KR20210112705A - 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법 - Google Patents

복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법 Download PDF

Info

Publication number
KR20210112705A
KR20210112705A KR1020200028064A KR20200028064A KR20210112705A KR 20210112705 A KR20210112705 A KR 20210112705A KR 1020200028064 A KR1020200028064 A KR 1020200028064A KR 20200028064 A KR20200028064 A KR 20200028064A KR 20210112705 A KR20210112705 A KR 20210112705A
Authority
KR
South Korea
Prior art keywords
machine learning
model
finite element
data
unit
Prior art date
Application number
KR1020200028064A
Other languages
English (en)
Other versions
KR102335016B1 (ko
Inventor
함석우
조재웅
전성식
정광영
Original Assignee
공주대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 공주대학교 산학협력단 filed Critical 공주대학교 산학협력단
Priority to KR1020200028064A priority Critical patent/KR102335016B1/ko
Publication of KR20210112705A publication Critical patent/KR20210112705A/ko
Application granted granted Critical
Publication of KR102335016B1 publication Critical patent/KR102335016B1/ko

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Rod-Shaped Construction Members (AREA)

Abstract

보가 받는 하중에 따라 머신 러닝을 이용하여 여러 적층 각도 순서 및 두께로 배치된 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법이 개시된다. 본 발명의 복합재로 이루어진 보의 설계 장치는 보의 설계를 위한 가공되지 않은 입력 데이터를 획득하는 입력부; 상기 입력부로부터 참조점의 좌표를 입력받을 수 있으며, 보의 유한요소모델을 이용하여 유한요소해석을 통하여 학습데이터를 생성하는 유한요소해석부; 상기 유한요소해석부로부터 수신하는 학습데이터와, 상기 입력부에서 획득한 입력데이터와, 머신 러닝부의 하중유형 예측값 및 적합두께 예측값을 저장하는 데이터베이스부; 상기 학습데이터를 이용하여 머신러닝모델을 사용하여 보의 각각의 요소에서의 하중유형 예측값 및 적합 두께 예측값을 구하는 머신러닝부; 및 상기 유한요소해석부로부터 학습데이터를 획득하고, 이를 이용하여 머신러닝부에서 머신러닝모델을 통한 보의 하중유형 예측값 및 적합 두께 예측값을 획득한 후에, 상기 예측값들을 유한요소모델에 매핑하여 보를 설계하는 프로세서를 포함한다. 본 발명에 따르면, 적층 각도 순서를 달리할 수 있는 복합재의 특성을 살려 보가 받는 하중 유형에 따라 구간을 나누어 보의 강도를 향상시키고, 보가 받는 강도에 따라 두께를 변화시켜 보를 경량화시킬 수 있다.

