KR102457539B1 - Structural Performance Based Inverse Material Design Method - Google Patents
Structural Performance Based Inverse Material Design Method Download PDFInfo
- Publication number
- KR102457539B1 KR102457539B1 KR1020190147823A KR20190147823A KR102457539B1 KR 102457539 B1 KR102457539 B1 KR 102457539B1 KR 1020190147823 A KR1020190147823 A KR 1020190147823A KR 20190147823 A KR20190147823 A KR 20190147823A KR 102457539 B1 KR102457539 B1 KR 102457539B1
- Authority
- KR
- South Korea
- Prior art keywords
- parameters
- analysis model
- physical properties
- calculated
- computational analysis
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/60—In silico combinatorial chemistry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
본 발명에 의한 역해석에 의한 원재료 물성 산출 방법은, 완성품에 대한 제1 전산 해석 모델을 구축하는 제1 단계와; 제1 전산 해석 모델에 대해서 역해석을 수행하여 완성품의 구성 재료 모델의 물성 및 매개변수를 산출하는 제2 단계와; 제2 단계에서 산출된 물성 및 매개변수에 기초하여 표준 시편의 제2 전산 해석 모델을 구축하는 제3 단계와; 제2 전산 해석 모델에 대해서 전산 해석을 통해 재료의 온도 및 변형률 속도에 따른 응력-변형률 선도를 산출하는 제4 단계와; 제4 단계에서 산출된 응력-변형률 선도에 기초하여 재료의 물성을 산출하는 제5 단계를 포함한다.A method for calculating raw material properties by inverse analysis according to the present invention comprises: a first step of constructing a first computational analysis model for a finished product; a second step of calculating physical properties and parameters of a material model constituting a finished product by performing an inverse analysis on the first computational analysis model; a third step of constructing a second computational analysis model of the standard specimen based on the physical properties and parameters calculated in the second step; a fourth step of calculating a stress-strain curve according to the temperature and strain rate of the material through computational analysis for the second computational analysis model; and a fifth step of calculating physical properties of the material based on the stress-strain curve calculated in the fourth step.
Description
본 발명은 구조물 성능기반 재료의 역설계 방법에 대한 것으로서 완성품에 대해 목표하는 기계적 거동을 추종할 수 있는 원재료의 제조 공정 변수 내지 화학적 조성을 설계할 수 있는 원재료 물성 산출 방법에 대한 것이다.The present invention relates to a method for reverse engineering a structure performance-based material, and to a method for calculating raw material properties capable of designing a manufacturing process variable or chemical composition of a raw material capable of following a target mechanical behavior of a finished product.
소정의 원재료를 이용하여 제작되는 완성품은 원재료와 형상이 전혀 다를 뿐만 아니라 실내에서 수행할 수 있는 물성 실험 조건과는 전혀 다른 예상하지 못한 환경에서 사용될 수 있다. 예를 들어 다축 방향의 기계적 하중, 극한 하중, 온도/습도 변화에 따른 영향 등을 실험실에서 재현하기는 많은 비용과 시간이 소요된다. 특히 가스 터보 엔진의 경우는 실험실 수준에서 재현하기 매우 어려운 환경에서 사용되며 재현한다 하더라도 매우 큰 비용이 소요되는 한계가 있다.A finished product manufactured using a predetermined raw material may have a completely different shape from the raw material and may be used in an unexpected environment that is completely different from the physical property test conditions that can be performed indoors. For example, it is costly and time-consuming to reproduce multiaxial mechanical loads, extreme loads, and effects of temperature/humidity changes in a laboratory. In particular, in the case of a gas turbo engine, it is used in an environment that is very difficult to reproduce at a laboratory level, and even if reproduced, there is a limitation that a very large cost is required.
외부의 힘에 의한 구조물 응답을 실제 실험없이 예측할 수 있는 전산구조해석 방법이 널리 사용되고 있다. 전산 구조해석에서는 재료의 역학적 거동 법칙이 해석 모델 내에 정의되어 있어야 하는데 이미 탄소성 재료 모델, 점소성 재료 모델, 초탄성 모델 등 무수히 많은 수학적 재료 모델에 대해서는 상용 소프트웨어가 널리 보급되어 있다.The computational structural analysis method that can predict the structure response due to external forces without actual experiments is widely used. In computational structural analysis, the laws of mechanical behavior of materials must be defined in the analysis model, and commercial software has already been widely used for countless mathematical material models such as elastoplastic material models, viscoplastic material models, and superelastic models.
한편, 역해석 방법이 있는데, 이는 구조물에 외부힘을 가했을 때 측정되는 "실측 응답"과 "예측 응답" 사이의 차이를 최소화하도록 해서 재료 물성 또는 재료 모델 관련 매개변수를 결정하는 방법이다. 그러나 종래의 역해석 방법에 의하면 완성품에 대한 역해석으로 물성과 매개변수를 구성하기 때문에 원재료의 물성 및 매개변수와 제작 공정의 변수 및 화학적 조성과의 관계가 부정확하게 매칭될 수 있을 뿐이다.On the other hand, there is the inverse analysis method, which is a method of determining material properties or material model related parameters by minimizing the difference between the "measured response" and the "predicted response" measured when an external force is applied to a structure. However, according to the conventional reverse analysis method, since the properties and parameters are constituted by the reverse analysis of the finished product, the relationship between the physical properties and parameters of the raw material and the variables and chemical composition of the manufacturing process may only be matched inaccurately.
