KR20250015013A - Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance - Google Patents
Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance Download PDFInfo
- Publication number
- KR20250015013A KR20250015013A KR1020230095917A KR20230095917A KR20250015013A KR 20250015013 A KR20250015013 A KR 20250015013A KR 1020230095917 A KR1020230095917 A KR 1020230095917A KR 20230095917 A KR20230095917 A KR 20230095917A KR 20250015013 A KR20250015013 A KR 20250015013A
- Authority
- KR
- South Korea
- Prior art keywords
- variables
- design variables
- design
- failure
- generating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일 실시 예에 따른 구조물 성능을 판별하는 인공지능 기반의 메타 모델을 생성하는 방법은 구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작, 상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작, 상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작, 및 상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 포함할 수 있다. A method for generating an artificial intelligence-based meta model for determining the performance of a structure according to one embodiment may include: acquiring experimental data on physical quantities of the structure according to design variables of the structure and external variables applied to the structure composed of the design variables; generating a neural network model that has learned a correlation between the physical quantities of the structure according to the design variables and the external variables of the structure based on the experimental data; generating performance data of the structure by determining a failure strength, which is a physical quantity that achieves failure of the structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged with respect to physical quantities according to the design variables and external variables input and output by the neural network model; and generating a meta model that has learned a correlation between the design variables and the failure strength of the structure based on the performance data.
Description
본 발명은 구조물 성능을 판별하는 인공지능 기반의 메타 모델 생성 방법 및 이를 위한 장치에 관한 것이다. 보다 자세하게는 구조물의 성능을 판별하는 인공지능 기반의 메타 모델을 생성하여 특정 구조물의 설계 변수에 따른 성능을 판별하고 구조물 후보를 추천하는 방법 및 이를 위한 장치에 관한 것이다. The present invention relates to a method for generating an artificial intelligence-based meta model for determining the performance of a structure and a device therefor. More specifically, the present invention relates to a method for generating an artificial intelligence-based meta model for determining the performance of a structure, determining the performance of a specific structure according to design variables, and recommending a structure candidate, and a device therefor.
기계 공학이나 토목 공학 등의 구조체 설계 분야에서 유한 요소 해석이나 유한 차분법 등의 수치 해석 기법을 활용한 성능 해석 시뮬레이션은 설계자에게 많은 정보와 효율을 가져다주기에 산업계에서 활발히 사용되고 있다.In the structural design field such as mechanical engineering or civil engineering, performance analysis simulations utilizing numerical analysis techniques such as finite element analysis or finite difference method are actively used in the industry because they provide designers with a lot of information and efficiency.
이러한 성능 해석 시뮬레이션은 실제 실험보다 매우 단순하고 편리하지만, 설계안이 조금이라도 변경된다면 CAD 수정, 전처리 변경, 격자 형성 등의 모든 과정을 다시 진행해야 한다. 또한, 해석 시뮬레이션을 관장하는 엔지니어의 이해도나 실력에 따라 정확도와 신뢰도에 큰 차이가 발생하며, 시뮬레이션 프로그램의 전처리나 계산에 많은 시간이 소요된다는 단점이 있다. This performance analysis simulation is much simpler and more convenient than actual experiments, but if the design is changed even a little, all the processes such as CAD modification, preprocessing change, and mesh formation must be repeated. In addition, there is a disadvantage that there is a large difference in accuracy and reliability depending on the understanding and skills of the engineer in charge of the analysis simulation, and the preprocessing and calculation of the simulation program take a lot of time.
한편, 구조체 설계 분야에서 빅데이터와 딥러닝 기반의 인공지능 모델은 사람이 인지하지 못하는 고차원의 영역에서의 분석과 최적화가 가능하고, 학습이 완료된 모델에 간단한 입력만으로 원하는 결과를 관찰할 수 있기에 전문 지식 없이도 활용이 가능하다는 장점이 있다. Meanwhile, in the field of structural design, big data and deep learning-based artificial intelligence models have the advantage of being able to analyze and optimize high-dimensional areas that humans cannot perceive, and can be utilized without specialized knowledge because the desired results can be observed with a simple input to a model that has completed learning.
그러나, 인공지능 모델은 실질적인 성능을 발휘할 수 있을 만큼의 빅데이터가 확보되지 않으면 인공지능 모델이 학습이 제대로 이루어지지 않아, 구조체 설계의 정확도가 떨어질 수 있다는 단점을 갖는다. However, if the AI model does not have enough big data to demonstrate practical performance, it has the disadvantage that the AI model may not learn properly, which may lower the accuracy of the structure design.
이에, 본 문서는 기존 수치 해석 기법을 활용한 성능 해석 시뮬레이션과 딥러닝 기반 인공지능 모델의 단점을 보완하는 기술을 제시하고자 한다. Accordingly, this paper aims to present a technology that complements the shortcomings of performance analysis simulation using existing numerical analysis techniques and deep learning-based artificial intelligence models.
본 발명이 해결하고자 하는 기술적 과제는 수치 해석 기법(Numerical Analysis Method)과 물리 기반 인공신경망(Physics-Informed Neural Network)을 활용하여, 구조물의 성능을 판별하는 인공지능 기반의 메타 모델을 생성하는 방법 및 이를 위한 장치를 제공하는 것이다. The technical problem to be solved by the present invention is to provide a method for generating an artificial intelligence-based meta model for determining the performance of a structure by utilizing a numerical analysis method and a physics-informed neural network, and a device therefor.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
상기 기술적 과제를 달성하기 위한 본 발명의 일 실시 예에 따른 구조물 성능을 판별하는 인공지능 기반의 메타 모델 생성 방법은 구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작, 상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작, 상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작 및 상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 포함할 수 있다. According to an embodiment of the present invention for achieving the above technical task, a method for generating an artificial intelligence-based meta model for determining structure performance may include: an operation of acquiring experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to a structure composed of the design variables; an operation of generating a neural network model that has learned a correlation between the physical quantities of the structure according to the design variables and the external variables of the structure based on the experimental data; an operation of generating performance data of the structure by determining a failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged with respect to physical quantities according to the design variables and external variables input and output by the neural network model; and an operation of generating a meta model that has learned a correlation between the design variables and the failure strength of the structure based on the performance data.
일 실시 예에 따르면, 상기 방법은 상기 메타 모델을 이용해 상기 사용자로부터 입력받은 설계 변수에 대한 파손 강도를 갖는 구조물을 추천하는 동작을 더 포함할 수 있다. In one embodiment, the method may further include an action of recommending a structure having a failure strength for design variables input by the user using the meta model.
일 실시 예에 따르면, 상기 실험 데이터를 획득하는 동작은 Taguchi methods를 이용한 실험 계획법을 기초로 특정 설계 변수의 구조물에 가해지는 외부 변수에 따른 물리량을 획득하는 시뮬레이션을 수행하는 동작을 포함할 수 있다.According to one embodiment, the operation of acquiring the experimental data may include an operation of performing a simulation to acquire physical quantities according to external variables applied to a structure of specific design variables based on an experimental design method using Taguchi methods.
일 실시 예에 따르면, 상기 성능 데이터를 생성하는 동작은 소정 범위로 설계 변수 및 외부 변수를 변화시키면서 상기 신경망 모델에 입력하여 출력된 물리량을 획득하여 데이터를 증강시키는 동작; 상기 증강된 데이터를 이용하여, 특정 설계 변수로 구성된 구조물이 갖는 물리량을 파손 기준 알고리즘에 입력하여 파손 강도를 판별하는 동작; 및 설계 변수 별로 판별된 파손 강도를 매핑하여 설계 변수 별 구조물의 성능 데이터를 생성하는 동작을 포함할 수 있다.According to one embodiment, the operation of generating the performance data may include an operation of acquiring physical quantities output by inputting them into the neural network model while changing design variables and external variables within a predetermined range to augment data; an operation of using the augmented data to input physical quantities of a structure composed of specific design variables into a failure criterion algorithm to determine failure strength; and an operation of mapping the failure strength determined for each design variable to generate performance data of the structure for each design variable.
일 실시 예에 따르면, 상기 파손 기준 알고리즘은 Von-mises Criterion, Tresca Criterion, Tsai-Wu Failure Criterion 의 파손 규정 방법론(Failure Criterion) 중 적어도 하나를 활용한 알고리즘을 포함할 수 있다. In one embodiment, the failure criterion algorithm may include an algorithm utilizing at least one of the failure criterion methodologies of Von-mises Criterion, Tresca Criterion, and Tsai-Wu Failure Criterion.
