선박 의장 설계 검증을 위한 인공지능 기반 설계 데이터 자동 분류에 관한 연구 = A Study on the Automatic Classification of Outfitting Design Data for Efficient Design Verification in Shipbuilding

국문 초록 (Abstract)

조선 해양 산업에서 3D 모델을 이용한 의장 설계 검증은 필수적이나, 현재의 방식은 설계자가 도면과 모델을 수동으로 대조하는 노동 집약적 작업에 의존하고 있다. 이러한 방식은 높은 비용과 시간을 유발하며, 작업자의 피로도 누적에 따른 휴먼 에러 （Human error） 발생 가능성을 내포하고 있다.
본 연구는 이러한 수동적 검증 방식의 비효율성과 주관성을 개선하기 위해, 유사도 기반 형상 검색（Similarity-based Shape Retrieval）과 비지도 학습 기반 군집화 （Unsupervised Learning-based clustering）를 활용하여, 데이터 기반의 설계 적합성 검증 지원 기술을 제안한다.
연구 방법으로, 첫째, 다수의 3D 부품 데이터에서 형상 디스크립터（Shape descriptor）를 추출하여 정량적 유사도 분석을 수행하고, 이를 기반으로 한 검색 체계를 구축하였다. 둘째, 임베딩（Embedding） 기반의 비지도 학습을 적용하여 데이터의 잠재적 패턴을 군집화함으로써, 명시적 설계 규칙이 없는 영역에서도 설계자가 검토해야할 유사 그룹 및 이상 항목（Anomaly） 후보를 자동으로 선별하여 제시하도록 하였다.
제안하는 방식은 설계 데이터의 고유한 특성을 학습하여 검증에 필요한 판단 기준을 보조하므로, 기존의 규칙 기반（Rule-based） 검증이 아니라 설계자의 주관적 개입을 줄여 휴먼 에러를 예방하는데 기여한다. 또한, 클러스터 분석을 통해 설계 변경의 영향을 추적함으로써 설계자가 보다 직관적으로 적합성을 판단 할 수 있는 지능형 검토환 경을 제공한다.
결론적으로 본 연구는 완전 자동화가 어려운 의장 설계 검증 분야에서, 설계자의 인지 부하를 줄이고 정확한 의사결정을 돕는 핵심 요소 기술로서, 설계 데이터의 자율분석 및 검증 프로세스 효율화를 위한 기반을 마련하였다는데 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study aims to develop core AI technologies to support objective decision-making in outfitting design, complementing subjective manual verification by analyzing the shape similarity and structural patterns of large-scale 3D models.
First, the effectiveness of similarity-based shape retrieval was confirmed. By automatically identifying models similar to a reference shape, the system facilitates the rapid detection of design errors—such as interferences, omissions, and specification mismatches—thereby reducing designer workload and improving verification efficiency.
Second, unsupervised learning-based clustering was applied to verify structural consistency and standard compliance using unlabeled data. The study validates that a shape descriptor-based approach enables effective automated classification, prioritizing computational efficiency and practical applicability for real-world design environments.
In conclusion, this research demonstrates the system＇s effectiveness as a decision support tool. Achieving high classification accuracy in an unsupervised environment, the proposed method effectively performs a screening role to assist designers. This establishes a foundation for an intelligent verification system that reduces cognitive load and contributes to data standardization and quality assurance in shipbuilding.
Future research will expand this approach by integrating physical and functional properties, such as material and weight, to develop a more sophisticated multi-dimensional clustering model.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구 내용 및 방법 4
• 2. 용어 정의 6
• 2.1 용어 정의 6
• 3. 형상 모델링 데이터 구성 12
• 3.1 단위 형상 모델 추출 13
• 4. 유사도 기반 형상 검색 16
• 4.1 적합성 검증의 유사도 기반 형상 검색 16
• 4.2 유사도 기반 형상 검색 모델 18
• 4.3 형상 디스크립터 기반 형상 검색 알고리즘 19
• 4.4 형상 디스크립터 기반 형상 검색 프로그램 22
• 4.5 유사도 기반 형상 검색 기능 활용 방안 26
• 5. 비지도 학습 기반 군집화 28
• 5.1 적합성 검증의 비지도 학습 군집화 28
• 5.2 비지도 학습 군집화 모델 29
• 5.3 비지도 학습 군집화 알고리즘 31
• 5.4 비지도 학습 군집화 프로그램 개발 34
• 5.5 비지도 학습 군집화 기능 활용 방안 46
• 6. 설계 데이터 분류 결과 분석 47
• 6.1 유사도 기반 형상 검색 결과 47
• 6.2 비지도 학습 군집화 결과 48
• 7. 결론 54
• 참고문헌 55
• Astract 57