본 발명은 종래 기술의 역해석의 한계를 극복함으로써, 완성품의 성능을 목표로 원재료의 물성과 매개변수를 정확하게 산출해서, 그에 매칭될 수 있는 제작 공정 변수 및 화학 조성을 설계할 수 있는 원재료 물성 산출 방법을 제공하는 것을 목적으로 한다.The present invention overcomes the limitations of the reverse analysis of the prior art, and accurately calculates the physical properties and parameters of the raw material with the goal of the performance of the finished product, and a method of calculating the raw material properties that can design the manufacturing process parameters and chemical composition that can be matched thereto aims to provide
본 발명에 의한 역해석에 의한 원재료 물성 산출 방법은, 완성품에 대한 제1 전산 해석 모델을 구축하는 제1 단계와; 제1 전산 해석 모델에 대해서 역해석을 수행하여 완성품의 구성 재료 모델의 물성 및 매개변수를 산출하는 제2 단계와; 제2 단계에서 산출된 물성 및 매개변수에 기초하여 표준 시편의 제2 전산 해석 모델을 구축하는 제3 단계와; 제2 전산 해석 모델에 대해서 전산 해석을 통해 재료의 온도 및 변형률 속도에 따른 응력-변형률 선도를 산출하는 제4 단계와; 제4 단계에서 산출된 응력-변형률 선도에 기초하여 재료의 물성을 산출하는 제5 단계를 포함한다.A method for calculating raw material properties by inverse analysis according to the present invention comprises: a first step of constructing a first computational analysis model for a finished product; a second step of calculating physical properties and parameters of a material model constituting a finished product by performing an inverse analysis on the first computational analysis model; a third step of constructing a second computational analysis model of the standard specimen based on the physical properties and parameters calculated in the second step; a fourth step of calculating a stress-strain curve according to the temperature and strain rate of the material through computational analysis for the second computational analysis model; and a fifth step of calculating physical properties of the material based on the stress-strain curve calculated in the fourth step.
제2 단계의 역해석은, 자가 최적화 방법에 의해 최적화되어 산출된 물성 및 매개변수에 기초하여 다음과 같은 목표 성능과의 오차 함수값(Error(k))이 소정의 수치(tolerance) 이내 또는 소정의 수치보다 작게 하는 방법이 될 수 있다.In the inverse analysis of the second stage, the error function value (Error (k) ) with the target performance as follows based on the properties and parameters that are optimized and calculated by the self-optimization method is within a predetermined tolerance or It can be a way to make it smaller than the value of .
여기에서, Np은 목표성능 곡선에서의 임의의 이산포인트 개수이며, 
상기 물성 및 매개변수를 최적화하여 산출하는 방법은, 적어도 2개의 전산 해석 모델을 구축하여 복수 개의 응력-변형률 선도를 예측할 수 있는 재료 모델을 정의하는 제2-1-1 단계와; 경계 압력을 어느 하나의 전산 해석 모델에 재하하고, 다른 하나의 전산 해석 모델에 경계 변위 및 내부 변위 중 적어도 어느 하나를 재하하여 해석하는 제2-1-2 단계와; 물성 또는 매개변수를 최적화하는 제2-1-3 단계를 포함한다.The method for calculating and optimizing the properties and parameters comprises: a step 2-1-1 of constructing at least two computational analysis models to define a material model capable of predicting a plurality of stress-strain curves; a 2-1-2 step of applying a boundary pressure to any one computational analysis model, and loading and analyzing at least one of a boundary displacement and an internal displacement on the other computational analysis model; Steps 2-1-3 of optimizing physical properties or parameters are included.
제2-1-3 단계는, 2개의 전산 해석 모델에서 응력장과 변형률장을 추출하고 2개의 모델 간의 응력장 및 변형률장의 다음과 같은 오차값(ErrorSELF-OPTIM)을 최소화하는 방향으로 물성 및 매개변수를 최적화하는 단계일 수 있다.Step 2-1-3 extracts the stress field and strain field from the two computational analysis models and minimizes the following error values (Error SELF-OPTIM ) of the stress field and strain field between the two models. may be an optimization step.
여기에서 
상기 제2 단계의 역해석은, 자동적응학습 알고리즘을 통한 자가 학습 역유한요소해석에 의해 최적화되어 산출된 물성 및 매개변수에 기초하여 다음과 같은 목표 성능과의 오차 함수값(Error(k))이 소정의 수치(tolerance) 이내 또는 소정의 수치보다 작게 하는 방법일 수 있다.The inverse analysis of the second step is an error function value with the following target performance based on the physical properties and parameters calculated and optimized by self-learning inverse finite element analysis through an automatic adaptive learning algorithm (Error (k) ) The method may be within this predetermined tolerance or smaller than the predetermined value.
여기에서, Np은 목표성능 곡선에서의 임의의 이산포인트 개수이며, 
자동적응학습 알고리즘을 통한 자가 학습 역유한요소해석에 의해 물성 및 매개변수를 산출하는 방법은, 인공지능 기반 재료 모델을 포함하는 적어도 2개의 유한요소해석 모델을 구축하는 2-2-1 단계와; 경계 압력을 어느 하나의 유한요소해석 모델에 재하하고, 다른 하나의 유한요소해석 모델에 경계변위 및 내부 변위 중 적어도 어느 하나를 재하하여 해석하는 제2-2-2 단계와; 경계 압력을 받는 유한요소해석 모델에서 응력장을 추출하고, 경계변위 및 내부 변위 중 적어도 어느 하나를 받는 유한요소해석 모델에서 변형률장을 추출하는 제2-2-3 단계와; 제2-2-3 단계에서 추출된 응력장 및 변형률장에 기초하여 자동적응학습 알고리즘에 의해 물성 또는 매개변수를 산출하는 제2-2-4 단계를 포함한다.A method for calculating physical properties and parameters by self-learning inverse finite element analysis through an automatic adaptive learning algorithm comprises the steps of 2-2-1 of constructing at least two finite element analysis models including artificial intelligence-based material models; a step 2-2-2 of applying a boundary pressure to any one finite element analysis model and applying at least one of boundary displacement and internal displacement to the other finite element analysis model for analysis; a step 2-2-3 of extracting a stress field from the finite element analysis model subjected to boundary pressure, and extracting a strain field from the finite element analysis model receiving at least one of boundary displacement and internal displacement; A step 2-2-4 of calculating physical properties or parameters by an automatic adaptive learning algorithm based on the stress field and strain field extracted in step 2-2-3 is included.
상기 방법에 의해 산출된 원재료의 물성에 기초하여 제조 공정 변수 및 원재료의 화학적 조성을 선택하는 방법은, 복수 개의 제조 공정 변수와 복수 개의 화학적 조성에 기초하여 원재료 시편을 복수 개 제작하는 제6 단계와; 제6 단계에서 제작된 복수 개의 원재료 시편에 대해서 제4 단계에서의 하중과 동일한 하중을 인가하여 원재료의 물성 데이터를 획득하는 제7 단계와; 제5 단계에서 산출된 물성과 제7 단계에서 획득된 물성에 기초하여 원재료 시편의 제조 공정 변수 및 화학적 조성 중 적어도 어느 하나를 획득하는 제8 단계를 포함한다.A method of selecting a manufacturing process variable and a chemical composition of a raw material based on the physical properties of the raw material calculated by the method includes: a sixth step of manufacturing a plurality of raw material specimens based on a plurality of manufacturing process variables and a plurality of chemical compositions; a seventh step of obtaining physical property data of the raw material by applying a load equal to the load in the fourth step to the plurality of raw material specimens manufactured in the sixth step; and an eighth step of obtaining at least one of a manufacturing process variable and a chemical composition of the raw material specimen based on the physical properties calculated in the fifth step and the physical properties obtained in the seventh step.
다양한 설계하중조건에서 완성품의 목표성능을 만족하는 원재료의 물성 및/또는 매개 변수를 역해석을 통해 구하고, 다양한 제조 공정 변수와 화학적 조성에 따라 제작된 표준 시편의 물성과 제조 공정 변수/화학적 조성과의 상관 관계를 미리 학습시킨 인공 지능에 입력하여 원재료의 제조 공정 변수와 화학적 조성을 구함으로써, 다양한 설계하중조건에서 완성품의 목표 거동을 추종할 수 있도록 원재료에 대한 제조 공정 변수와 화학적 조성을 결정할 수 있는 작용 효과가 제공된다.The physical properties and/or parameters of raw materials that satisfy the target performance of the finished product under various design load conditions are obtained through reverse analysis, and the physical properties and manufacturing process variables/chemical composition By inputting the correlation of effect is provided.
도 1은 본 발명에 의한 원재료 물성 및 매개변수 산출 과정의 흐름도.
도 2는 다양한 제조 공정 변수와 화학적 조성에 대해서 원재료 시편의 물성 데이터를 획득하는 과정의 흐름도.
도 3은 자가 학습 역유한요소해석의 순서도.
도 4는 적응 학습 과정을 설명하기 위한 도면.1 is a flow chart of the raw material properties and parameter calculation process according to the present invention.
2 is a flowchart of a process of acquiring physical property data of a raw material specimen with respect to various manufacturing process variables and chemical compositions.
3 is a flowchart of self-learning inverse finite element analysis.
4 is a diagram for explaining an adaptive learning process;
이하에서는 첨부 도면을 참조하여 본 발명에 대해서 자세하게 설명한다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.
본 명세서에서는 본 발명의 설명에 필요한 최소한의 구성요소만을 설명하며, 본 발명의 본질과 관계가 없는 구성요소는 언급하지 아니한다. 그리고 언급되는 구성요소만을 포함하는 배타적인 의미로 해석되어서는 아니되며 언급되지 않은 다른 구성요소도 포함할 수 있는 비배타적인 의미로 해석되어야 한다.In this specification, only the minimum components necessary for the description of the present invention are described, and components not related to the essence of the present invention are not mentioned. And it should not be construed as an exclusive meaning including only the mentioned components, and it should be construed as a non-exclusive meaning that may also include other components not mentioned.
본 발명은 전자적 연산이 가능한 컴퓨터, 서버 컴퓨터, 스마트폰과 같은 모바일 디바이스 등의 전자적 연산 장치에 의해서 수행되며, 후술하는 본 발명의 각 단계의 수학적 연산 및 산출은 해당 연산 또는 산출을 하기 위해 공지되어 있는 코딩 방법 및/또는 본 발명에 적합하게 고안된 코딩에 의해서 컴퓨터 연산으로 구현될 수 있다.The present invention is performed by an electronic computing device such as a computer capable of electronic calculation, a server computer, and a mobile device such as a smart phone, and the mathematical operation and calculation of each step of the present invention described below is known for performing the corresponding operation or calculation. It may be implemented by computer operation by a coding method and/or a coding devised suitable for the present invention.
그리고 본 명세서에서 "값"이라 함은 스칼라값 뿐만 아니라 벡터 및 행렬, 다항식 등 수학식으로 표현될 수 있는 모든 값을 포함하는 광의의 개념으로 정의된다.And, in the present specification, the term “value” is defined as a broad concept including all values that can be expressed by mathematical expressions such as vectors, matrices, and polynomials as well as scalar values.
본 명세서에서 설명하는 예시적인 실시예는 본 명세서에 개시(開示)되는 장치의 구조, 기능, 제작 및 용도와 방법의 원리에 대한 전반적인 이해를 제공한다. 이러한 하나 이상의 실시예가 첨부 도면에 도시되어 있다. 당업자라면 여기에 구체적으로 기재되고 첨부 도면에 도시되어 있는 장치 및 방법이 비제한적이고 예시적인 실시예이며 본 발명의 권리범위는 특허청구범위에 의해서 정의된다는 점을 이해할 것이다. 하나의 예시적인 실시예와 관련되어 도시되고 설명되는 특징은 다른 실시예의 특징과도 결합될 수 있다. 그러한 수정(modification) 또는 변경(variation)은 본 발명의 권리범위에 포함되도록 의도된다.The exemplary embodiments described herein provide a general understanding of the principles of the structure, function, manufacture and use and methods of the devices disclosed herein. One or more such embodiments are illustrated in the accompanying drawings. It will be understood by those skilled in the art that the apparatus and methods specifically described herein and shown in the accompanying drawings are non-limiting exemplary embodiments and that the scope of the present invention is defined by the claims. Features shown and described in connection with one exemplary embodiment may also be combined with features of another embodiment. Such modifications or variations are intended to be included within the scope of the present invention.
