KR20220011452A - Method of selecting fiber design parameter for composite design using machine learning - Google Patents

Method of selecting fiber design parameter for composite design using machine learning Download PDF

Info

Publication number
KR20220011452A
KR20220011452A KR1020200090377A KR20200090377A KR20220011452A KR 20220011452 A KR20220011452 A KR 20220011452A KR 1020200090377 A KR1020200090377 A KR 1020200090377A KR 20200090377 A KR20200090377 A KR 20200090377A KR 20220011452 A KR20220011452 A KR 20220011452A
Authority
KR
South Korea
Prior art keywords
fiber
composite material
design
setting
type
Prior art date
Application number
KR1020200090377A
Other languages
Korean (ko)
Other versions
KR102376398B1 (en
Inventor
박영빈
노형도
이다훈
이인용
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020200090377A priority Critical patent/KR102376398B1/en
Publication of KR20220011452A publication Critical patent/KR20220011452A/en
Application granted granted Critical
Publication of KR102376398B1 publication Critical patent/KR102376398B1/en

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01F—CHEMICAL FEATURES IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS; APPARATUS SPECIALLY ADAPTED FOR THE MANUFACTURE OF CARBON FILAMENTS
    • D01F8/00—Conjugated, i.e. bi- or multicomponent, artificial filaments or the like; Manufacture thereof
    • D01F8/04—Conjugated, i.e. bi- or multicomponent, artificial filaments or the like; Manufacture thereof from synthetic polymers
    • D01F8/12—Conjugated, i.e. bi- or multicomponent, artificial filaments or the like; Manufacture thereof from synthetic polymers with at least one polyamide as constituent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
    • G01N3/303—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight generated only by free-falling weight
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Textile Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Reinforced Plastic Materials (AREA)

Abstract

The present invention has an advantage in that it is possible to design a composite material more quickly and efficiently because it is possible to derive design parameters of a fiber suitable for target values required by a designer when designing a composite material using machine learning. In addition, among the large amount of big data obtained during the drop impact experiment, the maximum absorbed energy, the maximum load, the maximum speed of the falling object, and the manufacturing cost of the composite material for each type of fiber are provided as input variables during the fall impact. By performing machine learning with the type of fiber as an output variable to generate a learning model for setting fibers, it is possible to derive the optimal fiber type corresponding to the target values required by the designer when designing the actual composite material.

Description

머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법{Method of selecting fiber design parameter for composite design using machine learning}Method of selecting fiber design parameter for composite design using machine learning

본 발명은 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법에 관한 것으로서, 보다 상세하게는 머신 러닝을 수행하여 섬유 설정용 러닝 모델을 구축함으로써, 복합재의 설계시 섬유 설정용 러닝 모델을 통해 최적의 섬유의 설계 파라미터를 도출할 수 있는 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법에 관한 것이다. The present invention relates to a method of setting design parameters of fibers for designing composites using machine learning, and more particularly, by performing machine learning to build a learning model for setting fibers, learning for setting fibers when designing composites It relates to a method of setting design parameters of fibers for designing a composite material that can derive optimal design parameters of fibers through a model.

일반적으로 복합재(Composite)는 2가지 이상의 재료가 조합되어 물리적,화학적으로 서로 다른 상을 형성하면서 보다 유효한 기능을 발현하는 재료이다. 복합재는 강화재의 구조에 따라 섬유강화 복합재, 입자강화 복합재로 구분된다. 또한, 복합재는 기지재료(matrix)에 따라 고분자복합재료, 금속 복합재료, 세라믹 복합재료로 구분된다.In general, a composite is a material in which two or more materials are combined to form different phases physically and chemically while exhibiting more effective functions. Composites are classified into fiber-reinforced composites and particle-reinforced composites according to the structure of the reinforcing material. In addition, the composite material is classified into a polymer composite material, a metal composite material, and a ceramic composite material according to a matrix material.

상기 섬유강화 복합재는, 유리 섬유나 탄소 섬유 또는 아라미드 섬유 같은 다양한 고강도 섬유가 사용된다. 상기 섬유강화 복합재의 설계시 상기 섬유강화 복합재의 용도나 요구 강도 등을 포함한 사용 조건에 따라 섬유의 사양이 다르게 설계되어야 한다. As the fiber-reinforced composite, various high-strength fibers such as glass fibers, carbon fibers, or aramid fibers are used. When designing the fiber-reinforced composite material, the fiber-reinforced composite material should be designed to have different specifications according to usage conditions including the use or required strength of the fiber-reinforced composite material.

따라서, 상기 섬유강화 복합재의 사용 조건에 적합한 섬유를 결정하기 위한 보다 효율적이면서도 신뢰도가 높은 방법이 필요하다. Therefore, there is a need for a more efficient and highly reliable method for determining a fiber suitable for the conditions of use of the fiber-reinforced composite material.

한국등록특허 제10-0396138호Korean Patent No. 10-0396138

본 발명의 목적은, 머신 러닝을 이용하여 섬유의 설계 파라미터를 보다 효율적으로 설정할 수 있는 방법을 제공하는 데 있다. It is an object of the present invention to provide a method for more efficiently setting design parameters of fibers using machine learning.

본 발명에 따른 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법은, 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 외력 인가시 최대 흡수 에너지, 최대 하중, 외력의 최대 속도 및 섬유의 종류에 따른 제조 비용 중 적어도 일부를 입력 변수로 하고, 섬유의 종류를 포함하는 섬유의 설계 파라미터를 출력변수로 하여 머신 러닝을 수행하여, 상기 섬유의 설계 파라미터를 출력하는 섬유 설정용 러닝 모델을 생성하는 모델 생성단계와; 복합재의 설계시 상기 섬유 설정용 러닝 모델에 설계자가 요구하는 외력 인가시 최대 흡수 에너지, 최대 하중, 외력의 최대 속도 및 섬유의 종류에 따른 제조 비용 중 적어도 일부를 포함하는 목표값들을 입력하여, 상기 섬유 설정용 러닝 모델로부터 상기 설계자가 요구하는 목표값들에 대응하는 상기 섬유의 설계 파라미터를 출력하는 설계 파라미터 출력단계와; 상기 설계 파라미터 출력단계에서 출력된 상기 섬유의 설계 파라미터에 따라 상기 복합재를 설계하는 설계단계를 포함한다.The method of setting the design parameters of fibers for composite design using machine learning according to the present invention is the maximum absorbed energy, maximum load, maximum speed of external force, and fiber type when external force is applied among learning data obtained through experiments or simulations. At least a portion of the manufacturing cost according to a model generation step; When designing a composite material, input target values including at least a portion of the maximum absorbed energy, the maximum load, the maximum speed of the external force and the manufacturing cost according to the type of fiber when an external force required by the designer is applied to the running model for setting the fiber, a design parameter output step of outputting design parameters of the fibers corresponding to target values required by the designer from a learning model for setting fibers; and a design step of designing the composite material according to the design parameters of the fibers output in the design parameter output step.

상기 섬유의 종류는, 탄소 섬유, 아라미드 섬유, 상기 탄소 섬유와 상기 아라미드 섬유가 혼합된 하이브리드 섬유를 포함한다.The types of fibers include carbon fibers, aramid fibers, and hybrid fibers in which the carbon fibers and the aramid fibers are mixed.

상기 섬유의 설계 파라미터는, 상기 섬유의 종류가 상기 하이브리드 섬유인 경우, 상기 탄소 섬유와 상기 아라미드 섬유의 혼합 비율을 더 포함한다.The design parameter of the fiber, when the type of the fiber is the hybrid fiber, further includes a mixing ratio of the carbon fiber and the aramid fiber.

상기 섬유의 설계 파라미터는, 섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 더 포함한다.The design parameter of the fiber further includes at least one of the number of stacked fiber plies, an arrangement direction of the fiber, a length of the fiber, a diameter of the fiber, and a type of resin.

상기 모델 생성단계에서는, 상기 학습 데이터를 대상으로 주성분 분석(PCA)을 수행하여, 상기 학습 데이터 중에서 상기 외력 인가시 최대 흡수 에너지, 상기 최대 하중, 상기 외력의 최대 속도 및 상기 섬유의 종류에 따른 제조 비용을 상기 입력 변수로 설정한다.In the model generation step, principal component analysis (PCA) is performed on the training data, and the maximum absorbed energy when the external force is applied among the training data, the maximum load, the maximum speed of the external force, and the type of fiber Set the cost as the input variable.

상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘이다.The external force is a force applied when a falling object falls on the composite material.

본 발명의 다른 측면에 따른 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법은, 낙하 충격 실험 또는 시뮬레이션을 통해 얻어진 데이터를 대상으로 주성분 분석(PCA)을 수행하여 낙하 충격시 최대 흡수 에너지, 낙하 충격시 최대 하중, 낙하 충격시 낙하물체의 최대 속도 및 섬유의 종류에 따른 복합재의 제조 비용 중 적어도 일부를 입력 변수로 하고, 섬유의 종류, 섬유 플라이의 적층 개수, 섬유의 배열 방향, 섬유의 길이, 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함하는 섬유의 설계 파라미터를 출력변수로 하여 머신 러닝을 수행하여, 상기 섬유의 설계 파라미터를 출력하는 섬유 설정용 러닝 모델을 생성하는 모델 생성단계와; 복합재의 설계시 상기 섬유 설정용 러닝 모델에 설계자가 요구하는 낙하 충격시 최대 흡수 에너지, 낙하 충격시 최대 하중, 낙하 충격시 낙하물체의 최대 속도 및 섬유의 종류에 따른 복합재의 제조 비용 중 적어도 일부를 포함하는 목표값을 입력하여, 상기 섬유 설정용 러닝 모델로부터 상기 설계자가 요구하는 목표값들에 대응하는 상기 섬유의 설계 파라미터를 출력하는 설계 파라미터 출력단계와; 상기 설계 파라미터 출력단계에서 출력된 상기 섬유의 설계 파라미터에 따라 상기 복합재를 설계하는 설계단계를 포함한다.The method of setting the design parameters of fibers for designing a composite material using machine learning according to another aspect of the present invention is to perform principal component analysis (PCA) on data obtained through a drop impact experiment or simulation to maximize At least part of the absorbed energy, the maximum load at the time of drop impact, the maximum speed of the falling object at the time of the drop impact, and the manufacturing cost of the composite material according to the type of fiber are taken as input variables, and the type of fiber, the number of stacked fiber plies, and the fiber arrangement direction are taken as input variables. , by performing machine learning with a design parameter of a fiber including at least one of a length of a fiber, a diameter of a fiber, and a kind of resin as an output variable, a model for generating a fiber setting learning model that outputs the design parameter of the fiber generating step; At the time of designing the composite material, at least a portion of the manufacturing cost of the composite material according to the maximum absorbed energy at the time of fall impact, the maximum load at the time of fall impact, the maximum speed of the falling object at the time of fall impact, and the type of fiber required by the designer in the running model for setting the fiber when designing the composite material a design parameter output step of inputting a target value including: outputting a design parameter of the fiber corresponding to target values required by the designer from the fiber setting learning model; and a design step of designing the composite material according to the design parameters of the fibers output in the design parameter output step.

본 발명은, 머신 러닝을 이용하여 복합재의 설계시 설계자가 요구하는 목표값들에 적합한 섬유의 설계 파라미터들을 도출할 수 있기 때문에, 보다 신속하고 효율적으로 복합재의 설계가 가능한 이점이 있다.The present invention has an advantage in that it is possible to design a composite material more quickly and efficiently because it is possible to derive design parameters of a fiber suitable for target values required by a designer when designing a composite material using machine learning.

또한, 낙하 충격 실험시 얻어지는 다량의 빅데이터 중에서 낙하 충격시 최대 흡수 에너지, 최대 하중, 낙하물체의 최대 속도, 섬유의 종류별 복합재의 제조 비용을 입력 변수로 하고, 섬유의 종류를 출력 변수로 하여 머신 러닝을 수행하여 섬유 설정용 러닝 모델을 생성함으로써, 실제 복합재의 설계시 설계자가 요구하는 목표값들에 대응하는 최적의 섬유의 종류를 도출할 수 있는 이점이 있다. In addition, among the large amount of big data obtained during the drop impact experiment, the maximum absorbed energy, maximum load, maximum speed of a falling object, and manufacturing cost of a composite material for each type of fiber are input variables during a fall impact, and the type of fiber is used as an output variable. There is an advantage in that it is possible to derive the optimal fiber type corresponding to the target values required by the designer when designing the actual composite material by performing the running and generating the running model for setting the fiber.

도 1은 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 머신 러닝을 수행하여 섬유 설정용 러닝 모델을 생성하는 방법을 개략적으로 도시한 도면이다.
도 3은 본 발명의 실시예에 따른 섬유 설정용 러닝 모델을 이용하여, 섬유의 설계 파라미터를 출력하는 방법을 도시한 도면이다. 1 is a flowchart illustrating a method of setting design parameters of a fiber for designing a composite material using machine learning according to an embodiment of the present invention.
2 is a diagram schematically illustrating a method of generating a learning model for fiber setting by performing machine learning according to an embodiment of the present invention.
3 is a diagram illustrating a method of outputting a design parameter of a fiber using a fiber setting learning model according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다. Hereinafter, an embodiment of the present invention will be described with reference to the accompanying drawings.

도 1은 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법을 나타낸 순서도이다.1 is a flowchart illustrating a method of setting design parameters of fibers for designing a composite material using machine learning according to an embodiment of the present invention.

본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 모델로부터 설계 파라미터를 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다. In an embodiment of the present invention, a subject that performs machine learning and derives design parameters from a model built through machine learning is a computer (not shown).

도 1을 참조하면, 본 발명의 실시예에 따른 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법은, 모델 생성단계(S1), 설계 파라미터 출력단계(S2) 및 설계단계(S3)를 포함한다.Referring to Figure 1, the method of setting the design parameters of the fiber for designing a composite material using machine learning according to an embodiment of the present invention includes a model generation step (S1), a design parameter output step (S2) and a design step ( S3) is included.

도 2는 본 발명의 실시예에 따른 머신 러닝을 수행하여 섬유 설정용 러닝 모델을 생성하는 방법을 개략적으로 도시한 도면이다.2 is a diagram schematically illustrating a method of generating a learning model for fiber setting by performing machine learning according to an embodiment of the present invention.

도 2를 참조하면, 상기 모델 생성단계(S1)는, 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터를 머신 러닝하여, 섬유 설정용 러닝 모델(M)을 생성한다.Referring to FIG. 2 , in the model generation step ( S1 ), a learning model (M) for setting fibers is generated by machine learning the learning data obtained through an experiment or simulation for applying an external force.

