자동화 공정으로 구축된 섬유복합재 빅데이터를 활용한 도심항공모빌리티 동체 구조 설계에 관한 연구 = A Study on the Structural Design of Urban Air Mobility Fuselage Using Big Data from Automated Fiber-Reinforced Composite Manufacturing Process

국문 초록 (Abstract)

본 연구에서는 기존 금속 기반 부품을 대체하기 위한 효율적인 경량 설계 방법론을 제시하고자 자동화 제조 공정을 통해 구축된 섬유복합재 빅데이터와 딥러닝 기반 예측 모델을 활용하여 도심항공모빌리티(UAM) 동체 구조의 경량화 및 구조 건전성 평가를 수행하였다. 이를 위해 프리프레그 제조–프리폼 적층–열가압 성형을 통합한 자동화 제조 시스템을 설계하여 수작업 공정에서 발생하는 제조 편차를 최소화하고, 일관된 품질의 복합재 시편을 확보함으로써 고신뢰성 빅데이터를 구축하였다. 구축된 데이터는 섬유 종류(유리, 현무암, 탄소), 직조 형태(평직·능직·주자직), 수지 함유량, 성형 조건
등을 주요 공정 변수로 구성하여 인장강도와 탄성계수를 포함한 기계적 특성을 체계적으로 평가하였다. Pearson 상관분석 결과, 수지 함유량과 성형 압력이 물성 변화에 가장 큰 영향을 미치는 핵심 인자임을 확인하였으며, 영향성이 낮은 변수는 제거함으로써 딥러닝 기반 회귀 예측 모델의 학습 효율성과 정확도를 향상시켰다. ReLU 활성화 함수를 적용한 예측 모델은 높은 결정계수(R²)와 낮은 RMSE를 나타내며 복합재 물성 예측에서 우수한 신뢰성을 확보하였다. 또한 UAM 동체 구조 설계의 기초 단계로 평판 단위 강성 설계를 수행하였다. 금속(Al 6061)과 GFRP, BFRP, CFRP를 동일 형상 조건(100 × 100 mm)으로 비교하기 위해 ANSYS 기반 정적 구조해석을 수행하였으며, 동일 변형량을 만족하는 소재별 목표 탄성계수와 최적 두께를 도출하였다. 이를 통해 소재별 강성 차이를 정량화하고, 딥러닝 예측 모델이 산출해야 할 타겟 변수를 정의하였다. 이후 타겟 변수 기반으로 도출된 예측 물성치를 UAM 동체 유한요소해석(FEA)에 적용하여 구조 성능을 평가하였으며, Puck 파손 기준 기반의 IRF(Inverse Reserve Factor)를 활용한 파손 해석 결과 모든 조건에서 IRF < 1을 만족하여 구조적 건전성과 파손 안전성을 확인하였다. 본 연구는 자동화 제조–빅데이터 구축–평판 단위 강성 설계–기계학습 기반 물성 예측–UAM 구조해석으로 이어지는 데이터 기반 복합재 설계 프로세스를 확립하였으며, 이는 향후 미래 모빌리티 구조물의 경량화 및 최적 설계 전략에 적용 가능한 높은 실용성과 확장성을 제공한다.

다국어 초록 (Multilingual Abstract)

This study presents a data-driven structural design framework for Urban Air Mobility (UAM) fuselage structures by integrating automated composite manufacturing, large-scale material property data, deep-learning–based prediction models, and structural analysis. An automated manufacturing system—composed of prepreg fabrication, preform lay-up, and hot-press molding—was developed to minimize variability inherent to manual processing and to ensure consistent quality of composite laminates. Using this system, a high-reliability composite dataset was established with controlled variations in fiber type (glass, basalt, and carbon), weave pattern (plain, twill, satin), resin content, and curing temperature–pressure– time conditions. Tensile strength, elastic modulus, and Poisson’s ratio were systematically evaluated, forming the basis of the composite big data.
Pearson correlation analysis revealed that resin content and forming pressure were the most influential factors affecting mechanical performance. These insights were used to refine the input space of the deep-learning regression model implemented in AI Studio. By employing the ReLU activation function and the Adam optimizer, the trained model demonstrated high predictive accuracy, with strong R 2 values and low RMSE, enabling reliable estimation of composite mechanical properties without additional experiments.
A plate-level stiffness design was performed as the foundational step for UAM fuselage structural design. Static finite element analyses were conducted on aluminum (Al 6061) and fiber-reinforced plastics (GFRP, BFRP, CFRP) using identical 100 × 100 mm plate geometries. To quantify the stiffness differences among materials, the required elastic modulus and optimal laminate thickness satisfying an identical deformation criterion were derived for each composite. Results confirmed that composite plates can achieve 5–45% weight reduction compared to aluminum, with CFRP exhibiting the highest stiffness-to-weight efficiency.
The derived target mechanical properties were subsequently applied to the UAM fuselage model for global structural analysis. Using the Puck failure criterion, the Inverse Reserve Factor (IRF) was evaluated, and all composite configurations satisfied the IRF < 1 condition, confirming sufficient structural integrity and failure resistance.
Overall, this study establishes an integrated data-driven design methodology encompassing automated manufacturing, composite material big-data construction, deep-learning–based mechanical property prediction, plate-level stiffness design, and UAM fuselage structural evaluation. The proposed approach demonstrates significant potential for lightweight and reliable structural design in UAM and next-generation mobility applications.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 3
• 1.3 연구 흐름 5
• 제 2 장 이론적 배경 8
• 2.1 섬유 강화 복합재 특성 8
• 2.2 복합재 고전적 적층 이론 12
• 2.3 복합재 파손 평가 이론 15
• 제 3 장 섬유복합재 제조 및 평가 방법 18
• 3.1 소재 데이터 확보를 위한 자동화 시스템 구축 18
• 3.2 소재 및 공정 변수 선정 22
• 3.3 섬유복합재 평가 방법 27
• 제 4 장 섬유복합재 빅데이터를 통한 소재 설계 29
• 4.1 섬유 및 직조 형태에 따른 기계적 특성 분석 29
• 4.2 공정변수 및 기계적 특성 간 영향성 평가 33
• 4.3 딥러닝 모델 설계 36
• 4.4 타겟 변수 설정을 위한 섬유복합재 소재 단위 해석 39
• 4.4.1 섬유복합재 강성 설계 39
• 4.4.2 복합재 구조해석 전처리 41
• 4.4.3 해석 결과 47
• 4.5 딥러닝 기반 예측모델을 통한 예측값 도출 51
• 제 5 장 도심항공모빌리티 동체 구조 건전성 평가 53
• 5.1 도심항공모빌리티 동체 구조 설계 53
• 5.2 경계 조건 60
• 5.3 도심항공모빌리티 동체 구조 건전성 평가 결과 63
• 5.3.1 등가응력 평가 63
• 5.3.2 변형량 평가 69
• 5.3.3 동체 구조 파손 평가 76
• 제 6 장 결론 78
• 참고문헌 81
• Abstract 85