본 명세서의 첨부 도면에 도시되어 있는 장치의 각 구성요소는 도면에 명시적으로 도시된 형태, 크기, 치수뿐만 아니라 본 발명이 의도하는 기능을 수행할 수 있는 형태, 크기, 치수라면 어느 것이든 적용될 수 있다.Each component of the device shown in the accompanying drawings of the present specification may be applied to any form, size, and dimension that can perform the intended function of the present invention as well as the shape, size, and dimension explicitly shown in the drawings. can
도 1에는 본 발명에 의한 원재료 물성 및 매개변수 산출 과정의 흐름도가 도시되어 있다.1 is a flowchart of the raw material properties and parameter calculation process according to the present invention.
먼저 가공 후의 완제품에 대한 전산 해석 모델을 구축한다(단계 100). 이렇게 구축된 전산 해석 모델의 일부 경계에 목표 성능에 해당하는 하중을 인가하여 해석 모델 내에 정의된 구성 재료 모델의 물성과 매개 변수를 역해석을 통해 산출한다. 역해석 과정은 단계(105) 내지 단계(115)로 구성된다.First, a computational analysis model for the finished product after processing is built (step 100). By applying a load corresponding to the target performance to some boundaries of the computational analysis model constructed in this way, the properties and parameters of the constituent material model defined in the analysis model are calculated through reverse analysis. The inverse analysis process consists of
역해석은 자가 최적화 기법(105)과 자동 적응 학습 알고리즘을 통한 자가 학습 역유한요소 해석(110)으로 구별된다. 자가 최적화 기법은 수학적 모델이 존재하는 재료에 대해서 사용되며, 자동 적응 학습 알고리즘을 통한 자가 학습 역유한요소 해석은 수학적 모델이 존재하지 않는 새로운 재료 예를 들어 적층제조된 금속 재료 등에 대해서 사용될 수 있다.The inverse analysis is divided into a self-
자가 최적화 기법(105)과 자동 적응 학습 알고리즘을 통한 자가 학습 역유한요소 해석(110) 중 어느 하나에 의해서 물성 및 매개 변수가 최적화되어 산출되며 단계(115)에서 목적함수(에러)가 허용오차 이내인지 여부를 판단해서, 허용오차보다 목적함수값이 크면 선택된 최적화 알고리즘에 따라 단계(105) 내지 단계(110)으로 복귀해서 자가 최적화 기법(105) 또는 자동 적응 학습 알고리즘을 통한 자가 학습 역유한요소 해석(110)을 반복한다. 이하에서는 각 과정에 대해서 자세하게 설명한다.The physical properties and parameters are optimized and calculated by any one of the self-
본 발명의 역해석 방법에서는 종래기술의 역해석 방법과 다르게 "실측 응답"이 아니라 "목표 성능 응답"을 사용한다. 목표 성능 응답은 설계자가 목표로 하는 완성품의 역학적 거동을 의미한다.Unlike the inverse analysis method of the prior art, the inverse analysis method of the present invention uses a "target performance response" rather than a "measured response". The target performance response refers to the mechanical behavior of the finished product that the designer is targeting.
완성품의 목표 성능 응답에 의해 다음과 같이 목적 함수를 정의한다.The objective function is defined as follows by the target performance response of the finished product.
Np은 목표성능 곡선에서의 임의의 이산포인트 개수이며, 
자가 최적화 기법(105)을 적용하는 경우의 역해석은 목표 성능 응답을 경계 압력 또는 경계 힘, 그리고 경계 변위 및 내부 변위 중 적어도 어느 하나로 나눈다.Inverse analysis in the case of applying the self-
적어도 2개의 전산 해석 모델을 구축해서 복수 개의 응력-변형률 선도를 예측할 수 있도록 재료 모델을 정의한다.A material model is defined to predict multiple stress-strain curves by building at least two computational analysis models.
어느 하나의 전산 해석 모델에는 경계 압력 또는 경계 힘을 재하하여 해석하고, 다른 하나의 전산 해석 모델에는 경계 변위 및 내부 변위 중 적어도 어느 하나를 재하하여 해석한다.One computational analysis model is analyzed by loading boundary pressure or boundary force, and the other computational analysis model is analyzed by loading at least one of boundary displacement and internal displacement.
물성 및 매개변수를 최적화하는 최적화 알고리즘으로 non-gradient 전역 최적화 알고리즘 또는 gradient-based 알고리즘 등을 사용할 수 있다. non-gradient 전역 최적화 알고리즘의 예로는, 유전자 알고리즘, particle swan optimization, firefly algorithm, simplex algorithm 등이 있다. 자가 최적화 기법에서 물성과 매개변수 최적화를 위해 사용하는 목적 함수는 다음과 같이 정의할 수 있다.As an optimization algorithm for optimizing properties and parameters, a non-gradient global optimization algorithm or a gradient-based algorithm may be used. Examples of the non-gradient global optimization algorithm include a genetic algorithm, particle swan optimization, firefly algorithm, and simplex algorithm. The objective function used for optimizing properties and parameters in the self-optimization technique can be defined as follows.
적절한 최적화 알고리즘을 적용하여 수학식 2에 정의된 목적 함수가 최소화하는 물성과 매개변수를 산출한다.By applying an appropriate optimization algorithm, the properties and parameters minimized by the objective function defined in
그렇게 산출된 물성 및 매개변수를 이용하여 수학식 1에 정의된 목적 함수가 허용 오차 이내인지를 판단하고(단계 115), 목적 함수값이 허용 오차보다 크면 단계(105)로 복귀해서 최적화 과정을 다시 수행한다. 수학식 1의 목적함수값이 허용오차 이내면 단계(120)로 이행하여 산출된 물성 및 매개변수에 기초하여 원재료의 수학적 모델을 수립한다.It is determined whether the objective function defined in
수학적 모델이 존재하지 않는 재료의 경우에는 자동 적응 학습 알고리즘을 통한 자가 학습 역유한요소 해석(110)을 수행한다. 이 방법에서 구현되는 재료 모델을 "인공지능 재료모델"로 지칭한다.In the case of a material for which a mathematical model does not exist, self-learning inverse
인공지능 재료 모델은 직접 구성 방법과 간접 구성 방법 두 가지로 구성할 수 있다. 직접 구성 방법에서는 현재 변형률과 과거 응력-변형률에 기초하여 현재 응력을 예측하고, 재료의 접선 강성 텐서는 인공지능 재료모델의 매개변수들로 직접 미분하여 산출한다. 간접 구성 방법에서는, 변형 에너지 함수를 인공지능 재료모델의 매개변수로 구축하여 변형 에너지의 미분을 취해서 재료의 접선 강성텐서를 산출한다.The artificial intelligence material model can be composed of two methods: a direct construction method and an indirect construction method. In the direct construction method, the current stress is predicted based on the current strain and the past stress-strain, and the tangential stiffness tensor of the material is calculated by directly differentiating it with the parameters of the artificial intelligence material model. In the indirect construction method, the strain energy function is built as a parameter of the artificial intelligence material model, and the tangential stiffness tensor of the material is calculated by taking the derivative of the strain energy.
이어서 상기와 같은 방법으로 구축된 인공지능 재료 모델을 포함하는 유한요소해석 모델을 구축한다. 유한요소해석 모델은 적어도 두 개를 구축한다.Next, a finite element analysis model including the artificial intelligence material model constructed in the above manner is constructed. At least two finite element analysis models are constructed.
하나의 유한요소해석 모델에는 경계 압력 또는 경계 힘을 재하하여 응력장을 추출하고, 다른 하나의 유한요소해석 모델에는 경계 변위 및 내부 변위 중 적어도 어느 하나를 재하하여 변형률장을 추출한다. 이렇게 추출된 응력장과 변형률장 선도를 이용하여 인공지능 재료 모델을 적응적으로 학습시킨다.A stress field is extracted by applying a boundary pressure or a boundary force to one finite element analysis model, and a strain field is extracted by loading at least one of boundary displacement and internal displacement to the other finite element analysis model. The artificial intelligence material model is adaptively trained using the extracted stress and strain field diagrams.
도 3에는 자가학습 역유한요소해석의 순서도가 도시되어 있고, 도 4에는 적응 학습 과정을 설명하기 위한 도면이 도시되어 있다.3 is a flowchart of the self-learning inverse finite element analysis, and FIG. 4 is a diagram for explaining the adaptive learning process.
본 발명에 의한 자가학습 역유한요소해석은 자동 적응적 학습 사이클에 의해 수행되며, 본 발명에서는 인공지능 재료 모델에 대해서 학습이 덜 된 상태이기 때문에 단계(315)에서 Newton Iteration에 의한 수렴 완료 횟수를 1보다 크게 지정해서 다음 하중 증분 단계로 넘어가기 전에 Newton Iteration의 수렴 완료를 더 실행하도록 한다. 이는 본 발명이 인공지능 재료모델을 사용하기 때문에 일반적인 비선형 해석알고리즘에 추가된다. N_auto_adapt는 상기 횟수를 의미하며 경험적으로 결정할 수 있다. 도 4에 도시된 예에서는 N_auto_adapt가 2인 경우이다.The self-learning inverse finite element analysis according to the present invention is performed by an automatic adaptive learning cycle. Specify greater than 1 to run more Newton Iteration convergence completions before moving on to the next load increment step. This is in addition to the general nonlinear analysis algorithm because the present invention uses an artificial intelligence material model. N_auto_adapt means the number of times and may be determined empirically. In the example shown in FIG. 4 , N_auto_adapt is 2 .
단계(330)에서는 제1 유한요소해석 모델(FEM-1)의 특정 영역에서 추출된 응력장과 제2 유한요소해석 모델(FEM-2)의 특정 영역에서 추출된 변형률장으로 구성된 새로운 인공지능 재료모델 학습 데이터(New Input)가 학습 DB에 입력된다.In
입력된 데이터에 대해서 도 4에 도시된 바와 같은 자동 적응 학습을 실행하고(단계 335), 단계(340)에서는 자동 적응 학습 사이클이 설정된 횟수만큼 실행되었는지 또는 목표 성능을 재하된 경계 변위 및 내부 변위와 경계 압력, 경계 힘을 작용시킨 유한요소모델에서 계산된 경계 변위 및 내부 변위와의 오차가 허용 범위 이내인지를 판단한다. 두 조건 중 어느 하나를 만족하면 단계(345)로 이행하고, 그렇지 않으면 단계(315)부터 단계(335) 과정을 반복한다.Automatic adaptive learning as shown in Fig. 4 is executed on the input data (step 335), and in
본 발명에 의한 적응 학습은, 힘과 변위가 재하될 때의 비선형 응답 곡선을 여러 개의 증분으로 나누어서 선형해석을 반복적으로 수행함으로써 각 증분에 대해서 수렴을 시킨 후 그 다음번 증분으로 이동해서 상기 과정을 반복한다. 이렇게 하면 인공지능 재료 모델은 증분 단계별로 추출된 응력과 변형률 데이터로 적응 학습이 가능해진다. 마지막 증분까지 상기 과정을 수행하면 비선형 곡선을 예측할 수 있게 되며, 그로부터 인공지능 재료모델의 물성과 매개변수를 산출할 수 있다.Adaptive learning according to the present invention divides the nonlinear response curve when force and displacement are loaded into several increments and repeatedly performs linear analysis to converge for each increment, then move to the next increment and repeat the above process do. In this way, the AI material model can be adaptively trained with the stress and strain data extracted in incremental steps. By performing the above process until the last increment, it is possible to predict the nonlinear curve, from which the properties and parameters of the AI material model can be calculated.