일 실시 예에 따르면, 상기 신경망 모델은 물리 기반 인공 신경망(Physics-informed neural networks, PINNs)을 기초로 학습될 수 있다.In one embodiment, the neural network model can be trained based on physics-informed neural networks (PINNs).
일 실시 예에 따르면, 상기 설계 변수는 구조물의 치수, 재질, 열처리 유무, 체결 토크 중 적어도 하나에 대한 변수를 포함할 수 있다.According to one embodiment, the design variables may include variables for at least one of the dimensions of the structure, the material, the presence or absence of heat treatment, and the fastening torque.
일 실시 예에 따르면, 상기 물리량은 탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 중 적어도 하나에 대한 변수를 포함할 수 있다. According to one embodiment, the physical quantity may include a variable for at least one of elastic strain, plastic strain, elastic strain, plastic strain, internal stress, and repulsive force.
상기 기술적 과제를 달성하기 위한 본 발명의 일 실시 예에 따른 구조물 성능을 판별하는 인공지능 기반의 메타 모델 생성 장치는 명령어를 포함하는 메모리 및 상기 명령어를 실행하는 프로세서를 포함하고, 상기 프로세서의 동작은 구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작, 상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작, 상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작 및 상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 포함할 수 있다.According to an embodiment of the present invention for achieving the above technical task, an artificial intelligence-based meta model generation device for determining structure performance includes a memory including commands and a processor for executing the commands, and operations of the processor may include: an operation of acquiring experimental data on physical quantities of the structure according to design variables of the structure and external variables applied to the structure composed of the design variables; an operation of generating a neural network model that has learned a correlation between the physical quantities of the structure according to the design variables and the external variables of the structure based on the experimental data; an operation of generating performance data of the structure by determining a failure strength, which is a physical quantity that achieves failure of the structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged with respect to physical quantities according to the design variables and external variables input and output by the neural network model; and an operation of generating a meta model that has learned a correlation between the design variables and the failure strength of the structure based on the performance data.
일 실시 예에 따르면, 상기 프로세서는 상기 메타 모델을 이용해 상기 사용자로부터 입력받은 설계 변수에 대한 파손 강도를 갖는 구조물을 추천하는 동작을 더 수행할 수 있다. In one embodiment, the processor may further perform an operation of recommending a structure having a failure strength for design variables input by the user using the meta model.
일 실시 예에 따르면, 상기 실험 데이터를 획득하는 동작은 Taguchi methods를 이용한 실험 계획법을 기초로 특정 설계 변수의 구조물에 가해지는 외부 변수에 따른 물리량을 획득하는 시뮬레이션을 수행하는 동작을 포함할 수 있다.According to one embodiment, the operation of acquiring the experimental data may include an operation of performing a simulation to acquire physical quantities according to external variables applied to a structure of specific design variables based on an experimental design method using Taguchi methods.
일 실시 예에 따르면, 상기 성능 데이터를 생성하는 동작은 소정 범위로 설계 변수 및 외부 변수를 변화시키면서 상기 신경망 모델에 입력하여 출력된 물리량을 획득하여 데이터를 증강시키는 동작, 상기 증강된 데이터를 이용하여, 특정 설계 변수로 구성된 구조물이 갖는 물리량을 파손 기준 알고리즘에 입력하여 파손 강도를 판별하는 동작 및 설계 변수 별로 판별된 파손 강도를 매핑하여 설계 변수 별 구조물의 성능 데이터를 생성하는 동작을 포함할 수 있다.According to one embodiment, the operation of generating the performance data may include an operation of acquiring physical quantities output by inputting them into the neural network model while changing design variables and external variables within a predetermined range to augment data, an operation of using the augmented data to input physical quantities of a structure composed of specific design variables into a failure criterion algorithm to determine failure strength, and an operation of mapping the failure strength determined for each design variable to generate performance data of the structure for each design variable.
일 실시 예에 따르면, 상기 파손 기준 알고리즘은 Von-mises Criterion, Tresca Criterion, Tsai-Wu Failure Criterion 의 파손 규정 방법론(Failure Criterion) 중 적어도 하나를 활용한 알고리즘을 포함할 수 있다. In one embodiment, the failure criterion algorithm may include an algorithm utilizing at least one of the failure criterion methodologies of Von-mises Criterion, Tresca Criterion, and Tsai-Wu Failure Criterion.
일 실시 예에 따르면, 상기 신경망 모델은 물리 기반 인공 신경망(Physics-informed neural networks, PINNs)을 기초로 학습될 수 있다.In one embodiment, the neural network model can be trained based on physics-informed neural networks (PINNs).
일 실시 예에 따르면, 상기 설계 변수는 구조물의 치수, 재질, 열처리 유무, 체결 토크 중 적어도 하나에 대한 변수를 포함할 수 있다.According to one embodiment, the design variables may include variables for at least one of the dimensions of the structure, the material, the presence or absence of heat treatment, and the fastening torque.
일 실시 예에 따르면, 상기 물리량은 탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 중 적어도 하나에 대한 변수를 포함할 수 있다. According to one embodiment, the physical quantity may include a variable for at least one of elastic strain, plastic strain, elastic strain, plastic strain, internal stress, and repulsive force.
상기 기술적 과제를 달성하기 위한 본 발명의 일 실시 예에 따른 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램은 프로세서에 의해 실행되면, 구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작 상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작; 상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작 및 상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다. According to an embodiment of the present invention for achieving the above technical task, a computer program stored in a computer-readable recording medium may include instructions for causing the processor to perform a method including: obtaining experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables; generating a neural network model that has learned the correlation between the physical quantities of the structure according to the design variables and the external variables of the structure based on the experimental data; generating performance data of the structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged with respect to the physical quantities according to the design variables and external variables input and output by the neural network model; and generating a meta model that has learned the correlation between the design variables and the failure strength of the structure based on the performance data.
상기와 같은 본 발명에 따르면, 구조체 설계 분야에 있어서 설계 변수를 기반으로 통계적으로 샘플링된 소규모 데이터를 활용하여 물리 기반 인공신경망(PINN)을 구축하고, 이를 통해 대상물의 광범위한 성능 데이터를 확보하는 메타 모델을 생성할 수 있다. According to the present invention as described above, in the field of structural design, a physics-based artificial neural network (PINN) can be constructed by utilizing small-scale data statistically sampled based on design variables, and a meta model can be created through this to secure extensive performance data of a target object.
또한, 기존에 구조물의 설계안 변경에 따라 엔지니어가 시뮬레이션 전처리 및 후처리를 다시 해야 한다는 번거로움을 제거할 수 있으며, 같은 시간 대비 더 광범위한 설계안을 검토할 수 있다. In addition, it eliminates the hassle of engineers having to re-process and post-process simulations according to changes in the existing structural design, and allows for a wider range of design options to be reviewed in the same amount of time.
또한, 다양한 외부 변수에 대한 결과값 예측을 최적화하여 컴퓨팅 자원의 절약 효과를 볼 수 있으며, 통계적으로 검증된 소규모 데이터셋을 이용하여 모델을 구축할 수 있기 때문에 데이터 확보의 어려움을 피할 수 있다. In addition, it is possible to save computing resources by optimizing prediction of results for various external variables, and it is possible to avoid difficulties in securing data because models can be built using small, statistically verified datasets.
또한, 본 발명은 기계나 건축물과 같은 구조물의 성능 및 내구성 분석 과정을 개선하고, 최적화 문제 해결에 기여함으로써 엔지니어링 분야에서의 효율성과 정확성을 높일 수 있다. In addition, the present invention can improve the performance and durability analysis process of structures such as machines and buildings, and contribute to solving optimization problems, thereby increasing efficiency and accuracy in the engineering field.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 일 실시 예에 따른 메타 모델 생성 장치가 포함하는 전체 구성을 예시적으로 도시한 도면이다.
도 2는 일 실시 예에 따른 메타 모델 생성 방법의 대표적인 단계를 나타낸 순서도이다.
도 3은 일 실시 예에 따른 구조물의 설계 변수를 예시적으로 도시한 도면이다.
도 4는 일 실시 예에 따른 구조물의 설계 변수와 외부 변수에 따른 물리량에 대한 실험 데이터를 예시적으로 도시한 도면이다.
도 5는 일 실시 예에 따라 설계 변수와 외부 변수에 따른 물리량의 상관 관계를 도출하는 신경망 모델을 학습시키는 모습을 예시적으로 도시한 도면이다.
도 6은 일 실시 예에 따른 신경망 모델을 이용하여 데이터를 증강시키는 모습을 예시적으로 도시한 도면이다.
도 7은 일 실시 예에 따른 파손 기준 알고리즘을 이용하여 특정 설계 변수의 파손 강도를 판별하는 모습을 예시적으로 도시한 도면이다.
도 8은 일 실시 예에 따라 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 모습을 예시적으로 도시한 도면이다.
도 9는 일 실시 예에 따른 구조물의 제1 설계 변수와 제2 설계 변수를 구별하는 모습을 예시적으로 도시한 도면이다.
도 10은 일 실시 예에 따른 메타 모델을 기초로 소정의 파손 강도를 갖는 구조물이 구성되도록 설계 변수의 값을 도출하는 모습을 예시적으로 도시한 도면이다. FIG. 1 is a drawing exemplarily illustrating the entire configuration included in a meta model generation device according to one embodiment.
Figure 2 is a flowchart showing representative steps of a meta model generation method according to one embodiment.
FIG. 3 is a drawing exemplarily illustrating design variables of a structure according to one embodiment.
FIG. 4 is a diagram exemplarily illustrating experimental data on physical quantities according to design variables and external variables of a structure according to one embodiment.
FIG. 5 is a diagram exemplarily illustrating a process of learning a neural network model that derives correlations between physical quantities according to design variables and external variables according to one embodiment.
FIG. 6 is a diagram exemplarily illustrating data augmentation using a neural network model according to one embodiment.
FIG. 7 is a drawing exemplarily illustrating a method of determining the fracture strength of a specific design variable using a fracture criterion algorithm according to one embodiment.
FIG. 8 is a diagram exemplarily illustrating a process of generating a metamodel that learns the correlation between design variables of a structure and fracture strength according to one embodiment.
FIG. 9 is a drawing exemplarily illustrating how to distinguish between a first design variable and a second design variable of a structure according to one embodiment.
FIG. 10 is a drawing exemplarily illustrating a process of deriving values of design variables so that a structure having a predetermined fracture strength is configured based on a meta model according to one embodiment.
본 발명의 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하의 상세한 설명에 의해 보다 명확하게 이해될 것이다. 첨부된 도면을 참조하여 본 발명에 따른 실시 예를 상세하게 설명한다.The purpose and technical configuration of the present invention and the resulting operational effects will be more clearly understood by the following detailed description based on the drawings attached to the specification of the present invention. The embodiments of the present invention will be described in detail with reference to the attached drawings.
본 명세서에서 개시되는 실시 예들은 본 발명의 범위를 한정하는 것으로 해석되거나 이용되지 않아야 할 것이다. 이 분야의 통상의 기술자에게 본 명세서의 실시 예를 포함한 설명은 다양한 응용을 갖는다는 것이 당연하다. 따라서, 본 발명의 상세한 설명에 기재된 임의의 실시 예들은 본 발명을 보다 잘 설명하기 위한 예시적인 것이며 본 발명의 범위가 실시 예들로 한정되는 것을 의도하지 않는다.The embodiments disclosed in this specification should not be construed or used as limiting the scope of the present invention. It will be apparent to those skilled in the art that the description including the embodiments of this specification has various applications. Accordingly, any embodiments described in the detailed description of the present invention are exemplary for better explaining the present invention and are not intended to limit the scope of the present invention to the embodiments.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한, 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.The functional blocks shown in the drawings and described below are only examples of possible implementations. In other implementations, other functional blocks may be used without departing from the spirit and scope of the detailed description. Furthermore, although one or more of the functional blocks of the present invention are shown as individual blocks, one or more of the functional blocks of the present invention may be a combination of various hardware and software configurations that perform the same function.
또한, 어떤 구성요소들을 포함한다는 표현은 "개방형"의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.Additionally, the expression “including certain components” is an “open” expression, simply indicating the presence of those components, and should not be construed as excluding additional components.
나아가 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급될 때에는, 그 다른 구성요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 한다.Furthermore, when a component is referred to as being "connected" or "connected" to another component, it should be understood that while it may be directly connected or connected to that other component, there may also be other components in between.
이하에서는 도면들을 참조하여 본 발명의 세부적인 실시 예들에 대해 살펴보도록 한다. Hereinafter, detailed embodiments of the present invention will be described with reference to the drawings.
도 1은 일 실시 예에 따른 메타 모델 생성 장치(100)(이하, '장치(100)'로 지칭)가 포함하는 전체 구성을 예시적으로 도시한 도면이다. FIG. 1 is a drawing exemplarily illustrating the entire configuration included in a meta model generation device (100) (hereinafter referred to as 'device (100)') according to one embodiment.
그러나 이는 본 발명의 목적을 달성하기 위한 바람직한 실시 예일 뿐이며, 필요에 따라 일부 구성이 추가되거나 삭제될 수 있고, 어느 한 구성이 수행하는 역할을 다른 구성이 함께 수행할 수도 있음은 물론이다. However, this is only a preferred embodiment for achieving the purpose of the present invention, and some components may be added or deleted as needed, and the role performed by one component may be performed by another component together.
일 실시 예에 따른 장치(100)는 프로세서(10), 네트워크 인터페이스(20), 메모리(30), 스토리지(40) 및 이들을 연결하는 데이터 버스(50)를 포함할 수 있으며, 기타 본 발명의 목적을 달성함에 있어 요구되는 부가적인 구성들을 더 포함할 수 있음은 물론이라 할 것이다. A device (100) according to one embodiment may include a processor (10), a network interface (20), a memory (30), storage (40), and a data bus (50) connecting them, and of course may further include additional components required to achieve the purpose of the present invention.
프로세서(10)는 각 구성의 전반적인 동작을 제어한다. 프로세서(10)는 CPU(Central Processing Unit), MPU(Micro Processer Unit), MCU(Micro Controller Unit) 또는 본 발명이 속하는 기술 분야에서 널리 알려져 있는 형태의 인공지능 프로세서 중 어느 하나일 수 있다. 아울러, 프로세서(10)는 일 실시 예에 따른 장치(100)가 수행하는 동작 또는 오퍼레이션을 수행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. The processor (10) controls the overall operation of each component. The processor (10) may be any one of a CPU (Central Processing Unit), an MPU (Micro Processor Unit), an MCU (Micro Controller Unit), or an artificial intelligence processor of a type widely known in the technical field to which the present invention belongs. In addition, the processor (10) may perform operations for at least one application or program for performing an operation or action performed by the device (100) according to one embodiment.
네트워크 인터페이스(20)는 일 실시 예에 따른 장치(100)의 유무선 인터넷 통신을 지원하며, 그 밖의 공지의 통신 방식을 지원할 수도 있다. 따라서 네트워크 인터페이스(20)는 그에 따른 통신 모듈을 포함하여 구성될 수 있다.The network interface (20) supports wired and wireless Internet communication of the device (100) according to one embodiment, and may also support other known communication methods. Accordingly, the network interface (20) may be configured to include a communication module accordingly.
메모리(30)는 각종 정보, 명령 및/또는 정보를 저장하며, 일 실시 예에 따른 장치(100)가 수행하는 동작 또는 오퍼레이션을 수행하기 위해 스토리지(40)로부터 하나 이상의 컴퓨터 프로그램(41)을 로드할 수 있다. 도 1에서는 메모리(30)의 하나로 RAM을 도시하였으나 이와 더불어 다양한 저장 매체를 메모리(30)로 이용할 수 있음은 물론이다. The memory (30) stores various types of information, commands and/or information, and can load one or more computer programs (41) from the storage (40) to perform actions or operations performed by the device (100) according to one embodiment. In Fig. 1, RAM is illustrated as one of the memories (30), but it goes without saying that various storage media can be used as the memory (30).
스토리지(40)는 하나 이상의 컴퓨터 프로그램(41) 및 대용량 네트워크 정보(42)를 비임시적으로 저장할 수 있다. 이러한 스토리지(40)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크(HDD), 보조 저장 매치(SSD), 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 널리 알려져 있는 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체 중 어느 하나일 수 있다. The storage (40) can non-temporarily store one or more computer programs (41) and large-capacity network information (42). The storage (40) can be any one of non-volatile memory such as a Read Only Memory (ROM), an Erasable Programmable ROM (EPROM), an Electrically Erasable Programmable ROM (EEPROM), a flash memory, a hard disk (HDD), an auxiliary storage medium (SSD), a removable disk, or any form of computer-readable recording medium widely known in the art to which the present invention pertains.
컴퓨터 프로그램(41)은 메모리(30)에 로드되어, 하나 이상의 프로세서(10)에 의해, 구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작, 상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작, 상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작 및 상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작 또는 오퍼레이션을 실행할 수 있다. A computer program (41) is loaded into a memory (30) and can be executed by one or more processors (10) for the following operations: obtaining experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables; generating a neural network model that has learned the correlation between the physical quantities of the structure according to the design variables and external variables of the structure based on the experimental data; generating performance data of the structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged based on the physical quantities according to the design variables and external variables input and output by the neural network model; and generating a meta model that has learned the correlation between the design variables and failure strength of the structure based on the performance data.
이상 간단하게 언급한 컴퓨터 프로그램(41)이 수행하는 동작 또는 오퍼레이션은 컴퓨터 프로그램(41)의 일 기능으로 볼 수 있으며, 보다 자세한 설명은 일 실시 예에 따른 장치(100)가 수행하는 방법에 대한 설명에서 후술하도록 한다. The actions or operations performed by the computer program (41) briefly mentioned above can be viewed as one function of the computer program (41), and a more detailed description will be provided later in the description of the method performed by the device (100) according to one embodiment.
데이터 버스(50)는 이상 설명한 프로세서(10), 네트워크 인터페이스(20), 메모리(30) 및 스토리지(40) 사이의 명령 및/또는 정보의 이동 경로가 된다. The data bus (50) serves as a path for moving commands and/or information between the processor (10), network interface (20), memory (30), and storage (40) described above.
이상 간단하게 설명한 일 실시 예에 따른 장치(100)는 독립된 디바이스의 형태, 예를 들어 전자 기기나 서버(클라우드 포함)의 형태일 수 있으며, 여기서 전자 기기는 한 장소에 고정 설치되어 사용하는 데스크톱 PC, 서버 디바이스 등과 같은 기기 뿐만 아니라, 스마트폰, 태블릿 PC, 노트북 PC, PDA, PMP 등과 같이 휴대가 용이한 포터블 기기 등이라도 무방한바, 프로세서(10)에 해당하는 CPU 등이 설치되고 네트워크 기능만 보유하고 있는 전자 기기라면 어떠한 것이라도 무방하다 할 것이다. 예를 들어, 일 실시 예에 따른 장치(100)는 독립된 디바이스인 전자 기기 형태 중 "서버"의 형태로 구현될 수 있다. 또한, 일 실시 예에 따른 장치(100)는 독립된 디바이스인 전자 기기 형태 중 서버가 제공하는 애플리케이션 또는 서비스를 이용하기 위해 사용자가 소지하는 "단말"의 형태로 구현될 수 있다. The device (100) according to the embodiment briefly described above may be in the form of an independent device, for example, an electronic device or a server (including a cloud), and the electronic device may be not only a desktop PC or a server device that is fixedly installed and used in one location, but may also be a portable device that is easy to carry, such as a smart phone, a tablet PC, a notebook PC, a PDA, a PMP, etc. Any electronic device that has a CPU corresponding to the processor (10) installed and only a network function may be used. For example, the device (100) according to the embodiment may be implemented in the form of a "server" among the electronic devices that are independent devices. In addition, the device (100) according to the embodiment may be implemented in the form of a "terminal" that a user carries in order to use an application or service provided by a server among the electronic devices that are independent devices.
이하, 일 실시 예에 따른 장치(100)가 수행하는 방법에 대하여 도 2 내지 도 7을 참조하여 설명하도록 한다. Hereinafter, a method performed by a device (100) according to one embodiment will be described with reference to FIGS. 2 to 7 .
도 2는 일 실시 예에 따른 메타 모델 생성 방법의 대표적인 단계를 나타낸 순서도이다. Figure 2 is a flowchart showing representative steps of a meta model generation method according to one embodiment.
도 2에 개시된 각 단계는 일 실시 예에 따른 장치(100)를 통해 수행될 수 있고, 구체적으로 각 단계의 동작은 프로세서(10)가 수행하는 동작으로 이해될 수 있다. Each step disclosed in FIG. 2 can be performed through a device (100) according to one embodiment, and specifically, the operation of each step can be understood as an operation performed by a processor (10).
도 2에 개시된 각 단계는 본 발명의 목적을 달성함에 있어서 바람직한 실시 예일 뿐이며, 필요에 따라 일부 단계가 추가 또는 삭제될 수 있음은 물론이고, 어느 한 단계가 다른 단계에 포함되어 수행될 수도 있다. Each step disclosed in FIG. 2 is only a preferred embodiment for achieving the purpose of the present invention, and some steps may be added or deleted as needed, and one step may be included in another step and performed.
도 2에 개시된 각 동작의 순서는 이해의 편의를 위해 배치된 순서일 뿐, 이러한 순서가 시계열적인 순서로 한정되는 것이 아니며, 설계자의 선택에 따라 순서가 다르게 변경되어 동작될 수 있다. The order of each operation disclosed in Fig. 2 is only arranged for convenience of understanding, and this order is not limited to a chronological order, and the order may be changed and operated differently depending on the designer's choice.
S1010 단계에서, 장치(100)는 구조물의 설계 변수와 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작을 수행할 수 있다. In step S1010, the device (100) can perform an operation of acquiring experimental data on physical quantities of the structure according to design variables of the structure and external variables applied to the structure composed of the design variables.
도 3은 일 실시 예에 따른 구조물의 설계 변수를 예시적으로 도시한 도면이다. FIG. 3 is a drawing exemplarily illustrating design variables of a structure according to one embodiment.
도 3을 참조하면, 구조물은 건축물 또는 공작물의 뼈대를 이루는 부분을 의미한다. 예를 들어, 구조물은 볼트, 너트 등을 포함할 수 있다. 설계 변수는 구조물 자체의 특징을 특정하는 변수이다. 예를 들어, 설계 변수는 구조물의 치수(ex. 도 3의 헤드 높이, 바디 길이, 스레드 길이, 지름, 트랜지션, 길이, 플랜지 높이, 호수, 피치, 유효 단면적 등), 재질, 열처리 유무, 체결 토크 등을 포함할 수 있다. Referring to FIG. 3, a structure refers to a part that forms the frame of a building or workpiece. For example, the structure may include bolts, nuts, etc. Design variables are variables that specify the characteristics of the structure itself. For example, design variables may include dimensions of the structure (e.g. head height, body length, thread length, diameter, transition, length, flange height, number of holes, pitch, effective cross-sectional area, etc. of FIG. 3), material, presence or absence of heat treatment, fastening torque, etc.
외부 변수는 외부로부터 구조물에 가해지는 각종 요인을 특정하는 변수이다. 예를 들어, 외부 변수는 구조물에 가해지는 온도, 무게, 압력 등을 포함할 수 있다. 물리량은 구조물에 가해지는 외부 변수에 따라 구조물이 갖는 특징 또는 성능을 표현하는 변수이다. 예를 들어, 물리량은 탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 중 적어도 하나에 대한 변수를 포함할 수 있다. External variables are variables that specify various factors applied to a structure from the outside. For example, external variables can include temperature, weight, pressure, etc. applied to a structure. Physical quantities are variables that express the characteristics or performance of a structure according to external variables applied to the structure. For example, physical quantities can include variables for at least one of elastic strain, plastic strain, elastic strain, plastic strain, internal stress, and repulsive force.
도 4는 일 실시 예에 따른 구조물의 설계 변수와 외부 변수에 따른 물리량에 대한 실험 데이터를 예시적으로 도시한 도면이다.FIG. 4 is a diagram exemplarily illustrating experimental data on physical quantities according to design variables and external variables of a structure according to one embodiment.
도 4를 참조하면, 장치(100)는 구조물의 설계 변수를 토대로 분류한 수십 혹은 수백 개의 소규모 샘플들에 대한 성능 실험이나, 시뮬레이션 프로그램을 활용하여 실험 데이터를 획득할 수 있다. Referring to FIG. 4, the device (100) can obtain experimental data by performing performance tests on tens or hundreds of small samples classified based on design variables of a structure or by utilizing a simulation program.
장치(100)는 실험 계획법을 통해 실험 데이터를 생성할 수 있다. 실험 계획법이란 문제 해결을 위해 실험을 계획하는 방법으로, 최소의 실험 횟수에서 최대의 정보를 얻을 수 있도록 설계 및 계획하는 방법론을 말한다. The device (100) can generate experimental data through an experimental design method. An experimental design method is a method of planning an experiment to solve a problem, and refers to a methodology of designing and planning so that the maximum amount of information can be obtained from the minimum number of experiments.
예를 들어, 장치(100)는 실험 계획법 중 하나인 다구치 방법론(Taguchi method)을 이용하여 실험 데이터를 획득할 수 있는바, 다구치 방법론은 최소한의 실험 횟수로 실험 인자(factor)와 수준(level)의 최적 조건을 찾게 해주는 실험 방법이다. For example, the device (100) can obtain experimental data using the Taguchi method, which is one of the experimental design methods. The Taguchi method is an experimental method that finds optimal conditions of experimental factors and levels with a minimum number of experiments.
이러한 실험 계획법은 소규모 데이터셋에서도 대규모 데이터셋과 비슷한 효과를 가져올 수 있으며, 장치(100)는 Taguchi methods를 이용한 실험 계획법을 기초로 특정 설계 변수로 구성된 구조물에 일정한 힘을 가했을 때의 탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 등의 물리량을 실험이나 시뮬레이션을 활용하여 확보할 수 있다. This experimental design method can produce effects similar to those of a large-scale dataset even in a small-scale dataset, and the device (100) can secure physical quantities such as elastic deformation, plastic deformation, elastic strain, plastic strain, internal stress, and repulsive force by using experiments or simulations when a certain force is applied to a structure composed of specific design variables based on an experimental design method using Taguchi methods.
이후, S1020 단계에서, 장치(100)는 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작을 수행할 수 있다.Thereafter, in step S1020, the device (100) can perform an operation of generating a neural network model that learns correlations between physical quantities of the structure and design variables and external variables of the structure based on experimental data.
도 5는 일 실시 예에 따라 설계 변수와 외부 변수에 따른 물리량의 상관 관계를 도출하는 신경망 모델을 학습시키는 모습을 예시적으로 도시한 도면이다. FIG. 5 is a diagram exemplarily illustrating a process of learning a neural network model that derives correlations between physical quantities according to design variables and external variables according to one embodiment.
도 5를 참조하면, 장치(100)는 구조물의 설계 변수 및 외부 변수를 입력 변수로 하고, 구조물이 갖는 물리량(예를 들어, 탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 등)을 출력 변수로 하는 신경망 모델을 설계할 수 있다. Referring to FIG. 5, the device (100) can design a neural network model that uses design variables and external variables of the structure as input variables and physical quantities of the structure (e.g., elastic deformation, plastic deformation, elastic strain, plastic strain, internal stress, repulsive force, etc.) as output variables.
장치(100)는 앞선 단계에서 획득한 실험 데이터를 기초로 설계된 신경망 모델의 가중치 및 바이어스가 입력 변수(설계 변수 및 외부 변수)로부터 출력 변수(물리량)를 도출하는 상관 관계를 갖도록 학습시킬 수 있다. The device (100) can learn the weights and biases of the neural network model designed based on the experimental data acquired in the previous step to have a correlation that derives output variables (physical quantities) from input variables (design variables and external variables).
예를 들어, 장치(100)는 S1010 단계에서 획득한 실험 데이터를 이용하여 물리 기반 인공 신경망(Physics-informed neural networks, PINNs) 기반의 신경망 모델을 생성할 수 있다. For example, the device (100) can generate a neural network model based on physics-informed neural networks (PINNs) using experimental data acquired in step S1010.
물리 기반 인공 신경망은 딥러닝 기반의 인공지능 모델에 물리법칙 지배방정식을 임베딩하여 적은 데이터에서도 효과적인 분석과 시뮬레이션이 가능하도록 제안된 신경망인바, 물리 기반 인공 신경망은 학습에는 일정 시간이 소요되지만, 학습이 완료된 모델을 활용한 계산은 수초, 수분 정도의 빠른 속도를 보여주며, 이로 인해 기존의 시뮬레이션 프로그램들의 대안으로 제안되어 연구되고 있다. 이를 통해, 본 발명의 실시 예는 기계 및 장치의 성능 최적화 과정에서 시간과 컴퓨팅 자원의 절약이 가능하다. A physics-based artificial neural network is a neural network that embeds physics-based equations into a deep learning-based artificial intelligence model to enable effective analysis and simulation even with a small amount of data. Although a physics-based artificial neural network takes a certain amount of time to learn, calculations using a learned model show a fast speed of several seconds or minutes, and due to this, it is being proposed and studied as an alternative to existing simulation programs. Through this, embodiments of the present invention can save time and computing resources in the process of optimizing the performance of machines and devices.
또한, 장치(100)는 지배 방정식, 초기 조건, 경계 조건을 신경망 모델에 사용될 추가적인 변수로 설정할 수 있다. 장치(100)는 실험 데이터를 학습용 세트와 테스트 세트로 나누어, 신경망 모델을 기 설정된 횟수만큼 학습시킨 후, 테스트 세트에 대한 예측값과 실제값의 오차를 줄여나가도록 신경망 모델을 학습시킬 수 있다. In addition, the device (100) can set the governing equation, initial conditions, and boundary conditions as additional variables to be used in the neural network model. The device (100) can divide the experimental data into a training set and a test set, train the neural network model a preset number of times, and then train the neural network model to reduce the error between the predicted value and the actual value for the test set.
앞서, S1020 단계에서 실험 계획법을 통해 설명력이 높은 실험 데이터를 획득하였기에 S1030 단계에서는 이를 학습 데이터로 이용하여 신뢰도 높은 물리 기반 인공 신경망 모델을 획득할 수 있는 것이다. Previously, in step S1020, experimental data with high explanatory power were obtained through the experimental design method, so in step S1030, this can be used as learning data to obtain a highly reliable physics-based artificial neural network model.
이후, S 1030 단계에서, 장치(100)는 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작을 수행할 수 있다. Thereafter, at step S 1030, the device (100) can perform an operation of generating performance data of the structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged based on the physical quantities according to the design variables and external variables input and output by the neural network model.
이는 쉽게 이야기하면, 장치(100)가 S1030 단계에서 생성한 신경망 모델을 이용하여 데이터를 증강시킨 후, 대규모 성능 데이터를 생성하는 것이다. To put it simply, the device (100) augments data using the neural network model generated in step S1030 and then generates large-scale performance data.
도 6은 일 실시 예에 따른 신경망 모델을 이용하여 데이터를 증강시키는 모습을 예시적으로 도시한 도면이다.FIG. 6 is a diagram exemplarily illustrating data augmentation using a neural network model according to one embodiment.
도 6을 참조하면, 장치(100)는 소정 범위 설계 변수 및 외부 변수를 변화시키면서 신경망 모델에 입력하여 출력된 물리량을 획득해 데이터를 증강시킬 수 있다. Referring to FIG. 6, the device (100) can obtain physical quantities output by inputting them into a neural network model while changing design variables and external variables within a predetermined range, thereby augmenting data.
예를 들어, 장치(100)는 구조물의 설계 변수(ex. 각종 치수, 재질, 열처리 유무, 등)와 외부 변수(ex. 외부하중, 외력)를 바꿔가며 기존의 실험 데이터 외의 넓은 영역에서의 다양한 케이스들에 대한 대규모 데이터 세트를 확보할 수 있다. For example, the device (100) can secure a large data set for various cases in a wide area other than existing experimental data by changing the design variables of the structure (e.g., various dimensions, materials, presence or absence of heat treatment, etc.) and external variables (e.g., external load, external force).
도 7은 일 실시 예에 따른 파손 기준 알고리즘을 이용하여 특정 설계 변수의 파손 강도를 판별하는 모습을 예시적으로 도시한 도면이다. FIG. 7 is a drawing exemplarily illustrating a method of determining the fracture strength of a specific design variable using a fracture criterion algorithm according to one embodiment.
도 7을 참조하면, 장치(100)는 증강된 데이터를 이용하여 특정 설계 변수로 구성된 구조물이 갖는 물리량을 파손 기준 알고리즘에 입력하여 파손 강도를 판별할 수 있다. Referring to FIG. 7, the device (100) can determine the fracture strength by inputting the physical quantity of a structure composed of specific design variables into a fracture criterion algorithm using augmented data.
여기서 파손 기준 알고리즘은 특정 설계 변수의 구조물에 대해 물리량을 입력하여 해당 구조물이 파손이 되는 순간을 판단하는 기법이다. 예를 들어, 파손 기준 알고리즘은 Von-mises Criterion, Tresca Criterion, Tsai-Wu Failure Criterion 의 파손 규정 방법론(Failure Criterion) 중 적어도 하나를 활용한 알고리즘을 포함할 수 있다. Here, the failure criterion algorithm is a technique for determining the moment of failure of a structure by inputting physical quantities for a structure of specific design variables. For example, the failure criterion algorithm may include an algorithm that utilizes at least one of the failure criteria methodologies of the Von-mises Criterion, the Tresca Criterion, and the Tsai-Wu Failure Criterion.
장치(100)는 다양한 설계 변수와 외부 변수의 조건에서 신경망 모델이 출력한 물리량에 대해 파손 기준(Failure criteria) 알고리즘을 적용하여 해당 구조물이 파괴되는 순간의 물리량인 파손 강도를 저장할 수 있다. The device (100) can store the failure strength, which is a physical quantity at the moment when the structure is destroyed, by applying a failure criteria algorithm to the physical quantity output by the neural network model under the conditions of various design variables and external variables.
이를 통해, 장치(100)는 파손 기준 알고리즘에 입력된 물리량을 갖는 설계 변수 별로 판별된 파손 강도를 매핑하여, 설계 변수 별 구조물의 대규모 성능 데이터를 생성할 수 있다. Through this, the device (100) can generate large-scale performance data of a structure for each design variable by mapping the fracture strength determined for each design variable with the physical quantity input into the fracture criterion algorithm.
지금까지 설명한 S1010 단계 내지 S1030 단계는 대규모 성능 데이터, 보다 구체적으로 후술할 S1040 단계에서 메타 모델을 생성하기 위한 학습 데이터를 얻기 위한 일련의 과정으로 볼 수 있으며, 이를 통해 특정 구조물에 대한 다양한 설계 변수 및 외부 변수들에 대하여 어느 시점에 파손되는지(구조물의 성능, 예를 들어 파괴 강도, 강성 등)에 대한 대규모 성능 데이터를 얻을 수 있다 할 것이다. Steps S1010 to S1030 described so far can be viewed as a series of processes for obtaining large-scale performance data, more specifically, learning data for generating a meta model in step S1040 described below, through which it is possible to obtain large-scale performance data on when a specific structure will fail (structure performance, e.g., failure strength, stiffness, etc.) for various design variables and external variables.
S1040 단계에서, 장치(100)는 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 수행할 수 있다. At step S1040, the device (100) can perform an operation of generating a meta model that learns the correlation between the design variables of the structure and the fracture strength based on the performance data.
도 8은 일 실시 예에 따라 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 모습을 예시적으로 도시한 도면이다. FIG. 8 is a diagram exemplarily illustrating a process of generating a metamodel that learns the correlation between design variables of a structure and fracture strength according to one embodiment.
도 8을 참조하면, 장치(100)는 S1030 단계에서 생성한 대규모 성능 데이터를 기초로, 설계 변수를 입력 변수로 하고 파손 강도를 출력 변수로 하는 회귀 분석 기반의 메타 모델을 생성할 수 있다. Referring to FIG. 8, the device (100) can generate a regression analysis-based meta model using design variables as input variables and fracture strength as an output variable based on large-scale performance data generated in step S1030.
이는 앞서 S1030 단계를 통해 특정 구조물에 대한 다양한 설계 변수 및 외부 변수들에 대하여 어느 시점에 파손되는지에 대한 대규모 성능 데이터를 얻었기 때문에 가능한 것인바, 쉽게 이야기하면 입력(조건)과 그에 따른 출력(정답)을 이미 알고 있는 상태기 때문에 특정 입력(조건)을 입력했을 때 그에 따른 출력(정답)이 출력될 수 있는 상관 관계를 나타내는 메타 모델을 생성할 수 있는 것이다. This is possible because, through the S1030 step, we have already obtained large-scale performance data on when various design variables and external variables for a specific structure will fail. In simple terms, since we already know the input (condition) and the resulting output (answer), we can create a meta model that represents the correlation that will produce the resulting output (answer) when a specific input (condition) is input.
이를 위해 장치(100)는 다양한 회귀(Regression) 분석 알고리즘을 이용하여 설계 변수와 파손 강도의 상관 관계를 도출하는 메타 모델을 생성할 수 있다. 보다 구체적으로, 장치(100)는 딥러닝 알고리즘을 이용하여 설계 변수와 파손 강도의 상관 관계를 도출하는 메타 모델을 생성할 수 있다. To this end, the device (100) can generate a meta model that derives a correlation between design variables and fracture strength using various regression analysis algorithms. More specifically, the device (100) can generate a meta model that derives a correlation between design variables and fracture strength using a deep learning algorithm.
그에 따라, 메타 모델은 실험이나 시뮬레이션하지 않은 특정 설계 변수를 입력 받는다 할지라도, 해당 설계 변수를 갖는 구조물이 갖는 성능(예를 들어, 파손 강도, 강성 등)까지 출력할 수 있게 된다 할 것이다. Accordingly, the meta model will be able to output the performance (e.g., fracture strength, stiffness, etc.) of a structure with specific design variables even if they are input without experiments or simulations.
S1050 단계에서, 장치(100)는 메타 모델을 기초로 소정의 파손 강도를 갖는 구조물이 구성되도록 설계 변수의 값을 도출할 수 있다. 예를 들어, 장치(100)가 메타 모델의 입력 변수 중 일부인 제1 설계 변수의 값을 입력받는 경우, 메타 모델을 기초로 소정 기준의 파손 강도를 갖는 구조물이 구성되도록 입력 변수 중 나머지인 제2 설계 변수의 값을 도출할 수 있다. In step S1050, the device (100) can derive values of design variables so that a structure having a predetermined failure strength is configured based on the meta model. For example, when the device (100) receives values of the first design variables, which are part of the input variables of the meta model, the device (100) can derive values of the second design variables, which are the remaining input variables, so that a structure having a predetermined failure strength is configured based on the meta model.
여기서 설명의 편의를 위해 제1 변수와 제2 변수로 기재하였으나, 제1 변수와 제2 변수 모두 복수 개의 변수일 수 있으며, 쉽게 이야기하면 사용자가 설계를 원하는 구조물의 조건인 특정 변수를 입력하는 경우, 해당 구조물에 대한 다른 변수의 값을 도출할 수 있다는 것이다. For the convenience of explanation, they are described as the first variable and the second variable, but both the first variable and the second variable can be multiple variables. In simple terms, if a user inputs a specific variable that is a condition of a structure that he or she wants to design, the values of other variables for that structure can be derived.
도 9는 일 실시 예에 따른 구조물의 제1 설계 변수와 제2 설계 변수를 구별하는 모습을 예시적으로 도시한 도면이다. FIG. 9 is a drawing exemplarily illustrating how to distinguish between a first design variable and a second design variable of a structure according to one embodiment.
S1040에서 생성한 메타 모델이 도 9의 구조물을 기초로 생성되었다고 가정한다. 이 경우, 메타 모델은 도 9의 설계 변수인 "헤드 높이, 바디 길이, 스레드 길이, 지름, 트랜지션, 플랜지 높이, 길이"를 입력 변수로 받으면, 해당 구조물의 "파손 강도"를 출력하도록 설계되었다. 즉, 메타 모델은 "헤드 높이, 바디 길이, 스레드 길이, 지름, 트랜지션, 플랜지 높이, 길이"와 "파손 강도"간의 상관 관계를 내재하고 있다. It is assumed that the metamodel generated in S1040 is generated based on the structure of Fig. 9. In this case, the metamodel is designed to output the "failure strength" of the structure when the design variables of Fig. 9, "head height, body length, thread length, diameter, transition, flange height, length" are input variables. That is, the metamodel inherently contains a correlation between "head height, body length, thread length, diameter, transition, flange height, length" and the "failure strength".
도 9의 예시에서 장치(100)는 사용자로부터 제1 변수인 "헤드 높이, 바디 길이, 트랜지션, 길이"에 대해 입력 받았으며, 사용자가 원하는 "파손 강도"의 값을 입력 받았다고 가정한다. 이 경우, 제2 변수인 "스레드 길이, 지름, 플랜지 높이"의 값이 어떻게 정해지냐에 따라 사용자가 원하는 "파손 강도"를 달성할 수 있게 된다. In the example of Fig. 9, it is assumed that the device (100) has received input from the user for the first variable, "head height, body length, transition, length", and has received input for the value of the "breakage strength" desired by the user. In this case, the "breakage strength" desired by the user can be achieved depending on how the value of the second variable, "thread length, diameter, flange height", is determined.
이 경우, 장치(100)는 메타 모델이 갖는 "헤드 높이, 바디 길이, 스레드 길이, 지름, 트랜지션, 플랜지 높이, 길이"와 "파손 강도"간의 상관 관계를 기초로, 해당 "파손 강도"를 달성하기 위한 제2 설계 변수의 값을 도출할 수 있다. In this case, the device (100) can derive the value of the second design variable for achieving the "failure strength" based on the correlation between the "head height, body length, thread length, diameter, transition, flange height, length" of the meta model and the "failure strength".
이를 위해, 장치(100)는 반응 표면법(Response Surface Method)을 이용할 수 있다. 반응 표면법은 여러 개의 입력 변수가 복합적으로 작용을 하여, 특정 출력 변수를 도출해낼 때, 입력 변수가 이루는 반응 표면에 대한 통계적 분석 방법이다. 즉, 특정 입력 변수의 값이 주어진 상태에서 특정 출력 변수를 도출하기 위해, 나머지 입력 변수에 어떠한 값을 넣어야 하는 지를 통계적으로 분석하여 출력할 수 있다. For this purpose, the device (100) can utilize the response surface method. The response surface method is a statistical analysis method for the response surface formed by input variables when multiple input variables act in a complex manner to derive a specific output variable. In other words, in order to derive a specific output variable when the value of a specific input variable is given, it is possible to statistically analyze and output what values should be entered for the remaining input variables.
도 10은 일 실시 예에 따른 메타 모델과 반응 표면법을 기초로 소정의 파손 강도를 갖는 구조물이 구성되도록 설계 변수의 값을 도출하는 모습을 예시적으로 도시한 도면이다. FIG. 10 is a diagram exemplarily illustrating a process of deriving values of design variables so that a structure having a predetermined failure strength is constructed based on a metamodel and a response surface method according to one embodiment.
도 10을 참조하면, 장치(100)는 메타 모델이 내재하는 입력 변수와 출력 변수의 상관 관계에 대해 반응 표면법을 적용하여, 제1 설계 변수의 값과 사용자가 원하는 파손 강도가 주어지는 경우, 해당 파손 강도를 유지할 수 있는 나머지 제2 설계 변수의 값을 도출할 수 있다. 즉, 장치(100)는 입력 변수와 출력 변수의 관계에 따라 결정된 반응 표면을 기초로, 일부 입력 변수인 제1 설계 변수와 출력 변수의 표면에 기초하여 나머지 입력 변수인 제2 설계 변수의 값을 도출할 수 있다. Referring to FIG. 10, the device (100) can derive the values of the remaining second design variables that can maintain the corresponding failure strength when the values of the first design variables and the failure strength desired by the user are given by applying the response surface method to the correlation between the input variables and the output variables inherent in the meta model. That is, the device (100) can derive the values of the remaining second design variables, which are input variables, based on the surfaces of the first design variables and the output variables, which are some input variables, based on the response surface determined according to the relationship between the input variables and the output variables.
이에 따라, 장치(100)는 메타 모델을 이용하여, 제1 설계 변수의 값과 파손 강도의 값을 유지시킬 수 있는 제2 설계 변수의 값을 도출할 수 있다. 사용자는 원하는 파손 강도의 값을 갖는 구조물을 설계하기 위해 제1 설계 변수의 값과 제2 설계 변수의 값을 사용할 수 있다. 사용자는 추천된 구조물의 설계 정보를 기초로 실제 구조물의 제작에 사용할 수 있다. Accordingly, the device (100) can derive the values of the first design variable and the second design variable that can maintain the value of the failure strength by using the meta model. The user can use the values of the first design variable and the values of the second design variable to design a structure having a desired failure strength value. The user can use the design information of the recommended structure to manufacture an actual structure.
상기와 같은 본 발명에 따르면, 구조체 설계 분야에 있어서 설계 변수를 기반으로 통계적으로 샘플링된 소규모 데이터를 활용하여 물리 기반 인공신경망(PINN)을 구축하고, 이를 통해 대상물의 광범위한 성능 데이터를 확보하는 메타 모델을 생성할 수 있다. According to the present invention as described above, in the field of structural design, a physics-based artificial neural network (PINN) can be constructed by utilizing small-scale data statistically sampled based on design variables, and a meta model can be created through this to secure extensive performance data of a target object.
이로써, 기존에 구조물의 설계안 변경에 따라 엔지니어가 시뮬레이션 전처리 및 후처리를 다시 해야 한다는 번거로움을 제거할 수 있으며, 같은 시간 대비 더 광범위한 설계안을 검토할 수 있다. This eliminates the hassle of engineers having to re-process and post-process simulations according to changes in the existing structural design, and allows for a wider range of design options to be reviewed in the same amount of time.
이에 따라, 다양한 외부 변수에 대한 결과값 예측을 최적화하여 컴퓨팅 자원의 절약 효과를 볼 수 있으며, 통계적으로 검증된 소규모 데이터셋을 이용하여 모델을 구축할 수 있기 때문에 데이터 확보의 어려움을 피할 수 있다. Accordingly, the prediction of results for various external variables can be optimized, resulting in savings in computing resources, and difficulties in securing data can be avoided because models can be built using small, statistically verified datasets.
더 나아가, 본 발명은 기계나 건축물과 같은 구조물의 성능 및 내구성 분석 과정을 개선하고, 최적화 문제 해결에 기여함으로써 엔지니어링 분야에서의 효율성과 정확성을 높일 수 있다. Furthermore, the present invention can improve the performance and durability analysis process of structures such as machines and buildings, and contribute to solving optimization problems, thereby increasing efficiency and accuracy in the engineering field.
또한, 상술한 실시 예에 따른 방법은 컴퓨터로 판독 가능한 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터로 판독 가능한 기록 매체의 형태로도 구현될 수 있다. 일 실시 예에 따른 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램은 프로세서에 의해 실행되면, 구조물의 설계 변수와 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작, 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작, 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작; 및 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있으며, 중복 서술을 위해 자세히 설명하지는 않았지만 본 발명에 적용된 모든 기술적 특징은 컴퓨터 프로그램에 모두 동일하게 적용될 수 있다.In addition, the method according to the above-described embodiment may also be implemented in the form of a computer program stored in a computer-readable medium or a computer-readable recording medium. The computer program stored in the computer-readable recording medium according to one embodiment may include instructions for causing the processor to perform a method including the following operations: acquiring experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables; generating a neural network model that has learned correlations between physical quantities of the structure according to design variables and external variables of the structure based on the experimental data; generating performance data of the structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether the structure is damaged based on the physical quantities according to design variables and external variables input and output by the neural network model; and generating a meta model that has learned correlations between design variables and failure strength of the structure based on the performance data. Although not described in detail for the sake of redundancy, all technical features applied to the present invention may be equally applied to the computer program.
또한, 본 문서의 실시 예들의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 이러한 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 프로세서는 범용 프로세서, FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit), DSP(Digital Signal Processor) 및/또는 등등 일 수 있다.Additionally, the processor of the embodiments of the present document can call at least one command among one or more commands stored from a storage medium and execute it. This enables the device to operate to perform at least one function according to the at least one command called. These one or more commands can include code generated by a compiler or code executable by an interpreter. The processor can be a general-purpose processor, a Field Programmable Gate Array (FPGA), an Application Specific Integrated Circuit (ASIC), a Digital Signal Processor (DSP), and/or the like.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.Although the embodiments of the present invention have been described with reference to the attached drawings, those skilled in the art will understand that the present invention can be implemented in other specific forms without changing the technical idea or essential features thereof. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive.
10: 프로세서
20: 네트워크 인터페이스
30: 메모리
40: 스토리지
41: 컴퓨터 프로그램
50: 데이터 버스
100: 메타 모델 생성 장치10: Processor
20: Network Interface
30: Memory
40: Storage
41: Computer Program
50: Data Bus
100: Metamodel generator
Claims (10)
구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작;
상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작;
상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작; 및
상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작;
을 포함하는 방법. A method for generating an artificial intelligence-based meta model for determining structural performance of a device including a processor and a memory,
An operation of obtaining experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables;
An operation of generating a neural network model that learns the correlation between the physical quantities of a structure and the design variables and external variables of the structure based on the above experimental data;
An operation of generating performance data of a structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether a structure is damaged based on the physical quantities according to the design variables and external variables input and output by the above neural network model; and
An operation of generating a meta model that learns the correlation between the design variables of a structure and the failure strength based on the above performance data;
A method including:
상기 방법은,
상기 메타 모델의 입력 변수 중 일부인 제1 설계 변수의 값을 입력받는 경우, 상기 메타 모델을 기초로 소정의 파손 강도를 갖는 구조물이 구성되도록 상기 입력 변수 중 나머지인 제2 설계 변수의 값을 도출하는
방법. In the first paragraph,
The above method,
When the value of the first design variable, which is part of the input variables of the above meta model, is input, the value of the second design variable, which is the remaining of the input variables, is derived so that a structure having a predetermined failure strength is formed based on the above meta model.
method.
