Data-Integrated Model-Driven Simulation (DIMDS) for Accelerated Multibody Dynamics: A Metamodel- MBD Coupling Methodology = 멀티바디 동역학의 속도향상을 위한 데이터 통합 모델 시뮬레이션: 메타모델-MBD 결합 방법론

다국어 초록 (Multilingual Abstract)

Modern engineering systems require accurate prediction of rigid and flexible body interactions. While multi flexible body dynamics(MFBD) has improved system-level accuracy, traditional DAE solvers face computational limits in high-DOF nonlinear systems. This prevents real-time analysis needed for digital twins and HIL applications. To bridge this gap, a hybrid simulation paradigm that unites physics-based fidelity with data-driven efficiency is proposed. In this dissertation, I introduce the Data Integrated Model Driven Simulation (DIMDS) framework, which replaces computationally expensive flexible and nonlinear components with surrogate models trained on systematically generated design-of-experiments (DOE) data, thereby preserving physical consistency while achieving reduced runtime.
DIMDS unfolds through six stages: component identification and interface definition establish precise input–output bounds (displacement, velocity, orientation ↔ reaction forces, moments); DOE sampling via full-factorial design or Latin hypercube sampling captures global design trends under quasi-static analysis; surrogate modeling employs a toolbox of techniques—polynomial regression, radial basis functions, and multilayer perceptrons—selected and validated to balance interpretability, local smoothness, and nonlinear expressiveness; system integration couples surrogate evaluations into the MFBD solver through coordinate transformations, force and Jacobian assembly, proportional damping, and Newton–Raphson solution, with virtual-body constructs ensuring seamless compatibility with existing contact and control modules; fluid–structure co-simulation leverages the moving-particle semi-implicit method to extend DIMDS to multiphysics scenarios; and comprehensive validation verifies surrogate accuracy and overall performance.
Two representative case studies illustrate the framework’s capabilities. In the first, a laboratory spring is replaced by an interpolation-based surrogate trained on full-factorial grid data, reproducing benchmark flexible-body responses at grid nodes while providing smooth interpolation within the grid. In the second, an 18-dimensional input space of a vehicle suspension’s three interfaces (six degrees of freedom each) is sampled with 1,000 Latin hypercube points, and radial basis function and polynomial regression surrogates are trained and validated at the system level.
Performance evaluation demonstrates that the surrogate-augmented model reduces computation time significantly—while maintaining engineering-level accuracy in vertical, lateral, pitch, and roll responses. Under fluid-structure coupling, computation time also decreases without compromising correlation or tolerances in positional and orientational outputs. Furthermore, radial basis functions excel in local accuracy, whereas polynomial regression delivers superior global stability, guiding surrogate selection based on component characteristics.
This work’s primary contributions are threefold: establishment of the DIMDS six-stage procedure to overcome real-time MFBD limitations; development of a high-throughput data pipeline integrating DOE, quasi-static analysis, sequence optimization, warm-starting, distributed execution, and quality control; and formulation of a unified coupling algorithm—spanning interface definition, coordinate transformation, force/Jacobian integration, and damping—that is fully compatible with commercial MFBD platforms. Demonstration cases confirm two- to three-order-of-magnitude speedups and robust multiphysics interoperability, charting a practical path toward digital twins, design optimization, and interactive simulation. Limitations include surrogate reliability confined to training domains and challenges in high-frequency dynamics extrapolation, motivating adaptive monitoring and domain-expansion retraining strategies. Future work will address fluid surrogate development, multi-fidelity coupling, and improved constraint methods to further enhance metamodel reliability and applicability.

국문 초록 (Abstract)

현대의 공학 시스템은 복잡한 다물체 구성에서 발생하는 강체–유연체(강체·유연체 결합) 동역학을 정밀하게 예측할 것을 요구한다. 다물체 동역학(MBD)을 유연 다물체 동역학(MFBD)으로 확장하면 시스템 수준의 정확성은 향상되지만, 뉴턴의 제2법칙에 기반한 전통적 미분–대수방정식(DAE) 해석방법으로는 자유도 수가 크고 강한 비선형성을 보이는 상황에서 계산 비용과 수치적 안정성 문제가 커져 디지털 트윈과 하드웨어-인-더-루프(HIL) 응용에 필수적인 실시간 또는 준실시간 응답을 사실상 달성하기 어렵다. 본 학위논문은 이 간극을 해소하기 위해 물리 기반의 정확성과 데이터 기반의 효율을 결합하는 하이브리드 시뮬레이션 패러다임을 제안한다. 제안하는 데이터 통합형 모델 구동 시뮬레이션(Data Integrated Model Driven Simulation, DIMDS) 프레임워크는 설계실험(DOE)으로 체계적으로 생성한 데이터로 학습된 대체모델(서로게이트)을 사용해 계산 비용이 큰 유연·비선형 구성요소를 치환함으로써, 물리적 정합성을 유지하면서도 실행 시간을 크게 단축한다.
DIMDS는 여섯 단계로 전개된다. (1) 구성요소 식별과 인터페이스 정의를 통해 입력–출력 경계를 엄밀히 규정한다(변위·속도·자세 ↔ 반력·모멘트). (2) 전수 요인 설계(full-factorial) 또는 라틴 하이퍼큐브 표본추출(LHS)에 기반한 DOE 샘플링으로 준정적 해석 하에서 전역 설계 경향을 포착한다. (3) 다항 회귀, 라디얼 기저 함수(RBF), 다층 퍼셉트론(MLP) 등 기법 도구상자를 활용하여 해석 가능성, 국소적 매끄러움, 비선형 표현력의 균형을 고려해 대체모델을 선택·검증한다. (4) 시스템 통합 단계에서는 좌표 변환, 힘 및 자코비안 조립, 비례감쇠, 뉴턴–라프슨 해법을 통해 MFBD 해석기에 대체모델 평가를 결합하고, 가상체(virtual body) 구성을 도입해 기존 접촉·제어 모듈과의 호환성을 보장한다. (5) 유체–구조 연성 확장을 위해 MPS(Moving Particle Simulation)법을 이용한 공동시뮬레이션을 수행한다. (6) 마지막으로 포괄적 검증을 통해 대체모델의 정확도와 전체 성능을 확인한다.
두 가지 대표 사례로 프레임워크의 성능을 입증한다. 첫째, 전형적인 스프링을 전수 격자 데이터에 학습된 보간 기반 대체모델로 치환하여, 격자 노드에서는 기준 유연체 응답을 재현하고 격자 내에서는 매끄러운 보간을 제공함을 보인다. 둘째, 차량 서스펜션의 세 인터페이스(각각 6자유도)로 이루어진 18차원 입력 공간을 1,000개의 LHS 표본으로 샘플링하고, RBF와 다항 회귀 대체모델을 시스템 수준에서 학습·검증한다.
성능 평가 결과, 대체모델을 결합한 모델이 계산 시간을 유의미하게 줄이는 동시에 수직·횡·피치·롤 응답에서 공학적 수준의 정확도를 유지하였다. 유체–구조 연성 하에서도 위치·자세 출력의 상관도와 허용오차를 저해하지 않으면서 계산 시간이 감소하였다. 또한 RBF는 국소 정확도에서 강점을, 다항 회귀는 전역 안정성에서 우위를 보여, 구성요소 특성에 따른 대체모델 선택 기준을 제시한다.
본 연구의 주요 공헌은 다음과 같다. (1) 실시간 MFBD의 한계를 극복하기 위한 DIMDS 6단계 절차를 확립하였다. (2) DOE, 준정적 해석, 순서 최적화, 웜스타트, 분산 실행, 품질관리(QC)를 통합한 고처리량 데이터 파이프라인을 구축하였다. (3) 인터페이스 정의, 좌표 변환, 힘/자코비안 통합, 감쇠를 아우르는 통합 결합 알고리즘을 정식화하여 상용 MFBD 플랫폼과의 완전한 호환성을 달성하였다. 사례 연구는 2~3자릿수(약 100~1000배) 수준의 속도 향상과 견고한 다중물리 상호운용성을 입증하여, 디지털 트윈, 설계 최적화, 인터랙티브 시뮬레이션으로의 실용적 경로를 제시한다. 한계로는 대체모델의 신뢰성이 학습 영역에 국한된다는 점과 고주파 동특성 외삽의 어려움이 있으며, 이에 대한 대응으로 적응형 모니터링과 영역 확장 재학습 전략을 제안한다. 향후 연구로는 유체 대체모델 개발, 다중 정밀도(멀티피델리티) 결합, 제약식 개선을 통해 디지털 트윈의 탄력성과 정확도를 한층 강화할 계획이다.

목차 (Table of Contents)

• Abstract ii
• Table of Contents iv
• List of Tables vii
• List of Figures viii
• Chapter 1. Introduction 1
• 1.1. Research Background and Motivation 1
• 1.2. Research Objectives 2
• 1.3. Thesis Organization 3
• 1.4. Author's Contributions 4
• Chapter 2. MBD and MFBD 5
• 2.1. Fundamentals of Multi-Body Dynamics (MBD) 5
• 2.2. Multi-Flexible-Body Dynamics(MFBD) 10
• Chapter 3. Data Integrated Model Driven Simulation (DIMDS) 20
• 3.1. Background and the Imperative for DIMDS Development 20
• 3.2. DIMDS Strategy and Technological Foundation 23
• 3.3. Component Definition and Analysis Framework 24
• 3.4. DIMDS Process Workflow and Implementation Strategy 26
• Chapter 4. Design of Experiments 29
• 4.1. DOE in DIMDS: Systematic Data Generation 29
• 4.2. Fundamental Principles of DOE 30
• 4.3. DOE Implementation in DIMDS: Process and Methodology 31
• 4.4. Sampling Strategy Selection and Implementation 32
• 4.5. Data Quantity versus Accuracy: Convergence Characteristics 35
• 4.6. Quasi-Static Analysis and Computational Optimization 36
• 4.7. Distributed Execution and Quality Control 38
• Chapter 5. MetaModel Generation 39
• 5.1. MetaModel: Mathematical Foundations and Implementation 39
• 5.2. MetaModel Utilization Rationale and Expected Benefits 40
• 5.3. MetaModel Generation Process 41
• 5.4. Full Factorial Interpolation Methods 41
• 5.5. Advanced Machine Learning Approaches 44
• 5.6. Multi-Layer Perceptron(MLP) 45
• 5.7. Polynomial Regression(PR) 48
• 5.8. Radial Basis Function(RBF) Model 50
• 5.9. Method Selection and Performance Optimization 52
• Chapter 6. Integration of MetaModel with M(F)BD Solver 54
• 6.1. Review of MBD and Integration Strategy 54
• 6.2. Mass and Inertia Distribution 56
• 6.3. Force Integration and Jacobian Calculation 57
• 6.4. Damping Force Implementation 61
• 6.5. Considerations for MetaModel Application 63
• 6.6. Complete Integration Algorithm 64
• Chapter 7. Co-simulation with CFD 65
• 7.1. Moving Particle Simulation (MPS) Background 65
• 7.2. Co-simulation Framework 70
• 7.3. Advantages and Limitations 74
• 7.4. Validation of Co-Simulation by Example 75
• Chapter 8. Case Studies and Validation 78
• 8.1. FFlex Spring Model (Full-Factorial) 78
• 8.2. Comparative Analysis of DOE Sampling Strategies: Full-Factorial vs. Latin Hypercube 86
• 8.3. Vehicle Suspension Model (Machine Learning) 93
• Chapter 9. Conclusions and Perspectives 107
• 9.1. Summary 107
• 9.2. Limitations and Applicability Boundaries 107
• 9.3. Outlook and Extensibility 108
• 9.4. Closing Remarks 109
• Bibliography 110
• 국문 초록 113