단계(110)을 통해서 물성과 매개변수가 산출되면 단계(115)에서 수학식 1의 목적 함수값이 허용 오차 이내인지를 판단하고, 허용 오차 이내면 단계(125)로 이동하고, 그렇지 않으면 단계(110)로 복귀하여 상기 과정을 반복한다.When the physical properties and parameters are calculated through
자가 최적화 기법 또는 자동 적응 학습 알고리즘을 통한 자가학습 역유한요소해석법에 의해서 물성과 매개변수가 산출되어 수학적 재료 모델(120) 또는 인공지능 재료 모델(125)이 결정되면, 그에 기초하여 표준 시편의 전산 해석 모델을 구축한다(단계 130). 표준 시편은 통상적으로 실험실에서 사용되는 시편이 될 수 있다. 표준 시편에 대해서 후술하는 실제작 표준 시편에 적용되는 하중과 동일하게(실험실 하중) 전산 해석을 수행하여 재료의 온도 및 변형률 속도에 따른 응력-변형률 선도를 산출한다(단계 135).When the
그렇게 산출된 응력-변형률 선도에서 재료의 강성, 강도, 인성, 파손 강도, 파손변형률, 연성 등과 같은 재료의 물성을 산출한다. 그렇게 산출된 원재료의 물성과 매개변수는 인공지능 시스템(145)으로 입력된다.From the stress-strain diagram thus calculated, material properties such as stiffness, strength, toughness, fracture strength, strain strain, and ductility of the material are calculated. The properties and parameters of the raw material thus calculated are input to the
다음으로 다양한 제조 공정 변수와 원재료의 화학적 조성에 따라서 표준 시편을 제작한다(단계 200). 그리고 제작된 표준 시편에 대해서 다양한 온도와 변형률 속도로 실험을 수행하여 각각의 온도와 변형률 속도에서의 표준 시편의 물성을 획득한다(단계 210). 단계(210)에서의 실험시 인가되는 하중은 단계(130)에서 구축된 전산 해석 모델의 표준 시편에 인가되어 응력-변형률 선도를 획득할 때에 인가되는 하중과 동일한 하중이 될 수 있다.Next, a standard specimen is prepared according to various manufacturing process parameters and the chemical composition of the raw material (step 200). Then, an experiment is performed on the manufactured standard specimen at various temperatures and strain rates to obtain physical properties of the standard specimen at each temperature and strain rate (step 210). The load applied during the experiment in
이 물성과 제조 공정 변수와의 관계, 그리고 물성과 화학적 조성과의 관계를 인공지능시스템을 통해 학습시킨다.The relationship between these properties and manufacturing process variables and the relationship between properties and chemical composition are learned through an artificial intelligence system.
도 1의 과정을 통해서 산출되어 인공 지능 시스템에 입력되어 있는 표준 시편의 물성과 매개 변수와, 도 2의 과정을 통해서 획득한 상관 관계에 기초하여 물성에 대응하는 재료의 제조 공정 변수 및/또는 화학적 조성을 획득할 수 있게 된다.Based on the correlation obtained through the process of FIG. 2 and the physical properties and parameters of the standard specimen calculated through the process of FIG. 1 and input to the artificial intelligence system, the manufacturing process parameters and/or chemical parameters of the material corresponding to the properties composition can be obtained.
본 발명에 따르면, 산출된 완성품을 구성하는 원재료의 물성 및/또는 매개 변수를 인공 지능 시스템에 입력하고, 다양한 제조 공정 변수와 화학적 조성에 따라 제작된 표준 시편의 물성과 제조 공정 변수/화학적 조성과의 상관 관계를 인공 지능으로 학습시켜 서로 매칭함으로써, 완성품의 목표 거동을 추종할 수 있도록 원재료에 대한 제조 공정 변수와 화학적 조성을 결정할 수 있는 작용 효과가 제공된다.According to the present invention, the physical properties and/or parameters of raw materials constituting the calculated finished product are input to the artificial intelligence system, and the physical properties and manufacturing process variables/chemical composition of the standard specimen manufactured according to various manufacturing process variables and chemical compositions By learning the correlation of , and matching each other with artificial intelligence, an action effect is provided that can determine the manufacturing process parameters and chemical composition of raw materials so that the target behavior of the finished product can be followed.
이상 첨부 도면을 참고하여 본 발명에 대해서 설명하였지만 본 발명의 권리범위는 후술하는 특허청구범위에 의해 결정되며 전술한 실시예 및/또는 도면에 제한되는 것으로 해석되어서는 아니된다. 그리고 특허청구범위에 기재된 발명의, 당업자에게 자명한 개량, 변경 및 수정도 본 발명의 권리범위에 포함된다는 점이 명백하게 이해되어야 한다.The present invention has been described above with reference to the accompanying drawings, but the scope of the present invention is determined by the following claims and should not be construed as being limited to the above-described embodiments and/or drawings. And it should be clearly understood that improvements, changes and modifications obvious to those skilled in the art of the invention described in the claims are also included in the scope of the present invention.
Claims (6)
완성품에 대한 제1 전산 해석 모델을 구축하는 제1 단계와,
제1 전산 해석 모델에 대해서 역해석을 수행하여 완성품의 원재료 모델의 물성 및 매개변수를 산출하는 제2 단계와,
제2 단계에서 산출된 물성 및 매개변수에 기초하여 원재료의 표준 시편의 제2 전산 해석 모델을 구축하는 제3 단계와,
제2 전산 해석 모델에 대해서 전산 해석을 통해 재료의 온도 및 변형률 속도에 따른 응력-변형률 선도를 산출하는 제4 단계와,
제4 단계에서 산출된 응력-변형률 선도에 기초하여 원재료 표준 시편의 물성을 산출하는 제5 단계와,
복수 개의 제조 공정 변수와 복수 개의 화학적 조성에 기초하여 원재료 시편을 복수 개 제작하는 제6 단계와,
제6 단계에서 제작된 복수 개의 원재료 시편에 대해서 제4 단계에서의 하중과 동일한 하중을 인가하여 원재료의 물성 데이터를 획득하는 제7 단계와,
제5 단계에서 산출된 물성과 제7 단계에서 획득된 물성에 기초하여 원재료 시편의 제조 공정 변수 및 화학적 조성 중 적어도 어느 하나를 획득하는 제8 단계를 포함하며,
제2 단계의 역해석은,
자동적응학습 알고리즘을 통한 자가 학습 역유한요소해석에 의해 최적화되어 산출된 물성 및 매개변수에 기초하여 다음과 같은 목표 성능과의 오차 함수값(Error(k))이 소정의 수치(tolerance) 이내 또는 소정의 수치보다 작게 하는 방법이며,
(여기에서, Np은 목표성능 곡선에서의 임의의 이산포인트 개수이며,
자동적응학습 알고리즘을 통한 자가 학습 역유한요소해석에 의해 물성 및 매개변수를 산출하는 방법은,
인공지능 기반 재료 모델을 포함하는 적어도 2개의 유한요소해석 모델을 구축하는 2-2-1 단계와,
경계 압력을 어느 하나의 유한요소해석 모델에 재하하고, 다른 하나의 유한요소해석 모델에 경계변위 및 내부 변위 중 적어도 어느 하나를 재하하여 해석하는 제2-2-2 단계와,
경계 압력을 받는 유한요소해석 모델에서 응력장을 추출하고, 경계변위 및 내부 변위 중 적어도 어느 하나를 받는 유한요소해석 모델에서 변형률장을 추출하는 제2-2-3 단계와,
제2-2-3 단계에서 추출된 응력장 및 변형률장에 기초하여 자동적응학습 알고리즘에 의해 물성 또는 매개변수를 산출하는 제2-2-4 단계를 포함하는,
원재료의 제조 공정 변수 및 화학적 조성을 획득하는 방법.
