[논문]하중유형 분석을 통한 좌굴에 강한 복합재료 사각관 설계에 관한 연구

함석우; 지승민; 전성식

doi:10.7234/composres.2023.36.1.053

초록
AI-Helper

PIC 설계 방법은 선행 유한요소해석을 통해 하중 유형을 나누어, 각 구간마다 하중 유형에 강한 복합재료의 적층 각도 순서를 배치하는 방법이다. 기존 연구에서는 효율적으로 구간을 나누기 위하여 PIC 설계 방법에 머신 러닝이 적용되었으며, 학습 데이터는 선행 유한요소해석 결과 값을 통해 전체 요소의 일부인 참조 요소에서의 인장, 압축 그리고 전단과 같은 하중 유형으로 나누어 라벨링 되었다. 하지만 좌굴에 대해 고려되지 않아서 좌굴 발생 시, 적절한 하중 유형으로 나눌 수 없기 때문에 이를 해결하기 위한 방법이 필요하다. 본 연구에서는 좌굴이 고려되기 위한 새로운 하중 유형 분석 방법을 기존의 PIC 설계에 적용하는 기법(PIC-NTL)이 제안되었다. 좌굴의 하중 분석은 각 플라이(Ply)별 응력 3축 특성을 통해 진행되었으며, 요소의 두께 방향으로 동일한 크기의 두 영역으로 나누어진 판단 영역 내에서 결정된 하중 유형을 통해 대표 하중 유형이 지정되었다. 학습 데이터의 특성 값은 참조 요소의 좌표, 라벨(Label)은 각 판단 영역의 대표 하중 유형으로 구성되었으며, 이 데이터를 통해 머신 러닝 모델이 학습되었다. 머신 러닝 모델의 성능에 영향을 미치는 하이퍼파라미터는 베이지안 알고리즘을 통하여 최적 값으로 튜닝되었다. 튜닝 된 머신 러닝 모델의 중 SVM 모델이 가장 높은 예측률과 ROC-AUC로 나타났으며, 해당 모델을 통해 예측된 데이터가 유한요소 모델에 매핑되었다. 기존에 제안된 PIC 설계 방법과 비교하기 위하여 사각관 형태의 모델을 압축시키는 유한요소해석이 진행되었으며, 본 연구에서 제안된 설계 방법이 강도와 에너지 흡수율에서 더 우수함이 검증되었다.

Abstract ▼ AI-Helper

The PIC design method is assigning different stacking sequences for each shell element through the preliminary FE analysis. In previous study, machine learning was applied to the PIC design method in order to assign the region efficiently, and the training data is labeled by dividing each region int...

The PIC design method is assigning different stacking sequences for each shell element through the preliminary FE analysis. In previous study, machine learning was applied to the PIC design method in order to assign the region efficiently, and the training data is labeled by dividing each region into tension, compression, and shear through the preliminary FE analysis results value. However, since buckling is not considered, when buckling occurs, it can't be divided into appropriate loading type. In the present study, it was proposed PIC-NTL (PIC design using novel technique for analyzing load type) which is method for applying a novel technique for analyzing load type considering buckling to the conventional PIC design. The stress triaxiality for each ply were analyzed for buckling analysis, and the representative loading type was designated through the determined loading type within decision area divided into two regions of the same size in the thickness direction of the elements. The input value of the training data and label consisted in coordination of element and representative loading type of each decision area, respectively. A machine learning model was trained through the training data, and the hyperparameters that affect the performance of the machine learning model were tuned to optimal values through Bayesian algorithm. Among the tuned machine learning models, the SVM model showed the highest performance. Most effective stacking sequence were mapped into PIC tube based on trained SVM model. FE analysis results show the design method proposed in this study has superior external loading resistance and energy absorption compared to previous study.

주제어

표/그림 (12)

그림 Fig. 1. Flowchart of PIC Design with Machine Learning
그림 Fig. 2. Preliminary FE Analysis Boundary Condition
그림 Fig. 3. Behavior of Square Tube under Buckling Load
그림 Fig. 4. Loading Type Decision Methods
표 Table 1. Classified Loading Types
그림 Fig. 5. PIC FE Model: (a) Conventional PIC, (b) Proposed PIC
그림 Fig. 6. Force-Displacement Curves
그림 Fig. 7. Effective Stress Contours: (a) Conventional PIC, (b) PIC-NTL
표 Table 2. Performances of Machine Learning Models
표 Table 3. ROC-AUC Value of Machine Learning Models
표 Table 4. Stacking Sequence of Loading Type
그림 Fig. 8. Cross-section of PIC tube

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 기존에 제안된 머신 러닝을 적용한 PIC 설계 기법에서 고려되지 않은 좌굴 분석을 위해 새로운 하중 유형 분석 방법이 제안되었다. 제안된 하중 유형 분석 방법은 참조 요소의 두께 방향으로 동일한 크기의 두 영역으로 나누어진 판단 영역에서 하중 유형을 분석하고, 각 판단 영역에서 가장 많은 하중 유형이 대표 하중 유형으로 지정하는 것이다.
본 연구에서는 기존의 PIC 설계 기법에 좌굴 하중이 고려된 하중 유형 분석 방법을 적용한 설계 방법인 PIC-NTL(PIC Design Using Novel Technique for Analyzing Load Type)이 제안되었다. 하중 유형 분석 방법은 PIC 설계 기법에 머신 러닝이 적용되기 위한 학습 데이터 전처리 과정으로 제안된 하중 유형 분석 방법은 적층된 플라이(Ply)들을 동일한 두께의 두 영역으로 나누어 하중 유형이 판단되었다.

제안 방법

본 연구에서는 기존에 제안된 머신 러닝을 적용한 PIC 설계 기법에서 고려되지 않은 좌굴 분석을 위해 새로운 하중 유형 분석 방법이 제안되었다. 제안된 하중 유형 분석 방법은 참조 요소의 두께 방향으로 동일한 크기의 두 영역으로 나누어진 판단 영역에서 하중 유형을 분석하고, 각 판단 영역에서 가장 많은 하중 유형이 대표 하중 유형으로 지정하는 것이다. 학습 데이터의 라벨은 지정된 대표 하중으로 구성되었으며 판단 영역 1의 대표 하중 유형-판단 영역 2의 대표 하중 유형으로 표기되었다.

대상 데이터

해당 영역들은 하중 유형 판단 영역이라 정의되었으며, 각 영역에서의 ply 마다 응력 3축 특성을 통해 하중 유형 분석이 진행되었으며, 해당 영역에서 가장 많이 나타난 하중 유형이 대표 하중 유형으로 결정되었다. 결정된 대표 하중 유형과 참조 요소에서의 좌표 값을 통해 학습 데이터가 구성되었으며 학습 데이터를 통해 머신 러닝 모델이 학습되었다. 머신 러닝 모델의 성능에 영향을 미치는 하이퍼 파라미터는 베이지안 알고리즘(Bayesian Algorithm)을 통해 최적의 값으로 튜닝 되었으며, 최적의 성능을 가지는 모델을 통해 모든 요소의 하중 유형이 예측되었다.

데이터처리

머신 러닝 모델의 성능에 영향을 미치는 하이퍼 파라미터는 베이지안 알고리즘(Bayesian Algorithm)을 통해 최적의 값으로 튜닝 되었으며, 최적의 성능을 가지는 모델을 통해 모든 요소의 하중 유형이 예측되었다. 예측된 데이터를 통해 유한요소 모델로 매핑(Mapping) 되었으며, 본 연구에서 제안된 설계 기법의 검증을 위하여 기존에 제안된 PIC 기법과 유한요소 해석을 통해 비교 검증되었다.

이론/모형

결정된 대표 하중 유형과 참조 요소에서의 좌표 값을 통해 학습 데이터가 구성되었으며 학습 데이터를 통해 머신 러닝 모델이 학습되었다. 머신 러닝 모델의 성능에 영향을 미치는 하이퍼 파라미터는 베이지안 알고리즘(Bayesian Algorithm)을 통해 최적의 값으로 튜닝 되었으며, 최적의 성능을 가지는 모델을 통해 모든 요소의 하중 유형이 예측되었다. 예측된 데이터를 통해 유한요소 모델로 매핑(Mapping) 되었으며, 본 연구에서 제안된 설계 기법의 검증을 위하여 기존에 제안된 PIC 기법과 유한요소 해석을 통해 비교 검증되었다.

성능/효과

기존에 제안된 PIC 설계 기법과 비교하기 위하여 선행 유한요소해석과 동일한 경계조건으로 유한요소해석이 진행되었으며, 본 연구에서 제안된 PIC-NTL 기법으로 설계된 tube의 지지하중은 기존에 제안된 PIC 기법보다 약 2.7% 향상되었으며, 에너지 흡수율은 4.0% 향상된 것으로 나타났다. 이를 통해 본 연구에서 제안된 PIC-NTL 기법이 기존에 제안된 PIC 기법보다 더 우수함이 검증되었다.
머신 러닝 모델 중 SVM 모델이 가장 높은 예측률로 나타났으며, ROC-AUC의 각 라벨의 평균값도 가장 높게 나타났다. 각 모델의 ROC-AUC 중, S-C와 C-S에서 상대적으로 낮은 값으로 나타났는데, 이는 참조 요소의 수가 상대적으로 적었기 때문이라 사료된다.
우수한 성능으로 나타난 학습된 SVM 모델을 통해 선행 유한요소 모델의 요소 좌표에 대하여 하중 유형이 예측되었으며, 예측된 데이터는 유한요소 모델에 매핑(mapping)되었다.
0% 향상된 것으로 나타났다. 이를 통해 본 연구에서 제안된 PIC-NTL 기법이 기존에 제안된 PIC 기법보다 더 우수함이 검증되었다.
학습 데이터의 라벨은 지정된 대표 하중으로 구성되었으며 판단 영역 1의 대표 하중 유형-판단 영역 2의 대표 하중 유형으로 표기되었다. 하중 유형 분석 결과, 압축 유형이 지배적인 것으로 나타났으며, 전단 유형은 상대적으로 다른 하중 유형보다 적게 나타났다. 학습 데이터를 통해 머신 러닝 모델이 학습되었으며, 머신 러닝 모델의 성능에 영향을 미치는 하이퍼파라미터는 베이지안 알고리즘을 통하여 최적값으로 튜닝되었다.

