인공지능 대리모델을 이용한 사출성형 미세 메쉬 물리량 예측과 해석 가속화에 대한 연구

국문 초록 (Abstract)

사출성형은 복잡한 형상의 플라스틱 제품을 대량 생산할 수 있는 대표적인 열가소성 가공 공정으로, 충전, 보압, 냉각 단계에서의 물리적 거동을 정확히 해석하는 것이 제품 품질 확보의 핵심이다. 그러나 미세 메쉬(fine mesh)를 이용한 CAE(Computer-Aided Engineering) 해석은 계산 비용이 매우 높고 시 간이 많이 소요되어, 반복 설계나 실시간 공정 제어에 적용하기 어렵다는 한 계가 있다. 이에 따라 본 연구에서는 사출성형 해석의 미세 메쉬에서의 4가 지 물리량에 대하여 AI 모델로 예측하여 해석을 가속화하는 프레임워크를 제 안한다. 본 연구에서는 Autodesk Moldflow를 활용하여 생성한 다수의 해석 데이터를 기반으로, 기존의 노드별 좌표 정보와 형상 기반 기하학적 특징을 추가적으로 계산하여 입력으로 설정하였다. AI 모델에 대해서는 각 모델별로 성능을 비교 및 평가하기 위해 3가지 모델을 각각 구축하였다. 각 물리량별 로 개별 모델을 학습하고, 예측 정확도를 3가지 평가지표를 통해 성능을 비 교하고 평가하였다. 전이학습(Transfer Learning)을 위해서는 인공신경망 모 델을 적용하여 기존 모델이 새로운 형상에도 신속하게 적응함을 확인하였다. 본 연구는 형상 인식 기반 기하학 특징과 전이학습을 결합한 사출성형 해석 가속화 전략을 제시함으로써 기존 CAE 해석의 계산 부담을 효과적으로 완화 하고, 향후 설계 최적화와 공정 지능화를 위한 데이터 기반 해석 플랫폼의 가능성을 제시하였다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구배경 및 필요성 1
• 1.1.1 사출성형 공정 2
• 1.1.2 사출성형에서의 디지털 트윈 6
• 1.2 연구 목표 7
• 1.3 선행 연구 8
• Ⅱ. 실험 방법 12
• 2.1 연구 프로세스 개요 12
• 2.2 데이터 생성 및 전처리 14
• 2.2.1 실험 대상 기하학적 모델 14
• 2.2.2 메쉬 타입 선정 16
• 2.2.3 메쉬 생성 및 Moldflow 해석 조건 18
• 2.2.4 Mesh Independence 분석 22
• 2.3 단일형상 기반 인공신경망 학습 25
• 2.3.1 Gradient 기반 피쳐 엔지니어링 25
• 2.4 기하학적 피쳐 기반 확장 모델 28
• 2.4.1 기하학적 특징 추출 28
• 2.5 AI 모델 구조 및 학습 31
• 2.5.1 인공신경망 구조 및 학습 설정 31
• 2.5.2 XGBoost 기반 회귀 모델 35
• 2.5.3 PointNet 기반 딥러닝 모델 38
• 2.6 전이 학습 프로세스 40
• 2.6.1 타겟 모델 적용 41
• 2.6.2 Fine-tuning 및 검증 방법 41
• Ⅲ. 결과 및 분석 43
• 3.1 소스 모델 성능 43
• 3.1.1 Gradient 기반 성능평가 43
• 3.1.2 기하학적 피쳐 기반 ANN 결과 분석 44
• 3.1.3 영향도 분석 52
• 3.1.4 XGBoost 결과 분석 55
• 3.1.5 PointNet 결과 분석 56
• 3.2 타겟 모델 성능 58
• 3.2.1 Fine-tuning 전후 성능 비교 58
• 3.3 해석 시간 및 효율성 비교 68
• Ⅳ. 결론 70
• 참고문헌 72
• Abstract 76