KR20220011455A - 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법 - Google Patents

머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법 Download PDF

Info

Publication number
KR20220011455A
KR20220011455A KR1020200090380A KR20200090380A KR20220011455A KR 20220011455 A KR20220011455 A KR 20220011455A KR 1020200090380 A KR1020200090380 A KR 1020200090380A KR 20200090380 A KR20200090380 A KR 20200090380A KR 20220011455 A KR20220011455 A KR 20220011455A
Authority
KR
South Korea
Prior art keywords
damage
composite material
type
machine learning
damage type
Prior art date
Application number
KR1020200090380A
Other languages
English (en)
Other versions
KR102393044B1 (ko
Inventor
박영빈
노형도
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 KR1020200090380A priority Critical patent/KR102393044B1/ko
Publication of KR20220011455A publication Critical patent/KR20220011455A/ko
Application granted granted Critical
Publication of KR102393044B1 publication Critical patent/KR102393044B1/ko

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C70/00—Shaping composites, i.e. plastics material comprising reinforcements, fillers or preformed parts, e.g. inserts
    • B29C70/04—Shaping composites, i.e. plastics material comprising reinforcements, fillers or preformed parts, e.g. inserts comprising reinforcements only, e.g. self-reinforcing plastics
    • B29C70/06—Fibrous reinforcements only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
    • B29K2105/06—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts
    • B29K2105/08—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts of continuous length, e.g. cords, rovings, mats, fabrics, strands or yarns
    • B29K2105/0872—Prepregs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2307/00—Use of elements other than metals as reinforcement
    • B29K2307/04—Carbon

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Composite Materials (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Moulding By Coating Moulds (AREA)

Abstract

본 발명은, 머신 러닝을 이용하여 외력 인가시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 따라 탄소섬유강화복합재의 손상 유형을 분류하여 도출할 수 있기 때문에, 손상 유형을 보다 신속하고 정확하게 도출할 수 있는 이점이 있다. 또한, 낙하 충격시 얻어지는 다량의 빅 데이터 중에서 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항을 입력 변수로 하고, 복수의 손상 유형들 중에서 상기 입력 변수로 입력되는 값에 대응하는 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 손상 유형 분류 모델을 생성함으로써, 탄소섬유강화복합재의 실제 사용시 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항만으로 손상 유형을 도출할 수 있으므로, 손상 유형을 파악하는 데 드는 시간과 비용이 절감될 수 있을 뿐만 아니라 후속 조치도 보다 신속하게 이루어질 수 있는 이점이 있다.

Description

머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법{Method of classifying damage type for composite using machine learning}
본 발명은 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법에 관한 것으로서, 보다 상세하게는 머신 러닝을 통해 손상 유형 분류 모델을 구축하여, 전도성 섬유를 포함하는 복합재의 손상 유형을 예측하여 분류하는 방법에 관한 것이다.
일반적으로 탄소섬유강화플라스틱(CFRP, Carbon Fiber Reinforced Plastic)은 탄소섬유를 강화재로 사용하는 복합재료이다. 탄소섬유강화플라스틱은 고강도, 고강성의 경량 구조재로서 비행기, 자동차, 로봇 등 다양한 분야에 활발하게 이용되고 있다. 하지만, 탄소섬유강화플라스틱에서 미세한 파손이 발생하는 경우 물성이 급격히 저하되는 문제점이 있다. 따라서, 탄소섬유강화플라스틱에 발생한 미세한 손상의 위치를 감지할 수 있는 기술이 요구된다.
종래에는 구조물과 별도로 변형이나 손상을 측정할 수 있는 센서 등을 추가적으로 설치하여 검사하고자 하는 특정 부분의 검사를 실시하거나, 음향 센서 등 검사 장비를 통해 스캔 하거나, 육안 등으로 손상 여부를 판단하였다.
그러나, 센서를 추가 설치하는 경우 비용이 많이 드는 문제점이 있을 뿐만 아니라, 검사 대상이 되는 부분이 매우 광범위하므로 센서의 설치에는 한계가 있다. 또한, 검사 장비를 이용하거나 육안으로 검사할 경우 이미 파손이나 손상이 발생된 이후에서야 확인이 가능하기 때문에 안전성 확보에 문제점이 있다.
한국등록특허 10-0682574호
본 발명의 목적은, 머신러닝을 이용하여 복합재의 손상 유형을 보다 신속하고 정확하게 검출할 수 있는 방법을 제공하는 데 있다.
본 발명에 따른 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법은, 전도성 물질을 포함하는 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와; 상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면, 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함한다.
상기 복합재는, 탄소섬유를 포함하는 탄소섬유강화플라스틱으로 미리 설정된다.
상기 손상 유형들은, 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함한다.
상기 모델 생성단계에서 상기 입력 변수는 상기 전극 쌍들의 저항은 미리 설정된 설정 시간마다 측정된 값이며, 손상 발생 이전에 측정된 값과 손상 발생 이후에 측정된 값을 포함한다.
상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘이다.
상기 모델 생성단계에서 상기 입력 변수는 상기 복합재에 포함된 전도성 섬유의 종류, 전도성 섬유 플라이의 적층 개수, 상기 전도성 섬유의 길이, 상기 전도성 섬유의 직경 및 수지의 종류 중 적어도 하나를 더 포함한다.
본 발명의 다른 측면에 따른 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법은, 탄소섬유를 포함하는 탄소섬유강화플라스틱이고, 복수의 전극들이 미리 설정된 설정 간격으로 이격되게 배치되어 저항 경로를 형성하는 복합재의 손상 유형을 분류하는 방법에 있어서, 상기 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와; 상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함하고, 상기 손상 유형들은, 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함한다.
본 발명은, 머신 러닝을 이용하여 외력 인가시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 따라 탄소섬유강화복합재의 손상 유형을 분류하여 도출할 수 있기 때문에, 손상 유형을 보다 신속하고 정확하게 도출할 수 있는 이점이 있다.
또한, 낙하 충격시 얻어지는 다량의 빅 데이터 중에서 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항을 입력 변수로 하고, 복수의 손상 유형들 중에서 상기 입력 변수로 입력되는 값에 대응하는 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여 손상 유형 분류 모델을 생성함으로써, 탄소섬유강화복합재의 실제 사용시 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항만으로 손상 유형을 도출할 수 있으므로, 손상 유형을 파악하는 데 드는 시간과 비용이 절감될 수 있을 뿐만 아니라 후속 조치도 보다 신속하게 이루어질 수 있는 이점이 있다.
도 1은 본 발명의 실시예에 따른 탄소섬유강화복합재에 전극들이 구비된 예를 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 머신러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 머신 러닝하여 손상 유형 분류 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.
도 4는 도 3에서 생성된 손상 유형 분류 모델을 이용하여, 탄소섬유강화복합재의 손상 유형을 분류하고 도출하는 방법을 개략적으로 나타낸 블록도이다.
도 5는 본 발명의 실시예에 따른 탄소섬유강화복합재의 손상유형들을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다.
본 발명의 실시예에서 머신 러닝을 수행하고, 머신 러닝을 통해 구축된 손상 유형 분류 모델로부터 복합재의 손상 유형을 분류하고 도출하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다.
상기 복합재는 전도성 물질을 포함하는 전도성 복합재이다. 상기 전도성 물질은, 탄소섬유, 탄소나노튜브, 그래핀을 포함한다.
본 실시예에서는 상기 전도성 물질은 탄소섬유이고, 상기 복합재는 복수의 탄소섬유 플라이들이 적층되어 형성된 탄소섬유강화플라스틱(CFRP)으로 설정된 것으로 예를 들어 설명한다. 이하, 상기 복합재는 탄소섬유강화복합재로 칭하기로 한다.
다만, 이에 한정되지 않고, 상기 복합재는 상기 탄소섬유 외에 아라미드 섬유 등 다른 섬유를 더 포함하는 것도 물론 가능하다.
머신 러닝을 위한 학습 데이터에서 상기 탄소섬유 플라이들의 개수, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류를 포함한 섬유 조건은 미리 동일하게 설정된 것으로 예를 들어 설명한다.
다만, 이에 한정되지 않고, 상기 탄소섬유 플라이들의 개수, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류 중 적어도 하나를 머신 러닝을 위한 학습 데이터의 입력 변수로 사용하는 것도 물론 가능하다.
도 1은 본 발명의 실시예에 따른 탄소섬유강화복합재에 전극들이 구비된 예를 개략적으로 나타낸 도면이다.
도 1을 참조하면, 상기 탄소섬유강화복합재(10)는 복수의 전극들(11)이 적어도 하나 이상의 쌍을 이루도록 구비되어, 상기 복수의 전극 쌍들로부터 저항 변화를 측정하여 상기 복합재의 변형을 감지할 수 있는 셀프 센싱이 가능한 복합재 센서이다.
상기 전극들(11)의 개수는 상기 전극들(11)이 서로 이격되는 간격에 따라 달라진다.
머신 러닝을 위한 학습 데이터에서 상기 전극들(11)의 개수는 동일하게 설정된다.
상기와 같이 구성된 본 발명의 실시예에 따른 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법에 대해 설명하면 다음과 같다.
도 2는 본 발명의 실시예에 따른 머신러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법을 나타낸 순서도이다. 도 3은 본 발명의 실시예에 따른 머신 러닝하여 손상 유형 분류 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 머신 러닝을 이용하여 탄소섬유강화복합재의 손상 유형을 분류하여 도출하는 방법은, 모델 생성단계(S1), 손상 유형 출력단계(S2,S3)를 포함한다.
도 3을 참조하면, 상기 모델 생성단계(S1)에서는, 상기 탄소섬유강화복합재에 외력을 인가하는 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중 적어도 일부를 이용하여 머신 러닝하여, 상기 외력 인가시 상기 탄소섬유강화복합재에 발생된 손상의 유형을 도출하기 위한 손상 유형 분류 모델을 생성한다.
상기 외력은, 기설정된 탄소섬유강화복합재에 낙하 물체가 낙하 충격시 가해지는 힘인 것으로 예를 들어 설명한다. 상기 학습 데이터는 상기 탄소섬유강화복합재에 대해 낙하 충격 실험을 통해 얻어진 빅데이터 중 일부인 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 실험 또는 시뮬레이션은 외력을 인가하는 시험 이외에도 탄소섬유강화복합재의 성능을 평가할 수 있는 것이라면 어느 것이나 적용 가능하다.
상기 모델 생성단계(S1)에서 상기 머신 러닝을 위한 입력변수는 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2) 및 전극 쌍들의 저항(P3)을 포함한다.
상기 낙하 충격시 최대 흡수 에너지(P1)와 상기 최대 하중(P2)는, 낙하 충격 시험 장비에서 측정하거나 상기 탄소섬유강화복합재의 내부에 센서를 삽입하여 측정이 가능하다.
상기 전극 쌍들의 저항(P3)은, 상기 복수의 전극 쌍들에서 각각 측정된 저항값을 모두 포함한다.
상기 전극 쌍들의 저항(P3)은, 미리 설정된 설정 시간 간격 또는 실시간으로 측정된 값이며, 손상이 발생하기 이전 저항값과 손상이 발생한 이후 저항값을 포함한다.
상기 모델 생성단계(S1)에서 상기 머신 러닝을 위한 출력변수는, 미리 설정된 복수의 손상 유형들 중에서 상기 낙하 충격시 발생된 상기 탄소섬유강화복합재의 손상 유형이다.
도 5를 참조하면, 상기 복수의 손상 유형들은, 손상의 정도에 따라 단계별로 복수개로 구분되며, 본 실시예에서는 탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함하는 것으로 예를 들어 설명한다.
상기 탄성은, 낙하 충격에 의해 탄성 구간내에서 변형이 발생하나 초기 상태로 복원이 가능한 유형이다.
상기 덴트는, 소성 변형이 발생된 것이며, 낙하 충격에 의해 움푹 패인 상태를 나타낸 유형이다.
상기 층간분리는, 탄소섬유강화플라스틱 플라이들 사이나 졀연 시트와 탄소섬유강화플라스틱 시트 사이가 분리된 상태를 나타낸 손상 유형이다.
상기 천공은, 상기 탄소섬유강화복합재를 관통하는 구멍이 생긴 손상 유형이다.
한편, 상기 입력 변수로 손상이 발생하기 이전 전극 쌍들의 저항이 입력되면, 상기 출력 변수로 손상이 발생되지 않는 정상(No Damage)을 입력하여 학습시킬 수도 있다.
다만, 이에 한정되지 않고, 상기 탄소섬유강화복합재의 특성에 따라 상기 손상 유형을 더 세분화시키거나 간략화시키는 것도 물론 가능하다.
상기 모델 생성단계(S1)에서는, 상기 입력 변수와 상기 출력 변수를 대응시켜 머신 러닝하여, 상기 낙하 충격시 최대 흡수 에너지, 최대 하중 및 전극 쌍들의 저항에 대응하는 손상 유형을 분류하여 도출할 수 있는 손상 유형 분류 모델을 생성한다.
상기 머신 러닝시 2차원 분류기 또는 3차원 FCM(Fuzzy Clustering Method)을 사용할 수 있다.
한편, 상기 섬유의 종류, 상기 탄소섬유의 배열 방향, 상기 탄소섬유의 길이, 상기 탄소섬유의 직경 및 수지의 종류를 포함한 전도성 섬유의 조건, 상기 전극의 크기에 대한 학습 조건은 동일하게 설정되어 머신 러닝을 수행한다.
다만, 이에 한정되지 않고 상기 학습 조건 중 일부를 변경할 경우 변경된 조건 중 적어도 일부를 상기 입력 변수로 사용하는 것도 물론 가능하다.
한편, 도 4는 도 3에서 생성된 손상 유형 분류 모델을 이용하여, 탄소섬유강화복합재의 손상 유형을 분류하고 도출하는 방법을 개략적으로 나타낸 블록도이다.
도 4를 참조하면, 상기 손상 유형 출력단계(S2,S3)에서는, 먼저 상기 탄소섬유강화복합재를 실제 사용시 측정되거나 입력된 실전 데이터를 상기 손상 유형 분류 모델에 입력한다.(S2)
상기 탄소섬유강화복합재에 낙하 충격이 가해졌다고 감지되면, 상기 컴퓨터는 상기 손상 유형 출력단계(S2,S3)를 수행하여 손상 유형을 도출한다.
이 때, 상기 낙하 충격 여부는 상기 전극 쌍들의 저항 변화를 통해 감지될 수 있다.
상기 손상 유형 출력단계(S2,S3)에서는, 상기 손상 유형 분류 모델을 이용하여 상기 낙하 충격에 의한 손상 발생 여부와 손상 유형을 도출할 수 있다.
상기 손상 유형 분류 모델에 입력된 입력 데이터는, 상기 낙하 충격시 최대 흡수 에너지(P1), 낙하 충격시 최대 하중(P2), 전극 쌍들의 저항(P3)을 포함한다.
상기 낙하 충격시 최대 흡수 에너지(P1)와 상기 낙하 충격시 최대 하중(P2)은, 상기 탄소섬유강화복합재의 내부에 구비된 센서에 의해 측정되어 입력된다. 상기 센서가 상기 낙하 충격시 최대 하중(P2)을 측정하면, 상기 컴퓨터가 측정된 하중을 시간에 대해 적분하여 최대 흡수 에너지(P2)를 산출할 수 있다.
상기 전극 쌍들의 저항(P3)은, 미리 설정된 설정 시간 간격 또는 실시간으로 측정하여 입력받는다.
상기 손상 유형 분류 모델에 상기 낙하 충격시 최대 흡수 에너지(P1), 상기낙하 충격시 최대 하중(P2), 상기 전극 쌍들의 저항(P3)이 입력되면(S2), 상기 손상 유형 분류 모델은 상기 복수의 손상 유형들 중에서 예상되는 손상 유형을 분류하여 출력한다.(S3)
상기 손상 유형 분류 모델로부터 상기 손상 유형이 상기 탄성으로 출력되면, 낙하 충격으로 인해 손상이 발생하였지만, 탄성 복원되어 정상 상태로 돌아오는 탄성 변형이라고 판단한다.
상기 손상 유형 분류 모델로부터 상기 손상 유형이 상기 덴트, 상기 층간 분리 및 상기 천공 중 어느 하나로 출력되면, 출력되는 손상 유형에 따라 손상의 정도를 판단할 수 있다.
상기와 같이, 본 발명에 따르면 상기 낙하 충격시 최대 흡수 에너지(P1), 상기 낙하 충격시 최대 하중(P2), 상기 전극 쌍들의 저항(P3)을 알면, 미리 학습된 상기 손상 유형 분류 모델을 통해 예상되는 손상 유형을 분류하여 도출할 수 있으므로, 관리자 등은 상기 탄소섬유강화복합재의 손상 정도를 보다 신속하고 정확하게 인식할 수 있다.
따라서, 탄소섬유강화복합재의 보수 및 교체 등 후속 조치도 보다 용이하게 이루어질 수 있다.
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.

Claims (7)

  1. 전도성 물질을 포함하는 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와;
    상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면, 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  2. 청구항 1에 있어서,
    상기 복합재는, 탄소섬유를 포함하는 탄소섬유강화플라스틱으로 미리 설정된 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  3. 청구항 1에 있어서,
    상기 손상 유형들은,
    탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  4. 청구항 1에 있어서,
    상기 모델 생성단계에서 상기 입력 변수 중에서 상기 전극 쌍들의 저항은 미리 설정된 설정 시간마다 측정된 값이며,
    손상 발생 이전에 측정된 값과 손상 발생 이후에 측정된 값을 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  5. 청구항 1에 있어서,
    상기 외력은, 상기 복합재에 낙하 물체가 낙하 충격시 가해지는 힘인 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  6. 청구항 1에 있어서,
    상기 모델 생성단계에서 상기 입력 변수는 상기 복합재에 포함된 전도성 섬유의 종류, 전도성 섬유 플라이의 적층 개수, 상기 전도성 섬유의 길이, 상기 전도성 섬유의 직경 및 수지의 종류 중 적어도 하나를 더 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
  7. 탄소섬유를 포함하는 탄소섬유강화플라스틱이고, 복수의 전극들이 미리 설정된 설정 간격으로 이격되게 배치되어 저항 경로를 형성하는 복합재의 손상 유형을 분류하는 방법에 있어서,
    상기 복합재에 대한 외력 인가 실험 또는 시뮬레이션을 통해 얻어진 학습 데이터 중에서 상기 복합재에 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복수의 전극들이 이루는 전극 쌍들의 저항을 입력 변수로 하고, 손상 정도를 단계별로 분류하여 미리 설정된 복수의 손상 유형들 중에서 상기 외력 인가시 발생된 손상 유형을 출력 변수로 하여 머신 러닝을 수행하여, 상기 최대 흡수 에너지, 상기 최대 하중 및 상기 전극 쌍들의 저항에 따라 상기 복합재의 손상 유형을 도출하기 위한 손상 유형 분류 모델을 생성하는 모델 생성단계와;
    상기 복합재의 실제 사용시, 외력 인가시 최대 흡수 에너지, 최대 하중 및 상기 복합재에 구비된 복수의 전극들이 이루는 전극 쌍들의 저항에 대한 실전 데이터를 상기 손상 유형 분류 모델에 입력하면 상기 손상 유형 분류 모델로부터 상기 복수의 손상 유형들 중에서 어느 손상 유형이 발생하는지 도출하는 손상 유형 출력단계를 포함하고,
    상기 손상 유형들은,
    탄성(Elastic), 덴트(Dent), 층간 분리(Delamination) 및 천공(Puncture)을 포함하는 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법.
KR1020200090380A 2020-07-21 2020-07-21 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법 KR102393044B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090380A KR102393044B1 (ko) 2020-07-21 2020-07-21 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090380A KR102393044B1 (ko) 2020-07-21 2020-07-21 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법

Publications (2)

Publication Number Publication Date
KR20220011455A true KR20220011455A (ko) 2022-01-28
KR102393044B1 KR102393044B1 (ko) 2022-05-02

Family

ID=80051284

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090380A KR102393044B1 (ko) 2020-07-21 2020-07-21 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법

Country Status (1)

Country Link
KR (1) KR102393044B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100682574B1 (ko) 2005-10-13 2007-02-15 (주) 에스비 비젼 비틀림 스프링이 개재된 푸시락 스위치
KR101781687B1 (ko) * 2015-07-23 2017-09-25 한양대학교 산학협력단 전도성 복합재료 구조물의 손상 감지 및 손상 이력 기록 장치 및 그 제조방법
KR20180129352A (ko) * 2017-05-26 2018-12-05 울산과학기술원 탄소섬유강화플라스틱 구조물의 손상 모니터링 방법
KR101978467B1 (ko) * 2017-12-06 2019-05-14 울산과학기술원 탄소섬유강화플라스틱 구조물의 균열 진전을 감지하는 센서 및 방법
KR20190068155A (ko) * 2017-12-08 2019-06-18 울산과학기술원 복합재를 이용한 구조물의 파손 진단장치 및 이에 의한 구조물 파손 진단방법
KR20190078781A (ko) * 2017-12-27 2019-07-05 울산과학기술원 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법
KR101964880B1 (ko) * 2017-12-22 2019-08-07 울산과학기술원 탄소섬유강화플라스틱 구조물의 응력 진단 시스템 및 방법
KR20200062813A (ko) * 2018-11-27 2020-06-04 울산과학기술원 탄소섬유복합재의 손상 예측 시스템 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100682574B1 (ko) 2005-10-13 2007-02-15 (주) 에스비 비젼 비틀림 스프링이 개재된 푸시락 스위치
KR101781687B1 (ko) * 2015-07-23 2017-09-25 한양대학교 산학협력단 전도성 복합재료 구조물의 손상 감지 및 손상 이력 기록 장치 및 그 제조방법
KR20180129352A (ko) * 2017-05-26 2018-12-05 울산과학기술원 탄소섬유강화플라스틱 구조물의 손상 모니터링 방법
KR101978467B1 (ko) * 2017-12-06 2019-05-14 울산과학기술원 탄소섬유강화플라스틱 구조물의 균열 진전을 감지하는 센서 및 방법
KR20190068155A (ko) * 2017-12-08 2019-06-18 울산과학기술원 복합재를 이용한 구조물의 파손 진단장치 및 이에 의한 구조물 파손 진단방법
KR101964880B1 (ko) * 2017-12-22 2019-08-07 울산과학기술원 탄소섬유강화플라스틱 구조물의 응력 진단 시스템 및 방법
KR20190078781A (ko) * 2017-12-27 2019-07-05 울산과학기술원 탄소섬유강화플라스틱 시트의 파손 위치 감지 방법
KR20200062813A (ko) * 2018-11-27 2020-06-04 울산과학기술원 탄소섬유복합재의 손상 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
‘탄소 케블라 하이브리드 직물의 충격손상 감지기술’, 김태현 등, 한양대학교대학원 석사학위논문(2019.8), 1-43* *

Also Published As

Publication number Publication date
KR102393044B1 (ko) 2022-05-02

Similar Documents

Publication Publication Date Title
Chandrashekhar et al. Damage assessment of structures with uncertainty by using mode-shape curvatures and fuzzy logic
KR101961408B1 (ko) 탄소섬유강화플라스틱 구조물의 손상 모니터링 방법
KR102145246B1 (ko) 탄소섬유복합재의 손상 예측 시스템 및 방법
KR102361821B1 (ko) 머신 러닝을 이용하여 복합재의 손상 위치를 검출하는 방법
EP2682836B1 (en) Method for performing diagnostics of a structure subject to loads and system for implementing said method
Khan et al. Assessment of delaminated smart composite laminates via system identification and supervised learning
Parra dos Anjos Lima et al. Artificial immune systems with negative selection applied to health monitoring of aeronautical structures
Khan et al. Classification and prediction of multidamages in smart composite laminates using discriminant analysis
Pereira et al. Multi-objective sensor placement optimization of helicopter rotor blade based on Feature Selection
Wen et al. Unsupervised fuzzy neural networks for damage detection of structures
De Medeiros et al. Computational methodology of damage detection on composite cylinders: structural health monitoring for automotive components
KR102393044B1 (ko) 머신 러닝을 이용하여 복합재의 손상 유형을 분류하는 방법
Zhou et al. Analysis of the crushing behaviors of woven carbon fiber reinforced plastic hat section component under dynamic bending and axial crushing loading
Mironovs et al. Prospects of structural damage identification using modal analysis and anomaly detection
Yeager et al. Impact detection and characterization in composite laminates with embedded fiber Bragg gratings
KR102472536B1 (ko) 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법
Nanda et al. Theoretical analysis of the shaft
KR102366211B1 (ko) 머신 러닝을 이용하여 복합재의 손상 영역을 검출하는 방법
KR102359901B1 (ko) 머신 러닝을 이용하여 섬유의 종류에 따라 복합재의 손상 위치를 검출하는 방법
Patro et al. Artificial intelligence techniques for fault assessment in laminated composite structure: A review
Roy et al. Real-time prediction of impact-induced damage for composite structures based on failure analysis and efficient database methods
Rao et al. Experimental and analytical modal analysis of cantilever beam for vibration based damage identification using artificial neural network
Bruyneel et al. Predictive simulations of damage propagation in laminated composite materials and structures with SAMCEF
Seventekidis et al. Damage identification of structures through machine learning techniques with updated finite element models and experimental validations
Sreekanth et al. Artificial neural network based delamination prediction in composite plates using vibration signals

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant