging phenomenon, was explained by simulation results.
이붕화마그네슘(MgB2)의 초전도성이 발견된 이래로 값비싼 액체 헬륨을 사용하지 않고 초전도 현상을 띄는 MgB2의 특성으로 인해 자기공명영상(MRI) 등의 응용기기에 사용되는 저온초전도 선재를 MgB2 선재로 대체하기 위한 연구가 많이 수행되었다. MgB2 선재 제작 시 반응된 MgB2의 낮은 성형성으로 인해 Powder-in-Tube (PIT) 방법이 주로 적용된다. 이 방법은 확산방지층 (diffusion barrior) 역할을 하는 금속관(sheath)에 원료분말을 장입하는 방법으로, 원료분말이 장입된 금속관은 외부금속관(outer sheath) 내 삽입되는데, 이렇게 만들어진 복합 빌릿(billet)은 인발, 스웨징 및 압연 등의 냉간가공 공정을 거쳐 선재로 만들어진다. 이후 반응 전 마그네슘 (Mg)과 붕소(B) 혼합분말은 열처리 공정을 통해 MgB2로 합성되는데, 이때 합성된 MgB2의 부피수축으로 인해 공극이 형성된다. 이렇게 생성된 공극은 결정립계에 존재하는 산화마그네슘 (MgO)과 함께 MgB2의 입자연결성을 약화시키는 것으로 알려져 있다. Rowell의 모델에 따르면 대부분의 상용 PIT 선재는 전체 입자연결성의 5-15%만을 나타내는데, 이는 전체 초전도면적 중 15% 이하만이 초전도 전류 전달 역할을 함을 의미한다. 이러한 MgB2 선재의 입자연결성은 선재의 분말충진밀도 증가를 통해 향상시킬 수 있다고 알려져 있다. 따라서 MgB2 선재의 초전도특성을 향상시키기 위해서는 제작 공정 중 혼합분말의 충진밀도를 예측하고 제어하는 것이 중요하다. 본 연구에서는 인발해석모델을 활용한 기계학습을 통해 인발공정에서 PIT 방법을 적용한 MgB2 선재의 분말밀도예측모델을 개발하고자 한다. 이를 위한 첫 단계로, 서로 다른 초기충진밀도를 가지는 단심 MgB2 선재를 PIT 방법을 적용하여 제작하였으며, 마그네슘(Mg)과 붕소(B) 혼합분말과 sheath의 미세조직분석을 통해 초기충진밀도가 혼합분말과 시스의 변형거동에 미치는 영향을 분석하였다. 또한, 침투모델에 기반한 입자연결성 추정방법을 통해 혼합분말의 충진밀도 증가가 MgB2 선재의 입자연결성과 임계전류특성을 향상시킴을 확인하였다. 다음 단계로, 수정된 Drucker-Prager Cap 모델을 적용하여 MgB2 선재의 다단인발공정을 모사하는 유한요소해석 모델을 만들었다. 인발공정 중 혼합분말의 이방성경화 거동을 해석적으로 표현하기 위해 분말밀도별로 단축금형압축 실험과 냉간정수압압축 실험을 수행하였다. 이렇게 만들어진 인발해석모델은 해석과 실험을 통해 얻어진 밀도를 비교함으로써 검증하였다. 마지막으로 기계학습기반 밀도예측모델을 개발하기 위해 다단인발공정의 설계변수를 바꾸어가며 해석을 수행하였다. 출력값들 중 소수데이터는 거리기반 선형보관법과 가우시안 노이즈(Gaussian noise)을 적용하여 데이터를 재추출(resampling)하였다. 밀도예측모델 중 인공신경망을 이용한 예측모델의 예측결과가 해석결과와 잘 일치함을 확인할 수 있었다. 인공신경망을 이용한 밀도예측모델에 대해 모델해석기법을 적용하여 다단인발공정의 설계변수가 초전도특성에 미치는 영향을 밀도측면에서 분석하였다. 추가적으로 소세징 현상으로 불리는 물결모양의 불균일 변형의 생성과 성장에 대한 메커니즘을 해석결과를 통해 설명하였다.
