초록 ▼

본 발명은 타이어 성능을 보다 신뢰성있고 효과적으로 평가하기 위한 타이어 성능평가 방법이 개시된다.본 발명에 따르면, (a) 시험 데이터를 스케링한 후 사례기반추론의 인접 이웃(Nearest Neighbor) 알고리즘을 이용하여 개발하고자 하는 타이어와 유사한 데이터를 추출하는 단계,(b) 상기 추출된 데이터에 대해 개발하고자 하는 타이어 데이터와의 차이값을 계산하는 단계,(c) 상기 차이값을 참조하여 인공신경망에서 다수의 학습을 수행한 후, 은닉층의 층 수를 획득하는 단계,(d) 상기 은닉층의 층 수에 상기 타이어 데이터를 반영하

본 발명은 타이어 성능을 보다 신뢰성있고 효과적으로 평가하기 위한 타이어 성능평가 방법이 개시된다.본 발명에 따르면, (a) 시험 데이터를 스케링한 후 사례기반추론의 인접 이웃(Nearest Neighbor) 알고리즘을 이용하여 개발하고자 하는 타이어와 유사한 데이터를 추출하는 단계,(b) 상기 추출된 데이터에 대해 개발하고자 하는 타이어 데이터와의 차이값을 계산하는 단계,(c) 상기 차이값을 참조하여 인공신경망에서 다수의 학습을 수행한 후, 은닉층의 층 수를 획득하는 단계,(d) 상기 은닉층의 층 수에 상기 타이어 데이터를 반영하여 성능 예측값을 획득하는 단계, 및(e) 설계 해석 자동화 시스템에서 타이어를 모델링하고, 메쉬를 작성한 후 경계 조건 및 해석 조건하에 해석을 수행하여 획득한 해석 결과값을 스케링한 후, 이를 상기 성능 예측값과 비교하여 기설정된 신뢰구간 범위 내에 존재하는지를 판단하는 단계를 포함하는 타이어 성능 평가 방법이 제공된다.

대표청구항 ▼

(a) 시험 데이터를 스케링한 후 사례기반추론의 인접 이웃(Nearest Neighbor) 알고리즘을 이용하여 개발하고자 하는 타이어와 유사한 데이터를 추출하는 유사 데이터 추출단계(S110)와,(b) 상기 추출된 데이터에 대해 개발하고자 하는 타이어 데이터와의 차이값을 계산하는 차이값 계산단계(S120),(c) 상기 차이값을 참조하여 인공신경망에서 다수의 학습을 수행한 후, 은닉층의 층 수를 획득하는 은닉층의 층수 획득단계(S130),(d) 상기 은닉층의 층 수에 상기 타이어 데이터를 반영하여 성능 예측값을 획득하는 성능 예측값

(a) 시험 데이터를 스케링한 후 사례기반추론의 인접 이웃(Nearest Neighbor) 알고리즘을 이용하여 개발하고자 하는 타이어와 유사한 데이터를 추출하는 유사 데이터 추출단계(S110)와,(b) 상기 추출된 데이터에 대해 개발하고자 하는 타이어 데이터와의 차이값을 계산하는 차이값 계산단계(S120),(c) 상기 차이값을 참조하여 인공신경망에서 다수의 학습을 수행한 후, 은닉층의 층 수를 획득하는 은닉층의 층수 획득단계(S130),(d) 상기 은닉층의 층 수에 상기 타이어 데이터를 반영하여 성능 예측값을 획득하는 성능 예측값 획득단계(S140) 및,(e) 설계 해석 자동화 시스템에서 타이어를 모델링하고, 메쉬를 작성한 후 경계 조건 및 해석 조건하에 해석을 수행하여 획득한 해석 결과값을 스케링한 후, 이를 상기 성능 예측값과 비교하여 기설정된 신뢰구간 범위 내에 존재하는지를 판단하는 신뢰성 판단단계(S150)를 포함하는 타이어 성능 평가 방법.