A method of obtaining manufacturing process parameters and chemical compositions of raw materials constituting a finished product, the method comprising:
A first step of building a first computational analysis model for the finished product;
A second step of calculating the physical properties and parameters of the raw material model of the finished product by performing inverse analysis on the first computational analysis model;
A third step of building a second computational analysis model of the standard specimen of the raw material based on the physical properties and parameters calculated in the second step;
A fourth step of calculating the stress-strain curve according to the temperature and strain rate of the material through computational analysis for the second computational analysis model;
A fifth step of calculating the physical properties of the raw material standard specimen based on the stress-strain curve calculated in the fourth step;
A sixth step of manufacturing a plurality of raw material specimens based on a plurality of manufacturing process variables and a plurality of chemical compositions;
A seventh step of acquiring the physical property data of the raw material by applying the same load as the load in the fourth step to the plurality of raw material specimens produced in the sixth step;
an eighth step of obtaining at least one of a manufacturing process variable and a chemical composition of a raw material specimen based on the physical properties calculated in the fifth step and the physical properties obtained in the seventh step;
The inverse analysis of the second stage is,
Self-learning through automatic adaptive learning algorithm Based on the properties and parameters calculated and optimized by inverse finite element analysis, the error function value (Error (k) ) with the following target performance is within a predetermined tolerance or It is a method of making it smaller than a predetermined value,
(where N p is the number of arbitrary discrete points in the target performance curve,
The method of calculating physical properties and parameters by self-learning inverse finite element analysis through automatic adaptive learning algorithm is,
Step 2-2-1 of building at least two finite element analysis models including artificial intelligence-based material models;
A step 2-2-2 of applying a boundary pressure to any one finite element analysis model and applying at least one of boundary displacement and internal displacement to the other finite element analysis model for analysis;
Step 2-2-3 of extracting the stress field from the finite element analysis model subjected to boundary pressure and extracting the strain field from the finite element analysis model receiving at least one of boundary displacement and internal displacement;
Including a step 2-2-4 of calculating physical properties or parameters by an automatic adaptive learning algorithm based on the stress field and strain field extracted in step 2-2-3,
Methods for obtaining the manufacturing process parameters and chemical composition of raw materials.
완성품에 대한 제1 전산 해석 모델을 구축하는 제1 단계와,
제1 전산 해석 모델에 대해서 역해석을 수행하여 완성품의 원재료 모델의 물성 및 매개변수를 산출하는 제2 단계와,
제2 단계에서 산출된 물성 및 매개변수에 기초하여 원재료의 표준 시편의 제2 전산 해석 모델을 구축하는 제3 단계와,
제2 전산 해석 모델에 대해서 전산 해석을 통해 재료의 온도 및 변형률 속도에 따른 응력-변형률 선도를 산출하는 제4 단계와,
제4 단계에서 산출된 응력-변형률 선도에 기초하여 원재료의 표준 시편의 물성을 산출하는 제5 단계와,
복수 개의 제조 공정 변수와 복수 개의 화학적 조성에 기초하여 원재료 시편을 복수 개 제작하는 제6 단계와,
제6 단계에서 제작된 복수 개의 원재료 시편에 대해서 제4 단계에서의 하중과 동일한 하중을 인가하여 원재료의 물성 데이터를 획득하는 제7 단계와,
제5 단계에서 산출된 물성과 제7 단계에서 획득된 물성에 기초하여 원재료 시편의 제조 공정 변수 및 화학적 조성 중 적어도 어느 하나를 획득하는 제8 단계를 포함하며,
제2 단계의 역해석은,
자가 최적화 방법에 의해 최적화되어 산출된 물성 및 매개변수에 기초하여 다음과 같은 목표 성능과의 오차 함수값(Error(k))이 소정의 수치(tolerance) 이내 또는 소정의 수치보다 작게 하는 방법인,
여기에서, Np은 목표성능 곡선에서의 임의의 이산포인트 개수이며,
자가 최적화 방법에 의해 물성 및 매개변수를 최적화하여 산출하는 방법은,
적어도 2개의 전산 해석 모델을 구축하여 복수 개의 응력-변형률 선도를 예측할 수 있는 재료 모델을 정의하는 제2-1-1 단계와,
경계 압력을 어느 하나의 전산 해석 모델에 재하하고, 다른 하나의 전산 해석 모델에 경계 변위 및 내부 변위 중 적어도 어느 하나를 재하하여 해석하는 제2-1-2 단계와,
물성 또는 매개변수를 최적화하는 제2-1-3 단계를 포함하며,
제2-1-3 단계는,
2개의 전산 해석 모델에서 응력장과 변형률장을 추출하고 2개의 모델 간의 응력장 및 변형률장의 다음과 같은 오차값(ErrorSELF-OPTIM)을 최소화하는 방향으로 물성 및 매개변수를 최적화하는 단계인,
여기에서
원재료의 제조 공정 변수 및 화학적 조성을 획득하는 방법.
A method of obtaining manufacturing process parameters and chemical compositions of raw materials constituting a finished product, the method comprising:
A first step of building a first computational analysis model for the finished product;
A second step of calculating the physical properties and parameters of the raw material model of the finished product by performing inverse analysis on the first computational analysis model;
A third step of building a second computational analysis model of the standard specimen of the raw material based on the physical properties and parameters calculated in the second step;
A fourth step of calculating the stress-strain curve according to the temperature and strain rate of the material through computational analysis for the second computational analysis model;
A fifth step of calculating the physical properties of the standard specimen of the raw material based on the stress-strain curve calculated in the fourth step;
A sixth step of manufacturing a plurality of raw material specimens based on a plurality of manufacturing process variables and a plurality of chemical compositions;
A seventh step of acquiring the physical property data of the raw material by applying the same load as the load in the fourth step to the plurality of raw material specimens produced in the sixth step;
an eighth step of obtaining at least one of a manufacturing process variable and a chemical composition of a raw material specimen based on the physical properties calculated in the fifth step and the physical properties obtained in the seventh step;
The inverse analysis of the second stage is,
Based on the properties and parameters that are optimized and calculated by the self-optimization method, the error function value (Error (k) ) with the target performance as follows is a method that is within a predetermined tolerance or smaller than a predetermined value,
where N p is the number of arbitrary discrete points in the target performance curve,
A method of optimizing and calculating physical properties and parameters by a self-optimization method is
A step 2-1-1 of defining a material model capable of predicting a plurality of stress-strain curves by building at least two computational analysis models;
A step 2-1-2 of applying a boundary pressure to any one computational analysis model and loading and analyzing at least one of a boundary displacement and an internal displacement on the other computational analysis model;
Including steps 2-1-3 of optimizing physical properties or parameters,
Step 2-1-3,
Extracting the stress field and strain field from two computational analysis models and optimizing the properties and parameters in the direction of minimizing the following error values (Error SELF-OPTIM ) between the two models.
From here
Methods for obtaining the manufacturing process parameters and chemical composition of raw materials.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190147823A KR102457539B1 (en) | 2019-11-18 | 2019-11-18 | Structural Performance Based Inverse Material Design Method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190147823A KR102457539B1 (en) | 2019-11-18 | 2019-11-18 | Structural Performance Based Inverse Material Design Method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210060147A KR20210060147A (en) | 2021-05-26 |
| KR102457539B1 true KR102457539B1 (en) | 2022-10-21 |
Family
ID=76137640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190147823A KR102457539B1 (en) | 2019-11-18 | 2019-11-18 | Structural Performance Based Inverse Material Design Method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102457539B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102507561B1 (en) * | 2021-05-28 | 2023-03-09 | 현대제철 주식회사 | Tensile testing device |
| CN116844664B (en) * | 2023-03-10 | 2023-11-17 | 大连理工大学 | Uncertainty-considered data-driven dynamic sequence linear programming method |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130289953A1 (en) * | 2012-01-24 | 2013-10-31 | The University Of Akron | Self-optimizing, inverse analysis method for parameter identification of nonlinear material constitutive models |
-
2019
- 2019-11-18 KR KR1020190147823A patent/KR102457539B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130289953A1 (en) * | 2012-01-24 | 2013-10-31 | The University Of Akron | Self-optimizing, inverse analysis method for parameter identification of nonlinear material constitutive models |
Non-Patent Citations (2)
| Title |
|---|
| C. Zhang et al., Inverse Finite Element Modelling and Identification of Constitutive Parmeters of UHS Steel Based on Gleeble Tensile Tests at High Temperature, Inverse Probl. Sci. Eng.(2011)* |
| J. Ghaboussi et al., Autoprogressive training of neural network constitutive models, Int. J. Numer. Meth. Engng. Vol.42, pp105-126(1998)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210060147A (en) | 2021-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5582211B1 (en) | Stress-strain relationship simulation method, springback amount prediction method, and springback analysis device | |
| CN111209708B (en) | Machine learning-based pile-soil interaction prediction analysis method | |
| US20050273296A1 (en) | Neural network model for electric submersible pump system | |
| KR102457539B1 (en) | Structural Performance Based Inverse Material Design Method | |
| Faramarzi et al. | EPR-based material modelling of soils considering volume changes | |
| CN110348055B (en) | Method for obtaining and optimizing material parameters of Chaboche viscoplasticity constitutive model | |
| CN107832789B (en) | Feature weighting K nearest neighbor fault diagnosis method based on average influence value data transformation | |
| CA2718911A1 (en) | Method of multi-dimensional nonlinear control | |
| CN113033105B (en) | Method for predicting fatigue performance of steel material based on mechanical theory guiding transfer learning | |
| CN111881601A (en) | Earth and rockfill dam material constitutive model construction method based on deep learning and finite element unit method | |
| Riccardi et al. | On PID control of dynamic systems with hysteresis using a Prandtl-Ishlinskii model | |
| Koeppe et al. | An intelligent meta‐element for linear elastic continua | |
| Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
| CN117594164A (en) | Metal structure residual fatigue life calculation and evaluation method and system based on digital twin | |
| Kazeruni et al. | Data-driven artificial neural network for elastic plastic stress and strain computation for notched bodies | |
| CN116484675A (en) | Crack propagation life prediction method and system for ship engine blade | |
| Ya et al. | Analysis of cantilever beam deflection under uniformly distributed load using artificial neural networks | |
| CN114201914A (en) | Solid engine test data analysis method based on BP neural network | |
| CN111199117A (en) | Adaptive time scaling for expediting explicit finite element analysis | |
| CN110543724A (en) | Satellite structure performance prediction method for overall design | |
| CN110910969A (en) | Tin-bismuth alloy performance prediction method based on transfer learning | |
| CN109446731B (en) | Geotechnical engineering numerical simulation method based on ABAQUS | |
| KR102354334B1 (en) | Simulating method of ratcheting phenomenon determing parameter of chaboche | |
| Wang et al. | Elastic-plastic modeling method based on temporal convolutional network | |
| CN115438411B (en) | Analysis method, system, equipment and medium capable of simulating component bending and shearing coupling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |