[논문]참조점의 불규칙적 배치를 통한 PIC보의 하중 충실도 향상에 관한 연구

함석우; 조재응; 전성식

doi:10.7234/composres.2019.32.5.216

참조점의 불규칙적 배치를 통한 PIC보의 하중 충실도 향상에 관한 연구
Load Fidelity Improvement of Piecewise Integrated Composite Beam by Irregular Arrangement of Reference Points 원문보기

Composites research = 복합재료, v.32 no.5, 2019년, pp.216 - 221

함석우 (Department of Mechanical Engineering, Graduated School, Kongju National University) , 조재응 (Department of Mechanical Engineering, Graduated School, Kongju National University) , 전성식 (Department of Mechanical Engineering, Graduated School, Kongju National University)

초록
AI-Helper

Piecewise Integrated Composite (PIC) 보는 하중 유형에 따라 구간을 나누어, 각 구간마다 하중 유형에 강한 복합재료의 적층 순서를 배열한 보이다. 본 연구에서는 보의 거동을 고려하여 PIC 보의 구간을 머신 러닝을 통해 나누어 기존에 제시되었던 PIC 보에 비해 우수한 굽힘 특성을 갖게 하는 것이 목적이다. FE 모델의 240개 요소가 참조점으로 선택되었다. 선행 유한요소해석은 머신 러닝의 학습데이터 생성을 위하여 규칙적으로 분포된 참조점에서 3축 특성 값(Triaxiality)으로 나타냈다. 3축 특성 값은 인장, 압축 그리고 전단의 하중유형을 나타낸다. 머신 러닝 모델은 하이퍼파라미터(Hyperparameter)와 학습데이터로 구성되었으며, 하이퍼파라미터 튜닝을 통해 적절한 하중 충실도를 도출하였지만, 거동이 큰 보의 옆면에서는 적절하지 않은 하중 충실도가 도출되었다. 이를 해결하기 위하여 고르게 배치한 참조점을 보의 거동에 따라 배치하여 학습 데이터를 얻었고, 머신 러닝 모델이 생성되었다. 앞서 생성된 머신 러닝 모델을 통하여 보가 매핑 되었고, PIC 보에 대하여 유한요소 해석을 진행한 결과, 기존에 제시되었던 PIC 보에 비해 최대하중과 흡수 에너지가 커지는 특성이 나타났다.

Abstract ▼ AI-Helper

Piecewise integrated composite (PIC) beam has different stacking sequences for several regions with respect to their superior load-resisting capabilities. On the interest of current research is to improve bending characteristics of PIC beam, with assigning specific stacking sequence to a specific region with the help of machine learning techniques. 240 elements of from the FE model were chosen to be reference points. Preliminary FE analysis revealed triaxialities at those regularly distributed reference points to obtain learning data creation of machine learning. Triaxiality values catagorise the type of loading i.e. tension, compression or shear. Machine learning model was formulated by learning data as well as hyperparameters and proper load fidelity was suggested by tuned values of hyperparameters, however, comparatively higher nonlinearity intensive region, such as side face of the beam showed poor load fidelity. Therefore, irregular distribution of reference points, i.e., dense reference points were distributed in the severe changes of loading, on the contrary, coarse distribution for rare changes of loading, was prepared for machine learning model. FE model with irregularly distributed reference points showed better load fidelity compared to the results from the model with regular distribution of reference points.

주제어

표/그림 (11)

그림 Fig. 1. An algorithm for FE analysis with machine learning
그림 Fig. 2. Configuration of FE model
그림 Fig. 3. Distribution of reference points in one face
그림 Fig. 4. Triaxiality contours of beam
그림 Fig. 5. Irregular distribution of reference points in side face
그림 Fig. 6. Mapping using R PIC method results
그림 Fig. 7. Mapping using IR PIC method results
표 Table 1. Hyperparameter & machine learning model with loadfidelity at regular reference points
표 Table 2. Hyperparameter & machine learning model with load fidelity at irregular reference points
그림 Fig. 8. Results of 3 point bending analysis: (a) Force vs displace-ment curve, (b) absorbed energy
표 Table 3. Stacking sequence of load dominant

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

PIC 보는 하중 유형에 따라 구간을 나누어 각각의 하중 유형에 강한 적층 순서의 복합재료를 배치하는 것이 목적이다. 구간을 나누기 위해서는 하중 유형 분석이 필요하며 이를 머신 러닝 중 하나인 분류기법이 사용되었다.
본 논문에서는 구간조합 복합재료 보의 3점 굽힘 시 강도 및 에너지 흡수율을 최적화하기 위하여 머신 러닝 기법을 사용하였고, 거동이 큰 부분에서의 머신 러닝 모델의 성능을 높이기 위하여 거동 분석을 통한 학습 데이터 생성 방법을 제안하였다. 우선, 머신 러닝 모델의 학습 데이터 생성을 위하여 알루미늄 보의 3점 굽힘 해석이 수행되었다.
본 연구에서는 3점 굽힘 시, PIC보의 강도를 최적화하고자 하였다. Fig.
PIC 복합재료 보의 강도를 최적화하기 위하여 머신 러닝모델을 사용하여 인장 특성, 압축 특성, 전단 특성이 지배적인 영역으로 나누었다. 본 연구에서는 참조점을 통해 학습 데이터를 얻게 되는데, 보의 거동을 고려하여 참조점을 배치시키는 방법(IR PIC)을 제안하였고, 보의 3점 굽힘 시, 강도가 최적화되었다.

제안 방법

PIC 복합재료 보의 강도를 최적화하기 위하여 머신 러닝모델을 사용하여 인장 특성, 압축 특성, 전단 특성이 지배적인 영역으로 나누었다. 본 연구에서는 참조점을 통해 학습 데이터를 얻게 되는데, 보의 거동을 고려하여 참조점을 배치시키는 방법(IR PIC)을 제안하였고, 보의 3점 굽힘 시, 강도가 최적화되었다.
예측 결과를 토대로 보의 유한 요소 모델에 매핑(Mapping)하여 carbon/epoxy 복합재료 보의 적층 구간을 최적화하였다. 그리고 정찬희 등이 제안한 기법으로 설계한 보, 함석우 등이 제안한 기법으로 설계한 보와 거동을 고려한 머신 러닝 기반의 PIC 기법으로 설계된 보의 강도를 비교 검증하였다.
재배치한 참조점을 바탕으로 만든 학습 데이터로 머신 러닝 모델을 다시 만들었으며, 보의 전체 요소의 하중 유형을 예측하였다. 예측 결과를 토대로 보의 유한 요소 모델에 매핑(Mapping)하여 carbon/epoxy 복합재료 보의 적층 구간을 최적화하였다. 그리고 정찬희 등이 제안한 기법으로 설계한 보, 함석우 등이 제안한 기법으로 설계한 보와 거동을 고려한 머신 러닝 기반의 PIC 기법으로 설계된 보의 강도를 비교 검증하였다.
본 논문에서는 구간조합 복합재료 보의 3점 굽힘 시 강도 및 에너지 흡수율을 최적화하기 위하여 머신 러닝 기법을 사용하였고, 거동이 큰 부분에서의 머신 러닝 모델의 성능을 높이기 위하여 거동 분석을 통한 학습 데이터 생성 방법을 제안하였다. 우선, 머신 러닝 모델의 학습 데이터 생성을 위하여 알루미늄 보의 3점 굽힘 해석이 수행되었다. 학습 데이터는 3축 특성 값(Triaxiality) 분석을 통해 인장, 압축, 전단의 3개의 레이블(Label)로 생성되었고, 보의 전체 요소가 아닌 일정한 간격으로 고르게 배치된 참조점(Reference point)에서 추출되었다.
0%로 가장 높은 하중 충실도를 보였다. 위의 두가지 방법으로 복합재료 보에 매핑하여 비교하였다. 그 결과, IR PIC 방법으로 설계된 보와 R PIC 방법으로 설계된 보의 최대 하중은 각각 22.
유한요소 해석을 통해 3축 특성 값을 분석하여 인장, 압축, 전단 특성이 지배적인 참조점을 분류하여 학습 데이터로 생성되었다. 학습 데이터는 총 240개이며, 테스트 데이터는 총 48개로 구성된다.
거동 분석은 3축 특성을 기준으로 진행하였다. 재배치한 참조점을 바탕으로 만든 학습 데이터로 머신 러닝 모델을 다시 만들었으며, 보의 전체 요소의 하중 유형을 예측하였다. 예측 결과를 토대로 보의 유한 요소 모델에 매핑(Mapping)하여 carbon/epoxy 복합재료 보의 적층 구간을 최적화하였다.
하중 충실도는 머신 러닝 모델의 종류, 하이퍼파라미터의 튜닝에 의해 결정된다. 적절한 하중 충실도를 가진 머신 러닝 모델을 통해 보의 전체 요소의 하중 유형을 예측한다. 적절하지 않은 하중 충실도를 가진 머신 러닝 모델은 하이퍼파라미터의 튜닝을 통해 적절한 값을 도출해야 한다.
먼저, 학습 데이터 도출하기 위한 참조점이 유한요소 모델에 배치되었다. 참조점들을 고르게 배치하고, 학습 데이터를 얻기 위해 유한요소해석이 진행되었다. 도출된 학습 데이터와 하이퍼파라미터의 튜닝으로 머신 러닝 모델이 생성되면, 모델의 성능 지표인 하중 충실도는 테스트 데이터를 모델에 입력하여 하중 유형을 예측하여 확인하게 된다.
그 결과 Table 1과 같이 나타났다. 하이퍼파라미터로 각각 모델을 튜닝하여 가장 높은 하중 충실도를 도출하였다. 윗면(Top)은 트리 분류 모델이 85.
이는 거동을 고려하지 않아 낮게 도출된 것이라 사료된다. 하중 충실도를 높이기 위하여 3축 특성 분석을 통하여 참조점을 배치하였고, 이를 통해 학습 데이터가 도출된다. 이 방법을 사용하였을 경우 배깅 트리 분류일 때, 74.

대상 데이터

본 연구에서는 3점 굽힘 시, PIC보의 강도를 최적화하고자 하였다. Fig. 2과 같이 유한요소 모델링을 하였으며 보의 재질은 알루미늄 합금이다. Fig.
추출된 학습 데이터와 하이퍼파라미터(Hyperparameter)의 튜닝(Tuning)을 통해 머신 러닝 모델이 생성된다. 머신 러닝 모델의 성능 지표인 하중 충실도(Load fidelity)를 도출하기 위하여 학습 데이터로 사용하게 된다. 하중 충실도는 머신 러닝 모델의 종류, 하이퍼파라미터의 튜닝에 의해 결정된다.
7은 보의 거동을 고려한 모델이다. 보의 재료는 carbon/epoxy 복합재료인 ASI/3501-6이 사용되었다. 각각 하중 유형에 강한 적층 순서는 Table 3에 나타나있다.
우선, 머신 러닝 모델의 학습 데이터 생성을 위하여 알루미늄 보의 3점 굽힘 해석이 수행되었다. 학습 데이터는 3축 특성 값(Triaxiality) 분석을 통해 인장, 압축, 전단의 3개의 레이블(Label)로 생성되었고, 보의 전체 요소가 아닌 일정한 간격으로 고르게 배치된 참조점(Reference point)에서 추출되었다. 추출된 학습 데이터와 하이퍼파라미터(Hyperparameter)의 튜닝(Tuning)을 통해 머신 러닝 모델이 생성된다.
유한요소 해석을 통해 3축 특성 값을 분석하여 인장, 압축, 전단 특성이 지배적인 참조점을 분류하여 학습 데이터로 생성되었다. 학습 데이터는 총 240개이며, 테스트 데이터는 총 48개로 구성된다.

데이터처리

각각 하중 유형에 강한 적층 순서는 Table 3에 나타나있다. 머신 러닝 모델을 사용하여 강도 최적화를 한 PIC 보들을 검증하기 위하여 Jeong이 제안한 PIC 방법(ex PIC), 참조점을 고르게 배치한 PIC 방법(R PIC) 그리고 보의 거동을 고려하여 참조점을 배치한 PIC 방법(IR PIC)으로 설계된 보와 비교 분석되었다.

이론/모형

PIC 보는 하중 유형에 따라 구간을 나누어 각각의 하중 유형에 강한 적층 순서의 복합재료를 배치하는 것이 목적이다. 구간을 나누기 위해서는 하중 유형 분석이 필요하며 이를 머신 러닝 중 하나인 분류기법이 사용되었다. 학습 데이터를 얻기 위한 참조점을 유한요소 모델에 배치시킨다.
본 연구에서는 머신 러닝 모델은 트리(Tree) 모델, 서포트벡터 머신(Support vector machine, SVM.) 모델, k-NN(k-Nearest Neighbor) 분류 모델과 여러 모델을 이용하여 데이터를 학습하고 모든 모델의 예측결과를 평균하여 예측하는 앙상블(Ensemble) 모델이 사용되었다.
유한요소 해석을 진행하였고, 그 결과를 통해 생성된 학습 데이터를 기반으로 머신 러닝 모델이 생성되었다. 그 결과 Table 1과 같이 나타났다.

성능/효과

유한요소 해석 모델은 앞서 진행한 알루미늄 보와 동일한 형상의 모델이고, 해석 조건 또한 동일하다. 3절에서 가장 높은 하중 충실도를 보인 머신 러닝 모델을 통하여 전체 요소를 인장, 압축, 전단이 지배적인 구간이 예측되었고, 유한요소 모델에 매핑되었다. Fig.
각 PIC 방법으로 설계된 보들의 해석 결과, Fig. 8과 같이 최대하중은 IR PIC, R PIC, Ex PIC순으로 높게 나타났으며, 에너지 흡수율 또한 같은 순으로 높게 나타났다.
위의 두가지 방법으로 복합재료 보에 매핑하여 비교하였다. 그 결과, IR PIC 방법으로 설계된 보와 R PIC 방법으로 설계된 보의 최대 하중은 각각 22.8 kN, 20.6 kN으로 IR PIC 방법으로설계된 보가 약 9.3% 높게 나타났으며, 기존에 제안된 PIC 방법보다 더 우수한 굽힘 특성이 나타나는 것으로 확인되었다.
그 결과는 Table 2와 같이 나타났으며 하이퍼파라미터로 각각의 모델을 튜닝하여 가장 높은 하중 충실도가 도출되었다. 그 결과, 배깅 트리(Bagging Tree)가 74%로 가장 높은 하중 충실도를 보였으며 고르게 분포된 참조점 모델과 비교하였을 때, 4% 더 높게 나타났다.
새롭게 제안된 IR PIC 방법으로 설계된 보는 기존에 제안된 PIC와 참조점이 고르게 배치된 PIC 방법으로 설계된 보 대비 최대 하중은 각각 11.3%, 9.3% 높게 나타났고, 에너지 흡수율은 각각 8.0%, 3.3% 높게 나타났다.
하중 충실도를 높이기 위하여 3축 특성 분석을 통하여 참조점을 배치하였고, 이를 통해 학습 데이터가 도출된다. 이 방법을 사용하였을 경우 배깅 트리 분류일 때, 74.0%로 가장 높은 하중 충실도를 보였다. 위의 두가지 방법으로 복합재료 보에 매핑하여 비교하였다.
참조점을 고르게 배치시킨 방법(R PIC)을 이용하였을 때, 윗면이 트리 분류, 옆면이 k-NN, 아랫면은 SVM 분류일 때 하중 충실도는 각각 85.0%, 70.0%, 95.0%로 가장 높게 도출되었다. 그 중 옆면의 하중 충실도가 윗면과 아랫면에 비해 낮게 도출되었다.

후속연구

향후에는 본 연구 결과를 바탕으로 다양한 하중을 받는 복잡한 형상에 대한 적용과 검증이 필요할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지도 학습하는 방법은?	보의 구간을 인장, 압축, 전단으로 분류하여 나 누기 위해서는 머신 러닝 중 지도 학습의 분류 모델을 사용 하여야 한다고 여겨지고 있다. 지도 학습(Supervised learning) 은 머신 러닝 모델을 학습 데이터로 학습시키고 테스트 데 이터(Test data)로 모델의 성능의 확인한다. 적절한 성능을 가진 모델에 예측할 지점의 좌표를 넣게 되면 모델이 각각 의 레이블로 분류하게 된다.
	하중 충실도가 가장 좋게 나온 머신 러닝 모델의 특징은?	하이퍼파라미터로 각각 모델 을 튜닝하여 가장 높은 하중 충실도를 도출하였다. 윗면(Top) 은 트리 분류 모델이 85.0%로 가장 높게 나왔고, 옆면(Side), 아랫면(Btm)은 각각 k-NN 분류 모델이 70.0%, SVM 분류 모 델이 95.0%로 가장 높게 나왔다. 옆면은 윗면과 아랫면에 비해 낮은 하중 충실도가 도출되었는데, 이는 보의 거동을 고려하지 않고 참조점을 배치하였기 때문이라 사료된다.
	Piecewise Integrated Composite (PIC) 보란?	Piecewise Integrated Composite (PIC) 보는 하중 유형에 따라 구간을 나누어, 각 구간마다 하중 유형에 강한 복합재료의 적층 순서를 배열한 보이다. 본 연구에서는 보의 거동을 고려하여 PIC 보의 구간을 머신 러닝을 통해 나누어 기존에 제시되었던 PIC 보에 비해 우수한 굽힘 특성을 갖게 하는 것이 목적이다.

참고문헌 (12)

Jeoung, S.K., and Ha, J.U., "Lightweighting Technology Development and Trends in Automotive," Auto Journal, Vol. 40, No. 8, 2018, pp. 30-34.
Jeoung, S.K., and Lee, P.C., "Trends of Lightweight Automotive using Polymer Based Materials," Auto Journal, Vol. 36, No. 3, 2014, pp. 27-32.

상세보기
Lee, H.W., Ha, J.W., Ko, K.Y., and Lee, P.C., "Trends of Polymer based Lightweight Materials Technology in Automotive," Polymer Science and Technology, Vol. 29, No. 9, 2018, pp. 505-509.
Kim, D.Y., Cheon, S.S., Kim, B.K., and Jong, C.H., "Absorption Energy Analysis due to the Cross-Section Changes in the Lightweight Seat Frame," Proceedings of KSPE 2015 Autumn Conference, Jeongseon, Korea, 2015, pp. 98-99.
Na, H.J., Chun, J.S., and Cho, K.S., "Development of CFRP Tubes for the Light-Weight Propeller Shaft of 4WD SUV Vehicles," Journal of the Korean Society of Manufacturing Process Engineers, Vol. 17, No. 4, 2018, pp. 32-38.

원문보기 상세보기
Chun, D.M. and Ahn, S.H., "Change of Mechanical Properties of Injection-Molded Glass-Fiber-Reinforced Plastic (GFRP) According to Temperature and Water Absorption for Vehicle Weight Reduction," Transactions of the Korean Society of Mechanical Engineers - A, Vol. 37, No. 2, 2013, pp. 199-204.

원문보기 상세보기
Belingardi, G., Beyene, A.T., and Koricho, E.G. "Geometrical Optimization of Bumper Beam Profile Made of Pultruded Composite by Numerical Simulation," Composite Structures, Vol. 102, 2013, pp. 217-225.

상세보기
Kim, D.H., Kim, H.G., and Kim, H.S., "Design Optimization and Manufacture of Hybrid Glass/carbon Fiber Reinforced Composite Bumper Beam for Automobile Vehicle," Composite Structures, Vol. 131, 2015, pp. 742-752.

상세보기
Jeong, C.H., Ham, S.W., Kim, G.S. and Cheon, S.S. "Development of the Piecewisely-integrated Composite Bumper Beam Based on the IIHS Crash Analysis," Composite Research, Vol. 31, No. 1, 2018, pp. 37-41.
Ham, S.W., Cheon, S.S., and Jeong, K.Y., "Strength Optimization of Piecewise Integrated Composite Beam through Machine Learning," Transactions of the Korean Society of Mechanical Engineers - A, Vol. 43, No. 8, 2019, pp. 521-528.

상세보기
Lantz, B., Machine Learning with R, 2nd ed., Packt Publishing, UK, 2015.
Bai, Y., and Wierzbicki, T., "A New Model of Metal Plasticity and Fracture with Pressure and Lode Dependence," International Journal of Plasticity, Vol. 24, 2008, pp. 1071-1096.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증