초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 연구의 목적은 트러스(truss)의 위상, 형상 및 크기(TSS: topology, shape and sizing) 동시 최적화를 위해 딥 러닝과 유전 알고리즘(GA: genetic algorithm)을 결합한 최적화 방법을 제안하는 것이다. 첫 번째 방법은 딥 러닝과 작은 학습 데이터셋(small learning dataset)을 사용하였고, 두번째 방법은 딥 러닝과 큰 학습 ...

본 연구의 목적은 트러스(truss)의 위상, 형상 및 크기(TSS: topology, shape and sizing) 동시 최적화를 위해 딥 러닝과 유전 알고리즘(GA: genetic algorithm)을 결합한 최적화 방법을 제안하는 것이다. 첫 번째 방법은 딥 러닝과 작은 학습 데이터셋(small learning dataset)을 사용하였고, 두번째 방법은 딥 러닝과 큰 학습 데이터셋(large learning dataset)을 사용하였으며, 본 연구에서 제안하는 마지막 방법은 딥 러닝과 GA를 결합하여 작은 학습 데이터셋과 함께 사용하였다. 기존의 연구에서는 딥 러닝으로 트러스 구조물의 최적화를 하기 위한 시도가 있었지만, 데이터 훈련과 딥 러닝 모델의 평가만이 수행되었다. 본 연구에서 제안하는 최적 설계 방법에서는 딥 러닝을 사용하여 사전 훈련된 가중치(pretrained weight)를 오토인코더(AE: autoencoder)로 전이(transfer)하여 최적에 거의 근사한 해(near-optimal solution)를 효율적으로 예측할 수 있었다. 또한, 제안한 방법에서는 오토인코더가 예측한 거의 근사한 후보 해를 GA의 초기 모집단(initial population)으로 사용하였다. 최적화 문제에 있어 딥 러닝과 GA를 결합하여 최적화 하는 방법은 본 연구에서 처음으로 시도되는 것이다. 이 접근방법은 하나의 작은 데이터셋과 GA를 사용하여 하중 및 경계 조건에 의해 주어진 트러스 구조물의 위상, 형상 및 크기 동시 최적화의 6가지 예제에 대해 최적의 해를 구할 수 있었다. 따라서 제안된 방법이 트러스의 TSS 동시 최적화 문제에 효율적으로 적용될 수 있음을 확인할 수 있었다.

주제어