상기 실험 데이터를 획득하는 동작은
Taguchi methods를 이용한 실험 계획법을 기초로 특정 설계 변수의 구조물에 가해지는 외부 변수에 따른 물리량을 획득하는 시뮬레이션을 수행하는 동작을 포함하는,
방법. In the first paragraph,
The operation of obtaining the above experimental data is
It includes an operation of performing a simulation to obtain physical quantities according to external variables applied to a structure of specific design variables based on an experimental design method using Taguchi methods.
method.
상기 성능 데이터를 생성하는 동작은
소정 범위로 설계 변수 및 외부 변수를 변화시키면서 상기 신경망 모델에 입력하여 출력된 물리량을 획득하여 데이터를 증강시키는 동작;
상기 증강된 데이터를 이용하여, 특정 설계 변수로 구성된 구조물이 갖는 물리량을 파손 기준 알고리즘에 입력하여 파손 강도를 판별하는 동작; 및
설계 변수 별로 판별된 파손 강도를 매핑하여 설계 변수 별 구조물의 성능 데이터를 생성하는 동작을 포함하는,
방법. In the first paragraph,
The action that generates the above performance data is
An operation of augmenting data by obtaining physical quantities output by inputting them into the neural network model while changing design variables and external variables within a predetermined range;
Using the augmented data, an operation of inputting the physical quantity of a structure composed of specific design variables into a failure criterion algorithm to determine the failure strength; and
Including an operation to generate performance data of a structure for each design variable by mapping the determined failure strength for each design variable.
method.
상기 파손 기준 알고리즘은
Von-mises Criterion, Tresca Criterion, Tsai-Wu Failure Criterion 의 파손 규정 방법론(Failure Criterion) 중 적어도 하나를 활용한 알고리즘을 포함하는,
방법. In paragraph 4,
The above damage criteria algorithm is
Including an algorithm that utilizes at least one of the failure criteria methodologies of Von-mises Criterion, Tresca Criterion, and Tsai-Wu Failure Criterion.
method.
상기 신경망 모델은
물리 기반 인공 신경망(Physics-informed neural networks, PINNs)을 기초로 학습되는
방법. In the first paragraph,
The above neural network model
Learning based on physics-informed neural networks (PINNs)
method.
상기 설계 변수는
구조물의 치수, 재질, 열처리 유무, 체결 토크 중 적어도 하나에 대한 변수를 포함하는
방법. In the first paragraph,
The above design variables are
Including at least one variable among the dimensions, material, heat treatment, and fastening torque of the structure.
method.
상기 물리량은
탄성 변형량, 소성 변형량, 탄성 변형률, 소성 변형률, 내부 응력, 반발력 중 적어도 하나에 대한 변수를 포함하는
방법. In the first paragraph,
The above physical quantity is
Containing a variable for at least one of elastic strain, plastic strain, elastic strain, plastic strain, internal stress, and repulsive force.
method.
상기 명령어를 실행하는 프로세서를 포함하고,
상기 프로세서의 동작은,
구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작;
상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작;
상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작; 및
상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작;
을 포함하는 장치.memory containing instructions; and
comprising a processor for executing the above instructions;
The operation of the above processor is:
An operation of obtaining experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables;
An operation of generating a neural network model that learns the correlation between the physical quantities of a structure and the design variables and external variables of the structure based on the above experimental data;
An operation of generating performance data of a structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether a structure is damaged based on the physical quantities according to the design variables and external variables input and output by the above neural network model; and
An operation of generating a meta model that learns the correlation between the design variables of a structure and the failure strength based on the above performance data;
A device comprising:
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
구조물의 설계 변수와 상기 설계 변수로 구성된 구조물에 가해지는 외부 변수에 따라 상기 구조물이 갖는 물리량에 대한 실험 데이터를 획득하는 동작;
상기 실험 데이터를 기초로 구조물의 설계 변수 및 외부 변수에 따라 구조물이 갖는 물리량에 대한 상관 관계를 학습한 신경망 모델을 생성하는 동작;
상기 신경망 모델이 입출력하는 설계 변수 및 외부 변수에 따른 물리량에 대해 구조물의 파손 여부를 판별하는 파손 기준 알고리즘을 이용하여, 특정 설계 변수로 구성된 구조물의 파손을 달성시키는 물리량인 파손 강도를 판별하여 구조물의 성능 데이터를 생성하는 동작; 및
상기 성능 데이터를 기초로 구조물의 설계 변수와 파손 강도의 상관 관계를 학습한 메타 모델을 생성하는 동작;
을 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터로 판독 가능한 매체에 저장된 컴퓨터 프로그램.A computer program stored in a computer-readable recording medium,
The above computer program, when executed by a processor,
An operation of obtaining experimental data on physical quantities of a structure according to design variables of the structure and external variables applied to the structure composed of the design variables;
An operation of generating a neural network model that learns the correlation between the physical quantities of a structure and the design variables and external variables of the structure based on the above experimental data;
An operation of generating performance data of a structure by determining the failure strength, which is a physical quantity that achieves failure of a structure composed of specific design variables, using a failure criterion algorithm that determines whether a structure is damaged based on the physical quantities according to the design variables and external variables input and output by the above neural network model; and
An operation of generating a meta model that learns the correlation between the design variables of a structure and the failure strength based on the above performance data;
A computer program stored on a computer-readable medium comprising instructions for causing the processor to perform a method including:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230095917A KR20250015013A (en) | 2023-07-24 | 2023-07-24 | Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230095917A KR20250015013A (en) | 2023-07-24 | 2023-07-24 | Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20250015013A true KR20250015013A (en) | 2025-02-03 |
Family
ID=94613028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230095917A Pending KR20250015013A (en) | 2023-07-24 | 2023-07-24 | Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20250015013A (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101919339B1 (en) | 2017-06-30 | 2018-11-19 | 연세대학교 산학협력단 | Joint Fracture Prediction System and Method Using Meta-Model |
-
2023
- 2023-07-24 KR KR1020230095917A patent/KR20250015013A/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101919339B1 (en) | 2017-06-30 | 2018-11-19 | 연세대학교 산학협력단 | Joint Fracture Prediction System and Method Using Meta-Model |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dornheim et al. | Neural networks for constitutive modeling: From universal function approximators to advanced models and the integration of physics | |
| Wang et al. | Flexible-constrained time-variant hybrid reliability-based design optimization | |
| CN115427968A (en) | Robust AI Inference in Edge Computing Devices | |
| US20120310870A1 (en) | Application configuration generation | |
| Srivastava et al. | Generalizable physics-constrained modeling using learning and inference assisted by feature-space engineering | |
| US6947870B2 (en) | Neural network model for electric submersible pump system | |
| Li et al. | Modeling nonlinear flutter behavior of long‐span bridges using knowledge‐enhanced long short‐term memory network | |
| CN120317192A (en) | A fast prediction method for unsteady flow field based on cross-fidelity neural network | |
| Han et al. | A kriging-based active learning algorithm for contour estimation of integrated response with noise factors | |
| WO2020055659A1 (en) | Generation and utilization of self-improving data-driven models with selective simulation of 3d object design | |
| KR20220166176A (en) | Method and apparatus for quantizing deep neural network | |
| JP2020181318A (en) | Optimizer, optimization method, and program | |
| CN114048544A (en) | Aircraft structure response characteristic prediction method, device, equipment and medium | |
| KR20250015013A (en) | Method and apparatus for generating meta-model based on artificial intelligence to determine structure performance | |
| Hieu et al. | A Machine Learning-Based approach for predicting the execution time of CFD applications on cloud computing environment | |
| WO2020056107A1 (en) | Automated simulation pipeline for fast simulation driven computer aided design | |
| Zafar et al. | An efficient method for time-dependent reliability prediction using domain adaptation | |
| Pan et al. | Sequential design command prediction using BIM event logs | |
| Fang et al. | An active-learning probabilistic neural network for feasibility classification of constrained engineering optimization problems | |
| Li et al. | A selection strategy for Kriging based design of experiments by spectral clustering and learning function | |
| Winter et al. | Coupling of recurrent and static neural network approaches for improved multi-step ahead time series prediction | |
| CN119088401B (en) | A model optimization method and related device | |
| Chowdhury et al. | Adaptive model refinement in surrogate-based multiobjective optimization | |
| US20250044783A1 (en) | Method, device, medium and product for state prediction of a physical system | |
| US20250028876A1 (en) | Multi-level predictions in workflow logic of computer-aided design (cad) applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20230724 |
|
| PA0201 | Request for examination |
Patent event code: PA02011R01I Patent event date: 20230724 Comment text: Patent Application |
|
| PG1501 | Laying open of application |