본 실시예에서는, 상기 외력은, 기설정된 복합재에 낙하 물체가 낙하 충격시 가해지는 힘인 것으로 예를 들어 설명하고, 상기 학습 데이터는 상기 복합재에 대해 낙하 충격 실험을 통해 얻어진 빅데이터로부터 얻어진 측정값인 것으로 예를 들어 설명한다. In this embodiment, the external force is described as a force applied during a fall impact of a falling object to a predetermined composite material, and the learning data is a measurement value obtained from big data obtained through a drop impact experiment on the composite material. will be described as an example.

다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험이외에도 복합재의 성능을 평가할 수 있는 것이라면 어느 것이나 적용 가능하다. However, the present invention is not limited thereto, and any of the experiments or simulations may be applied as long as the performance of the composite material can be evaluated in addition to the test for applying an external force.

상기 낙하 충격 실험을 통해 얻어진 다량의 빅데이터는 주성분 분석(PCA, Principal Component Analysis)을 수행하여, 섬유의 설계 파라미터와 관련 있는 의미있는 데이터(Principal Component)로 분류하고, 분류된 데이터를 학습 데이터로 이용한다. A large amount of big data obtained through the drop impact experiment is classified into meaningful data (Principal Component) related to the design parameters of the fiber by performing Principal Component Analysis (PCA), and the classified data is used as learning data. use it

상기 모델 생성단계(S1)에서는, 상기 학습 데이터 중에서 일부는 입력 변수로 하고, 나머지는 출력 변수로 하여, 머신 러닝을 수행하여 상기 섬유 설정용 러닝 모델(M)을 생성한다.In the model generation step (S1), some of the training data are input variables and the rest are output variables, and machine learning is performed to generate the learning model (M) for setting the fibers.

상기 머신 러닝을 위한 입력 변수는, 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2), 낙하 충격시 낙하물체의 최대 속도(P3) 및 섬유의 종류에 따른 복합재의 제조 비용(P4)를 포함한다.The input variables for the machine learning are, the maximum absorbed energy (P1) at the time of falling impact, the maximum load (P2) at the time of the fall impact, the maximum speed of the falling object at the time of the fall impact (P3), and the manufacturing cost of the composite material according to the type of fiber ( P4).

상기 머신 러닝을 위한 출력 변수는, 상기 복합재의 설계를 위해 필요한 섬유의 설계 파라미터를 포함한다. 상기 섬유의 설계 파라미터는, 섬유의 종류(P10), 섬유 플라이의 적층개수(P20), 섬유의 배열방향(P30), 섬유의 길이(P40), 섬유의 직경(P50) 및 수지의 종류(P60)중 적어도 하나를 포함한다. The output parameters for the machine learning include design parameters of fibers required for the design of the composite material. The design parameters of the fiber are the type of fiber (P10), the number of laminated fiber plies (P20), the direction of fiber arrangement (P30), the length of the fiber (P40), the diameter of the fiber (P50), and the type of resin (P60). ) contains at least one of

이하, 본 실시예에서는, 상기 섬유의 설계 파라미터(P10~P60) 중에서 상기 섬유의 종류(P10)만을 출력 변수로 하여 머신 러닝하는 것으로 예를 들어 설명한다. Hereinafter, in the present embodiment, machine learning will be described as an output variable using only the fiber type (P10) among the fiber design parameters (P10 to P60) as an output variable.

다만, 이에 한정되지 않고, 상기 섬유의 설계 파라미터(P10~P60) 중에서 일부 파라미터 또는 일부 파라미터들의 조합 또는 전체 파라미터들을 출력 변수로 설정하는 것도 물론 가능하다. However, the present invention is not limited thereto, and it is of course possible to set some parameters, a combination of some parameters, or all parameters among the design parameters P10 to P60 of the fiber as output variables.

상기 섬유의 종류(P10)는, 탄소 섬유(P11), 아라미드 섬유(P12), 상기 탄소 섬유와 상기 아라미드 섬유가 혼합된 하이브리드 섬유(P13)를 포함한다. 다만, 이에 한정되지 않고, 탄소 섬유나 아라미드 섬유 이외에 다른 섬유이거나 다른 섬유를 더 포함하는 하이브리드 섬유인 것도 물론 가능하다. The type of fiber (P10) includes a carbon fiber (P11), an aramid fiber (P12), and a hybrid fiber (P13) in which the carbon fiber and the aramid fiber are mixed. However, the present invention is not limited thereto, and it is of course possible to use other fibers or hybrid fibers including other fibers in addition to carbon fibers or aramid fibers.

상기 섬유의 종류(P10)가 상기 하이브리드 섬유인 경우, 상기 섬유의 설계 파라미터는 상기 탄소 섬유와 상기 아라미드 섬유의 혼합 비율을 더 포함할 수 있다. When the type of fiber (P10) is the hybrid fiber, the design parameter of the fiber may further include a mixing ratio of the carbon fiber and the aramid fiber.

상기 모델 생성단계(S1)에서 상기 입력 변수와 상기 출력 변수를 하여 머신 러닝을 수행하면, 상기 입력 변수에 따라 상기 섬유의 설계 파라미터를 출력하는 섬유 설정용 러닝 모델(M)이 생성된다.When machine learning is performed using the input variable and the output variable in the model generation step S1, a learning model M for fiber setting that outputs the design parameters of the fiber according to the input variable is generated.

상기와 같이 상기 섬유 설정용 러닝 모델(M)이 생성되면, 상기 설계 파라미터 출력단계(S2)를 수행한다.When the learning model (M) for setting the fiber is generated as described above, the design parameter output step (S2) is performed.

도 3은 본 발명의 실시예에 따른 섬유 설정용 러닝 모델을 이용하여, 섬유의 설계 파라미터를 출력하는 방법을 도시한 도면이다. 3 is a diagram illustrating a method of outputting a design parameter of a fiber using a running model for fiber setting according to an embodiment of the present invention.

도 3을 참조하면, 상기 설계 파라미터 출력단계(S2)에서는, 실제 복합재의 설계시 상기 섬유 예측 러닝 모델(M)에 설계자가 요구하는 목표값들을 입력하면, 상기 설계자가 요구하는 목표값들에 대응하는 상기 섬유의 설계 파라미터가 출력된다. Referring to FIG. 3 , in the design parameter output step S2, when target values requested by a designer are inputted to the fiber prediction learning model M when designing an actual composite material, the target values required by the designer are corresponding The design parameters of the fiber are output.

상기 섬유 예측 러닝 모델(M)에 입력되는 실전용 입력 변수들은, 상기 설계자가 요구하는 목표값들이고, 관리자가 별도의 입력부를 통해 입력한 설정값들이다. The practical input variables input to the fiber prediction learning model M are target values requested by the designer and set values input by the administrator through a separate input unit.

상기 실전용 입력 변수들은, 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2), 낙하 충격시 낙하 물체의 최대 속도(P3) 및 섬유의 종류에 따른 복합재의 제조 비용(P4)에 대한 각각의 목표값들이다.The practical input variables are the maximum absorbed energy (P1) at the time of fall impact, the maximum load (P2) at the time of fall impact, the maximum speed of the falling object at the time of fall impact (P3), and the manufacturing cost of the composite material according to the type of fiber (P4) are the respective target values for

상기 섬유 예측 러닝 모델(M)에서 출력된 상기 섬유의 종류는, 상기 낙하 충격시 최대 흡수 에너지(P1), 상기 낙하 충격시 최대 하중(P2), 상기 낙하 충격시 낙하 물체의 최대 속도(P3) 및 상기 섬유의 종류에 따른 복합재의 제조 비용(P4)에 대응하는 최적의 섬유이다.The type of the fiber output from the fiber prediction learning model (M) is the maximum absorbed energy (P1) at the time of the fall impact, the maximum load (P2) at the time of the fall impact, and the maximum speed (P3) of the falling object at the time of the fall impact and the optimal fiber corresponding to the manufacturing cost (P4) of the composite material according to the type of the fiber.

예를 들어, 상기 섬유 예측 러닝 모델(M)에서는 상기 목표값들에 대응하는 최적의 섬유의 종류로 상기 탄소 섬유, 상기 아라미드 섬유, 상기 하이브리드 섬유 중 적어도 하나를 출력한다. 즉, 상기 낙하 충격시 최대 흡수 에너지(P1), 상기 낙하 충격시 최대 하중(P2), 상기 낙하 충격시 낙하 물체의 최대 속도(P3) 및 상기 섬유의 종류에 따른 복합재의 제조 비용(P4)에 대한 각각의 목표값들을 만족할 수 있는 최적의 섬유를 설정하여 출력한다. For example, the fiber prediction learning model (M) outputs at least one of the carbon fiber, the aramid fiber, and the hybrid fiber as an optimal fiber type corresponding to the target values. That is, the maximum absorbed energy (P1) at the time of the fall impact, the maximum load (P2) at the time of the fall impact, the maximum speed (P3) of the falling object at the time of the fall impact, and the manufacturing cost of the composite material according to the type of fiber (P4) Set and output the optimal fiber that can satisfy each target value for

상기와 같이, 상기 섬유 설정용 러닝 모델로부터 상기 목표값들에 대응하는 상기 섬유의 종류가 출력되면, 상기 설계단계(S3)에서는 출력된 섬유의 종류에 따라 상기 복합재를 설계한다. As described above, when the type of the fiber corresponding to the target values is output from the running model for setting the fiber, the composite material is designed according to the type of the outputted fiber in the design step S3.

상기와 같이, 머신 러닝을 이용하여, 상기 복합재의 설계시 설계자가 요구하는 목표값들에 적합한 섬유의 종류를 도출할 수 있기 때문에, 보다 신속하고 효율적으로 복합재의 설계가 가능한 이점이 있다.As described above, by using machine learning, since the type of fiber suitable for the target values required by the designer when designing the composite material can be derived, there is an advantage in that the design of the composite material is possible more quickly and efficiently.

한편, 상기와 같이 본 실시예에서는, 상기 섬유 설정용 러닝 모델로부터 출력되는 섬유의 설계 파라미터는 섬유의 종류인 것으로 예를 들어 설명하였으나, 이에 한정되지 않고, 상기 섬유의 종류(P10) 이외에 상기 섬유 플라이의 적층개수(P20), 상기 섬유의 배열방향(P30), 상기 섬유의 길이(P40), 상기 섬유의 직경(P50) 및 상기 수지의 종류(P60) 중 적어도 일부를 더 포함하는 것도 물론 가능하다. 또한, 상기 섬유의 종류(P10)가 하이브리드 섬유일 경우, 상기 탄소 섬유와 상기 아라미드 섬유의 혼합 비율을 출력하는 것도 물론 가능하다.On the other hand, in this embodiment as described above, the design parameter of the fiber output from the running model for setting the fiber has been described as an example of the type of fiber, but is not limited thereto, and the fiber other than the type of fiber (P10) It is of course also possible to further include at least some of the number of plies stacked (P20), the arrangement direction of the fibers (P30), the length of the fibers (P40), the diameter of the fibers (P50), and the type of the resin (P60) do. In addition, when the type of the fiber (P10) is a hybrid fiber, it is of course possible to output the mixing ratio of the carbon fiber and the aramid fiber.

이 때, 상기 모델 생성단계(S1)에서는, 상기 섬유의 종류(P10), 상기 섬유 플라이의 적층개수(P20), 상기 섬유의 배열방향(P30), 상기 섬유의 길이(P40), 상기 섬유의 직경(P50) 및 상기 수지의 종류(P60)를 1개의 섬유 설정용 러닝 모델에서 모두 도출하는 것도 가능하다. At this time, in the model generating step (S1), the type of the fiber (P10), the number of stacked fiber plies (P20), the arrangement direction of the fiber (P30), the length of the fiber (P40), the length of the fiber It is also possible to derive both the diameter (P50) and the type of resin (P60) from the running model for setting one fiber.

또한, 상기 모델 생성단계(S1)에서는, 상기 섬유의 종류(P10), 상기 섬유 플라이의 적층개수(P20), 상기 섬유의 배열방향(P30), 상기 섬유의 길이(P40), 상기 섬유의 직경(P50) 및 상기 수지의 종류(P60)를 각각 도출할 수 있는 6개의 서로 다른 제1,2,3,4,5,6섬유 설정용 러닝 모델을 각각 생성하는 것도 물론 가능하다. In addition, in the model generation step (S1), the type of the fiber (P10), the number of stacked fiber plies (P20), the arrangement direction of the fiber (P30), the length of the fiber (P40), the diameter of the fiber It is of course also possible to generate 6 different running models for setting the first, second, third, fourth, and fifth fibers, respectively, from which (P50) and the type of resin (P60) can be derived, respectively.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is merely exemplary, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims (7)

실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 외력 인가시 최대 흡수 에너지, 최대 하중, 외력의 최대 속도 및 섬유의 종류에 따른 제조 비용 중 적어도 일부를 입력 변수로 하고, 섬유의 종류를 포함하는 섬유의 설계 파라미터를 출력변수로 하여 머신 러닝을 수행하여, 상기 섬유의 설계 파라미터를 출력하는 섬유 설정용 러닝 모델을 생성하는 모델 생성단계와;
복합재의 설계시 상기 섬유 설정용 러닝 모델에 설계자가 요구하는 외력 인가시 최대 흡수 에너지, 최대 하중, 외력의 최대 속도 및 섬유의 종류에 따른 제조 비용 중 적어도 일부를 포함하는 목표값들을 입력하여, 상기 섬유 설정용 러닝 모델로부터 상기 설계자가 요구하는 목표값들에 대응하는 상기 섬유의 설계 파라미터를 출력하는 설계 파라미터 출력단계와;
상기 설계 파라미터 출력단계에서 출력된 상기 섬유의 설계 파라미터에 따라 상기 복합재를 설계하는 설계단계를 포함하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.Among the learning data obtained through experiments or simulations, when an external force is applied, at least a part of the maximum absorbed energy, the maximum load, the maximum speed of the external force, and the manufacturing cost according to the type of fiber are input variables, and the design parameter of the fiber including the type of the fiber a model generation step of generating a learning model for fiber setting that outputs the design parameters of the fiber by performing machine learning using as an output variable;
When designing a composite material, input target values including at least a portion of the maximum absorbed energy, the maximum load, the maximum speed of the external force and the manufacturing cost according to the type of fiber when an external force required by the designer is applied to the running model for setting the fiber, a design parameter output step of outputting design parameters of the fibers corresponding to target values requested by the designer from a learning model for setting fibers;
A method of setting a design parameter of a fiber for designing a composite material using machine learning, comprising a design step of designing the composite material according to the design parameter of the fiber output in the design parameter output step. 청구항 1에 있어서,
상기 섬유의 종류는, 탄소 섬유, 아라미드 섬유, 상기 탄소 섬유와 상기 아라미드 섬유가 혼합된 하이브리드 섬유를 포함하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.The method according to claim 1,
The type of fiber is, carbon fiber, aramid fiber, a method of setting the design parameters of the fiber for designing a composite material using machine learning including a hybrid fiber in which the carbon fiber and the aramid fiber are mixed. 청구항 1에 있어서,
상기 섬유의 설계 파라미터는,
상기 섬유의 종류가 상기 하이브리드 섬유인 경우, 상기 탄소 섬유와 상기 아라미드 섬유의 혼합 비율을 더 포함하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.The method according to claim 1,
The design parameters of the fiber are:
When the type of the fiber is the hybrid fiber, the method of setting the design parameters of the fiber for the composite design using machine learning further comprising a mixing ratio of the carbon fiber and the aramid fiber. 청구항 1에 있어서,
상기 섬유의 설계 파라미터는,
섬유 플라이의 적층 개수, 상기 섬유의 배열 방향, 상기 섬유의 길이 및 상기 섬유의 직경 및 수지의 종류 중 적어도 하나를 더 포함하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.The method according to claim 1,
The design parameters of the fiber are:
A method of setting a design parameter of a fiber for designing a composite material using machine learning further comprising at least one of the number of stacked fiber plies, the arrangement direction of the fiber, the length of the fiber, and the diameter of the fiber and the type of resin. 청구항 1에 있어서,
상기 모델 생성단계에서는,
상기 학습 데이터를 대상으로 주성분 분석(PCA)을 수행하여, 상기 학습 데이터 중에서 상기 외력 인가시 최대 흡수 에너지, 상기 최대 하중, 상기 외력의 최대 속도 및 상기 섬유의 종류에 따른 제조 비용을 상기 입력 변수로 설정하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.The method according to claim 1,
In the model creation step,
Principal component analysis (PCA) is performed on the learning data, and the maximum absorbed energy when the external force is applied among the learning data, the maximum load, the maximum speed of the external force, and the manufacturing cost according to the type of the fiber as the input variables A method of establishing the design parameters of fibers for composite design using machine learning to establish. 청구항 1에 있어서,
상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘인 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.The method according to claim 1,
The external force is a method of setting a design parameter of a fiber for designing a composite material using machine learning, which is a force applied when a falling object falls on the composite material. 낙하 충격 실험 또는 시뮬레이션을 통해 얻어진 데이터를 대상으로 주성분 분석(PCA)을 수행하여 낙하 충격시 최대 흡수 에너지, 낙하 충격시 최대 하중, 낙하 충격시 낙하물체의 최대 속도 및 섬유의 종류에 따른 복합재의 제조 비용 중 적어도 일부를 입력 변수로 하고, 섬유의 종류, 섬유 플라이의 적층 개수, 섬유의 배열 방향, 섬유의 길이, 섬유의 직경 및 수지의 종류 중 적어도 하나를 포함하는 섬유의 설계 파라미터를 출력변수로 하여 머신 러닝을 수행하여, 상기 섬유의 설계 파라미터를 출력하는 섬유 설정용 러닝 모델을 생성하는 모델 생성단계와;
복합재의 설계시 상기 섬유 설정용 러닝 모델에 설계자가 요구하는 낙하 충격시 최대 흡수 에너지, 낙하 충격시 최대 하중, 낙하 충격시 낙하물체의 최대 속도 및 섬유의 종류에 따른 복합재의 제조 비용 중 적어도 일부를 포함하는 목표값을 입력하여, 상기 섬유 설정용 러닝 모델로부터 상기 설계자가 요구하는 목표값들에 대응하는 상기 섬유의 설계 파라미터를 출력하는 설계 파라미터 출력단계와;
상기 설계 파라미터 출력단계에서 출력된 상기 섬유의 설계 파라미터에 따라 상기 복합재를 설계하는 설계단계를 포함하는 머신 러닝을 이용하여 복합재 설계를 위한 섬유의 설계 파라미터를 설정하는 방법.Principal component analysis (PCA) is performed on data obtained through drop impact experiments or simulations to produce composites according to the maximum absorbed energy at the time of fall impact, the maximum load at the time of fall impact, the maximum speed of the falling object at the time of fall impact, and the type of fiber At least a portion of the cost is taken as an input variable, and a design parameter of the fiber including at least one of the type of fiber, the number of stacked fiber plies, the arrangement direction of the fiber, the length of the fiber, the diameter of the fiber, and the type of resin is used as the output variable. a model generation step of performing machine learning to generate a learning model for fiber setting that outputs the design parameters of the fiber;
When designing a composite material, at least a portion of the manufacturing cost of the composite material according to the maximum absorbed energy at the time of drop impact, the maximum load at the time of fall impact, the maximum speed of the falling object at the time of fall impact, and the type of fiber required by the designer in the running model for setting the fiber when designing the composite material a design parameter output step of outputting design parameters of the fiber corresponding to target values requested by the designer from the learning model for fiber setting by inputting a target value including;
A method of setting a design parameter of a fiber for designing a composite material using machine learning, comprising a design step of designing the composite material according to the design parameter of the fiber output in the design parameter output step.
KR1020200090377A 2020-07-21 2020-07-21 Method of selecting fiber design parameter for composite design using machine learning KR102376398B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090377A KR102376398B1 (en) 2020-07-21 2020-07-21 Method of selecting fiber design parameter for composite design using machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090377A KR102376398B1 (en) 2020-07-21 2020-07-21 Method of selecting fiber design parameter for composite design using machine learning

Publications (2)

Publication Number Publication Date
KR20220011452A true KR20220011452A (en) 2022-01-28
KR102376398B1 KR102376398B1 (en) 2022-03-18

Family

ID=80051273

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090377A KR102376398B1 (en) 2020-07-21 2020-07-21 Method of selecting fiber design parameter for composite design using machine learning

Country Status (1)

Country Link
KR (1) KR102376398B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100396138B1 (en) 1995-05-24 2003-12-01 소시에떼 나쇼날 데듀뜨 에 드 꽁스트럭시용 드 모뙤르 다비아시옹-에스.엔.이.씨.엠.에이. Hybrid yarns for the production of fiber preforms of composite parts and methods of making same
KR20110122239A (en) * 2010-05-04 2011-11-10 국방과학연구소 Multi layer type impact resistance pannel and the making method of it
JP2017146673A (en) * 2016-02-15 2017-08-24 三菱重工業株式会社 Structure design method and structure
KR20190103750A (en) * 2018-02-28 2019-09-05 조선대학교산학협력단 Method for analysing the material data of composite fiber reinforced plastics with finite element method
JP6625306B1 (en) * 2019-04-22 2019-12-25 三菱電機株式会社 Method for designing composite material laminated structure, method for manufacturing composite material laminated structure, and apparatus for designing composite material laminated structure

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100396138B1 (en) 1995-05-24 2003-12-01 소시에떼 나쇼날 데듀뜨 에 드 꽁스트럭시용 드 모뙤르 다비아시옹-에스.엔.이.씨.엠.에이. Hybrid yarns for the production of fiber preforms of composite parts and methods of making same
KR20110122239A (en) * 2010-05-04 2011-11-10 국방과학연구소 Multi layer type impact resistance pannel and the making method of it
JP2017146673A (en) * 2016-02-15 2017-08-24 三菱重工業株式会社 Structure design method and structure
KR20190103750A (en) * 2018-02-28 2019-09-05 조선대학교산학협력단 Method for analysing the material data of composite fiber reinforced plastics with finite element method
JP6625306B1 (en) * 2019-04-22 2019-12-25 三菱電機株式会社 Method for designing composite material laminated structure, method for manufacturing composite material laminated structure, and apparatus for designing composite material laminated structure

Also Published As

Publication number Publication date
KR102376398B1 (en) 2022-03-18

Similar Documents

Publication Publication Date Title
Hochard et al. Modelling of the mechanical behaviour of woven-fabric CFRP laminates up to failure
Vandeurzen et al. A three-dimensional micromechanical analysis of woven-fabric composites: II. Elastic analysis
Ahmed et al. Impact response of carbon/kevlar hybrid 3D woven composite under high velocity impact: experimental and numerical study
Carvalho et al. Application of Life Cycle Engineering approach to assess the pertinence of using natural fibers in composites–the rocker case study
Shiri et al. Effect of strength dispersion on fatigue life prediction of composites under two-stage loading
Chu et al. Multiscale simulation and theoretical prediction for the elastic properties of unidirectional fiber‐reinforced polymer containing random void defects
KR102376398B1 (en) Method of selecting fiber design parameter for composite design using machine learning
Norman et al. Effect of fibre volume on the natural frequencies of laminated composite plate
Gilberto et al. MC4CSLTA: an efficient model checking tool for CSLTA
Kumar et al. Axial crushing of circular thin-walled specimens made of CFRP using progressive failure model (MAT54) in LS-Dyna
Sun et al. Reliability of a class of nonlinear systems under switching random excitations
CN110941922A (en) Simulation method for predicting damage between composite laminated plate layers and between fiber bands
KR102472536B1 (en) Method of selecting design parameter for composite sensor using machine learning
CN108595724A (en) Composite material revolving meber design method
EP4078299B1 (en) Manufacturing or controlling a technical system using an optimized parameter set
Talebitoot et al. Simulation and optimization of fatigue life of carbon-epoxy composite sub frame
Karimi et al. The effects of newmark method parameters on errors in dynamic extended finite element method using response surface method
Diveyev et al. Dynamic properties identification for laminated plates
Prasad et al. Numerical analysis of hybrid carbon fiber composite specimen and validation of results
CN114912309B (en) Multi-scale simulation method for vibration fatigue damage of 2.5D woven composite material
Luzi et al. 3D printed resonant compliant mechanism to reduce motor torque requirements of machines with cyclic operation
Srilakshmi et al. A review on Progressive failure analysis of composites
Zhang et al. Coach simplified structure modeling and optimization study based on the PBM method
Chamberlain et al. Cycling and sustainability: development of a recycled carbon fiber (rcf) crankset demonstrator
US20230401351A1 (en) Method and Apparatus for Obtaining a Composite Laminate

Legal Events

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