Introduction

현대 산업계에서 제품의 설계 및 제조 공정 최적화는 CAE의 비약적인 발전에 힘입어 과거와는 비교할 수 없을 정도로 정교해졌다. 특히 자동차의 충돌 안전성 평가, 탄환 관통 해석 등 복잡한 물리적 현상을 다루는 데 있어 유한요소해석(FEA)의 신뢰성은 재료 모델의 정확도에 의해 좌우된다고 해도 과언이 아니다. 금속 재료가 고속으로 변형될 때 나타나는 소성 거동은 단순히 응력과 변형률의 선형적인 관계를 넘어, 변형 속도에 따른 경화 현상과 변형 과정에서 발생하는 열에 의한 연화 현상이 복합적으로 작용하는 다물리적 특성을 띈다.

[그림 1] 차량 충돌 테스트 해석 예시

본 고에서는 동적 해석 분야에서 가장 널리 사용되는 Johnson-Cook 재료 모델의 이론적 배경을 설명하고, 시험 데이터로부터 모델의 파라미터를 추출할 수 있는 전문 솔루션인 MCalibration의 활용 방법에 대해 소개하고자 한다. 

■ Johnson-Cook 재료 모델

Johnson-Cook(이하, J-C) 모델은 1983년 고속 충돌 및 관통 현상을 모델링하기 위해 제안된 이후, 금속의 대변형 거동을 묘사하는 표준적인 현상학적(Phenomenological) 모델로 자리 잡았다[1]. 이 모델은 재료의 유동 응력이 변형률(Strain), 변형률 속도(Strain Rate), 그리고 온도(Temperature)라는 세 가지 독립적인 변수의 함수로 표현될 수 있다는 가정을 바탕으로 한다. J-C 모델은 [그림 2]와 같이 세 개의 항이 곱해진 형태로 항복응력이 정의된다. 이 수학적 구조는 각 물리적 현상이 서로 독립적으로 작용한다고 가정함으로써 모델의 간결성을 유지하면서도, 실제 금속 재료가 겪는 복잡한 비선형 거동을 효과적으로 근사화할 수 있게 하며, 각 항의 물리적 의미와 파라미터의 역할은 [표 1]과 같다.

[그림 2] Johnson-Cook 유동 응력 모델

파라미터	물리적 의미	단위 및 특성	비고
A	초기 항복 응력 (Initial Yield Stress)	Stress (MPa)	기준 상태에서의 항복 지점 결정
B	변형 경화 계수 (Hardening Constant)		소성 변형에 따른 강도 증가율 조절
n	변형 경화 지수 (Hardening Exponent)	Dimensionless	경화 곡선의 비선형 형태 결정(0~1 사이)
C	변형률 속도 계수 (Strain Rate Constant)		변형 속도 증가에 따른 강도 증가율
m	열적 연화 지수 (Thermal Softening Exponent)		온도 상승에 따른 강도 감소의 급격함 조절

[표 1] Johnson-Cook 재료 모델 파라미터의 물리적 의미

첫 번째 항인 (A+B)은 기준 변형률 속도와 기준 온도에서의 준정적인 소성 거동을 정의한다. A는 소성 변형이 시작되는 지점을 나타내며, B와 n은 전위(Dislocation)의 축적으로 인해 재료가 더욱 단단해지는 경화 현상을 묘사한다. n값이 1에 가까울수록 선형 경화 거동에 가까워지며, 0에 가까울수록 초기 경화가 급격히 일어나는 특성을 보인다. 여기서 ε은 등가 소성변형률을 의미한다.

두 번째 항인 은 동적 하중 조건에서 재료가 더 높은 강도를 나타내는 변형률 속도 민감성을 고려한다. 여기서 (현재 변형률 속도를 기준 변형률 속도로 나눈 값)으로 정의된다. 일반적으로 분모()는 실험실 표준 조건인 1.0s^-1로 설정되지만, 특정 해석 목적에 따라 조정될 수 있다. 이 항은 로그 함수의 형태로 변형률 속도의 영향을 간단히 표현할 수 있어, 넓은 변형률 속도 범위에서 재료 거동을 독립적이고 근사적으로 모델링할 수 있다.