후속연구

또한, 적층 각도 순서 배치가 유한요소 모델의 거동에 미치는 영향이 미미하므로 유한요소 모델의 기하학적 변수를 고려하여 계산 횟수(Iteration)를 줄일 수 있는 알고리즘 역시 필요할 것이라 사료된다.
참조 요소 수가 적은 하중 유형에 대하여 머신 러닝 모델이 더 잘 예측할 수 있도록 참조 요소 수에 대한 가중치 알고리즘에 대한 연구가 필요할 것이라 사료된다.

참고문헌 (16)

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.？
Cheon, S.S., Choi, J.H., and Lee, D.G., "Development of the Composite Bumper Beam for Passenger Cars," Composite Structures, Vol. 32, No. 1-4, 1995, pp. 491-499.？

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," Composites 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 KSME, A, Vol. 43, No. 8, 2019, pp. 521-528.？
Li, D., Gu, M., Liu, S., Sun, X., Gong, L., and Qian, K., "Continual Learning Classification Method with the Weighted knearest Neighbor Rule for Time-varying Data Space Based on the Artificial Immune System," Knowledge-Based Systems, Vol. 240, No. 15, 2022, 108145.？
Ham, S.W., and Cheon, S.S., "Load Fidelity Improvement of Piecewise Integrated Composite Beam by Construction Training Data of k-NN Classification Model," Composites Research, Vol. 33, No. 3, 2020, pp. 108-114.？
Shahhosseini, M., Hu, G., and Pham, H., "Optimizing Ensemble Weights and Hyperparameters of Machine Learning Models for Regression Problems," Machine Learning with Applications, Vol. 7, No. 15, 2022, 100251.？
Liu, X., Liu, T.Q., and Feng, P., "Long-term Performance Prediction Framework Based on XGBoost Decision Tree for Pultruded FRP Composites Exposed to Water, Humidity and Alkaline Solution," Composite Structures, Vol. 284, No. 15, 2022, 115184.？
Fayed, H.A., and Atiya, A.F., "Decision Boundary Clustering for Efficient Local SVM," Applied Soft Computing, Vol. 110, 2021, 107628.？

상세보기
Lee, S.H., Mazumder, J., Park, J.W., and Kim, S.G., "Ranked Feature-Based Laser Material Processing Monitoring and Defect Diagnosis Using k-NN and SVM," Journal of Manufacturing Processes, Vol. 55, 2020, pp. 307-316.？

상세보기
Fakhrmoosavi, F., Kamjoo, E., Kavianipour, M., Zockaie, A., Talebpour, and Mittal, A., "A Stochastic Framework Using Bayesian Optimization Algorithm to Assess the Network-level Societal Impacts of Connected and Autonomous Vehicles," Technologies, Vol. 139, 2022, 103663.？
Mandrekar, J.N., "Receiver Operating Characteristic Curve in Diagnostic Test Assessment," Journal of Thoracic Oncology, Vol. 5, No. 9, 2010, pp. 1315-1316.？

상세보기
Tsai, S.W., and Melo, J.D.D., "A Unit Circle Failure Criterion for Carbon Fiber Reinforced Polymer Composites," Composites Science and Technology, Vol. 123, No. 3, 2016, pp. 71-78.

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

하중유형 분석을 통한 좌굴에 강한 복합재료 사각관 설계에 관한 연구
Enhancement of Buckling Characteristics for Composite Square Tube by Load Type Analysis 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

하중유형 분석을 통한 좌굴에 강한 복합재료 사각관 설계에 관한 연구 Enhancement of Buckling Characteristics for Composite Square Tube by Load Type Analysis 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (16)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

하중유형 분석을 통한 좌굴에 강한 복합재료 사각관 설계에 관한 연구
Enhancement of Buckling Characteristics for Composite Square Tube by Load Type Analysis 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper