잠수함 설계 변수와 충돌 조건에 따른 내충돌성 예측을 위한 딥러닝 모델 개발 = Development of a deep learning model for predicting crashworthiness based on submarine design variables and collision conditions

국문 초록 (Abstract)

본 연구에서는 잠수함의 설계 변수와 충돌 조건 변화가 구조적 내충돌성에 미치는 영향을 정량적으로 규명하고, 그 결과를 활용하여 딥러닝 기반 예측 모델을 구축하는 것을 목적으로 한다. 이를 위해 컨테이너선(KCS)–잠수함 충돌 시나리오를 구성하고, 잠수함 설계 변수, 충돌 각도, 충돌 속도 등 핵심 인자를 변화시키며 LS-DYNA 기반 해석을 수행하였다. 각 조건에서 진입량(Penetration depth)과 장비에 작용하는 반력(Reaction force)을 도출하였고, 이후 해석 결과를 학습 데이터로 사용하여 심층 신경망(Deep Neural Network, DNN) 기반 구조 응답 예측 모델을 개발하였다. 제안한 딥러닝 모델은 수치해석 대비 계산 비용을 크게 절감하면서 새로운 설계·운용 조건에서의 구조 응답을 신속하고 정확하게 예측할 수 있다. 나아가 복잡한 충돌 해석을 대체할 수 있는 데이터 기반 예측 프레임을 제시함으로써, 잠수함 구조 안전성 확보와 설계 최적화에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study aims to quantitatively investigate the effects of submarine design variables and collision conditions on structural crashworthiness and to develop a deep learning-based prediction model using the results. To this end, a collision scenario between a container ship (KCS) and a submarine was established, and LS-DYNA-based numerical analyses were performed by varying key factors, including submarine design variables, collision angle, and impact velocity. For each condition, penetration depth and reaction forces acting on the equipment were derived. These analysis results were then utilized as training data to develop a Deep Neural Network (DNN)-based structural response prediction model. The proposed deep learning model significantly reduces computational costs compared to numerical analysis and enables rapid, accurate prediction of structural responses under new design and operating conditions. Furthermore, by presenting a data-driven prediction framework that can replace complex collision simulations, this research is expected to contribute to ensuring the structural safety and optimization of submarine designs.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 및 필요성 . 1
• 1.2. 연구 목적 . 4
• 1.3. 문헌 연구 . 6
• 1.3.1. 충돌 해석의 초기 연구 . 6
• 1.3.2. 충돌 해석을 위한 수치해석 기법 7
• 1.3.3. 딥러닝 기반 구조 응답 예측 연구 . 9
• 2. 수치모델링 및 방법론 10
• 2.1. KCS 10
• 2.1.1. KCS의 기하학적 모델링 . 10
• 2.1.2. KCS의 재료 모델 11
• 2.2. 잠수함 . 13
• 2.2.1. 잠수함의 기하학적 모델링 13
• 2.2.2. 잠수함의 재료 모델 . 16
• 2.3. 경계조건 20
• 3. 유한요소 해석 모델 구성 . 24
• 3.1. 요소 유형 및 격자 크기 . 24
• 3.2. 초기 조건 . 27
• 3.3. 접촉 모델링 28
• 4. 해석 변수 및 충돌 시나리오 . 30
• 4.1. 잠수함 구조 설계 . 30
• 4.2. 충돌 시나리오 정의 32
• 4.3. 해석 시나리오 매트릭스 33
• 5. 해석 결과 . 34
• 5.1. 수치 해석 결과 및 검증 . 34
• 5.2. 충돌 조건 변화에 따른 구조 응답 측정 40
• 5.2.1. 진입량 측정 . 40
• 5.2.2. 장비 반력 측정 . 47
• 6. 딥러닝 기반 구조 응답 예측 모델 구축 . 53
• 6.1. 딥러닝 방법론 . 53
• 6.1.1. 데이터 정규화 54
• 6.1.2. 모델 구조와 활성 함수 . 55
• 6.1.3. 학습 절차 56
• 6.1.4. 딥러닝 모델 구성 57
• 6.2. 예측 결과 및 성능 평가 . 58
• 6.2.1. 손실 곡선을 통한 학습 수렴 분석 . 58
• 6.2.2. 예측 성능 평가 . 59
• 7. 결론 60
• 8. 참고문헌 61