머신 러닝 기법을 이용한 PIC 범퍼 빔 설계 방법
The PIC Bumper Beam Design Method with Machine Learning Technique
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 머신 러닝을 통해 하중 유형에 따른 구간을 나누어 각 하중 유형에 강한 적층 각도 순서가 배치되는 PIC 설계 방법이 범퍼 빔에 적용되었다. 머신 러닝을 적용하기 위한 학습 데이터의 입력 값과 라벨은 각각 전체 요소 중 일부인 참조 요소의 좌표와 하중 유형으로 정의되었다. 좌표 값을 나타내는 방법인 2D 표현 방법과 3D 표현 방법을 비교하기 위하여 각각의 방법으로 학습 데이터 생성 및 머신 러닝 모델이 학습되었다. 2D 표현 방법은 유한요소 모델을 각 면으로 나누고 그에 따른 학습 데이터 생성 및 머신 러닝 모델을 학습시키는 방법이며, 3D 표현 방법은 유한요소 모델 전체에서 학습 데이터를 생성하여 하나의 머신 러닝 모델을 학습시키는 방법이다. 머신 러닝 모델의 성능에 영향을 미치는 하이퍼파라미터는 베이지안 알고리즘을 통해 최적 값으로 튜닝 되었으며, 튜닝 된 모델 중 k-NN 분류 방법이 가장 높은 예측률과 AUC-ROC로 나타났다. 그리고 2D 표현 방법과 3D 표현 방법 중 3D 표현 방법이 더 높은 성능을 보였다. 튜닝 된 머신 러닝 모델을 통해 예측된 하중 유형 데이터가 유한요소 모델에 매핑되었으며, 유한요소 해석을 통해 비교 검증되었다. 3D 표현 방법의 머신 러닝 모델로 설계된 PIC 방법이 강도 측면에서 더 우수함이 검증되었다
Abstract
In this study, the PIC design method with machine learning that automatically assigning different stacking sequences according to loading types was applied bumper beam. The input value and labels of the training data for applying machine learning were defined as coordinates and loading types of reference elements that are part of the total elements, respectively. In order to compare the 2D and 3D implementation method, which are methods of representing coordinate value, training data were generated, and machine learning models were trained with each method. The 2D implementation method is divided FE model into each face and generating learning data and training machine learning models accordingly. The 3D implementation method is training one machine learning model by generating training data from the entire finite element model. The hyperparameter were tuned to optimal values through the Bayesian algorithm, and the k-NN classification method showed the highest prediction rate and AUC-ROC among the tuned models. The 3D implementation method revealed higher performance than the 2D implementation method. The loading type data predicted through the machine learning model were mapped to the finite element model and comparatively verified through FE analysis. It was found that 3D implementation PIC bumper beam was superior to 2D implementation and uni-stacking sequence composite bumper.
참고문헌 (17)
- 나혜중, "Development of CFRP Tubes for the Light-Weight Propeller Shaft of 4WD SUV Vehicles", 한국기계가공학회지, 17(4), pp.32~38 (2018), 한국기계가공학회[DOI]
- 천두만, "차량 경량화를 위한 사출성형 유리섬유강화플라스틱의 온도 및 수분흡수에 따른 기계적 물성 변화", 대한기계학회논문집 A, 37(2), pp.199~204 (2013), 대한기계학회
- Cheon, S. S., "Development of the Composite Bumper Beam for Passenger Cars", Composite Structures, 32(1-4), pp.491~499 (1995)
- Belingardi, G., "Geometrical Optimization of Bumper Beam Profile Made of Pultruded Composite by Numerical Simulation", Composite Structures, 102, pp.217~225 (2013)
- Kim, D. H., "Design Optimization and Manufacture of Hybrid Glass", carbon Fiber Reinforced Composite Bumper Beam for Automobile Vehicle, 2015, pp.131(1), 742~752
- 정찬희, "IIHS 충격해석에 근거한 구간 조합 복합재료 범퍼 빔 개발", Composites Research, 31(1), pp.37~41 (2018), 한국복합재료학회
- 함석우, "머신 러닝을 통한 PIC 보의 강도 최적화", 대한기계학회논문집 A, 43(8), pp.521~528 (2019), 대한기계학회
- 지승민, "3차원 학습 데이터를 이용한 PIC 보의 강성 향상에 대한 연구", Composites Research, 34(6), pp.394~399 (2021), 한국복합재료학회[DOI]
- Li, D., "Continual Learning Classification Method with the Weighted Knearest Neighbor Rule for Time-varying Data Space Based on the Artificial Immune System", Knowledge-Based Systems, 240(15), pp.108145~ (2022)
- 함석우, "k-NN 분류 모델의 학습 데이터 구성에 따른 PIC 보의 하중 충실도 향상에 관한 연구", Composites Research, 33(3), pp.108~114 (2020), 한국복합재료학회[DOI]
- Shahhosseini, M., "Optimizing Ensemble Weights and Hyperparameters of Machine Learning Models for Regression Problems", Machine Learning with Applications, 7(15), pp.100251~ (2022)
- Liu, X., "Long-term Performance Prediction Framework Based on XGBoost Decision Tree for Pultruded FRP Composites Exposed to Water, Humidity and Alkaline Solution", Composite Structures, 284(15), pp.115184~ (2022)
- Fayed, H. A., "Decision Boundary Clustering for Efficient Local SVM", Applied Soft Computing, 110, pp.107628~ (2021)
- Lee, S. H., "Ranked Feature-Based Laser Material Processing Monitoring and Defect Diagnosis Using k-NN and SVM", Journal of Manufacturing Processes, 55, pp.307~316 (2020)
- Fakhrmoosavi, F., "A Stochastic Framework Using Bayesian Optimization Algorithm to Assess the Network-level Societal Impacts of Connected and Autonomous Vehicles", Transportation Research Part C : Emerging Technologies, 139, pp.103663~ (2022)
- Tsai, S. W., "A Unit Circle Failure Criterion for Carbon Fiber Reinforced Polymer Composites", Composites Science and Technology, 123(8), pp.71~78 (2016)
- 함석우, "참조점의 불규칙적 배치를 통한 PIC보의 하중 충실도 향상에 관한 연구", Composites Research, 32(5), pp.216~221 (2019), 한국복합재료학회[DOI]