Description

복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법{A composite beams design apparatus and beam desing method of using the same}
본 발명은 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법에 관한 것으로, 더욱 상세하게는 종래의 단일 적층 각도 순서와 단일 두께의 보를 대신하여 보가 받는 하중에 따라 머신 러닝을 이용하여 여러 적층 각도 순서 및 두께로 배치된 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법에 관한 것이다.
일반적으로, 복합재로 이루어지는 보는 자동차, 선박, 항공기, 건축물 등의 구조재로서 사용되고 있다.
복합재는 탄소섬유강화플라스틱(CFRP, Carbon Fiber Reinforced Plastics), 유리섬유강화플라스틱(GFRP, Glass Fiber Reinforced Plastics) 등이 있으며 다음과 같은 특징을 갖는다.
첫째, 높은 비강도를 가져 가볍고 강하다.
둘째, 열 수축 및 열 팽창이 거의 없고, 치수 정밀도가 지극히 높다.
셋째, 인장, 전단, 압축 등의 하중 유형일 때, 적층 각도 순서를 변경하여 높은 강도를 향상시킬 수 있다.
복합재로 이루어진 보의 응용으로서 자동차의 센터필러의 경우를 예를 들면, 측면 충돌사고시에는 하단부에 충격량이 집중되는데, 센터필러의 상부에 비해 하부의 강도를 낮게 조절함으로써, 측면 충돌시 충격량을 효과적으로 흡수하게 할 수 있다.
이와 같이, 자동차 및 기계부품의 보에 복합재를 적용시키기 위해서는 복합재의 적층각 또는 적층방법에 대하여 설계하여야 한다. 즉, 복합재로 이루어진 보에서 정확한 하중 분석에 기반하여 보를 여러 각도 순서 및 두께로 배치하여 설계할 필요가 있다.
대한민국 등록특허 제1866080호
본 발명은 상술한 문제점을 감안하여 안출한 것으로 그 목적은 보가 받는 하중 유형에 따라 구간을 나누고, 복합재의 적층 각도 순서 및 두께를 경량화 및 강도 향상시키는 복합재를 이용한 보의 설계방법을 제공하는 것이다.
상기 과제해결을 위한 본 발명의 복합재로 이루어진 보의 설계 장치는 보의 설계를 위한 가공되지 않은 입력 데이터를 획득하는 입력부; 상기 입력부로부터 참조점의 좌표를 입력받을 수 있으며, 보의 유한요소모델을 이용하여 유한요소해석을 통하여 학습데이터를 생성하는 유한요소해석부; 상기 유한요소해석부로부터 수신하는 학습데이터와, 상기 입력부에서 획득한 입력데이터와, 머신 러닝부의 하중유형 예측값 및 적합두께 예측값을 저장하는 데이터베이스부; 상기 학습데이터를 이용하여 머신러닝모델을 사용하여 보의 각각의 요소에서의 하중유형 예측값 및 적합 두께 예측값을 구하는 머신러닝부; 및 상기 유한요소해석부로부터 학습데이터를 획득하고, 이를 이용하여 머신러닝부에서 머신러닝모델을 통한 보의 하중유형 예측값 및 적합 두께 예측값을 획득한 후에, 상기 예측값들을 유한요소모델에 매핑하여 보를 설계하는 프로세서를 포함한다.
본 발명에 있어서, 상기 학습데이터의 하중 유형은 인장(tension), 전단(shear), 압축(compression)으로 나뉘며, 판별 기준은 3축(triaxiality) 특성 값(η)이며, η<-0.1 일 때는 압축, -0.1<η<0.1 일 때는 전단, η>0.1 일 때는 인장으로 판별하며, 상기 학습데이터의 적합 두께는 요소가 받는 응력으로 판별하며, 유한요소모델이 받는 최대응력을 기준으로 n등분하며, n은 보의 두께와 복합재의 적층 각도 순서에 의해 정해질 수 있다.
상기 다른 과제해결을 위한 본 발명의 보의 설계 방법은 유한요소해석부에서 유한요소해석 모델의 요소 중 일부 요소에 참조점을 분포시킨 후, 보의 유한요소해석(Finite Elements Analysis)을 진행하여 학습 데이터를 생성하는 단계; 상기 학습 데이터를 이용하여 머신러닝부에서 머신러닝모델을 생성하여 모델 예측율을 측정하는 단계; 상기 모델 예측율이 설정값 이상인 경우에 머신러닝모델에 참조점 요소를 제외한 모든 요소(All Element) 좌표를 입력하여 학습된 머신러닝모델(Trained Machine Learning Model)은 하중유형 예측값과 적합두께 예측값을 예측하는 단계; 및 상기 하중유형 예측값과 적합두께 예측값은 데이터는 합쳐져서 프로세서는 보의 좌표에 입력하여 데이터가 매핑되며, 데이터 매핑된 것을 기반으로 보를 설계하는 단계를 포함한다.
본 발명에 있어서, 상기 모델 예측율은 (예측에 성공한 테스트 데이터의 수/(테스트 데이터의 수)*100(%)로 나타낼 수 있다. 상기 모델 예측율이 설정값 이하일 때에는, 하이퍼 파라미터를 변경(Change Hyper-parameters)하여 머신러닝모델을 재생성하며, 상기 하이퍼 파라미터 변경을 통해 머신러닝모델을 재생성 했음에도 불구하고 모델 예측율이 설정값을 넘기지 못하는 경우, 참조점의 배치를 유한해석모델의 거동에 따라 재배치할 수 있다.
전술한 바와 같은 구성을 갖는 본 발명에 따르면, 적층 각도 순서를 달리할 수 있는 복합재의 특성을 살려 보가 받는 하중 유형에 따라 구간을 나누어 보의 강도를 향상시키고, 보가 받는 강도에 따라 두께를 변화시켜 보를 경량화시킬 수 있다.
또한, 머신 러닝을 통해 구간을 나눠 설계자가 수동적으로 나누는 것보다 시간적 비용을 줄일 수 있다.
도 1은 본 발명의 일실시예에 따른 보의 설계 장치의 구성을 나타낸다.
도 2은 본 발명의 일실시예에 따른 보의 설계방법을 나타내는 개략 순서도이다.
도 3은 본 발명의 일실시예에 따른 보의 설계방법의 전체 흐름도이다.
도 4는 본 발명의 일실시예에 따른 보에 배치된 참조점을 나타낸다.
도 5는 본 발명의 일실시예에 따른 보에 가해지는 응력을 나타낸다.
도 6은 본 발명의 일실시예에 따른 보의 3점 굽힘시의 거동과 거동에 따른 참조점 재배치를 나타낸다.
도 7은 본 발명의 일실시예에 따른 보의 각 요소에서의 머신러닝모델을 통한 예측값을 나타낸다.
도 8은 본 발명의 일실시예에 따른 예측값을 유한요소모델에 매핑한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 보의 설계장치 및 보의 방법을 상세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 보의 설계 장치의 구성을 나타낸다.
도 1을 참조하면, 복합재로 이루어진 보의 설계 장치(100)는 입력부(110), 유한요소해석부(120), 데이터베이스부(130), 머신러닝부(140) 및 프로세서(150)를 포함한다.
상기 입력부(110)는 보의 설계를 위한 가공되지 않은 입력 데이터를 획득할 수 있다.
상기 유한요소해석부(120)는 상기 입력부(110)로부터 참조점의 좌표를 입력받을 수 있으며, 보의 유한요소모델(121)을 이용하여 유한요소해석을 통하여 학습데이터(125)를 생성한다.
상기 데이터베이스부(130)는 상기 유한요소해석부(120)로부터 수신하며 머신 러닝 모델 학습을 위하여 이용되는 학습데이터(125) 및 테스트 데이터(127)와 상기 입력부(110)에서 획득한 입력데이터(115)와, 머신 러닝부(140)의 하중유형 예측값(145), 적합두께 예측값(147), 및 학습 히스토리(149) 등을 저장할 수 있다.
상기 머신러닝부(140)는 상기 학습데이터(125)를 이용하여 보의 각각의 요소에서의 하중유형 예측값(145) 및 적합 두께 예측값(147)을 구할 수 있다.
상기 프로세서(150)는 보의 설계 장치를 총괄하며, 상기 유한요소해석부(120)로부터 보의 참조점에서의 학습데이터(125)를 획득하고, 이를 이용하여 머신러닝부(140)에서 머신러닝모델(141)을 통한 보의 하중유형 예측값(145) 및 적합 두께 예측값(147)을 획득한 후에, 상기 예측값들을 유한요소모델(121)에 매핑하여 보를 설계한다.
도 2은 본 발명의 일실시예에 따른 보의 설계방법을 나타내는 개략 순서도이다. 도 3은 본 발명의 일실시예에 따른 보의 설계방법의 전체 흐름도이다.
도 2 및 도 3을 참조하면, 유한요소해석부에서 보의 유한요소해석(Finite Elements Analysis)(S101)을 한다. 학습 데이터를 생성하기 위하여 선행적으로 유한요소해석을 진행한다.
학습 데이터의 구조는 두 가지로 나누어질 수 있는데, (1) (x,y,z)의 좌표와 하중 유형, 및 (2) (x,y,z)의 좌표과 적합 두께로 구성될 수 있다.
우선, 보(10)에 참조점(11, Reference point)을 배치(S100)한다. (도 4 참조). 참조점(11)은 학습 데이터가 생성되는 지점인 좌표이다.
(1) 하중 유형은 인장(tension), 전단(shear), 압축(compression)으로 나뉘며, 판별 기준은 3축(triaxiality) 특성 값(η)이다 (S1011). 3축 특성 값(η)은 무차원 물리량이며, η<-0.1 일 때는 압축, -0.1<η<0.1 일 때는 전단, η>0.1 일 때는 인장으로 판별한다.
(2) 적합 두께는 요소가 받는 응력으로 판별하며, 유한요소모델이 받는 최대응력을 기준으로 n등분한다 (S1012). n은 보의 두께와 복합재의 적층 각도 순서에 의해 정해진다. (도 5 참조)
다음으로, 상기 보에 머신러닝모델을 학습시키기 위한 학습 데이터(learning date)를 생성(S102)한다.
학습 데이터는 유한요소해석 모델의 요소 중 일부 요소(참조점)에 분포시킨다. 참조점의 수는 유한요소해석 모델 총 요소수의 10% 이상으로 하며, 참조점의 배치는 동일한 간격으로 배치될 수 있다.
다음으로, 머신러닝모델(Machine Learning Model)을 생성(S103)한다. 머신 러닝 모델은 지도 학습 중에 분류기법을 사용하는데, 분류 기법은 결정 트리(Decision Tree), 판별 분석, k-NN 분류, 앙상블 분류기(Ensemble Classification) 등을 사용할 수 있다.
다음으로, 모델 예측율(prediction rate)을 측정(S104)한다.
상기 머신러닝모델의 성능은 모델 예측율로 나타내며 모델 테스트를 통하여 도출한다.
모델 테스트는 테스트 데이터(Test Data)를 기반으로 예측하며, 테스트 데이터는 학습데이터의 일부로 한다.
모델 예측율은 아래와 같다.
Figure pat00001
즉, 모델 예측율은 (예측에 성공한 테스트 데이터의 수/(테스트 데이터의 수)*100(%)로 나타낸다.
모델 예측율이 설정값, 예컨대 75% 이하일 때에는, 하이퍼 파라미터를 변경(Change Hyper-parameters)(S1041)하여 머신 러닝 모델을 재생성한다. 하이퍼 파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들로서, 예컨대 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기 등이 포함될 수 있다.
하지만, 하이퍼 파라미터 변경(튜닝)을 통해 머신러닝모델을 재생성 했음에도 불구하고 모델 예측율이 75%를 넘기지 못하는 경우, 참조점의 배치를 유한해석모델의 거동에 따라 배치한다. 도 6은 3점 굽힘시의 거동에 따른 참조점의 재배치를 나타낸다.
다음으로, 유한요소모델로 데이터를 매핑(S105)한다.
모델 예측율이 75%인 머신 러닝 모델에 참조점 요소를 제외한 모든 요소(All Element) 좌표를 입력(S1051)하여 학습 머신러닝모델(Trained Machine Learning Model)은 하중유형과 적합 두께를 예측(S1052)한다. 예측값은 (x,y,z) 좌표 값과 하중 유형/적합 두께를 예측한다. 도 7은 각 요소에서의 머신러닝모델을 통한 하중 유형의 예측값을 나타낸다.
예측한 결과 데이터는 합쳐져서 보의 좌표에 입력(S1053)되어 데이터가 매핑된다. 도 8은 예측값을 보의 모델에 매핑한 도면이다.
다음으로, 데이터 매핑된 것을 기반으로 보를 설계(S108)한다.
본 발명에서는, 적층 각도를 달리할 수 있는 복합재의 특성을 살려 보가 받는 하중 유형에 따라 구간을 나누어 보의 강도를 향상시키고, 또한 보가 받는 강도에 따라 두께를 변화시켜 보의 경량화시킬 수 있다.
이상에서 설명한 본 발명은 전술한 도면 및 상세한 설명에 의하여 한정되는 것은 아니고, 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 해당 기술분야의 당업자가 다양하게 수정 및 변경시킨 것 또한 본 발명의 범위 내에 포함됨은 물론이다.
10: 보 11: 참조점
100: 보의 설계장치 110: 입력부
115: 입력데이터 120: 유한요소해석부
121: 유한요소모델 125: 학습데이터
127: 테스트데이터 130: 데이터베이스
140: 머신러닝부 141: 머신러닝모델
145: 하중유형 예측값 147: 적합두께 예측값
149: 학습 히스토리

Claims (5)

  1. 보의 설계를 위한 가공되지 않은 입력 데이터를 획득하는 입력부;
    상기 입력부로부터 참조점의 좌표를 입력받을 수 있으며, 보의 유한요소모델을 이용하여 유한요소해석을 통하여 학습데이터를 생성하는 유한요소해석부;
    상기 유한요소해석부로부터 수신하는 학습데이터와, 상기 입력부에서 획득한 입력데이터와, 머신 러닝부의 하중유형 예측값 및 적합두께 예측값을 저장하는 데이터베이스부;
    상기 학습데이터를 이용하여 머신러닝모델을 사용하여 보의 각각의 요소에서의 하중유형 예측값 및 적합 두께 예측값을 구하는 머신러닝부; 및
    상기 유한요소해석부로부터 학습데이터를 획득하고, 이를 이용하여 머신러닝부에서 머신러닝모델을 통한 보의 하중유형 예측값 및 적합 두께 예측값을 획득한 후에, 상기 예측값들을 유한요소모델에 매핑하여 보를 설계하는 프로세서를 포함하는 복합재로 이루어진 보의 설계 장치.
  2. 제1항에 있어서,
    상기 학습데이터의 하중 유형은 인장(tension), 전단(shear), 압축(compression)으로 나뉘며, 판별 기준은 3축(triaxiality) 특성 값(η)이며, η<-0.1 일 때는 압축, -0.1<η<0.1 일 때는 전단, η>0.1 일 때는 인장으로 판별하며,
    상기 학습데이터의 적합 두께는 요소가 받는 응력으로 판별하며, 유한요소모델이 받는 최대응력을 기준으로 n등분하며, n은 보의 두께와 복합재의 적층 각도 순서에 의해 정해지는 것을 특징으로 하는 복합재로 이루어진 보의 설계 장치
  3. 유한요소해석부에서 유한요소해석 모델의 요소 중 일부 요소에 참조점을 분포시킨 후, 보의 유한요소해석(Finite Elements Analysis)을 진행하여 학습 데이터를 생성하는 단계;
    상기 학습 데이터를 이용하여 머신러닝부에서 머신러닝모델을 생성하여 모델 예측율을 측정하는 단계;
    상기 모델 예측율이 설정값 이상인 경우에 머신러닝모델에 참조점 요소를 제외한 모든 요소(All Element) 좌표를 입력하여 학습된 머신러닝모델(Trained Machine Learning Model)은 하중유형 예측값과 적합두께 예측값을 예측하는 단계; 및
    상기 하중유형 예측값과 적합두께 예측값은 데이터는 합쳐져서 프로세서는 보의 좌표에 입력하여 데이터가 매핑되며, 데이터 매핑된 것을 기반으로 보를 설계하는 단계를 포함하는 보의 설계 방법.
  4. 제3항에 있어서,
    상기 모델 예측율은 (예측에 성공한 테스트 데이터의 수/(테스트 데이터의 수)*100(%)로 나타내는 것을 특징으로 하는 보의 설계 방법.
  5. 제4항에 있어서,
    상기 모델 예측율이 설정값 이하일 때에는, 하이퍼 파라미터를 변경(Change Hyper-parameters)하여 머신 러닝 모델을 재생성하며,
    상기 하이퍼 파라미터 변경을 통해 머신러닝모델을 재생성 했음에도 불구하고 모델 예측율이 설정값을 넘기지 못하는 경우, 참조점의 배치를 유한해석모델의 거동에 따라 재배치하는 것을 특징으로 하는 보의 설계 방법.
KR1020200028064A 2020-03-06 2020-03-06 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법 KR102335016B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200028064A KR102335016B1 (ko) 2020-03-06 2020-03-06 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200028064A KR102335016B1 (ko) 2020-03-06 2020-03-06 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법

Publications (2)

Publication Number Publication Date
KR20210112705A true KR20210112705A (ko) 2021-09-15
KR102335016B1 KR102335016B1 (ko) 2021-12-02

Family

ID=77793284

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200028064A KR102335016B1 (ko) 2020-03-06 2020-03-06 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법

Country Status (1)

Country Link
KR (1) KR102335016B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114319073A (zh) * 2021-12-28 2022-04-12 中国建筑第五工程局有限公司 一种梁拱组合桥受力体系转换设计、施工方法及施工装置
KR20230128158A (ko) * 2022-02-25 2023-09-04 공주대학교 산학협력단 복합재로 이루어진 로봇 암의 설계 장치 및 이를 이용한 로봇 암의 설계 방법
CN117574511A (zh) * 2023-11-29 2024-02-20 重庆大学 一种用有限梁类比无限粘弹性地基梁的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001357081A (ja) * 2000-06-13 2001-12-26 Bridgestone Corp 成型品の応力解析方法
KR20140145350A (ko) * 2013-06-13 2014-12-23 주식회사 대한항공 복합재 구조물의 최적설계 방법
KR101866080B1 (ko) 2016-10-31 2018-06-11 현대자동차주식회사 센터필라용 충격 흡수 레인프 구조
JP2019032768A (ja) * 2017-08-09 2019-02-28 三菱重工業株式会社 複合材の設計方法、及び複合材
KR102159645B1 (ko) * 2019-05-28 2020-09-25 서울시립대학교 산학협력단 시뮬레이션 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001357081A (ja) * 2000-06-13 2001-12-26 Bridgestone Corp 成型品の応力解析方法
KR20140145350A (ko) * 2013-06-13 2014-12-23 주식회사 대한항공 복합재 구조물의 최적설계 방법
KR101866080B1 (ko) 2016-10-31 2018-06-11 현대자동차주식회사 센터필라용 충격 흡수 레인프 구조
JP2019032768A (ja) * 2017-08-09 2019-02-28 三菱重工業株式会社 複合材の設計方法、及び複合材
KR102159645B1 (ko) * 2019-05-28 2020-09-25 서울시립대학교 산학협력단 시뮬레이션 장치 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114319073A (zh) * 2021-12-28 2022-04-12 中国建筑第五工程局有限公司 一种梁拱组合桥受力体系转换设计、施工方法及施工装置
CN114319073B (zh) * 2021-12-28 2024-01-30 中国建筑第五工程局有限公司 一种梁拱组合桥受力体系转换设计、施工方法及施工装置
KR20230128158A (ko) * 2022-02-25 2023-09-04 공주대학교 산학협력단 복합재로 이루어진 로봇 암의 설계 장치 및 이를 이용한 로봇 암의 설계 방법
CN117574511A (zh) * 2023-11-29 2024-02-20 重庆大学 一种用有限梁类比无限粘弹性地基梁的方法

Also Published As

Publication number Publication date
KR102335016B1 (ko) 2021-12-02

Similar Documents

Publication Publication Date Title
KR102335016B1 (ko) 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법
US10095818B2 (en) Strength prediction system and method for composite laminates
Laory et al. Measurement system configuration for damage identification of continuously monitored structures
Kahya et al. Vibration-based damage detection in anisotropic laminated composite beams by a shear-deformable finite element and harmony search optimization
Zhou et al. Machine learning based asymptotic homogenization and localization: Predictions of key local behaviors of multiscale configurations bearing microstructural varieties
de Sousa et al. Multiclass supervised machine learning algorithms applied to damage and assessment using beam dynamic response
Hoole et al. Comparison of surrogate modeling methods for finite element analysis of landing gear loads
Titscher et al. Bayesian model calibration and damage detection for a digital twin of a bridge demonstrator
Li et al. Machine learning approach for delamination detection with feature missing and noise polluted vibration characteristics
Makkar et al. A machine learning framework for physics-based multi-fidelity modeling and health monitoring for a composite wing
Chowdhury et al. Quantification of the out-of-plane loading fatigue response of bistable CFRP laminates using a machine learning approach
Dal Mas Elasticity on ontology matching of folksodriven structure network
Sanchez-Heres et al. Influence of mechanical and probabilistic models on the reliability estimates of fibre-reinforced cross-ply laminates
CN116312898A (zh) 识别复合材料力学参数及训练其识别模型的方法、装置
Zhang et al. Model updating with a neural network method based on uniform design
KR102624833B1 (ko) 복합재로 이루어진 로봇 암의 설계 장치 및 이를 이용한 로봇 암의 설계 방법
Qiu et al. Evaluation of long-service-life cable-stayed bridge strengthening schemes using a two-phase finite element model updating technology
Khezrimotlagh et al. A Review on Arash Method in Data Envelopment Analysis
Bokil et al. Investigation and Implementation of Machine-Learning-based Hybrid Material Models
Kelmar et al. Machine Learning Based Sensor Selection for Modal Testing
WO2023085195A1 (ja) モデル生成装置、モデル生成方法及びデータ推定装置
Martinez Colan Bayesian system identification of civil engineering structures using high resolution optic fibre measurements and surrogate modelling
CN109344867B (zh) 一种基于运动角差的滑坡位移相似性匹配方法及系统
Feltner Establishing a Machine Learning Framework for Discovering Novel Phononic Crystal Designs
Elishakoff et al. Simple application of interval analyses to structural safety: standard versus parameterised versions

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant