KR20220060389A - Finite element analysis system and finite element analysis method using artificial intelligence - Google Patents

Finite element analysis system and finite element analysis method using artificial intelligence Download PDF

Info

Publication number
KR20220060389A
KR20220060389A KR1020200146336A KR20200146336A KR20220060389A KR 20220060389 A KR20220060389 A KR 20220060389A KR 1020200146336 A KR1020200146336 A KR 1020200146336A KR 20200146336 A KR20200146336 A KR 20200146336A KR 20220060389 A KR20220060389 A KR 20220060389A
Authority
KR
South Korea
Prior art keywords
analysis
analysis result
model
learning
deep learning
Prior art date
Application number
KR1020200146336A
Other languages
Korean (ko)
Other versions
KR102532668B1 (en
Inventor
윤지영
박준규
이수웅
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200146336A priority Critical patent/KR102532668B1/en
Publication of KR20220060389A publication Critical patent/KR20220060389A/en
Application granted granted Critical
Publication of KR102532668B1 publication Critical patent/KR102532668B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Graphics (AREA)
  • Complex Calculations (AREA)

Abstract

The present invention relates to a system and a method for analyzing a fine element using artificial intelligence, capable of predicting a reliable analysis result without a result convergence procedure through deep learning. The system includes an input unit, a processing unit, and an output unit. The input unit receives, as input data, a structure analysis result of a three-dimensional analysis model discrete into mesh elements automatically set. The processing unit stores, in advance, a deep learning model derived through deep learning for at least one a mesh-based structure analysis result ensured in accuracy of the structure analysis result through the convergence procedure, and predicts the structure analysis result subject to the convergence procedure based on the input data by applying the deep learning model to the input data input through the input unit. The output unit outputs, as output data, a structure analysis result predicted in the processing unit.

Description

인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법{Finite element analysis system and finite element analysis method using artificial intelligence}Finite element analysis system and finite element analysis method using artificial intelligence

본 발명은 인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법에 관한 것으로서, 더 상세하게는 딥러닝을 통해 해석 결과 수렴성 과정 수행 없이 신뢰할 수 있는 해석 결과를 예측할 수 있는 인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법에 관한 것이다.The present invention relates to a finite element analysis system and a finite element analysis method using artificial intelligence, and more particularly, to a finite element analysis using artificial intelligence that can predict a reliable analysis result without performing an analysis result convergence process through deep learning It relates to systems and finite element analysis methods.

구조 해석은 외력에 대한 구조체의 변형과 응력분포를 구하는 것이다. 이를 기반으로 제품이 용도에 맞게 기능을 수행하도록, 강도 및 강성의 측면에서 설계 요구치에 적합한 형상과 크기 및 재질을 결정하는 구조 설계가 이루어질 수 있다. 즉, 구조 해석과 구조 설계를 반복적으로 수행함으로 제품의 최적 설계안을 구할 수 있다. 이와 같이, 구조 해석은 최적설계를 위해 중요하므로 그 결과를 신뢰할 수 있어야 한다.Structural analysis is to find the deformation and stress distribution of the structure in response to external forces. Based on this, a structural design that determines the shape, size, and material suitable for design requirements in terms of strength and rigidity can be made so that the product performs a function according to its purpose. In other words, it is possible to obtain the optimal design plan for the product by repeatedly performing structural analysis and structural design. As such, structural analysis is important for optimal design, so the results should be reliable.

이와 같은, 구조 해석 방법 중 가장 많이 사용되고 있는 것은 수치해석방법인 유한 요소법이다. 이는 연속(Continuous)적인 구조체를 분할(Discrete) 모델로 변환하여 구조체의 변형량과 응력값을 근사적으로 구하는 것이다. 이러한, 분할 모델은 연속적인 해석 대상을 메시(Mesh)로 분할하며, 메시의 수준이 구조 해석의 결과를 좌우하게 되므로 메시 생성 방법이 매우 중요할 수 있다. 일반적으로, 구조 해석 프로그램에서는 메시를 자동으로 분할하는 오토 메시(Auto-mesh) 기능을 제공하기 때문에, 주로 설계자는 메시 생성을 오토 메시 기능을 이용하여 구조 해석을 수행하고 있다.Among these structural analysis methods, the most widely used is the finite element method, which is a numerical analysis method. This is to approximately obtain the deformation amount and stress value of the structure by converting the continuous structure into a discrete model. Such a segmentation model divides continuous analysis objects into meshes, and the mesh generation method may be very important because the level of the mesh determines the results of structural analysis. In general, structural analysis programs provide an auto-mesh function that automatically divides a mesh, so designers mainly perform structural analysis using the auto-mesh function to generate a mesh.

그러나, 이러한 종래의 유한 요소 해석 시스템 및 해석 방법에서 오토 메시 기능은, 구조 해석 결과의 정확성을 보장해주지 않기 때문에 메시 개수, 메시 조밀도, 메시 형상 등과 같은 메시 요소를 고려하여, 메시 생성 방법을 달리 하여 여러 번의 해석을 수행하여 해석 결과 수렴성을 살펴보는 수렴성 과정을 거쳐야 했다. 이러한, 수렴성 과정은, 설정된 메시 요소에 따라 반복적인 해석 수행 및 메시의 개수 증가로 인한 해석 시간 증가로 인해 상당한 시간이 소요되기 때문에 구조 해석의 효율성이 매우 떨어지는 문제점이 있었다.However, in these conventional finite element analysis systems and analysis methods, the auto mesh function does not guarantee the accuracy of structural analysis results. Therefore, it was necessary to go through the convergence process to examine the convergence of the analysis results by performing multiple analysis. This convergence process has a problem in that the efficiency of structural analysis is very low because it takes a considerable amount of time due to iterative analysis according to the set mesh elements and an increase in analysis time due to an increase in the number of meshes.

본 발명은 상기와 같은 문제점을 포함하여 여러 문제점들을 해결하기 위한 것으로서, 인공 지능을 이용한 딥러닝(Deep learnig)을 통해 해석 결과의 수렴성 과정 수행 없이 오토 메시 기반의 구조 해석 결과를 이용하여, 신뢰할 수 있는 해석 결과를 예측하여 구조 해석의 효율성을 높일 수 있는 인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법을 제공하는 것을 목적으로 한다. 그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.The present invention is to solve various problems including the above problems. Using the auto mesh-based structural analysis result without performing a convergence process of the analysis result through deep learning using artificial intelligence, An object of the present invention is to provide a finite element analysis system and a finite element analysis method using artificial intelligence that can increase the efficiency of structural analysis by predicting analysis results. However, these problems are exemplary, and the scope of the present invention is not limited thereto.

본 발명의 일 실시예에 따르면, 인공 지능을 이용한 유한 요소 해석 시스템이 제공된다. 상기 인공 지능을 이용한 유한 요소 해석 시스템은, 자동으로 설정된 메시(Mesh) 요소들로 분할된 3차원의 해석 모델의 구조 해석 결과를 입력 데이터로 입력하는 입력부; 해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 상기 입력부로부터 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하는 처리부; 및 상기 처리부에서 예측된 구조 해석 결과를 출력 데이터로 출력하는 출력부;를 포함할 수 있다.According to an embodiment of the present invention, a finite element analysis system using artificial intelligence is provided. The finite element analysis system using the artificial intelligence includes: an input unit for inputting a structural analysis result of a three-dimensional analysis model divided into automatically set mesh elements as input data; The deep learning model derived by deep learning at least one mesh-based structure analysis result in which the accuracy of the structure analysis result is secured through the convergence process of the analysis result is stored in advance, and the deep learning model is stored in the input data inputted from the input unit. a processing unit for predicting a structural analysis result that has undergone the convergence process from the input data by applying a model; and an output unit configured to output the structural analysis result predicted by the processing unit as output data.

본 발명의 일 실시예에 의하면, 상기 처리부는, 3차원의 학습 모델을 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장부; 및 상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝부;를 포함할 수 있다.According to an embodiment of the present invention, the processing unit divides the three-dimensional learning model into automatically set mesh elements and configures the learning model under various conditions so that the first analysis result value and the convergence process can be performed. an information storage unit that stores a second analysis result derived by repeatedly performing structural analysis while dividing into mesh elements of , as learning data; and a deep learning unit for deriving the deep learning model by learning the correlation between the first analysis result value and the second analysis result value stored as the learning data through deep learning-based analysis.

본 발명의 일 실시예에 의하면, 상기 정보 저장부는, 상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장할 수 있다.According to an embodiment of the present invention, the information storage unit changes the conditions for the number and size of mesh elements dividing the learning model, and repeatedly performs structural analysis for each learning model divided into the changed mesh elements. The structural analysis result derived through the convergence process may be stored as the second analysis result value.

본 발명의 일 실시예에 의하면, 상기 정보 저장부는, 서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고, 상기 딥러닝부는, 복수개의 상기 학습 데이터를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출할 수 있다.According to an embodiment of the present invention, the information storage unit stores a plurality of the first analysis result values and the second analysis result values for a plurality of the learning models formed in different shapes as the learning data, and The deep learning unit may derive the deep learning model by learning the plurality of learning data through deep learning-based analysis.

본 발명의 일 실시예에 의하면, 상기 입력부는, 외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신부; 상기 해석 모델의 형상을 고려하여 자동으로 설정된 메시 요소로 상기 해석 모델을 분할하는 메시부; 및 상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석부;를 포함할 수 있다.According to an embodiment of the present invention, the input unit, the analysis model receiving unit for receiving the analysis model of the three-dimensional shape from the outside; a mesh unit for dividing the analysis model into mesh elements automatically set in consideration of the shape of the analysis model; and an analysis unit that performs finite element structural analysis on the analysis model.

본 발명의 다른 실시예에 따르면, 인공 지능을 이용한 유한 요소 해석 방법이 제공된다. 상기 인공 지능을 이용한 유한 요소 해석 방법은, 자동으로 설정된 메시 요소들로 분할된 3차원의 해석 모델의 구조 해석 결과를 입력 데이터로 입력하는 입력 단계; 해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 상기 입력 단계에서 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하는 처리 단계; 및 상기 처리 단계에서 예측된 구조 해석 결과를 출력 데이터로 출력하는 출력 단계;를 포함할 수 있다.According to another embodiment of the present invention, a finite element analysis method using artificial intelligence is provided. The finite element analysis method using artificial intelligence includes an input step of inputting a structural analysis result of a three-dimensional analysis model divided into automatically set mesh elements as input data; The deep learning model derived by deep learning at least one mesh-based structure analysis result in which the accuracy of the structure analysis result is secured through the convergence process of the analysis result is stored in advance, and the deep learning model is stored in the input data input in the input step. a processing step of predicting a structural analysis result through the convergence process from the input data by applying a learning model; and an output step of outputting the structural analysis result predicted in the processing step as output data.

본 발명의 다른 실시예에 의하면, 상기 처리 단계는, 3차원의 학습 모델을 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장 단계; 및 상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝 단계;를 포함할 수 있다.According to another embodiment of the present invention, the processing step divides the three-dimensional learning model into automatically set mesh elements and divides the learning model into various types of the learning model so as to undergo the structural analysis of the first analysis result value and the convergence process. an information storage step of storing a second analysis result derived by repeatedly performing structural analysis while dividing into mesh elements of a condition as learning data; and a deep learning step of deriving the deep learning model by learning the correlation between the first analysis result value and the second analysis result value stored as the learning data through deep learning-based analysis.

본 발명의 다른 실시예에 의하면, 상기 정보 저장 단계는, 상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장할 수 있다.According to another embodiment of the present invention, in the information storage step, the conditions for the number and size of mesh elements dividing the learning model are changed, and structural analysis is repeatedly performed for each learning model divided into the changed mesh elements. Thus, the structural analysis result derived through the convergence process may be stored as the second analysis result value.

본 발명의 다른 실시예에 의하면, 상기 정보 저장 단계는, 서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고, 상기 딥러닝 단계는, 복수개의 상기 학습 데이터를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출할 수 있다.According to another embodiment of the present invention, the information storage step includes storing a plurality of the first analysis result value and the second analysis result value for a plurality of the learning models formed in different shapes as the learning data, The deep learning step may derive the deep learning model by learning a plurality of the learning data through deep learning-based analysis.

본 발명의 다른 실시예에 의하면, 상기 입력 단계는, 외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신 단계; 상기 해석 모델의 형상을 고려하여 자동으로 설정된 메시 요소로 상기 해석 모델을 분할하는 메시 단계; 및 상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석 단계;를 포함할 수 있다.According to another embodiment of the present invention, the input step, the analysis model receiving step of receiving the analysis model of the three-dimensional shape from the outside; a mesh step of dividing the analysis model into mesh elements automatically set in consideration of the shape of the analysis model; and an analysis step of performing a finite element structural analysis on the analysis model.

상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 인공 지능을 이용한 딥러닝을 통해 해석 결과의 수렴성 과정 수행 없이 오토 메시 기반의 구조 해석 결과를 이용하여, 신뢰할 수 있는 해석 결과를 예측할 수 있다.According to an embodiment of the present invention made as described above, a reliable analysis result can be predicted by using the auto mesh-based structural analysis result without performing a convergence process of the analysis result through deep learning using artificial intelligence.

이에 따라, 구조 해석 결과의 정확성을 높이기 위한 해석 결과의 수렴성 과정을 생략함으로써, 해석 수행 소요 시간을 크게 줄여 구조 해석의 효율성을 증가시킬 수 있다. 또한, 오토 메시 기반의 구조 해석 결과를 이용하여 해석 결과의 정확성을 쉽게 확보할 수 있어 구조 해석 초보자도 쉽게 접근이 가능하여 구조 해석의 업무 부담을 경감시킬 수 있는 인공 지능을 이용한 유한 요소 해석 시스템 및 유한 요소 해석 방법을 구현할 수 있다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.Accordingly, by omitting the process of convergence of the analysis results to increase the accuracy of the structural analysis results, it is possible to greatly reduce the time required to perform the analysis and increase the efficiency of the structural analysis. In addition, the finite element analysis system using artificial intelligence that can reduce the burden of structural analysis by enabling easy access even for beginners in structural analysis because the accuracy of the analysis results can be easily secured using the structural analysis results based on auto mesh. A finite element analysis method can be implemented. Of course, the scope of the present invention is not limited by these effects.

도 1은 본 발명의 일 실시예에 따른 인공 지능을 이용한 유한 요소 해석 시스템을 개략적으로 나타내는 블록도이다.
도 2는 도 1의 인공 지능을 이용한 유한 요소 해석 시스템의 처리부를 개략적으로 나타내는 블록도이다.
도 3은 해석 결과의 수렴성 과정을 개략적으로 나타내는 그래프 및 이미지이다.
도 4는 본 발명의 다른 실시예에 따른 인공 지능을 이용한 유한 요소 해석 방법을 순서대로 나타내는 순서도이다.1 is a block diagram schematically showing a finite element analysis system using artificial intelligence according to an embodiment of the present invention.
FIG. 2 is a block diagram schematically showing a processing unit of the finite element analysis system using artificial intelligence of FIG. 1 .
3 is a graph and an image schematically illustrating a process of convergence of analysis results.
4 is a flowchart sequentially illustrating a finite element analysis method using artificial intelligence according to another embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 여러 실시예들을 상세히 설명하기로 한다.Hereinafter, several preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이다.Examples of the present invention are provided to more completely explain the present invention to those of ordinary skill in the art, and the following examples may be modified in various other forms, and the scope of the present invention is as follows It is not limited to an Example. Rather, these embodiments are provided so as to more fully and complete the present disclosure, and to fully convey the spirit of the present invention to those skilled in the art. In addition, in the drawings, the thickness or size of each layer is exaggerated for convenience and clarity of description.

이하, 본 발명의 실시예들은 본 발명의 이상적인 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차(tolerance)에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명 사상의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described with reference to the drawings schematically illustrating ideal embodiments of the present invention. In the drawings, variations of the illustrated shape can be envisaged, for example depending on manufacturing technology and/or tolerances. Accordingly, embodiments of the spirit of the present invention should not be construed as limited to the specific shape of the region shown in the present specification, but should include, for example, changes in shape caused by manufacturing.

도 1은 본 발명의 일 실시예에 따른 인공 지능을 이용한 유한 요소 해석 시스템(1000)을 개략적으로 나타내는 블록도이고, 도 2는 도 1의 인공 지능을 이용한 유한 요소 해석 시스템(1000)의 처리부(200)를 개략적으로 나타내는 블록도이며, 도 3은 해석 결과의 수렴성 과정을 개략적으로 나타내는 그래프 및 이미지이다.1 is a block diagram schematically showing a finite element analysis system 1000 using artificial intelligence according to an embodiment of the present invention, and FIG. 2 is a processing unit ( 200) is a schematic block diagram, and FIG. 3 is a graph and image schematically illustrating a process of convergence of analysis results.

먼저, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공 지능을 이용한 유한 요소 해석 시스템(1000)은, 크게, 입력부(100)와, 처리부(200) 및 출력부(300)를 포함할 수 있다.First, as shown in FIG. 1 , the finite element analysis system 1000 using artificial intelligence according to an embodiment of the present invention is largely composed of an input unit 100 , a processing unit 200 , and an output unit 300 . may include

도 1에 도시된 바와 같이, 입력부(100)는, 자동으로 설정된 메시(Mesh) 요소들로 분할된 3차원 형상의 해석 모델의 구조 해석 결과를 입력 데이터로 입력할 수 있다.As shown in FIG. 1 , the input unit 100 may input a structural analysis result of an analysis model of a three-dimensional shape divided into automatically set mesh elements as input data.

더욱 구체적으로, 입력부(100)는, 외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신부와, 상기 해석 모델의 형상을 고려하여 오토 메시 기능을 이용하여 자동으로 설정된 메시 요소로 해석 모델을 분할하는 메시부 및 상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석부를 포함할 수 있다.More specifically, the input unit 100 includes an analysis model receiving unit that receives the analysis model of a three-dimensional shape from the outside, and an analysis model with mesh elements automatically set using an auto mesh function in consideration of the shape of the analysis model. It may include a mesh unit that divides and an analysis unit that performs finite element structural analysis on the analysis model.

예컨대, 입력부(100)의 상기 해석 모델 수신부에서, 3차원 데이터 형태의 상기 해석 모델을 수신 받으면, 상기 메시부에서, 유한 요소 해석을 위한 메시 요소를 오토 메시 기능에 의해 자동으로 설정하고, 상기 해석 모델을 자동으로 설정된 메시 요소들로 분할한 메시 데이터를 생성할 수 있다. 이어서, 상기 해석부에서, 상기 메시 데이터에 대해 유한 요소법을 이용한 구조 해석을 수행함으로써, 오토 메시 기반의 구조 해석 결과를 도출할 수 있다.For example, when the analysis model receiving unit of the input unit 100 receives the analysis model in the form of three-dimensional data, the mesh unit automatically sets mesh elements for finite element analysis by the auto mesh function, and the analysis Mesh data can be generated by dividing the model into automatically set mesh elements. Then, the analysis unit may derive an auto mesh-based structural analysis result by performing structural analysis using the finite element method on the mesh data.

이때, 메시 요소는, 메시의 형상과 메시의 개수 및 메시의 크기 등을 포함할 수 있으며, 수신된 상기 해석 모델의 크기나 형상을 고려하여 최적의 메시 요소를 자동으로 설정할 수 있다.In this case, the mesh element may include the shape of the mesh, the number of meshes, the size of the mesh, and the like, and an optimal mesh element may be automatically set in consideration of the size or shape of the received analysis model.

또한, 본 실시예에서는, 입력부(100)가, 상기 해석 모델을 수신 받고 오토 메시 기반의 구조 해석 결과를 도출하여, 이를 상기 입력 데이터로 인공 지능을 이용한 유한 요소 해석 시스템(1000)에 입력하는 것으로 예를 들었지만, 반드시 이에 국한되지 않고, 외부로부터 오토 메시 기반의 구조 해석 결과를 바로 수신 받아 입력할 수도 있다.In addition, in this embodiment, the input unit 100 receives the analysis model, derives an auto mesh-based structural analysis result, and inputs it to the finite element analysis system 1000 using artificial intelligence as the input data. For example, but not necessarily limited thereto, it is also possible to directly receive and input an auto mesh-based structural analysis result from the outside.

도 1에 도시된 바와 같이, 처리부(200)는, 해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 인공 지능에 의해 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 입력부(100)로부터 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하고, 예측된 구조 해석 결과를 출력부(300)를 통해 출력 데이터로 출력할 수 있다.As shown in FIG. 1 , the processing unit 200 is a deep learning model derived by deep learning by artificial intelligence on at least one mesh-based structure analysis result in which the accuracy of the structure analysis result is secured through the convergence process of the analysis result. is stored in advance, and the deep learning model is applied to the input data input from the input unit 100 to predict the structure analysis result that has undergone the convergence process from the input data, and the predicted structure analysis result is outputted to the output unit 300 ) to output as output data.

더욱 구체적으로, 도 2에 도시된 바와 같이, 처리부(200)는, 3차원 형상의 학습 모델을 오토 메시 기반으로 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장부(210) 및 상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 인공지능을 이용한 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝부(220)를 포함할 수 있다.More specifically, as shown in FIG. 2 , the processing unit 200 divides the learning model of the three-dimensional shape into mesh elements automatically set based on the auto mesh and analyzes the structure of the first analysis result value and the convergence process. an information storage unit 210 that stores a second analysis result derived by repeatedly performing structural analysis while dividing the learning model into mesh elements of various conditions to undergo and a deep learning unit 220 for deriving the deep learning model by learning the correlation between the first analysis result value and the second analysis result value through deep learning-based analysis using artificial intelligence.

예컨대, 처리부(200)의 정보 저장부(210)는, 상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장할 수 있다.For example, the information storage unit 210 of the processing unit 200 changes the conditions for the number and size of mesh elements dividing the learning model, and repeatedly performs structural analysis for each learning model divided into the changed mesh elements. Thus, the structural analysis result derived through the convergence process may be stored as the second analysis result value.

더욱 구체적으로, 도 3의 (a)에 도시된 바와 같이, 동일한 해석 모델에서 상기 수렴성 과정을 통해 도출된 구조 해석 결과의 최대 응력값이 290Mpa인 반면에, 오토 메시 기반으로 도출된 구조 해석 결과의 최대 응력값이 176Mpa인 것으로 나타나, 약 30%의 오차가 나타나는 것으로 확인이 되었다.More specifically, as shown in (a) of FIG. 3, the maximum stress value of the structural analysis result derived through the convergence process in the same analysis model is 290 Mpa, whereas the The maximum stress value was found to be 176 Mpa, and it was confirmed that an error of about 30% appeared.

이로 인해, 일반적으로, 도 3의 (b)에 도시된 바와 같이, 메시의 크기를 줄이면서 개수를 증가시켜 반복적으로 구조 해석을 함으로써 해석 결과의 수렴성을 살펴보는데, 이때, 메시의 크기 및 개수에 따른 반복적인 해석 수행과, 메시 개수의 증가로 인한 해석 시간 증가로 구조 해석의 효율성이 매우 떨어질 수 있다.For this reason, in general, as shown in FIG. 3(b), the convergence of the analysis results is examined by repeatedly analyzing the structure by increasing the number while reducing the size of the mesh. Structural analysis efficiency may be very low due to repeated analysis and an increase in analysis time due to an increase in the number of meshes.

이에 따라, 본 발명의 일 실시예에 따른 인공 지능을 이용한 유한 요소 해석 시스템(1000)은, 처리부(200)에서, 상기 학습 모델을 오토 메시 기반으로 구조 해석한 상기 제 1 해석 결과값 및 상기 학습 모델을 상기 수렴성 과정을 통한 구조 해석한 상기 제 2 해석 결과값의 상관 관계를 인공 지능을 이용한 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하여 사전에 저장하고, 상기 딥러닝 모델을 이용하여 오토 메시 기반으로 구조 해석한 구조 해석 결과로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측함으로써, 구조 해석 결과의 정확성을 높이기 위한 해석 결과의 상기 수렴성 과정을 생략할 수 있다.Accordingly, in the finite element analysis system 1000 using artificial intelligence according to an embodiment of the present invention, in the processing unit 200, the first analysis result value obtained by structurally analyzing the learning model based on the auto mesh and the learning The correlation of the second analysis result value obtained by structural analysis of the model through the convergence process is learned through deep learning-based analysis using artificial intelligence, the deep learning model is derived and stored in advance, and the deep learning model is By predicting the structural analysis result that has undergone the convergence process from the structural analysis result of the structural analysis based on the auto mesh using the method, the convergence process of the analysis result for increasing the accuracy of the structural analysis result can be omitted.

이때, 처리부(200)는, 가능한 많은 종류의 상기 학습 모델을 학습하면, 예측 정확도가 더욱 높은 딥러닝 모델을 도출할 수 있다.In this case, the processing unit 200 may derive a deep learning model with higher prediction accuracy by learning as many types of the learning model as possible.

이에 따라, 처리부(200)의 정보 저장부(210)는, 서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고, 상기 딥러닝부(220)는, 복수개의 상기 학습 데이터를 인공 지능을 이용한 딥러닝 기반의 분석을 통해 학습함으로써, 예측 정확도가 높은 상기 딥러닝 모델을 도출할 수 있다.Accordingly, the information storage unit 210 of the processing unit 200 stores a plurality of the first analysis result value and the second analysis result value for a plurality of the learning models formed in different shapes as the learning data, and , the deep learning unit 220 may derive the deep learning model with high prediction accuracy by learning the plurality of learning data through deep learning-based analysis using artificial intelligence.

따라서, 본 발명의 일 실시예에 따른 인공 지능을 이용한 유한 요소 해석 시스템은, 인공 지능을 이용한 딥러닝을 통해 해석 결과의 수렴성 과정 수행 없이 오토 메시 기반의 구조 해석 결과를 이용하여, 신뢰할 수 있는 해석 결과를 용이하게 예측할 수 있다.Therefore, the finite element analysis system using artificial intelligence according to an embodiment of the present invention uses the auto mesh-based structural analysis result without performing a convergence process of the analysis result through deep learning using artificial intelligence, and provides a reliable analysis. The results can be easily predicted.

그러므로, 구조 해석 결과의 정확성을 높이기 위한 해석 결과의 수렴성 과정을 생략함으로써, 해석 수행 소요 시간을 크게 줄여 구조 해석의 효율성을 증가시킬 수 있다. 또한, 오토 메시 기반의 구조 해석 결과를 이용하여 해석 결과의 정확성을 쉽게 확보할 수 있어 구조 해석 초보자도 쉽게 접근이 가능하여 구조 해석의 업무 부담을 경감시키는 효과를 가질 수 있다.Therefore, by omitting the process of convergence of the analysis results to increase the accuracy of the structural analysis results, it is possible to greatly reduce the time required to perform the analysis and increase the efficiency of the structural analysis. In addition, the accuracy of the analysis results can be easily secured using the results of the structural analysis based on auto mesh, so even beginners in structural analysis can easily access it, thereby reducing the burden of structural analysis.

이하에서는 상술한 인공 지능을 이용한 유한 요소 해석 시스템(1000)을 이용한 유한 요소 해석 방법에 대해서 상세하게 설명하도록 한다.Hereinafter, a finite element analysis method using the above-described finite element analysis system 1000 using artificial intelligence will be described in detail.

도 4는 본 발명의 다른 실시예에 따른 인공 지능을 이용한 유한 요소 해석 방법을 순서대로 나타내는 순서도이다.4 is a flowchart sequentially illustrating a finite element analysis method using artificial intelligence according to another embodiment of the present invention.

도 4를 참조하면, 본 발명의 다른 실시예에 따른, 인공 지능을 이용한 유한 요소 해석 방법은, 크게, 입력 단계(S100)와, 처리 단계(S200) 및 출력 단계(S300) 순으로 진행될 수 있다.Referring to FIG. 4 , the finite element analysis method using artificial intelligence according to another embodiment of the present invention may be largely performed in the order of an input step (S100), a processing step (S200), and an output step (S300). .

먼저, 입력 단계(S100)에서, 자동으로 설정된 메시 요소들로 분할된 3차원의 해석 모델의 구조 해석 결과를 입력 데이터로 입력할 수 있다. 예컨대, 입력 단계(S100)는, 외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신 단계(S110)와, 상기 해석 모델의 형상을 고려하여 자동으로 설정된 메시 요소로 상기 해석 모델을 분할하는 메시 단계(S120) 및 상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석 단계(S130)를 포함할 수 있다.First, in the input step S100 , a structural analysis result of a three-dimensional analysis model divided into automatically set mesh elements may be input as input data. For example, the input step (S100) includes an analysis model receiving step (S110) that receives the analysis model of a three-dimensional shape from the outside, and dividing the analysis model into mesh elements automatically set in consideration of the shape of the analysis model It may include a mesh step (S120) and an analysis step (S130) of performing a finite element structural analysis on the analysis model.

이어서, 처리 단계(S200)에서, 해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 입력 단계(S100)에서 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하고, 출력 단계(S300)를 통해, 처리 단계(S200)에서 예측된 구조 해석 결과를 출력 데이터로 출력할 수 있다.Next, in the processing step (S200), the deep learning model derived by deep learning at least one mesh-based structure analysis result in which the accuracy of the structure analysis result is secured through the convergence process of the analysis result is stored in advance, and the input step ( By applying the deep learning model to the input data input in S100), the structure analysis result that has undergone the convergence process is predicted from the input data, and the structure analysis predicted in the processing step (S200) through the output step (S300) The result can be output as output data.

예컨대, 처리 단계(S200)는, 3차원의 학습 모델을 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장 단계(S210) 및 상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝 단계(S220)를 포함할 수 있다.For example, the processing step S200 divides the three-dimensional learning model into automatically set mesh elements and converts the learning model into mesh elements under various conditions so that the structure is analyzed and the first analysis result value and the convergence process can be performed. An information storage step (S210) of storing a second analysis result derived by repeatedly performing structural analysis while dividing into learning data (S210), and a correlation between the first analysis result value stored as the learning data and the second analysis result value It may include a deep learning step (S220) of learning the relationship through deep learning-based analysis to derive the deep learning model.

이때, 정보 저장 단계(S210)는, 상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장할 수 있다.At this time, in the information storage step (S210), the conditions for the number and size of mesh elements dividing the learning model are changed, and structural analysis is repeatedly performed for each learning model divided into the changed mesh elements to perform the convergence process. The structural analysis result derived through the above process may be stored as the second analysis result value.

이러한, 처리 단계(S200)는, 가능한 많은 종류의 상기 학습 모델을 학습하면, 예측 정확도가 더욱 높은 딥러닝 모델을 도출할 수 있다.In this processing step (S200), by learning as many types of the learning model as possible, it is possible to derive a deep learning model with higher prediction accuracy.

이에 따라, 처리 단계(S200)의 정보 저장 단계(S210)는, 서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고, 딥러닝 단계(S220)는, 복수개의 상기 학습 데이터를 딥러닝 기반의 분석을 통해 학습함으로써, 예측 정확도가 높은 상기 딥러닝 모델을 도출할 수 있다.Accordingly, the information storage step S210 of the processing step S200 stores a plurality of the first analysis result values and the second analysis result values for the plurality of learning models formed in different shapes as the learning data. And, the deep learning step (S220), by learning a plurality of the learning data through deep learning-based analysis, it is possible to derive the deep learning model with high prediction accuracy.

따라서, 본 발명의 다른 실시예에 따른 인공 지능을 이용한 유한 요소 해석 방법은, 인공 지능을 이용한 딥러닝을 통해 해석 결과의 수렴성 과정 수행 없이 오토 메시 기반의 구조 해석 결과를 이용하여, 신뢰할 수 있는 해석 결과를 용이하게 예측할 수 있다.Therefore, the finite element analysis method using artificial intelligence according to another embodiment of the present invention uses the auto mesh-based structural analysis result without performing a convergence process of the analysis result through deep learning using artificial intelligence, and provides a reliable analysis. The results can be easily predicted.

그러므로, 구조 해석 결과의 정확성을 높이기 위한 해석 결과의 수렴성 과정을 생략함으로써, 해석 수행 소요 시간을 크게 줄여 구조 해석의 효율성을 증가시킬 수 있다. 또한, 오토 메시 기반의 구조 해석 결과를 이용하여 해석 결과의 정확성을 쉽게 확보할 수 있어 구조 해석 초보자도 쉽게 접근이 가능하여 구조 해석의 업무 부담을 경감시키는 효과를 가질 수 있다.Therefore, by omitting the process of convergence of the analysis results to increase the accuracy of the structural analysis results, it is possible to greatly reduce the time required to perform the analysis and increase the efficiency of the structural analysis. In addition, the accuracy of the analysis results can be easily secured using the results of the structural analysis based on auto mesh, so even beginners in structural analysis can easily access it, thereby reducing the burden of structural analysis.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 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 embodiments shown in the drawings, which are merely exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

100: 입력부
200: 처리부
210: 정보 저장부
220: 딥러닝부
300: 출력부
1000: 인공 지능을 이용한 유한 요소 해석 시스템100: input unit
200: processing unit
210: information storage unit
220: deep learning unit
300: output unit
1000: Finite element analysis system using artificial intelligence

Claims (10)

자동으로 설정된 메시(Mesh) 요소들로 분할된 3차원의 해석 모델의 구조 해석 결과를 입력 데이터로 입력하는 입력부;
해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 상기 입력부로부터 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하는 처리부; 및
상기 처리부에서 예측된 구조 해석 결과를 출력 데이터로 출력하는 출력부;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 시스템.an input unit for inputting a structural analysis result of a three-dimensional analysis model divided into automatically set mesh elements as input data;
The deep learning model derived by deep learning at least one mesh-based structure analysis result in which the accuracy of the structural analysis result is secured through the convergence process of the analysis result is stored in advance, and the deep learning model is stored in the input data input from the input unit. a processing unit for predicting a structural analysis result that has undergone the convergence process from the input data by applying a model; and
an output unit for outputting the structural analysis result predicted by the processing unit as output data;
Including, a finite element analysis system using artificial intelligence. 제 1 항에 있어서,
상기 처리부는,
3차원의 학습 모델을 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장부; 및
상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝부;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 시스템.The method of claim 1,
The processing unit,
Structural analysis is repeatedly performed while dividing the learning model into mesh elements under various conditions so that the three-dimensional learning model is divided into automatically set mesh elements to undergo the first analysis result value and the convergence process. an information storage unit for storing the derived second analysis result as learning data; and
a deep learning unit for deriving the deep learning model by learning the correlation between the first analysis result value and the second analysis result value stored as the learning data through deep learning-based analysis;
Including, a finite element analysis system using artificial intelligence. 제 2 항에 있어서,
상기 정보 저장부는,
상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장하는, 인공 지능을 이용한 유한 요소 해석 시스템.3. The method of claim 2,
The information storage unit,
The conditions for the number and size of mesh elements dividing the learning model are changed, the structure analysis is repeatedly performed for each learning model divided into the changed mesh elements, and the structural analysis result derived through the convergence process is displayed as the second Finite element analysis system using artificial intelligence that stores analysis results. 제 2 항에 있어서,
상기 정보 저장부는,
서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고,
상기 딥러닝부는,
복수개의 상기 학습 데이터를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는, 인공 지능을 이용한 유한 요소 해석 시스템.3. The method of claim 2,
The information storage unit,
Storing a plurality of the first analysis result value and the second analysis result value for a plurality of the learning models formed in different shapes as the learning data,
The deep learning unit,
A finite element analysis system using artificial intelligence to derive the deep learning model by learning a plurality of the learning data through deep learning-based analysis. 제 1 항에 있어서,
상기 입력부는,
외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신부;
상기 해석 모델의 형상을 고려하여 자동으로 설정된 메시 요소로 상기 해석 모델을 분할하는 메시부; 및
상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석부;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 시스템.The method of claim 1,
The input unit,
an analysis model receiving unit receiving the analysis model of a three-dimensional shape from the outside;
a mesh unit that divides the analysis model into mesh elements automatically set in consideration of the shape of the analysis model; and
an analysis unit for performing finite element structural analysis on the analysis model;
Including, a finite element analysis system using artificial intelligence. 자동으로 설정된 메시 요소들로 분할된 3차원의 해석 모델의 구조 해석 결과를 입력 데이터로 입력하는 입력 단계;
해석 결과의 수렴성 과정을 거쳐 구조 해석 결과의 정확성이 확보된 적어도 하나의 메시 기반 구조 해석 결과를 딥러닝하여 도출된 딥러닝 모델을 사전에 저장하고, 상기 입력 단계에서 입력된 상기 입력 데이터에 상기 딥러닝 모델을 적용하여 상기 입력 데이터로부터 상기 수렴성 과정을 거친 구조 해석 결과를 예측하는 처리 단계; 및
상기 처리 단계에서 예측된 구조 해석 결과를 출력 데이터로 출력하는 출력 단계;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 방법.an input step of inputting a structural analysis result of a three-dimensional analysis model divided into automatically set mesh elements as input data;
The deep learning model derived by deep learning of at least one mesh-based structure analysis result in which the accuracy of the structure analysis result is secured through the convergence process of the analysis result is stored in advance, and the deep learning model is stored in the input data input in the input step. a processing step of predicting a structural analysis result through the convergence process from the input data by applying a learning model; and
an output step of outputting the structural analysis result predicted in the processing step as output data;
Including, a finite element analysis method using artificial intelligence. 제 6 항에 있어서,
상기 처리 단계는,
3차원의 학습 모델을 자동으로 설정된 메시 요소들로 분할하여 구조 해석한 제 1 해석 결과값 및 상기 수렴성 과정을 거칠 수 있도록 상기 학습 모델을 다양한 조건의 메시 요소들로 분할하면서 반복적으로 구조 해석을 실시하여 도출된 제 2 해석 결과값을 학습 데이터로 저장하는 정보 저장 단계; 및
상기 학습 데이터로 저장된 상기 제 1 해석 결과값과 상기 제 2 해석 결과값의 상관 관계를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는 딥러닝 단계;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 방법.7. The method of claim 6,
The processing step is
Structural analysis is repeatedly performed while dividing the learning model into mesh elements under various conditions so that the three-dimensional learning model is divided into automatically set mesh elements to undergo the first analysis result value and the convergence process. an information storage step of storing the derived second analysis result as learning data; and
a deep learning step of deriving the deep learning model by learning the correlation between the first analysis result value and the second analysis result value stored as the learning data through deep learning-based analysis;
Including, a finite element analysis method using artificial intelligence. 제 7 항에 있어서,
상기 정보 저장 단계는,
상기 학습 모델을 분할하는 메시 요소의 개수 및 사이즈에 대한 조건을 변경하고, 변경된 메시 요소로 분할된 상기 학습 모델 마다 반복적으로 구조 해석을 실시하여 상기 수렴성 과정을 거쳐 도출된 구조 해석 결과를 상기 제 2 해석 결과값으로 저장하는, 인공 지능을 이용한 유한 요소 해석 방법.8. The method of claim 7,
The information storage step is
The conditions for the number and size of mesh elements dividing the learning model are changed, the structure analysis is repeatedly performed for each learning model divided into the changed mesh elements, and the structural analysis result derived through the convergence process is displayed as the second A finite element analysis method using artificial intelligence that stores analysis results. 제 7 항에 있어서,
상기 정보 저장 단계는,
서로 다른 형상으로 형성되는 복수의 상기 학습 모델에 대한 상기 제 1 해석 결과값 및 상기 제 2 해석 결과값을 상기 학습 데이터로 복수개 저장하고,
상기 딥러닝 단계는,
복수개의 상기 학습 데이터를 딥러닝 기반의 분석을 통해 학습하여 상기 딥러닝 모델을 도출하는, 인공 지능을 이용한 유한 요소 해석 방법.8. The method of claim 7,
The information storage step is
Storing a plurality of the first analysis result value and the second analysis result value for a plurality of the learning models formed in different shapes as the learning data,
The deep learning step is
A finite element analysis method using artificial intelligence to derive the deep learning model by learning a plurality of the learning data through deep learning-based analysis. 제 6 항에 있어서,
상기 입력 단계는,
외부로부터 3차원 형상의 상기 해석 모델을 수신 받는 해석 모델 수신 단계;
상기 해석 모델의 형상을 고려하여 자동으로 설정된 메시 요소로 상기 해석 모델을 분할하는 메시 단계; 및
상기 해석 모델에 대해 유한 요소 구조 해석을 수행하는 해석 단계;
를 포함하는, 인공 지능을 이용한 유한 요소 해석 방법.
7. The method of claim 6,
The input step is
an analysis model receiving step of receiving the analysis model of a three-dimensional shape from the outside;
a mesh step of dividing the analysis model into mesh elements automatically set in consideration of the shape of the analysis model; and
an analysis step of performing a finite element structural analysis on the analysis model;
Including, a finite element analysis method using artificial intelligence.
KR1020200146336A 2020-11-04 2020-11-04 Finite element analysis system and finite element analysis method using artificial intelligence KR102532668B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200146336A KR102532668B1 (en) 2020-11-04 2020-11-04 Finite element analysis system and finite element analysis method using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200146336A KR102532668B1 (en) 2020-11-04 2020-11-04 Finite element analysis system and finite element analysis method using artificial intelligence

Publications (2)

Publication Number Publication Date
KR20220060389A true KR20220060389A (en) 2022-05-11
KR102532668B1 KR102532668B1 (en) 2023-05-16

Family

ID=81607206

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200146336A KR102532668B1 (en) 2020-11-04 2020-11-04 Finite element analysis system and finite element analysis method using artificial intelligence

Country Status (1)

Country Link
KR (1) KR102532668B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120086411A (en) * 2011-01-26 2012-08-03 주식회사 에스티아이씨앤디 Numerical analysis system and method for purification plant
US20170032068A1 (en) * 2015-07-31 2017-02-02 Autodesk, Inc. Techniques for warm starting finite element analyses with deep neural networks
KR20200021767A (en) * 2018-08-21 2020-03-02 두산중공업 주식회사 An apparatus of analysis and a method therefor

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120086411A (en) * 2011-01-26 2012-08-03 주식회사 에스티아이씨앤디 Numerical analysis system and method for purification plant
US20170032068A1 (en) * 2015-07-31 2017-02-02 Autodesk, Inc. Techniques for warm starting finite element analyses with deep neural networks
KR20200021767A (en) * 2018-08-21 2020-03-02 두산중공업 주식회사 An apparatus of analysis and a method therefor

Also Published As

Publication number Publication date
KR102532668B1 (en) 2023-05-16

Similar Documents

Publication Publication Date Title
US20180240010A1 (en) Technologies for optimized machine learning training
Galkowski et al. Stability and control of differential linear repetitive processes using an LMI setting
US20200242013A1 (en) Champion test case generation
CN111625918B (en) Technological parameter recommendation method and device and electronic equipment
KR20210039927A (en) System and method of classifying manufactured products
KR20220038907A (en) Data prediction method based on generative adversarial network and apparatus implementing the same method
WO2015125714A1 (en) Method for solving convex quadratic program for convex set
US10678980B2 (en) Combination map based composite design
Zhan et al. An adaptive parallel learning dependent Kriging model for small failure probability problems
US20160350450A1 (en) Combination map based composite design
WO2019006541A1 (en) System and method for automatic building of learning machines using learning machines
JP2020009301A (en) Information processing device and information processing method
CN113220450A (en) Load prediction method, resource scheduling method and device for cloud-side multi-data center
US20230394110A1 (en) Data processing method, apparatus, device, and medium
CN114936085A (en) ETL scheduling method and device based on deep learning algorithm
CN113379070A (en) Deep learning framework conversion method, system, storage medium and equipment
JP2006272928A (en) Method for predicting shape of injection molded article, apparatus for predicting shape, program for predicting shape, and storage medium
CN110532291B (en) Method and system for converting deep learning frame model based on minimum execution cost
KR20220060389A (en) Finite element analysis system and finite element analysis method using artificial intelligence
Kaukoranta et al. Vector quantization by lazy pairwise nearest neighbor method
JP6059594B2 (en) Weight matrix update device, operation method thereof, and computer program
CN113128771B (en) Expensive function optimization method and device for parallel differential evolution algorithm
CN115829000A (en) Data processing method and device, electronic equipment and storage medium
Pugh et al. Equivalence and reduction of 2-D systems
CN117561502A (en) Method and device for determining failure reason

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant