기계 학습과 유전 알고리즘을 결합한 Type IV 수소저장용기 최적화 연구 = Optimization of Type IV Hydrogen Storage Vessels Using Machine Learning and Genetic Algorithms

국문 초록 (Abstract)

수소경제 확대로 고압 저장기술의 중요성이 높아지면서 경량성과 내압 성능을 동시에 요구하는 Type IV 수소저장용기는 수소산업에서 핵심 인프라 요소로 자리매김하고 있으나, 섬유 적층 각도, 적층 순서, Hoop/Helical 층 비율, 돔-실린더 전이부 등 복합재 특유의 이방성 변수가 비선형적으로 상호작용하고, 와인딩 공정의 제조 편차까지 영향을 미치기 때문에 설계 난이도가 매우 높다. 본 연구는 이러한 한계를 극복하기 위해 유한요소해석(Finite element analysis, FEA) 자동화 기반 대규모 데이터 생성, 인공신경망(Artificial neural network, ANN) 및 Res-MLP 구조의 심층신경망(Deep Learning, DL) 대리 모델 구축, 그리고 유전 알고리즘 (Genetic algorithm, GA) 기반 최적설계 절차를 통합한 프레임워크를 개발하였다. ISO 11119-3 및 SAE J2579 기준에 부합하는 70 MPa Type IV 용기를 대상으로 축 대칭 FEA 모델을 구축하고, 다양한 적층 조합에 따른 응력·변형 거동을 분석하여 학습 데이터를 확보한 뒤, Optimizer, Cosine Annealing, Batch Normalization, Dropout, L2 정규화 등을 적용해 학습 안정성을 높인 대리 모델을 구성하였다. 구축된 ANN·DL 모델 모두 실제 FEA와 높은 정합성을 보였으며, 특히 DL 모델은 전이부와 같은 고비선형 영역에서 더 낮은 예측 오차와 신뢰성 높은 최적해를 도출하였다. 이를 GA의 적합도 함수로 활용한 결과, 기존 설계 구조 대비 파열압력이 향상된 최적 적층 패턴을 도출할 수 있었고, ANN-GA보다 DL-GA가 더 빠르고 안정적인 수렴 특성을 보였다. 본 연구는 AI 기반 대리 모델과 진화 알고리즘을 결합함으로써 기존 FEM 반복 해석이 가진 한계를 극복하고 복잡한 필라멘트 와인딩 설계공간을 효율적으로 탐색할 수 있는 실질적 최적설계 체계를 제시하였으며, 이는 Type IV 수소저장용기 설계·제조 기술의 고도화에 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 제1장. 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 Type IV 수소저장용기 구조 정의 4
• 1.3 필라멘트 와인딩 설계 변수 8
• 1.4 연구 목적 11
• 제2장. Type IV 수소저장용기 구조 13
• 2.1 필라멘트 와인딩 구조 메커니즘 13
• 2.2 Hoop/Helical 층의 기능적 역할 18
• 2.3 설계 기준 및 파손 평가 20
• 제3장. 모델 구성 및 설계 변수 23
• 3.1 Type IV 수소저장용기 유한요소해석 모델 정의 23
• 3.1.1 연구 모델 정의 23
• 3.1.2 유한요소해석 모델 구성 25
• 3.1.3 경계 조건 정의 29
• 3.1.4 유한요소해석 결과 및 분석 32
• 3.2 설계 변수 정의 36
• 3.3 목적 함수 정의 40
• 제4장. 최적화 프로세스 42
• 4.1 최적화 프로세스 개요 42
• 4.2 자동화 기반 대규모 유한요소해석 데이터 생성 45
• 4.2.1 자동화 유한요소해석 프로세스 45
• 4.2.2 학습 데이터 생성 프로세스 48
• 제5장. 대리 모델 구축 및 학습과정 53
• 5.1 대리 모델 구조 개요 53
• 5.2 ANN 기반 대리 모델 설계 및 학습 전략 55
• 5.2.1 ANN 원리 55
• 5.2.2 ANN 구조 설계 59
• 5.2.3 학습 알고리즘 및 가중치 초기화 62
• 5.2.4 손실 함수 설계 및 학습 안정화 전략 71
• 5.2.5 하이퍼파라미터 탐색 76
• 5.2.6 학습 결과 79
• 5.3 DL 기반 대리 모델 83
• 5.3.1 DL 모델 설계 개요 83
• 5.3.2 DL 네트워크 구조 설계 86
• 5.3.3 DL 학습 전략 및 최적화 알고리즘 90
• 5.3.4 DL 학습 안정화 및 정규화 기법 93
• 5.3.5 학습 결과 97
• 제6장. 유전 알고리즘 기반 최적 설계 100
• 6.1 설계변수 인코딩 및 염색체 구조 103
• 6.2 적합도 함수 설계 106
• 6.3 선택 연산 108
• 6.4 교차 연산 111
• 6.5 변이 연산 113
• 6.6 종료 조건 115
• 제7장. 최적화 결과 분석 118
• 7.1 ANN-GA 및 DL-GA 기반 최적 설계 학습 및 수렴 특성 비교 118
• 7.2 최적 적층 패턴 비교 분석 123
• 7.3 파열압력 개선 효과의 정량적 분석 126
• 제8장. 결론 131
• 참고문헌 135
• Abrstract 140