세 번째 항인 ()은 변형 과정에서 발생하는 단열이나 외부 열원에 의한 온도 상승이 재료를 부드럽게 만드는 형상을 수치화한다. 상동온도(Homologous Temperature, T*)는 기준 온도와 용융 온도 사이에서 현재 온도의 상대적 위치를 나타내는 무차원 값이다. T^*가 1에 도달하면 항복 응력은 0이 되어 재료가 구조적 강성을 완전히 상실하게 된다.

■ Johnson-Cook Failure 모델 및 손상 지수

단순한 유동 응력 예측을 넘어, 재료가 언제 파단되는지를 예측하는 것은 충돌이나 폭발 해석에서 매우 중요하다. J-C Failure 모델은 변형률 속도와 온도뿐만 아니라 응력 삼축비(Stress Triaxiality, σ*)를 파단의 주요 변수로 도입한다. 이는 재료가 받는 응력 상태(인장, 압축, 전단 등)에 따라 판단 시점이 달라지는 물리적 현상을 반영하기 위함이다. 

재료의 수명은 손상 지수(D)라는 개념을 통해 관리되며, 이는 소성 변형이 진행되는 동안 누적 되고, 값이 1에 도달하면 재료 파손이 발생하도록 모델링 된다. 시뮬레이션 과정 중 각 지점에서 계산된 손상 지수가 누적되어 1에 도달하면, 구현 및 설정에 따라 강성 저하 또는 요소 삭제 등으로 파손이 모델링될 수 있다. 다만, 이 정교한 모델을 완성하기 위해서는 노치 인장 시험과 같이 특수한 응력 상태를 유도하는 복잡한 시험을 통해 재료 고유의 파라미터를 정확히 추출해야 한다는 숙제가 뒤따른다.

[그림 3] Johnson-Cook Failure 모델 구성식[2]

재료의 파손은 그 자체로 방대한 메커니즘을 내포하고 있기에, 본 고에서는 변형률과 온도에 따른 재료의 기초적인 저항 특성에 집중하고자 한다. 따라서 이후의 논의는 J-C Failure 모델의 복잡한 파손 지수를 제외하고, 재료의 유동 응력 변화를 직관적으로 파악할 수 있는 기본 J-C 모델만을 다룰 예정이다.

■ MCalibration이란?

MCalibration은 미국의 재료역학 전문 기업인 PolymerFEM 사에서 개발한 소프트웨어로, 시험 결과로부터 비선형 재료 모델의 최적 파라미터를 도출하기 위해 설계된 강력한 사용자 인터페이스 기반 프로그램이다. 기존의 엔지니어들은 엑셀 혹은 Python, Matlab등 프로그래밍 언어를 활용하여 자체 개발한 기술 등을 이용하여 curve fitting을 수행했으나, 이러한 방식은 전문적인 기술이 없을 경우 적용이 어렵다는 문제가 있다. MCalibration은 수치 최적화 알고리즘을 사용하여 이러한 과정을 자동화하며, 시뮬레이션 결과와 시험 데이터 사이의 오차 함수를 최소화하는 파라미터 세트를 신속하게 찾아낸다.

MCalibration이 제공하는 주요 기술적 이점은 다음과 같다.
1.   데이터 전처리 및 정제: 시험 데이터를 불러오고 clean-up하여 캘리브레이션에 적합한 형태로 가공할 수 있으며, 공칭 응력-변형률을 진 응력-변형률로 자동 변환하는 기능을 제공한다.
2.   다중 로딩 케이스 통합 최적화: 인장, 압축, 전단, 그리고 서로 다른 변형률 속도 조건의 시험 데이터를 동시에 로드하여 모든 조건을 만족하는 최적의 통합 파라미터를 산출한다.
3.   가상 시험을 통한 안정성 검증: 가상 시험(virtual experiments)과 안정성(stability) 점검 기능을 통해, 실제 시험하지 않은 조건에서의 거동 및 수치적 안정성 여부를 사전에 확인할 수 있다.
4.   FEA 소프트웨어와의 완벽한 호환: 최적화된 모델은 ANSYS 및 LS-DYNA를 포함해 ABAUQS등 다양한 FEA 포맷으로 내보내기가 가능하며, 구체적인 출력 형식은 선택한 모델/설정에 따라 달라질 수 있다.

MCalibration은 단독으로도 강력하지만, PolyUMod 라이브러리와 결합될 때 그 진가가 발휘된다. PolyUMod는 표준 상용 솔버에서 제공하는 기본 재료 모델의 한계를 극복하기 위해 개발된 고급 재료 모델 라이브러리이다. 특히 고무나 플라스틱과 같은 고분자 재료는 온도와 시간에 따라 매우 극심한 비선형 점탄성-점소성 거동을 보이는데, PolyUMod의 Three Network(TN) 모델이나 Bergstrom-Boyce(BB) 모델은 이러한 현상을 가장 정밀하게 모사하는 것으로 알려져 있다.

금속 재료 해석에서도 기본 J-C 모델만으로 설명하기 어려운 미세 구조의 변화나 위상 변화를 고려해야 하는 경우, PolyUMod의 사용자 정의 모델을 도입하고 MCalibration으로 최적화함으로써 해석의 정밀도를 한 차원 더 높일 수 있다. 다만, 본 고에서는 MCalibration만을 사용하여 최적화를 진행하였다.

■ MCalibration을 이용한 파라미터 최적화

최적화 작업의 첫 번째 단계는 신뢰할 수 있는 시험 데이터를 확보하는 것이다. J-C 모델의 5가지 핵심 파라미터를 추출하기 위해서는 변형률 속도와 온도별 인장 시험 데이터가 필요하다. 본 고에서는 변형률 속도(0.1, 1, 10 s-1) 별 인장 시험 데이터를 통해 A, B, n, C 파라미터를 추출하였으며, 열적 연화 지수인 m은 온도 시험에 대한 데이터 부재로 최적화 대상에서 제외하였다.

[그림 4] MCalibration Load Case 설정 화면

MCalibration 인터페이스[그림 4]에서 각 시험 파일은 하나의 'Load Case'로 정의된다. 데이터 로드 시 사용자는 각 열(Column)이 의미하는 물리량(시간, 변형률, 응력 등)과 단위계를 지정해야 한다. 특히 변형률 제어 방식(Strain Control)을 선택하여 실험의 경계 조건과 시뮬레이션의 경계 조건이 일치하도록 설정하는 것이 중요하다. 본 고에서 활용한 시험 데이터는 인장 시험 결과인 공칭 응력-변형률 곡선으로 [그림 4]와 같이 (1) Stress-Strain Data로 설정 후 (2) 시험 데이터를 업로드 하였으며, (3) 시험 조건을 변형률 제어 방식, 응력-변형률 타입을 Engineering으로 정의하였다. 이렇게 공칭 응력-변형률 저장된 csv파일을 불러와도 설정에 따라서 MCalibration에서는 자동으로 진 응력-변형률로 변환하여 입력된다[그림 5]. 또한, 파일을 불러오는 과정에서 해당 csv파일의 변형률 속도가 몇인지 정의할 수 있다.

[그림 5] 변형률 속도(0.1, 1, 10 s^-1) 별 인장시험 Stress-Strain 곡선

그 다음 사용할 재료 모델을 선택하면 된다. [그림 6]과 같이 사용할 수 있는 재료 모델은 PolyUMod 재료 모델부터 상용소프트웨어인 Ansys, Abaqus, LS-DYNA 등에서 쓰이는 재료 물성을 선택할 수 있다. 본 고에서 사용한 Johnson Cook 모델은 Ansys Mechanical의 Explicit 시스템이나, LS-DYNA에서 재료 물성으로 제공하고 있다.

[그림 6] MCalibration에서 선택 가능한 재료 모델 목록

재료 모델을 불러오면 [그림 7]과 같이 최적화할 변수 선택이 가능하며, 본 고에서는 A, B, n, C 파라미터에 대해 최적화를 진행할 것이므로 해당 파라미터 만 체크하였으며, Lower 및 Upper Bound는 예제 단순화를 위해 생략하였으나, 실무에선 적정 범위 설정을 권장한다.

 

[그림 7] Johnson-Cook 모델 파라미터 최적화 변수 설정

[그림 8]과 같이 MCalibration은 파라미터 공간에서 최적의 해를 찾기 위해 다양한 알고리즘을 지원한다. 성공적인 최적화를 위해서는 알고리즘의 특성을 이해하고 이를 단계적으로 적용해야 한다. 대표적으로 다차원 공간에서 기하학적 형상을 변형시키며 하향 경사를 따라 최적점을 찾아가는 Nelder-Mead Simplex Method, 가우스-뉴턴 방법과 경사 하강법을 혼합한 비선형 최소자승 알고리즘인 Levenberg-Marquardt Method 등이 있다. 다만, 실무적으로 모든 알고리즘을 이해하고 사용하기 쉽지 않기 때문에 Solver 자체적으로 여러 방법을 조합/전환해서 최적화하는 'Automatic Extensive' 옵션을 사용하여 최적화를 진행하였으며, 사용할 CPU 개수, 최적화 시간 및 최대 횟수는 기본값으로 정의하였다.

[그림 8] 최적화 알고리즘 선택

[그림 9] MCalibration 파라미터 최적화 실행 화면(시험-예측 곡선 비교)

[그림 10] 최적화 수렴 이력(Fitness vs. Function Evaluations)

[그림 11] 최적화 후 시험-예측 곡선 중첩 결과

[그림 12] 파라미터 변화 비교 (a) 초기값 (b) 최적화 결과

 J-C 재료 모델 파라미터 최적화 후 각 변형률 속도 조건에서 시험 곡선과 예측 곡선을 중첩 비교한 결과를 확인할 수 있다[그림 9]. 그래프 우측 하단에는 NMAD 기반 Error값(1.15)도 함께 출력되어 적합도(Fitness Value) 수준을 정량적으로 확인할 수 있다. [그림 10]은 최적화가 진행되면서 적합도가 어떻게 개선되는지를 나타낸다. x축은 함수 평가 횟수이며, y축은 Fitness Value값이다. 그래프에서 보이듯 초기 구간에 급격한 개선이 발생한 뒤 개선폭이 줄어드는 형태로 수렴(Convergence)하는 것을 볼 수 있으며, 이렇게 최적화가 수렴하면 초기 설정한 최대 반복 횟수 또는 시간보다 이전에 계산이 종료될 수 있다. 이렇게 최적화가 완료된 결과는 [그림 11]과 [그림12]에서 확인 가능하다.

추가적으로, MCalibration의 Virtual Experiment 기능을 이용하면 시험 데이터가 없는 조건에서도 보정된 재료모델의 거동이 수치적으로 발산하지 않는지, 그리고 외삽 거동이 과도하지 않은지를 가상으로 확인할 수 있다. 즉, Virtual Experiment 결과는 시험 검증이 아니라 모델 기반 예측 결과이며 본 고에서는 변형률 속도 100 s-1인 곡선을 Strain 기준 0.58까지 생성하였다[그림 13]. [그림 14]에서 생성된 검정색 곡선을 보면 기존의 곡선들보다 변형률 속도가 빠르기 때문에 더 높은 구간의 응력 거동을 띄는 것이 확인 가능하다.

[그림 13] Virtual Experiment 설정 예: 변형률 속도 100 s^-1 곡선

 

[그림 14] Virtual Experiment 결과: 변형률 속도 100 s^-1 곡선 추가 비교

이렇게 최종적으로 검증된 파라미터는 수기로 입력하여 각 해석 소프트웨어에서 사용할 수도 있지만 [그림 15]와 같이 내보내기(Export) 기능을 통해 각 해석 소프트웨어의 물성 파일로 변환이 가능하다. MCalibration은 다양한 솔버 포맷 내보내기를 지원하지만, 내보내기 가능 포맷은 선택한 재료모델/템플릿에 따라 달라질 수 있다.

[그림 15] MCalibration Material Export 설정 화면

맺음말

금속의 동적 거동을 예측하기 위한 Johnson-Cook 모델은 그 강력한 범용성에도 불구하고, '정확한 파라미터의 부재'라는 고질적인 문제에 직면해 왔다. 본 고에서 살펴본 MCalibration 솔루션은 시험 데이터라는 객관적 근거로부터 최적화 알고리즘을 통해 가장 타당한 재료 모델을 도출함으로써, CAE 해석의 블랙박스 영역이었던 재료 물성 입력을 체계적인 프로세스로 전환해 준다. 다만, 엔지니어들은 도구의 편리함에 안주하기보다 각 파라미터가 갖는 물리적 의미를 깊이 이해하고, 실제 현상과 시뮬레이션 사이의 간극을 줄이기 위해 지속적으로 노력해야 할 것이다. 

■ 참고자료