[논문]인공신경망의 기초와 소성가공해석에의 응용 II

김영석; 김진재

[국내논문] 인공신경망의 기초와 소성가공해석에의 응용 II
Artificial Neural Network and Its Applications to Plastic Forming Process Analyses II 원문보기

소성가공 = Transactions of materials processing : Journal of the Korean society for technology of plastics, v.30 no.6, 2021년, pp.311 - 322

김영석 (경북대학교 기계공학부) , 김진재 (경북대학교 기계공학과)

초록이 없습니다.

표/그림 (13)

그림 Fig. 1 Simple artificial neural network
표 Table 1 Training data set including input and output for artificial neural network
표 Table 2 Schematic of XOR gate with inputs and target
그림 Fig. 2 Shape of sigmoid, tanh, ReLu, and leaky ReLu function: (1) epoch 0; (2) epoch 1000; (3) epoch 10000
그림 Fig. 3 Schematic of single-point incremental sheet forming
그림 Fig. 4 Specimen formed by incremental sheet forming process with hole lancing
그림 Fig. 5 Result cases after training the data set: under fitting; just right; over fitting
표 Table 3 Design of experiments for incremental sheet forming
그림 Fig. 6 Four-fold cross validation with the performance
그림 Fig. 7 Springback prediction in incremental sheet forming
그림 Fig. 8 Cutting force prediction in orthogonal machining
그림 Fig. 9 Schematic of deep neural network with 2 hidden layers [21]
표 Table 4 The results predicted by Python and Matlab

AI 본문요약
AI-Helper

제안 방법

본 해설에서는 인공신경망 알고리즘에 대한 설명과 XOR 논리회로에 대한 Python 프로그램과 실제 소성가공문제에의 적용 프로그램 설명을 통해 인공신경망 프로그램의 작동에 대한 이해를 높이고 소성가공분야에의 적용력을 높이도록 하였다. 본 해설을 통해 독자들은 인공신경망에 대한 최소한의 지식을 갖추어 소성가공분야의 산업 현장과 연구에 도움이 되길 바란다.

대상 데이터

본 해설에서는 구글 크라우드 상에서 운영하는 프리웨어 소프트웨어 https://colab.research.google.com/ 를 이용하였다. Colab은 colaboratory의 약어로 구글에서 제공하는 대화형 환경인 Jupyter 메모장에서파이썬 코드를 작성하고 실행할 수 있도록 되어있다.
본 예제에서는 입력 데이터 셋트가 적어서 적정한 수렴이 얻어지지 않았기 때문에 일부 반복실험을 수행하여 모두 26 개의 입력 데이터 셋트를 사용하였다. ANN 계산에서 무작위로 선정한 학습 데이터 셋트와 검증 데이터 셋트의 선택에 따라서 훈련 정확도가 서로 상이하므로 반복 계산을 통해서 검증데이터 셋트에 약 95% 정도의 정확도를 갖는 경우만을 선택하여 적정 ANN 모델로 하는 것이 바람직하다.

데이터처리

이들 학습 데이터 셋트와 검증 데이터 셋트를어떻게 선택하느냐에 따라서 ANN에서 예측한 결과가 크게 달라진다. 따라서 실제 응용에서는 k-겹 교차 검증과 같이 학습 데이터 셋트와 검증 데이터 셋트의 묶음 조합들에 대해서 가장 정밀도가 높은 ANN모델의 파라미터들을 결정한 후에 테스트 데이터 셋트로 결과를 최종 평가한다. Fig.

성능/효과

반복 계산의 진행에 따라 500 에포크에서 손실이 모두 급격하게 0 근방으로 감소하고 있어 훈련이 잘 이루어 졌음을 알 수 있다. 파이썬 계산에서 예측한 스프링백 값은 최종 RMSE 값과 R 값으로부터 실험결과를 약 95% 정도의 신뢰도로 잘 예측하고 있음을 알 수 있다.

후속연구

본 해설에서는 인공신경망 알고리즘에 대한 설명과 XOR 논리회로에 대한 Python 프로그램과 실제 소성가공문제에의 적용 프로그램 설명을 통해 인공신경망 프로그램의 작동에 대한 이해를 높이고 소성가공분야에의 적용력을 높이도록 하였다. 본 해설을 통해 독자들은 인공신경망에 대한 최소한의 지식을 갖추어 소성가공분야의 산업 현장과 연구에 도움이 되길 바란다. 본 해설에 사용한 python 프로그램(본문에 의거한 부록 1, 2, 3)을 한국소성가공학회 홈페이지의 일반자료실에 올려놓았다.
본 해설에 사용한 python 프로그램(본문에 의거한 부록 1, 2, 3)을 한국소성가공학회 홈페이지의 일반자료실에 올려놓았다. 인공신경망을 소성가공 연구에 활용하고자 하는 독자들은 프로그램을 각자의 문제에 맞게 수정하여 사용하길 추천한다.

참고문헌 (28)

D. H. Kim, D. J. Kim, B. M. Kim, J. C. Choi, 1997, Process Design of Multi-Step Drawing using Artificial Neural Network, Conf. on Trans. Mater. Process, pp. 144-147
A. J. Hong, K. D. Cheol, L. C. Joo, B. M. Kim, 2008, Springback Compensation of Sheet Metal Bending Process Based on DOE & ANN, Trans. Kor. Soc. Mech. Eng., Vol. 32, No. 11, pp. 990~996.

원문보기 상세보기
S. K. Lee, S. M. Kim, S. B. Lee, B. M. Kim, 2010, Optimization of Process Variables of Shape Drawing for Steering Spline Shaft, Trans. Mater. Process, Vol. 19, No. 2, pp. 132-137.

원문보기 상세보기
D. T. Nguyen, Y. S. Kim, D. W. Jung, Formability Predictions of Deep Drawing Process for Aluminum Alloy A1100-O Sheets by Using Combination FEM with ANN, 2012, Advanced Mat. Research, Vol. 472, pp. 781~786.

상세보기
J. I. Choi, J. M. Lee, S. H. Baek, B. M. Kim, D. H. Kim, 2015, The Shoe Mold Design for Korea Standard Using Artificial Neural Network, Trans. Mater. Process, Vol. 24, No. 3, pp. 167-175.

원문보기 상세보기
V. C. Do, Y. S. Kim, Effect of Hole Lancing on the Forming Characteristic of Single Point Incremental Forming, 2017, Proc. Eng., Vol. 184, pp. 35~42.

상세보기
M. A. Woo, S. M. Lee, K. H. Lee, W. J. Song, J. Kim, 2018, Application of an Artificial Neural Network Model to Obtain Constitutive Equation Parameters of Materials in High Speed Forming Process, Trans. Mater. Process, Vol. 27, No. 6, pp. 331-338.

원문보기 상세보기
S. C. Ma, E. P. Kwon, S. D. Moon, Y. Choi, 2020, Prediction of Springback after V-Bending of High-Strength Steel Sheets Using Artificial Neural Networks, Trans. Mater. Process, Vol. 29, No. 6, pp. 338~346.

원문보기 상세보기
D. C. Yang, J. H. Lee, K. H. Yoon, J. S. Kim, 2020, A Study on the Prediction of Optimized Injection Molding Condition using Artificial Neural Network (ANN), Trans. Mater. Process, Vol. 29, No. 4, pp. 218-228.

원문보기 상세보기
E. S. Noh, S. R. Yi, M. S. Kim, S. M. Hong, 2020, Identification of Bolt Coating Defects Using CNN and Grad-CAM, Trans. Kor. Soc. Mech. Eng. A, Vol. 44, No. 11, pp. 835-842.

상세보기
Y. S. Kim, J. J. Kim, 2021, Basics of artificial neural network and its applications to plastic forming process analyses I, Trans. Mater. Processing, Vol. 30, No. 4, pp.
https://www.python.org/
https://keras.io/
https://keras.io/ko/optimizers/
M. J. Kwak, J. W. Park, K. T. Park, B. S. Kang, 2020, A Development of Optimal Design Model for Initial Blank Shape Using Artificial Neural Network in Rectangular Case Forming with Large Aspect Ratio, Trans. Mater. Process, Vol. 29, No. 5, pp. 272-281.

원문보기 상세보기
M. J. Kwak, J. W. Park, K. T. Park, B. S. Kang., 2020, A Development of Longitudinal and Transverse Springback Prediction Model Using Artificial Neural Network in Multipoint Dieless Forming of Advanced High Strength Steel, Trans. Mater. Process, Vol. 29, No. 2, pp. 76-88.

원문보기 상세보기
S. H. Oh, X. Xiao, Y. S. Kim, 2021, Modeling of AA5052 Sheet Incremental Sheet Forming Process Using RSM-BPNN and Multi-optimization Using Genetic Algorithms, Trans. Mater. Process, Vol. 30, No. 3, pp. 125-133.

원문보기 상세보기
D. V. Cuong, D. C. Ahn, Y. S. Kim, Formability and effect of hole bridge in the single point incremental forming, 2017, Int. J. Pre. Eng. Mat., vol. 18, pp. 453-460

상세보기
https://scikit-learn.org/stable/modules/cross_validation.html
https://pythonq.com/so/matlab/1814337
M. M. Waldrop, 2019, News Feature: What are the limits of deep learning?, PNAS, Vol. 116, No. 4, pp. 1074-1077.

상세보기
N. S. Keskar, D. Mudigere, J. Nocedal, M. Smelyanskiy, P. T. P. Tang, 2017, On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima, arXiv preprint arXiv:1609.04836.
https://ai-benchmark.com/ranking_deeplearning.html
S. Loffe, C. Szegedy, 2015, Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, PMLR, pp. 448-456.
S. Santurkar, D. Tsipras, A. Ilyas, A. Madry, 2018, How does batch normalization help optimization?, In Proceedings of the 32nd international conference on neural information processing systems, pp. 2488-2498.
S. Ruder, 2016, An overview of gradient descent optimization algorithms, arXiv preprint arXiv:1609.04747.
Y. J. Lee, 2008, Optimization of weights for good generalization performance of neural networks, Thesis in KAIST.
Q. V. Le, J. Ngiam, A. Coates, A. Lahiri, B. Prochnow, A. Y. Ng, 2011, On optimization methods for deep learning, Proceedings of the 28 th International Conference on Machine Learning, Bellevue, WA, USA.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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